基于历史故障库的汽车电子系统故障诊断方法

董杰，李杨，李研强，李小伟，王知学

(山东省科学院自动化所，山东省汽车电子技术重点实验室，山东 济南 250014)

近年来，随着汽车电子技术的迅猛发展，汽车各个系统的电子化程度越来越高，汽车故障检修也更加复杂。各汽车厂家都纷纷开发了功能强大的专用诊断仪，DTC(故障码)和车载快摄数据，可以很直观地检测到汽车故障。但是由于厂家设置的DTC 非常有限，比如2003 款雅阁2.4L 发动机的DTC 覆盖率不足37%;而且对于已有的DTC，有时候故障代码与实际故障相差甚远。没有诊断码的故障需要借助专用诊断仪、万用表、气缸压力表等等，从诊断仪获取的数据流对于诊断具有非常重要的作用。数据流的分析方法有数值分析法、时间分析法、因果分析法、关联分析法和比较分析法等，这些分析方法数据量大、工作繁杂，加上缺乏具备良好专业知识和经验技能的维修人员，导致数据流无法得到充分的利用和积累［1］。

本文提出了一种基于历史故障库的故障诊断方法，通过收集异常数据流，应用决策树进行训练并建立历史故障库，从而为故障诊断提供依据。这种诊断模式的优点是可以通过故障诊断实例的不断积累来充实历史故障库，完善后的历史故障库对于未来可能出现的故障提供了诊断依据。

1 故障诊断建模概述

故障诊断建模是个复杂的过程，我们把被诊断的对象抽象成一个系统，包括硬件和软件，同时它与外部环境进行信息交互［2］。外部环境包括人为因素、环境因素。本文以汽车电控单元故障诊断为例，外部环境故障的原因包括人为因素、电磁干扰因素、使用环境因素等;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。本文的故障诊断建模步骤如图1 所示。

图1 诊断系统建模思路Fig.1 Modeling idea of fault diagnosis system

(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;

(2)在上一步工作的基础上进行系统建模，即用数学模型、逻辑模型描述输入输出关系;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;

(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，反复完善直至达到满意结果;

(4)在定量分析的基础上，重新审视先前模型框架的建立和边界界定，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并确定结果，得出建模结论。

2 电控节气门控制系统的故障诊断建模方法

2.1 电控节气门控制系统

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。发动机控制模块(ECM)根据接收到的数据准确控制节气门的开度以及燃油喷射、点火和排放等。发动机根据通过节气门进入空气的多少来控制车速、动力以及燃油供给，保持空气混油比以达到最佳比率［3］。图2 为简化了的电控节气门系统结构框架图。

图2 电控节气门控制系统Fig.2 Control system of electrical throttle

2.2 故障诊断方法建模与流程

电控节气门具体诊断步骤如下［4］:

(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、发动机控制器等;

(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，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。将生成的故障征兆向量输入到历史故障库中进行匹配以便找到故障原因;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。随着用例的不断积累，历史故障库将更加完善，为未来的诊断提供依据。图3 为故障诊断流程图。

图3 故障诊断流程图Fig.3 Flowchart of fault diagnosis

2.2.1 数据预处理

对电控节气门控制系统中可能出现故障的部件，由专家根据专业经验知识将每个可能出现的故障征兆分别进行编码，见表1。

表1 故障征兆编码表Table 1 Fault symptom coding table

历史故障库主要用来存储故障征兆和故障原因对应集，由于该故障库初始是由专家经验知识设定的初始集，存在精度低、考虑不完全等因素;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 与故障原因集U 对应关系的示例表。

故障产生时，必然出现异动数据流，通过对异常数据流的提取转化，方能生成故障向量。故障征兆向量的生成根据故障的部位、征兆，然后按照表2 中规定的格式转化。

表2 故障征兆矩阵表Table 2 Matrix table of fault symptom

2.2.2 决策树C4.5 算法及其剪枝

当前最有影响的决策树算法是Quinlan 于1986年提出的ID3 和C4.5［5］。ID3 选择信息增益最大的属性划分训练样本，其目的是使分支时系统的熵最小，从而提高算法的运算速度和精确度。主要缺陷是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。本文采用C4.5 的算法，计算步骤如下:

(1)计算集合S 的期望信息:设集合S 是s 个样本的集合，s1，s2，…，sm是E 的m 个例子集，期望信息由式(1)给出:

(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Sj中属于类别Ci的样本数目为sji子集的熵为式(2):

(3)计算属性A 为结点的信息增益Gain(A):

(4)计算属性A 将集合S 划分为子集的信息增益比:

SplitInfo(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［6］。本文采用后剪枝方法避免树的高度无节制增长和过度拟合数据，使用训练样本集自身确定是否真正剪枝，公式如下:

其中N 是实例数量，f=E/N 为误差率(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 默认值为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，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试属性，根据上述方法计算，得出故障诊断树如图4 所示，最终形成分类规则见表3。

图4 故障诊断决策树Fig.4 Decision tree of fault diagnosis

表3 故障诊断分类规则实例Table 3 Case of fault diagnosis class rule

3 结论

利用该方法对某车型的电子节气门系统故障进行了诊断，通过故障模式匹配，确定了故障原因并成功排除了故障。测试结果表明，该诊断方法具有一定的可靠性和准确性。

［1］亚迪.数据分析在汽车故障诊断中的应用［M］.北京:机械工业出版社，2009:2 -4.

［2］钱学森，于景元，戴汝为.一个科学新领域——开放的复杂巨系统及其方法论［J］.自然杂志，1990，13(1):3 -10.

［3］KIRSCH M T.Technical support to the national highway traffic safety administration on the reported toyota motor corporation unintended acceleration investigation［M］.Darby，PA，USA:Diane Publishing Co.2011.

［4］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(3):714 -716.

［5］QUINLAN J R.C4.5:Programs for Machine Learning［M］.San Mateo，California:Morgan Kaufmann Publishers，1993.

［6］欧阳辉，禄乐滨，钱建立.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.