基于自组织神经网络SOM的汽车安全气囊装配故障诊断

2015-03-23王哲

科技资讯 2014年35期

王哲

摘要：利用汽车安全气囊装配工序中已有的先验知识，构建并训练了一个自组织神经网络SOM的多传感器故障诊断系统。通过现场的多传感器采集设备运行数据信息输入故障诊断的系统，利用自组织SOM神经网络的聚类性能，得到装配工序中故障的类型，从而达到诊断汽车安全气囊装配工序的故障。通过无师自动学习的方式对输入信号进行分析，计算简单，精度高，具有很高的应用价值。

关键词：汽车安全气囊自组织神经网络故障诊断

中图分类号：U491 文献标识码：A 文章编号：1672-3791（2014）12（b）-0080-01

随着现代汽车动力性能的不断提升，汽车的种类、数量也在不断增多，而高速公路、快速路桥也在快速发展，汽车的使用更加广泛普及，因此，这使得更加容易发生严重的交通事故。汽车的安全性能也是衡量汽车质量的一个重要因素，而汽车安全气囊是现代轿车中最被关注的汽车安全的高技术装置。可以说，当汽车发生严重交通事故时，汽车安全气囊质量的好坏，直接关系着能否挽救车内人员的生命[1]。因此，在生产过程中对汽车安全气囊生产工序的监测显得尤为重要。

利用汽车安全气囊装配工序中已有的先验知识，构建并训练了一个自组织神经网络SOM的多传感器故障诊断系统；通过现场的多传感器采集设备运行数据信息输入故障诊断的系统，利用自组织SOM神经网络的聚类性能，得到装配工序中故障的类型。从而达到诊断汽车安全气囊装配工序的故障，具有较高的应用价值。

1 诊断汽车安全气囊装配工序的故障类型

将输入向量设定为汽车安全气囊现场的装配中采集的传感器的数据，输出向量X={x1，x2，x3，x4，x5}，其中x1为压力传感器，x2右侧的光栅尺传感器的检测数据，x3左侧光栅尺传感器检测数据，x4、x5为布袋卷起电机速度传感器检测数据。输出向量中设置五种输出类型，分别是左卷袋电机不动作类型、右卷袋电机不动作类型、气袋卷袋不均匀类型、举升架不工作类型、未知故障类型。

1.1 特征级融合

特征融合采用的是BP神经网络方法，利用传感器检测的先后顺序，特征融合第n个传感器。

传感器的个数为n，n的值为5，传感器特征值个数称为m，m=8，这里检测的数据有以下8种状态，它们分别是升降、快降、下降、上升、平稳、异常、未知。这里的000、001、010、011、100、101、110、111，xn-1，…，xn-18是cm的二进制表示方法，传感器n的时间序列用18种类来表示。

BP网层结构结构分为三层，其中隐层里有16个单元，因此，整个网络是一个5×16×5的结构，Morlet小波函数是隐层函数。

1.2 决策级融合

将特征融合的输出结果，利用基于SOM网络来进行下一步决策级融合。k在这里表示的是生产线运行的工况，k=5，五种故障类型分别是右卷袋电机不动作、举升架不工作、气袋卷袋不均匀、左卷袋电机不动作、未知故障。

其中，在这里竞争层中神经元设置为6×6的输出网格；选择训练样本为800组；初始的网络权值随机选择较小的竞争层神经元；总的训练次数设为N=3000，初始学习率η0=0.5。

（1）在输入的样本数据中选取一组网络的数据来作为输出，并进行处理。

（2）竞争神经元的方法，这里选区的是最小欧式距离，竞争获胜神经元设定为k，满足：

i=l，2，…，m（1）

式中，输出向量xj，而在竞争层任何的一个神经元与其输入节点网络权值，i=l，2，3，…，m；j=1，2，3，…，n。其中，ms是为竞争神经元的的个数，n是输出向量的个数。

（3）获胜单元的相领区域，这里成为Nc（t），而相领区域Nc（t）的形状是六边形的形状，选取的是高斯函数。