汽车故障诊断方法的研究

汽车故障诊断方法的研究 随着新材料、新技术、新工艺在汽车生产、制造中的不断运用,现代汽车的技术性能越来越好。但在其结构越来越复杂的同时,故障诊断难度也越来越大,传统的诊断方法和诊断汽车无论是其精度和使用方便性,还是对汽车技术发展的适应性均不能满足用户的需要。为了提高故障诊断技术,需不断完善诊断理论和方法,必须广泛应用各学科的最新成果,借助数学工具和计算机,发展适用于诊断的边缘技术。因此,汽车故障诊断技术得到迅猛发展,已成为当今科技研究的热点之一。 1 汽车故障诊断技术经历的发展时期: 1.1 人工离线监测与诊断 这一时期主要是有经验的汽车故障诊断人员或工程维修人员利用常规检测仪或较复杂的分析仪器对汽车进行人工巡检，根据自己的经验对汽车的状态以及发展趋势做出判断。例如维修工通过敲打车轮发出的声音来判断车轮是否有故障。这种监测方式只能对汽车做出简单的判断。这种监测方式下，监测仪器仅仅是作为辅助工具，监测人员的经验和责任心对诊断结果的准确性影响很大。 1.2 单机集中在线监测诊断 这种诊断技术是以一台计算机作为中心，并配备有信号分析处理、工况监测、故障诊断模块。汽车的所有监测情况，如传感器信息等等，都传送到这台计算机，并由此机分析诊断。 1.3 基于局域网的远程故障诊断 它是分布式监测诊断系统的一种新的形势，并由单纯的监测诊断功能向监测、诊断、管理和调度的集成化发展。监测诊断以直接服务于汽车的维修为目标。这种系统需要建设企业主干网、分支城域网、现场总线集散技术、资料高速公路、现场仪表、通讯系统等。 1.4 基于Internet的远程诊断 汽车的远程监控与诊断是计算机科学、通讯技术与故障诊断技术的结合。随着Internet技术，特别是Web技术的迅速发展，使得基于Internet的远程应用系统的实现成为可能。将故障诊断系统架构于Internet计算环境中，与传统故障诊断系统相比，可大大增强诊断系统的能力。这是一种现代化故障诊断技术与现代网络相结合的一种新型诊断技术。 2 汽车故障诊断技术 2.1汽车故障诊断技术的基本原理 汽车故障诊断技术的实质是了解和掌握汽车在运行过程中的状态，评价、预测汽车的可靠性，早期发现故障，并对其原因、部位、危险程度进行识别，预报故障的发展趋势，并对具体情况做出决策。故障诊断技术通常包括状态监测、分析诊断和故障预测三个方面的内容。 取信号测信号设备运行特征信号信号处理征兆故障诊断 决策 图一 故障诊断的基本过程 其具体实施过程可以归纳为以下四个方面: a)信号采集根据发动机在运行过程中产生的各种不同的信息，选择能表征汽车工作状态的不同信号，如振动、压力、温度等来进行监测。这些信号一般都是利用不同的传感器来拾取的。 b)信号处理这是将采集到的信号进行分类处理、加工，获得能表征汽车特征的过程，也叫特征提取过程，如对振动信号从时域变换到频域进行频谱分析即是信号处理。 c)状态识别将经过信号处理后获得的汽车特征参数与规定的允许参数或者判别参数进行比较、对比以确定汽车所处的状态，是否存在故障及故障的类型和性质等。 d)诊断决策根据对汽车状态的判断，决定应采取的对策和措施，同时根据当前信号预测汽车状态可能发展的趋势，进行趋势分析。 2.2 汽车故障诊断技术研究内容 在汽车故障诊断过程中，故障诊断技术起到关键作用，汽车故障诊断技术主要包括机理研究、信息处理技术、故障识别技术、人工智能系统研究等几个方面。 2.2.1 故障机理研究 故障机理研究的目的是了解故障形成的机理和过程，认识故障形成的本质和特征，确定故障的类别和严重级别，分析故障的传播途径，从而有针对行的进行故障诊断，可以在设计阶段很好的控制故障，减少故障的发生率。 2.2.2 信息处理技术 信息处理技术在故障诊断中起着重要的作用，它检测系统的原始信号并进行处理，为故障检测提供了前提和条件。在故障诊断领域中，信息的处理和特征提取技术是在一般意义的信号处理技术上展开的。 2.2.3故障识别技术 故障识别技术总的来说可以分为基于模型的故障诊断方法和基于规则的故障诊断方法。 基于模型的故障诊断方法中，常利用系统数学模型诊断法和系统故障过程模型诊断法等。早期的故障诊断是用系统中的参数是否超过限定值来判断，而利用数学模型的方法是把 故障定义为实际过程相对理想模型的变化，利用数学模型可以提高故障诊断的速度和精度。对于复杂的系统，要精确的建立其数学模型难度较大，可以通过建立系统的故障过程模型。 基于系统故障过程模型的诊断方法常用的有故障树分析法和图论法。 对于无法建立数学模型或故障过程模型的复杂系统，可采用基于规则的故障诊断方法。基于规则的故障诊断最常用的是模式识别，它将系统的状态分成不同模式类，采集故障信号提取和选择特征，且构造辨别函数，进行模式识别。 2.2.4人工智能系统 人工智能系统主要是用计算机来研究模拟人的智能，使其具有学习、推理等能力。专家系统是人工智能的一个分支，它用计算机程序和知识与推理过程来解决那些需要大量专家才能解决的复杂问题。人工智能故障诊断技术是目前汽车故障诊断的发展方向。 智能化诊断技术试图以计算机模拟专家对复杂系统进行故障诊断，做到既能充分发挥领域专家的作用进行快速推理，又能很方便地推广应用于各种不同的对象。它的优越性在于综合多个专家的最佳经验，其功能水平可以达到甚至超过专家，至少具有专家的水平。智能诊断系统既离不开模拟人脑功能的计算机硬件及软件，又不排斥人的作用，是集传统诊断方法优点和专家经验于一体，实现人机联合诊断功能。现有的基于人工智能的汽车故障诊断方法主要包括专家系统方法、神经元网络方法、模糊推理方法、遗传算法故障诊断方法等。 专家系统故障诊断法，是指计算机在诊断过程中不断采集被诊断对象的信息，并综合运用知识库中的经验规则进行推理，从而快速地找到系统可能的故障。专家系统的故障诊断方法由诊断知识库、汽车参数库、征兆事实库、推理机、解释程序、故障对策程序、知识获取模块、人机接口模块等组成。 神经元网络故障诊断方法。人工神经网络由于具备并行性、自学习性、自组织性、容错性和联想记忆功能等信息处理特点而广泛应用于机械故障诊断领域，它通过对故障实例及诊断经验的训练和学习用分布在神经网络中的连接权值来表达所学习的故障诊断知识，具有对故障联想记忆、模糊匹配和相似归纳等能力。神经网络故障诊断方法的内容一般包含:神经网络诊断知识库的建立、神经网络的诊断推理和神经网络的自学习过程。 模糊数学故障诊断方法。模糊故障诊断是通过研究故障与征兆之间的模糊关系来判断汽车运行状态。 遗传算法故障诊断方法。遗传算法(GA)模拟了达尔文的“适者生存，优胜劣汰”的自然进化论与孟德尔的遗传变异理论，是一种自适应全局优化概率搜索算法。本文引入了概率因果故障诊断模型，并结合模糊理论，将概率因果模型的似然值函数作为遗传算法的适应度函数，将一个复杂的故障诊断问题转化为最优问题求解。 2.3 几种常用的汽车故障诊断方法的介绍 2.3.1 案例法 传统的故障诊断中大部分是RBR(rule based reasoning,基于规则推理)、MBR(model based reasoning,模式推理)的专家系统技术的研究。由于这些传统的专家系统是基于模型化驱动的(基于模型的诊断方法使用诊断对象的结构、行为和功能模型等深知识进行诊断推理),在模型的构建、信息的获取、信息的处理方面存在严重不足,有一些难以克服的缺点,如系统领域知识的规则提取困难;规则库、模式库的创建和管理复杂艰巨;推理过程中规则与模式难以准确选取等。 整个汽车故障诊断系统主要由知识库、故障案例库、征兆数据库和推理系统构成。其中主要部分的内容和功能描述如下: a)知识库。问题求解的知识、经验的集合,主要由专家提供,包括汽车故障的分类信息及不同种类故障需要的各种关键特征属性及其权值,并以此构建故障案例库和征兆数据库。 b)故障案例库。由用户根据汽车故障日志和维修日志等历史数据填写的关于汽车故障的各种信息,是存储案例和产生新案例的仓库,为新问题的解决提供参考依据。 c)征兆数据库。汽车发生故障时经过数据采集的故障征兆数据信息,是指故障发生的潜在特征,即故障发生时汽车运行状态发生的变化,通常是故障发生时以汽车运行状态参数表示的特征属性。 d)推理系统。整个系统的核心,由案例检索、匹配,案例调整、学习组成。它决定了诊断效率的高低以及对知识处理的高低,实现从已有的案例集中找到与当前故障问题最为相似的案例,并提供相应的解决(即故障维修方案)。同时不断获取新知识和改进旧知识,生成新的维修方案,并按一定的存储策略添加到案例库中。这样,通过不断地学习新案例和修改案例库中的旧案例,使案例库得到扩充和完善。 2.3.2 故障树分析法 故障树分析法—FTA(Fault Tree Analysis)是一种将系统故障形成原因按树枝状逐级细化的图形演绎方法，是60年代发展起来的用于大系统可靠性、安全性分析和风险评价的一种方法。它通过对可能造成系统故障的各种因素(包括硬件、软件、环境、人为因素等)进行分析，画出逻辑框图(即故障树)，再对系统中发生的故障事件，作由总体至部分按树枝状逐级细化的分析，并对系统在方案与初步设计阶段进行可靠性、安全性分析，常用于系统的故障分析、预测和诊断，找出系统的薄弱环节，以便在设计、制造和使用中采取相应的改进措施。 基于故障树的诊断,采用面向对象的基于故障树的框架和广义规则的混合知识表示,把整个故障树当作一个对象,把故障树上所有子、父结点间形成的广义规则封装在一个独立的框架内,如某故障树上有结点异常,则启动与该故障树对应的框架,诊断时只把该框架内的广义规则调入内存,提高了诊断速度.此外,该方法还可诊断多故障,因为在推理过程中采用反向遍历搜索,可找出所有故障及可能故障的部件.对可能故障的部件,按照其与顶事件形成的通路的权值的大小进行排序,权值最大的元素其优先级最高,有利于诊断信息不足条件下的对故障源的最优搜索,为故障预测和快速维修指明方向. 2.3.3 专家系统 专家系统是一种基于特定领域内大量知识与经验的智能程序系统，应用人工智能技术模拟人类专家求解问题的思维过程解决领域内的各种问题，是人工智能的一个重要分支。 用于故障诊断的专家系统的基本结构主要包括以下几个组成部分，诊断知识库(Knowledge Base，简称KB):用于存放领域专家的各种与汽车有关的知识，包括汽车征兆、控制知识、经验知识、对策知识等。这些知识是由知识工程师和领域专家合作获取到的，并通过知识获取模块按一定的知识表示形式存入诊断知识库中。诊断知识库是汽车故障诊断专家系统的核心。 a)汽车参数库:存放与诊断汽车有关的结构和功能参数及汽车过去运行情况的背景信息。 b)征兆事实库:存放系统推理过程中需要和产生的所有征兆事实，征兆事实是故障诊断的主要依据。 c)推理机(Inference Engine):负责利用诊断知识库中的知识进行推理诊断，从而给出诊断结果。 d)解释程序:负责回答用户提出的各种问题，它是实现专家系统透明性的关键部分。 e)故障对策程序:能针对推理机给出的诊断结果向用户提供解决故障的对策。 f)知识获取模块:对知识库进行管理和维护，其中包括知识的输入、修改、删除和查询等。 传感器信号领域专家 g)人机接口模块:用于用户、领域专家或知识工程师与诊断系统的交互作用。其负责把用户输入的信息转换为系统能够处理的内部表现形式。系统输出的内部信息也由人机接口负责转换成用户易于理解的外部表示形式。 征兆获取知识获取 征兆获取征兆事实库诊断知识库工作存储器 工作存储器推理机 人机接口解释程序获取 用户 图二 故障诊断的专家系统的基本结构 故障诊断专家系统的知识是由事实和启发性知识构成。知识是专家系统的核心。专家系统的性能取决于它所拥有的知识的数量和质量。知识的获取、表示和利用是专家系统的三个基本问题，其中知识的表示处于中心地位，是专家系统中最基本的一个问题。因为，一方面获取的知识必须表示成某种形式，才能把知识记录下来;另一方面只有以合理的形式将知识表示出来，才能利用知识进行问题求解。而且知识表示方法的优劣直接影响到系统的知识获取能力和知识利用率。 3 结语 近年来,汽车智能故障诊断技术有了很大发展,但国内外研究现状表明该技术还不成熟,值得进一步研究。未来的研究工作应围绕以下方面展开: 1)建立通用的分布式诊断分析、数据测试、共享软件等一系列标准。 2)数据仓库技术和数据挖掘技术。 3)基于虚拟专用网络的智能故障诊断技术。 4)嵌入式诊断技术。 5)数据的压缩与解压缩技术、数据库设计与实现技术。 6)智能支持与决策系统。 7)基于人工免疫原理的故障诊断与维护技术。 8)不同车型故障的共性、诊断对象的封装、诊断任务的分解以及智能分配。 参考文献 [1] 严军，倪志伟，王宏宇，韩丹。 案例推理在汽车故障诊断中的应用。 计算机应用研究。 2009.10。 [2] 刘文霞，孙风英，纪峻岭。专家系统故障诊断法及其在汽车故障诊断中应用。交通科技与经济。2001.3 [3] 侯军兴,卢士亮,赵大旭,赵东辉。汽车故障诊断技术的现状与发展趋势。公路与汽运。2006.2 [4] 程萌。汽车故障诊断的智能化方法研究 沈阳航空工业学院硕士论文，2008