一種汽車傳感器故障診斷的研究

熊飛

摘要：針對汽車傳感器的故障控制診斷對象存在故障樣本數據空間維數大，故障診斷的實時性差的等問題，首先通過靜態模糊自學習方法找到故障節點，通過BP網絡進行分類智診斷。通過實驗表明本文方法提高了汽車傳感器故障診斷準確率，從而提高了診斷的識別與決策能力。

關鍵詞：BP神經網絡；傳感器故障

0.引言

伴隨著人民生活水平的提高，汽車已經成為了人民生活中重要組成部分。但是伴隨著的汽車自身某些故障的產生，使得汽車故障的研究成為了人們研究的重點，文獻[1]指出計算機和信息化技術的廣泛運用到汽車中，其中傳感器逐步應用到汽車控制中，它能夠對汽車信息進行感知，采集，轉換和處理。將感知的信息轉換其他需要的信息輸出。汽車傳感器是汽車電子控制的關鍵部件，也是汽車電子技術的核心部分。文獻[2-3] 提出一種基于數據驅動的多模型傳感器故障軟閉環容錯控制方法，并對非線性系統中卡死、恒增益、恒偏差等常見傳感器故障進行了研究。文獻[4]指出目前傳感器控制主要是分布是針對衡秤體下方，通過傳感器輸出來完成故障傳感器輸出信號，但容易偏離中心，影響估計精度。文獻[5]指出數字稱重傳感器可以實現不間斷工作，能夠在短時間內獲得故障信號，但缺點是價格昂貴。文獻[6]提出基于結構振動響應特性利用改進的模態濾波方法對陣列式傳感器系統進行故障診斷。

本文主要BP神經網絡的基礎上引入靜態模糊控制，對汽車傳感器控制的故障進行有效、準確的分類。并針對汽車傳感器的故障準確的進行診斷和恢復，從而可以有效的來保證汽車傳感器的正常的運作。

1.汽車傳感器控制故障模型矩陣

汽車傳感器的輸出信號主要是電壓信號，當汽車傳感器與 （傳感器與發動機控制裝置）之間的接線發生斷路的時候，電壓信號就會超出正常范圍從而引起故障。通常設定汽車傳感器器的輸出信號電壓的正常范圍為 ，如果實際輸入 ECU 信號電壓大于 或小于 ，則認為該信號不可靠，表示傳感器有故障。只有傳感器信號持續一定時間后， 才會判斷為有故障。假設車輛傳感器網絡中傳感器節點個數為 ，每個節點在數據采集過程進行 次采樣，單節點數據長度為 。單個節點采集數據作為矩陣的列，則網絡數據可表示為

為便于表述，將各節點數據以此銜接，網絡數據可寫為向量形式

（1）

其中 ， 。

網絡數據的測量過程可由如下的矩陣向量形式表示：

其中 ， ，測量矩陣 。 （2）

2.改進的BP神經網絡在汽車傳感器診斷

2.1汽車靜態模糊函數構建

汽車傳感器網絡故障具有一定的隨機性，是一種典型的非線性結構，而靜態模糊函數可以很好找到傳感器故障中的死亡節點。靜態模糊基函數構造如下：

（3）

通過將汽車節點傳感器能量（設定為 ）輸入公式（3）中，得到相應的改進節點能量如下：

（4）

在公式（6）中，其中 表示傳感器節點的個數。 為固定參數，通過在模糊函數中構造靜態函數如下：

（5）

在公式5）中， 為模糊變量， 表示參考參考模糊變量集。其中 設定為0-1之間的實數， 表示 的可能性是 ；該準則設定的含義是當 達到 的時候， 的可能性則是 。設定 用mamdani蘊涵表示，通過 采用mamdani來進行推理得出 。使用公式（8）對 進行自學習得到 ，其中 的精度遠大于 。

（6）

將公式（4），（5）和（6）進行三者結合，得到針對汽車傳感器的靜態控制節點的自學習能力函數，從而能夠快速的對汽車傳感器節點能量損失進行判斷。

2.2 BP神經網絡

BP神經網絡是一種單向傳遞的網絡，通常是由輸入層，隱含層，輸出層組成。它將信號進行前向傳遞和反向傳播。其中反向傳播時權值按Delta學習規則進行調整。在前向傳遞中依次按式（9）計算各層的輸入輸出直到輸出層。當輸出層得不到期望的輸出則進行反向傳播，根據期望與實際輸出之間的誤差調整權值和閾值。權值的調整公式見式（10）。

（7）

在公式（1）中 為第 層節點的激活值， 為閾值， 為輸入信號， 為第 節點與第 節點的連接權系數， 為節點 的輸出值。

（8）

在公式（8）中， 為神經網絡期望輸出與實際輸出的誤差。

2.3本文算法的描述

本文首先通過自學習中的靜態模糊函數來確定汽車傳感器故障的支撐集，然后通過BP神經網絡算法來針對傳感器的故障進行快速分類，從而縮短檢測時間，提高檢測效率。通過求解以 為自變量的目標函數 的極小值

： （9）

其中對 。正則化參數 、 分別對變換系數和生成矩陣的稀疏度進行加權。為便于表述，不妨假設 ，稀疏度量使用1范數。

3.試驗仿真與分析

本文選取本公司下屬的汽車修理廠中的汽車故障100組數據，每組分為為50組數據，前30組用于訓練，余下20組用于測試。然后通過靜態模糊函數來分類進行故障樣本，同時設計1個BP神經網絡分類器，以此來驗證靜態模糊函數自學習的作用。兩組BP神經網絡分類器診斷結果比較如表1所示。選取沖擊傳感器故障下的三組數據如表2所示，BP神經網絡分類器的實際輸出數據如表3所示。

從表1-3中發現利用改進的BP網絡算法對汽車傳感器故障樣本數據進行處理后，神經網絡的輸入層從20個減少為8個，訓練次數大幅度減少為100次顯然CPU的耗時明顯縮短。并且基本保持故障識別率不變。通過采用靜態模糊函數保證識別率的同時，簡化了BP神經網絡的結構，提高了診斷速度，是實現增加BP神經網絡對故障樣本分類實時性的行之有效的方法。

4.結束語

本文提出了基于BP網絡神經中引入靜態模糊控制的方法對故障進行快速分類，首先對故障樣本的輸入數據運用靜態模糊函數進行數據收集，再對神經網絡的輸出結果進行數據數據分類。同時具體的實驗數據表明本文的算法在保證故障準確率的同時簡化了神經網絡結構，提高了故障診斷速度。

參考文獻：

[1]趙炯等.基于傳感器融合技術的電動汽車自動駕駛系統的開發[J].制造業自動化，2013.35（5）：43-46

[2]李煒，張婧瑜.多模型傳感器故障軟閉環容錯控制研究[J].計算機應用研究，2015，32（2）：447-450

[3]王千等.K-means聚類算法研究綜述[J].電子設計工程，2012，20（7）：40-43

[4]BLISS D，STICKEL C，BENTZ J W.Load cell diagnostics and failure prediction weighing apparatus and process[P].Uunited State Patent：728638，2000

[5]PENG X F.Application of digital load cells[J].Industrial Measurement，2008，（01）：62-63

[6]JIANMING L，Yonggon L，SCOTT D S，et al.Selforganizing radial basis function network for real-time approximation of continuous-time dynamical systems[J].IEEE Trans.Neural Networks，2008，19（3）：460-474