基于自組織神經網絡SOM的汽車安全氣囊裝配故障診斷

王哲

摘 要：利用汽車安全氣囊裝配工序中已有的先驗知識，構建并訓練了一個自組織神經網絡SOM的多傳感器故障診斷系統。通過現場的多傳感器采集設備運行數據信息輸入故障診斷的系統，利用自組織SOM神經網絡的聚類性能，得到裝配工序中故障的類型，從而達到診斷汽車安全氣囊裝配工序的故障。通過無師自動學習的方式對輸入信號進行分析，計算簡單，精度高，具有很高的應用價值。

關鍵詞：汽車安全氣囊 自組織 神經網絡 故障診斷

中圖分類號：U491 文獻標識碼：A 文章編號：1672-3791（2014）12（b）-0080-01

隨著現代汽車動力性能的不斷提升，汽車的種類、數量也在不斷增多，而高速公路、快速路橋也在快速發展，汽車的使用更加廣泛普及，因此，這使得更加容易發生嚴重的交通事故。汽車的安全性能也是衡量汽車質量的一個重要因素，而汽車安全氣囊是現代轎車中最被關注的汽車安全的高技術裝置。可以說，當汽車發生嚴重交通事故時，汽車安全氣囊質量的好壞，直接關系著能否挽救車內人員的生命[1]。因此，在生產過程中對汽車安全氣囊生產工序的監測顯得尤為重要。

利用汽車安全氣囊裝配工序中已有的先驗知識，構建并訓練了一個自組織神經網絡SOM的多傳感器故障診斷系統；通過現場的多傳感器采集設備運行數據信息輸入故障診斷的系統，利用自組織SOM神經網絡的聚類性能，得到裝配工序中故障的類型。從而達到診斷汽車安全氣囊裝配工序的故障，具有較高的應用價值。

1 診斷汽車安全氣囊裝配工序的故障類型

將輸入向量設定為汽車安全氣囊現場的裝配中采集的傳感器的數據，輸出向量X={x1，x2，x3，x4，x5}，其中x1為壓力傳感器，x2右側的光柵尺傳感器的檢測數據，x3左側光柵尺傳感器檢測數據，x4、x5為布袋卷起電機速度傳感器檢測數據。輸出向量中設置五種輸出類型，分別是左卷袋電機不動作類型、右卷袋電機不動作類型、氣袋卷袋不均勻類型、舉升架不工作類型、未知故障類型。

1.1 特征級融合

特征融合采用的是BP神經網絡方法，利用傳感器檢測的先后順序，特征融合第n個傳感器。

傳感器的個數為n，n的值為5，傳感器特征值個數稱為m，m=8，這里檢測的數據有以下8種狀態，它們分別是升降、快降、下降、上升、平穩、異常、未知。這里的000、001、010、011、100、101、110、111，xn-1，…，xn-18是cm的二進制表示方法，傳感器n的時間序列用18種類來表示。

BP網層結構結構分為三層，其中隱層里有16個單元，因此，整個網絡是一個5×16×5的結構，Morlet小波函數是隱層函數。

1.2 決策級融合

將特征融合的輸出結果，利用基于SOM網絡來進行下一步決策級融合。k在這里表示的是生產線運行的工況，k=5，五種故障類型分別是右卷袋電機不動作、舉升架不工作、氣袋卷袋不均勻、左卷袋電機不動作、未知故障。

其中，在這里競爭層中神經元設置為6×6的輸出網格；選擇訓練樣本為800組；初始的網絡權值隨機選擇較小的競爭層神經元；總的訓練次數設為N=3000，初始學習率η0=0.5。

（1）在輸入的樣本數據中選取一組網絡的數據來作為輸出，并進行處理。

（2）競爭神經元的方法，這里選區的是最小歐式距離，競爭獲勝神經元設定為k，滿足：

i=l，2，…，m（1）

式中，輸出向量xj，而在競爭層任何的一個神經元與其輸入節點網絡權值，i=l，2，3，…，m；j=1，2，3，…，n。其中，ms是為競爭神經元的的個數，n是輸出向量的個數。

（3）獲勝單元的相領區域，這里成為Nc（t），而相領區域Nc（t）的形狀是六邊形的形狀，選取的是高斯函數。

（4）對神經元的獲取和對領域的相關神經元的權值調整，其中主要包括興奮神經元：

（2）

其中t+1表示的是下次訓練的次數，η（t）是更新的學習率，函數表示的是訓練次數t的函數。

（5）函數（2）所示，學習率η（t）和稱之為拓撲域的函數Nc（t），可在訓練的過程中得到遞減性。

（3）

在這里，訓練次數為t，總和用N來表示。

（6）最后判斷t的次數和N的次數，看是否超過，沒有超過可以重復步驟“信息采集”，如果超過則滿足了條件，訓練完成可以停止得到結果。

2 仿真結果與分析

選取故障樣本300個，輸入到訓練好的SOM網絡中，最終得到的檢測結果，98%的故障檢測結果都滿足要求。可見，運用自組織神經網絡SOM的訓練系統，得到的輸出結果準確。如圖1、圖2所示。

3 結語

該文所提故障診斷方法無需建立對象數學模型就能夠通過無師自動學習的方式將安全氣囊生裝配工序的傳感器采集來的數據進行分析，計算簡單，精度高，抗噪聲能力強，更加快速準確地確定了安全氣囊裝配工序的故障，便于提高安全氣囊的生產質量，有很高的應用價值。

參考文獻

[1] 馬平，呂鋒，杜海蓮，等.多傳感器信息融合基本原理及應用[J].控制工程，2006，13（1）：48-51.

[2] Willis， M.J..Artificial neural networks in process engineering Control Theory and Applications[J].IEE Proceedings D，1991.endprint