基于模糊理論的汽車遠程故障診斷*

張宏

（武漢理工大學華夏學院）

現代汽車電控系統(tǒng)及其故障越來越復雜，汽車系統(tǒng)故障又總是通過各種現象表現出來[1]，因此故障原因與故障現象之間通常沒有對應關系，一種故障原因可能會產生多種故障現象，一種故障現象可能有多種原因[2]。在汽車故障診斷中，存在界限不分明的模糊概念（如發(fā)動機溫度“偏高”、輪胎磨損“較嚴重”等具有模糊性），運用模糊理論的診斷方法將更為有效[3]。模糊診斷的實質是引入隸屬函數概念，模糊邏輯以其較強的結構性知識表達能力[4-5]，適合處理診斷中的不確定和不完整信息。因此，應用模糊理論解決此問題往往具有優(yōu)越性[6]。文章采用層次分析法（AHP），利用專家知識建立模糊診斷矩陣，得到比較符合實際的故障原因和故障征兆判斷矩陣。

1 汽車遠程故障模糊診斷思路

在汽車遠程故障診斷過程中采用正向推理，首先確定故障征兆向量X，進行模糊運算，得到故障原因向量Y，進行閾值診斷，確定遠程汽車故障的原因，并迅速通過3G 或GPRS 網絡通知駕駛員故障原因，提供診斷技術支持。

2 汽車遠程故障診斷判定過程

2.1 汽車模糊故障診斷的數學表達

利用模糊集合論中的隸屬度函數和模糊關系矩陣來描述故障征兆與故障原因之間的關系，為診斷遠程汽車故障與提供維修方法提供科學的依據。

設有2 個論域，用因素集U 代表故障征兆論域，評判集V 代表故障原因論域，通過故障征兆隸屬度推導出故障原因隸屬度。設某診斷對象有n 種可能發(fā)生的故障原因，表示為y1，y2，…，yn，由這些故障原因引起m 種故障征兆，可表示為x1，x2，…，xm。

因此，故障原因模糊向量為：

故障征兆模糊向量為：

式中：yi——故障原因的隸屬度，i=1，2，…，n；

xj——故障征兆的隸屬度，j=1，2，…，m。

汽車技術狀況具有漸發(fā)性和偶發(fā)性，漸發(fā)性變化規(guī)律表明：汽車技術狀況隨汽車使用時間或汽車行駛里程呈單調變化，可用n 項多項式或冪函數描述。在此過程中，汽車既不是完全完好，也不是完全故障，而是處于中間某狀態(tài)，所表現出來的征兆亦如此。通過語義描述來確定故障征兆隸屬度，將遠程駕駛員定性描述定量化，結果如表1 所示。

表1 汽車遠程故障征兆隸屬度取值表

例如，某遠程汽車出現的故障現象為：有刺鼻的焦糊味，發(fā)動機聲音輕微異常，方向盤未出現抖動，根據駕駛員描述，量化駕駛員的模糊回答，依據表1，得到故障征兆向量為（0.9,0.2,0）。

2.2 構建單因素評判矩陣

由專家首先確定初始隸屬度，針對故障征兆xj將n 種故障原因兩兩對比，根據隸屬度取值原則，結合專家經驗，把兩兩對比原因中最容易引起故障征兆的那一種隸屬度賦值大一些，參照Satty 九標度法，按定義的比例標度對故障原因進行賦值，采用幾何平均值對賦予的標度值進行均值修正，構造判斷矩陣，求出最大特征值對應的特征向量。

2.2.1 計算相對權重和一致性檢驗

利用判斷矩陣計算各指標相對權重系數（Wi）和矩陣特征根（λmax），方法如下：

1）計算汽車某一判斷矩陣B 中每行所有元素的積：

式中：aij——B 中的元素，i=1,2，…，n；

表3給出了在不同優(yōu)化目標下的優(yōu)化結果。表3中,單目標優(yōu)化是指僅以最小化購電成本或功率波動為目標的粒子群算法后的優(yōu)化結果;多目標優(yōu)化是指先將某一個目標作為主要的優(yōu)化對象,再將另一個優(yōu)化目標作為約束條件添加到原問題的約束集中得到的計算結果;二人零和博弈是指利用本文所述的二人零和博弈模型,確定各目標的權重系數,再應用布谷鳥搜索算法得到的優(yōu)化結果。

n——矩陣階數。

2）對Mi開n 次方

式中：W——特征向量。

2.2.2 層次單排序和一致性檢驗

為確定構造的判斷矩陣是否合適，要進行一致性檢驗，其方法是：

表2 判斷矩陣的平均隨機一致性指標

將特征向量歸一化后得到模糊隸屬度，從而構造出模糊關系矩陣（R）。R 的一般表達式為：

式中：rij——第i 個故障征兆被確定為評判集Vj（j=1，2，…，n）的隸屬度，指標i 的隸屬度向量為R（i）=[ri1ri2…rin]。

2.3 綜合評判

文章模糊合成算子“·”采用乘法和上限為1（要求歸一化）的求和運算，即加權平均值，得到最后的故障原因模糊向量，確定故障原因。經過模糊運算后，得到故障原因模糊向量Y=（y1，y2，…，yn）。

規(guī)定一個閾值水平γ∈[0,1]，記O=max（y1,y2,…,yn），若O＞γ，認為診斷結果可行；反之則說明提供的征兆向量不足，需補充信息之后再重新診斷。γ 主要由專家確定，并根據實際情況進行實時調整以提高診斷精度。

3 典型故障實例分析

以汽車發(fā)動機不能啟動為例，進行故障診斷。

3.1 故障征兆與故障原因

故障征兆：發(fā)動機動力不足（x1），機油溫度低（x2），無火花（x3），燃料不足（x4），氣缸壓縮壓力低（x5）。

故障原因：冷卻系統(tǒng)故障（y1），燃油供給系統(tǒng)故障（y2），點火系統(tǒng)故障（y3），啟動系故障（y4），潤滑系統(tǒng)故障（y5），配氣機構故障（y6）。

3.2 構造模糊關系矩陣

以故障征兆x1為例，構建發(fā)動機動力不足的故障原因判斷矩陣，并進行單一準則下因素的相對權重和一致性檢驗計算，如表3 所示。

表3 發(fā)動機動力不足的故障原因判斷矩陣

依據上述方法，根據汽車的實際運行技術參數、經驗資料及專家經驗，確定每一故障征兆xj分別對每個原因yi的隸屬度，得到模糊關系矩陣，如表4 所示。

表4 汽車遠程故障診斷模糊矩陣

汽車發(fā)動機不能啟動時，發(fā)生某種故障現象，例如，無火花和壓縮壓力低，即有x3和x52 種故障現象，根據確定故障征兆向量的方法可知：此時故障征兆向量取X=（0 0 0.6 0 0.85），運用模糊運算可得故障原因向量。

第1 可能的故障為y6，接下來可能的故障為y3和y2，設γ=0.5，因為y6=0.54＞0.5，故障原因為配氣機構故障。經檢修，驗證了診斷正確。y3和y2在故障原因向量中所占數值也較大，可能是故障系統(tǒng)之間相互影響及相互作用的結果，有待于進一步深入研究。

4 結論

從診斷方法的原理和實例可以看出，使用AHP法，利用專家知識建立模糊診斷矩陣，得到比較符合實際的故障原因和故障征兆判斷矩陣。該方法簡單易行，不需要建立精確的數學模型等。

故障征兆與故障原因并非一一對應，使得模糊矩陣的分析變得困難，診斷規(guī)則采用唯一診斷γ 的精度不高，需進行改進。

確定隸屬集的隸屬函數的方法是多樣的，但這些方法所給出的隸屬函數只是近似的，因此需要在實踐中不斷總結加以修改，使之逐步完善。