基于人工智能的汽油车发动机故障诊断研究

蒋永敏 金红基

摘要：近些年来，伴随着我国经济发展速度的不断加快，在科学技术领域也有了全新的突破，现如今人工智能技术已经能够应用到各个领域当中，并取得了不错的成果。本文中，笔者就结合人工智能视角下的汽油车发动机故障诊断进行分析，提出了多信息融合、基于RBF神经网络的数据层、基于支持向量机的特征层以及基于D_S证据理论的决策层这四种故障诊断方法，希望能够提高汽油车发动机的故障诊断能力。

Abstract： In recent years， with the continuous acceleration of China's economic development， there have been new breakthroughs in the field of science and technology. Now artificial intelligence technology has been able to be applied to various fields， and achieved good results. In this article， the author is combined with artificial intelligence under the perspective of gasoline car engine fault diagnosis were analyzed， and puts forward the multiple information fusion based on RBF neural network， the data layer， feature layer based on support vector machine （SVM） and policy makers based on the theory of the D_S evidence that four kinds of fault diagnosis methods， hoping to improve gasoline car engine fault diagnosis ability.

關键词：人工智能;汽油车;发动机故障;故障诊断

Key words： artificial intelligence;gasoline vehicles;engine failure;fault diagnosis

中图分类号：U472.4                                  文献标识码：A                                  文章编号：1674-957X（2021）23-0109-02

0  引言

现阶段，伴随着汽车技术的不断成熟与发展，其发动机的种类也越来越多，因此不同的发动机也会有不同的电子控制系统，但是从基本组成与控制原理的角度来看大体相似。目前，汽油车发动机最常见的故障现象有以下几种：启动困难、失速、加速时回火、怠速不稳、熄火、怠速高、加速无力、易震爆、温度过高以及消声器放炮等。而导致这些故障出现的原因十分复杂，为此就必须要提高故障诊断的水平与准确性。人工智能的出现则为汽油车发动机故障诊断工作带来了前所未有的便利，能够极大的提高故障诊断效率与精确性。

1  多信息融合故障诊断方法

1.1 可行性分析  从目的与要求上来看，多信息融合这种技术和故障诊断是相似的，故障诊断就是要结合数据源，针对一切可能发生的故障进行分析、判断和预测。这个处理过程就是针对数据进行采集与处理，分析与判断故障发生原因与位置。在多信息融合当中，不同的特征数据以及源数据，对应着不同的故障原因，借助于多传感器针对发动机各个部位的活动特征进行反映，而后通过数据层与特征层对这些信息进行筛查与结果分析，这和故障源的数据信息处理方式大体相似。另外，故障分类的故障诊断模式和多信息融合的决策层，在作用上是一致的，故障诊断当中结果支持度的计算可以通过决策层来完成。在整个工作过程中，发动机发生故障的信息十分复杂，而新发动机技术不断的发展也带来了更多问题，怎样应对越来越复杂的信息，是现如今需要着重考虑的。一旦多信息融合这种故障诊断方法得到应用，则能够完美的解决这部分问题，由此可见，这种方法是可行的。

1.2 多信息融合诊断模型构建  通过上述可行性分析，接下来需要构建一个多信息融合的故障诊断模型。从根本上说，故障诊断就是要结合故障发生的征兆，判断出具体的发生原因与位置。伴随着车辆生产与加工技术的快速升级，发动机在结构上越来越复杂，如果源数据与特征信息过于单一，则不能够良好的体现出对象状态，因此可以利用多信息融合提高故障诊断的精确性、科学性与实效性。借助于不同角度的信息来更全面的展示发动机状态。结合数据抽象这一层次来说，这种故障诊断模型基本可划分为三个层次，即数据层、决策层与特征层，并且具备一定的非线性问题处理能力、自学能力、容错能力以及快速判断故障类型等能力。通过在小样本决策中适用的多种故障分类诊断的算法，构建起属于特征层模型;通过具备更有利于对非确定问题进行表达的决策层模型，对数据层和特征层之间的各种信息源进行整合，从而不断提高故障诊断精确度。

2  基于RBF神经网络的数据层故障诊断方法

2.1 可行性分析  一般来说，RBF具有极强的容错能力与自主学习能力，因此未来能够更加广泛的应用到汽油车发动机故障诊断当中。结合发动机各种各样的故障发生原因分析可知，当发动机处于不同的工作环境、工作状态当中时，其体现出的数据信息也具有一定的差异性，针对发动机不同工作状态下的信号信息进行采集，借助于基于BRF神经网络的人工智能计算方法，能够构建起一个强大的故障诊断模型，并服务于数据层，能够精确且及时的将故障类型与位置反映出来。在多信息融合方法当中，数据层信息主要是传感器当中的参数，主要的特点就是原始数据相对保存完整且信息量较大，而RBF神经网络的数据层则具有更好的容错性与冗余性，再加之自身强大的学习能力，可以更好的服务于数据层，提供更高的数据信息融合处理水平[1]。由此可见，基于RBF神经网络的数据层故障诊断方法具有一定的可行性。

2.2 RBF数据层故障诊断模型构建  一般来说BRF神经网络当中可以划分为输入层、输出层与隐含层。其中隐含层在输入与输出样本当中扮演着纽带的角色，隐含层在网络训练模式上，主要是借助于对输出单元的权值以及输入样本的向量进行适当调整。与此同时，BRF神经网络能够更好的处理非线性问题，在BRF神经网络当中，主要的输入样本就是发动机运行情况的实际参数，也就是不同传感器所收集的各种数据信息，而后通过非线性方式将这些数据信息传达到隐含层当中，通过详细的数据分析、整合与处理之后，再通过线性的方式传达到输出层当中供其使用，这些故障发生原因能够被用作输出样本[2]。通过输入样本进行的网络训练，能够在不断的学习当中更加高效的将各种各样不确定因素排除，从而提高BRF神经网络故障诊断结论的可靠性与精确性。

3  基于支持向量机的特征层故障诊断方法

3.1 可行性分析  在上述内容中我们了解到，BRF神经网络具有较强的容错性与冗余性，并且针对非线性问题能够更好的处理，通过十分适合与汽油车发动机的故障诊断工作。但是在学习速度上BRF神经网络则有着明显不足，同时在小样本集合的处理上也十分不利，不具有强大的泛化能力。相对于BRF神经网络来说，支持向量机则在小样本空间当中更加适用，如果需要针对样本数据欠缺的数据空间进行处理，则能够发挥出更好的作用，提供有效的技术手段。因此在汽油车发动机故障诊断工作中也有一定的可行性[3]。

3.2 支持向量机故障诊断模型构建  针对故障诊断工作当中，由于时域特征数据导致的特征向量在维数上明显增加这种问题，需要做好数据的降维处理工作，对此可以应用主成分这种分析方法，从而有效加快特征数据提取效率。在进行数据处理时，从根本上说，特征提取就是将特征向量在特征空间当中进行映射的数据。通过主成分这种分析方法，能够对特征提取的降维处理起到一定辅助作用，既能够加快提取的速度，也能够发现特征向量，从而更好的将源数据特征诠释出来[4]。

在支持向量机故障诊断模型构建当中，一般可以划分为以下几个步骤：①将各个传感器当中收集到的数据源（包括发动机在不同故障情况下的样本数据）进行统一的处理，从而保障数据的完整性与可用性;②进行分析与对比，选择优质的、可识别性强的故障特征;③应用多值分类（一对一或者点对点）的模型;④借助于先验知识来确定具体参数，进行反复的多交叉训练，最终确定一个最合理的训练模型;⑤最终模型得以确定[5]。

4  基于D_S证据理论的决策层故障诊断方法

4.1 可行性分析  在以人工智能为基础的发动机故障诊断模型当中，多信息融合的最终结果往往是由决策层输出来表现的，因此相较于另外的输入层与输出层来说，决策层的特征往往更加明显，输出融合也更高，得出的最终结论也就更可靠。现如今，在多信息融合的决策过程中，最常见的两种方法就是贝叶斯网络推理以及本文中将要提到的D_S证据理论[6]。在应用第一种方法时，往往需要借助于先验知识作为依托，在输入节点中数据源出现维度过高的情况时，往往不容易得到条件概率表，而D_S证据理论则是第一种方法的延伸与推广，能够更好的得到先验概率。也正是因为D_S证据理论不需要先验知识，同时又能够更好的表达出不确定，所以D_S证据理论在汽油车发动机故障诊断当中具有一定的可行性。

4.2 D_S决策层故障诊断模型构建  在所有的非确定推理方式当中，由于D_S证据理论的应用最为广泛，所以在证据获取上其灵活性也最强。这种方式主要是针对输入信息源来说，需要坚持一定的原则，结合判断与合理融合之间的可信度概率大小，最后得出故障发生征兆的实际可信度，判断出具体的故障原因。受证据理论诊断专家以及智能分类算法的不同影响，证据体的产生也具有一定的不归一性，需要间隔遵守固定的规则，针对发动机的故障诊断类型按照其特征进行归纳，通过多信息之间的融合，通过借助于固定的算法针对诊断结果的可信度进行加权，最终得出对应的证据可信程度，从而更加科学、有效的判定汽油车发动机故障诊断类型与位置[7]。

4.3 决策层融合诊断  在整个D_S证据理论故障诊断模型当中，决策层融合诊断的主要步骤可以分为以下几步：①结合发动机不同构造明确故障空间，识别具体的传感器装置并提供识别框架;②根据先验知识明确发动机发生故障的情况，针对信息源进行整合分析，挑出适合输入样本，构建不同证据体的可信度函数;③对不同证据的可信度与似然度进行获取;④对不同证据的可信度与似然度进行计算，开展多信息融合的计算;⑤结合决策层当中的相关数据信息进行原则整合，选取一个支持度相对更大的假设，当做最终结果进行输出;⑥获取最终的决策层融合诊断结果。

5  结束语

综上所述，文章分析内容突破了单一故障诊断方法的局限性，提出了四种不同的基于人工智能的汽油车发动机故障诊断方法，并通过故障诊断模型的监理，希望能够为相关工作人员提供理论借鉴。

参考文献：

[1]闫洪涛.汽车发动机故障诊断与检修探索[J].汽车实用技术，2021，46（01）：100-102.

[2]麦鹏.基于RBF和数据流的汽车电控发动机故障诊断装置研究[J].微型电脑应用，2020，36（07）：45-48.

[3]孙长勇，王学军，徐长钊，张薇薇.浅谈现代发动机故障诊断与分析的过程研究[J].汽车实用技术，2020（13）：216-218.

[4]高巧玲，余娟.改进支持向量机在汽车发动机故障诊断应用[J].电子技术，2020，49（06）：22-23.

[5]陈晶.汽车电控发動机人工智能故障诊断系统的研究[J].现代工业经济和信息化，2016，6（11）：100，104.

[6]佘勇，冯银汉，王燕兵.人工神经网络在汽车发动机故障诊断中的运用[J].南方农机，2021，52（13）：114-115.

[7]蔡彦兵，赵亮.数据流分析在汽车电控发动机故障诊断中的应用分析[J].时代汽车，2020（14）：180-181.