基于信息融合技術的汽車故障模式識別系統

劉 將(安徽蚌埠汽車士官學校， 安徽 蚌埠 233011)

?

基于信息融合技術的汽車故障模式識別系統

劉 將
(安徽蚌埠汽車士官學校， 安徽 蚌埠 233011)

運用集成神經網絡和信息融合技術，提出汽車故障模式識別系統的邏輯結構，分析系統各個模塊的技術實現途徑，并以發動機磨損故障為例，詳細論述系統的構架和實現過程。研究表明，基于信息融合的汽車故障模式識別系統能夠使多種故障識別信息互相補充和驗證，具有廣闊的應用范圍和準確的故障識別率。

汽車故障； 模式識別； 信息融合； 集成神經網絡

0 引 言

信息融合技術在智能機器人、計算機視覺和多目標跟蹤等領域獲得廣泛應用[1-3]。故障模式識別就是一個多源信息的融合過程，因此，信息融合技術在汽車故障模式識別領域中具有廣闊的應用前景。

信息融合有多種途徑，神經網絡是其中之一[4-5]。本文從信息融合的角度出發，運用集成神經網絡，融合各類汽車故障信息，建立汽車故障模式識別系統。系統構架是首先劃分不同屬性故障特征信息，分別運用多個子神經網絡，從不同的側面進行故障模式識別。每個子網絡輸出是從不同側面映射的汽車故障模式識別結果，屬于局部決策。然后，把各個子神經網絡輸出的局部決策進行融合，得到全局決策。這樣有利于減少故障模式識別的不確定性，提高確診率。

1 系統邏輯結構

單個神經網絡經過訓練和學習，融合各類故障特征信息，以網絡權值和閥值記住故障特征，當輸入新的故障特征信號時，神經網絡通過聯想回憶就能夠逼近最類似故障，實現故障征兆集到故障模式集的非線性映射，完成多類故障的模式識別。因此，單個人工神經網絡能夠融合多類故障信息，具有故障模式識別能力，在汽車故障診斷中獲得一定程度應用[6]。

但現代汽車是機電液一體的十分復雜的高技術產品，研究和實踐表明，單個神經網絡用于汽車故障診斷存在明顯的缺陷：神經網絡需要大量的故障樣本，用來進行學習和訓練；構造反映多類故障的特征向量比較困難；神經網絡結構配置是一個NP難題[7-9]；神經網絡節點過多，結構龐大，造成訓練學習困難；對新出現的故障類型，整個神經網絡必須抹去全部記憶，重新學習訓練等等。

本文采用分層網絡，構建故障模式識別系統，通過多個網絡的串、并聯組合和協同工作，實現多源故障信息的融合和故障模式的識別。

系統的信息融合相對于信息表征的層次可以分為3層，呈串聯結構，如圖1所示。第1層進行數據分類和歸一化預處理，把數據分配和傳輸給第2層的各個識別子神經網絡，完成輸入信號向各級設備的定位。第3層由多個識別子神經網絡的集成和并聯而成，每個子網絡接收不同屬性的數據，從不同側面識別故障模式，完成局部決策功能。第3層由1個網絡構成，接收第2層的各個子診斷網絡的局部決策信息，進行綜合、全局決策，起到會診功能，最終完成汽車故障模式的識別。

圖1 信息融合故障模式識別系統的邏輯結構

從網絡功能分析，第1層網絡為數據融合型網絡，即把汽車故障特征向量空間劃分為若干個子參數空間，同時根據各個子參數空間構造相應的故障子空間。第2層網絡為特征融合型網絡，各子網絡從不同屬性的故障特征信息進行汽車故障模式識別。第3層網絡為決策融合網絡，對局部模式識別信息進行智能化合成，得出最終識別結果。同時，故障信息融合過程考慮人的因素，設置人機接口，體現信息集成的思想。系統整體結構為串聯結構，有利于發揮串聯結構運算速度較快的特點；而第2層網絡的各子神經網絡之間為并聯結構，有利于避免由于某一網絡缺陷而融合過程中止現象的發生。

2 系統實現策略

由集成神經網絡構成的故障信息融合系統是一個有機的整體，各個網絡既相互獨立，又相互配合，協同工作，既可以在線實現，也可通過人機接口，離線實現。

信息分配網絡為管理型網絡，主要完成信號的預處理、分配和定位[10-12]。故障模式識別系統需要實現故障定位，它可以通過標識符來標注各個信息源來自汽車上不同的零部件。因此，產生信息的零部件位置可作為故障定位信號，形成信號位置標識符，前置的信號處理單元對信號處理后，形成特征信息，每一特征信息都保留其定位信息。這樣，經處理后的信息在傳遞過程中包含信號本體和位置標識符兩部分。

識別子神經網絡的實現包括網絡配置、網絡訓練和執行模式識別3個方面。識別子網絡一般采用BP網絡，由輸入層、隱層和輸出層構成，輸入層節點數等于需要輸入的故障特征參數的數目，輸出層節點數等于故障類型數目。網絡訓練是確定網絡的權值和閾值，形成網絡的知識庫。為使用和管理方便，每個子神經網絡各自建立一個檔案。每個檔案由兩部分組成，一部分包含網絡的結構特征和輸入、輸出單元的意義，另一部分為子神經網絡的標準學習樣本。在系統調用的過程中，檔案的實現是以文件的形式完成，該檔案放在人機接口中，在網絡學習時，通過調用讀出其中的信息，學習后的結果，即網絡的權值和閾值也以文件的形式存起來，形成子神經網絡的知識庫。各子網絡在檔案及知識庫健全情況下，執行模式識別就很簡單，從信息分配網絡來的信號通過和子網絡已學好的權值并行運算，即可得出相應的模式識別結果。

這樣網絡輸出為：

γ=P·R

(1)

其中故障i發生的概率為：

pi=pi1·r1i+pi2·r2i+…+pim·rmi

(2)

為了使不同子網絡對同一故障的模式識別結果形成更好的支持和加強，重新定義一種運算“⊕”。定義：a⊕b=a+b-ab。容易證明，此運算滿足交換律和結合律。則融合決策網絡對某故障的融合結果可表示為：

γi=pi1·r1i⊕pi2·r2i⊕…⊕pim·rmi

可見，這種融合方法采用⊕運算能對所有模式識別子網絡的結果進行考慮，更能突出較弱置信度對較強置信度的支持和加強作用，能更全面反映實際故障。

3 模擬分析

汽車發動機中存在著大量的摩擦副，由于摩擦副的相互作用，產生了許多懸浮在潤滑油中磨損顆粒，并使潤滑油的理化指標發生變化。這些懸浮顆粒和理化指標的檢測數據，蘊涵著發動機摩擦副的磨損特征信息。因此，分析油樣中磨損顆粒所含金屬元素的種類和濃度，以及理化指標，就可判斷發動機的磨損故障部位和磨損狀態。

油樣分析有多種方法。鐵譜分析可以觀察到磨損顆粒的形態和尺寸分布，能夠揭示摩擦副的磨損過程和機理。光譜分析可以測定油樣中鐵、鋁、銅、鉛、鉻、硅等元素的濃度，能夠判斷發動機摩擦副的磨損部位。理化分析可以得到潤滑油的運動粘度、冷凝點、閃點、酸值、雜質含量和水分含量等數據，能夠判定潤滑油的失效程度和汽缸的竄氣程度。各種油樣分析方法各有所長，但任一種油樣分析方法的使用范圍和故障識別準確率有限。因此，基于信息融合思想[13-15]，綜合運用鐵譜分析、光譜分析和理化分析等方法，開發汽車發動機磨損故障的模式識別系統，能夠使各種磨損故障信息相互補充和驗證，擴大故障模式識別系統的應用范圍，提高故障識別準確率。

定義發動機磨損的故障模式集合為:F={F1，F2，…，F8}。其中：F1為系統正常；F2為軸瓦嚴重磨損；F3為活塞環與汽缸嚴重磨損(竄氣)；F4為活塞嚴重磨損；F5為活塞銷嚴重磨損；F6為潤滑油失效；F7為空氣濾清器失效；F8為機油濾清器失效。數據采集系統除了采集潤滑油的鐵譜、光譜和理化分析數據外，還采集發動機潤滑油的壓力、溫度和消耗水平等運行狀態數據，以加大故障信息的融合范圍，提高模式識別的準確率。數據采集系統采集的故障原始征兆數據，需要預處理，處理方法把采集的各種原始數據與標準界限值進行比較, 在正常值范圍內的取0； 反之則取1, 從而將原始征兆數據轉換為0和1的布爾值。

模式識別子神經網絡包括鐵譜子網絡、光譜子網絡、理化子網絡和運行狀態子網絡，分別接收預處理后得到鐵譜、光譜、理化和運行狀態的布爾值數據。各個子網絡的輸入節點數等于對應數據采集模塊的原始故障征兆參數的個數，輸出節點數等于故障模式數目訓練樣本根據故障模式識別的實例積累得到。決策融合網絡輸入為各子網絡的模式識別結果矩陣P，置信權矩陣R一般由專家根據各種故障模式與各個子網絡模式識別之間的關聯程度，人為確定，見圖2。

4 結 語

(1) 基于信息融合的汽車故障模式識別系統，能夠充分利用多源故障信息的互補性，較好地模擬專家的邏輯思維和形象思維過程，避免或減少謊報、漏檢及錯診，與傳統識別方法相比，提高了識別的準確率和故障的定位解釋能力，具有廣闊的應用前景。

圖2 發動機磨損故障模式識別系統流程圖

(2) 模塊化集成神經網絡易于構造、易于學習、功能明確和符合計算機軟件和硬件發展趨勢，對提高故障分類準確性和可靠性具有重要作用，是汽車故障特征信息融合技術的一個重要發展方向。

[1] 徐 斌. 基于智能診斷技術的發動機故障排查研究進展[J]. 重慶電子工程職業學院學報, 2012, 21(1):165-167.

[2] 陳朝陽 張代勝 任佩紅．汽車故障診斷專家系統的現狀與發展趨勢[J]．機械工程學報，2003,39(11):1-2.

[3] 蔣鳴雷.汽車故障診斷技術發展趨勢[J].中國新技術新產品, 2010(9):102.

[4] 石 晶， 何 亮， 崔 瑤. 基于B/S三層架構的汽車故障診斷專家系統的實現[J]. 機械設計與制造, 2012(2):239-241.

[5] 柯喻寅， 謝 鑌， 吳 卿. 基于T-S模糊神經網絡的汽車故障診斷的研究[J]. 杭州電子科技大學學報, 2012, 32(2):41-44.

[6] Waltz E. Information fusion for C3I systems in the C3I handbook EW communications[R].Palo Alto, CA:[s.n.],2001.

[7] 吳興偉.多傳感器的信息融合在車載故障診斷中的應用研究[D].武漢:武漢理工大學,2006： 15-18.

[8] 譚本忠.汽車波形與數據流分析[M].北京:機械工業出版社,2009： 51-62.

[9] 申 鵬. 汽車發動機故障診斷專家系統原型開發[D].吉林:吉林大學,2010： 22-27.

[10] 肖云魁.汽車故障診斷學[M]. 北京:北京理工大學出版社,2001： 83-91.

[11] 包 旭， 馬從兵.基于數據庫的汽車故障診斷專家系統的設計[J].公路與汽運,2007(5):22.

[12] 張 偉. 基于專家系統的故障診斷在汽車發動機上的應用[D]. 太原:太原理工大學, 2011： 19-25.

[13] 李聚霞， 邢世凱， 王濟民,等.基于知識的汽車發動機故障診斷專家系統研究[J]. 拖拉機與農用運輸車, 2009, 36(2):86.

[14] Shubhalaxmi Kher. Automobile Engine Fault Diagnosis Using Neural Network[J]. 2001 IEEE Intelligent Transportation System Conference Proceedings. Oakland (CA), USA, August. 25-29, 2001.

[15] 羅 石， 楊 勤， 朱長順，等. 基于傳感器融合技術的專家系統[J]. 交通科學與工程,2013， 29(3):67-71.

Automobile Fault Pattern Recognition System Based on Information Fusion Technology

LIUjiang
(Bengbu Automobile NCO Academy of PLA, Bengbu 233011, China)

Using integrated neural networks and information fusion technology, this paper put forward a logical structure of automobile fault pattern recognition system, and analyzed technical realization way of its module. It discussed system architecture and realization process with the example of engine wear faults. The study indicated that the automobile fault pattern recognition system based on information fusion can make various fault recognition information be cross-examination and has wide application range and high fault recognition rate.

automobile fault; pattern recognition; information fusion; integrated neural networks

2014-03-21

劉 將(1971-)，男，安徽懷遠人，碩士，副教授、訓練部副部長。主要從事軍事交通運輸、軍事職業教育等方面的研究工作。

Tel.：0552-2980103、13956332020；E-mail：306433228 @ qq .com

TP 472.4

A

1006-7167(2015)02-0137-03