电动汽车故障诊断多功能系统的研究

柳炽伟,徐光迎

(1.中山职业技术学院机电工程学院，广东中山 528403;2.中山职业技术学院信息工程学院，广东中山 528403)

0 引言

电动汽车的电源和电驱动系统等高压装置结构紧凑多样，内含大量电力电子器件，且高压电路的安全性要求高，大大增加了故障诊断及其技术人员培养的难度。针对企业应用以及职业人才培养的需要，研发集合应用、培训、测评等多功能的电动汽车故障诊断系统，提高电动汽车故障诊断效率，促进案例经验的推广学习，加快新能源汽车技术人员的培养，具有十分积极的现实意义。

1 故障诊断多功能系统的总体设计

电动汽车故障诊断多功能系统主要面向高压电器电路的故障诊断，包括电驱动系统、电源及充电系统、空调与散热系统、制动系统、转向系统等。系统可在基于Web的互联网环境下应用，通过案例推理(case-based reason，CBR)与规则推理(rule-based reason，RBR)机制生成诊断方案，并实现培训与测评功能。其中CBR推理模拟了人类认知新事物的思想，利用过往案例的知识经验来解决新问题，很大程度上解决了知识获取、建立数学模型和训练数据缺乏等困难。RBR基于专家的经验，结合故障树分析，制定产生式规则和推理逻辑，通过规则推理弥补案例无法匹配的情形。

1.1 开发系统与软件架构

系统开发采用浏览器服务器(B/S)模式，其应用服务器和数据库服务器分离，便于用户通过PC机或手机等在互联网访问及维护升级。系统采用3层系统架构，即表示层、中间层、数据访问层。数据访问处理是底层，主要在后台应用Oracle公司的My SQL关系型数据库处理;中间层主要是通过Java程序来实现业务逻辑;表示层是提供给用户查看和输入的，主要通过JSP、Ext等来实现。由于系统在公开网络环境中使用，应注重系统并发性、可用性、安全性等方面的技术处理。

1.2 总体结构

多功能系统分为以下几个子系统：故障诊断、培训、测评、系统管理，其总体结构如图1所示。

图1 电动汽车故障诊断多功能系统总体结构

1.3 子系统主要功能

故障诊断子系统根据用户输入的故障征兆和数据信息等输出故障诊断的方案和步骤，采用人机交互模式指导实施故障检测和性能判定。它包含案例经验、常规引导及自动3种模式可供选择。自动模式先进行案例匹配搜索，匹配成功则输出案例的方案。当匹配相似度低于一定阈值时，进入规则推理，即通过故障树分析找出可能的故障最小割集，依照诊断原则和置信度输出诊断建议。案例维护、知识获取等模块负责案例库和知识库的更新和完善。

培训子系统主要是给用户提供电动汽车高压系统的结构、工作原理、关键零部件的检测方法及参数标准等学习资料。用户需学习诊断案例时，可输入描述故障现象的检索词，依序调出案例库中关联案例。

测评子系统由用户输入故障现象关键词，在案例库中匹配案例，据其故障信息生成考题。之后对用户回答的故障原因及检修方案进行评分、存档。这种快速生成带故障情境的考题并客观评分的功能，提高了用户考评的效率，弥补了部分教师对电动汽车故障现象和特征认知的不足。

2 知识的表示

知识表示就是对知识的一种描述和一组约定,是一种可被计算机接收的用于描述知识的数据结构。好的知识表示方法利于计算机程序快速地识别和存储各种得到的知识，提高系统的推理效率和知识库扩展的能力。

2.1 案例的表示与存储

面向对象的知识表示方法能够将规则和过程等多种知识表示集成在一起，可以充分利用各种表示方法的优点;而且使用该方法还可以利用类的继承关系建立案例之间的层次结构，便于案例库的组织和检索，故文中采取面向对象方法表示故障案例。

一个案例一般包含问题的初始状态、问题求解的目标状态以及求解的方案等。整个过程所包含的信息可以用以下多元式进行描述：

CASE=<，，，>。

其中：={，，…，}，是一有限集合，表示案例的信息，包括案例编号、名称、发生时间、车型、行驶里程等;是一有限非空集合{，，…，}，表示案例的特征属性，如小电池电压、高压母线正负电压值、电流值、温度、频率、振动状况、仪表警告灯状态等征兆信息;={，，…，}是一个有限非空集合，表示由特征集引起的结论集，即故障的原因、部位、诊断步骤、检修的方案等;也是一个有限集合{，，…，}，表示故障的类型、故障部件所在的系统层级，便于案例的管理和检索。

考虑到便于调取故障案例的特征属性组建测试卷等应用需求，案例采用分散组织、分块存储的形式。案例结构分割成若干部分，分别存放于不同的块中，使用和维护的灵活性高。案例库包括：案例基本信息表、故障特征表、诊断结论表、故障类别表等。案例库表的结构与内容如图2所示。

图2 案例库表结构与内容

故障分类表中，文中将主要故障类型划分为电驱动系统不能驱动、加速不良、仪表显示异常或报警、空调及冷却系统故障、驾驶操控性故障、低压车身电器故障六个大类。故障系统、分组件及故障部件等则按功能系统的结构关系进行逐层划分。

2.2 规则的知识获取与表示

为便于知识的更新和维护，提高推理效率，规则知识库采用框架式与产生式规则结合的多知识表示方法。通过扩展产生式规则表达领域专家对电动汽车诊断的启发性经验、确定性知识和模糊知识，同时把故障信息总结成规则和函数。基于规则的专家系统知识获取难的问题，一定程度上可利用故障树分析解决。

故障树分析法是通过与门和或门表示各概念、属性和知识体之间的联系，用一棵倒“树”结构把故障的因果关系清晰地表达出来。再定性分析可以得到故障树的最小割集，用层次分析法等定性与定量分析结合则可以得到每一个事件发生的概率，有利于确定故障特征信息的可信度和重要度。故障树中上下事件对应规则的前后件，结合事件间逻辑关系可建立带可信度因子的产生式规则，规则的前提条件和规则结论分别对应故障树各层的父节点和子节点事件。规则以IF为前件，THEN后件的形式，表示为

RuleIFTHEN(，)。

其中，为特征信息库中的特征信息集，可以是一个或多个特征信息(事实条件)，它们之间可以是“与”或者“或”的关系;为规则后件，即故障模式;(，)为置信度因子，它表示规则前件发生概率为1的情况下，即事实与规则前件完全吻合时，得到结论的可信度。规则一般由规则解析模块完成解析并进行逻辑运算和算数运算，包括带可信度或模糊隶属度因子的运算。规则表的结构见表1。

表1 规则表的结构

为便于反映故障树结构特点，RBR知识库的组成结构，采用“模块+单元+节点+规则”4类框架的组织形式，模块是按故障类型划分，单元是故障类型下车辆系统或总成的故障事件。将各个单元的扩展故障树的每一节点(顶事件或中间事件)转换成一个节点框架，以解决知识库中一个结论性知识也有可能是另一个结论知识的前件这种故障树特有的层次关系。每个节点框架可以包含多条规则。每个底事件转换为规则框架，对应一条规则。节点和规则框架的槽值内容见表2。

表2 节点和规则框架的槽值内容

3 推理与检索机制

3.1 CBR和RBR的集成推理

故障诊断多功能系统中诊断子系统主要面向于引导用户实施检测和诊断故障;输出诊断结果和维修方案。它实施集成CBR和RBR顺序推理模式，不指定采用规则推理模式时先检索和输出历史相似案例，如果案例匹配不成功，再采用RBR，依据原理分析和诊断原则来诊断故障。集成推理的诊断流程如图3所示。

图3 集成推理的诊断流程

在CBR中，通常包括案例检索、案例重用、案例修改和案例学习等4个部分。通过对故障信息的分析并把故障特征输入专家系统，利用案例搜索策略在案例库中找出与问题案例相似的案例，判断能否解决当前故障问题。假如能够解决故障问题，生成案例诊断报告并进行案例学习;如果无法诊断出故障问题，则对检索出的案例进行修正并验证诊断结果的可行性，然后通过案例学习部分把新案例存储在案例库中。

3.2 案例检索方法

CRB已形成一系列检索的方法，如K-最近邻检索(K-Nearest Neighbor，KNN)法、归纳推理法、知识引导法、模板检索法等，不同方法各有特点。KNN法简单高效，工程实际应用较广，尤其适用于案例较少的情况，但当案例较多时其检索计算量非常大。此系统采用分级式检索与KNN方法相结合的策略，先通过索引框架对故障现象所在类别和系统分级检索，大幅缩小匹配范围，再用KNN法在同一类别或系统的案例中进行故障属性的相似度比较。

KNN策略首先为源案例选取好属性特征，计算案例间局部相似度，依据各属性的特点和重要程度通过层次分析法等方法赋权，然后以距离测量法作为相似性度量函数，计算案例各个属性的相似度权，后得到全局相似度，确定案例间的匹配。

设源案例{，，…，}和目标案例{，，…，}均为特征空间{，，…，}中的元素，如第(1≤≤)个属性值为连续数值型数据时，其局部相似度量为：

dist(,)=|-|。

(1)

如果案例属性为符号类型或枚举型数据时，局部相似度量为

(2)

则第个源案例与目标案例间全局相似度为：

(=1，2，…，)。

(3)

式中:是指第个案例的第个属性特征;为案例第个属性特征的权重，一般通过故障树的定性与定量分析获得。如果故障现象属性较少且重要程度易区别，也可由专家直接赋值。

在计算整体相似度时，由于各属性的数据值量纲不同，可能出现数据值级差过大导致结果背离实际情况，因此要先对数据进行归一化处理。归一化公式为:

=(-)(-)。

(4)

根据式(3)，系统源案例与目标案例比较得到个相似度(Sim，Sim，…，Sim)，进行相似度降序排列，相似度大于设定阈值的个案例按序推荐应用，否则进入RBR推理。

培训子系统中“诊断案例学习”功能同样由用户输入故障现象或选取故障案例索引后，系统检索调出案例进行学习。

3.3 RBR的推理模型

RBR采用混合推理的诊断方式。先从用户输入的故障现象入手，进行正向推理，若找不到完全匹配的规则，则选择置信度达到阈值的一组结论，降序反向进行推理，根据用户补充的征兆信息，再正向推理，直到找到完全匹配的规则，输出结论。其中正向推理采用深度优先搜索策略，推理之前先根据已有的故障征兆和检测信息进行特征提取，对系统正常工作的规则模块进行标定。在推理过程中遇到被标定为正常的规则模块，则直接跳过以该模块为前提条件的所有规则，往下继续查找，直到推理结果对应故障树的最小割集,这样缩短了规则搜索的时间。RBR诊断推理流程如图4所示。

图4 RBR诊断推理流程

由于某个顶事件往往下面包含多个中间事件和最小割集，正向推理往往得到多个最小割集，根据其对应的故障模式进行分组。各组最小割集内故障原因诊断的顺序按关键重要度排序。在缺乏概率统计数据情况下，可综合结构重要度和“先外后内、先简后繁”的诊断原则由专家评分，利用层次分析法定量分析得到关键重要度。在得到一组故障原因(规则结论)后，按重要度降序进行反向推理时，规则中的内容，根据熟悉和复杂程度视情分解为指导排故的检测步骤，嵌入故障树逻辑结构中，借助二叉树的数据结构，通过人机交互引导用户进行检测以获取信息，逐一排除直到确定故障点。图5为高压模块水泵失效的人机交互诊断模型。这种诊断模型贴近技师在现场排故的诊断思路，也符合培训中指导检测的功能需求。故障排除后，诊断规则、结论和诊断模型等相关信息根据其价值视情分别保存为规则和案例，存入知识库中。

图5 高压模块水泵失效的人机交互诊断模型

3.4 测评试题生成与成绩评估

故障诊断的测评以考核学员的故障分析及制定诊断方案的能力为主。考虑到各人逻辑推理和分析思路不相同，系统难以对过程进行评价，只能对分析的结果即故障原因和诊断步骤进行评估。因此设计如下测评方案：系统根据输入的故障特征或部件名称，调出相似案例，提取其案例信息(车型、行驶里程、故障发生时间、故障征兆等)作为故障情境，由考生进行答题。如无相关案例，可根据输入信息直接生成测试卷。学员线下进行故障树分析，依据诊断的原则制定诊断的方案，录入系统。系统采用RBR技术，搜索置信度在一定范围内的规则，根据诊断模型得出相应的故障原因和诊断步骤，对比学员答案，引用评分规则进行评分，并输出和记录成绩。诊断测试流程如图6所示。

图6 诊断测试流程

4 案例分析

以某电动汽车预充接触器损坏，车辆停机后不能正常起动为例，说明多功能系统的工作过程。首先检查该车仪表“OK”灯不能正常点亮，表明电机变频器不能上高压电，需分析其故障原因，并执行检测和诊断，排除故障。因系统内未存有相关案例，故先选择基于RBR的“常规引导”诊断方式，建立和保存案例后再进行案例检索测试。

4.1 故障树分析与RBR推理

根据驱动电机变频器上高压电的控制逻辑，建立故障树。用下行法进行定性分析，得到27个最小割集。由于缺乏各事件发生的概率统计数据，根据领域专家经验评判，通过层次分析法确定各割集置信度，据此建立诊断规则，例如：

规则1 IF变频器不能上高压电,且主接触器J1工作异常;THEN蓄电池电压不足 (置信度0.53)。

规则15 IF变频器不能上高压电且主接触器J1工作异常,预充电容电压未达阈值;THEN预充接触器失效(置信度0.72)。

用户输入其他确认的故障特征信息，例如：A2确认正常，则跳过A2下所有规则;输入“OK灯不亮、蓄电池电压正常、无故障码”等信息，系统匹配得到一组规则，根据设定的诊断模型方法，进行人机交互引导排故。图7为人机交互的导引式故障诊断过程界面。RBR诊断完成后，进行规则学习和案例保存。

图7 人机交互的导引式故障诊断过程界面

4.2 案例搜索

在“案例经验”的搜索界面选择案例类别“电驱动系统不能行驶”，案例名“电机变频器不能上高压电”，故障征兆输入“OK灯不正常点亮、蓄电池电压正常、无故障码”等信息，均为符号型或枚举型数据，系统分类搜索源案例1-001，计算Dist=0，则Sim=1，大于设定输出阈值，匹配案例成功。系统推荐案例内容如图8所示。

图8 系统推荐案例内容

4.3 测评功能的实现

选择“测评”功能，同样输入“电机变频器不能上高压电”，故障征兆输入“OK灯不正常点亮、蓄电池电压正常、无故障码”等信息，系统生成诊断测试卷。学员输入故障原因、诊断步骤等答案后，系统生成评分，并可阅读系统生成的诊断方案。

5 结语

电动汽车故障诊断多功能系统，其CBR采用欧氏距离相似度计算方法，多级匹配推理机制;RBR采用产生式规则表示方法，通过故障树分析解决知识获取难的问题，制定正反向推理结合二叉树数据结构的人机交互方式的诊断模型，成功实现“应用、培训、测评”功能，提高电动汽车故障诊断效率，促进诊断技术人才的培养。