基于BP神经网络的ECAS系统故障诊断策略研究

黄启科 宁佐归 张玉林 郭红铄 旷水章 方瑜

摘要：ECAS系统根据汽车行驶速度与路况进行实时高度调节，在恶劣工况下长期运行易发生故障。为了快速诊断相关故障成因，本文围绕BP神经网络开展了结构设计、诊断策略分析、中小样本的诊断训练。相关测试验证了BP神经网络在ECAS系统故障诊断策略方面的准确有效。

Abstract： The ECAS system real-time height adjustment according to the vehicle's driving speed and road conditions is performed， and it is prone to failures in long-term operation under severe working conditions. In order to quickly diagnose the cause of related failures， Structure design， diagnosis strategy analysis， and diagnosis training of small and medium samples were carried out around BP neural network in this article. The accuracy and effectiveness of BP neural network in ECAS system fault diagnosis strategy was verified in related tests.

关键词：BP神经网络;ECAS系统;故障诊断策略

Key words： BP neural network;ECAS system;fault diagnosis strategy

中图分类号：U472.4                                     文獻标识码：A                                  文章编号：1674-957X（2020）21-0112-02

0  引言

电控空气悬架（Electronically Controlled Air Suspension）系统简称ECAS系统，是一种用空气弹簧代替传统钢板弹簧、螺旋弹簧、扭转弹簧等的新型悬架结构与技术。主要构件有：电子控制器（ECU）、电磁阀、高度传感器、气囊、遥控器等[1-2]，如图1所示。ECAS系统工作原理是ECU采集高度传感器信号后，通过逻辑策略控制电磁阀通断，对气囊充放气实现悬架高度调节。

故障诊断策略是ECAS系统智能精准控制一大难点。ECAS系统参与汽车行驶、启动、加速、减速、转弯、上坡、停车等全过程，涉及多部件多状态，诊断难度极大，对其开展相关研究具有现实意义。

1  BP神经网络

BP神经网络是一种反馈网络的学习算法，反映样本的输入输出关系[3]，其结构示意如图2。

图2显示：BP神经网络结构组成为：输入层、隐含层（多层）和输出层（含期望输出与导师信号）以及前向误差反传（学习算法）[4-6]。正向运算过程为：隐含层通过转换函数，将前传过来的输入信息往下传送到输出层节点。反向运算过程为：当输出层没有达到期望输出，误差反转传递，循环迭代。BP神经网络通过正、反双向过程的反复运算，最终实现预期目标。

2  BP神经网络设计重要原则

2.1 设置网络结构

根据具体工程问题与相关经验确定BP神经网络输入层、隐含层和输出层三大结构节点数。

2.2 修正相关参数

前向反馈学习时，不断循环计算均方误差，调整初始权值、阈值、最大训练次数、学习精度、初始学习速率以及隐藏层节点数达到输出期望值[7-10]。

3  BP神经网络ECAS系统故障诊断策略

3.1 诊断流程设计

ECAS系统对于单一故障源可以通过ECU内部逻辑关系确诊，但对于实时多状态多参数的故障源诊断时间长、效果差，本文在此背景下开展BP神经网络的故障策略诊断。

简要诊断流程如图3所示：ECU接收到经整流与A/D转换的数字信号，在经过预处理后，传递给BP神经网络诊断，BP神经网络综合样本数据训练，诊断分析出相应故障。

3.2 诊断样本设计

根据上述BP神经网络重要原则与诊断流程，本文选取常见的9组故障现象与故障成因进行BP诊断，按照计算，应该有511种可能的故障组合，但实际工程中故障之间有一定的相关性，没有511种之多。假设故障现象依次有：m1空气悬架反复调节，m2熄火后严重侧倾，m3故障灯一直闪烁，m4工作时遥控器无作用，m5空气悬架达不到最大高度，m6故障灯一直亮，m7卸载装载时电磁阀无动作，m8工作时遥控器起反作用，m9一侧悬架突然放气。将9大故障现象设置为输入层矢量M=（m1，m2，m3，m4，m5，m6，m7，m8，m9）。同理故障原因有：n1ECU参数标定与设置错误，n2ECU硬件电路损坏，n3传感器已经拉断，n4电磁阀通道已被堵塞，n5为ECU软件程序错误，n6传感器线路连接故障，n7两侧高度调节范围过量，n8气动管路扭结、断裂或气囊破损漏气，n9气源供给气压低于0.6Mpa。将9大故障原因设置为输出层矢量N=（n1，n2，n3，n4，n5，n6，n7，n8，n9）。假定mi=0表示该故障现象不存在，mi=l表示该故障现象存在。同理ni=0表示没有该故障原因，ni=1表示有该类故障原因。从理论的511种可能故障中选取最常见的12种，组成9×12组小样本作为BP故障诊断的输入量。

3.3 诊断分析

设置BP神经网络初始学习速率0.01，最大训练量5000次，目标误差值1e-5，最小优化系数0.01，学习速率增长率10，其诊断训练结果如图4所示。

图4显示均方误差随训练迭代次数的增加而较少，在迭代56次以后，实际误差达到7.38e-7，这个误差远低于目标值1e-5，BP神经网络运算结束。说明小样本的训练诊断无须更改网络初始权值与阈值设置来达到目标预期输出，会突破原有设定目标值，使得均方误差更小更精准。

诊断训练数据显示：仿真测试数据与目标数据最大误差为+6.86e-4/-4.01e-4。正负误差均小于7.0e-4，差值区间很小，完全满足故障诊断的要求。

3.4 诊断样本扩增

9×12组小样本故障诊断与测试不能反映真实ECAS系统故障种类与数量，将诊断样本扩增至9×24组，其诊断训练结果如图5所示。

在迭代631次以后，均方误差最佳值达到9.80e-6，低于目标值1e-5。其仿真测试数据与目标数据最大误差为+1.19e-2/-1.85e-2。正负誤差均小于0.02，诊断训练效果较好，满足故障诊断的要求。

4  结语

本文运用BP神经网络对ECAS系统故障进行诊断策略研究，从诊断结果看，小样本迭代次数少，诊断精确度高，中等样本迭代次数多，诊断时间长，诊断精确度随着迭代次数的增加而降低，在诊断训练过程中，初始参数的修正也对诊断结果有着重大影响，很多参数调试与诊断经验有关，后期诊断算法应该在扩充样本同时进一步优化全局误差，使ECAS系统的故障诊断更为精确。

参考文献：

[1]黄启科，麻友良，王保华.汽车电控空气悬架发展与研究现状综述[J].湖北汽车工业学院学报，2013，27（02）：27-33.

[2]黄启科.电控空气悬架控制策略与控制器开发[D].武汉科技大学，2014.

[3]刘顺安，胡庆玉，高春甫，于显利，姚永明，陈延礼.IPSO-BP算法在半主动悬架控制中的应用[J].北京工业大学学报，2011，37（09）：1281-1286.

[4]胡庆玉.基于IPSO-BP网络的汽车半主动悬架控制算法研究[D].吉林大学，2010.

[5]王春华，唐焱.车辆主动悬架的BP神经网络自适应PID控制[J].计算机仿真，2009，26（05）：274-277.

[6]于海波，李幼德，门玉琢，李跃伟.基于BP神经网络的车辆转向稳定性控制策略及仿真[J].机械设计与制造，2008（02）：157-159.

[7]吕楠，姚平喜.基于BP神经网络的滚动轴承故障诊断[J].煤矿机械，2020，41（08）：172-173.

[8]李鑫军，柳江，刘之涵，付延轩.馈能悬架BP神经网络PID控制研究[J].现代制造工程，2020（03）：60-65，135.

[9]张建强，时岩，冯海峰.基于BP神经网络模糊PID的主动悬架控制研究[J].制造业自动化，2019，41（02）：58-61，76.

[10]孙霞，袁媛，张然，王超，杨嘉明.遗传算法优化BP神经网络在搬运钟时间同步中的应用[A].中国卫星导航系统管理办公室学术交流中心.第十一届中国卫星导航年会论文集——S06时间基准与精密授时[C].中国卫星导航系统管理办公室学术交流中心：中科北斗汇（北京）科技有限公司，2020：5.