CN102521613A - 一种汽车电子系统的故障诊断方法 - Google Patents

Abstract

本发明公开了一种汽车电子系统故障诊断方法，该系统通过监测汽车总线上的异常数据流并提取记录，根据异常数据流，按照数据预处理法则将其转换成故障征兆向量，转换成的故障征兆向量可作为历史故障库模式识别的输入，其中历史故障库是由故障征兆向量和故障原因对应集组成，没有匹配成功的故障征兆向量作为训练样本通过决策树算法得到故障征兆故障原因对应集，并且存入历史故障库，历史故障库存储的故障征兆故障原因对应集不断积累完善，通过统计算法可以预测未来的故障概率。由于故障诊断模型结合定性与定量的方法，将专家经验与数据、算法模型有机结合起来，使故障诊断具有快速性、准确性和可靠性。

Description

一种汽车电子系统的故障诊断方法

技术领域

本发明涉及一种汽车复杂电控系统的诊断建模方法，尤其涉及一种汽车电子系统的故障诊断方法。

背景技术

由于汽车电子技术发展迅猛，汽车各个系统的电子化程度越来越高，相应的汽车电子故障检修也越来越复杂。汽车整车电控系统就是一个复杂系统。复杂系统普遍存在，包括自然的系统和人造的系统；以人造系统为例，复杂系统本身由数十种、数百种甚至数以千计的子系统、器件构成，它们本身就十分复杂，作为组成，子系统和部件之间的相互联系和作用也比较复杂，同时与外界也进行交互联系，因而称为复杂系统。为了应对日益复杂的汽车电子故障诊断，不同的车厂不断研发功能更强大的诊断仪来应对汽车故障诊断，然而诊断仪对诊断带有故障码的信息有效，而对于没有故障码的故障现象无能为力。然而，通常故障码在整车电器故障中的比例不超过37％，其他的故障现象出现时通常借助于万用表、汽车压力表、专用诊断仪等等，非常繁琐，对检测人员的专业要求也非常高；另外，故障诊断过程中没有充分利用数据流，更没有积累下宝贵的诊断经验。

针对当前存在的弱点，如何快速、低成本、准确地诊断出故障系统的故障原因，是本领域技术人员需要解决的技术问题。

发明内容

本发明的目的就是为了解决上述问题，提供一种汽车电子系统的故障诊断方法，它能够提高故障诊断的准确性，缩短故障诊断的时间，并且可以预测未来的故障概率。

本发明提供一种汽车电子系统的故障诊断方法，该方法的诊断步骤如下：

步骤1：监测汽车总线上的异常数据流并对数据流信息进行分组与排查；

步骤2：对获取到的异动数据流利用数据预处理法则进行故障预处理，预处理的目标是提取有效信息，转化为故障征兆向量f_s，作为历史故障库输入匹配故障模式的依据；

步骤3：将所述故障征兆向量f_s输入到历史故障库进行故障模式匹配，如果能搜索到故障征兆向量f_s，则说明匹配成功；

步骤4：匹配成功的故障征兆向量，匹配对应故障原因集找出故障；没有匹配成功的故障征兆向量作为训练样本，通过决策树算法得到故障征兆故障原因对应集，并且存入历史故障库；

步骤5：历史故障库存储的故障征兆故障原因对应集不断积累完善，在历史故障库的基础上分析各类故障类型及计算其故障率，利用故障率预测系统未来的发生故障的概率。

所述步骤2中，所述数据预处理法则，是根据故障诊断对象的故障征兆向量与故障原因向量之间的对应关系，按照历史故障库故障征兆向量存储的形式进行编码。

所述步骤2-5中所述历史故障库是由故障征兆向量和故障原因对应集组成。

所述步骤4中决策树算法的决策过程如下：

a)设未匹配成功的故障征兆向量组成的训练样本集合为S，计算集合S的期望信息：设s₁，s₂，…，s_m是S的m个例子集，期望信息由式(1)得出：

$I(s_1,\·\·\·,s_m)=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\frac{s_i}{s}\·{\log }_2\frac{s_i}{s}---\left(1\right)$

其中，s_i表示训练样本集合S的第i个子集，i＝1，2，...，m；

b)计算属性A将集合S划分为子集的熵E(A)；

c)计算属性A为结点的信息增益Gain(A)

Gain(A)＝I(s₁，s₂，…，s_m)-E(A)    (2)

d)计算属性A将集合S划分为子集的信息增益比，通过计算将信息增益比最高的属性作为集合S的测试属性，用它来创建节点，对A属性的各个值或各个区间创建分支，如此来划分样本，完成决策树决策。

在本发明中，提出的故障诊断依据是在系统建模的基础上采用定性与定量相结合的方式。因为系统建模的过程实际是指将真实系统的构造、性能、输入输出用数学逻辑关系描述并且无限拟合，建模需要经验知识也就是对真实系统的定性认识；然后，根据历史数据、计算机模拟仿真方法不断修正改进模型，直到模型运行达到最优化，此为定量认识。本发明中提出的故障诊断方法适用汽车复杂电控系统，电控系统包括硬件、软件，同时它与外部环境进行信息交互，外部环境故障的原因包括人为因素、电磁干扰因素、实用环境因素等；内部故障原因包括硬件故障、软件故障或者机械故障等。系统包括信息流的输入，输出；输入的信息流包括传感器采集数据、人机接口信息等，输出的信息流包括执行器指令和故障信息等。

根据汽车复杂电控系统特点，本发明提出的故障诊断建模框架是领域专家根据理论知识和经验，明确系统运行机制和故障原因，确定系统诊断框架，界定边界和参数变量；在此基础上用数学模型、逻辑模型描述输入输出关系，并且对建立的模型进行仿真验证，不断优化模型，调整先前设定的参数变量和边界变量，重复多次直到各方面满足要求的确定结果。

在本发明中，故障诊断算法采用公知的Quinlan于1986年提出C4.5决策树算法训练测试样本集，通过采用信息增益比作为选择属性的标准，计算得出故障征兆与故障原因对应关系集。本发明中提出了基于历史故障库的故障预测，其原理是统计计算历史故障库中各故障类型及其故障率，利用故障率预测未来发生故障的概率。

本发明的有益效果是：系统能从繁冗复杂、海量高纬的数据中把握住内在规律，更加有效利用信息流，能够将诊断经验存储下来，根据历史故障库数据统计能对未来进行故障概率预测。故障诊断变得更快速、简便、低成本，诊断算法本身能够自学习、自适应，随着样本的增加令诊断更加准确、可靠。

附图说明

图1为本发明实施过程中系统故障诊断思路框架图；

图2为本发明实施例中系统故障诊断方法具体的流程图；

图3为电控节气门控制系统框架图；

图4为决策树图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1为介绍故障诊断建模的定性定量结合解决故障的一般思路，故障诊断方法包括以下步骤：

步骤1-1，根据所掌握的理论知识和经验研究诊断对象，明确其运行机制和故障原因，对问题解决得方法和途径作出经验性假设，确定系统框架，界定边界和参数变量；

步骤1-2，在上一步工作的基础上进行系统建模，即用数学、逻辑关系描述输入输出关系；在系统模型的基础上，对模型进行仿真试验，目的在于发现问题，优化模型，促进建模的可靠性和准确性；

步骤1-3，以历史数据为样本，根据仿真、优化的测试结果对先前设定的参数、边界参数进行相应调整和修改，并且反复这一过程；

步骤1-4，在定量分析的基础上，重新审视先前系统模型的建立和边界界定，进一步修正参数；上述过程可能重复多次，直到各方面满足要求确定结果；

步骤1-5，在上述过程的基础上，得到定性与定量结合的故障诊断模型。

图2为本发明实施例中系统故障诊断方法具体的流程图，故障诊断具体流程包括以下几个步骤：

步骤2-1，监测汽车总线(如CAN总线，Lin总线，或FlexRay总线等)上的异常数据流并对数据流信息进行分组与排查；数据流信息主要包括数值信息、控制信息和内容信息。判断数据流是否在正常范围内，是否稳定(数据流的正常范围、阈值在每一种产品的技术任务书内都明确规定)；是否发生异动是故障诊断的前提，故障发生时，异动的数据流是故障诊断的重要依据；

步骤2-2，对获取到的异动数据流进行故障预处理，预处理的目标是提取有效信息，转化为故障征兆向量f_s＝[0，0，…，0]，作为历史故障库输入匹配故障模式的依据；

步骤2-3，历史故障库是用来存储故障征兆与故障原因对应集[f_n，U_n]，f_n代表故障征兆，U_n代表故障原因。上一步骤生成的故障征兆向量输入到历史故障库中，如果能搜索到故障征兆向量f_s，则说明匹配成功；

步骤2-4，匹配成功的故障征兆向量，匹配对应故障原因集U_s，方便找出故障；

步骤2-5，匹配不成功的故障征兆向量，征兆向量作为训练样本，通过决策树算法生成征兆原因对应规则存储到故障库中，在用例的不断积累的条件下历史故障库将更加完善，能够为未来的诊断提供依据。

实例验证

本发明以电控节气门控制系统为例，介绍故障诊断方法的应用过程。电控节气门控制系统(ETCs)的功能为：通过ETCs，发动机控制单元能够以电子信号的方式，接收到驾驶者操作加速踏板行程的数据，根据这些数据计算车辆所需要的功率和扭矩，然后再根据计算功率和扭矩对节气门的开启和关闭进行控制。ETCs由加速踏板位置传感器、节气门位置传感器、节气门电机、节气门电机控制模块及其他相关传感器组成。ECM根据接收到数据准确控制节气门的开度，燃油喷射、点火和排放等。发动机根据通过节气门进入的空气多少来控制车速和动力以及燃油供给，保持空气混油比以达到最佳比率[1]。图3为简化了的电控节气门系统结构框架图。

故障诊断建模是诊断的核心，本发明提出的故障诊断建模方法是将异常的数据流经过数据预处理后，将生成的故障征兆向量输入到历史故障库中进行模式匹配，匹配成功的向量对应故障原因即可找到；如果没有匹配成功，故障征兆向量作为训练样本将作为诊断决策树的训练集，经过运算得到故障决策树并进行剪枝之后，形成诊断规则集；将其存入历史故障数据库。对于电控节气门具体诊断步骤如下[2]：

1)了解电控节气门工作原理，分析造成故障的原因：由节气门的系统结构可推断出可能的故障部件包括节气门位置传感器(TPS)、怠速传感器、油门踏板传感器、变速箱档位传感器、节气门电机、巡航控制子系统、发动机控制器(ECM)等；对电控节气门控制系统可能出现故障的部件，首先由专家根据领域经验知识将每个部件可能出现的故障征兆分别进行编码，如表1所示：

表1

2)数据流信息分组与排查：数据流信息主要包括数值信息、控制信息和其它信息。判断参数是否在合理范围内，是否稳定。是否发生异动是故障诊断的前提，故障发生时，异动的数据流是故障诊断的重要依据；

3)对获取到的异动数据流进行故障预处理，预处理的目标是提取有效信息，转化为故障征兆向量，作为搜索故障模式的输入数据；

4)历史故障库是故障诊断的核心构成，主要用来存储故障征兆、故障原因对应集。上一步骤生成的故障征兆向量输入到历史故障库中，能够匹配的向量方便找到故障原因；匹配不成功时，征兆向量作为测试数据，通过决策树算法生成征兆原因对应规则存储到故障库中，在用例的不断积累的条件下历史故障库将更加完善，能够为未来的诊断提供依据。

历史故障库主要用来存储故障征兆和故障原因对应集，由于历史故障库初始是由专家经验知识设定的初始集，存在精度低下、考虑不完全的因素；但是随着故障测试用例的不断积累，故障诊断的准确性将提高，因此历史故障库需要一个不断积累不断完善的过程，才能在诊断测试中增加准确性和可靠性。表2为故障征兆集f与故障原因U对应关系的示例表。U为故障原因集。

表2

故障产生时，必然出现异动数据流，通过异常数据流的提取转化，方能生成故障向量，故障征兆向量生成的方法需要根据故障部位、征兆，然后根据表2中规定的格式转化而来的。

当前最有影响的决策树算法是Quinlan于1986年提出的ID3和C4.5。ID3选择信息增益最大的属性划分训练样本，其目的是进行分支时系统的熵最小，从而提高算法的运算速度和精确度。主要缺陷用信息增益选择分支属性标准时，偏向取值较多的属性，而某些情况下，此类属性意义不大。C4.5是ID3算法的改进，采用了信息增益比作为选择属性的标准，弥补了ID3算法不足[3]。本发明采用C4.5的算法，计算步骤如下：

(1)计算集合S的期望信息：设s₁，s₂，…，s_m是E的m个例子集，期望信息由式(1)给出：

$I(s_1,\·\·\·,s_m)=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\frac{s_i}{s}\·{\log }_2\frac{s_i}{s}---\left(1\right)$

(2)计算属性A将集合S划分为子集的熵：设属性A具有k个不同值，且设子集s_j中属于类别C_i的样本数目为s_ji子集的熵为式(2)：

$E\left(A\right)=-\underset{i=1}{\overset{k}{\mathrm{\Σ}}}(s_{\mathrm{ij}}+\·\·\·+s_{\mathrm{mj}})/s\×I\left((s_{\mathrm{ij}}+\·\·\·+s_{\mathrm{mj}})\right)---\left(2\right)$

(3)计算属性A为结点的信息增益Gain(A)

Gain(A)＝I(s₁，s₂，…，s_m)-E(A)    (3)

(4)计算属性A将集合S划分为子集的信息增益比：

GainRation(A，S)＝Gain(A，S)/SplitInfo(A，S)    (4)

$\mathrm{SplitInfo}(A,S)=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\left(\right|S_j|/|S|\×{\log }_2|S_j|/|S\left|\right)---\left(5\right)$

Splitlnfo(S，A)代表按照属性A分裂样本集S的广度和均匀性。

通过计算将信息增益比最高的属性作为集合S的测试属性，用它来创建节点，对A属性的各个值或各个区间创建分支，如此来划分样本。

(5)剪枝：最常用的为预剪枝和后剪枝，其中后剪枝允许树过度拟合数据，然后对建好的树进行修剪；预剪枝方法由于很难精确估计何时停止树增长，因此后剪枝方法在实际问题中更适用[4]。本发明采用后剪枝方法避免树的高度无节制增长，避免过度拟合数据，使用训练样本集自身确定是否真正剪枝，公式如下：

$\mathrm{Pr}[\frac{f-q}{\sqrt{q(1-q)/N}}>z]=c---\left(6\right)$

其中N是实例数量，f＝E/N误差率(E为N个实例中分类错误的个数)，q为真实的误差率，c为置信度(C4.5默认值2.5)，z为对应于置信度c的标准差。

设当前训练样本的故障原因有14个，故障原因分别为：U1＝传感器对地或电源短路；U2＝传感器供电电压过低，导致位置数值错误；U3＝温度传感器数值偏离正常范围；U4＝错误感知导致采集数据错误；U5＝节气门开度读取错误，导致怠速计算错误；U6＝扭矩换算错误，U7＝位置传感器输出过高或过低，U8＝位置传感器输出值学习错误，U9＝非DTC覆盖故障，U10＝电机对电源或地短路，H桥失效等，U11＝方向盘上按键失效或者ECM输入电路失效，U12＝刹车开关失效，U13＝车速错误，U14＝看门狗动作或逻辑错误等。首先计算期望熵，选取GainRatio最大且同时获取的信息增益又不低于所有属性平均值的属性测微测试属性；根据上述方法计算，得出故障故障诊断树如图4所示，最终形成分类规则如下：

如果节气门开度增大且节气门传感器不在有效范围内产生，那么说明节气门传感器对地或电源短路；

如果节气门开度增大且踏板传感器不在有效范围内产生，那么说明位置传感器输出过高或过低；

如果节气门开度增大且巡航控制子系统开关对电源或地短路或开路，那么方向盘上按键失效或者ECM输入电路失效；

如果发动机水温过低且ECM故障检测到错误，那么看门狗动作或逻辑错误；

如果发动机水温过低且怠速传感器油门开度比正常数值范围小3°到5°，那么温度传感器数值偏离正常范围；

如果发动机水温过低且怠速传感器无DTC码，油门开度比正常数值范围小3°到5°，那么可能是节气门开度读取错误，导致怠速计算错误；

如果发动机水温过低且节气门电机瞬时小角度动作、检测到大电流产生，那么可能是电机对电源或地短路，H桥失效。

针对某车型的电子节气门系统故障进行诊断，故障现象为节气门开度在无其他操作的情况下突然增大，通过CANoe监测数据帧，显示异常数据来自踏板传感器，根据数据初始化原则，得到故障征兆向量f＝[0，0，0，0，0，0，1，…，0]，遍历历史故障集，故障模式匹配成功，故障原因为位置传感器输出过高或过低，通过更换位置传感器排除了上述症状。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

本发明的参考文献如下：

[1]Technical support to the national highway traffic safety administration on the reportedtoyota motor corporation unintended acceleration investigation.2011；

[2]李杨，李研强，王知学.基于数据挖掘的汽车ECU故障诊断方法[J].计算机应用研究，2011：714-716；

[3]Quinlan，J.R.C4.5：Programs for Machine Learning[M].Morgan Kaufmann Publishers，1993；

[4]欧阳辉，基于C4.5的论文元数据抽取算法研究[J].计算机工程与设计，2010(16)：3708-3711。

Claims (4)

1.一种汽车电子系统的故障诊断方法，其特征是，该方法的诊断步骤如下：

步骤1：监测汽车总线上的异常数据流并对数据流信息进行分组与排查；

步骤2：对获取到的异动数据流利用数据预处理法则进行故障预处理，预处理的目标是提取有效信息，转化为故障征兆向量f_s，作为历史故障库输入匹配故障模式的依据；

步骤3：将所述故障征兆向量f_s输入到历史故障库进行故障模式匹配，如果能搜索到故障征兆向量f_s，则说明匹配成功；

步骤4：匹配成功的故障征兆向量，匹配对应故障原因集找出故障；没有匹配成功的故障征兆向量作为训练样本，通过决策树算法得到故障征兆故障原因对应集，并且存入历史故障库；

步骤5：历史故障库存储的故障征兆故障原因对应集不断积累完善，在历史故障库的基础上分析各类故障类型及计算其故障率，利用故障率预测系统未来的发生故障的概率。

2.如权利要求1所述的一种汽车电子系统的故障诊断方法，其特征是，所述步骤2中，所述数据预处理法则，是根据故障诊断对象的故障征兆向量与故障原因向量之间的对应关系，按照历史故障库故障征兆向量存储的形式进行编码。

3.如权利要求1所述的一种汽车电子系统的故障诊断方法，其特征是，所述步骤2-5中所述历史故障库是由故障征兆向量和故障原因对应集组成。

4.如权利要求1所述的一种汽车电子系统的故障诊断方法，其特征是，所述步骤4中决策树算法的决策过程如下：

a)设未匹配成功的故障征兆向量组成的训练样本集合为S，计算集合S的期望信息：设s₁，s₂，…，s_m是S的m个例子集，期望信息由式(1)得出：

$I(s_1,\·\·\·,s_m)=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\frac{s_i}{s}\·{\log }_2\frac{s_i}{s}---\left(1\right)$

其中，s_i表示训练样本集合S的第i个子集，i＝1，2，...，m；

b)计算属性A将集合S划分为子集的熵E(A)；

c)计算属性A为结点的信息增益Gain(A)；

Gain(A)＝I(s₁，s₂，…，s_m)-E(A)    (2)

d)计算属性A将集合S划分为子集的信息增益比，通过计算将信息增益比最高的属性作为集合S的测试属性，用它来创建节点，对A属性的各个值或各个区间创建分支，如此来划分样本，完成决策树决策。

Images