CN110119518B - 一种采用神经网络模型诊断发动机故障原因的方法 - Google Patents

一种采用神经网络模型诊断发动机故障原因的方法 Download PDF

Info

Publication number
CN110119518B
CN110119518B CN201810115206.7A CN201810115206A CN110119518B CN 110119518 B CN110119518 B CN 110119518B CN 201810115206 A CN201810115206 A CN 201810115206A CN 110119518 B CN110119518 B CN 110119518B
Authority
CN
China
Prior art keywords
fault
engine
symptoms
state parameter
cause
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810115206.7A
Other languages
English (en)
Other versions
CN110119518A (zh
Inventor
刘子辰
魏红波
于文尧
张玉成
张冉
朱琨日
石晶林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luoyang Zhongke Jingshang Intelligent Equipment Technology Co ltd
Original Assignee
Luoyang Zhongke Jingshang Intelligent Equipment Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Luoyang Zhongke Jingshang Intelligent Equipment Technology Co ltd filed Critical Luoyang Zhongke Jingshang Intelligent Equipment Technology Co ltd
Priority to CN201810115206.7A priority Critical patent/CN110119518B/zh
Publication of CN110119518A publication Critical patent/CN110119518A/zh
Application granted granted Critical
Publication of CN110119518B publication Critical patent/CN110119518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明提供一种生成用于判断发动机故障原因的模型的方法，包括：A1)收集发动机的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因；A2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度对所述故障征兆进行模糊化处理，以获得模糊化的故障征兆；A3)基于所述模糊化的故障征兆与所述故障原因之间的对应关系，确定模糊规则；A4)根据所述模糊规则训练模糊神经网络，以获得用于判断发动机故障原因的模型。通过本发明可以直接收集发动机现有硬件、装置的一些状态参数，分析对应的故障征兆是否将要发生或已经发生了对应的故障征兆，节省了人工成本。

Description

一种采用神经网络模型诊断发动机故障原因的方法
技术领域
本发明涉及对发动机故障的诊断及预测，尤其涉及采用神经网络诊断及预测发动机的故障。
背景技术
拖拉机是一种用于牵引和驱动作业机械完成各项移动式作业的自走式动力机，其包括发动机、传动、行走、转向、液压悬挂、动力输出、电器仪表、驾驶操纵及牵引等装置，按结构类型可以将拖拉机分为轮式、履带式、船形拖拉机和自走底盘式拖拉机。中国作为一个农业大国，拖拉机既是农业生产的主要动力来源，又是农业生产中应用最为广泛的农机。
发动机是拖拉机产生动力的最重要的装置，其通过燃烧诸如柴油的燃料将热能转变为机械能以向外提供动力。在使用时，拖拉机发动机通过诸如橡胶皮带等传动装置将动力提供给拖拉机的驱动轮使得拖拉机行驶。若是作为核心部件的发动机产生了故障，则会导致拖拉机无法正常使用，从而直接影响农耕的效率。有统计显示，拖拉机发动机故障事故在拖拉机故障中占有很大的比重，如果能够以相对合理的成本来判断拖拉机发动机的故障、甚至在拖拉机发动机发生故障之前进行预测，这将对农业生产起到非常有益的帮助。
拖拉机发动机的故障检测不同于面向一般的简单设备的故障检测，这是由于拖拉机发动机其内部结构相对复杂。并且，拖拉机发动机产生故障的征兆以及发生故障的原因之间存在诸多复杂的对应关系，例如一个故障可能由多种因素造成而一个因素又可能引发多种故障，每一个故障原因对故障征兆的贡献程度可能均不相同，这使得对拖拉机发动机的故障做出精确判断和及时诊断变得尤其复杂。目前对于拖拉机发动机的故障诊断往往是拖拉机发生故障之后，由有经验的修理师傅依靠经验进行判断或者采用造价相对较高的专业故障诊断仪器进行具体的故障排查。可以理解，这样的维修成本、时间成本非常高，需要等待报修、检测、修理等一系列过程后才可恢复对拖拉机发动机的使用。
发明内容
因此，本发明的目的在于克服上述现有技术的缺陷，提供一种生成用于判断发动机故障原因的模型的方法，包括：
A1)收集发动机的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因；
A2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度对所述故障征兆进行模糊化处理，以获得模糊化的故障征兆；
A3)基于所述模糊化的故障征兆与所述故障原因之间的对应关系，确定模糊规则；
A4)根据所述模糊规则训练模糊神经网络，以获得用于判断发动机故障原因的模型。
优选地，根据所述方法，其中步骤A2)采用隶属度值法来执行模糊化处理，包括：
A2-1)基于模糊隶属度函数确定针对各种故障程度所设置的隶属度；
A2-2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度的历史数据、以及针对各种故障程度所设置的隶属度，对所述故障征兆进行模糊化处理。
优选地，根据所述方法，其中所述模糊隶属度函数为高斯函数。
优选地，根据所述方法，其中步骤A3)包括基于所述模糊化的故障征兆与所述故障原因之间的对应关系，将导致对应故障征兆的全部故障原因作为故障原因集，并且将与所述故障原因集中的故障原因对应的全部模糊化故障征兆作为故障征兆集，以将所述故障原因集与所述故障征兆集之间的映射关系作为模糊规则。
优选地，根据所述方法，其中所述模糊神经网络为径向基函数神经网络，其输入节点数量等于所述模糊规则的故障征兆集中模糊化故障征兆的数量，其输出节点的数量等于所述模糊规则的故障原因集中故障原因的数量或者取决于待分类模式的数量。
优选地，根据所述方法，其中在训练所述径向基函数神经网络时，通过遗传算法优化所述径向基函数神经网络的权值和阈值。
以及，一种基于上述任意一项方法生成的模型来判断发动机故障原因的方法，包括：
B1)获得发动机的状态参数，所述状态参数与发动机的故障征兆对应；
B2)将所述状态参数输入所述模型，基于所述模型的输出确定故障原因。
优选地，根据所述方法，其中步骤B1)还包括：
B1-1)采集发动机的实时状态参数；
B1-2)将所述发动机的实时状态参数与发动机正常运行或者非正常运行的状态参数进行比较，在所述实时状态参数与正常运行状态参数之间的差值超过设定的阈值时，或者在所述实时状态参数与非正常运行状态参数之间的差值小于设定的阈值时，继续执行步骤B2)。
优选地，根据所述方法，其中步骤B1-2)还包括：
在所述实时状态参数与所述正常运行状态参数之间的差值超过设定的阈值时，或者在所述实时状态参数与所述非正常运行状态参数之间的差值小于设定的阈值时，针对与所述状态参数对应的故障征兆进行预警。
优选地，根据所述方法，其中步骤B2)包括：
基于与所述状态参数对应的故障征兆，将所述状态参数输入所述模型，基于所述模型的输出确定导致所述故障征兆的故障原因。
优选地，根据所述方法，其中所述状态参数包括以下一种或多种：发动机转速、冷却液温度、进气口压力、机油压力、发动机扭矩、振动信号、曲轴位置、节气门位置。
一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序在被执行时用于实现上述任意一项所述的方法。
一种用于判断发动机故障原因的系统，包括：
处理器、和存储装置，
其中，所述存储装置用于存储计算机程序，所述计算机程序在被所述处理器执行时用于实现上述任意一项所述的方法。
与现有技术相比，本发明的优点在于：
本发明的用于判断发动机故障的模型是根据产生所述故障征兆时的故障程度对所述故障征兆进行模糊化处理而获得的，其将发动机的各种故障征兆和对应的各种故障原因关联在一起，在使用所述模型时只需输入故障征兆或者与故障征兆对应的状态参数，便可输出可能导致该故障征兆的故障原因。
在基于所述模型对发动机故障进行诊断时，可以通过采集发动机实时的状态参数，以实现对可能发生的故障征兆、以及与该可能发生的故障征兆对应的故障原因进行预测，还可以基于采集到的发动机在发生故障征兆后的状态参数确定对导致该故障征兆的故障原因。
本发明所采用的发动机的状态参数可以是发动机已有硬件、装置的状态参数，例如发动机转速、冷却液温度、进气口压力、机油压力、发动机扭矩、振动信号、曲轴位置、节气门位置，不必增加新的传感器。
并且，本发明还可以在实施采用模型对发动机故障进行诊断的步骤之前，对状态参数是否发生异常，即是否存在出现故障征兆的可能进行预判，在判断为可能产生故障征兆的情况下采用模型进行进一步的诊断，减少了计算量，提高了对发动机故障的诊断效率。
附图说明
以下参照附图对本发明实施例作进一步说明，其中：
图1是根据本发明的一个实施例生成用于判断发动机故障的模型的方法流程图；
图2是根据本发明的一个实施例采用模糊规则训练模糊神经网络的方法流程图，其中基于遗传算法来优化模糊神经网络的权值和阈值；图3是根据本发明的一个实施例使用通过本发明的方法所生成的模型来预测和诊断发动机故障的方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
如背景技术中所述，拖拉机发动机的结构和工作原理十分复杂，无论是定量还是定性都难以提供一种完备、准确的模型以对其结构、功能和行为进行有效的表达。发明人通过研究提出，可以将拖拉机产生故障的征兆以及发生故障的原因看作是不确定性因素，执行模糊化处理，采用经过模糊化处理的故障征兆以及故障原因之间的规则训练模糊神经网络，并利用这样的模糊神经网络来对拖拉机发动机的故障进行判断。
在本发明中所指的“故障”表示发动机丧失正常工作的能力。“故障征兆”表示发动机发生故障的迹象。“故障原因”表示导致发动机发生故障或产生故障征兆的原由。
下面将通过具体的实施例对本发明所提出的一种训练用于判断发动机故障的模型的方法进行详细地介绍。
参考图1，根据本发明的一个实施例，训练用于判断发动机故障的模型的方法，包括：
步骤A1.收集发动机发生故障时的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因。
在本发明中，可以收集拖拉机发动机产生故障的数据，必要时可以对所述数据进行筛选。在实际使用中，可以针对实际的拖拉机产品进行测试以获得拖拉机的故障征兆以及故障，例如将洛阳中科晶上智能装备有限公司研发的北斗星远程控制器1.0版本安装到拖拉机上以实现对拖拉机数据的采集。还可以依托多家拖拉机厂商及用户，根据厂商的实验数据及用户相关经验获取拖拉机的各种故障征兆以及故障。
举例来说，以“拖拉机启动困难”这一故障征兆，可能导致其发生的故障原因包括：“油泵滤网堵塞、工作不良、油泵单向阀泄漏”；“燃油滤清器堵塞”；“喷油器脏堵、针阀卡滞、漏油”；“油压过低”；“火花塞烧蚀、积炭、断火、间隙过大”；“空气流量计热膜脏污”、“进气歧管压力传感器工作不良”、“进气系统漏气、堵塞”；“点火正时不正确”；“水温传感器工作不良”；“曲轴位置传感器工作不良”；“怠速控制阀故障”；“温度开关故障”；“起动开关及接线故障”；“机械故障”。
在上述故障原因中，对于空气流量、水温传感器、曲轴位置、进气岐管压力、油压过低，我们可以通过安装在拖拉机上的北斗星远程控制器来获取相应的参数，通过参数的异常即可判断；而对于燃油滤清器堵塞；喷油器脏堵、针阀卡滞、漏油、火花塞烧蚀、积炭、断火、机械故障这些无法通过设备直接检测到的故障原因，则需要根据拖拉机厂家及用户经验获得与故障征兆对应的故障原因。
可以理解，上述采集的拖拉机发动机产生故障的数据仅能大致上提供与故障征兆对应的可能的故障原因，其并不能准确并且直观地反应出导致拖拉机发生故障的直接原因。因此，在本发明中还可以通过提供故障征兆和故障原因之间的组合方式以及针对各种故障征兆提供每种故障原因可能引发该故障征兆的概率，以自动判断及预警发动机的故障。
步骤A2.对通过上述步骤A1所获得的各个故障征兆基于故障程度执行模糊化处理。
所述“模糊化处理”指的是将输入的确定值转换为幸运的模糊语义变量值的过程，而模糊语言变量值是一个模糊集合，所以模糊化方法应给出从精确量到模糊集合的转变方法。常见的模糊化方法包括分档模糊集法、输入点隶属度取1法、单点形模糊集合法和隶属度值法，这些方法均可以用于本发明，只要通过所述模糊化处理，可以利用模糊化处理的结果在随后的步骤中建立存在故障征兆和故障原因之间对应关系的模糊集合即可。
根据本发明的一个实施例，以隶属度值法来介绍基于故障程度对故障征兆执行模糊化处理的过程。在采用隶属度值法时，可以选择任意恰当的隶属度函数。考虑到高斯函数属于中间型模糊分布，且平滑描述简洁，适合输出数值处于中间范围发生的故障情况，所以优选采用高斯函数作为模糊隶属度函数。结合发动机厂家台架试验数据结果和汽车发动机故障诊断方面的实践，以及针对故障征兆所存在的各种故障程度，对所述故障征兆进行模糊化处理，从而获得针对所述四种故障征兆的故障程度的隶属度分布。
例如，参考表1，针对某一故障征兆，对其可能存在的各种故障程度分配相应的隶属度值。例如，若是在某一故障程度下认为“存在”所述故障征兆，则可以将该故障程度的隶属度确定为在0.8-1之间，若是在该故障程度下“可能存在”种故障征兆，则可以将该故障程度的隶属度确定为在0.6-0.8之间，若是在该故障程度下“无法判断是否存在”某种故障征兆，则可以将该故障程度隶属度确定为在0.4-0.6之间，以此类推，采用高斯函数来设置针对各种故障程度所对应的隶属度的大小。
表1
Figure BDA0001570439310000061
假设，通过上述步骤A1获得了四种故障征兆，包括：a)发动机起动困难、b)发动机怠速不稳、c)冷却液温度过高、d)油压过低。
以“a)发动机起动困难”这一故障征兆为例，发动机起动困难的严重程度表现为四种不同的情况，我们将其称作为“故障程度”：发动机不转动、发动机转动但点不着火、能起动但立即熄火、能正常起动。在针对该故障征兆基于上述四种故障程度执行模糊化处理时，需要针对每一种故障程度分配隶属度值。可以认为，当发动机表现为“发动机不转动”时，则一定发生了“发动机起动困难”这一故障征兆，即存在该故障征兆，则可以为“发动机不转动”这一故障程度分配隶属度值1。类似地，当发动机表现为“发动机转动但点不着火”时，尽管该故障程度相对轻微，其严重性低于“发动机不转动”，但仍然可以被认为是发生了“发动机起动困难”这一故障征兆，即可能存在该故障征兆，则可以为“发动机转动但点不着火”这一故障程度分配隶属度值0.8。对于发动机表现为“能起动但立即熄火”的故障程度，其严重性比“发动机不转动”和“发动机转动但点不着火”都低、非常轻微，即不大可能存在“发动机起动困难”这一故障征兆，则可以为其设置隶属度值0.3。相比之下，若是发动机“能正常起动”，则不应当认为发生了“发动机起动困难”这一故障征兆，即不存在该故障征兆，因此可以为“能正常起动”这一故障程度设置隶属度值0。
换句话说，本发明可以基于发生故障程度的严重性来确定隶属度值的大小，为严重性高的故障程度分配较大的隶属度值。例如，对于可被认为必然存在某一故障征兆的故障程度分配较大的隶属度值，对于被认为绝对不存在某一故障征兆的故障程度分配较小的隶属度值。
由此，可以将“a)发动机起动困难”这一故障征兆模糊地表示为：
“a)发动机起动困难”＝1/发动机不转动+0.8/发动机转动但点不着火+0.3/能起动但立即熄火+0/能正常起动。
类似地，可以将其它三种故障征兆的模糊化处理的结果确定为：
“b)发动机怠速不稳”＝1/不能怠速+0.7/怠速时发动机抖动剧烈+0.4/怠速时发动机转速不平稳+0/怠速时发动机转速平稳；
“c)冷却液温度过高”＝1/100℃以上+0.7/95℃～100℃+0.3/85℃～95℃+0/85℃以下；
“d)油压过低”＝1/无油压读数+0.7/正常时0.1Mpa以下，怠速时0.03Mpa以下+0.3/正常时0.1Mpa～0.2Mpa，怠速时0.03Mpa～0.05Mpa+0/正常时0.2Mpa～0.5Mpa，怠速时0.05Mpa～0.06Mpa。
在上述模糊化处理的表达式中的“/”是一种表示方法，反应了故障程度以及隶属度值之间的对应关系，其右侧表示故障征兆的表现形式即在发动机上的直观表现形式，即故障程度，其左侧的数值为针对该故障程度所设置的隶属度。
这里为了方便介绍，将根据产生所述故障征兆时的故障程度对所述故障征兆进行模糊化处理的结果称作“模糊化的故障征兆”。
步骤A3.基于所述模糊化的故障征兆与所述故障原因之间的对应关系，确定模糊规则。
在获得了模糊化的故障征兆之后，可以根据故障征兆与故障原因之间的对应关系，将导致对应故障征兆的全部故障原因作为故障原因集，并且将与所述故障原因集中的故障原因对应的全部模糊化故障征兆作为故障征兆集，以将所述故障原因集与所述故障征兆集之间的映射关系作为模糊规则。换句话说，模糊规则可以被理解为是故障原因集和故障征兆集之间的映射。建立这样的模糊规则的原因在于，可以利用这样的映射，例如将故障征兆集中的N个模糊化的故障征兆映射到故障原因集中的M个故障原因，以与需要训练的模糊神经网络的节点相对应，从而训练相应的模糊神经网络作为用于判断发动机故障的模型。
这样做的原因在于，由于对拖拉机发动机的研究和实验较少，很难直接获得相应的数据，所以结合汽车发动机故障诊断实践和发动机厂家及拖拉机厂家台架试验的相关数据，来获得故障征兆和故障原因的对应关系以作为模糊规则库，从而能够在随后的步骤中选取一定数量的模糊规则作为用于训练模糊神经网络的样本。
步骤A4.基于所述模糊规则库中的模糊规则训练模糊神经网络，以将训练好的模糊神经网络作为用于判断发动机故障的模型。
可以理解，模糊神经网络的训练方法与大多数神经网络的训练方法相类似，都需要选取网络层数、隐含层节点个数、神经网络权值等参数。对于本发明采用包含有发动机的故障征兆和故障原因的模糊规则来训练模糊神经网络而言，训练模糊神经网络的过程可以理解为，是将N个发动机的故障征兆映射到M个对应的故障原因(M和N均为大于等于1的正整数)，即将N维空间映射到M维空间。并且，考虑到发动机产生故障的特点具有高度的不确定性，因而这样的映射关系是具有高度的非线性关系。
径向基函数神经网络(RBF神经网络)作为模糊神经网络中的一种，具有非线性映射能力，能够快速地逼近非线性函数，具有很快的学习收敛速度。以三层RBF网络为例，其能够实现任何线性和非线性的映射RBF网络是按误差反向传播算法进行训练的多层前馈网络，能够通过不断学习和调整权值、阈值实现高度地函数逼近，因而具有很高的精确度，但是数学观点看来，误差反向传播采用梯度下降法，其学习过程是一个非线性优化过程，所以不可避免地会遇到优化过程中最常见的局部极小问题，而学习算法的迭代步长即学习因子的值和惯性系数的选取也是由经验确定的，选取不当会引起网络震荡甚至导致网络麻痹而不能收敛。所以本发明可以采用遗传算法来优化模糊神经网络的权值和阈值。
图2示出了根据本发明的一个实施例，采用模糊规则训练模糊神经网络的方法，其中基于遗传算法来优化模糊神经网络的权值和阈值。参考图2，所述训练方法包括：
步骤A4.1.确定RBF神经网络的拓扑结构。
在本发明中，可以基于模糊规则中的故障征兆集中模糊化故障征兆的数量确定RBF神经网络的输入节点的数量，基于故障原因集中故障原因的数量或者所需的待分类模式的数量确定RBF神经网络的输出节点的数量。
例如，使得模糊规则中故障征兆集的每一个不同的故障征兆信息对应于一个输入节点，根据故障征兆的个数来确定RBF神经网络的输入层节点的数量。相比之下，输出层的节点取决于两个方面，输出数据的类型和表示该类型所需的数据的大小。当RBF神经网络用于模式分类时，以二进制形式来表示不同模式的输出结果，可根据待分类模式的数量来确定输出层的节点的数量。也可以使得每一个不同的故障原因对应一个输出层节点，根据故障原因的个数来确定输出层节点的数量。
对于RBF神经网络的隐含层节点而言，其节点数量的选取类似于大多数神经网络隐含层节点的选取方式。例如，可以通过计算式
Figure BDA0001570439310000091
来确定，其中，n为隐含层节点个数，ni为输入节点个数，n0为输出节点个数，a为1-10之间的常数。
比如，若在模糊规则中故障征兆有两个，对应的故障原因有八种，则可以将神经网络的输入节点的数量确定为2，将输出层节点的数量确定为8，并且基于上述计算式确定隐含层节点的数量。由此，确定RBF神经网络的拓扑结构。
在本发明中不对模糊神经网络本身的其他结构例如网络层数进行限制，只要该模糊神经网络的输入和输出能够反映出故障征兆和故障原因之间的关系即可，例如在输入故障征兆的情况下输出对应的故障原因的分类结果或概率，在输入故障原因的情况下输出对应的故障征兆的分类结果或概率。
步骤A4.2.初始化需要训练的RBF神经网络模型的权值和阈值。
RBF神经网络权值和阈值初值的选择上根据理论利用随机法进行生成一组神经网络权值的初始值。在本发明中可以利用二进制对其进行编码，例如采用10个二进制位的基因表示一个连接权。
步骤A4.3.计算遗传算法中的个体适应度。
在利用RBF神经网络进行拖拉机发动机故障诊断时，可以选取高斯函数作为径向基函数，而对于个体适应度的计算可以通过计算式
Figure BDA0001570439310000101
获得，其中E为神经网络的训练样本的输出误差。
步骤A4.4.选择遗传算法中的初始种群。
在获得遗传算法的初始种群时，我们可以从测试样本中抽取一定量的数据作为初始种群。由于测试样本是通过实验预先获得的，故障征兆和故障原因具有很强的对应性，其可以具有较高的准确性。
步骤A4.5.对遗传算法中的初始种群进行编码。
这里可以与步骤A4.2相统一，采用二进制的方式对初始种群进行编码。
步骤A4.6.按概率对种群进行交叉操作。
让每个种群产生一个随机数r，而r介于0到1之间，若r<Pc(0.9-0.97)，则可以对这个种群进行交叉操作，随机的对种群中的个体进行配对操作，根据随机数的产生来确定染色体交叉操作的位置。其中，Pc为交叉概率，Pc(0.9-0.97)表示交叉概率的取值为从0.9到0.97之间选取。
步骤A4.7.对种群进行变异操作。
与交叉操作相类似地，对种群进行变异操作也可以按照概率进行，根据种群生成的随机数r，若r<Pm(0.001-0.1)，则对该基因位进行变异操作。其中，Pm为变异概率，Pm(0.001-0.1)表示变异概率的的取值为从0.001到0.1之间选取。
步骤A4.8.获得遗传算法的最优解，以确定神经网络当前的权值和阈值。
经过数代的交叉操作，种群中会出现输出适应度值最优的染色体，本次遗传操作的最优解即最优的神经网络权值和阈值。
步骤A4.9.判断是否满足终止条件，若“是”则继续执行步骤A4.10，若“否”则继续执行步骤A4.3。
这里的终止条件指的是，当采用利用遗传算法而确定的权值和阈值所构建的神经网络对测试样本进行处理时，所获得的结果的错误率在允许的误差范围内。所述允许误差范围可以是人为规定的，例如2％-5％。
步骤A4.10.解码获得最新的RBF神经网络的阈值和权值，输出所述阈值和权值。
采用上述遗传算法为RBF神经网络提供相应的阈值和权值有利于避免在优化过程中陷入局部极小的情况，然而应当理解，本发明可以还可采用任意其他的方式采用模糊规则作为样本来训练RBF神经网络，例如最常见的梯度下降法等，这里不做更详细地介绍。
通过上述步骤A1到步骤A4，可以获得训练好的模糊神经网络，所述模糊神经网络可被用作用于判断发动机故障的模型。
下面将通过一个实施例介绍如何具体地使用所述模型来预测和诊断发动机故障。参考图3，所述方法包括：
步骤B1.获得发动机的状态参数，所述状态参数与发动机的故障征兆对应。
可以理解，若是实时地采集发动机的当前的状态参数，则可以在发生故障之前，向使用者提供状态参数的预警，并且基于该异常的状态参数采用训练好的模型向使用者提供可能发生的故障征兆和对应的故障原因的预警。也可以在已经产生了故障征兆之后，基于已经获得的发动机的异常的状态参数采用训练好的模型，向使用者提供可能导致该故障征兆的故障原因。在本发明中，通过选择采集发动机的实时状态参数，可以实现对发动机可能产生的故障征兆以及与该可能产生的故障征兆对应的故障原因进行预测，相应地，若是直接选择已经被确定为异常的状态参数，则可以实现对发动机产生故障征兆的原因诊断。
根据本发明的一个实施例，选取了八种状态参数，并且每种状态参数都对应于一种或者几种故障征兆。在一种状态参数或者几种状态参数发生异常时，利用通过上述步骤A1-A4的方法训练获得的模型来预测或诊断发动机可能的故障。所述用于反应故障征兆的八种状态参数分别为：
发动机转速(N)、冷却液温度(T)、进气口压力(PA)、机油压力(PO)、发动机扭矩(M)、振动信号(Z)、曲轴位置(X)、节气门位置(A)。
在本发明中，可以通过发动机正常运行时的状态参数的区间、以及连续地在一段时间内采集的状态参数构建状态参数记忆矩阵。分析所采集的发动机的状态参数的数据偏离正常工作状态的程度，以判断是否将要发生或者已经发生了故障征兆。基于该方式可以确定是否需要将采集的发动机的状态参数的数据提供至训练好的模型进行进一步的分析和诊断。
本发明所提出的状态参数记忆矩阵被用于记录一段时间内采集的状态参数数据，以用于将其与发动机在正常运行或者非正常运行的状态参数进行比较，从而发现出现异常的状态参数，以便发现与该异常的状态参数对应的故障征兆。状态参数记忆矩阵可以有可多种形式来表达，例如可以由每一行向量代表通过同一次采集而获得的各种状态参数数据，同一列的元素表示同一种状态参数数据，当然也可以采用其他形式来存储采集到的状态参数数据，只要能够确定该状态参数数据的类型以及该状态参数数据被采集的时刻或者其为哪一次采集所获的数据。
利用状态参数记忆矩阵，可以将采集到的状态参数数据与发动机正常运行的状态参数或者与发动机非正常运行的状态参数进行比较，从而发现异常。由于在实际使用过程中，异常往往不是突发的，这使得通常情况下采集到的状态参数数据与用于比较的状态参数非常接近，并且发动机的状态参数预测值与实际值之间往往存在残差，这里可以利用残差幅值及其变化特征来评估是否发生异常。例如，可以根据发动机额定状态下工作状态参数和满负载工作状态下的状态参数设定偏离值，当残差超过偏离值时，就认为拖拉机发动机处于非正常运行状态即可能存在某些故障，此时发出预警，实现对拖拉机发动机的故障预测。
下面将通过一个实施例来介绍如何构建状态参数记忆矩阵、以及如何基于状态参数记忆矩阵评估故障征兆。
针对发动机的上述八种状态参数，参考拖拉机行业先行国家标准及相关文献，综合拖拉机厂家及发动机厂家的实验数据，得到了标准的参考值：
转速(N)为2200r/min、冷却液温度(T)为90℃、进气口压力(PA)为0.5bar、机油压力(PO)为0.5mpa、发动机扭矩(M)为1000Nm、振动信号(Z)为50HZ、曲轴位置(X)为5v、节气门位置(A)为5v。
在构建状态参数记忆矩阵时，除去上述标准的参考值之外，还需要获得采集到的与上述八种状态参数对应的发动机的数据。例如，在以预测发动机故障为目的时，实时地在二十分钟内连续采集4组发动机的上述八种状态参数，利用发动机在正常运行或者非正常运行的状态参数以及采集到的三组数据共同构建状态参数记忆矩阵。
可以看到，上述八种状态参数的纲量不同，各种状态参数数据的取值存在非常大的差异。因此，这里为了方便处理和比较，可以对与所述八种状态参数对应的采集到的数据进行标准化处理，使它们的取值处于相同的数量级。例如，以发动机处于额定功率时状态参数的值作为状态参数标准化的参考，采用下式进行标准化处理：
Figure BDA0001570439310000131
其中，X为采集到的需要进行标准化处理的状态参数数据，η为发动机处于额定功率下状态参量的值，σ为所述状态参数的标准的参考值，x为标准化之后的状态参数。所述η可从发动机说明书及铭牌上确定，对于同一型号的发动机，η的取值为固定的。
下面以采用发动机非正常运行的状态参数与发动机的实时状态参数来构建状态参数记忆矩阵为例，进行介绍。
根据本发明的一个实施例，假设，对怠速状态下的发动机的八种历史状态参数，即发动机转速(N)、冷却液温度(T)、进气口压力(PA)、机油压力(PO)、发动机扭矩(M)、振动信号(Z)、曲轴位置(X)、节气门位置(A)，进行标准化处理得到的结果为[-0.610 0.033-0.400-0.300-0.400-0.340-0.160-0.160]。此时在二十分钟内连续采集4组发动机的上述八种状态参数分别为：
Figure BDA0001570439310000132
则可以将怠速状态下的发动机的历史状态参数分别与采集到的上述4组状态参数进行误差比较，不难发现在上述4组状态参数中的转速(N)、扭矩(M)、振动信号(Z)和怠速状态下的发动机的历史状态参数具有相同的工作状态。因此，可以采用以下计算式，分别针对上述三种可能存在异常的状态参数的每一次测量数据计算偏离幅度：
Figure BDA0001570439310000141
其中，Δ为偏离幅度，R为采集的状态参数数据，H为发动机的参考状态参数，在本实施例中为怠速状态下的发动机的八种历史状态参数。在本发明的其它实施例中，若是在状态参数记忆矩阵中使用的是发动机正常运行的状态参数，则H为正常工作状态下发动机的八种历史状态参数。
基于上述计算式，可以计算获得在第1次采集的数据中的转速的偏离幅值
Figure BDA0001570439310000142
类似地，可以确定上述三种可能存在异常的状态参数的每一次测量数据计算偏离幅度：
转速偏离幅值：ΔN1＝0.148、ΔN2＝0.334、ΔN3＝0.031、ΔN4＝0.208
扭矩偏离幅值：ΔM1＝0、ΔM2＝0.005、ΔM3＝0.0025、ΔM4＝0.015
振动信号偏离幅值：ΔZ1＝0.029、ΔZ2＝0.118、ΔZ3＝0.094、ΔZ4＝0.221
其中，ΔN1表示第1组数据中的转速的偏离幅值，ΔN2表示第2组数据中的转速的偏离幅值，…ΔM1表示第1组数据中的扭矩的偏离幅值，…ΔZ1表示第1组数据中的振动信号的偏离幅值，依次类推。
这里可以将上述偏离幅值与设置的阈值进行比较，若是偏离幅值小于设置的阈值，则认为对应的状态参数出现异常。若是在连续采集到的多次数据中均反应出该状态参数为异常，则可以认为存在将要发生与该状态参数对应的故障征兆的可能。在此情况下，可以提供预警信息，并且进一步地采用根据本发明的模型来进行具体的判断，从而确定可能导致该故障征兆的故障原因。
在上述实施例中以发动机非正常运行的状态参数为例进行了介绍，可以理解，若是采用发动机正常运行的状态参数则可以将偏离幅值与设置的阈值进行比较，若是偏离幅值大于设置的阈值，则认为对应的状态参数出现异常。
上述采用状态参数记忆矩阵的方式可以粗略地判断可能的故障征兆，其计算量相较于采用神经网络模型进行判断而言非常小，因此在本发明中为了减少计算量可以在实施下述步骤B2之前，采用状态参数记忆矩阵的方式进行预先判断，在发现存在异常的情况下，继续执行步骤B2。然而应当理解，在本发明的一些实施例中，还可以跳过上述状态参数记忆矩阵的判断，在采集到发动机的状态参数之后直接执行步骤B2。
步骤B2.将所述状态参数输入所述模型，基于所述模型的输出确定故障原因。
如前文中所述，状态参数与发动机的故障征兆对应，并且通过本发明前述实施例训练获得的模型已经建立了故障征兆与故障原因之间的判断标准。因此，可以将状态参数本身或者与状态参数相关的故障征兆输入到训练的模型中，由模型输出对应的故障原因的分类结果或者概率。
采用上述模型来对故障原因进行预测和诊断的好处在于，发动机的故障原因和故障征兆不是一一对应的关系，一种故障征兆可能对应于多种故障原因。对于技术人员及用户来说，无法直接预测可能将要发生的故障，即便知道了存在某种故障征兆，也难以确定导致该故障征兆的原因，需要等发动机故障后再一一排查，影响了拖拉机的工作和维护效率。通过本发明，可以直接收集拖拉机发动机现有硬件、装置的一些状态参数，分析对应的故障征兆是否将要发生或已经发生了对应的故障征兆，利用模糊神经网络确定与该故障征兆对应的故障原因，实现了对故障的预测，并且节省了人工成本。
根据本发明的方案不仅可以应用到拖拉机发动机上，对于一般的发动机也可以适用本发明的方案。需要说明的是，上述实施例中介绍的各个步骤并非都是必须的，本领域技术人员可以根据实际需要进行适当的取舍、替换、修改等。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管上文参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (11)

1.一种生成用于判断发动机故障原因的模型的方法，包括：
A1)收集发动机的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因；
A2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度对所述故障征兆进行模糊化处理，以获得模糊化的故障征兆；
A3)基于所述模糊化的故障征兆与所述故障原因之间的对应关系，确定模糊规则，包括基于所述模糊化的故障征兆与所述故障原因之间的对应关系，将导致对应故障征兆的全部故障原因作为故障原因集，并且将与所述故障原因集中的故障原因对应的全部模糊化故障征兆作为故障征兆集，以将所述故障原因集与所述故障征兆集之间的映射关系作为模糊规则，其中所述模糊神经网络为径向基函数神经网络，其输入节点数量等于所述模糊规则的故障征兆集中模糊化故障征兆的数量，其输出节点的数量等于所述模糊规则的故障原因集中故障原因的数量或者取决于待分类模式的数量；
A4)根据所述模糊规则训练模糊神经网络，以获得用于判断发动机故障原因的模型。
2.根据权利要求1所述的方法，其中步骤A2)采用隶属度值法来执行模糊化处理，包括：
A2-1)基于模糊隶属度函数确定针对各种故障程度所设置的隶属度；
A2-2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度的历史数据、以及针对各种故障程度所设置的隶属度，对所述故障征兆进行模糊化处理。
3.根据权利要求2所述的方法，其中所述模糊隶属度函数为高斯函数。
4.根据权利要求3所述的方法，其中在训练所述径向基函数神经网络时，通过遗传算法优化所述径向基函数神经网络的权值和阈值。
5.一种基于通过权利要求1-4中任意一项方法生成的模型来判断发动机故障原因的方法，包括：
B1)获得发动机的状态参数，所述状态参数与发动机的故障征兆对应；
B2)将所述状态参数输入所述模型，基于所述模型的输出确定故障原因。
6.根据权利要求5所述的方法，其中步骤B1)还包括：
B1-1)采集发动机的实时状态参数；
B1-2)将所述发动机的实时状态参数与发动机正常运行或者非正常运行的状态参数进行比较，在所述实时状态参数与正常运行状态参数之间的差值超过设定的阈值时，或者在所述实时状态参数与非正常运行状态参数之间的差值小于设定的阈值时，继续执行步骤B2)。
7.根据权利要求6所述的方法，其中步骤B1-2)还包括：
在所述实时状态参数与所述正常运行状态参数之间的差值超过设定的阈值时，或者在所述实时状态参数与所述非正常运行状态参数之间的差值小于设定的阈值时，针对与所述状态参数对应的故障征兆进行预警。
8.根据权利要求5所述的方法，其中步骤B2)包括：
基于与所述状态参数对应的故障征兆，将所述状态参数输入所述模型，基于所述模型的输出确定导致所述故障征兆的故障原因。
9.根据权利要求5-8中任意一项所述的方法，其中所述状态参数包括以下一种或多种：发动机转速、冷却液温度、进气口压力、机油压力、发动机扭矩、振动信号、曲轴位置、节气门位置。
10.一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序在被执行时用于实现如权利要求1-9中任意一项所述的方法。
11.一种用于判断发动机故障原因的系统，包括：
处理器、和存储装置，
其中，所述存储装置用于存储计算机程序，所述计算机程序在被所述处理器执行时用于实现如权利要求1-9中任意一项所述的方法。
CN201810115206.7A 2018-02-06 2018-02-06 一种采用神经网络模型诊断发动机故障原因的方法 Active CN110119518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810115206.7A CN110119518B (zh) 2018-02-06 2018-02-06 一种采用神经网络模型诊断发动机故障原因的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810115206.7A CN110119518B (zh) 2018-02-06 2018-02-06 一种采用神经网络模型诊断发动机故障原因的方法

Publications (2)

Publication Number Publication Date
CN110119518A CN110119518A (zh) 2019-08-13
CN110119518B true CN110119518B (zh) 2023-06-06

Family

ID=67519350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810115206.7A Active CN110119518B (zh) 2018-02-06 2018-02-06 一种采用神经网络模型诊断发动机故障原因的方法

Country Status (1)

Country Link
CN (1) CN110119518B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705812A (zh) * 2019-04-15 2020-01-17 中国石油大学(华东) 一种基于模糊神经网络的工业故障分析系统
CN110796243B (zh) * 2019-11-27 2023-04-07 重庆大学 一种连续型运行监测数据模拟发生方法及装置
CN111159820A (zh) * 2020-01-03 2020-05-15 北京航空航天大学 一种基于差分模糊自适应共振网络的发动机喘振诊断方法
CN111553380B (zh) * 2020-03-22 2023-05-26 中润普达(十堰)大数据中心有限公司 一种汽车故障征兆的辅助诊断系统及其使用方法
CN112983644B (zh) * 2021-04-16 2022-04-19 杭州科技职业技术学院 一种基于神经网络的发动机故障诊断装置
CN117111589B (zh) * 2023-10-23 2024-01-02 中国机械总院集团云南分院有限公司 一种基于Petri网的数控机床控制系统故障诊断方法
CN117743877B (zh) * 2024-02-20 2024-05-03 江苏雷博微电子设备有限公司 用于喷胶机的部件故障智能检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0301707D0 (en) * 2003-01-24 2003-02-26 Rolls Royce Plc Fault diagnosis
CN105487009A (zh) * 2015-11-19 2016-04-13 上海电机学院 基于k均值的RBF神经网络算法的电机故障诊断方法
CN106339720B (zh) * 2016-08-23 2019-09-10 温州大学 一种汽车发动机的失效检测方法

Also Published As

Publication number Publication date
CN110119518A (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
CN110119518B (zh) 一种采用神经网络模型诊断发动机故障原因的方法
CN109815441B (zh) 一种采用贝叶斯网络模型诊断及预测发动机故障的方法
CN106408687B (zh) 一种基于机器学习方法的汽车发动机故障预警方法
CN110378034B (zh) 一种机车发动机故障诊断方法、系统及实现装置
CN113157732B (zh) 一种基于pso-bp神经网络的地下铲运机故障诊断方法
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN114239377A (zh) 一种城轨机电设备健康状态评估方法、系统及存储介质
CN113339204B (zh) 一种基于混合神经网络的风力发电机故障识别方法
WO2023065580A1 (zh) 风电机组齿轮箱的故障诊断方法及装置
CN114048629B (zh) 一种船舶柴油机健康管控系统及管控方法
CN113900845A (zh) 一种基于神经网络的微服务故障诊断的方法和存储介质
CN112124229A (zh) 一种应急抢险泵车远程实时故障诊断方法
Aikhuele et al. Application of intuitionistic fuzzy TOPSIS model for troubleshooting an offshore patrol boat engine
CN111192379A (zh) 一种飞机整机的综合故障诊断方法
Wei Design of Web based expert system of electronic control engine fault diagnosis
JP2023155219A (ja) システム内の欠陥を識別するための方法
CN115079663A (zh) 一种基于数字孪生技术的车辆动力系统的监控方法及装置
CN112380782A (zh) 一种基于混合指标和神经网络的旋转设备故障预测方法
CN111368379A (zh) 一种改进hwpso-wphm模型的滚动轴承可靠度评估方法和系统
Peysson et al. New approach to prognostic system failures
CN115267541A (zh) 一种基于对抗学习的新能源汽车电池异常检测方法
CN114661504A (zh) 一种对重复出现类型故障的可操作可解释的根因定位方法
Zhou et al. [Retracted] A Self‐Diagnostic Method for Automobile Faults in Multiple Working Conditions Based on SOM‐BPNN
CN112699918A (zh) 齿轮箱油温异常自动预警方法及装置
CN109375608B (zh) 一种基于图模型的发动机故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant