一种汽车传感器故障诊断研究.docVIP

一种汽车传感器故障诊断的研究 　　摘要：针对汽车传感器的故障控制诊断对象存在故障样本数据空间维数大，故障诊断的实时性差的等问题，首先通过静态模糊自学习方法找到故障节点，通过BP网络进行分类智诊断。通过实验表明本文方法提高了汽车传感器故障诊断准确率，从而提高了诊断的识别与决策能力。 　　关键词：BP神经网络；传感器故障 　　0.引言 　　伴随着人民生活水平的提高，汽车已经成为了人民生活中重要组成部分。但是伴随着的汽车自身某些故障的产生，使得汽车故障的研究成为了人们研究的重点，文献[1]指出计算机和信息化技术的广泛运用到汽车中，其中传感器逐步应用到汽车控制中，它能够对汽车信息进行感知，采集，转换和处理。将感知的信息转换其他需要的信息输出。汽车传感器是汽车电子控制的关键部件，也是汽车电子技术的核心部分。文献[2-3] 提出一种基于数据驱动的多模型传感器故障软闭环容错控制方法，并对非线性系统中卡死、恒增益、恒偏差等常见传感器故障进行了研究。文献[4]指出目前传感器控制主要是分布是针对衡秤体下方，通过传感器输出来完成故障传感器输出信号，但容易偏离中心，影响估计精度。文献[5]指出数字称重传感器可以实现不间断工作，能够在短时间内获得故障信号，但缺点是价格昂贵。文献[6]提出基于结构振动响应特性利用改进的模态滤波方法对阵列式传感器系统进行故障诊断。 　　本文主要BP神经网络的基础上引入静态模糊控制，对汽车传感器控制的故障进行有效、准确的分类。并针对汽车传感器的故障准确的进行诊断和恢复，从而可以有效的来保证汽车传感器的正常的运作。 　　1.汽车传感器控制故障模型矩阵 　　汽车传感器的输出信号主要是电压信号，当汽车传感器与 （传感器与发动机控制装置）之间的接线发生断路的时候，电压信号就会超出正常范围从而引起故障。通常设定汽车传感器器的输出信号电压的正常范围为 ，如果实际输入 ECU 信号电压大于 或小于 ，则认为该信号不可靠，表示传感器有故障。只有传感器信号持续一定时间后， 才会判断为有故障。假设车辆传感器网络中传感器节点个数为 ，每个节点在数据采集过程进行 次采样，单节点数据长度为 。单个节点采集数据作为矩阵的列，则网络数据可表示为 　　为便于表述，将各节点数据以此衔接，网络数据可写为向量形式 　　（1） 　　其中 ， 。 　　网络数据的测量过程可由如下的矩阵向量形式表示： 　　其中 ， ，测量矩阵 。 （2） 　　2.改进的BP神经网络在汽车传感器诊断 　　2.1汽车静态模糊函数构建 　　汽车传感器网络故障具有一定的随机性，是一种典型的非线性结构，而静态模糊函数可以很好找到传感器故障中的死亡节点。静态模糊基函数构造如下： 　　（3） 　　通过将汽车节点传感器能量（设定为 ）输入公式（3）中，得到相应的改进节点能量如下： 　　（4） 　　在公式（6）中，其中 表示传感器节点的个数。 为固定参数，通过在模糊函数中构造静态函数如下： 　　（5） 　　在公式5）中， 为模糊变量， 表示参考参考模糊变量集。其中 设定为0-1之间的实数， 表示 的可能性是 ；该准则设定的含义是当 达到 的时候， 的可能性则是 。设定 用mamdani蕴涵表示，通过 采用mamdani来进行推理得出 。使用公式（8）对 进行自学习得到 ，其中 的精度远大于 。 　　（6） 　　将公式（4），（5）和（6）进行三者结合，得到针对汽车传感器的静态控制节点的自学习能力函数，从而能够快速的对汽车传感器节点能量损失进行判断。 　　2.2 BP神经网络 　　BP神经网络是一种单向传递的网络，通常是由输入层，隐含层，输出层组成。它将信号进行前向传递和反向传播。其中反向传播时权值按Delta学习规则进行调整。在前向传递中依次按式（9）计算各层的输入输出直到输出层。当输出层得不到期望的输出则进行反向传播，根据期望与实际输出之间的误差调整权值和阈值。权值的调整公式见式（10）。 　　（7） 　　在公式（1）中 为第 层节点的激活值， 为阈值， 为输入信号， 为第 节点与第 节点的连接权系数， 为节点 的输出值。 　　（8） 　　在公式（8）中， 为神经网络期望输出与实际输出的误差。 　　2.3本文算法的描述 　　本文首先通过自学习中的静态模糊函数来确定汽车传感器故障的支撑集，然后通过BP神经网络算法来针对传感器的故障进行快速分类，从而缩短检测时间，提高检测效率。通过求解以 为自变量的目标函数 的极小值 　　： （9） 　　其中对 。正则化参数 、 分别对变换系数和生成矩阵的稀疏度进行加权。为便于表述，不妨假设 ，稀疏度量使用1范数。 　　3.试验仿真与分析 　　本文选取本公司下属的汽车修理厂中的汽车故障100组数据，每