物聯網技術在汽車傳感器故障檢測與診斷中的應用探索

中圖分類號：U472.9 收稿日期：2025-04-10 DOI： 10.19999/j.cnki.1004-0226.2025.07.023

Application of Internet of Things Technology in Fault Detection and Diagnosis of Automotive Sensors

Mi WeinalMi Xionggang2 Wu Hongqil 1.Xi'an Automobile Vocational University，Xi'an 710600，China 2.Xi'an Qinli Complete Electrical Equipment Co.，Ltd.，Xi'an 710600，China

Abstract：Aimingattheproblemsoflaggingresponse，highmisjudgmentrateandlowdiagnosticeficiencyinautomotivesensor faultdetection，anintellgentfaultdtectionanddiagnosissystembasedonteInteretofThings（IoT）architectureisproposed.A three-levearchitectureoftheperceptionlayerdgecomputinglayerandcloudanalysislayerwasconstructedtoachievedataacquisitioninteligentpreproessngaturetractiodereodelngndltweigteeagodeladoteto provetheaccuracyoffaultdetectionandresponsespeed.Theoptimizededgecomputingarchitecturereduces theloadofcloudcomputing，improvesthereal-timeperformanceandstabiltyftesystem，ndcanbewidelyappiedtothesensorealthmanagentofintelligent connected vehicles and industrial vehicles.

Keywords：New energy vehicles;Industrial competitiveness;Porterdiamond model;Development proposal

1前言

智能網聯環(huán)境下汽車關鍵部件感知系統的健康監(jiān)測，主要是針對傳感器節(jié)點數量多、分布復雜、數據時效性要求高等技術挑戰(zhàn)，構建基于物聯網（InternetofThings，IoT）架構的故障檢測與診斷方案。物聯網技術的發(fā)展為車載多源數據的實時采集、邊緣計算的快速響應及云端智能分析提供了技術支撐，在傳感器異常識別、診斷結果回傳及控制反饋中展現出系統化優(yōu)勢。本文在體系架構、算法設計與實驗驗證等方面展開系統研究，旨在服務于新一代高可靠性車輛裝備的智能診斷需求。

2汽車傳感器故障檢測的物聯網架構部署

2.1傳感器網絡層的構建與布設策略

汽車傳感器系統在動態(tài)運行過程中面臨數據采集精度、節(jié)點冗余控制和數據鏈路穩(wěn)定性等多重技術挑戰(zhàn)。物聯網架構為復雜環(huán)境下的傳感器網絡構建提供了可拓展的體系支撐，其網絡層需解決節(jié)點布局密度、通信協議適配與傳輸抗干擾性的問題。車聯網網絡基礎架構如圖1所示。在車輛中，傳感器節(jié)點分布于發(fā)動機、變速系統、轉向執(zhí)行機構及制動系統等核心模塊，結構空間復雜，線束成本高且干擾因素多。車載傳感器網絡采用主從式分布結構，邊緣計算模塊作為主控節(jié)點接收各傳感器上傳的原始測量數據，并對數據進行初步篩選與緩存處理，在此基礎上構建拓撲結構。

2.2邊緣網關與云端協同的數據傳輸機制

傳感器網絡的數據采集具有高頻率、強時序性和異常突發(fā)性等特點，單一中心化架構難以滿足多通道、高維數據的實時診斷需求。在物聯網架構中引入邊緣計算（EdgeComputing）節(jié)點，能夠在靠近數據源頭處進行低延遲的初步處理。邊緣網關接收傳感器采集數據，先行完成濾波、閾值預警與狀態(tài)標記等任務，將初步判定結果或特征參數向云端傳輸，降低了云平臺的計算負荷。數據傳輸機制采用異步分布式策略，在通信協議層引入輕量化消息隊列（MQTT）傳輸機制，保證不同傳感器子系統診斷事件的高可靠推送1。邊緣節(jié)點運行周期性循環(huán)檢測程序，配置雙緩存結構以實現采集與上傳的并行處理，確保數據時效性不受處理延遲影響。云平臺部署多線程模型解析系統，利用基于時間窗口的流式處理邏輯整合診斷序列，為系統預警與控制策略生成提供輸入。表1列出了在邊緣計算架構與傳統中心計算架構下的處理能力、延遲響應與丟包率等關鍵性能指標的對比數據。實驗平臺基于某型號非道路工程車輛構建測試系統，測試周期為連續(xù)運行 120min ，采樣頻率設定為 100Hz 。

圖1車聯網網絡架構圖

表1對比數據表

數據顯示，邊緣計算架構在多維性能指標上明顯優(yōu)于傳統方式，尤其在延遲響應和丟包控制方面表現出穩(wěn)定性優(yōu)勢，可支撐高動態(tài)工況下傳感器故障的實時診斷需求。車端邊緣節(jié)點的部署不僅減輕了通信帶寬壓力，也提高了整個診斷系統的可擴展性和魯棒性。

3面向故障檢測的數據感知與特征提取技術

3.1多源異構數據的采集與預處理

物聯網環(huán)境下的汽車傳感器系統廣泛部署于不同工作模塊，傳感器種類多、工作頻率不一致且數據類型異構，導致原始數據在傳輸至邊緣節(jié)點前存在同步偏移、幅值畸變與缺失等問題，嚴重影響后續(xù)診斷模型的準確性。系統在感知層設置統一采樣控制機制，通過主時鐘信號調度各通道采樣進程，實現多通道數據對齊，避免因采樣頻率不一致帶來的時序錯位。在預處理環(huán)節(jié)，系統設計了基于雙重滑動窗口與多尺度濾波的自適應處理模塊，對數據進行實時噪聲抑制與缺失修復[2]。

3.2故障特征參數提取

傳感器故障狀態(tài)的本質表現為信號在時域、頻域或統計維度上的異常偏移，系統需從預處理后的數據中提取與故障相關的關鍵參數，構建可用于模型訓練與實時推理的特征集。故障演化具有漸變性和動態(tài)擴散特征，孤立靜態(tài)特征難以支撐對異常模式的識別。系統構建多維度動態(tài)指標組合，其中核心特征參數包含均值漂移量 Δμ 、波動幅值變化率 η_f. 瞬時趨勢斜率 α_ι 與滯后時間系數 τ_d ，其計算模型如下：

Δμ=μ_ι-μ_b

式中 ，μ_b，σ_b 為正常運行參考區(qū)間的均值與標準差 為當前時間窗口參數， Corr 表示時延相關函數，其故障信號特征演化過程如圖2所示。

圖2故障信號特征演化過程

4故障識別算法的物聯網集成應用

4.1基于輕量化模型的故障分類與定位機制

邊緣計算架構下模型部署需兼顧實時性與計算資源限制，傳統深度網絡模型參數量大、推理延遲高，不適用于嵌入式車載平臺。系統構建面向傳感器故障檢測的輕量化神經網絡模型，核心結構基于改進型深度可分離卷積網絡（MobileNet）與門控循環(huán)單元（GatedRecur-rentUnit，GRU）融合結構，在保持故障識別精度的同時控制模型規(guī)模在3Mb以內。輸入端為滑動時間窗口內的多維動態(tài)特征向量，網絡采用兩層深度可分離卷積實現空間壓縮，隨后經雙層GRU提取時序依賴，輸出端連接全連接分類器，預測故障類型標簽[3]。模型訓練階段使用帶標簽的實車傳感器數據集，構建多類異常狀態(tài)場景；訓練損失函數為加權交叉熵損失函數，結合類別不平衡系數調整樣本貢獻權重，具體公式如下：

式中， N 為樣本總數； y_i 為真實標簽； 為模型輸出的預測概率； w_i 為類別權重系數，根據樣本比例自適應調整。該損失函數能有效避免故障樣本在訓練中的稀釋問題，從而提升低頻故障類型的檢測能力[4-5]。系統部署階段，模型轉換為TensorRT引擎并嵌入邊緣設備主控板上，單幀推理延遲低于 35ms 。在檢測到信號異常后，顯示故障類別、置信度與起始時刻，界面信息通過CAN總線實時回傳至駕駛艙顯示屏。

為驗證模型性能，對比MobileNet-GRU模型與常規(guī)CNN-LSTM及隨機森林算法（RandomForest，RF）在同一數據集下的識別效果，結果見表2。

表2數據對比表

由表2所示的數據可見，MobileNet-GRU模型在識別準確率、模型壓縮率與響應時延三方面表現最優(yōu)，尤其在處理短周期突發(fā)故障時具有更強的泛化能力與穩(wěn)定性。

4.2模型部署過程中的優(yōu)化策略分析

故障識別模型在邊緣平臺部署面臨模型大小、算力匹配與響應時效的系統瓶頸，需在算法結構設計階段引入多層次優(yōu)化策略。系統采用基于參數剪枝與通道剪裁相結合的模型壓縮方法，在不影響主干結構識別性能的前提下，移除網絡中低敏感度連接與冗余通道[]。剪枝后網絡保持 80% 以上的激活通道，整體參數量減少38% ，有效壓縮模型體積并提升加載速度。

網絡量化為FP16半精度結構以適配邊緣板載GPU的計算特性，量化過程中對關鍵層激活分布進行映射擬合，誤差控制在 1.3% 以內。系統還設置動態(tài)批處理推理框架，依據數據輸入頻率自適應調整batchsize，避免處理隊列堆積導致的延遲波動。在模型執(zhí)行策略層，引入優(yōu)先級調度機制，對故障信號突變斜率高于設定閾值的樣本進行優(yōu)先處理，提升對突發(fā)性嚴重故障的響應能力[7]。

5故障診斷反饋與預警控制策略

前端故障檢測模型在車載邊緣節(jié)點上完成初步診斷后，需借助物聯網通信機制將診斷結果以穩(wěn)定、低時延的方式反饋至遠程控制平臺和本地車載控制器，實現閉環(huán)響應與信息可視化[8]。系統設計在本文所構建的傳感器網絡基礎上，在每個邊緣網關節(jié)點嵌入反饋任務調度模塊，模塊基于MQTT（MessageQueuingTelemetryTransport）協議構建消息通道，通過事件驅動機制發(fā)送故障信息幀。數據格式采用結構化JSON封裝，核心字段被標準化為五元組結構 （ID、Type、T₀、P_a、R） ，其中 T₀ 為故障發(fā)生的標準時間戳； P_a 為模型預測置信分數； R 為推薦響應策略等級編號。遠程平臺可基于這些數據進行聚合分析或人工干預9。對鏈路性能在實車環(huán)境下進行評估，設置不同工況下車輛在高速、復雜地形和網絡覆蓋差區(qū)域行駛，采集反饋鏈路的響應時延、丟包率和回執(zhí)確認成功率。表3為實際工況下系統反饋鏈路性能數據，測試周期為 72h 。

表3實際工況下系統反饋鏈路性能數據

數據表明，在不同網絡條件下，系統均可實現診斷信息的可靠回傳與響應觸發(fā)，且最大丟包率控制在 2% 以內。為驗證系統在實際運行條件下的實時性能與預警穩(wěn)定性，在非道路作業(yè)車輛平臺進行故障注人測試。每類實驗設定故障發(fā)生點為 t₀ ，采集從 t₀ 前5s至 t₀ 后20s的數據窗口，系統采樣頻率為 100Hz ，推理周期為100ms 。系統響應時間的構成如圖3所示。

響應延遲定義為從異常開始點 t₀ 至模型輸出故障判定結果的時間間隔，報警觸發(fā)延遲定義為模型判定至車載控制系統發(fā)出聯動響應的間隔。系統報警策略中引入多級響應等級，通過指標函數將診斷置信度 P_α? 故障特征幅度 δ 、歷史故障記錄權重 w_h 建立報警級別映射函數：

其中報警級別 L_a 范圍為1～5，對應不同程度的安全

干預控制與操作建議。現場驗證中該函數可根據車輛運行環(huán)境自適應調節(jié)報警等級，提升預警精度。

6結語

基于物聯網架構構建了面向工程車輛場景的汽車傳感器故障檢測與診斷系統，圍繞多源數據感知、邊緣智能識別與遠程預警反饋三個關鍵環(huán)節(jié)展開系統性設計與實驗驗證。反饋機制與預警策略實現了診斷結果的高穩(wěn)定回傳和車端報警等級的精準映射，支撐了復雜工況下的系統閉環(huán)響應需求。結合實車環(huán)境中反饋鏈路的魯棒性表現與多次實驗結果，本文提出的技術路徑在系統結構設計、算法適配與工程部署等方面均具備可行性，為高可靠性感知系統構建提供了針對性技術方案，在物聯網環(huán)境下拓展了傳感器健康管理的實際應用邊界。

參考文獻：

[1]張歡.基于數據分析的汽車發(fā)動機故障診斷方法研究[J].汽車維修技師，2025（6）：61-62.

[2]李桂中.新能源汽車車載傳感器故障檢測技術研究[J].內燃機與配件，2025（1）：85-87.

[3]宮巖峰.智能網聯汽車環(huán)境感知系統常見故障診斷[J].汽車零部件，2024（8）：58-61.

[4]牛家華.新能源汽車熱管理系統故障診斷與優(yōu)化維修方案[J].專用汽車，2025（3）：105-107.

[5]趙國平，劉月梅，楊雯雯，等.基于數字孿生的智能網聯汽車預測性維護系統研究與實踐[J].專用汽車，2025（3）：111-113.

[6]裴柏淞.機器視覺技術在工業(yè)4.0中的應用[J].電子元器件與信息技術，2023，7（9）：62-65.

[7]喻鑫.基于物聯網的新能源汽車遠程監(jiān)控與故障診斷系統[J].汽車維修技師，2025（2）：52-53.

[8]郝孟軍，陳丹，宮濤.基于物聯網的新能源汽車故障監(jiān)測診斷裝置研究[J].汽車測試報告，2024（4）：38-40

[9]易健.物聯網技術在汽車檢測與維修中的應用[J].汽車測試報告，2023（14）：97-99.

作者簡介：

米未娜，女，1984年生，講師，研究方向為電子信息技術與傳感器技術。