基于信息融合技术的汽车故障模式识别系统

刘 将(安徽蚌埠汽车士官学校， 安徽 蚌埠 233011)



基于信息融合技术的汽车故障模式识别系统

刘 将
(安徽蚌埠汽车士官学校， 安徽 蚌埠 233011)

运用集成神经网络和信息融合技术，提出汽车故障模式识别系统的逻辑结构，分析系统各个模块的技术实现途径，并以发动机磨损故障为例，详细论述系统的构架和实现过程。研究表明，基于信息融合的汽车故障模式识别系统能够使多种故障识别信息互相补充和验证，具有广阔的应用范围和准确的故障识别率。

汽车故障； 模式识别； 信息融合； 集成神经网络

0 引 言

信息融合技术在智能机器人、计算机视觉和多目标跟踪等领域获得广泛应用[1-3]。故障模式识别就是一个多源信息的融合过程，因此，信息融合技术在汽车故障模式识别领域中具有广阔的应用前景。

信息融合有多种途径，神经网络是其中之一[4-5]。本文从信息融合的角度出发，运用集成神经网络，融合各类汽车故障信息，建立汽车故障模式识别系统。系统构架是首先划分不同属性故障特征信息，分别运用多个子神经网络，从不同的侧面进行故障模式识别。每个子网络输出是从不同侧面映射的汽车故障模式识别结果，属于局部决策。然后，把各个子神经网络输出的局部决策进行融合，得到全局决策。这样有利于减少故障模式识别的不确定性，提高确诊率。

1 系统逻辑结构

单个神经网络经过训练和学习，融合各类故障特征信息，以网络权值和阀值记住故障特征，当输入新的故障特征信号时，神经网络通过联想回忆就能够逼近最类似故障，实现故障征兆集到故障模式集的非线性映射，完成多类故障的模式识别。因此，单个人工神经网络能够融合多类故障信息，具有故障模式识别能力，在汽车故障诊断中获得一定程度应用[6]。

但现代汽车是机电液一体的十分复杂的高技术产品，研究和实践表明，单个神经网络用于汽车故障诊断存在明显的缺陷：神经网络需要大量的故障样本，用来进行学习和训练；构造反映多类故障的特征向量比较困难；神经网络结构配置是一个NP难题[7-9]；神经网络节点过多，结构庞大，造成训练学习困难；对新出现的故障类型，整个神经网络必须抹去全部记忆，重新学习训练等等。

本文采用分层网络，构建故障模式识别系统，通过多个网络的串、并联组合和协同工作，实现多源故障信息的融合和故障模式的识别。

系统的信息融合相对于信息表征的层次可以分为3层，呈串联结构，如图1所示。第1层进行数据分类和归一化预处理，把数据分配和传输给第2层的各个识别子神经网络，完成输入信号向各级设备的定位。第3层由多个识别子神经网络的集成和并联而成，每个子网络接收不同属性的数据，从不同侧面识别故障模式，完成局部决策功能。第3层由1个网络构成，接收第2层的各个子诊断网络的局部决策信息，进行综合、全局决策，起到会诊功能，最终完成汽车故障模式的识别。

图1 信息融合故障模式识别系统的逻辑结构

从网络功能分析，第1层网络为数据融合型网络，即把汽车故障特征向量空间划分为若干个子参数空间，同时根据各个子参数空间构造相应的故障子空间。第2层网络为特征融合型网络，各子网络从不同属性的故障特征信息进行汽车故障模式识别。第3层网络为决策融合网络，对局部模式识别信息进行智能化合成，得出最终识别结果。同时，故障信息融合过程考虑人的因素，设置人机接口，体现信息集成的思想。系统整体结构为串联结构，有利于发挥串联结构运算速度较快的特点；而第2层网络的各子神经网络之间为并联结构，有利于避免由于某一网络缺陷而融合过程中止现象的发生。

2 系统实现策略

由集成神经网络构成的故障信息融合系统是一个有机的整体，各个网络既相互独立，又相互配合，协同工作，既可以在线实现，也可通过人机接口，离线实现。

信息分配网络为管理型网络，主要完成信号的预处理、分配和定位[10-12]。故障模式识别系统需要实现故障定位，它可以通过标识符来标注各个信息源来自汽车上不同的零部件。因此，产生信息的零部件位置可作为故障定位信号，形成信号位置标识符，前置的信号处理单元对信号处理后，形成特征信息，每一特征信息都保留其定位信息。这样，经处理后的信息在传递过程中包含信号本体和位置标识符两部分。

识别子神经网络的实现包括网络配置、网络训练和执行模式识别3个方面。识别子网络一般采用BP网络，由输入层、隐层和输出层构成，输入层节点数等于需要输入的故障特征参数的数目，输出层节点数等于故障类型数目。网络训练是确定网络的权值和阈值，形成网络的知识库。为使用和管理方便，每个子神经网络各自建立一个档案。每个档案由两部分组成，一部分包含网络的结构特征和输入、输出单元的意义，另一部分为子神经网络的标准学习样本。在系统调用的过程中，档案的实现是以文件的形式完成，该档案放在人机接口中，在网络学习时，通过调用读出其中的信息，学习后的结果，即网络的权值和阈值也以文件的形式存起来，形成子神经网络的知识库。各子网络在档案及知识库健全情况下，执行模式识别就很简单，从信息分配网络来的信号通过和子网络已学好的权值并行运算，即可得出相应的模式识别结果。

这样网络输出为：

γ=P·R

(1)

其中故障i发生的概率为：

pi=pi1·r1i+pi2·r2i+…+pim·rmi

(2)

为了使不同子网络对同一故障的模式识别结果形成更好的支持和加强，重新定义一种运算“⊕”。定义：a⊕b=a+b-ab。容易证明，此运算满足交换律和结合律。则融合决策网络对某故障的融合结果可表示为：

γi=pi1·r1i⊕pi2·r2i⊕…⊕pim·rmi

可见，这种融合方法采用⊕运算能对所有模式识别子网络的结果进行考虑，更能突出较弱置信度对较强置信度的支持和加强作用，能更全面反映实际故障。

3 模拟分析

汽车发动机中存在着大量的摩擦副，由于摩擦副的相互作用，产生了许多悬浮在润滑油中磨损颗粒，并使润滑油的理化指标发生变化。这些悬浮颗粒和理化指标的检测数据，蕴涵着发动机摩擦副的磨损特征信息。因此，分析油样中磨损颗粒所含金属元素的种类和浓度，以及理化指标，就可判断发动机的磨损故障部位和磨损状态。

油样分析有多种方法。铁谱分析可以观察到磨损颗粒的形态和尺寸分布，能够揭示摩擦副的磨损过程和机理。光谱分析可以测定油样中铁、铝、铜、铅、铬、硅等元素的浓度，能够判断发动机摩擦副的磨损部位。理化分析可以得到润滑油的运动粘度、冷凝点、闪点、酸值、杂质含量和水分含量等数据，能够判定润滑油的失效程度和汽缸的窜气程度。各种油样分析方法各有所长，但任一种油样分析方法的使用范围和故障识别准确率有限。因此，基于信息融合思想[13-15]，综合运用铁谱分析、光谱分析和理化分析等方法，开发汽车发动机磨损故障的模式识别系统，能够使各种磨损故障信息相互补充和验证，扩大故障模式识别系统的应用范围，提高故障识别准确率。

定义发动机磨损的故障模式集合为:F={F1，F2，…，F8}。其中：F1为系统正常；F2为轴瓦严重磨损；F3为活塞环与汽缸严重磨损(窜气)；F4为活塞严重磨损；F5为活塞销严重磨损；F6为润滑油失效；F7为空气滤清器失效；F8为机油滤清器失效。数据采集系统除了采集润滑油的铁谱、光谱和理化分析数据外，还采集发动机润滑油的压力、温度和消耗水平等运行状态数据，以加大故障信息的融合范围，提高模式识别的准确率。数据采集系统采集的故障原始征兆数据，需要预处理，处理方法把采集的各种原始数据与标准界限值进行比较, 在正常值范围内的取0； 反之则取1, 从而将原始征兆数据转换为0和1的布尔值。

模式识别子神经网络包括铁谱子网络、光谱子网络、理化子网络和运行状态子网络，分别接收预处理后得到铁谱、光谱、理化和运行状态的布尔值数据。各个子网络的输入节点数等于对应数据采集模块的原始故障征兆参数的个数，输出节点数等于故障模式数目训练样本根据故障模式识别的实例积累得到。决策融合网络输入为各子网络的模式识别结果矩阵P，置信权矩阵R一般由专家根据各种故障模式与各个子网络模式识别之间的关联程度，人为确定，见图2。

4 结 语

(1) 基于信息融合的汽车故障模式识别系统，能够充分利用多源故障信息的互补性，较好地模拟专家的逻辑思维和形象思维过程，避免或减少谎报、漏检及错诊，与传统识别方法相比，提高了识别的准确率和故障的定位解释能力，具有广阔的应用前景。

图2 发动机磨损故障模式识别系统流程图

(2) 模块化集成神经网络易于构造、易于学习、功能明确和符合计算机软件和硬件发展趋势，对提高故障分类准确性和可靠性具有重要作用，是汽车故障特征信息融合技术的一个重要发展方向。

[1] 徐 斌. 基于智能诊断技术的发动机故障排查研究进展[J]. 重庆电子工程职业学院学报, 2012, 21(1):165-167.

[2] 陈朝阳 张代胜 任佩红．汽车故障诊断专家系统的现状与发展趋势[J]．机械工程学报，2003,39(11):1-2.

[3] 蒋鸣雷.汽车故障诊断技术发展趋势[J].中国新技术新产品, 2010(9):102.

[4] 石 晶， 何 亮， 崔 瑶. 基于B/S三层架构的汽车故障诊断专家系统的实现[J]. 机械设计与制造, 2012(2):239-241.

[5] 柯喻寅， 谢 镔， 吴 卿. 基于T-S模糊神经网络的汽车故障诊断的研究[J]. 杭州电子科技大学学报, 2012, 32(2):41-44.

[6] Waltz E. Information fusion for C3I systems in the C3I handbook EW communications[R].Palo Alto, CA:[s.n.],2001.

[7] 吴兴伟.多传感器的信息融合在车载故障诊断中的应用研究[D].武汉:武汉理工大学,2006： 15-18.

[8] 谭本忠.汽车波形与数据流分析[M].北京:机械工业出版社,2009： 51-62.

[9] 申 鹏. 汽车发动机故障诊断专家系统原型开发[D].吉林:吉林大学,2010： 22-27.

[10] 肖云魁.汽车故障诊断学[M]. 北京:北京理工大学出版社,2001： 83-91.

[11] 包 旭， 马从兵.基于数据库的汽车故障诊断专家系统的设计[J].公路与汽运,2007(5):22.

[12] 张 伟. 基于专家系统的故障诊断在汽车发动机上的应用[D]. 太原:太原理工大学, 2011： 19-25.

[13] 李聚霞， 邢世凯， 王济民,等.基于知识的汽车发动机故障诊断专家系统研究[J]. 拖拉机与农用运输车, 2009, 36(2):86.

[14] Shubhalaxmi Kher. Automobile Engine Fault Diagnosis Using Neural Network[J]. 2001 IEEE Intelligent Transportation System Conference Proceedings. Oakland (CA), USA, August. 25-29, 2001.

[15] 罗 石， 杨 勤， 朱长顺，等. 基于传感器融合技术的专家系统[J]. 交通科学与工程,2013， 29(3):67-71.

Automobile Fault Pattern Recognition System Based on Information Fusion Technology

LIUjiang
(Bengbu Automobile NCO Academy of PLA, Bengbu 233011, China)

Using integrated neural networks and information fusion technology, this paper put forward a logical structure of automobile fault pattern recognition system, and analyzed technical realization way of its module. It discussed system architecture and realization process with the example of engine wear faults. The study indicated that the automobile fault pattern recognition system based on information fusion can make various fault recognition information be cross-examination and has wide application range and high fault recognition rate.

automobile fault; pattern recognition; information fusion; integrated neural networks

2014-03-21

刘 将(1971-)，男，安徽怀远人，硕士，副教授、训练部副部长。主要从事军事交通运输、军事职业教育等方面的研究工作。

Tel.：0552-2980103、13956332020；E-mail：306433228 @ qq .com

TP 472.4

A

1006-7167(2015)02-0137-03