基于人工智能的汽油車發(fā)動機故障診斷研究

蔣永敏 金紅基

摘要：近些年來，伴隨著我國經(jīng)濟(jì)發(fā)展速度的不斷加快，在科學(xué)技術(shù)領(lǐng)域也有了全新的突破，現(xiàn)如今人工智能技術(shù)已經(jīng)能夠應(yīng)用到各個領(lǐng)域當(dāng)中，并取得了不錯的成果。本文中，筆者就結(jié)合人工智能視角下的汽油車發(fā)動機故障診斷進(jìn)行分析，提出了多信息融合、基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層、基于支持向量機的特征層以及基于D_S證據(jù)理論的決策層這四種故障診斷方法，希望能夠提高汽油車發(fā)動機的故障診斷能力。

Abstract： In recent years， with the continuous acceleration of China's economic development， there have been new breakthroughs in the field of science and technology. Now artificial intelligence technology has been able to be applied to various fields， and achieved good results. In this article， the author is combined with artificial intelligence under the perspective of gasoline car engine fault diagnosis were analyzed， and puts forward the multiple information fusion based on RBF neural network， the data layer， feature layer based on support vector machine （SVM） and policy makers based on the theory of the D_S evidence that four kinds of fault diagnosis methods， hoping to improve gasoline car engine fault diagnosis ability.

關(guān)鍵詞：人工智能;汽油車;發(fā)動機故障;故障診斷

Key words： artificial intelligence;gasoline vehicles;engine failure;fault diagnosis

中圖分類號：U472.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）23-0109-02

0? 引言

現(xiàn)階段，伴隨著汽車技術(shù)的不斷成熟與發(fā)展，其發(fā)動機的種類也越來越多，因此不同的發(fā)動機也會有不同的電子控制系統(tǒng)，但是從基本組成與控制原理的角度來看大體相似。目前，汽油車發(fā)動機最常見的故障現(xiàn)象有以下幾種：啟動困難、失速、加速時回火、怠速不穩(wěn)、熄火、怠速高、加速無力、易震爆、溫度過高以及消聲器放炮等。而導(dǎo)致這些故障出現(xiàn)的原因十分復(fù)雜，為此就必須要提高故障診斷的水平與準(zhǔn)確性。人工智能的出現(xiàn)則為汽油車發(fā)動機故障診斷工作帶來了前所未有的便利，能夠極大的提高故障診斷效率與精確性。

1? 多信息融合故障診斷方法

1.1 可行性分析? 從目的與要求上來看，多信息融合這種技術(shù)和故障診斷是相似的，故障診斷就是要結(jié)合數(shù)據(jù)源，針對一切可能發(fā)生的故障進(jìn)行分析、判斷和預(yù)測。這個處理過程就是針對數(shù)據(jù)進(jìn)行采集與處理，分析與判斷故障發(fā)生原因與位置。在多信息融合當(dāng)中，不同的特征數(shù)據(jù)以及源數(shù)據(jù)，對應(yīng)著不同的故障原因，借助于多傳感器針對發(fā)動機各個部位的活動特征進(jìn)行反映，而后通過數(shù)據(jù)層與特征層對這些信息進(jìn)行篩查與結(jié)果分析，這和故障源的數(shù)據(jù)信息處理方式大體相似。另外，故障分類的故障診斷模式和多信息融合的決策層，在作用上是一致的，故障診斷當(dāng)中結(jié)果支持度的計算可以通過決策層來完成。在整個工作過程中，發(fā)動機發(fā)生故障的信息十分復(fù)雜，而新發(fā)動機技術(shù)不斷的發(fā)展也帶來了更多問題，怎樣應(yīng)對越來越復(fù)雜的信息，是現(xiàn)如今需要著重考慮的。一旦多信息融合這種故障診斷方法得到應(yīng)用，則能夠完美的解決這部分問題，由此可見，這種方法是可行的。

1.2 多信息融合診斷模型構(gòu)建? 通過上述可行性分析，接下來需要構(gòu)建一個多信息融合的故障診斷模型。從根本上說，故障診斷就是要結(jié)合故障發(fā)生的征兆，判斷出具體的發(fā)生原因與位置。伴隨著車輛生產(chǎn)與加工技術(shù)的快速升級，發(fā)動機在結(jié)構(gòu)上越來越復(fù)雜，如果源數(shù)據(jù)與特征信息過于單一，則不能夠良好的體現(xiàn)出對象狀態(tài)，因此可以利用多信息融合提高故障診斷的精確性、科學(xué)性與實效性。借助于不同角度的信息來更全面的展示發(fā)動機狀態(tài)。結(jié)合數(shù)據(jù)抽象這一層次來說，這種故障診斷模型基本可劃分為三個層次，即數(shù)據(jù)層、決策層與特征層，并且具備一定的非線性問題處理能力、自學(xué)能力、容錯能力以及快速判斷故障類型等能力。通過在小樣本決策中適用的多種故障分類診斷的算法，構(gòu)建起屬于特征層模型;通過具備更有利于對非確定問題進(jìn)行表達(dá)的決策層模型，對數(shù)據(jù)層和特征層之間的各種信息源進(jìn)行整合，從而不斷提高故障診斷精確度。

2? 基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層故障診斷方法

2.1 可行性分析? 一般來說，RBF具有極強的容錯能力與自主學(xué)習(xí)能力，因此未來能夠更加廣泛的應(yīng)用到汽油車發(fā)動機故障診斷當(dāng)中。結(jié)合發(fā)動機各種各樣的故障發(fā)生原因分析可知，當(dāng)發(fā)動機處于不同的工作環(huán)境、工作狀態(tài)當(dāng)中時，其體現(xiàn)出的數(shù)據(jù)信息也具有一定的差異性，針對發(fā)動機不同工作狀態(tài)下的信號信息進(jìn)行采集，借助于基于BRF神經(jīng)網(wǎng)絡(luò)的人工智能計算方法，能夠構(gòu)建起一個強大的故障診斷模型，并服務(wù)于數(shù)據(jù)層，能夠精確且及時的將故障類型與位置反映出來。在多信息融合方法當(dāng)中，數(shù)據(jù)層信息主要是傳感器當(dāng)中的參數(shù)，主要的特點就是原始數(shù)據(jù)相對保存完整且信息量較大，而RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層則具有更好的容錯性與冗余性，再加之自身強大的學(xué)習(xí)能力，可以更好的服務(wù)于數(shù)據(jù)層，提供更高的數(shù)據(jù)信息融合處理水平[1]。由此可見，基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層故障診斷方法具有一定的可行性。

2.2 RBF數(shù)據(jù)層故障診斷模型構(gòu)建? 一般來說BRF神經(jīng)網(wǎng)絡(luò)當(dāng)中可以劃分為輸入層、輸出層與隱含層。其中隱含層在輸入與輸出樣本當(dāng)中扮演著紐帶的角色，隱含層在網(wǎng)絡(luò)訓(xùn)練模式上，主要是借助于對輸出單元的權(quán)值以及輸入樣本的向量進(jìn)行適當(dāng)調(diào)整。與此同時，BRF神經(jīng)網(wǎng)絡(luò)能夠更好的處理非線性問題，在BRF神經(jīng)網(wǎng)絡(luò)當(dāng)中，主要的輸入樣本就是發(fā)動機運行情況的實際參數(shù)，也就是不同傳感器所收集的各種數(shù)據(jù)信息，而后通過非線性方式將這些數(shù)據(jù)信息傳達(dá)到隱含層當(dāng)中，通過詳細(xì)的數(shù)據(jù)分析、整合與處理之后，再通過線性的方式傳達(dá)到輸出層當(dāng)中供其使用，這些故障發(fā)生原因能夠被用作輸出樣本[2]。通過輸入樣本進(jìn)行的網(wǎng)絡(luò)訓(xùn)練，能夠在不斷的學(xué)習(xí)當(dāng)中更加高效的將各種各樣不確定因素排除，從而提高BRF神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)論的可靠性與精確性。

3? 基于支持向量機的特征層故障診斷方法

3.1 可行性分析? 在上述內(nèi)容中我們了解到，BRF神經(jīng)網(wǎng)絡(luò)具有較強的容錯性與冗余性，并且針對非線性問題能夠更好的處理，通過十分適合與汽油車發(fā)動機的故障診斷工作。但是在學(xué)習(xí)速度上BRF神經(jīng)網(wǎng)絡(luò)則有著明顯不足，同時在小樣本集合的處理上也十分不利，不具有強大的泛化能力。相對于BRF神經(jīng)網(wǎng)絡(luò)來說，支持向量機則在小樣本空間當(dāng)中更加適用，如果需要針對樣本數(shù)據(jù)欠缺的數(shù)據(jù)空間進(jìn)行處理，則能夠發(fā)揮出更好的作用，提供有效的技術(shù)手段。因此在汽油車發(fā)動機故障診斷工作中也有一定的可行性[3]。

3.2 支持向量機故障診斷模型構(gòu)建? 針對故障診斷工作當(dāng)中，由于時域特征數(shù)據(jù)導(dǎo)致的特征向量在維數(shù)上明顯增加這種問題，需要做好數(shù)據(jù)的降維處理工作，對此可以應(yīng)用主成分這種分析方法，從而有效加快特征數(shù)據(jù)提取效率。在進(jìn)行數(shù)據(jù)處理時，從根本上說，特征提取就是將特征向量在特征空間當(dāng)中進(jìn)行映射的數(shù)據(jù)。通過主成分這種分析方法，能夠?qū)μ卣魈崛〉慕稻S處理起到一定輔助作用，既能夠加快提取的速度，也能夠發(fā)現(xiàn)特征向量，從而更好的將源數(shù)據(jù)特征詮釋出來[4]。

在支持向量機故障診斷模型構(gòu)建當(dāng)中，一般可以劃分為以下幾個步驟：①將各個傳感器當(dāng)中收集到的數(shù)據(jù)源（包括發(fā)動機在不同故障情況下的樣本數(shù)據(jù)）進(jìn)行統(tǒng)一的處理，從而保障數(shù)據(jù)的完整性與可用性;②進(jìn)行分析與對比，選擇優(yōu)質(zhì)的、可識別性強的故障特征;③應(yīng)用多值分類（一對一或者點對點）的模型;④借助于先驗知識來確定具體參數(shù)，進(jìn)行反復(fù)的多交叉訓(xùn)練，最終確定一個最合理的訓(xùn)練模型;⑤最終模型得以確定[5]。

4? 基于D_S證據(jù)理論的決策層故障診斷方法

4.1 可行性分析? 在以人工智能為基礎(chǔ)的發(fā)動機故障診斷模型當(dāng)中，多信息融合的最終結(jié)果往往是由決策層輸出來表現(xiàn)的，因此相較于另外的輸入層與輸出層來說，決策層的特征往往更加明顯，輸出融合也更高，得出的最終結(jié)論也就更可靠。現(xiàn)如今，在多信息融合的決策過程中，最常見的兩種方法就是貝葉斯網(wǎng)絡(luò)推理以及本文中將要提到的D_S證據(jù)理論[6]。在應(yīng)用第一種方法時，往往需要借助于先驗知識作為依托，在輸入節(jié)點中數(shù)據(jù)源出現(xiàn)維度過高的情況時，往往不容易得到條件概率表，而D_S證據(jù)理論則是第一種方法的延伸與推廣，能夠更好的得到先驗概率。也正是因為D_S證據(jù)理論不需要先驗知識，同時又能夠更好的表達(dá)出不確定，所以D_S證據(jù)理論在汽油車發(fā)動機故障診斷當(dāng)中具有一定的可行性。

4.2 D_S決策層故障診斷模型構(gòu)建? 在所有的非確定推理方式當(dāng)中，由于D_S證據(jù)理論的應(yīng)用最為廣泛，所以在證據(jù)獲取上其靈活性也最強。這種方式主要是針對輸入信息源來說，需要堅持一定的原則，結(jié)合判斷與合理融合之間的可信度概率大小，最后得出故障發(fā)生征兆的實際可信度，判斷出具體的故障原因。受證據(jù)理論診斷專家以及智能分類算法的不同影響，證據(jù)體的產(chǎn)生也具有一定的不歸一性，需要間隔遵守固定的規(guī)則，針對發(fā)動機的故障診斷類型按照其特征進(jìn)行歸納，通過多信息之間的融合，通過借助于固定的算法針對診斷結(jié)果的可信度進(jìn)行加權(quán)，最終得出對應(yīng)的證據(jù)可信程度，從而更加科學(xué)、有效的判定汽油車發(fā)動機故障診斷類型與位置[7]。

4.3 決策層融合診斷? 在整個D_S證據(jù)理論故障診斷模型當(dāng)中，決策層融合診斷的主要步驟可以分為以下幾步：①結(jié)合發(fā)動機不同構(gòu)造明確故障空間，識別具體的傳感器裝置并提供識別框架;②根據(jù)先驗知識明確發(fā)動機發(fā)生故障的情況，針對信息源進(jìn)行整合分析，挑出適合輸入樣本，構(gòu)建不同證據(jù)體的可信度函數(shù);③對不同證據(jù)的可信度與似然度進(jìn)行獲取;④對不同證據(jù)的可信度與似然度進(jìn)行計算，開展多信息融合的計算;⑤結(jié)合決策層當(dāng)中的相關(guān)數(shù)據(jù)信息進(jìn)行原則整合，選取一個支持度相對更大的假設(shè)，當(dāng)做最終結(jié)果進(jìn)行輸出;⑥獲取最終的決策層融合診斷結(jié)果。

5? 結(jié)束語

綜上所述，文章分析內(nèi)容突破了單一故障診斷方法的局限性，提出了四種不同的基于人工智能的汽油車發(fā)動機故障診斷方法，并通過故障診斷模型的監(jiān)理，希望能夠為相關(guān)工作人員提供理論借鑒。

參考文獻(xiàn)：

[1]閆洪濤.汽車發(fā)動機故障診斷與檢修探索[J].汽車實用技術(shù)，2021，46（01）：100-102.

[2]麥鵬.基于RBF和數(shù)據(jù)流的汽車電控發(fā)動機故障診斷裝置研究[J].微型電腦應(yīng)用，2020，36（07）：45-48.

[3]孫長勇，王學(xué)軍，徐長釗，張薇薇.淺談現(xiàn)代發(fā)動機故障診斷與分析的過程研究[J].汽車實用技術(shù)，2020（13）：216-218.

[4]高巧玲，余娟.改進(jìn)支持向量機在汽車發(fā)動機故障診斷應(yīng)用[J].電子技術(shù)，2020，49（06）：22-23.

[5]陳晶.汽車電控發(fā)動機人工智能故障診斷系統(tǒng)的研究[J].現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化，2016，6（11）：100，104.

[6]佘勇，馮銀漢，王燕兵.人工神經(jīng)網(wǎng)絡(luò)在汽車發(fā)動機故障診斷中的運用[J].南方農(nóng)機，2021，52（13）：114-115.

[7]蔡彥兵，趙亮.數(shù)據(jù)流分析在汽車電控發(fā)動機故障診斷中的應(yīng)用分析[J].時代汽車，2020（14）：180-181.