《The Knee》:An explainable hybrid deep learning-enabled intelligent fault detection and diagnosis approach for automotive software systems validation
编辑推荐:
数据驱动的机器学习进展已成为支持V开发流程各层级汽车软件系统(ASSs)工程的关键要素。在系统验证与确认过程中,将智能故障检测与诊断(FDD)模型与测试记录分析过程集成,是提高效率、确保功能安全的有力工具。然而,所开发的黑箱FDD模型缺乏可解释性,不仅阻碍了对
数据驱动的机器学习进展已成为支持V开发流程各层级汽车软件系统(ASSs)工程的关键要素。在系统验证与确认过程中,将智能故障检测与诊断(FDD)模型与测试记录分析过程集成,是提高效率、确保功能安全的有力工具。然而,所开发的黑箱FDD模型缺乏可解释性,不仅阻碍了对预测背后原因的理解,也阻止了基于预测结果对模型进行调整。这反过来增加了开发复杂FDD模型所需的计算成本,并限制了在实时安全关键应用中的信心。为解决这一挑战,研究人员提出了一种新颖的可解释故障检测、识别与定位方法,旨在提供对预测结果背后逻辑的清晰理解。为此,研究人员开发了一种基于混合1dCNN-GRU的智能模型,用于分析ASSs实时验证过程中的记录。应用可解释人工智能(XAI)技术,即集成梯度(IGs)、DeepLIFT、梯度SHAP(Gradient SHAP)和DeepLIFT SHAP,有助于实现模型自适应并促进根因分析(RCA)。所提出的方法应用于用户在硬件在环(HIL)系统上执行虚拟测试驾驶期间收集的实时数据集。对模型性能的全面评估显示,其在诊断故障类型和位置方面优于现有最先进模型。通过集成XAI技术,所提出的方法提供了一个高性能、低计算成本的深度学习(DL)模型,具有改进的可解释性,不仅支持安全工程师,而且有助于优化ASSs的实时验证过程。
在汽车软件系统(ASSs)的实时验证过程中,传统故障检测与诊断(FDD)方法面临黑箱模型缺乏可解释性的核心挑战。现有数据驱动模型虽能高效检测故障,但无法揭示预测逻辑,导致模型优化困难、计算成本高昂,且难以在实时安全关键应用中建立信任。同时,并发故障的存在进一步加剧了诊断复杂性。为解决这一问题,研究人员提出了一种基于混合1dCNN-GRU的可解释智能FDD方法,并集成可解释人工智能(XAI)技术,旨在实现故障检测、识别与定位的透明化。该研究发表于《The Knee》。
研究人员首先利用dSPACE的Automotive Simulation Models(ASM)汽油发动机模型,在硬件在环(HIL)仿真系统上采集实时数据集。该数据集涵盖三种驾驶场景(高速公路、变道、城市驾驶),包含单故障与并发故障(如噪声、增益、偏移)及其对应位置(加速踏板、方向盘转角、发动机转速传感器)。数据预处理包括去噪、标准化、重采样(使用随机欠采样(RUS)、类别权重(CWs)和合成少数类过采样技术(SMOTE))以及滑动窗口分割。随后,研究团队构建了混合1dCNN-GRU架构,分别用于故障类型分类模型(FTCM)和故障定位模型(FLM),通过卷积层提取局部特征,门控循环单元(GRU)捕获时序依赖,全连接层(FC)输出分类结果。超参数调优采用网格搜索、随机搜索和贝叶斯优化。在模型解释性阶段,研究人员应用了四种XAI技术:集成梯度(IGs)、DeepLIFT、梯度SHAP(Gradient SHAP)和DeepLIFT SHAP,计算全局特征重要性(GFI)、每类特征重要性(PCFI)和特征交互(FIs),以量化特征贡献并指导模型精简。
模型评估结果表明,所提出的混合1dCNN-GRU在故障类型识别和故障定位任务上的F1-score分别达到97.40%和97.19%,显著优于传统的循环神经网络(RNN)(43.07%)、长短期记忆网络(LSTM)(57.73%)和门控循环单元(GRU)(74.45%)模型,并在并发故障诊断上表现出平均96%的准确率,超越现有最先进方法。XAI结果进一步揭示了关键特征(如P_Engine[kW]、q_PresCtrlValve[mm3/s]等)对预测的主导作用,并表明通过特征选择可将输入特征从24个减少至10个,使FLM的训练时间从22,998.75秒降至5,412.72秒,而性能仅轻微下降2%。在XAI方法比较中,DeepLIFT和Gradient SHAP计算效率最高,而IGs和DeepLIFT SHAP耗时较长。特征交互分析显示,lambda_bCat[]与mdot_Out_EGR[kg/h]之间存在强正相关(0.91),反映了排放控制中的耦合关系。
讨论部分指出,所提出的XAI增强FDD框架与ISO 26262功能安全标准相契合,通过提供可追溯的特征归因,支持安全案例论证、故障注入分析及验证报告的可信度提升。研究结论强调,该混合方法在保持高诊断性能的同时,显著降低了计算成本,并通过可解释性支持根因分析(RCA),为ASSs实时验证过程的优化提供了可靠工具。未来工作可拓展至信任估计、人机协作及自动并发故障RCA等方向。