基于模糊BN和改进证据理论的车辆故障定位方法

doi:10.19562/j.chinasae.qcgc.2023.10.018

摘要/Abstract

摘要：

为解决车辆售后维修过程中由于车辆部件的关联故障而产生大量杂乱故障码，导致通过分析故障码进行源头故障部件定位困难的问题，本文提出一种基于模糊BN和改进证据理论的车辆故障定位方法。首先，根据历史数据及专家经验构建模糊BN模型并得到其后验概率。其次，将后验概率作为改进证据理论的基本概率赋值输入，提出融合邓熵和Pignistic概率距离的修正系数对证据修正，解决证据不确定性及证据间冲突问题。然后，采用基于矩阵分析的证据合成规则，避免大量证据合成失败情况的同时减少计算量，得到故障定位结果。最后，以ABS系统为例，验证该方法的可行性。本文所提出的方法可为维修人员提供指导进行快速定位故障。

关键词: 故障码, 模糊贝叶斯网络, D-S证据理论, 故障定位

Abstract:

This paper proposes a vehicle fault location method based on fuzzy BN and improved evidence theory， in order to solve the problem of difficulty in locating the source fault parts by analyzing the fault codes due to generation of a large number of chaotic diagnosis trouble codes by the associated faults of vehicle parts in the process of vehicle after-sales maintenance. Firstly， the fuzzy BN model is constructed according to historical data and expert experience and the posterior probability is obtained. Secondly， the posterior probability is input as the basic probability assignment of the improved evidence theory， and the correction coefficient combining Deng entropy and Pignistic probability distance is proposed to correct the evidence， so as to solve the problems of the uncertainty of the evidence itself and the conflict between evidences. Then， the evidence synthesis rule based on matrix analysis is adopted to avoid a large number of evidence synthesis failures and reduce the amount of computation， and the fault location results are obtained. Finally， the ABS system is taken as an example to verify the feasibility of this method， which can provide guidance for maintenance personnel to locate faults quickly.

Key words: diagnosis trouble code, fuzzy Bayesian network, D-S evidence theory, fault location

胡杰,张潇,魏敏,陈林,卿海华,高长斌. 基于模糊BN和改进证据理论的车辆故障定位方法[J]. 汽车工程, 2023, 45(10): 1975-1983.

Jie Hu,Xiao Zhang,Min Wei,Lin Chen,Haihua Qing,Changbin Gao. Vehicle Fault Location Method Based on Fuzzy BN and Improved Evidence Theory[J]. Automotive Engineering, 2023, 45(10): 1975-1983.

图/表 22

表1

表2

表3

图1

图2

图3

图4

图5

表4

改进合成规则伪代码"

Algorithm 1 基于矩阵分析的合成规则

Input：修正后各证据的基本概率矩阵 $M' = [m 1', m 2', …, m m'] T m × n$

Output：故障定位结果

1. $A = (m 1') T$ ， $B = m 1'$ ， $K = 0$

2. for i=2 to m do：

3. $R = A × m 1'$ ， $B = B + m 1'$

4. $K = K + ∑ p ≠ q R p q$ //计算 $R$ 的非主对角线元素和与 $K$ 累加

5. for j=1 to len（ R ） do：//将 $R$ 的主对角线元素依次赋予 $A$

6. $A j = R j j$

7. end

8. end

9. $R e s k = R k k + K · B 1 k m$ //计算第 $k$ 个部件故障的可能性

10. Return $R e s 1, R e s 2, …, R e s n$

表4

表5

图6

表6

图7

表7

表8

节点Fi的后验概率"

证据	$F 1$	$F 2$	$F 3$	$F 4$	$F 5$	$F 6$
U198087	0.239	0.190	0.261	0.164	0.045	0.101
C112224	0.160	0.129	0.331	0.145	0.129	0.106
C166001	0.229	0.045	0.318	0.196	0.045	0.167
U240087	0.159	0.048	0.183	0.364	0.128	0.119
C003A01	0.200	0.040	0.040	0.611	0.040	0.070

表8

表9

证据确定程度"

证据	邓熵 $E D$	确定程度 $E n s$
U198087	0.222	0.778
C112224	0.205	0.795
C166001	0.202	0.798
U240087	0.194	0.806
C003A01	0.178	0.822

表9

表10

表11

证据可信度"

证据	可信度 $B e l$	证据	可信度 $B e l$
U198087	3.127	U240087	3.163
C112224	3.150	C003A01	2.424
C166001	3.185

表11

图8

表12

表13

表14

参考文献 19

1	ANDREAS Theissler. Detecting known and unknown faults in automotive systems using ensemble-based anomaly detection［J］. Knowledge-Based Systems，2017，123.
2	KRIEBE S， KUSMENKO E， RUMPE B， et al. Learning error patterns from diagnosis trouble codes［C］. 2019 IEEE Intelligent Vehicles Symposium （IV）， 2019：179-184.
3	VERBERT K， BABUŠKA R， DE SCHUTTER B. Bayesian and dempster-shafer reasoning for knowledge-based fault diagnosis-a comparative study［J］. Engineering Applications of Artificial Intelligence，2017，60.
4	LIU Yuwei， CHENG Yuqiang， ZHANG Zhenzhen， et al. Multi-information fusion fault diagnosis based on KNN and improved evidence theory［J］. Journal of Vibration Engineering & Technologies，2021（prepublish）.
5	李仲兴，秦霞，薛红涛.基于BN和改进DST的轮毂电机故障诊断方法［J］.华中科技大学学报（自然科学版），2021，49（8）：27-32. DOI：10.13245/j.hust.210805.
	LI Zhongxing， QIN Xia， XUE Hongtao. In-wheel motor fault diagnosis method based on BN and improved DST［J］. Huazhong Univ. of Sci. & Tech. （Natural Science Edition），2021，49（8）：27-32. DOI：10.13245/j.hust.210805.
6	李宏梅，佟为明，程树康.基于贝叶斯网络的信息融合汽车网络故障诊断方法［J］.汽车工程，2015，37（10）：1190-1194. DOI：10.19562/j.chinasae.qcgc.2015.10.015.
	LI Hongmei， TONG Weiming， CHENG Shukang. Fault diagnosis method of automotive network with bayesian network-based information fusion［J］. Automotive Engineering，2015，37（10）：1190-1194. DOI：10.19562/j.chinasae.qcgc.2015.10.015.
7	史晓娟，姚兵，顾华北.基于模糊贝叶斯网络的矿井排水系统故障诊断［J］.工矿自动化，2022，48（9）：77-83.DOI：10.13272/j.issn.1671-251x.18014.
	SHI Xiaojuan， YAO Bing， GU Huabei. Fault diagnosis of mine drainage system based on fuzzy bayesian network［J］. Journal of Mine Automation，2022，48（9）：77-83. DOI：10.13272/j.issn.1671-251x.18014.
8	陶鹏，张洋瑞，李兵，等.基于D-S理论多源信息融合的电气设备故障诊断模型［J］.计算机应用与软件，2021，38（7）：73-79.
	TAO Peng， ZHANG Yangrui， LI Bing， et al. Fault diagnosis model of electricial equipment based on D-S theory multi-source information fusion［J］. Computer Applications and Software， 2021，38（7）：73-79.
9	张宽，吐松江·卡日，高文胜，等.基于云模型和改进D-S证据理论的变压器故障诊断［J］.高压电器，2022，58（4）：196-204.DOI：10.13296 /j.1001-1609.hva.2022.04.027.
	ZHANG Kuan， TUSONGJIANG·Kari， GAO Wensheng， et al. Fault diagnosis of transformer based on cloud model and improved D⁃S evidence theory［J］. High Voltage Apparatus，2022，58（4）：196-204. DOI：10.13296/j.1001-1609. hva.2022.04.027.
10	夏飞，孟娟，杨平，等.改进D-S证据理论在振动故障诊断中的应用［J］.电子测量与仪器学报，2018，32（7）：171-179. DOI：10.13382/j.jemi.2018.07.025.
	XIA Fei， MENG Juan， YANG Ping， et al. Application of improved D-S evidence theory in vibration fault diagnosis［J］. Journal of Electronic Measurement and Instrumentation， 2018，32（7）：171-179. DOI：10.13382/j.jemi.2018.07.025.
11	叶琼，李绍稳，张友华，等.云模型及应用综述［J］.计算机工程与设计，2011，32（12）：4198-4201.DOI：10.16208/j.issn1000-7024.2011.12.033.
	YE Qiong， LI Shaowen， ZHANG Youhua， et al. Cloud model and application overview［J］. Computer Engineering and Design，2011，32（12）：4198-4201.DOI：10.16208/j.issn1000-7024.2011.12.033.
12	GAO Fei. An integrated risk analysis method for tanker cargo handling operation using the cloud model and DEMATEL method［J］. Ocean Engineering，2022，266（P4）.
13	DENG Yong. Uncertainty measure in evidence theory［J］. Science China（Information Sciences），2020，63（11）：5-23.
14	LIU Weiru. Analyzing the degree of conflict among belief functions［J］. Artificial Intelligence，2006，170（11）.
15	奚婷婷，熊伟丽，张林，等.基于矩阵分析的DS合成算法［J］.计算机工程，2009，35（16）：264-266.
	XI Tingting， XIONG Weili， ZHANG Lin， et al. DS compositive algorithm based on matrix analysis［J］. Computer Engineering，2009，35（16）：264-266.
16	PANARETOS V M， ZEMEL Y. Statistical aspects of wasserstein distances［J］. Annual Review of Statistics and Its Application，2019，6（1）.
17	张雅媛，孙力帆，郑国强.基于改进Jousselme证据距离的多传感器决策融合方法［J］.仪表技术与传感器，2019（7）：82-87.
	ZHANG Yayuan， SUN Lifan， ZHENG Guoqiang. Approach to multi-sensor decision fusion based on improved jousselme evidence distance［J］. Instrument Technique and Sensor， 2019（7）：82-87.
18	肖建于，童敏明，朱昌杰，等.基于pignistic概率距离的改进证据组合规则［J］.上海交通大学学报，2012，46（4）：636-641，645. DOI：10.16183/j.cnki.jsjtu.2012.04.024.
	XIAO Jianyu， TONG Minming， ZHU Changjie， et al. Improved combination rule of evidence based on pignistic probability distance［J］. Journal of Shanghai Jiaotong University， 2012，46（4）：636-641，645. DOI：10.16183/j.cnki.jsjtu.2012.04.024.
19	DENG Yong， SHI WenKang， ZHU Zhenfu， et al. Combining belief functions based on distance of evidence［J］. Decision Support Systems，2004，38（3）.

数据类型	数据字段名称	数据说明
车辆信息	Type	车型
车辆信息	VIN	VIN码
维修信息	Maintain_Time	维修时间
故障码信息	DTC	故障码
	State	故障码状态
	ECU	报出故障码的模块

数据类型	数据字段名称	数据说明
车辆信息	Type	车型
	VIN	VIN码
	Purchase_Date	购车日期
	Mileage	行驶里程
维修信息	Maintain_Time	维修时间
	Description	故障描述
	Result	处理结果
	Component_Name	配件名称

案例	车型	故障码	VIN	维修时间	故障类型	标准故障部件
1	…	U18*7，U1B7，C005，P186，P18**0	LK6A…	2020/10/7	ABS模块内部故障	ABS模块
2	…	U14*7，U147，U147，U167，U1A**7……	LK6A…	2020/10/11	轮速传感器故障	轮速传感器
3	…	U18*7，U1B7，C114，P186，P18**6……	LK6A…	2020/10/11	制动助力泵内部故障	制动助力泵
4	…	U26*7，B106，B121，B110，C10**6……	LK6A…	2020/10/12	ABS模块内部故障	ABS模块
5	…	U26*7，U1C7，U147，C204，C16**1……	LK6A…	2020/10/15	ABS模块内部故障	ABS模块
…	…	……	…	…	……	…

编号	先验概率数字特征	编号	先验概率数字特征
F₁	（0.175，0.349，0.010）	F₄	（0.163，0.328，0.011）
F₂	（0.038，0.086，0.013）	F₅	（0.083，0.171，0.012）
F₃	（0.092，0.192，0.014）	F₆	（0.506，0.625，0.031）

编号	U198087	C112224	C166001	U240087	C003A01
F₁	0.019	0.014	0.016	0.016	0.005
F₂	0.070	0.052	0.015	0.023	0.004
F₃	0.041	0.056	0.044	0.036	0.002
F₄	0.014	0.014	0.015	0.039	0.016
F₅	0.007	0.022	0.006	0.026	0.002
F₆	0.003	0.003	0.004	0.004	0.000