改進的遺傳算法在汽車故障診斷中的應用

趙 明，王英資，侯 玨，劉賀喜，鄧程鵬

(中國汽車技術研究中心有限公司,天津 300300)

0 引言

幾十年來，汽車故障診斷在交通領域起著重要的作用。因為，隨著汽車保有量的持續增加，家用汽車越來越多，汽車故障診斷顯得尤其重要，包含著人身等重要的安全問題，尤其是發動機和發動機零件等的可靠性[1]。伴隨著汽車數量的增多，交通事故發生的概率也逐漸增加，有相關部門統計，我國每年因交通事故死亡的人數高達幾百萬，這樣的數據是的故障診斷技術成為加強汽車安全的必要措施，也是行車安全所必須的必要途徑[2]。汽車故障診斷技術是指不對車輛進行拆解的情況下，利用車輛的一些特征值來確定汽車系統的運行狀態，查明汽車的故障原因和發生故障的部位。汽車在使用的過程中，由于行駛情況，其系統會隨之變化，比如動力、可靠性、安全性都將呈現出下降的趨勢，這使得汽車發生故障的概率增大，這也將直接影響到汽車的使用壽命，采用定期檢測的手段能夠有助于對汽車的性能進行檢測，及時發現并檢測到故障發生的原因和部位，從而排除故障，這也成為汽車使用技術中一項重要的檢測。遺傳算法作為一種模擬生物界自然選擇和自然遺傳的隨機搜索算法，成為了故障診斷中必不可少的解決方案，相比于那些傳統數學模型，遺傳算法為那些很難用數學模型勾勒的難題找到了一個解決方案[3]。

對于汽車故障檢測，通過新的理論與技術的結合，促進了汽車故障診斷的研究與發展，尤其是對于汽車的發動機模型開辟了新的途徑。但是，由于汽車制造商和用戶使用上的約束，很難獲得關于發動機組件的真實的特征圖。因此，如何生成基于測量和癥狀參數的特征圖，提供精確的故障診斷成為汽車故障診斷關鍵的問題。為解決上述問題，本文提出了一種自適應的遺傳算法優化方案，用于生成準確的特征圖，并設置了耦合因子校正組件特性作為優化的參數，根據氣路分析計算并驗證用于故障診斷的偏差方程。

本文的其余內容組織如下。第二節分析并總結了現有的國內外研究和發展的現狀；第三節詳細介紹了本文的自適應模型的發動機部件特性；第四節詳細介紹了遺傳算法在自適應模型的應用；第五節講述了本文所采用的故障診斷方程；第六節介紹了基于遺傳算法的故障診斷；最后一節總結了全文的工作，并對下一步工作做出展望。

1 國內外研究和發展概況

1.1 國外研究和發展概況

在20世紀70年代，西方的汽車工業發展迅猛，產生了日新月異的變化，也使得汽車故障診斷變得復雜化。隨著汽車保有量的逐漸增加，西方國家對汽車安全越來越重視，因為汽車安全涉及到人身安全，但相關的維修人員卻顯得稀缺，尤其是熟練的維修技術人員，這使得汽車診斷和檢測成為一個重要的課題[4]。

對于汽車診斷，目前分為兩種方式[5]：一種是利用裝載在車上的診斷儀器對汽車進行故障診斷；一種是利用獨立于車輛之外的診斷儀器進行故障診斷。

當西方國家剛產生汽車的時候，期初是采用一些專門的儀器對車輛進行故障檢測，主要是一些測試儀，但是這些都是些輔助工具，當采集到汽車相關的數據之后，需要人為去分析和理解這些數據，根據人工的經驗完成診斷評估。后來，隨著汽車事業的不斷發展，國家也越來越重視汽車故障診斷這一技術應用，在1972年召開的第一次國際汽車安全會議將汽車診斷標準問題作為重要的議題開展了討論。德國大眾公司利用傳感器與連接器與微機相連接，將汽車相關的數據轉發出去，但是微機診斷儀器的數據存儲量較小，對數據的分析能力有限，不具有普適性，從而限制了其發展，而且這個使用成本比較高[6]。

西方國家在20世紀80年代中期，隨著互聯網的逐漸深入，人工智能領域也不斷發展，因而美國通用汽車公司利用專家系統進行汽車故障診斷，雖然在一定時期內產生了影響，但是傳統的基于知識的診斷系統畢竟與現實存在偏差，以為專家系統不能涵蓋全部的診斷案例，所以基于專家系統的診斷方案存在限制，還存在很多問題亟待解決。

在20世紀80年代后期，出現了裝置在發動機中的電子控制器(ECU)，ECU內部設計了一些故障自診斷的程序，能夠在出現故障時，將故障以故障碼的方式保存到ECU的ROM當中，并通過相應的故障指示燈在車內進行顯示，這也是目前比較普遍的一種方式，當故障燈顯示后，就能定位到發生故障的部位[7]。1986年通用公司推出了故障診斷設備，能夠顯示出車內診斷的結果，而且ECU能夠對車體的運行狀態進行檢測。

此外，汽車的狀態參數檢測與測試儀技術也受到了研究者廣泛的關注，成為一個熱點問題。

1.2 國內研究和發展概況

我國的汽車事業起步較晚，因而相應的汽車故障診斷技術也發展較晚，直到20世紀70年代末期，我們國家才發布了關于檢測汽車方面的國家級課題：汽車不解體測試技術[8]。后來，伴隨著改革開放的步伐，國外的先進技術也引入了國內市場，推動了汽車故障診斷的發展。20世紀80年代之后，汽車診斷技術不斷發展，出現了一系列汽車自檢測的技術，包括發動機故障診斷、數字轉速表、發動機漏氣量分析儀等診斷設備。

以發動機測試儀為例，該設備能夠對發動機點火等操作進行檢測，并具有打印功能，目前，汽車的診斷能夠直接連接到個人設備，例如移動端手機，使得汽車故障檢測成為一個發展熱潮。如武漢理工大學利用內燃機的振動信號判斷氣體壓力，西安交通大學通過對離子電流的研究以實現對發動機燃燒過程的控制，華中科技大學也不斷推進了故障診斷的專家系統等等。

盡管我國的汽車故障診斷得到了發展，但是與西方國家相比，仍然存在較大的差距。

2 自適應模型的發動機部件特性

發動機是汽車的核心部件，本節模擬了汽車發動機組件的特征圖，以表示特征之間的關系參數。對于一般的特征圖，可以利用耦合因子MF得到真實特征圖。

Xact=MF×Xref

(1)

其中:Xact是特征參數的行為值，Xref是特征參數的參考值。對于每個特征參數，可以參考一般特征圖確定其耦合因子，并確定其行為值，然后獲得真實的特征圖。在本文中，選取了幾個參數：壓縮機渦輪的壓力比效率和質量流量，燃燒室的效率、壓力和單位焓降，即MF1～MF13。因此，通過考慮上訴耦合因子作為優化參數，用以遺傳算法實現自適應模型，從而獲得發動機部件的特征圖。

我們使用基于的歸一化參數設計條件，因此耦合系數[9]應歸一化設計狀態表示如下。

(2)

其中:(Xact,I)DES是設計狀態特征參數的值，(Xref,I)DES是一般特征參數的值，那么耦合因子MFI可以表示為

MFI=MFD1×MXI(I=1,..,13)

(3)

MXI為是二次耦合因子。另外，優化迭代中的引擎性能參數偏差定義如下，

e1=((Ycal-Yact)/Yact)I(I=1,..,6)

(4)

其中:Ycal是優化迭代中性能或工藝參數的計算值，Yact是行為或測量值，也稱標準值。另外，選擇性能和工藝參數，包括推力F，特定燃料消耗sfc，渦旋入口溫度T，風扇壓力比πF，壓縮機壓力比πC和旁通比β。偏差性能和工藝參數FC的功能定義如下：

(5)

其中:aI代表校正因子，其大小代表相應參數的意義。此外，設置修正參數F,sfc,T,πF,πC,β的值分別為10.0,10.0,1.0,1.0,1.0和1.0。

綜上所述，偏差函數FC使用汽車發動機模型計算出性能和工藝參數，而發動機模型取決于組件特征，而組件特征由耦合因子控制，因此FC的偏差參數的約束條件為耦合因子MFI。

(6)

我們使用遺傳算法設計了自適應模型[10]，采用FC作為目標函數，并利用MXI作為優化參數。

3 遺傳算法及其在自適應中的應用模型

3.1 遺傳算法

遺傳算法是在20世紀60年代形成的比較完整的理論，是一種優化的隨機搜索算法，是復雜優化問題的好的解決工具，尤其是對于故障診斷的檢測。遺傳算法的主要思想來自于種群的逐代演化，借助于遺傳算子進行組合從而產生出新的種群，而處于最末代種群中的最優個體通過解碼便可以得到問題的最優解[11]。

遺傳算法流程主要分為以下5個步驟[12]。

Step1：首先，隨機產生n個初始種群，每個個體為染色體的基因編碼。

Step2：然后，計算出每個個體的適應程度，看看其能否符合優化的準則，如果符合，那么，輸出最優個體的最優解，那么問題得到解決；否則，轉向step3.

Step3：根據適應程度再次選擇個體，找出適應度最高的個體。

Step4：執行交叉和變異的操作，從而產生新的個體。

Step5：找到新一代的種群，轉向step2。

3.2 自適應模型的優化算法

為了減少計算時間資源和優化自適應模型的過程，本文設計了以下幾個步驟用于實現自適應模型發動機組件的特征圖預測[13-14]。

3.2.1 優化迭代的變量

在選擇完優化變量后，我們需要對其進行編碼?；谏舷藓拖孪藜s束L1MX1U1(I=1,..,13)，可以根據設定的精度值(本文中，設定有效值為15)得到每個變量(MX1,MX2,...,MX13)的二進制編碼數字(M1,M2,...,M13)[15],然后我們隨機連接這13個二進制數字串并構成染色體編碼，染色體總數為m=m1+m2+m3+...+m13。優化變量的選擇值范圍[LI,UI]對優化結果有顯著影響，若求解區域限制在一個小的范圍內，那么有一些有效的解決方案可能會被忽略。但是，廣泛的搜索范圍可能會使得優化變得困難，并降低搜索效率，也會使得在某些情況下，沒有解決方案，所以，本文中，13個優化變量都限制在[0.95,1.05]之間。

3.2.2 遺傳算法中的控制參數

在本研究中，控制參數選擇如下，種群規模(30)，每個參數的位(215)，交叉概率(0.5)，突變概率(0.01)和最大代數(100)[16]。

3.2.3 初始種群

最初的種群是祖先，它在遺傳操作后繁殖子代種群。因此，進化的子孫后代只能在生成期望的初始種群生成之后才能進化。在本文中，初始種群是隨機生成的。

3.2.4 數值模型和子程序

本文使用最小偏差函數作為優化目標函數[17]，其中最小偏差函數依賴于發動機的性能和工藝參數。而且每個個體的適應度都可以獲取到，適應性是評估個體的唯一標準。如果個體違反約束，則應通過申請減少對個體的耦合因素。而且，這些不滿意的個體可以通過選擇機制消除。

圖1 推力比較圖

圖2 具體燃料消耗比較圖

3.2.5 懲罰功能

為了使優化滿足給定的約束條件，違反約束的個體將受到懲罰，并在選擇機制中將其刪除。然后，轉換約束優化問題進入無約束優化的懲罰。

另外，在進化工藝中，為避免過早收斂和停滯，本文改變了原始的自適應值的比例關系。對于早收斂，個體的自適應值被削減，從而減少他們的競爭力。對于停滯，增加相應的自適應值提升競爭力。

3.2.6 遺傳算法在自適應模型中的實現

遺傳算法自適應模型的優化工藝通過以下步驟完成。1)二進制編碼；2)通過隨機二次耦合生成初始種群因素；3)根據比賽選擇一個好的個體作為父輩；4)通過選擇，交叉和變異父輩個體，進化耦合因子的子代產生；5)通過幾代演變，實際可以獲得組件特征圖。

圖3 渦輪機入口總溫度比較圖

圖4 風機壓力比對比圖

圖5 壓縮機壓力比對比圖

3.3 自適應模型的結果

使用自適應模型的模擬驗證發動機的性能。圖1～6展示了在給定S = 30 km/h的車速和不同的Ma，在低壓調整規則NF的旋轉速度= 85%* NFmax =常數的情況下，性能和工藝參數的結果?？梢钥闯?，自適應模型與實驗測量結果一致。在Ma = 1.5，S = 30 km/h的條件下，圖7～8中給出結果軸向截面中總溫度和壓力的偏差誤差。這些軸向部分包括自由入口，風扇入口，壓縮機入口，高壓渦輪入口，低壓渦輪入口，混合室入口，噴嘴入口和噴嘴出口。可以觀察到自適應模型的結果與實驗數據幾乎相同，錯誤控制在1%以內。

圖6 旁通比率比較圖

圖7 發動機部分的總溫度結果比較圖

圖8 發動機部分的總壓力結果比較圖

從驗證中，可以看出從自適應模型中獲得的結果與實驗數據參數幾乎相同，包括性能和工藝參數，總溫度和壓力。因此，從自適應模型得到的發動機組件的特征圖是真實的圖。圖9～12給出了使用自適應模型和一般特征圖下，風扇和壓縮機特性圖。

圖9 風機壓力比特性校正圖

圖10 風扇效率特性校正圖

圖11 壓縮機壓力比特性校正圖

4 故障診斷方程

在本研究中，故障診斷方程包括一系列小偏差方程1,2，其中，癥狀變量被視為自變量，模擬與測試數據之間的偏差被視為一個因變量。其矩陣形式可表示為，

δY=AδX

(7)

其中:δY是測量參數的偏差矢量。A是故障系數矩陣，δX是癥狀參數的偏差向量。

對于汽車發動機故障診斷，測量和癥狀參數的選擇至關重要[18]。測量參數應該很好代表性能參數的顯著變化。另外，測量參數之間的差距應該很小。由于數據通常是在汽車行駛狀態下獲得的，本文選擇測量參數y1～y7作為壓縮機入口壓力，壓縮機出口壓力，渦輪機出口壓力，壓縮機進口總溫度，壓縮機出口總溫度，渦輪機入口總溫度和燃料質量。此外，我們選擇了癥狀參數x1～x7分別為風扇效率，校正質量風機流量，壓縮機效率，風機修正質量流量壓縮機，高壓渦輪機效率，低壓渦輪機效率和高壓渦輪機的校正質量流量。

圖12 壓縮機效率特性校正圖

選擇測量和癥狀參數后，根據發動機的數值模型解決矩陣故障診斷。首先，根據從自適應模型中獲得的部件特性圖，計算測量值參數y1～y7和正常狀態下的癥狀參數x1～x7。

在正常運行狀態下完成發動機計算后，選擇一個癥狀參數并給它一個小的增量，并保持其他癥狀參數不變。 測量參數的相應增量使用發動機的數值模型計算。計算得到的結果表明癥狀增量的大小參數對故障診斷方程有重要影響，直接影響故障診斷的誤診率。此外，結果還表明了相對增量應該是約為該閾值的1/3。選擇癥狀參數x1并給它增量δx1，并將所有癥狀參數設置為x1 +δx1，x2，x3，x4，x5，x6，x7，然后計算測量參數的增量δy1，δy2，δy3，δy4，δy5，δy6，δy7。

完成上述計算后，我們利用δy1，δy2，δy3，δy4，δy5，δy6，δy使用以下公式得到A11，A21，A31，A41，A51，A61，A71，

(8)

然后，選擇癥狀參數x2，...，x7和它們的增量分別為δx2，δx3，δx4，...，δx7，計算得到故障診斷矩陣系數AI,J(I= 2，...，7，J= 1，...，7)。當完成所以步驟，故障診斷矩陣和方程式得以實現。

5 故障診斷結果與分析

在汽車故障診斷中，癥狀參數通過基于測量參數的故障診斷方程求解，表示為

δX=A-1δY

(9)

1)測量所選的測量參數y1'，y2'，...，y7';

2)計算測量參數的變化：

(10)

其中：yI是指正常狀態操作下所選測量參數的值;

3)通過故障診斷方程δX=A-1δY解決癥狀參數δx1，δx2，δx3，δx4，δx5，δx6，δx7；

4)比較癥狀參數δy1，δy2，δy3，δy4，δy5，δy6，δy7及其各自的閾值，以此來判斷故障類型。

但是，確定故障診斷的閾值的過程比較復雜。根據以往的經驗，有以下兩種方法來確定閾值：

1)測試方法 - 該方法成本高且準確，通過測試相同類型的發動機，分析測量數據并找出故障診斷的閾值。

2)計算方法-這種方法反過來減少了計算過程中的癥狀參數，并在發動機的不穩定運行條件下確定他們的閾值。

本研究通過實施第二種方法依次給出風扇效率和質量流量，壓縮機的閾值效率和質量流量，高壓和低壓渦輪機效率以及高壓渦輪機的質量流量，結果數值即-5.0%，-8.0%，-4.5%，-8.0%，-5.0%，-5.0%和-6.0%。

根據發動機故障數據，我們分析了不同的故障結果。在表1中，我們給出了在Ma = 0.5，S = 30 Km/h和NF = 97.83%* NFmax條件下的檢查結果(表1中，單組分故障變量x1，x2，x3，x4，x5，x6，x7指的是風扇效率，風扇校正質量流量，壓縮機效率，壓縮機校正質量流量，高壓渦輪效率，低壓渦輪效率和高壓渦輪機校正質量流量。相對的實際故障與診斷故障之間的誤差小于5%，與閾值相比，這樣的差距對判斷故障類型沒有影響。本文對發動機故障檢查進行了多次測試，測試數據表明目前的故障診斷模型沒有誤診的情況。達到了通過算法應用到故障診斷的目的具有一定的實用指導意義。

表1 故障診斷模型結果

6 結束語

本文通過遺傳算法，研究了用于預測發動機部件特征圖準確性的自適應模型。該結果總結如下：

1)通過氣路分析方法提煉出了發動機故障診斷方程。

2)合成每個癥狀參數的閾值。

3)在驗證中，真實誤差與由故障診斷方程式得到的癥狀參數方差的相對誤差，控制在5%以內。所以，它不會影響評判故障類型。此外，在數據測試期間使用故障診斷模型沒有出現誤診，相對于傳統算法提升了故障診斷的精度。

本文取得的研究成果有待進一步擴展，一些理論和實際工程有待進一步探索，后續的研究工作可以考慮從以下幾個方面入手：1)故障診斷理論方法的融合，結合神經技術、聚類技術等技術。2)目前汽車故障可能由于多種原因引起，需要應用合理的容錯控制方法理論，相關參數進一步優化。