一種汽車傳感器故障診斷的研究

熊飛

摘要：針對(duì)汽車傳感器的故障控制診斷對(duì)象存在故障樣本數(shù)據(jù)空間維數(shù)大，故障診斷的實(shí)時(shí)性差的等問題，首先通過靜態(tài)模糊自學(xué)習(xí)方法找到故障節(jié)點(diǎn)，通過BP網(wǎng)絡(luò)進(jìn)行分類智診斷。通過實(shí)驗(yàn)表明本文方法提高了汽車傳感器故障診斷準(zhǔn)確率，從而提高了診斷的識(shí)別與決策能力。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；傳感器故障

0.引言

伴隨著人民生活水平的提高，汽車已經(jīng)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(chǎn)生，使得汽車故障的研究成為了人們研究的重點(diǎn)，文獻(xiàn)[1]指出計(jì)算機(jī)和信息化技術(shù)的廣泛運(yùn)用到汽車中，其中傳感器逐步應(yīng)用到汽車控制中，它能夠?qū)ζ囆畔⑦M(jìn)行感知，采集，轉(zhuǎn)換和處理。將感知的信息轉(zhuǎn)換其他需要的信息輸出。汽車傳感器是汽車電子控制的關(guān)鍵部件，也是汽車電子技術(shù)的核心部分。文獻(xiàn)[2-3] 提出一種基于數(shù)據(jù)驅(qū)動(dòng)的多模型傳感器故障軟閉環(huán)容錯(cuò)控制方法，并對(duì)非線性系統(tǒng)中卡死、恒增益、恒偏差等常見傳感器故障進(jìn)行了研究。文獻(xiàn)[4]指出目前傳感器控制主要是分布是針對(duì)衡秤體下方，通過傳感器輸出來完成故障傳感器輸出信號(hào)，但容易偏離中心，影響估計(jì)精度。文獻(xiàn)[5]指出數(shù)字稱重傳感器可以實(shí)現(xiàn)不間斷工作，能夠在短時(shí)間內(nèi)獲得故障信號(hào)，但缺點(diǎn)是價(jià)格昂貴。文獻(xiàn)[6]提出基于結(jié)構(gòu)振動(dòng)響應(yīng)特性利用改進(jìn)的模態(tài)濾波方法對(duì)陣列式傳感器系統(tǒng)進(jìn)行故障診斷。

本文主要BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入靜態(tài)模糊控制，對(duì)汽車傳感器控制的故障進(jìn)行有效、準(zhǔn)確的分類。并針對(duì)汽車傳感器的故障準(zhǔn)確的進(jìn)行診斷和恢復(fù)，從而可以有效的來保證汽車傳感器的正常的運(yùn)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(hào)主要是電壓信號(hào)，當(dāng)汽車傳感器與 （傳感器與發(fā)動(dòng)機(jī)控制裝置）之間的接線發(fā)生斷路的時(shí)候，電壓信號(hào)就會(huì)超出正常范圍從而引起故障。通常設(shè)定汽車傳感器器的輸出信號(hào)電壓的正常范圍為 ，如果實(shí)際輸入 ECU 信號(hào)電壓大于 或小于 ，則認(rèn)為該信號(hào)不可靠，表示傳感器有故障。只有傳感器信號(hào)持續(xù)一定時(shí)間后， 才會(huì)判斷為有故障。假設(shè)車輛傳感器網(wǎng)絡(luò)中傳感器節(jié)點(diǎn)個(gè)數(shù)為 ，每個(gè)節(jié)點(diǎn)在數(shù)據(jù)采集過程進(jìn)行 次采樣，單節(jié)點(diǎn)數(shù)據(jù)長度為 。單個(gè)節(jié)點(diǎn)采集數(shù)據(jù)作為矩陣的列，則網(wǎng)絡(luò)數(shù)據(jù)可表示為

為便于表述，將各節(jié)點(diǎn)數(shù)據(jù)以此銜接，網(wǎng)絡(luò)數(shù)據(jù)可寫為向量形式

（1）

其中 ， 。

網(wǎng)絡(luò)數(shù)據(jù)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(jìn)的BP神經(jīng)網(wǎng)絡(luò)在汽車傳感器診斷

2.1汽車靜態(tài)模糊函數(shù)構(gòu)建

汽車傳感器網(wǎng)絡(luò)故障具有一定的隨機(jī)性，是一種典型的非線性結(jié)構(gòu)，而靜態(tài)模糊函數(shù)可以很好找到傳感器故障中的死亡節(jié)點(diǎn)。靜態(tài)模糊基函數(shù)構(gòu)造如下：

（3）

通過將汽車節(jié)點(diǎn)傳感器能量（設(shè)定為 ）輸入公式（3）中，得到相應(yīng)的改進(jìn)節(jié)點(diǎn)能量如下：

（4）

在公式（6）中，其中 表示傳感器節(jié)點(diǎn)的個(gè)數(shù)。 為固定參數(shù)，通過在模糊函數(shù)中構(gòu)造靜態(tài)函數(shù)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(shè)定為0-1之間的實(shí)數(shù)， 表示 的可能性是 ；該準(zhǔn)則設(shè)定的含義是當(dāng) 達(dá)到 的時(shí)候， 的可能性則是 。設(shè)定 用mamdani蘊(yùn)涵表示，通過 采用mamdani來進(jìn)行推理得出 。使用公式（8）對(duì) 進(jìn)行自學(xué)習(xí)得到 ，其中 的精度遠(yuǎn)大于 。

（6）

將公式（4），（5）和（6）進(jìn)行三者結(jié)合，得到針對(duì)汽車傳感器的靜態(tài)控制節(jié)點(diǎn)的自學(xué)習(xí)能力函數(shù)，從而能夠快速的對(duì)汽車傳感器節(jié)點(diǎn)能量損失進(jìn)行判斷。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳遞的網(wǎng)絡(luò)，通常是由輸入層，隱含層，輸出層組成。它將信號(hào)進(jìn)行前向傳遞和反向傳播。其中反向傳播時(shí)權(quán)值按Delta學(xué)習(xí)規(guī)則進(jìn)行調(diào)整。在前向傳遞中依次按式（9）計(jì)算各層的輸入輸出直到輸出層。當(dāng)輸出層得不到期望的輸出則進(jìn)行反向傳播，根據(jù)期望與實(shí)際輸出之間的誤差調(diào)整權(quán)值和閾值。權(quán)值的調(diào)整公式見式（10）。

（7）

在公式（1）中 為第 層節(jié)點(diǎn)的激活值， 為閾值， 為輸入信號(hào)， 為第 節(jié)點(diǎn)與第 節(jié)點(diǎn)的連接權(quán)系數(shù)， 為節(jié)點(diǎn) 的輸出值。

（8）

在公式（8）中， 為神經(jīng)網(wǎng)絡(luò)期望輸出與實(shí)際輸出的誤差。

2.3本文算法的描述

本文首先通過自學(xué)習(xí)中的靜態(tài)模糊函數(shù)來確定汽車傳感器故障的支撐集，然后通過BP神經(jīng)網(wǎng)絡(luò)算法來針對(duì)傳感器的故障進(jìn)行快速分類，從而縮短檢測時(shí)間，提高檢測效率。通過求解以 為自變量的目標(biāo)函數(shù) 的極小值

： （9）

其中對(duì) 。正則化參數(shù) 、 分別對(duì)變換系數(shù)和生成矩陣的稀疏度進(jìn)行加權(quán)。為便于表述，不妨假設(shè) ，稀疏度量使用1范數(shù)。

3.試驗(yàn)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(shù)據(jù)，每組分為為50組數(shù)據(jù)，前30組用于訓(xùn)練，余下20組用于測試。然后通過靜態(tài)模糊函數(shù)來分類進(jìn)行故障樣本，同時(shí)設(shè)計(jì)1個(gè)BP神經(jīng)網(wǎng)絡(luò)分類器，以此來驗(yàn)證靜態(tài)模糊函數(shù)自學(xué)習(xí)的作用。兩組BP神經(jīng)網(wǎng)絡(luò)分類器診斷結(jié)果比較如表1所示。選取沖擊傳感器故障下的三組數(shù)據(jù)如表2所示，BP神經(jīng)網(wǎng)絡(luò)分類器的實(shí)際輸出數(shù)據(jù)如表3所示。

從表1-3中發(fā)現(xiàn)利用改進(jìn)的BP網(wǎng)絡(luò)算法對(duì)汽車傳感器故障樣本數(shù)據(jù)進(jìn)行處理后，神經(jīng)網(wǎng)絡(luò)的輸入層從20個(gè)減少為8個(gè)，訓(xùn)練次數(shù)大幅度減少為100次顯然CPU的耗時(shí)明顯縮短。并且基本保持故障識(shí)別率不變。通過采用靜態(tài)模糊函數(shù)保證識(shí)別率的同時(shí)，簡化了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，提高了診斷速度，是實(shí)現(xiàn)增加BP神經(jīng)網(wǎng)絡(luò)對(duì)故障樣本分類實(shí)時(shí)性的行之有效的方法。

4.結(jié)束語

本文提出了基于BP網(wǎng)絡(luò)神經(jīng)中引入靜態(tài)模糊控制的方法對(duì)故障進(jìn)行快速分類，首先對(duì)故障樣本的輸入數(shù)據(jù)運(yùn)用靜態(tài)模糊函數(shù)進(jìn)行數(shù)據(jù)收集，再對(duì)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行數(shù)據(jù)數(shù)據(jù)分類。同時(shí)具體的實(shí)驗(yàn)數(shù)據(jù)表明本文的算法在保證故障準(zhǔn)確率的同時(shí)簡化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高了故障診斷速度。

參考文獻(xiàn)：

[1]趙炯等.基于傳感器融合技術(shù)的電動(dòng)汽車自動(dòng)駕駛系統(tǒng)的開發(fā)[J].制造業(yè)自動(dòng)化，2013.35（5）：43-46

[2]李煒，張婧瑜.多模型傳感器故障軟閉環(huán)容錯(cuò)控制研究[J].計(jì)算機(jī)應(yīng)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(shè)計(jì)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