基于多信息融合的汽车电子系统故障诊断技术

李华庆

（吉利汽车研究院（宁波）有限公司，浙江 宁波 315336）

随着技术的发展，汽车应用功能逐渐复杂化，汽车传统内饰也逐渐被智能化内饰所替代，需要高效的诊断能力。相关研究人员要加强对相关技术的研究，丰富故障诊断方法，总结诊断技巧，解决诊断中出现的故障问题，保证汽车长期正常使用。

1 信息融合技术原理

1）多传感器形成了不同的通道信号。汽车电子的故障诊断系统整体发展规模大，且具有一定的复杂性，需要的传感器种类和数量也比较多。因为不同的传感器组合可以为不同种类、不同位置的器件提供信息。传统的故障诊断技术仅仅是通过对一种或多种状态信息的分析，来获取机器的特性。尽管有时通过一种信息来判断机器是否有问题，但是在很多情况下，所得到的诊断是不可靠的。要实现对设备的正确、可靠诊断，必须从多个角度获取多维的数据，并将其综合应用。

2）同一信号形成了不同的特征信息。在对汽车故障实际诊断的时候，由于故障的产生原因比较复杂，各个类型的故障也是不同的。比如，不平衡、不对中、轴承座松动、转子径向碰撞等都会使转子产生不正常的振动。所以，转子的振动信号中的特征信息比较多，将其充分结合能够保证故障的有效诊断。

3）故障诊断中的不确定性。因检测对象的不确定性、系统噪声、传感器的测量误差等因素，使得系统的数据往往不完整、不准确、不明确，有时还会出现自相矛盾的情况，这就意味着存在许多不确定性。使用Dempster--SJafer（D-S）证据理论能够对故障诊断中的问题详细解决。

2 信息融合方法

1）基于统计的融合方法。主要包括的内容为经典推理、贝叶斯法和证据理论（D-S）法。传统的推理技术依靠数学原理，虽然其优势已为人所熟知，但是在进行多变量统计时，需要有一定的先验知识，并进行多维概率密度函数的计算，这是一种局限性。此外，它还有一个缺陷，那就是它只能对两种假设进行回溯，当数据多变量时，它的复杂性会大幅增加，所以，在能够获得需要信息资料的情况下就可以使用该方法，但一般在信息融合的时候使用该方法就比较少。贝叶斯推理技术在一定程度上克服了传统推理中的难点，但是其不足之处在于要确定先验似然函数，是一件非常困难的事情。当多个可能的假定或多个与情况有关的事件发生时，就会变得非常复杂，需要对立的假设互相不相容。一般在实际利用的时候该方法很少使用，而D-S证据理论是对贝叶斯理论的逐渐拓展，为其应用提供重要条件，能够有效解决基于人的推理模型不确定性分布问题。在多证据情况下，利用概率区间与不确定区间来确定假定的似然函数，并可求出任意假定为真实情况下的似然函数值，所以实际情况下有很大的推广价值。

2）基于信息论的融合技术。其存在的部分主要为模板法、聚类分析以及神经网络，这些技术在自然和对象方面都存在一些共性特征。聚类分析是一种综合的方法，其本质上不采用统计学原理，而采用一套已知的生物科学和社会科学中的启发式算法，将其分成若干自然组或集合，然后将其与预期对象的类型关联起来。模板方法是将观察到的资料与已知的模板进行比对，以判断观察资料是否能支持由模板所描述的假定。利用神经网络输入向量能实现非线性变换，通过向量的输出也能达到神经网络数据的有效分类。因此，可以使用人工神经网络对多个传感器的数据进行综合描述。虽然该方法在实际应用期间与聚类分析方法比较相同，如果在有噪声的情况下，该方法的作用更显

著[1]。

3）基于认识模型的信息融合。该技术在实际应用期间，主要是在模拟期间利用多种传感器形成识别过程，如：逻辑模板法、基于知识或专家系统等。可以通过专家系统或知识库系统进行更高层次的推理，然而，专家系统的特点是依靠主干知识的表达，因此它具有很大的灵活性，可以通过数字、符号和推理等特点来表达，所以，要对信息融合专家系统进行设计，但期间也比较困难。模糊集理论是一种全新的技术，目前已有许多商业软件支持模糊推理，但是它的价值以及应用于信息融合的模糊逻辑还有待进一步的探索。模糊集理论已经在国外开始研究，重点分析不确定事件。逻辑模板方法在实际应用过程中，是基于逻辑的识别技术产生的，随着广泛应用，多个传感器信息融合、单个信息特征分析都将发挥重要作用。

3 多信息融合概述

多信息融合的基本原理，也就是所谓的数据融合，就是按照特定的融合规则，模仿人类对信息的加工，从而对信息进行空间和时间上的补充。在确保数据一致性的前提下，充分发挥多元化的优点，以获取有价值的决策信息，加强结果的准确性。在对多信息融合方法实施验证期间，基于信息论，假设μ={μ，μ，…，μ｝为发动机工作条件设置，P＝p{μ=μ｝代表发动机的操作条件的可能性。熵J是发动机工作条件下的不确定状态μ，主要的表达公式（1）如下。

假定诊断信息集合由t∈{t，t，…，t｝表示，且已知t=t，因此，可以按照发动机工作状态来计算条件熵，见公式（2）以及平均条件熵公式（3）。

经分析发现，在发动情况下，数值还是大于或等于条件熵J，当确定好发动机诊断信息t后，也能有效提升工作状态的不确定性。

4 硬件选择

4.1 振动器选择

1）压电片谐振式。用压电片接收振动信号，它具有更高的共振频率，通过增加压电振子的质量，达到减小共振频率的目的，采用弹性球形作为辅助材料，以减小共振频率，提高振动效果。

2）机械振动式。常规的振动探测方法，在振动发生后，弹簧球会在很长一段时间内产生减振，从而容易被探测回路探测。为了对输出端的阻抗进行分析，要基于阻抗值的确定转换为高阻抗。

3）微型振动传感器。该传感器在实际应用期间，主要是利用机械振动传感器完成的，加强对振动件的碳化和密封，以保证整个工作的性能和可靠性逐渐增强。该输出切换信号直接与TTL或MCU的输入线路相连，具有很好的结构。其获取的输出阻抗更高、其中的静电流也比较低。

4.2 正确选择温度传感器

根据对温度传感器特点的分析，使用热敏电阻温度传感器，能获得更高的灵敏度，且温度系数较大，能快速反应，在汽车中的应用十分广泛。对于热电偶式温度传感器，对很小的温差能有效测量，且对温度的测量范围广泛，其中的温度可以达到1800℃。但是，需要注意到要保证一定的冷端温度，所以应用到汽车中比较少。

4.3 气体传感器

1）氧气传感器。在汽车上的使用，一般主要为氧化锆氧传感器、氧化钛氧传感器。中国实际应用期间，大多数的汽油发动机电子控制系统中，只安装了一个氧气传感器，基于三元催化转换器都能在上游、排气管中实现。

2）一氧化碳传感器。目前已有工业应用水平的CO传感器有三大类：MOS型、电化学固体电解质型和电化学固体聚合物型。例如：催化剂燃烧型、场效应晶体管型等，在临床上的应用少。

5 发动机故障诊断模型

多信息融合技术的使用，是按照数据处理方面构建发动机故障诊断模型，并在该模型的应用条件下，予以数据融合层、特征融合层和决策融合层的划分。根据故障来源的多层次分析，依据特征分类的思路、设计决策、数据融合、特征融合等多个层面进行信息处理。

5.1 数据融合层模型

从实际上看，在对发动机故障实际诊断的时候，能按照运行的参数对其识别和分类。数据融合型存在的故障类型比较多，一般使用物理模型诊断还比较复杂，所以适合使用BP神经网络，经BP神经网的应用，能达到信号的有效传播，也能对系统故障详细判断。BP神经网在进行识别、分类中获得的储存量更大，所以，要为其构建一种多输入多输出模型，保证在期间进行更为准确地学习。

神经网络的组成部分为输入层、隐藏层和输出层。其中的输入与输出结构比较简单、单一，要分析节点数目，需要对应用的特点详细分析；关于隐藏层的层数，很多学者从理论上进行了分析，结果表明：只要隐含节点数目足够，单隐层结构就能使非线性函数近似变得简单。

BP神经网络在学习中，主要传输为前向传播和误差反向。在正向传输阶段，将输入层的采样资料传送至隐藏层进行运算，然后由BP网络在输出层得到计算的结果；如果发现网络计算结果数据信息和希望的结果差异较大，也不符合一定的设计标准，BP网络就会在下一个步骤完成工作，不会给网络培训计划造成很大影响。

5.2 特征融合层模型

在特征融合层面上，首先要对采集到的信息进行多维地提取和压缩。接着，把这些数据作为一个输入，以进行更高层次的故障诊断，特征融合层算法也称为SVM，与神经网络相似。SVM采用了与故障模式相对应的特征数据，而不要求诊断规则提供更少的数据，但是具有更多的特征大小。

SVM理论假定存在一个样本集 {（t，f），（t，f），…，（t，f）}t∈R，f∈{-1，1}，其中，1为 样 本 数，D为样本数 的 特征，f为样本模式。假设只存在两个属性值：超平面J（ωt+b=0，f=1），超平面的平行平面J，J，ωt+b=0，f=1，而超平面J，ωt+b=0，f=-1。

5.3 决策融合层模型

从数据层面和特征层得到的诊断结果是不可靠的，这就导致了一些故障需诊断。经过数据融合层、特征融合层诊断结果的分析，保证诊断准确性和可靠性的提升，也能给决策融合层提供重要条件。在该条件下，需要按照D-S证据的决策融合算法来实现。

D-S证据理论是基于证据可信度m（A），详细分析，通过总体判断能获得有效结果。增强其可靠性，就是对已有命题A的信赖程度。也就是说，通过计算，分析对象具备的客观性、个人主观性等，都能将其放入到适合的框架范围内，如μ，是问题的每一种可能的答案，其中的内容是相互制约的，能予以该框架的详细识别。将m：2μ→[0，1]设定为在识别架构中的基础可靠度分布。在D-S证据理论中，用区间来表达任意假定的支撑，这个区间的下限叫做置信度函数，其定义见公式（4）。

6 诊断技术试验

利用故障模拟器对传感器的偏置故障和漂移故障进行模拟，其中包括：传感器信号的正常、偏压、下偏、延时以及信号的电压损失。表1中列出了详细的模拟实验方案。VCI是车辆的连接接口，它能在CAN和PC间进行数据的传送。

表1 模拟实验方案

通过对不同样本量的网络故障诊断结果进行对比分析，发现当检测和训练样本的比例是一样时，样本数目越多，故障诊断的精度就越高。然而，附加代价就是要求测试流程具备大量的培训时间，具备不同样本量的BP神经网络的故障诊断结果，如表2所示，其中序号为二进制编码。

表2 实验结果

精度计算见公式（5）：

式中：A——诊断结果的精确度；N——测试样品的正确识别数目；N——全部测试样品的数目。

在建模过程中，特征层诊断需从模型中抽取出特征向量。传感器的试验资料是从CAN总线中采集的，取样频率是固定的，没有频率分量。因此，时域法适合特征的提取，特征向量参数可以按照维度进行归类，维度参数的对差是敏感的，无量纲参数的对方差则不敏感。将上述优势与数据相关性的特点相结合，选取了7个参数视为特征向量，其中包含了维数参数和无量纲参数。

实验证明，分类精度达到85%，测试验证的时间达到了0.00907s，与数据融合、特征融合技术相比较，具有较快的诊断速度和较高的准确率。

7 结束语

综上所述，当前汽车故障诊断离不开故障模型的分析，相关人员要了解信息融合技术的原理，进而提高诊断效率，实现多信息融合。在维修过程中，选择符合实际需求的硬件设备，合理利用故障分析模型，提高诊断效率，在经验积累中实现技术突破。