常紅梅

(陜西理工大學(xué) 機(jī)械工程學(xué)院， 陜西 漢中 723001)

1 引言

汽車的使用量越來(lái)越多，隨之產(chǎn)生的汽車故障也越來(lái)越多，其中汽車搭鐵故障是比較常見(jiàn)的故障類型。為保障汽車安全性、減小汽車故障率，本文提出了基于Bi-LSTM模型的汽車搭鐵失效故障診斷方法。常規(guī)LSTM(長(zhǎng)短時(shí)記憶網(wǎng)絡(luò))模型的單向性，導(dǎo)致LSTM在數(shù)據(jù)特征提取時(shí)需要大量數(shù)據(jù)支撐，實(shí)際車輛故障情況下LSTM模型可能因?yàn)槠渌驘o(wú)法將數(shù)據(jù)特征提取完全，而B(niǎo)i-LSTM學(xué)習(xí)方法是雙向網(wǎng)絡(luò)記憶方法，它可以從正向反向?qū)W習(xí)分析傳輸數(shù)據(jù)，它的計(jì)算精度比循環(huán)神經(jīng)網(wǎng)絡(luò)更高，計(jì)算速度更快，可以更廣泛的使用在汽車故障診斷。為了使電路系統(tǒng)更加穩(wěn)定，當(dāng)汽車出現(xiàn)搭鐵失效狀態(tài)時(shí)及時(shí)發(fā)現(xiàn)并快速處理故障是對(duì)自身安全的重要保證。

目前研究的搭鐵故障診斷辦法有許多，如李煒等，研究的基于深度學(xué)習(xí)序貫檢驗(yàn)故障診斷模型，通過(guò)LSTM網(wǎng)絡(luò)建立電源車的多變量時(shí)間序列模型，進(jìn)行故障診斷，該方法存在一定限制，其召回率較低。朱敏等，研究的KDE-FPBT的故障診斷模型，基于核密度估計(jì)實(shí)現(xiàn)實(shí)數(shù)域樣本數(shù)據(jù)到故障對(duì)布爾表的轉(zhuǎn)換，并采用“一對(duì)一”的投票策略完成對(duì)實(shí)測(cè)數(shù)據(jù)的故障診斷，該方法的的特征提取不夠詳細(xì)，細(xì)節(jié)化不夠，并且AUC值相對(duì)較低。

這些方法只是定性判斷，對(duì)于一些汽車診斷缺乏數(shù)據(jù)支撐，針對(duì)以上問(wèn)題，本文設(shè)計(jì)基于雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型，該模型能夠及時(shí)準(zhǔn)確的檢測(cè)到車輛的異常數(shù)據(jù)的細(xì)微差距，并將數(shù)據(jù)通過(guò)Bi-LSTM模型進(jìn)行精準(zhǔn)分類，通過(guò)數(shù)據(jù)快速判斷是否發(fā)生汽車搭鐵故障，增加發(fā)現(xiàn)異常數(shù)據(jù)的準(zhǔn)確性并及時(shí)處理，提高運(yùn)行安全系數(shù)。

由于汽車車身和發(fā)動(dòng)機(jī)都是金屬結(jié)構(gòu)，其本身就有導(dǎo)電能力，加上汽車電器比較多，如果每個(gè)電器都用兩根線構(gòu)成回路，將會(huì)使電路結(jié)構(gòu)復(fù)雜。因此，其與汽車的單線制有關(guān)，是指將蓄電池和發(fā)電機(jī)正極或負(fù)極與汽車車架相聯(lián)，使車架帶正電或負(fù)電，從而使安裝在車架上的所有汽車電氣設(shè)備只需一根從電源另一極引出的導(dǎo)線就可構(gòu)成回路。讓汽車電源系統(tǒng)的一極與車架相聯(lián)的接線制度就叫搭鐵接線制(簡(jiǎn)稱搭鐵)。汽車搭鐵如圖1所示。

2.2 汽車搭鐵失效故障特征提取

..基于傅里葉變換的特征提取

圖1 汽車搭鐵示意圖

()通過(guò)變量代換也可用下列公式表示：

(1)

根據(jù)FrFT的性質(zhì)，階的分?jǐn)?shù)階傅里葉域的坐標(biāo)空間是(，)平面上按逆時(shí)針旋轉(zhuǎn)角度所得，只需逆時(shí)針轉(zhuǎn)動(dòng)0～π2 范圍內(nèi)的分析數(shù)據(jù)，值一般在0～1。

基于分形維數(shù)的特征提取

采用盒計(jì)數(shù)維數(shù)計(jì)算各階FrFT中的分形維數(shù)(FD)具體用如下公式表示：

(2)

式(2)中:空間中隨機(jī)非空有界子集為，在子集中的維立方體的最小數(shù)目被()覆蓋，維立方體邊長(zhǎng)為，>0。-log為橫坐標(biāo)，log()為縱坐標(biāo)，通過(guò)在坐標(biāo)分布點(diǎn)使用二乘線性回歸算法計(jì)算出直線的斜率，得到集合的盒計(jì)數(shù)維數(shù)。

..基于FrFTFD的特征提取

汽車在發(fā)生搭鐵故障響應(yīng)信號(hào)的微小差異性，在故障時(shí)域空間無(wú)法分辨，如果將這些信號(hào)映射到不同F(xiàn)rFT域內(nèi)則更容易分辨，F(xiàn)D得到的特征數(shù)據(jù)也會(huì)隨之變化。將所有原始時(shí)域數(shù)據(jù)映射到FrFT域中，得出相應(yīng)的FD值，得到整個(gè)搭鐵信號(hào)故障的復(fù)雜程度與特征變化數(shù)值，這樣就可以診斷汽車搭鐵故障的所有數(shù)據(jù)。

因?yàn)闊o(wú)法計(jì)算階FrFT域內(nèi)所有的FD，F(xiàn)rFT域內(nèi)值導(dǎo)致()的變化過(guò)小，需要將FrFT分成多個(gè)區(qū)段，將步長(zhǎng)為0.2的值從0變化到1所對(duì)應(yīng)的信號(hào)進(jìn)行FrFT，最后求得FD的方法，步驟如下：

1) 令=0；

2) 將模擬故障特征數(shù)據(jù)運(yùn)用式(1)映射到階的FrFT域；

3) 保存在階FrFT域的故障信號(hào)利用式(3)計(jì)算出的FD；

4) 令=+01；

5) 如果值大于1，算法終止，如果不大于1，則繼續(xù)進(jìn)行第2步。

具體提取流程如圖2所示。

2.3 基于Bi-LSTM模型的故障診斷

..長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)中的一種特殊模式就是長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)，LSTM廣泛應(yīng)用于序列處理任務(wù)，通過(guò)引入記憶單元和門限機(jī)制的特殊性，解決RNN存在的梯度消失與梯度爆炸的問(wèn)題。本文應(yīng)用的LSTM模型的具體參數(shù)、屬性指標(biāo)等見(jiàn)表1。

圖2 特征提取流程框圖

表1 LSTM模型參數(shù)和屬性指標(biāo)

圖3表示由記憶單元(Memory cell)、輸入門(Input gate)、輸出門(Output gate)和遺忘門(Forget gate)4個(gè)模塊單元組成的LSTM模塊單元。流入和流出的記憶單元信息由3個(gè)非線性門控單元調(diào)節(jié)，記憶單元之間彼此循環(huán)連接。用下列公式表示LSTM的前向計(jì)算：

(3)

式中: 當(dāng)前時(shí)段的輸入向量為，遺忘門、輸入門、輸出門的激活向量分別是、、，LSTM單元的輸出向量為，為權(quán)重矩陣，為偏置向量，是sigmod函數(shù)中的激活函數(shù)，是矩陣對(duì)應(yīng)元素相乘的哈達(dá)瑪積。

LSTM信息預(yù)測(cè)和輸出取決于前面時(shí)刻的歷史序列信息與后續(xù)時(shí)刻的信息，為了提升學(xué)習(xí)任務(wù)的性能，融合LSTM單元與雙向網(wǎng)絡(luò)，提出Bi-LSTM模型。

圖3 LSTM模塊單元示意圖

..模型構(gòu)建

圖4表示雙向LSTM(Bi-LSTM)模型，模型利用當(dāng)前時(shí)刻與前后t時(shí)刻的上下文信息數(shù)據(jù)，通過(guò)正、反向LSTM分別提取汽車所有特征信息，通過(guò)分類故障與正常信息，找出異常數(shù)據(jù)，從而達(dá)到汽車故障檢測(cè)的目的。Bi-LSTM模型是深度學(xué)習(xí)的一種改進(jìn)版，具備深度學(xué)習(xí)的學(xué)習(xí)機(jī)制、相互轉(zhuǎn)化等特點(diǎn)，同時(shí)具備了長(zhǎng)短期記憶的核心性，即長(zhǎng)期記憶和短期記憶相結(jié)合。

圖4 雙向LSTM模型框圖

在模型中，每個(gè)時(shí)間段車輛數(shù)據(jù)點(diǎn)由表示，在時(shí)間段之前和之后的數(shù)據(jù)點(diǎn)用-與表示。為了確定汽車是否為故障點(diǎn)，需要將汽車故障數(shù)據(jù)運(yùn)動(dòng)特征的正常點(diǎn)和異常點(diǎn)的細(xì)微差異通過(guò)Bi-LSTM進(jìn)行標(biāo)記，模型經(jīng)過(guò)自主學(xué)習(xí)和訓(xùn)練，將所有汽車故障信息通過(guò)差異性進(jìn)行分類。模型算法流程算法具體步驟和流程圖(圖5)如下：

1) 依次讀取車輛序列數(shù)據(jù)點(diǎn)；

2) 提取一段車輛數(shù)據(jù)序列的特征向量；

3) 將特征向量錄入到預(yù)訓(xùn)練好的Bi-LSTM模型，判定數(shù)據(jù)點(diǎn)是否為常規(guī)提取數(shù)據(jù)或者為故障點(diǎn)；

4) 將車輛數(shù)據(jù)轉(zhuǎn)化為可視數(shù)據(jù)。

圖5 模型算法流程框圖

3 實(shí)驗(yàn)?zāi)M

3.1 評(píng)價(jià)指標(biāo)

根據(jù)計(jì)算機(jī)常規(guī)評(píng)價(jià)指標(biāo)(精度，準(zhǔn)確率，召回率，1值，值)來(lái)判定。數(shù)據(jù)計(jì)算與分類需要根據(jù)真實(shí)情況和模型預(yù)測(cè)類別組合，組成真正例和假正例，真反例和假反例。其中正確樣本與總樣本的比值為分類精度，正確預(yù)測(cè)樣本與總預(yù)測(cè)樣本的比值為準(zhǔn)確率，正確預(yù)測(cè)樣本與實(shí)際樣本的比率為召回率，召回率和準(zhǔn)確率的調(diào)和均值為1值，值是ROC曲線下的面積比，真正例率與假正例率的關(guān)系就是ROC曲線，有時(shí)ROC曲線過(guò)于接近無(wú)法準(zhǔn)確比較模型性能，就用ROC曲線下的面積比值來(lái)表示。值越接近1，模型性能越好。下面式(4)—式(7)表示精度，準(zhǔn)確率，召回率，1值的計(jì)算方法：

(4)

(5)

(6)

(7)

ROC中的真正例率TPR和假正例率FPR的關(guān)系公式如式(8)：

(8)

3.2 實(shí)驗(yàn)

實(shí)驗(yàn)在NVIDIA GTX 1080顯卡內(nèi)訓(xùn)練本文方法的Bi-LSTM模型，模型用Pytorch框架構(gòu)建，用本文方法的FrFT-FD特征提取的方法計(jì)算得到一系列故障特征向量，將特征向量使用具有優(yōu)秀的雙層網(wǎng)絡(luò)性能的多層Bi-LSTM模型進(jìn)行檢測(cè)分類。

由于汽車搭鐵原件較多，搭鐵故障多種多樣，選取某品牌SUV汽車的部分故障數(shù)據(jù)作為訓(xùn)練樣本，總樣本數(shù)為5 000例，4 000 例作為訓(xùn)練樣本，進(jìn)行訓(xùn)練分析學(xué)習(xí)，1 000 例作為實(shí)驗(yàn)樣本，樣本為發(fā)動(dòng)機(jī)故障，發(fā)動(dòng)機(jī)缸體對(duì)蓄電池負(fù)極電阻為0～0.1 Ω，超出此范圍判定為故障，啟動(dòng)困難、儀表指示反常、產(chǎn)生異常火花等故障，其用萬(wàn)用表檢測(cè)的正常值為0或者接近于0，將設(shè)定A、A、A、A、A作為等待診斷的典型原件，每個(gè)原件故障值比標(biāo)準(zhǔn)值增加或者減少25%，一共有10種故障代碼(Q1-Q10)，加上汽車正常狀態(tài)A(故障代碼Q0)，共計(jì)11種故障狀態(tài)。

設(shè)定某一時(shí)刻，多個(gè)原件同時(shí)發(fā)生故障，將汽車故障數(shù)據(jù)經(jīng)本文方法的FrFT-FD分別計(jì)算得到6個(gè)分形維度數(shù)值：1.062 4，1.137 8，1.134 2，1.176 1，1207 7，1.215 6，這些數(shù)值組合就形成一個(gè)特征向量。將所有帶故障的信號(hào)均進(jìn)行FrFT-FD計(jì)算得到的特征向量就是所有故障模式下的特征向量。用本文方法的FrFT-FD提取11組故障模式的故障特征所得到的平均值如表2所示。

表2 經(jīng)FrFT-FD計(jì)算的11組故障平均值

表2中↑與↓分別是增加或減少25%故障值的故障狀態(tài)。從表2可以看出，本文方法將所有故障模式下的故障特征輸入到所有FrFT域中進(jìn)行FD求解，在值不大于1時(shí)，故障數(shù)據(jù)重復(fù)運(yùn)算，不作輸出，當(dāng)值大于1時(shí)，提取特征數(shù)據(jù)，并進(jìn)行輸出，此時(shí)，可以更加準(zhǔn)確的得到所有故障數(shù)據(jù)變化，避免信號(hào)的時(shí)頻部分特性被忽略所導(dǎo)致的計(jì)算出的FD數(shù)值很相近，在時(shí)域中無(wú)法分辨現(xiàn)象，便于后期故障診斷順利開(kāi)展。

通過(guò)Bi-LSTM分類所得到的數(shù)據(jù)就是正常數(shù)據(jù)和異常數(shù)據(jù)，為了驗(yàn)證本文方法應(yīng)用Bi-LSTM模型的優(yōu)異性，選取文獻(xiàn)[3]的深度學(xué)習(xí)方法、文獻(xiàn)[4]KDE-FPBT方法和本文方法的故障診斷性能指標(biāo)作圖，見(jiàn)圖6、圖7。

圖6 不同方法故障診斷性能指標(biāo)直方圖

圖6表示不用方法的指標(biāo)對(duì)比，圖7為不同方法故障診斷的ROC曲線。由圖6、圖7可知本文方法的故障診斷所有指標(biāo)均比其他2種方法故障診斷指標(biāo)數(shù)值高，說(shuō)明本文方法的故障診斷性能對(duì)比其他2種對(duì)比方法強(qiáng)，特別是召回率和AUC值，故障診斷時(shí)如果有高召回率就可以診斷得到更多真實(shí)異常數(shù)據(jù)，召回率在故障診斷時(shí)尤為重要。在檢測(cè)故障點(diǎn)的異常時(shí)，每一個(gè)故障點(diǎn)與周圍正常數(shù)據(jù)點(diǎn)的運(yùn)動(dòng)特征都有較大差異，2種對(duì)比方法只使用故障點(diǎn)的信息，忽略周圍的信息，這會(huì)使檢測(cè)性能降低。深度學(xué)習(xí)方法的召回率極低，說(shuō)明深度學(xué)習(xí)方法遺漏了很多故障異常點(diǎn)，而本文方法應(yīng)用了Bi-LSTM模型，具備深度學(xué)習(xí)的特點(diǎn)，可以快速檢測(cè)到故障異常點(diǎn)。

圖7 不同方法故障診斷ROC曲線

設(shè)置可以引起汽車搭鐵失效故障的5種原因，A搭鐵點(diǎn)松動(dòng)虛接所致；B搭鐵點(diǎn)氧化所致；C搭鐵線路有斷路現(xiàn)象；D搭鐵線路有短路現(xiàn)象，E連接端子腐蝕，實(shí)驗(yàn)?zāi)M搭鐵線路有斷路現(xiàn)象產(chǎn)生導(dǎo)致的汽車搭鐵失效故障時(shí)，統(tǒng)計(jì)本文方法故障診斷的后驗(yàn)概率，用圖8描述。

圖8 本文方法故障診斷的后驗(yàn)概率直方圖

分析圖5所示的本文方法診斷各故障原因的后驗(yàn)概率可知，故障原因D是引發(fā)起汽車搭鐵失效故障最可能發(fā)生原因，且本文方法的故障診斷結(jié)果與實(shí)際設(shè)置情況的故障一樣，具備汽車搭鐵失效故障診斷正確性。

進(jìn)一步驗(yàn)證本文方法的故障診斷的有效性，驗(yàn)證其診斷耗時(shí)，同時(shí)與文獻(xiàn)方法進(jìn)行對(duì)比，參見(jiàn)圖9。

圖9 不同方法故障診斷耗時(shí)曲線

根據(jù)圖9可知，本文方法的故障診斷過(guò)程中的耗時(shí)均低于0.1 s，文獻(xiàn)方法的耗時(shí)分別在0.5～0.8 s和0.75～0.95 s，與本文方法相比，耗時(shí)均高出本文方法較多，因此，本文方法能有在更短的時(shí)間內(nèi)診斷出故障。

4 結(jié)論

提出了一種基于雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型的汽車搭鐵失效故障診斷方法，可以及時(shí)有效的檢測(cè)車輛搭鐵失效故障。通過(guò)對(duì)車輛故障數(shù)據(jù)特征進(jìn)行提取與分析，判定車輛故障的細(xì)微差異，用于診斷故障高效，將本法與其他分類方法進(jìn)行比較，實(shí)驗(yàn)證明了本方法相對(duì)于其他辦法對(duì)于故障特征的精度和準(zhǔn)確率更高，速度更快，可以更好更快速的診斷因搭鐵失效產(chǎn)生的故障，防止車輛進(jìn)一步損壞，影響人身安全。

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型需要一定的數(shù)據(jù)支撐，雖然可以提高車輛檢測(cè)的準(zhǔn)確性，但如果出現(xiàn)全新的故障數(shù)據(jù)需要繼續(xù)更新模型學(xué)習(xí)內(nèi)容，保證模型的更新率，同時(shí)在現(xiàn)實(shí)車輛背景環(huán)境下，可能有一些不確定因素影響數(shù)據(jù)精度，希望在以后研究中對(duì)算法優(yōu)化改進(jìn)。隨著網(wǎng)絡(luò)的發(fā)展和數(shù)據(jù)的累計(jì)，該方法的使用將會(huì)更加便捷，更加廣泛。