CN110108957B

CN110108957B - 一种基于结构分析法的拖拉机电气故障诊断方法

Info

Publication number: CN110108957B
Application number: CN201910373647.1A
Authority: CN
Inventors: 杜常清; 张欢
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2019-05-07
Filing date: 2019-05-07
Publication date: 2020-06-02
Anticipated expiration: 2039-05-07
Also published as: CN110108957A

Abstract

本发明公开了一种基于结构分析法的拖拉机电气故障诊断方法,包括以下步骤：S1：整理拖拉机典型电气故障检测的历史数据；S2：抽取典型的故障数据；S3：建立拖拉机故障模型；S4：根据建立的故障模型，绘制结构表征图，分析模型内部未知量与模型方程之间的关系，判断模型中所有故障的可检测性；S5：求解模型中的最小型超定方程集，并筛选出合适的测试集；S6：根据测试集，推导出序列残差；S7：根据综合系统特性、残差和诊断需求，选取诊断策略，完成检测系统的建立；解决了传统方法劳动强度大，自动化程度落后，检测效率低下，检测数据记录繁琐，难以对拖拉机电气故障进行精确，高效的检测、故障辨识和数据分析的问题。

Description

一种基于结构分析法的拖拉机电气故障诊断方法

技术领域

本发明涉及电气故障诊断领域，特别是一种基于结构分析法的拖拉机电气故障诊断方法。

背景技术

拖拉机作为典型农机装备产品，电气设备在拖拉机上所占比重也越来越高，所以对于拖拉机电气故障的下线检测技术的研究也日益重要，这对于提高拖拉机的质量，确保拖拉机安全、可靠具有重要意义。然而目前的拖拉机下线检测技术还停留在传统的人工检测阶段，依靠工人的经验进行判断，有直接观察法、断路实验法、万用表检测法、短接实验法、搭铁试火法。这些传统方法劳动强度大，自动化程度落后，检测效率低下，检测数据记录繁琐，难以对拖拉机电气故障进行精确，高效的检测、故障辨识和数据分析。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于结构分析法的拖拉机电气故障诊断方法，解决了传统方法劳动强度大，自动化程度落后，检测效率低下，检测数据记录繁琐，难以对拖拉机电气故障进行精确，高效的检测、故障辨识和数据分析的问题。

一种基于结构分析法的拖拉机电气故障诊断方法,包括以下步骤：

S1：整理拖拉机典型电气故障检测的历史数据；

S2：抽取典型的故障数据；

S3：建立拖拉机故障模型；

S5：根据建立的故障模型，绘制结构表征图，分析模型内部未知量与模型方程之间的关系，判断模型中所有故障的可检测性；

S4：求解模型中的最小型超定方程集，并筛选出合适的测试集；

S5：根据测试集，推导出序列残差；

S6：根据综合系统特性、残差和诊断需求，选取诊断策略，完成检测系统的建立；

S7：根据拖拉机下线检测值，求得故障特征参数并依次排列，得出故障向量，从而定位到系统故障。

优选地，S1的拖拉机典型电气故障检测的历史数据包括拖拉机电器故障、发动机故障和传动系统故障；拖拉机电器故障包括压降过大、电压过低和内阻过大；发动机故障包括气缸或气门漏气、连杆弯曲或扭曲、曲轴故障；传动系统故障包括变速器齿轮磨损和离合器轴承磨损。

优选地，蓄电池故障模型为：

E＝V+(R+f_R)i+u

y_v＝V+f_V

其中，f_R表示电池内阻故障参数，y_V表示电池输出电压传感器的测量值，f_V表示电池输出电压传感器的偏差值，E是电池电动势，V是工作电压，R是电阻元件阻值，i是工作电流，u是极化电压，C是电容；

发动机故障模型为：

T_eng＝h_eng(a，w_eng)·f_k+h_gas(a)·f_gas

其中，f_k为连杆弯曲或扭曲故障参数，f_gas为气缸或气门漏气故障参数，h_eng表示惯性力产生的发动机阻力矩部分，h_gas表示气缸压强产生的发动机阻力矩部分，T_eng是发动机阻力矩，w_eng是曲轴转速，

为发动机曲轴故障参数；

传动系统故障模型为：

w_m＝r₀·w_eng

其中，K_T是变速器传动效率系数，r₀是变速器输出轴与曲轴的传动比，J_eng是其与连杆机构整体转动惯量，

是离合器轴承磨损故障参数，w_m为变速器输出转速。

优选地，S4包括以下子步骤：

S41：各种故障模型中的变量可分为三类：已知变量，为传感器测量值；未知变量，为模型状态变量；故障变量，为对应系统各故障模式；

已知变量：

{y_u，y_i，y_wm，y_v，y_wm，y_weng}

未知变量：

{a，u，i，R，w_m，w_eng，T_L，T_eng，K_T，v}

故障变量：

{f_u，f_i，f_R，f_gas，f_wm，f_k，f_weng，f_v，f_kT}

S42：依据故障模型建立拖拉机电气系统的结构表征图；

S43：将结构表征图转化为矩阵形式；

S44：用MATLAB软件中dmperm指令对未知变量进行DM分解，可将系统模型分为三个不同区域：

区域一：结构欠定部分M-，为未知变量的数目多于方程数；

区域二：结构正定部分0M，为未知变量的数目等于方程数；

区域三：结构超定部分M+，为未知变量的数目少于方程数；

S45：若方程中的故障f位于结构超定部分，则故障f可测，通过DM分解结果图判断是否所有故障都可检测，若可测则进行S6。

优选地，S5包括以下子步骤：

S51：判断模型方程集合是否为完全结构超定集合，若方程个数大于其包含的未知变量的模型方程集合M等于其结构超定部分M+，则集合M为完全结构超定集合；

S52：求取完全结构超定集合M的冗余度

为集合内方程个数减去未知变量个数；

S53：当且仅当完全结构超定集合M的冗余度

时，集合M为结构最小型超定方程集。

优选地，S6包括以下子步骤：

S61：确定测试集中的一个等式作为一致性关系，将其作为生成残差的最后一步，而其他方程则用于求解该方程中的所有未知量。最后得出残差，用于诊断对应测试集中的故障；

S62：测试集MSO1主要功能在于检测与电池模型相关的电池内阻和输出电压传感器故障，因此选择同时包含电池内阻R1和输出电压V的方程作为测试集MSO1的一致性关系：

E＝V+R·i+u_c

S63：由一致性关系得到测试集MSO1的残差r1定义为：

r1＝E-V-R·i-u_c

残差r1可用于诊断拖拉机蓄电池电压故障、蓄电池电流故障、气缸或气门漏气故障、发动机连杆弯曲或扭曲故障和蓄电池输出电压传感器故障；

测试集MSO2和测试集MSO3的残差计算与MSO1计算公式一样，MSO2的残差r2可用于诊断蓄电池内阻故障、气缸或气门漏气故障、发动机连杆弯曲或扭曲故障、变速器齿轮磨损、发动机曲轴磨损、离合器轴承磨损；MSO3的残差 r3可用于诊断蓄电池电压故障、蓄电池电流故障、变速器齿轮磨损故障、发动机曲轴磨损、蓄电池输出电压传感器故障、离合器轴承磨损。

优选地，S7包括以下步骤：

S71：根据CUSUM测试评价方法，用公式R⁽ⁱ⁾(t)＝∫₀ ^tr_i(t)dt i＝{1，2，3}对残差值进行求和；

S72：以固定的可行域作为观测值的评价标准，当观测值超出可行域则系统存在故障，若未超出则系统无故障，定义如下故障特征参数；

优选地，S8包括以下步骤：

S81：根据拖拉机下线检测中蓄电池、发动机和传动系统的检测值与可行域的包含关系，由故障特征参数公式，求得各故障特征参数值；

S82：将各故障参数值参数值依次排列，求得故障特征向量；

S83：查询故障特征向量对照表，找到该故障特征向量对应的故障变量；

S84：根据故障参数的定义，获得确切的系统故障。

本发明基于结构分析法的拖拉机电气故障诊断方法的有益效果如下：

通过少量观测值的变化情况判断多种系统故障存在情况。在结构相对复杂且故障形式多样的拖拉机中，该方法可有效提高诊断系统的效率，简化诊断策略，提高了采集数据处理过程的自动化水平和拖拉机整机产品下线电气故障检测的工作效率。

附图说明

图1为本发明基于结构分析法的拖拉机电气故障诊断方法的方法流程图。

图2为本发明基于结构分析法的拖拉机电气故障诊断方法的结构表征图。

图3为本发明基于结构分析法的拖拉机电气故障诊断方法的DM分解结果图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种基于结构分析法的拖拉机电气故障诊断方法,包括以下步骤：

S1：整理拖拉机典型电气故障检测的历史数据；

S2：抽取典型的故障数据；

S3：建立拖拉机故障模型；

S4：根据建立的故障模型，绘制结构表征图，分析模型内部未知量与模型方程之间的关系，判断模型中所有故障的可检测性；

S5：求解模型中的最小型超定方程集，并筛选出合适的测试集；

S6：根据测试集，推导出序列残差；

S7：根据综合系统特性、残差和诊断需求，选取诊断策略，完成检测系统的建立；

S8：根据拖拉机下线检测值，求得故障特征参数并依次排列，得出故障向量，从而定位到系统故障。

本实施方案在实施时，第一步，根据历史检测数据，建立拖拉机发动机、传动系统、蓄电池的故障模型。

建立的蓄电池故障模型为：

E＝V+(R+f_R)i+u

y_V＝V+f_V

其中，f_R表示电池内阻故障参数，y_V表示电池输出电压传感器的测量值，f_V表示电池输出电压传感器的偏差值。E是电池电动势，V是工作电压，R是电阻元件阻值，i是工作电流，u是极化电压，C是电容。

建立的发动机故障模型为：

T_eng＝h_eng(a，w_eng)·f_k+h_gas(a)·f_gas

为发动机曲轴故障参数。

建立的传动系统故障模型为：

w_m＝r₀·w_eng

是离合器轴承磨损故障参数，w_m为变速器输出转速。

从而可整理得拖拉机的故障模型为

e₁：E＝V+(R+f_R)i+u

e₃：T_eng＝h_eng(a，w_eng)·f_k+h_gas(a)·f_gas

e₅：w_m＝r₀·w_eng

e₆：y_v＝V+f_V

e₈：y_u＝U+f_u

e₉：y_i＝i+f_i

e₁₀：y_wm＝w_m+f_wm

第二步，其特征在于各种故障模型中的变量可分为三类：已知变量，即传感器测量值；未知变量，即模型状态变量；故障变量，对应系统各故障模式。三种变量的集合如下：

已知变量：

{y_u，y_i，y_wm，y_v，y_weng}

未知变量：

{a，u，i，R，w_m，w_eng，T_L，T_eng，K_T，v}

故障变量：

{f_u，f_i，f_R，f_gas，f_wm，f_k，f_weng，f_v，f_kT}

并依据此建立拖拉机电气系统的结构表征图，如附图2所示。再将该图转化为矩阵形式，并用MATLAB软件中dmperm指令对未知变量进行DM分解，得到DM分解结果图，结果显示所有的关键故障都位于结构超定部分M+，如图3所示，因此所有故障都可检测，进行下一步。

第三步，然后使用MATLAB工具箱获得全部的最小型超定方程集，再根据结构最小型超定方程集中方程的个数和所包含的故障变量关系，综合选取测试集。本方法中选取的测试集有3个。每个测试集对应方程如表1所示。每个测试集对应的故障如表2所示，f_u，f_i，f_R，f_gas，f_wm，f_k，f_weng，f_v，f_kT分别为拖拉机蓄电池电压故障、蓄电池电流故障、蓄电池内阻故障、气缸或气门漏气故障、变速器齿轮磨损故障、发动机连杆弯曲或扭曲故障、发动机曲轴磨损故障、蓄电池输出电压传感器故障、离合器轴承磨损故障，MSOi为第i个测试集(i＝1，2，3)。

表1测试集所包含的方程

表2测试集对应的故障

MSO

fu

fi

fR

fgas

fwm

fk

fweng

fv

fkT

MSO1

√

MSO2

√

MSO3

√

第四步，分别对MSO1、MSO2和MSO3求残差。需要先确定测试集中的一个等式作为一致性关系，将其作为生成残差的最后一步，而其他方程则用于求解该方程中的所有未知量，最后得出残差，用于诊断对应测试集中的故障。

测试集MSO1主要功能在于检测与电池模型相关的电池内阻和输出电压传感器故障，因此选择同时包含电池内阻R1和输出电压V的方程作为测试集 MSO1的一致性关系：

E＝V+R·i+u_c

由一致性关系得到测试集MSO1的残差r1定义为：

r1＝E-V-R·i-u_c

残差r1及可用于诊断拖拉机蓄电池电压故障、蓄电池电流故障、气缸或气门漏气故障、发动机连杆弯曲或扭曲故障和蓄电池输出电压传感器故障。

测试集MSO2和测试集MSO3的残差计算与MS1类似，MSO2的残差r2 可用于诊断蓄电池内阻故障、气缸或气门漏气故障、发动机连杆弯曲或扭曲故障、变速器齿轮磨损、发动机曲轴磨损、离合器轴承磨损，MSO3的残差r3可用于诊断蓄电池电压故障、蓄电池电流故障、变速器齿轮磨损故障、发动机曲轴磨损、蓄电池输出电压传感器故障、离合器轴承磨损。

第五步，用CUSUM测试评价方法，用公式

对残差值进行求和，再以固定的可行域作为观测值的评价标准，当观测值超出可行域则系统存在故障，若未超出则系统无故障，定义如下故障特征参数。

并得到故障特征向量对照表，如表3所示。

表3故障特征向量对照表

特征参数	f<sub>u</sub>	f<sub>i</sub>	f<sub>R</sub>	f<sub>gas</sub>	f<sub>wm</sub>	f<sub>k</sub>	f<sub>weng</sub>	f<sub>v</sub>	f<sub>kT</sub>
										f<sub>R(1)</sub>	1	1	1		1		1
f<sub>R(2)</sub>			1	1	1	1	1		1
										f<sub>R(3)</sub>	1	1		1		1	1	1

在实际的策略实施时，以故障特征向量：F＝(f_R(1)，f_R(2)，f_R(3))作为系统故障检测与隔离的依据。

第六步，根据拖拉机下线检测中蓄电池、发动机和传动系统的检测值与可行域的包含关系，由故障特征参数公式，求得各故障特征参数值；再将上述参数值依次排列，求得故障特征向量；然后查询故障特征向量对照表，找到该故障特征向量对应的故障变量；最后根据故障参数的定义，获得确切的系统故障。

Claims

1.一种基于结构分析法的拖拉机电气故障诊断方法,其特征在于，包括以下步骤：

S1：整理拖拉机典型电气故障检测的历史数据；

S2：抽取典型的故障数据；

S3：建立拖拉机故障模型；

S6：根据测试集，推导出残差；

S8：根据拖拉机下线检测值，求得故障特征参数并依次排列，得出故障向量，从而定位到系统故障；

所述S1的拖拉机典型电气故障检测的历史数据包括拖拉机电器故障、发动机故障和传动系统故障；所述拖拉机电器故障包括压降过大、电压过低和内阻过大；所述发动机故障包括气缸或气门漏气、连杆弯曲或扭曲、曲轴故障；所述传动系统故障包括变速器齿轮磨损和离合器轴承磨损；

蓄电池故障模型为：

E＝V+(R+f_R)i+u

y_V＝V+f_V

其中，f_R表示蓄电池内阻故障参数，y_V表示蓄电池输出电压传感器的测量值，f_V表示蓄电池输出电压传感器的偏差值，E是蓄电池电动势，V是工作电压，R是电阻元件阻值，i是工作电流，u是极化电压，C是电容；

发动机故障模型为：

T_eng＝h_eng(a,w_eng)·f_k+h_gas(a)·f_gas

为发动机曲轴故障参数；

传动系统故障模型为：

w_m＝r₀·w_eng

其中，K_T是变速器传动效率系数，r₀是变速器输出轴与曲轴的传动比，Jeng是发动机及连杆机构的整体转动惯量，f_KT是离合器轴承磨损故障参数,w_m为变速器输出转速；

所述S4包括以下子步骤：

已知变量：

{y_u,y_i,y_wm,y_v,y_wm,y_weng}

未知变量：

{a,u,i,R,w_m,w_eng,T_L,T_eng,K_T,v}

故障变量：

{f_u,f_i,f_R,f_gas,f_wm,f_k,f_weng,f_v,f_kT}

其中，f_u是蓄电池电压故障、f_i是蓄电池电流故障、f_R是蓄电池内阻故障、f_wm是变速器齿轮磨损故障、f_v是蓄电池输出电压传感器故障；

S42：依据故障模型建立拖拉机电气系统的结构表征图；

S43：将结构表征图转化为矩阵形式；

S44：用MATLAB软件中dmperm指令对未知变量进行DM分解，能够将系统模型分为三个不同区域：

区域一：结构欠定部分M-，为未知变量的数目多于方程数；

区域二：结构正定部分0M，为未知变量的数目等于方程数；

区域三：结构超定部分M+，为未知变量的数目少于方程数；

S45：若方程中的故障f位于结构超定部分，则故障f可测，通过DM分解结果图判断是否所有故障都可检测，若可测则进行S6；

所述S5包括以下子步骤：

S51：判断模型方程集合M是否为完全结构超定集合：若模型方程集合M中的方程个数大于其包含的未知变量个数，且所述集合M等于其结构超定部分M+，则所述集合M为完全结构超定集合；

S52：求取完全结构超定集合的冗余度

其中，

为所述超定集合内方程的个数减去未知变量个数；

S53：当且仅当完全结构超定集合的冗余度

时，则该超定集合为最小型超定方程集；

所述S6包括以下子步骤：

S61：确定测试集中的一个等式作为一致性关系，将其作为生成残差的最后一步，而其他方程则用于求解方程中的所有未知量，最后得出残差，用于诊断对应测试集中的故障；

S62：测试集MSO1主要功能在于检测与蓄电池模型相关的电池内阻和输出电压传感器故障，因此选择同时包含电池内阻R₁和输出电压V₁的方程作为测试集MSO1的一致性关系：

E＝V₁+R₁i+u

S63：由一致性关系得到测试集MSO1的残差r₁定义为：

r₁＝E-V₁-R₁i-u

残差r₁能够用于诊断拖拉机蓄电池电压故障、蓄电池电流故障、气缸或气门漏气故障、发动机连杆扭曲或弯曲故障和蓄电池输出电压传感器故障；

测试集MSO2和测试集MSO3的残差计算与MSO1计算公式一样，MSO2的残差r₂可用于诊断蓄电池内阻故障、气缸或气门漏气故障、发动机连杆扭曲或弯曲故障、变速器齿轮磨损、发动机曲轴磨损、离合器轴承磨损；MSO3的残差r₃可用于诊断蓄电池电压故障、蓄电池电流故障、变速器齿轮磨损故障、发动机曲轴磨损、蓄电池输出电压传感器故障、离合器轴承磨损；

所述S7包括以下步骤：

S71：根据CUSUM测试评价方法，用公式

对残差值进行求和；

所述S8包括以下步骤：

S82：将各故障特征参数值依次排列，求得故障特征向量；

S83:查询故障特征向量对照表，找到该故障特征向量对应的故障变量；

S84:根据故障变量的定义以及S83求得的故障变量，获得S83求得的故障变量对应的确切的系统故障。