基于模糊理論的汽車遠(yuǎn)程故障診斷*

張宏

（武漢理工大學(xué)華夏學(xué)院）

現(xiàn)代汽車電控系統(tǒng)及其故障越來越復(fù)雜，汽車系統(tǒng)故障又總是通過各種現(xiàn)象表現(xiàn)出來[1]，因此故障原因與故障現(xiàn)象之間通常沒有對應(yīng)關(guān)系，一種故障原因可能會產(chǎn)生多種故障現(xiàn)象，一種故障現(xiàn)象可能有多種原因[2]。在汽車故障診斷中，存在界限不分明的模糊概念（如發(fā)動機溫度“偏高”、輪胎磨損“較嚴(yán)重”等具有模糊性），運用模糊理論的診斷方法將更為有效[3]。模糊診斷的實質(zhì)是引入隸屬函數(shù)概念，模糊邏輯以其較強的結(jié)構(gòu)性知識表達(dá)能力[4-5]，適合處理診斷中的不確定和不完整信息。因此，應(yīng)用模糊理論解決此問題往往具有優(yōu)越性[6]。文章采用層次分析法（AHP），利用專家知識建立模糊診斷矩陣，得到比較符合實際的故障原因和故障征兆判斷矩陣。

1 汽車遠(yuǎn)程故障模糊診斷思路

在汽車遠(yuǎn)程故障診斷過程中采用正向推理，首先確定故障征兆向量X，進行模糊運算，得到故障原因向量Y，進行閾值診斷，確定遠(yuǎn)程汽車故障的原因，并迅速通過3G 或GPRS 網(wǎng)絡(luò)通知駕駛員故障原因，提供診斷技術(shù)支持。

2 汽車遠(yuǎn)程故障診斷判定過程

2.1 汽車模糊故障診斷的數(shù)學(xué)表達(dá)

利用模糊集合論中的隸屬度函數(shù)和模糊關(guān)系矩陣來描述故障征兆與故障原因之間的關(guān)系，為診斷遠(yuǎn)程汽車故障與提供維修方法提供科學(xué)的依據(jù)。

設(shè)有2 個論域，用因素集U 代表故障征兆論域，評判集V 代表故障原因論域，通過故障征兆隸屬度推導(dǎo)出故障原因隸屬度。設(shè)某診斷對象有n 種可能發(fā)生的故障原因，表示為y1，y2，…，yn，由這些故障原因引起m 種故障征兆，可表示為x1，x2，…，xm。

因此，故障原因模糊向量為：

故障征兆模糊向量為：

式中：yi——故障原因的隸屬度，i=1，2，…，n；

xj——故障征兆的隸屬度，j=1，2，…，m。

汽車技術(shù)狀況具有漸發(fā)性和偶發(fā)性，漸發(fā)性變化規(guī)律表明：汽車技術(shù)狀況隨汽車使用時間或汽車行駛里程呈單調(diào)變化，可用n 項多項式或冪函數(shù)描述。在此過程中，汽車既不是完全完好，也不是完全故障，而是處于中間某狀態(tài)，所表現(xiàn)出來的征兆亦如此。通過語義描述來確定故障征兆隸屬度，將遠(yuǎn)程駕駛員定性描述定量化，結(jié)果如表1 所示。

表1 汽車遠(yuǎn)程故障征兆隸屬度取值表

例如，某遠(yuǎn)程汽車出現(xiàn)的故障現(xiàn)象為：有刺鼻的焦糊味，發(fā)動機聲音輕微異常，方向盤未出現(xiàn)抖動，根據(jù)駕駛員描述，量化駕駛員的模糊回答，依據(jù)表1，得到故障征兆向量為（0.9,0.2,0）。

2.2 構(gòu)建單因素評判矩陣

由專家首先確定初始隸屬度，針對故障征兆xj將n 種故障原因兩兩對比，根據(jù)隸屬度取值原則，結(jié)合專家經(jīng)驗，把兩兩對比原因中最容易引起故障征兆的那一種隸屬度賦值大一些，參照Satty 九標(biāo)度法，按定義的比例標(biāo)度對故障原因進行賦值，采用幾何平均值對賦予的標(biāo)度值進行均值修正，構(gòu)造判斷矩陣，求出最大特征值對應(yīng)的特征向量。

2.2.1 計算相對權(quán)重和一致性檢驗

利用判斷矩陣計算各指標(biāo)相對權(quán)重系數(shù)（Wi）和矩陣特征根（λmax），方法如下：

1）計算汽車某一判斷矩陣B 中每行所有元素的積：

式中：aij——B 中的元素，i=1,2，…，n；

表3給出了在不同優(yōu)化目標(biāo)下的優(yōu)化結(jié)果。表3中,單目標(biāo)優(yōu)化是指僅以最小化購電成本或功率波動為目標(biāo)的粒子群算法后的優(yōu)化結(jié)果;多目標(biāo)優(yōu)化是指先將某一個目標(biāo)作為主要的優(yōu)化對象,再將另一個優(yōu)化目標(biāo)作為約束條件添加到原問題的約束集中得到的計算結(jié)果;二人零和博弈是指利用本文所述的二人零和博弈模型,確定各目標(biāo)的權(quán)重系數(shù),再應(yīng)用布谷鳥搜索算法得到的優(yōu)化結(jié)果。

n——矩陣階數(shù)。

2）對Mi開n 次方

式中：W——特征向量。

2.2.2 層次單排序和一致性檢驗

為確定構(gòu)造的判斷矩陣是否合適，要進行一致性檢驗，其方法是：

表2 判斷矩陣的平均隨機一致性指標(biāo)

將特征向量歸一化后得到模糊隸屬度，從而構(gòu)造出模糊關(guān)系矩陣（R）。R 的一般表達(dá)式為：

式中：rij——第i 個故障征兆被確定為評判集Vj（j=1，2，…，n）的隸屬度，指標(biāo)i 的隸屬度向量為R（i）=[ri1ri2…rin]。

2.3 綜合評判

文章模糊合成算子“·”采用乘法和上限為1（要求歸一化）的求和運算，即加權(quán)平均值，得到最后的故障原因模糊向量，確定故障原因。經(jīng)過模糊運算后，得到故障原因模糊向量Y=（y1，y2，…，yn）。

規(guī)定一個閾值水平γ∈[0,1]，記O=max（y1,y2,…,yn），若O＞γ，認(rèn)為診斷結(jié)果可行；反之則說明提供的征兆向量不足，需補充信息之后再重新診斷。γ 主要由專家確定，并根據(jù)實際情況進行實時調(diào)整以提高診斷精度。

3 典型故障實例分析

以汽車發(fā)動機不能啟動為例，進行故障診斷。

3.1 故障征兆與故障原因

故障征兆：發(fā)動機動力不足（x1），機油溫度低（x2），無火花（x3），燃料不足（x4），氣缸壓縮壓力低（x5）。

故障原因：冷卻系統(tǒng)故障（y1），燃油供給系統(tǒng)故障（y2），點火系統(tǒng)故障（y3），啟動系故障（y4），潤滑系統(tǒng)故障（y5），配氣機構(gòu)故障（y6）。

3.2 構(gòu)造模糊關(guān)系矩陣

以故障征兆x1為例，構(gòu)建發(fā)動機動力不足的故障原因判斷矩陣，并進行單一準(zhǔn)則下因素的相對權(quán)重和一致性檢驗計算，如表3 所示。

表3 發(fā)動機動力不足的故障原因判斷矩陣

依據(jù)上述方法，根據(jù)汽車的實際運行技術(shù)參數(shù)、經(jīng)驗資料及專家經(jīng)驗，確定每一故障征兆xj分別對每個原因yi的隸屬度，得到模糊關(guān)系矩陣，如表4 所示。

表4 汽車遠(yuǎn)程故障診斷模糊矩陣

汽車發(fā)動機不能啟動時，發(fā)生某種故障現(xiàn)象，例如，無火花和壓縮壓力低，即有x3和x52 種故障現(xiàn)象，根據(jù)確定故障征兆向量的方法可知：此時故障征兆向量取X=（0 0 0.6 0 0.85），運用模糊運算可得故障原因向量。

第1 可能的故障為y6，接下來可能的故障為y3和y2，設(shè)γ=0.5，因為y6=0.54＞0.5，故障原因為配氣機構(gòu)故障。經(jīng)檢修，驗證了診斷正確。y3和y2在故障原因向量中所占數(shù)值也較大，可能是故障系統(tǒng)之間相互影響及相互作用的結(jié)果，有待于進一步深入研究。

4 結(jié)論

從診斷方法的原理和實例可以看出，使用AHP法，利用專家知識建立模糊診斷矩陣，得到比較符合實際的故障原因和故障征兆判斷矩陣。該方法簡單易行，不需要建立精確的數(shù)學(xué)模型等。

故障征兆與故障原因并非一一對應(yīng)，使得模糊矩陣的分析變得困難，診斷規(guī)則采用唯一診斷γ 的精度不高，需進行改進。

確定隸屬集的隸屬函數(shù)的方法是多樣的，但這些方法所給出的隸屬函數(shù)只是近似的，因此需要在實踐中不斷總結(jié)加以修改，使之逐步完善。