引言

随着汽车工业的发展，人们对车辆安全性和舒适性的要求越来越高。车辆故障诊断是以检测技术为基础，依靠电子技术、信息技术、人工智能、数学方法等确定汽车技术状态，识别、判断故障部位和原因，甚至预测故障的综合性理论和技术。本文主要对智能网联汽车激光雷达传感器常见故障诊断进行分析。

1激光雷达传感器

激光雷达扫描仪的众多优势,使其成为复杂交通环境中视觉检测的理想选择。视觉系统的主要功能是契合智能驾驶环境自动作出指令和判断,指导智能驾驶行为。

2传感器常见故障

由于传感器内部封装有电子元件，而且有些传感器安装现场环境非常恶劣，高温潮湿、震动大，传感器容易受到温度、环境等因素影响造成自身的信号产生不稳定；传感器长时间工作在上述恶劣的环境下，很容易出现异常问题，如老化、断线等，这样就会导致传感器检测输出信号出现不稳定状态，从而导致相应的传感器检测状态出现异常。这样检测状态出现异常的传感器将无法准确及时的对被监控设备状态信息进行检测，最后自动化控制系统将失去稳定可靠的数据来源而导致控制失败，造成控制功能异常，甚至可能对驾乘人员的安全造成威胁。因此，针对智能网联汽车激光雷达传感器常见故障诊断具有现实意义。

3智能网联汽车激光雷达传感器故障诊断技术

3.1对应故障记录诊断技术

对应故障记录诊断技术结合智能网联汽车激光雷达传感器驱动运行原理，映射设备运行故障问题，可对故障设备进行全面诊断及测试，确定故障发生的范围、导致故障出现的各类原因。对应故障记录诊断技术是当前智能网联汽车激光雷达传感器常见故障诊断技术，具体应用期间需要检测及维修人员将设备故障原因、发生位置记录在维护手册上，使后续若发生类似故障问题能够得到快速解决，从根本上提高设备实际运维效果。

3.2人工神经网络诊断技术

当前智能网联汽车发展速度不断加快，设备也逐步朝向智能化、自动化方向发展。通过将人工神经网络智能技术应用在设备日常维护管理工作中，能够从根本上提升设备运维质量及效率，确保存在于设备中的各类故障问题能够被及时发现与解决。相较于其他故障诊断技术而言，人工神经网络诊断技术更加适用于处理复杂线性映射关系，帮助维修人员快速锁定故障发生部位，从根本上提升故障处理效率，避免设备故障问题为企业带来较大经济损失。

3.3智能化诊断检测技术

智能化诊断检测技术主要就是模拟人脑思考流程，对智能网联汽车激光雷达传感器驱动运行期间的各类数据信息进行整合及筛选，确保存在于设备中的各类故障问题能够被及时发现。智能化诊断检测技术的运行原理与专家诊断技术相同，均可以在实际使用过程中不断完善自身故障处理方式。就目前来看，智能网联汽车激光雷达传感器驱动诊断技术发展速度日渐加快，对从根本上提升质量与效率，保障智能网联汽车激光雷达传感器实施综合效益发挥着重要作用。智能化诊断检测技术能够更好地应用在隐蔽性较强、结构复杂的设备故障诊断工作中。通过归纳专家经验及知识，模拟专家诊断与处理手段，使设备故障问题能够得到及时解决。

3.4仪器诊断技术

仪器诊断技术就是配合使用各类诊断仪器，对智能网联汽车中各设备运行期间的压力值、转速和温度等数据，利用计算机对这些数据进行全面处理，将处理结果直观展现在现象设备上，确保运维人员能够及时发现存在于智能网联汽车激光雷达传感器中的故障问题，快速设定故障问题出现位置。仪器诊断技术可以在检测人员不直接接触设备的情况下完成检测工作。

4具体应用

以智能网联汽车激光雷达传感器驱动故障为例，重点诊断电动机及其轴承、齿轮等部件。设备运行状态检测工作需要配合使用外接传感器获得。为满足智能网联汽车激光雷达传感器驱动故障诊断目标，可使用电机的输出相电流展示设备的整体运行状态。在电机控制内部设置电流传感装置，测量工作不必使用其他传感设备。由电流传感装置采集2根相线的电流值，经过经验模拟分析得出测量数据。运用数据统计概念，计算数据的平均值、最大值和偏差值，该值序列可分解为多个数据特征和数据故障类型，每条特征数据与故障类型一一对应。在构建XGBoost算法特征树过程中，需要着重使用原始数据，剩余数据可分成训练集、测试集等类型。在训练集中，神经网络的迭代应当采用随机抽取方式获得数据量，设定成迭代验证集，对实际故障诊断效果进行实时检测，并将训练结果中的准确度作为衡量神经网络故障诊断方式的应用有效性标准。实验过程中，可选取约15%的数据作为最终数据测试集。借助特征构建结果，进一步挖掘出数据特征的隐藏信息。在剩余85%的数据中，选择75%的数据训练XGBoost算法特征树，10%的数据利用XGBoost算法特征转化成哑变量编码，开展集中神经网络训练。在特征数据内，每次神经网迭代随机选取15%的数据作为实验验证标准。在训练电机特征树的过程中，由于实际检测的数据量极大、复杂程度较高，可以设定比较便捷的实验数据，故障特征树的数值初始设定为R0=50，其他参数设置为默认参数。实验显示，可以获得分量正确率超过90%的价值模型。为充分发挥XGBoost算法的可行性，有序开展智能网联汽车激光雷达传感器驱动故障诊断工作，应当着重开展对比实验。使用相同训练、测试技术及神经网络结构，将原始特征及XGBoost算法提取的特征数据输入到神经网络中，借助每次迭代方式抽取并验证数据值。对比实验发现，采用其他特征方式构建的神经元网络驱动故障识别效率也较高，但在随机迭代工作运行期间，验证数据在模型中却表现出较大波动，需要依靠多次迭代才能够获得数据特征。经过XGBoost算法重构后的数据特征能够进一步挖掘出数据中的隐藏信息，仅需进行4次迭代驱动故障诊断方式，诊断精度可以达到近乎00%。由此可见，运用XGBoost算法构建神经网络模型，可以优化包装自动化生产线电机故障诊断效果，提高故障诊断的全面性及精准度。

结束语

智能网联汽车涉及到的领域十分广泛，其中，传感器是探测车辆周围环境的基础。由于智能网联汽车中包含多个传感器，必须在算法处理前通过传感器融合来得到更精确的数值。由于传感器融合的精度很容易受到外部因素影响，因此，提高传感器融合的精度，开发更精确、更可靠的自动驾驶车辆障碍物检测技术是现在以及未来发展的关键。可以通过强化深度学习方法强化现有的传感器融合算法，来开发更可靠和准确的障碍物检测方法。

参考文献

[1]尹皓,徐辰宇,徐宏健,等.带有激光雷达和视觉传感器的机器人移动底盘:CN210879746U[P].2020-06-30.

[2]宫铭钱,冀杰,种一帆,等.基于激光雷达和视觉信息融合的车辆识别与跟踪[J].汽车技术,2020(11):8-15.

[3]晏小彬,彭道刚,戚尔江.基于地平面的单目视觉辅助激光雷达SLAM研究[J].光学学报,2020(24):167-177.