汽车故障诊断专家系统技术研究

苏建成(安徽蚌埠汽车士官学校装备保障系,安徽蚌埠 233011)

汽车故障诊断专家系统技术研究

苏建成
(安徽蚌埠汽车士官学校装备保障系,安徽蚌埠 233011)

阐述汽车故障诊断专家系统模型的发展及应用成果，叙述了汽车故障诊断系统技术研究的发展趋势及需要解决和把握的关键问题等。

汽车；故障诊断；专家系统

0 引言

汽车故障诊断技术是现代工业化生产发展的产物，而其专家系统的研究始于20世纪70年代末，当时主要用于工程领域的故障诊断研究，汽车发动机的故障诊断成为早期专家系统的一个重要研究内容，也是人工智能的一个最具挑战性的问题。特别是现代汽车电控系统的不断增加，其故障诊断正向高难度复杂化方向发展。

国内在汽车故障诊断技术的研究方面虽然起步较晚，但专家系统方面的研究一直紧跟国外学术动态，对新理论、新方法和新趋势等方面的把握和研究及时，逐步取得了一些有价值的成果。

1 基于规则的诊断专家系统

第一代汽车故障诊断专家系统构筑在产生式规则的基础上。基于规则的诊断方法是根据以往专家诊断的经验，将其归纳成规则，通过启发式经验知识进行故障诊断，适合于具有丰富经验的专业领域故障诊断。基于规则的诊断具有知识表述直观、形式统一、易理解和解释方便等优点，诊断知识的获取依赖于领域专家。但复杂系统所观测到的症状与所对应诊断之间的联系相当复杂，通过归纳专家经验来获取规则，有相当难度，且一致性难以保证。

尽管基于规则的诊断专家系统获得初步成功，但存在知识获取困难、知识台阶窄以及控制策略不灵活等缺点。对大型规则库来说，容易产生规则匹配冲突等问题，其求解过程搜索空间大，速度慢，难以实现实时在线诊断要求。

2 基于实例的诊断专家系统

基于实例推理诊断是近年来人工智能领域兴起的—种诊断推理技术，是类比推理的一个独立子类，符合人类的认知心理。基于实例的诊断专家系统具有诸多优点，无须显式的领域知识；无须规则提取，降低知识获取难度；系统是开放体系，增量式学习，实例库的覆盖度随系统的不断使用而逐渐增加。基于实例的诊断适用于领域定理难以表示成规则形式，而易表示成实例的领域。

基于实例推理的关键是建立一个有效的检索机制与实例组织方式。实例匹配不仅要考虑表面特征的相似性，而且结构相似性和深层特征有时也具有同样不容忽视的作用。深层信息不仅能减小搜索空间，还可以增加匹配成功率。

基于实例的诊断方法难点还在于实例特征的选择、权重分配以及处理实例修订时的一致性检验问题等。

3 基于模糊理论的诊断专家系统

在汽车故障诊断中，存在界限不分明的模糊概念，如发动机温度“偏高”、轮胎磨损“较严重”等具有模糊性，运用模糊理论的诊断方法将更为有效。模糊诊断的实质是引入隶属函数概念，模糊逻辑以其较强的结构性知识表达能力，适合处理诊断中的不确定信息和不完整信息。

模糊故障诊断有两种基本方法，一种是先建立征兆与故障类别之间的因果关系矩阵，再建立故障与征兆的模糊关系方程，即F=S·R，这里F为模糊故障矢量；S为模糊征兆矢量；“· ”为模糊合成算子。另一种方法是先建立故障与征兆的模糊规则库，再进行模糊逻辑推理的诊断过程。模糊诊断知识获取困难，尤其是故障与征兆的模糊关系较难确定，且系统的诊断能力依赖模糊知识库，容易发生漏诊或误诊。由于模糊语言变量是用隶属函数表示的，实现语言变量与隶属函数之间的转换是一个难点。

4 基于行为的诊断专家系统

基于行为的诊断专家系统是一种动态、模块化的诊断系统。系统的行为是指系统从一个状态转移到另—个状态的过程，一个状态的出现是系统行为动作的结果，而状态则描述了系统的行为。通常，基于行为的诊断专家系统采用NN模块化单元，以确保系统与诊断对象的实时交互。这种NN模块化单元不同于一般基于NN的诊断系统，它是一种相对独立且能够动态构建故障诊断子NN模块单元的变结构单元。该方法同汽车电控单元ECU之间进行数据交互，可实现实时在线监控诊断。

基于行为的诊断专家系统的突出优点是在缺乏经验诊断知识情况下，通过与诊断对象系统行为进行交互作用，逐步学习进化，最终构成一个完善的诊断系统。因此，不必事先给出所有故障类型，极大地减轻了故障诊断专家系统开发的规模和知识获取困难问题。

开发基于行为的诊断专家系统关键问题是：故障行为征兆(语义征兆、图形征兆)的自动获取难度较大；新故障尤其是同时出现多故障时的自动识别和分类，是该方法的根本突破点。

5 基于人工神经网络的故障诊断模型

人工神经网络具有较好的容错性、响应快、强大的学习能力、自适应能力和非线性逼近能力等，被广泛应用于汽车故障诊断领域。基于神经网络的故障诊断专家系统有两种形式：一种是使用神经网络来构造专家系统，变基于符号的推理为基于数值运算的推理，提高系统效率和自学习问题；另一种是把神经网络作为知识源的表示与处理模式，并与其他推理机制相融合，实现多模式推理。

基于神经网络的诊断专家系统是—类新的知识表达体系，不同于传统诊断专家系统的高层逻辑模型，是一种低层数值模型。其分布式联结机制，实现知识表示、存储和推理三者融为一体，在知识获取、并行推理和自适应学习等方面显示出明显的优越性，—定程度上克服了传统诊断专家系统存在的知识获取困难、推理速度慢等问题。

6 汽车故障诊断专家系统的发展趋势

6.1 基于机器学习的智能故障诊断专家系统

智能诊断系统的核心问题是它的学习能力问题，知识的自动获取一直是智能故障诊断专家系统研究的难点。解决知识获取的途径是机器学习，即让机器能够在实际工作中不断地总结成功和失败的经验教训，对知识库中的诊断知识进行调整和修改，以丰富和完善系统知识。机器学习的方法有：基于实例的学习、基于神经网络的学习等。机器学习是提高智能故障诊断专家系统的主要途径，也是衡量—个系统智能程度的主要标志。

基于实例的学习是指在系统遇到新实例时，通过分析新实例与以前存储旧实例之间的关系，获得新实例的分类。基于实例的学习方法包括基于实例的推理过程，在实例推理各阶段的任务中，实例的回收体现了实例的学习机制。通过对结构化实例库的检测，实现多实例整合、知识抽取，并建立实例索引，完成机器学习功能。

基于神经网络的机器学习是广泛应用的—种机器学习方法。该方法涉及到网络结构、学习样本、学习算法以及深层次知识抽取方法。如动态网络结构优化、改进训练算法等。因此，发展和完善现有的机器学习方法，探索新的学习方法，建立新的机器学习系统，特别是多种学习方法协同工作的智能诊断专家系统，是研究的—个重要方向。

6.2 网络架构下的集成故障诊断专家系统

故障诊断与知识表示、处理和诊断推理方法密切相关，同时又与诊断对象领域相关联。就汽车故障诊断而言，由于汽车零部件多、相互影响，故障形式多样、表现不一，单一的知识表示、推理方法难以完成对故障的有效诊断。再者，汽车故障诊断实例来源丰富，诊断信息不完全度较高，存在许多模糊信息，知识获取的压力大。因此，选择—种适合该领域诊断专家系统的知识表示和推理方法非常重要。

网络架构下的集成汽车故障诊断专家系统适合汽车领域的故障诊断要求，该集成系统以多种诊断模型融合、分布式网络体系和多媒体技术的应用而成为研究热点。

集成系统需要解决的关键问题是：集成诊断系统中诊断模型的自动选择；模型的结构层次、知识表达能力和逻辑严谨性；推理机制的内在融合机制，避免各自为政的简单混合以及知识的灵活表示和处理等。

【1】 孙志成.汽车故障诊断与排除实例[M]. 北京:金盾出版社，2009.

【2】 张家玺.汽车技术使用理论与实践[M]. 北京:海潮出版社，2008.

【3】 崔选盟.汽车故障诊断技术[M]. 北京:人民交通出版社，2011.

【4】 朱军.汽车故障诊断方法[M]. 北京:人民交通出版社，2008.

Technical Study on Automobile Fault Diagnosis Expert System

SU Jiancheng
(Department of Equipment Support, Bengbu Automotive Petty Officer School of Anhui, Bengbu Anhui 233011，China)

The development and application results of automotive fault diagnosis expert system model were elaborated. The development trend about the automobile fault diagnosis system and the key problems needed to resolve were described.

Automobile; Fault diagnosis; Expert system

2013-05-22

苏建成(1963—)，副教授，研究方向为汽车运用与检测技术。E-mail:sjc.6301@163.com。