随着汽车行业的发展，对汽车的性能检测、维修、管理提出更高的要求。通过分析多传感器数据融合技术故障诊断方法及汽车诊断系统(故障预测与健康管理)的特点，在不改变当前汽车智能检测系统硬件组成的情况下，将多传感器信息融合技术运用到汽车诊断系统，并且比较智能化分析系统的故障，以及记录下全部传感器和驱动器的数据，实现对汽车系统的实时状态监测、健康评估和故障诊断。
O 引言
　　目前的大部分故障检测方法往往只是对系统状态信息中的一种或几种信息进行多层次、多角度的分析和观察，从中提取有关系统行为的特征，所以给系统故障的有效诊断带来了局限性。比如，在汽车的运动过程中，利用发动机气缸的缸温对发动状态进行诊断时，由于信号类型中能够提供的信息较少，因而很难做出准确评价。但如果能将气缸的温度信息、发动机转速，以及汽车的运动速度综合起来考虑，那么就可以对发动机的状态进行更准确的评价。在某些故障诊断过程中，虽然有时利用一种信息，即可判断机器的故障，但在许多情况下得出的诊断结果并不可靠。因而多传感器数据融合技术从多个不同的信息源获得有关系统状态的特征参数进行有效的集成与融合，能较为准确和可靠地实现系统运行状态的识别和故障的诊断与定位。
　　随着微电子技术、现场总线、计算机测控技术、信息与处理技术、无线通信、线控驱动等技术的发展，多传感器信息融合的智能化诊断技术在汽车系统故障诊断中的应用已成为一个新的研究方向。多传感器数据融合与所有单传感器信号处理相比，单传感器信号处理是对人脑数据处理的一种低水平模仿，而通过多传感器数据融合可以更大程度地获得被测目标和环境的信息量，能够在最短的时间内，以最小代价获取单个传感器所无法获取的更精确特征。多传感器数据融合的基本原理也象人脑综合处理信息一样，充分利用多个传感器资源，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在空间或时间的信息冗余或互补依据某种准则进行组合，以获得被测对象的一致性解释或描述，但从现代生活应用的角度看，多传感器信息的融合技术可以定义为通过对空间分布的多源信息，各种传感器的时空采样，对所关心的目标进行检测、关联、跟踪、估计等多级多功能处理，以更高的精度、较高的概率或置信度得到人们所需要的目标状态和估计，以及完整及时的态势和威胁评估，为驾驶员提供有用的决策信息。实际上也是对各类传感器提供的信息进行综合处理，模拟人脑对复杂问题的综合处理。它的基本原理就是充分利用不同时间与空间的多传感器信息资源，通过在一定准则下对计算机技术这些传感器及观测信息进行自动分析、综合以及合理支配和使用，将各种单个传感器获取的信息冗余或互补依据某种准则组合起来，获得对被测对象的一致性解释与描述，使系统获得比它的各组成部分更优越的性能，以此来提高整个传感器系统的有效性，消除单个或少量传感器的局限性。因此，它应用在汽车系统中就能使整个系统的各个子系统更好的管理和维修。
1 自诊断系统思想的实现
　　汽车系统是一个集机械、电子、材料、通信和网络等先进技术的复杂系统。汽车故障诊断系统的目标是实现准确故障诊断和维修，以减少汽车在运动中的一些事故发生。为适应未来人们高质量的需要，提高汽车智能化的发展，降低总的维修费用，需要根据汽车的具体要求建立汽车故障诊断体系和技术方法，即汽车整个系统实施方案。首先要确定可以直接表征其故障、健康状态的参数指标或间接推理判断系统故障、健康状态所需的参数信息，并利用数据采集设备将该类参数信息进行实时采集，这些采集数据是实施汽车系统诊断的数据基础。精确、及时、高可靠性的状态监测与数据处理技术作为实施汽车的前端技术，将直接影响汽车系统的性能。但是汽车系统体积小、系统复杂，机载设备多，载荷能力有限，所以汽车系统对数据信息、数据链路和诊断设备提出更高的要求，并借助各种算法(如快速傅里叶变换、离散傅里叶变换)和智能模型(如专家系统、神经网络、模糊逻辑等)将原来单一的各分系统的性能检测信息、故障诊断信息和汽车运动信息进行集成，实现对汽车各部件运行信息的综合管理、系统状态监测、故障诊断与预测、部件性能降级衰退分析与剩余寿命累计、预测。这种汽车智能安监系统与传统的故障检测相比，优势在于由事后检测转移到事前预测，在详细掌握部件失效机理的情况下，构建部件失效模型,达到故障预测。同时，这种汽车安检系统还需要采纳传统优秀的故障检测方法，用来探测潜在故障，以便在灾难事件造成前采取措施。将多传感器信息融合技术运用于汽车系统的故障诊断之中，通过汽车运动时所采集到的状态参数、运动参数、发动机以及任务设备等方面的数据信息，结合给定汽车系统故障机理及失效分析，找出数据信息与故障元件之间的映射关系，然后对采集的数据信息进行融合，形成基于知识推理的多传感器信息融合故障诊断方法，从而准确无误地诊断出故障元件。但随着汽车故障诊断系统的庞大化和复杂化，传感器的类型和数目急剧增多，从而使汽车系统形成了一个传感器群，基于此就引出了多传感器融合技术。当汽车在运行时，其传感器群均处于实时信息采集状态，对于每个系统每种故障征兆可能对应着故障库中多种可能的故障，而故障库中的每个故障也可能引起多种故障征兆，所以要对各传感器采集的故障信息进行融合。分别通过各故障征兆对所有的假设进行独立的判断，得出各假设情况下发生的故障概率分布及发生的概率，然后融合各故障信息，以求得各故障发生的概率，其中发生概率最大的为主要故障。
　　多传感器融合判定原理如图1所示。

2 Bayes推理方法
　　Bayes推理方法算法如下：汽车运行过程可以看成是一个随机过程，根据先验知识对故障做出概率估计称为先验概率，记为P(ωi)，(i= 0，1，2，…，c)；P(ω0)表示正常工况的概率，P(ωi)，(i=1，2，…，c)表示c类故障发生的概率。将故障样本X=(x1，x2，…，xn)作为输入模式样本，P(X|ωi)(i=1，2，…，c)表示输入模式的c类条件概率密度函数。根据Bayes公式：

　　式中：P(ωi|X)是已知条件下ωi出现的概率，称为后验概率。因此如果满足下面Bayes规则，则x∈ωi，且：

　　主观Bayes方法中，每条推理规则可以表示为：IF[规则名]THEN H(LS，LN)。其中，LS，LN(≥0)分别称为充分性度量和必要性度量(其数值由专家定)，主观Bayes方法推理过程就是根据证据事件的概率P(E)，利用规则(LS，LN)，事件的系统性能断言的先验概率P(H)更新为后验概率P(H|E)，同时H又作为新规则的证据，结合新的规则(LS，LN)，进一步计算出新的后验概率。
3 实例
　　下面用一个汽车的具体实例来说明，如何采用Bayes方法进行故障诊断。汽车系统运行中经常出现各种各样的故障，执行元件故障是其中最常见的一种情况。引发故障的原因很多，大致归纳是由传动控制系统、主动悬挂系统、防自锁刹车系统、发动机控制系统、安全气囊系统、仪表显示系统、各个故障诊断系统、燃油喷射系统、电动车门系统、空调系统、照明系统、电动椅系统、排放控制系统、车身稳定系统、防盗系统的匹配、汽车噪声的检测这16个部分的不同故障可能的原因所引起。
[page]

        从图2可看出，引起执行元件故障的因素有很多种。其中，执行系统动作的不稳定是故障的主要现象之一，排气不良、工作油质不良等多种故障都可能导致执行元件的动作不稳定，因此这种故障是连锁性质的，不是简单的一一对应关系。通过对汽车系统这类故障的统计，可以得到各部位发生故障的几率具有一定的先验统计规律，上例的简单统计如表1所示。

　　基于智能诊断系统的一个假设将这些数据存储在知识库中。工作过程是：首先从监测数据中发现问题，传感器反映的信息是流量、压力、位移和温度等，参数偏离正常范围后，将这些数据根据故障几率的大小，送推理机进行融合判定。基于每个传感器观测结果的决策ui构成全局决策u，且：


　　用P(H0)=P0，P(H1)=P1分别表示如果H0为真(正常)和如果H1为真(故障)的先验概率，yi(1≤i≤n)表示第i个传感器的探测结果，ui(1≤i≤n)表示第i个传感器基于yi的决策，且：


　　令P(Hi|u)表示在给定全局决策u的前提下，Hi为真的概率，应判定2个概率中较大者所对应的假设为正确的假设。于是，若：


　　则根据上述判决规则将选择H0，否则将选择H1。
　　上述规则可表示为：

　　对比式(7)和式(9)可以看出，Bayes准则下的判决规则与最大后验概率的判决规则相同。将上述关系作为规则存放在知识库中，当发现这些参数偏低后，推理机利用知识库中的规则进行推理，即可在执行元件发生故障前预报故障。在实际中，故障的表现往往是错综复杂的，这就要求有中间假定，反复推理。Bayes推理法则对每个假设推理运算为250次，所以诊断系统的关键技术是建立具有专家智能的知识库，使推理计算机能进行有效的推理分析。同时，要求推理计算机具有高速处理的能力，才能实现故障的预报和快速诊断功能。
4 结论
　　多传感器信息融合技术在汽车系统的运用，充分利用了汽车电子系统本身安装多种传感器对汽车系统进行动态监测，不需要增加系统硬件，通过融合多传感器输出实时状态信息，对系统运行状况进行综合判断，可以对汽车系统大部分故障实现在线诊断，当任何单个传感器出错时，不会影响汽车系统最终的诊断结果，使系统的故障诊断可靠性大大提高。汽车安检系统的故障诊断不但可以提高整个系统运行的可靠性，还可以提高系统的维修效率，对汽车系统的完善和发展有着重要意义，是保证汽车系统安全运行的一个重要内容。当然，由于受到目前汽车硬件条件(如机体空间有限、增加传感器困难)的限制，汽车系统监测还不能覆盖所有可能故障，对传感器不能感知到的信号还不能进行准确的故障在线监测和诊断。为了扩大故障监测范围，汽车系统应在汽车系统设计开发时加以考虑，在汽车关键部位适当增加传感器，以保证汽车安检系统可以对汽车系统进行全方位的监测和故障诊断。