基于粒计算-神经网络的汽车电子控制系统故障分析①

刘 涛

(安徽电子信息职业技术学院，安徽 蚌埠 233040)

0 引 言

国内外有关汽车电子控制系统故障的研究大多停留在故障的人工诊断与分类层面，智能诊断分类的分析相对较少[1]。同时粒计算GrR(Granular Computing)逐渐发展成熟，其已经在各行各业取得诸多的成绩。粒计算能够从大量数据中获取信息和使用规则，但无法解决病态数据、容错性弱是该算法最大的缺点[2]。神经网络都具备容错性和学习力强、非线性的逼近等优点，但数据规模庞大的情况下神经网络的优势极大下降。粒计算神经网络(granula compu-tation-neural network)能有效结合两种算法的优势，训练速度明显加快，且更低的训练样本维度要求[3]。有鉴于此，此次研究提出通过粒计算-神经网络诊断汽车电子控制系统故障问题，通过粒计算结合反向传播(back propagation，BP)神经网络和径向基函数(radial basis function，RBF)神经网络分析汽车电子控制系统故障类型，旨在为今后智能诊断提供数据参考。

1 面向粒计算-神经网络的汽车电子控制系统故障分析

1.1 粒计算的知识约简算法

(1)

(2)

Cn×m=X×Y'

(3)

依赖度的计算公式为式(4)，N的M正域用POSM(N)表示，POSM(N)中的元素数用card(POSM(N))指代，论域中元素数量用card(U)指代。

β=|POSM(N)|/N=card(POSM(N))/card(U)

(4)

研究采用的基于粒计算的知识约简示意图如图1所示。第一步，确定决策属性和条件属性，同时创建决策信息系统，随后进入粒化阶段，离散化和量化决策表。同时在粒度空间获得计算粒度矩阵。然后判断决策系统是否相容，假如决策系统不相容，则继续分离子决策系统的操作，同时求得条件属性对决策属性的核M0。其次经过决策粒度矩阵和条件粒度矩阵获取相应的依赖度。最后根据提取出来的规则判断是否涵盖论域，假如不是，则继续以上操作直至获取最小的属性值，假如是，直接输出最小属性值，并结束操作。

图1 基于粒计算的知识约简算法示意图

1.2 面向粒计算-神经网络的故障分析

此次研究提出粒计算-神经网络进行汽车电子控制系统故障分析。GrC-BP网络通过松散耦合连接方式结合粒度计算和BP神经网络。GrC-RBF网络通过松散耦合连接方式结合粒度计算和RBF神经网络。BP神经网络和RBF神经网络的拓扑结构分别如图2(a)和2(b)所示。

图2 BP神经网络和RBF神经网络的拓扑结构

BP神经网络结构总共分为输入层、隐含层、输出层3层，每层结构之间没有相互关系。数据传输分为前向传播和反向传播两种方式，反向的传播通过不断修改权值和的阈值进行网络学习[7-8]。这种结构保证该网络可以实现现主动学习，具备非线性分类的能力。隐含层的节点数t通过式(5)确定。

(5)

式(4)中，输入层和输出层的节点数分别用x和y表示，s是常数，取值范围为1～10。隐含层的传递函数使用tansig函数，输出层的传递函数为logsig函数。RBF神经网络输入节点的维度为n，隐含层使用高斯函数进行的数据传递，其计算公式为式(6)。

ui=exp(-(x-Mi)T(x-Mi)/2δi2)

(6)

式(6)中，i∈(1,t)，输入数据的向量用x=(x1,x2,...,xn)表示，标准化常数为δi，ui是指第个隐含层节点的输出，取值范围为[0,1]，高斯核函数的中心值用Mi指代。RBF函数为非线性函数，函数为一个径向对称函数，若数据输入和对称中心的距离越远，则隐含层的输出则越小。反之，隐含层节点输出值越大。它可以被设计为任意连续值，同时一个基函数对应每个神经元。该网络的学习过程包括二方面。其一，判断隐含层的节点数目以及RBF函数的中心值。其二，持续更新隐含层和输出层间的权值[9-10]。不同RBF函数中心值的确定方法不同，常见的有以下四种，分为随机选取固定中心、自组织选取中心、有监督选取中心、正交最小二乘法选取中心。随机选取固定中心是最为简单的学习策略，仅权值需要进行训练，基函数的标准差和中心是一定的，其值来源于输入样本中的任意取值。自组织选取中心确定中心的方式为聚类方法，权值确定方法为最小均方算法。有监督选取中心学习中心和其余参数的方法为监督学习，同时通过误差修正学习过程。正交最小二乘法选取中心是将线性回归作为特殊代表，确定节点数和中心后，并通过正交化回归矩阵得到权值。RBF网络具备以下优点，网络的收敛速度快、没有局部极小问题，输出和输入的映射能力较良好、连接权值和网络输出两者呈线性关系。GrC-RBF神经网络算法流程图如图3所示。首先获取原始样本数据，并通过知识约简算法属性约简处理数据得到最小属性集。然后将得到的有效数据输入RBF网络进行网络训练。接下来初始化每层网络的阈值和权重，经前面的步骤得到训练输出结果，并获得实际输出和期望输出的差值。当期望输出和实际输出两者的误差在允许范围内，假如在误差范围以内，则保存训练网络并结束训练过程。假如没有在误差范围内，则通过更新权重和阈值的方式再次进行学习直至最终的误差范围满足要求。GrC-BP神经网络区别于GrC-RBF神经网络算法流程图主要有两点，其一是确定的网络拓扑结构为BP神经网络拓扑结构而不是RBF神经网络拓扑结构。其二是使用的训练网络为BP神经网络而不是RBF神经网络[11-12]。研究引入均方误差(MSE)衡量网络的性能，该值越小，表示测量的准确性越高，网络的性能更好。其计算公式为式(7)。

图3 GrC-RBF神经网络算法流程图

基于 Gr C-NN 的汽车故障诊断示意图如图4所示，该模型主要包括GrC属性约简和神经网络诊断部分。该模型中神经网络的前端信息处理器为粒计算，第一步，通过强大属性约简能力删除冗杂数据并得到最小属性值。这也就是经过等频率离散法量化和离散化处理汽车电子控制系统的故障数据，同时清除故障数据中重复的数据并获得属性约简决策表，接着经过粒矩阵计算程得到故障数据的核属性，进而得到样本故障数据的最小属性表。第二步，构建GrC-NN神经网络模型。这个步骤中最关键的环节是训练神经网络确定模型参数，具体为输入约简后样本数据中的条件属性，输出决策属性。第三步，经过最小属性集的测试样本得到最终的诊断结果。

图4 基于 Gr C-NN 的汽车故障诊断示意图

2 汽车电子控制系统故障仿真分析

2.1 粒计算约简性能分析

实验利用MATLAB软件模拟汽车电子控制系统故障，验证所提出故障诊断模型的有效性。车辆加速过程中，设置车速传感器故障和加速踏板位置传感器故障，收集发动机转速、发电机转速、节气门位置、车速、加速踏板位置五类数据，总共对208组。前面105组数据和后面103组数据分别训练样本和测试样本。等频率离散后，五种故障数据分为1-4等级，信号范围从小到大。以节气门位置传感器的信号范围为例，<0.5、0.5～3.8、3.8～4.5、>4.5分别对应1-4个等级。离散化后的部分决策信息结果如表1所示。

表1 离散化后的决策信息

条件属性{A、B、C、D、E}中，五个字母分别表示发动机转速、发电机转速、节气门位置、车速、加速踏板位置。决策变量F={1，2，3}中，1-3分别表示正常、加速踏板位置传感器故障、车速传感器故障。经过前述公式计算可得到不同条件的依赖度，因此汽车电子控制系统的核属性为{A，C}。最终得到最小属性值为{A，B，C}，如表2所示。条件属性从先前的5个减至3个，因此减少了神经网络结构。

表2 最小属性值

2.2 粒计算-神经网络的性能分析

研究分析粒计算性能的基础上，进一步验证粒计算-神经网络的性能。神经网络的输入层和输出层的神经元数目均为3。输出向量{B1,B2,B3}可以分为四类状态，分别为100、010、001、000。001是指车速传感器发生障碍，010是指加速踏板位置的传感器发生故障，100是指汽车正常行进，000其他可能状态。设置最大的训练次数为1000次，目标MSE为0.5%，学习率为0.02。BP 和GrC-BP神经网络的误差训练曲线图分别如图5(a)和5(b)所示。属性约简前后训练后能满足MSE时，BP 和GrC-BP神经网络的训练步长依次为91次和28次。此时相应的MSE分别为0.0013和0.0018。GrC-BP神经网络的训练步长远低于BP神经网络。同时由于简化属性集和原始属性集仍然存在差异，因此模型的均方误差稍稍有所增加。同时诊断输出结果和期望输出显示，GrC-BP神经网络的测试精度稍稍弱于BP神经网络，同时故障诊断方法可以检测出故障原因。

图5 BP 和GrC-BP神经网络的误差训练曲线图

设置高斯基函数的扩展速度为2，RBF和GrC-RBF神经网络的误差训练曲线图分别如图6(a)和6(b)所示。属性约简前后训练后能满足MSE时，RBF和GrC-RBF神经网络的训练步长依次为78次、11次。此时相应的MSE分别为0.0012和0.0015。同时诊断输出结果和期望输出显示，GrC-RBF神经网络的测试精度稍稍弱于RBF神经网络，同时故障诊断方法可以检测出故障原因。

图6 RBF 和GrC-RBF神经网络的误差训练曲线图

测试样本在四种神经网络下的诊断误差如图7所示。BP 和GrC-BP神经网络两种网络的输出的误差相差不大，因此知识约简后并没有影响汽车电子控制系统的准确性。RBF和GrC-RBF神经网络两种网络的输出的误差相差不大，因此知识约简后并没有影响汽车电子控制系统的准确性。综合分析，利用GrC-NN进行故障诊断既可以避免神经网络引起的样本训练难题和高维度数据的输出问题，同时也能保证故障诊断的准确性。

图7 四种神经网络诊断误差对比情况

3 结 论

汽车电子控制系统的故障诊断技术和汽车运行安全和稳定息息相关。此次研究针对目前汽车电子控制系统的故障诊断现状，提出基于粒计算-神经网络的故障诊断方法，在分析粒计算和神经网络两种算法的优劣势的基础上，分别构建GrC-BP神经网络和GrC-RBF神经网络的故障诊断模型。属性约简前后训练后能满足MSE时，BP 和GrC-BP神经网络的训练步长依次为91次和28次。RBF和GrC-RBF神经网络的训练步长依次为78次和11次。GrC-BP神经网络的测试精度稍稍弱于BP神经网络，GrC-RBF神经网络的测试精度稍稍弱于RBF神经网络，本文仅对汽车电子控制系统中加速故障环境进行仿真分析，后续还需要进行其余环境的仿真验证。