本发明专利技术公开了一种汽车电子系统故障诊断方法，该系统通过监测汽车总线上的异常数据流并提取记录，根据异常数据流，按照数据预处理法则将其转换成故障征兆向量，转换成的故障征兆向量可作为历史故障库模式识别的输入，其中历史故障库是由故障征兆向量和故障原因对应集组成，没有匹配成功的故障征兆向量作为训练样本通过决策树算法得到故障征兆故障原因对应集，并且存入历史故障库，历史故障库存储的故障征兆故障原因对应集不断积累完善，通过统计算法可以预测未来的故障概率。由于故障诊断模型结合定性与定量的方法，将专家经验与数据、算法模型有机结合起来，使故障诊断具有快速性、准确性和可靠性。
【技术实现步骤摘要】
本专利技术涉及一种汽车复杂电控系统的诊断建模方法，尤其涉及。
技术介绍
由于汽车电子技术发展迅猛，汽车各个系统的电子化程度越来越高，相应的汽车电子故障检修也越来越复杂。汽车整车电控系统就是一个复杂系统。复杂系统普遍存在， 包括自然的系统和人造的系统；以人造系统为例，复杂系统本身由数十种、数百种甚至数以千计的子系统、器件构成，它们本身就十分复杂，作为组成，子系统和部件之间的相互联系和作用也比较复杂，同时与外界也进行交互联系，因而称为复杂系统。为了应对日益复杂的汽车电子故障诊断，不同的车厂不断研发功能更强大的诊断仪来应对汽车故障诊断，然而诊断仪对诊断带有故障码的信息有效，而对于没有故障码的故障现象无能为力。然而，通常故障码在整车电器故障中的比例不超过37%，其他的故障现象出现时通常借助于万用表、 汽车压力表、专用诊断仪等等，非常繁琐，对检测人员的专业要求也非常高；另外，故障诊断过程中没有充分利用数据流，更没有积累下宝贵的诊断经验。针对当前存在的弱点，如何快速、低成本、准确地诊断出故障系统的故障原因，是本领域技术人员需要解决的技术问题。
技术实现思路
本专利技术的目的就是为了解决上述问题，提供， 它能够提高故障诊断的准确性，缩短故障诊断的时间，并且可以预测未来的故障概率。本专利技术提供，该方法的诊断步骤如下步骤1 监测汽车总线上的异常数据流并对数据流信息进行分组与排查；步骤2 对获取到的异动数据流利用数据预处理法则进行故障预处理，预处理的目标是提取有效信息，转化为故障征兆向量fs，作为历史故障库输入匹配故障模式的依据；步骤3 将所述故障征兆向量fs输入到历史故障库进行故障模式匹配，如果能搜索到故障征兆向量fs，则说明匹配成功；步骤4 匹配成功的故障征兆向量，匹配对应故障原因集找出故障；没有匹配成功的故障征兆向量作为训练样本，通过决策树算法得到故障征兆故障原因对应集，并且存入历史故障库；步骤5 历史故障库存储的故障征兆故障原因对应集不断积累完善，在历史故障库的基础上分析各类故障类型及计算其故障率，利用故障率预测系统未来的发生故障的概率。所述步骤2中，所述数据预处理法则，是根据故障诊断对象的故障征兆向量与故障原因向量之间的对应关系，按照历史故障库故障征兆向量存储的形式进行编码。所述步骤2-5中所述历史故障库是由故障征兆向量和故障原因对应集组成。所述步骤4中决策树算法的决策过程如下a)设未匹配成功的故障征兆向量组成的训练样本集合为S，计算集合S的期望信息设Sl，s2，…，知是S的m个例子集，期望信息由式⑴得出7CWJ=-Zt4oIT,=1 J (1)其中，Si表示训练样本集合S的第i个子集，i = 1，2，...，m;b)计算属性A将集合S划分为子集的熵E (A)；c)计算属性A为结点的信息增益kin(A)Gain(A) = I (Sl，s2，…，sm)_E(A) (2)d)计算属性A将集合S划分为子集的信息增益比，通过计算将信息增益比最高的属性作为集合S的测试属性，用它来创建节点，对A属性的各个值或各个区间创建分支，如此来划分样本，完成决策树决策。在本专利技术中，提出的故障诊断依据是在系统建模的基础上采用定性与定量相结合的方式。因为系统建模的过程实际是指将真实系统的构造、性能、输入输出用数学逻辑关系描述并且无限拟合，建模需要经验知识也就是对真实系统的定性认识；然后，根据历史数据、计算机模拟仿真方法不断修正改进模型，直到模型运行达到最优化，此为定量认识。本专利技术中提出的故障诊断方法适用汽车复杂电控系统，电控系统包括硬件、软件，同时它与外部环境进行信息交互，外部环境故障的原因包括人为因素、电磁干扰因素、实用环境因素等；内部故障原因包括硬件故障、软件故障或者机械故障等。系统包括信息流的输入，输出； 输入的信息流包括传感器采集数据、人机接口信息等，输出的信息流包括执行器指令和故障信息等。根据汽车复杂电控系统特点，本专利技术提出的故障诊断建模框架是领域专家根据理论知识和经验，明确系统运行机制和故障原因，确定系统诊断框架，界定边界和参数变量； 在此基础上用数学模型、逻辑模型描述输入输出关系，并且对建立的模型进行仿真验证，不断优化模型，调整先前设定的参数变量和边界变量，重复多次直到各方面满足要求的确定结果。在本专利技术中，故障诊断算法采用公知的Quinlan于1986年提出C4. 5决策树算法训练测试样本集，通过采用信息增益比作为选择属性的标准，计算得出故障征兆与故障原因对应关系集。本专利技术中提出了基于历史故障库的故障预测，其原理是统计计算历史故障库中各故障类型及其故障率，利用故障率预测未来发生故障的概率。本专利技术的有益效果是系统能从繁冗复杂、海量高纬的数据中把握住内在规律，更加有效利用信息流，能够将诊断经验存储下来，根据历史故障库数据统计能对未来进行故障概率预测。故障诊断变得更快速、简便、低成本，诊断算法本身能够自学习、自适应，随着样本的增加令诊断更加准确、可靠。附图说明图1为本专利技术实施过程中系统故障诊断思路框架图2为本专利技术实施例中系统故障诊断方法具体的流程图3为电控节气门控制系统框架图4为决策树图。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。如图1为介绍故障诊断建模的定性定量结合解决故障的一般思路，故障诊断方法包括以下步骤步骤1-1，根据所掌握的理论知识和经验研究诊断对象，明确其运行机制和故障原因，对问题解决得方法和途径作出经验性假设，确定系统框架，界定边界和参数变量；步骤1-2，在上一步工作的基础上进行系统建模，即用数学、逻辑关系描述输入输出关系；在系统模型的基础上，对模型进行仿真试验，目的在于发现问题，优化模型，促进建模的可靠性和准确性；步骤1-3，以历史数据为样本，根据仿真、优化的测试结果对先前设定的参数、边界参数进行相应调整和修改，并且反复这一过程；步骤1-4，在定量分析的基础上，重新审视先前系统模型的建立和边界界定，进一步修正参数；上述过程可能重复多次，直到各方面满足要求确定结果；步骤1-5，在上述过程的基础上，得到定性与定量结合的故障诊断模型。图2为本专利技术实施例中系统故障诊断方法具体的流程图，故障诊断具体流程包括以下几个步骤步骤2-1，监测汽车总线(如CAN总线，Lin总线，或FlexRay总线等)上的异常数据流并对数据流信息进行分组与排查；数据流信息主要包括数值信息、控制信息和内容信息。判断数据流是否在正常范围内，是否稳定(数据流的正常范围、阈值在每一种产品的技术任务书内都明确规定)；是否发生异动是故障诊断的前提，故障发生时，异动的数据流是故障诊断的重要依据；步骤2-2，对获取到的异动数据流进行故障预处理，预处理的目标是提取有效信息，转化为故障征兆向量fs= ，作为历史故障库输入匹配故障模式的依据；步骤2-3，历史故障库是用来存储故障征兆与故障原因对应集，fn代表故障征兆，Un代表故障原因。上一步骤生成的故障征兆向量输入到历史故障库中，如果能搜索到故障征兆向量仁，则说明匹配成功；步骤2-4，匹配成功的故障征兆向量，匹配对应故障原因集Us，方便找出故障；步骤2-5，匹配不成功的故障征兆向量，征兆向量作为训练样本，通过决策树算法生成征兆原因对应规则存储到故障库中，在用例的不断积累的条件下历史故障库将更加完善，能够为未来本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：李杨，李研强，王知学，庄汝科，张晓波，
申请(专利权)人：山东省科学院自动化研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。