基于RBF和数据流的汽车电控发动机故障诊断装置研究

摘 要： 动态数据流能够为维修工作提供强大的辅助作用，维修人员据此能够对各类传感器产生的相关动态数据（输进、输出讯号期间）进行快速解读，可有效弥补传统评判、维修汽车产生各类故障过程以维修经验为主的方式的不足。主要对基于RBF和数据流的汽车电控发动机故障诊断过程进行了研究，在分析汽车数据流的基础上，介绍了运用 RBF和数据流诊断电控发动机故障的原理及过程，进一步提高借助数据流开展诊断与评判相关故障工作的效率及准确率，以期为完善发动机故障的检测过程提供参考。

关键词： 数据流; RBF 神经网络; 电控发动机; 故障诊断

中图分类号： TP 393文献标志码： A

Research on Fault Diagnosis Device of Automobile Electronic

Control Engine Based on RBF and Data Flow

MAI Peng

（Department of Automotive Engineering，Xian Vocational University of Automobile，   Xian， Shanxi  710600， China）

Abstract： Dynamic data flow can provide a powerful auxiliary function for maintenance work. Maintenance personnel can quickly interpret related dynamic data （during input and output signals） generated by various sensors， which can effectively compensate for traditional evaluation and maintenance of automobile production. This paper mainly studies the fault diagnosis process of automobile electronically controlled engine based on RBF and data flow. Based on the analysis of automobile data flow， it introduces the application of RBF and data flow， diagnoses electronically controlled engine failure， and further improves the efficiency and accuracy of the diagnosis and evaluation of related faults by means of data flow， in order to provide reference for improving the detection process of engine faults.

Key words： data flow; RBF neural network; electronically controlled engine; fault diagnosis

0 引言

隨着汽车自动化程度的不断提高，汽车中电子设施的不断增多及发动机丰富的功能使发动机结构日益复杂，从而使发动机发生故障时的诊断难度不断提升，发动机故障诊断问题日益突出，传统故障诊断方法已经难以满足现代汽车电控发动机故障对诊断质量及效率的要求，因此对汽车故障的一般规律进行研究以供维修过程参考和使用具有重要的理论和实际应用价值，通过先进高效方法的应用实现电控发动机故障的诊断成效的有效提升成为领域的研究重点之一。汽车数据流为复杂的发动机故障问题的有效解决提供了有效手段，数据流技术基于执行器、传感器技术通电控系统间的相互作用，可预先针对产生的问题给予警示及问题产生的原因及位置等，促进了汽车优化控制水平的显著提高，为使电控发动机故障能够被快速准确的定位进而显著提高维修效率，本文结合运用RBF和数据流提出了一种汽车电动机故障的诊断方法，为维修工作提供参考，以确保汽车能够安全运作。

1 现状分析

仪器诊断法等传统方式在诊断汽车电控发动机相关故障时，通常还需结合维修人员所积攒的实际工作经验完成对各类故障的诊断过程，在处理部分故障方面此种方式发挥出了尤为重要的作用，但随着汽车行业发展水平的不断提升，仅凭经验的故障诊断方法已难以满足对现代汽车维修质量的需求，维修有关人员在对电控装配通过使用仪器诊断法对所产生的各类异常进行评判时通常以故障码作为搜寻故障的凭据，虽然以电控发动机中发生的故障代码（储藏于电子控制单元中）为依据开展诊断工作能够实现故障产生部位快速准确的定位，但电子控制单元无法对相关内容（包括讯号偏差、短路故障等）进行记录，并且电控发动机相关故障存在难以借助故障码有效凸显的问题，这就需要维修人员对引发故障的各类因素做进一步搜寻，可从传感器自身工作状态、压力等出发。汽车传感器、执行器在同电子控制单元进行交流时会产生相应的数据参数，这些参数即构成了具体的汽车数据流，汽车数据流会受到时间及工况的影响，在诊断汽车

故障时使用专业诊断仪器实现通过诊断接口完成相关数据的获取，相关器件（以执行器和传感器为主）的工作状态和电压通过数据流可实现客观准确的反映及汽车故障的准确定位，从而为维修工作提供了重要依据。近年来随着以小波分析法（基于傅里叶方法）为代表的汽车故障诊断方法的发展和完善，通过在对汽车故障进行诊断的过程中精细化处理相关噪声，使故障检测工作准确率及检测效率得以有效提升[1]。同时通过建立数学模型对汽车故障进行诊断（如贝叶斯网络法、基于本体理论建模等解析模型诊断法），本文则结合运用数据流和 RBF研究诊断电控发动机故障的实现方法。

2 基于数据流的发动机故障诊断途径

汽车作为机电一体化产品的典型代表，电控相关技术的提升已成为汽车领域进步的方向之一，快速发展的信息技术和电子技术为汽车发动机的电控技术水平提供了强大的技术支撑，促进了汽车发动机功能先进水平及功能不断提升，随着汽车设计中传感器（位于电控体系中）的普遍应用，催生出了数据流分析，在电控发动机诊断过程中使传统各类诊断方法同数据流间得以有效融合，为发动机相关故障的处理提供技术支撑，按照汽车领域现阶段发展情况，基于数据流分析的电控发动机故障诊断方式主要包括：

2.1 静态数据流

在汽车电控发动机相关故障中应用静态数据流时，多功能的故障诊断仪（包括示波器及解码器等）为成为实施诊断过程中的重要设施，外接压力为 10-15 V的故障诊断仪的主要构成部分为容性感应夹、测试及电源延长线等，在使用时需结合运用相关测试插头，例如，对需外接其余电源的诊断座，需对设施蓄电池的正极和负极分别同红色鳄鱼夹和黑色鳄鱼夹进行联结。作为设施中的关键构成，诊断盒、主机等在运用时需以相关规定和配备情况为依据，例如某一汽车在运行了35 000千米后产生熄火及难以正常启动发动机的现象，维修相关人员运用静态数据流诊断故障后确定了汽车中的冷却液温度为20 ℃，据此评判出汽车故障同温度传感器（位于冷却液中）的传送讯号异常相关，维修相关人员通过对水温传感器进行测算后（使用数字万用表完成），未能实现从传感器中有效读出故障码，询问用户发现用户曾对发动机使用水枪进行清洁，此不正确操作是引发冷却液温度产生异常（即温度传感器传送讯号）的主要因素，最终通过更换冷却液中的温度传感器完成维修过程，汽车又可正常开启[2]。

2.2 动态数据流

汽车点火开关接通并启动了发动机即为动态状态，可采用诊断仪读取发动机电控系统数据，在汽车电控发动机故障诊断过程中，由空气流量传感器产生的各类异常可通过使用动态数据流完成诊断及处理过程，处理此类故障过程中维修人员需重点关注的相关因素内容包括发动机转速、载荷与进气量讯号值等，例如诊断某一汽车产生故障的过程中，针对汽车进气量与发动机转速讯号，维修人员通过动态数据流的使用完成对引发发动机怠速转速异常的空气流量传感器异常的关键因素的评判[3]。

2.2.1 有故障码状态

此种情况需重点关注关于故障码的传感器数据以便分析出汽车故障，例如，每百公里某辆桑塔纳汽车的耗油量增加了1升，在调整点火正时后（并已更换火花塞）问题仍未解决，确认为非燃油问题，采用故障诊断仪读取发动机的故障码，结果为“氧传感器信号超差”，进入读测数据块，读取16 通道的氧传感器数据值稳定在 0.01 V，氧传感器的读数结果低于0.45 V，据此推断可能是由自身信号错误或混合气稀导致。再结合发动机的表现可判断出不是混合气稀问题，接下来检查氧传感器，在加浓混合气的情况下观察氧传感器数据变化情况，氧传感器读数在持续加油情况下并未发生较大变化（仅提高到0.03 V），且加热线法相电压正常，据此断定氧传感器被损坏，更换新氧传感器维修结束。

2.2.2 无故障码状态

对此种情况下的传感器信号数据通过定量和关联分析完成汽车故障部位的确定。例如行驶中的汽车处于怠速状态其发动机会抖动，加速时有黑烟冒出表现出行进动力不足，根据排黑烟情况可知燃料供给系统中混合气过浓，实际喷油量难以满足负荷工况，混合气过浓的情况包含多种原因，发动机 ECU 发生故障的情况较少，先检查燃油压力结果显示状态正常（248 千帕）。再拆检气缸的火花塞发现较为严重的熏黑及积炭现象，已烧蚀的中心电极降低了跳火能量，更换火花塞后怠速抖动问题得以解决但仍存在排气冒黑烟现象。空气流量传感器可能发生故障但更换后仍未消除故障情况，使用故障阅读仪读取故障代码未发现故障记忆，提升冷却液至85 ℃后进行检测，结合发动机复合信号显示值 3.8 V（怠速正常值范围在1.5～2.5 V间，氧传感器信号动态值仅为 0.018 V（正常值范围0.1 ～0.9 V 间）且其信号电压值过低，证明混合气稀，判断氧传感器发生故障，检查发现氧传感器加热电路正常，更换氧传感器后汽车故障得以解决。

3 汽车电控发动机故障诊断

汽车数据流以检测仪器上数据量的不同显示方式为依据可划分为数值及状态两种参数类型，状态参数主要对电控装置中的工作部件（包括电磁阀及开关等）进行描述，在检测过程中汽车状态参数呈现出高低变化或是开/关的不同状态。电控装置中的关键要素（包括工作时间、温度、电压等）则主要通过数值参数进行描述。在采用 MATLAB 神经网络对发动机数据流进行检测时，需以发动机正常运转及出现故障后的两个阶段的数据样本作为基础，同时在进行发动机故障诊断时需确定网络结构设计及对应网络参数，在此基础上以输入样本数据为依据对网络进行训练，根据训练结果输入所需诊断的数据并获取最终诊断结果。

3.1 RBF神经网络模型

作为人工神经网络的一种，RBF对生物局部调节和交叠区域知识进行了充分借鉴，需完成局部接受域执行函数映射，RBF网络具体可划分为三层，各层具有不同的功能，以一系列源点作为主要构成的输入层负责完成RBF网络同外界的联合过程;中间层内含一个隐层，主要负责完成输入空间到隐层空间的转换（属于非线性变换），通过基函数（位于隐层中）影响外部输入信号，即网络中的隐层节点在外部信号接近基函數中央范围时会产生较大的输出，实现RBF网络的局部逼近功能。输出模式在RBF 网络中属于线性，负责为信号（作用于输入层）提供响应。在 RBF网络系统中，以输入向量为依据径向基神经元会将其同各神经元权值的距离值进行输出，当输入量同网络中神经元权值距离较大时，其所产生的输出值接近于 0，系统线性神经元受到较小的输出值的影响较小可忽略;当所产生的输出值接近于 1 时会激发第二层线性神经元权值输出[4]。

3.2 RBF网络的学习算法

RBF 神经网络参数主要需确定两个方面即输出层权值 W 阵、隐层神经元中心向量及诡异化参数向量（分别由c、σ表示）。在确定隐层神经元中心时，隐层神经元中心通过使用基于线性学习规则的k-means 聚类（没有监督的方案）完成确定，为使网络局部陷入极小点问题得以有效避免，在RBF 网络中通过调整 k 值以确保RBF 具有良好的局部逼近能力，从而实现整个网络收敛性能的提高，具体计算流程如下。

先对初始化中心进行确定并由 ci（0）表示，1≤t≤M，以Xm（m=1，2，…，M）表示输入样本，从输入样本中选择 M 个样本并将其作为聚类中心，由 ac（0）表示初始学习速率。

接下来对样本进行分组（以样本最邻近的规则为依据），在 t 时刻由Xn（t）表示输入向量，计算各个Xn（t）同中心的距离，在此基础上获取一个最小的距离，具体表达式如下[5]。

然后对中心值进行更新，所依据的更新规则如下[6]。

在对学习的完成情况及样本中心分布的状态（是否不再变化）进行判断，分布稳定则计算工作结束，否则另 n=n+1 返回到对样本进行分组的步骤急需进行。最终获取 ci（i =1，2，…，M）的计算结果即为RBF的基函数的中心。

在完成隐层神经元中心的确定后，需对高斯函数的宽度进行确定，利用归一化参数进行计算，计算结果即为高斯函数的宽度，同所选中心间的最大距离由dm表示，RFB隐层节点的数目由M 表示，具体公式如下[7]。

在确定了参数σi 的基础上，可使输出层权值的训练过程得以有效简化，能量函数 E的表达式如下。

根据训练样本可获取使 E 最小的权值参数，使用递推最小二乘法完成训练过程。

4 故障诊断的实现

4.1 诊断数据采集

汽车电子控制系统带有 OBDII（随车诊断系统）的基于 B 类数据通信网络协议，B 类网络通信应用可主要划分为两类以不同速率通信进行的优化设计（即10.4 KB、41.6 KB），

本文基于主流的 OBDII 自诊断协议完成了发动机诊断数据采集系统的构建，该采集系统主要由相关硬件接口及通信协议反数据分析软件构成，接口电路负责实现信号在OBDII同PC间的交换过程，OBDII 系统根据数据采集和分析完成相关请求和接收的发送和应答，具体工作数据采集系统总体架构如图 1 所示。

传感器故障诊断原理如图2所示[8]。

诊断数据采集工作过程能够对发动机的输入/输出数据进行记录（包括发动机负荷、冷却液温度等），部分训练样本数据如表 1 所示。

考虑到所选择的训练样本数据具有不同的量纲且大小差别较大，对训练样本数据在开始训练前通过归一化处理后，所获取的样本数据如表 2 所示。

4.2 RBF网络设计

本文设置分布常数为1.2，通过Matlab 代码的使用完成RBF 网络的构建，输入向量由P表示，目标向量由T表示，具体代码为：

spread = 1.2;

net = newrbe（P，T，spread）;

根据表2 中数据可得：

P=[0.000 9 0.021 1 0.079 4 0.026 8 0 0.243 9

1.000 0 0.057 9 0.001 0 0.012 1 0.034 1

0.024 1 0 0.274 2 1.000 0 0.0447 0 0.009 4

0.093 5 0.105 8 0 0.304 5 1.000 0 0.061 8]

t =[001;010;100]

p = p';T = T'

网络的目标函数设定为 0.0001，设置网络的扩展速度（由sp表示）为 1，网络神经元最大数目（由mn表示）为20，设置训练的间隔神经元数目（由df表示）为 1，以net = newrb（p，t，goal，sp，mn，df）为依据完成RBF 神经网络的构建，基于RFB 的诊断模型的输入层包含8 个神经元（分别同8 个故障征兆特征值相对应），输出层包含3 个神经元（分别同3 种典型故障类型相对应），RBF 神经网络表现出了较好的训练结果和收敛结果，在已训练好的诊断网络中输入训练结束后获取的故障特征值，输出结果即为诊断结果，使诊断工作的准确性得以显著提升[9]。

5 总结

作为汽车的重要构成部分，电控发动机的安全高效运转是确保汽车安全的基础，对电控发动机故障的诊断体系提出了更高的要求，能够对动态数据流进行搜寻并具备一定的读码等功能，采用 RBF和数据流技术诊断汽车发动机传感器故障具有较高的可行性，检测故障时通过 RBF 神经网络技术的使用可使诊断过程更加直观便捷，为弥补单纯使用 RBF易出现黑箱特性及难以解释的不足，本文在建立诊断发动机故障的RBF 网络模型的基础上，在对故障实施诊断期间引入了数据流分析，在出现了故障码后可为实施诊断提供凭据，在无法收获故障码的情况下则借助动态数据流完成故障诊断过程，实现对故障部位快速精准的定位，使诊断的精准性得以显著提升，降低了由于盲目监测与拆解所引发的损失。

参考文献

[1] 董军，何嘉伟，邓雄章，等. 汽车发动机缸孔珩磨表面织构预测建模与工艺参数优化[J].  组合机床与自动化加工技术， 2018（9）：107-110.

[2] 阿依古丽·木沙于甫，吐尔洪江·吐拉克. La变质处理对汽车发动机用ZL205合金组织和力学性能的影响[J].  热加工工艺， 2018（3）：107-111.

[3] 史俊涛.由故障案例引发对当代汽车电控发动机系统故障诊断及维修技术的探索[J].时代汽车，2019（6）：168-169.

[4] Vrac Damir S， Sidjanin  Leposava P， Kovac Pavel P， et al .The influence of honing process parameters on surface quality， productivity， cutting angle and coefficients of friction[J].  Industrial Lubrication and Tribology. 2016 （2）：77-83.

[5] Fuzhou Feng， Aiwei Si， Hongxing Zhang. Research on Fault Diagnosis of Diesel Engine Based on Bispectrum Analysis and Genetic Neural Network[J].  Procedia Engineering， 2016（3）：2454-2458.

[6] 李兆鹏，祖炳洁. 数据流分析在电控发动机故障诊断中的应用研究[J].  农业装备与车辆工程， 2017（7）：97-100.

[7] 寇祖涛. 汽车电控发动机系统故障诊断与维修技术分析[J].  科技創新与应用， 2017（13）：126-127.

[8] 祁平. 故障代码分析和数据流分析在电控发动机故障诊断中的应用[J].  内燃机与配件， 2017（8）：103-104.

[9] 刘金良.数据流分析在汽车电控发动机故障诊断中的应用分析[J].时代汽车，2019（3）：168-169.

（收稿日期： 2019.05.28）

基金项目：校级科学研究项目（2016KJ024）

作者简介：麦鹏（1979-），男，硕士，讲师，研究方向：新能源汽车方向。