基于车联网的汽车发动机远程故障诊断研究*

林素敏 刘 方 段少勇

（杨凌职业技术学院 陕西 咸阳 712100）

引言

随着我国因汽车故障造成交通事故的频发，汽车故障诊断工作受到社会各界的广泛关注。但伴随着信息技术的不断发展，人们对汽车故障的诊断与维修已不仅仅停留在人工检测层面，而是渴望利用先进的信息技术对汽车进行远程监测与故障诊断。在汽车内部结构中，发动机无疑是最最重要的部分，为汽车的启动与行驶提供动力。发动机是造成汽车故障的重大因素，其性能状况将直接影响着汽车的使用情况。由此可见，具备准确性与及时性，并且能够针对汽车发动机故障进行诊断的汽车远程故障诊断系统，既是人们的需求所向，又是汽车故障诊断行业今后的发展趋势。然而就当前汽车远程故障诊断来看，主要存在两方面问题：在进行汽车发动机远程故障信号采集时，主要采用汽车车载传感器系统进行信号采集工作[1]。目前，通过这种方法采集到的故障信号普遍存在不完整与不全面的缺陷，从而无法为该系统提供准确有效的故障特征，严重影响着汽车远程故障诊断系统的诊断质量；另一方面，该系统主要借助OBD故障代码对汽车故障问题进行远程诊断。这种诊断方法只能在故障特征明确且故障问题单一的情况下，为该系统提供准确的故障诊断依据。在汽车故障突发或是故障较为复杂的情况下，却并不适用。基于此，本文将针对汽车远程故障诊断系统存在的问题，提出一种基于改进神经网络的发动机故障诊断系统，并对其实现进行详细阐述。

1 发动机远程故障采集构建思路

本系统设计的目的是实现对汽车发动机故障的远程采集。结合该构建的目的，其主要实现两个方面：一是借助车联网完成对采集终端数据采集及传输的实现；二是通过相关的算法完成对故障特征的有效识别。因此，基于上述的目的和需求，本文构建的架构如图1所示。在该思路中，将整个采集与诊断终端分为采集终端、传输部分和故障识别3个部分。通过车辆上嵌入式模块完成对发动机数据的采集，然后通过GRPS或4G网络等将数据传输给后台，最后通过后台数据库和软件，完成对信号特征的处理与识别。

图1 整体架构设计思路

2 系统详细设计

2.1 车载终端整体架构设计

在车载终端采集部分，每次采集都需要获取车辆的GPS位置，同时通过MCU完成对每一个CAN总线节点上数据信息的汇总。因此在本文中，采用REB-3571LP模块中的NMEA0183协议完成对定位信息的数据。整体的架构设计框图如图2所示。

2.2 CAN通信设计

在本文中，一个重要的部分是通过车载CAN总线完成对汽车内部发动机不同部位的特征信号传输，然后再通过GPRS或4G网络将数据传输给后台。而在CAN总线通信中，其主要是通过总线编码的方式完成对数据信息的解读。对此，本文则主要采用符合ISO 15031-3的OBDII标准诊断A型接口完成数据读取和记录[2]。具体的引脚接口如图3所示。

图2 车载终端架构设计框图

图3 CAN引脚接口

2.3 发动机故障识别算法设计

2.3.1 故障识别整体思路

在本文中，将故障识别的整体思路设计如图1所示。通过采集到的发动机故障特征，考虑到在信号中包含很多的噪音和无效信号。因此本文则提出首先采用小波去噪的方法对信号进行预处理，然后再通过诊断算法完成对故障的诊断。

2.3.2 小波阈值去噪故障预处理

由于汽车发动机的ECU数据流中存在噪声，使发动机故障特征提取工作存在一定的难度。对此，本文将通过小波阈值去噪方法对汽车发动机ECU数据流进行去噪，并对发动机故障特征进行提取。具体小波降噪过程框图如图4所示。

如图4所示，小波降噪过程主要分为3步：首先，以确定的尺度为基础，对含有噪音的发动机故障数据流进行小波分解，以此获取小波系数；然后，对该系数进行阈值处理；最后，对历经以上2个处理步骤后的小波系数进行小波逆变化，恢复先前变形的小波系统，并利用经过处理的小波系统取得去噪后的故障信号。

小波阈值去噪法提取故障信号的优劣性，可通过对均方根误差以及信噪比2大评价指标的对比进行判断。

图4 小波降噪过程框图

其中，均方根误差的定义为[3]：

在公式（1）中：N代表故障信号采样点数；Yi代表输入信号第i个样本点的值；代表去噪后i的值。

信噪比的定义公式为[4]：

其中：

公式中：A代表原始输入信号方差；Yi代表原始输入信号均值；B代表均方根误差。RMSE与SNR在公式中的关系为此消彼长。其中，B值越小表示最终去噪效果越好。

2.3.3 BP神经网络故障诊断

BP神经网络是一种常用的故障识别算法，该算法的优势在于其具有自适应和自学习能力。将BP神经网络引入到汽车发动机远程故障诊断系统中，能够通过对网络权值与偏差的修正，使误差平方降至最小，并最大限度地接近真实结果，以提高故障判断的准确率。

BP神经网络在训练过程中，权值变化量主要以学习速率Z进行确定。其中，学习速率若是过大将会对系统的稳定性造成影响；速率过小又会对BP神经网络的训练时间造成延长。因此本文将以自适应方法对BP神经网络的学习速率进行调整，以权值修正值为判断依据，对学习速率进行选取，并结合训练实际情况对其进行相应的调整。自适应学习速率调整公式为[5]：

由于BP神经网络在求全局最小解的过程中，极易走向一个局部极小解的困境中，对求解过程造成阻碍。因此，本文就已附加一个动量因子的方式，解决BP神经网络这一问题[6]。具体表达公式为：

公式中：k代表训练次数；mc代表动力因子，通常取值为0.95左右。

通过对BP神经网络的输入层、输出层以及隐含层的节点数进行确定后，就能在汽车发动机远程故障诊断系统中建立起BP神经网络。利用BP神经网络对小波阈值去噪法提取到故障特征进行反复训练，就能得出最终故障权值与阈值，从而对故障类型进行诊断。具体流程框图如图5所示。

图5 BP故障诊断流程框图

3 试验验证

为了验证所设计的汽车发动机远程故障诊断系统是否具备科学性，本文将以大众捷达发动机点火系故障为例，分别采用传统故障诊断系统（1组）与本文设计的诊断系统（2组）进行远程故障诊断。以两两对比的形式对该系统进行验证。具体诊断结果如表1所示。

表1 火花塞间隙识别诊断结果

如表1所示，第2组对汽车发动机点火系故障识别准确率明显更高，因此说明上述言论具备现实性。

4 结束语

综上所述，汽车发动机远程故障诊断系统是汽车故障诊断领域发展的必然趋势。本文通过对当前汽车远程故障诊断系统存在的问题进行分析后，提出在车联网的基础上，将小波阈值去噪法与BP神经网络引入至汽车发动机远程故障诊断系统中，并通过最后的实证赋予该方法科学性，以此提高汽车发动机远程故障诊断效率与质量。