CN112036079A - 一种基于anfis的柴油机多信息融合诊断方法 - Google Patents

一种基于anfis的柴油机多信息融合诊断方法 Download PDF

Info

Publication number
CN112036079A
CN112036079A CN202010831743.9A CN202010831743A CN112036079A CN 112036079 A CN112036079 A CN 112036079A CN 202010831743 A CN202010831743 A CN 202010831743A CN 112036079 A CN112036079 A CN 112036079A
Authority
CN
China
Prior art keywords
diesel engine
parameters
anfis
parameter
data
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.)
Granted
Application number
CN202010831743.9A
Other languages
English (en)
Other versions
CN112036079B (zh
Inventor
费景洲
韩雨婷
王忠巍
曹云鹏
袁志国
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202010831743.9A priority Critical patent/CN112036079B/zh
Publication of CN112036079A publication Critical patent/CN112036079A/zh
Application granted granted Critical
Publication of CN112036079B publication Critical patent/CN112036079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

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

Abstract

本发明公开了一种基于ANFIS的柴油机多信息融合诊断方法。步骤1：输出结果集合F，输入参数集合S；故障数据库U1；步骤2：对数据集合进行归一化处理；步骤3：对数据集合进行层次分析法处理，得出参数权重值；步骤4：对生成柴油机故障诊断模型初始规则结构Q0；步骤5：将Q0训练后得到柴油机故障诊断模型规则结构Q1；步骤6：对Q1输入采取归一化处理后的柴油机实际运行参数S，记为输入参数集合S′，对S′进行模糊拟合和规则拟合后，生成输出基于ANFIS的柴油机故障诊断模型。本发明提高ANFIS在柴油机多信息融合诊断技术方面的工程实用性。

Description

一种基于ANFIS的柴油机多信息融合诊断方法
技术领域
本发明属于柴油机故障诊断技术领域；具体涉及一种基于ANFIS的柴油机多信息融合诊断方法。
背景技术
柴油机是目前各种动力机械中应用最为广泛的机型，柴油机技术的发展对我国工农业、交通运输、国防建设等各方面具有重要影响。柴油机由于结构复杂、工作条件恶劣、运行工况多变等原因，容易产生各类故障。柴油机发生故障会影响设备和系统运行安全，严重时甚至会造成人员和财产方面的重大损失，因此开展柴油机故障诊断技术研究，对保障柴油机安全、高效运行具有重要意义。
在目前的柴油机故障监测与诊断的方法中，性能参数分析法、油液分析法、声振信号分析法、专家系统、神经网络方法以及多信息融合方法是最常见和有效的方法。多信息融合诊断方法，能够消除单源信息诊断过程中设备和传感器自身的不确定性，提高故障诊断的精度和可靠性，成为目前柴油机故障诊断方面的重要研究内容。人工神经网络方法，由于具有大规模并行处理、自组织学习、良好非线性映射能力等特点，在柴油机多信息融合诊断方面有广泛的应用前景。目前的人工神经网络方法，由于网络参数与数学函数之间缺乏准确表达，模型存在内部结构模糊不清的“黑匣子”问题，BP等前向型神经网络还存在局部极小值等问题，限制了神经网络方法在柴油机多信息融合诊断方面的发展。
发明内容
本发明提供了一种基于ANFIS的柴油机多信息融合诊断方法，提高ANFIS在柴油机多信息融合诊断技术方面的工程实用性。
本发明通过以下技术方案实现：
一种基于ANFIS的柴油机多信息融合诊断方法，所述诊断方法包括以下步骤，
步骤1：选取柴油机的典型故障作为输出结果集合F，选取柴油机实际运行中便于测量的动力学、热力学参数作为输入参数集合S；以已知故障参数集合作为模型训练的故障数据库U1；
步骤2：将步骤1的输出结果集合F、输入参数集合S和故障数据库U1，对数据集合进行归一化处理；
步骤3：对步骤2归一化处理后的数据集合进行层次分析法处理，得出参数权重值；
步骤4：对步骤3的参数权重值结合应用减法聚类法优化后的ANFIS，生成柴油机故障诊断模型初始规则结构Q0；
步骤5：将步骤4的初始规则结构Q0训练后得到柴油机故障诊断模型规则结构Q1；
步骤6：对柴油机故障诊断模型规则结构Q1输入采取归一化处理后的柴油机实际运行参数S集合内特征参数，记为输入参数集合S′，对输入参数集合S′进行模糊拟合和规则拟合后，生成输出基于ANFIS的柴油机故障诊断模型。
进一步的，所述步骤1中故障类型包括：正常运行f0、单缸失火f1、排气管泄露f2、压气机污阻f3、空滤器堵塞f4、润滑不良f5；
输入参数包括：有效功率s1、燃油消耗率s2、涡前排气温度s3、涡后排气温度s4、涡前排气压力s5、中冷器前温度s6、中冷器后温度s7、中冷器前压力s8、中冷器后压力s9、进口压力s10、缸后平均温度s11。
进一步的，所述步骤2中对数据集合进行归一化处理，即对集合S内每组Si采用最大最小法进行归一化处理
Figure BDA0002638254680000021
其中，i为参数个数i＝1，…，11，k为数据组数simin为数据序列的均值，k＝1，2，……；simax为数据的方差；设定归一化范围为0-1；归一化消除不同类型输入参数间的数量级差异。
进一步的，所述步骤3中对数据集合进行层次分析法处理具体为，求取故障数据与正常数据差值，建立数据特征方阵，求取方阵的特征值与特征向量，对比最大特征向量并进行一致性检测，得出参数权重值。
进一步的，所述层次分析法具体为，寻求参数变化程度，即在已知集合中，寻求故障参数与正常参数之间的差值，利用差值形成参数变化方阵A，若因素i与因素j的差值之比为
Figure BDA0002638254680000025
那么因素j与因素i差值之比为
Figure BDA0002638254680000022
因为方阵A＝(aij)n×n满足，
Figure BDA0002638254680000023
所以方阵A＝(aij)n×n为正反矩阵；
但方阵A＝(aij)n×n不一定满足，
Figure BDA0002638254680000024
方阵A＝(aij)n×n不一定为一致性矩阵；
根据一致性矩阵特性：
若A＝(aij)n×n的最大特征值λmax对应的特征向量为w＝(w1，…，wn)T，则
Figure BDA0002638254680000031
其中w即为参数权重值；
由层次分析法基本结构，在获取权重值之前，应对构造方阵A进行一致性检验，通过一致性比例CR：
Figure BDA0002638254680000032
当CR＜0.10时，此矩阵为一致性矩阵，否则应对矩阵进行修改；
其中CI的数值根据方阵A计算获得，RI的数值通过查“层次分析法随机一致性RI值表”获得，RI的数值由方阵A的阶数n决定，RI的数值也能通过方阵A计算获得，本发明中采用查表法获得RI的数值。
求差值方阵A的特征值和特征向量，并进行层次分析法处理，得到参数的权重值大小。
进一步的，所述步骤4中柴油机故障诊断模型初始规则结构Q0具体为，设定训练步数、最大误差，运用故障数据库U1对初始结构Q0进行训练，生成训练后柴油机故障诊断模型规则结构Q1。
进一步的，所述减法聚类法优化后的ANFIS，其中s1、s2是输入参数，在多参数输入条件下结构生成条件如下：
第一层为模糊化层，表达式为：
Figure BDA0002638254680000033
其中Ai、Bi表示模糊集合；
Figure BDA0002638254680000034
和
Figure BDA0002638254680000035
分别是s1，s2的隶属度函数，选择钟型函数的表达式为：
Figure BDA0002638254680000036
其中，
Figure BDA0002638254680000037
为提前参数集，其值在训练阶段由反馈不断更新，最终形成规则中的结论参数集；
第二层为实现第一层中模糊集的运算，第一层的输出在此层均表现为点，经过该层的计算，输出的是信号的代数积，每个点的输出结果表示为一条规则适用度，表达式为：
Qi＝μAi(s1)×μBi(s2)，i＝1，2 (8)
第三层为将各条规则的激励强度归一化，该层的结点是固定结点，输出为该条规则与全部规则的适用度；表达式为：
Figure BDA0002638254680000041
第四层的所有结点都是自适应的，以计算出每条规则的输出；表达式为：
Figure BDA0002638254680000042
第五层为输出层，该层用以计算所有传来的信号之和作为输出信号；表达式为：
Figure BDA0002638254680000043
对提前参数修正，寻找一组合适的参数使得，
Figure BDA0002638254680000044
其中，f为实际输出；
Figure BDA0002638254680000045
为模型输出。
进一步的，所述减法聚类法引用于第一层与第二层中，所述减法聚类为密度算法，用以寻找数据的中心，首先计算每个数据点的密度，得到密度指标：
Figure BDA0002638254680000046
找到密度指标最大的数据作为第一个聚类中心，除去这个点的密度，计算多有疑点的密度指标；
Figure BDA0002638254680000047
找到最大的密度指标，并把此点作为聚类中心，依次循环直到满足条件：
Figure BDA0002638254680000048
其中δ是设定的一个较小正数。
进一步的，所述生成故障诊断初步模型FIS是指包括输入参数处理步骤、判断规则结构Q0及结果输出步骤的完整算法结构。所述训练生成的故障诊断初步模型FIS是指：运用训练数据对规则结构Q0进行训练，具体为用已知结果集合F和输入参数集合S的完整故障数据，对生成的FIS进行训练，即对前提参数和结论参数进行训练，通过训练参数提高模型的诊断精度；
对于前提参数，应用反向传播算法，而对于结论参数采用线性最小二乘估计算法进行调整参数，在每一次迭代首先将输入信号沿网络正向传递直至第四层，此时固定前提参数，采用最小二乘估计算法调节结论参数，直到模型仿真运行到第五层输出层；
将获得的误差信号沿诊断模型ANFIS结构反向传播，从而调节前提参数；以此方式寻找参数的最优值，当训练达到指定步数后结束训练，生成故障诊断结构FIS’。
进一步的，诊断时，需将柴油机故障输入参数数据S’与训练数据S整合后进行归一化处理，处理后的数据输入参数集合S″，将输入参数集合S”作为输入参数输入故障诊断ANFIS结构进行仿真运行，所得结果为故障类型，最终形成从数据处理、模型生成，最终生成判断结果的综合多种参数的柴油机故障诊断模型。
本发明的有益效果是：
1、本发明解决了常规ANFIS算法多信息融合过程的“计算量爆炸”问题，具有融合参数数量多、算法计算量小等优点；
2、本发明实现不依赖专家经验条件下的算法推理规则自动优化，解决了传统主观分析方法高度依赖专家主观经验、迭代寻优算法增加建模复杂性的问题；
3、本发明模型可根据输入参数类型、数量的变化，实现模型结构和推理规则的自动调整，具有自我学习能力；随着柴油机运行数据的不断积累、丰富，模型的诊断精度会逐步提升。
附图说明
图1为本发明流程示意图。
图2为本发明结合层次分析法应用减法聚类ANFIS规则结构示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于ANFIS的柴油机多信息融合诊断方法，所述诊断方法包括以下步骤，
步骤1：选取柴油机的典型故障作为输出结果集合F，选取柴油机实际运行中便于测量的动力学、热力学参数作为输入参数集合S；以已知故障参数集合作为模型训练的故障数据库U1；
步骤2：将步骤1的输出结果集合F、输入参数集合S和故障数据库U1，对数据集合进行归一化处理；消除参数间数量级与单位差异，降低模糊化过程的困难度；
步骤3：对步骤2归一化处理后的数据集合进行层次分析法处理，得出参数权重值；
步骤4：对步骤3的参数权重值结合应用减法聚类法优化后的ANFIS，生成柴油机故障诊断模型初始规则结构Q0；
步骤5：将步骤4的初始规则结构Q0训练后得到柴油机故障诊断模型规则结构Q1；
步骤6：对柴油机故障诊断模型规则结构Q1输入采取归一化处理后的柴油机实际运行参数S集合内特征参数，记为输入参数集合S’，对输入参数集合S’进行模糊拟合和规则拟合后，生成输出基于ANFIS的柴油机故障诊断模型。
进一步的，所述步骤1中故障类型包括：正常运行f0、单缸失火f1、排气管泄露f2、压气机污阻f3、空滤器堵塞f4、润滑不良f5；
输入参数包括：有效功率s1、燃油消耗率s2、涡前排气温度s3、涡后排气温度s4、涡前排气压力s5、中冷器前温度s6、中冷器后温度s7、中冷器前压力s8、中冷器后压力s9、进口压力s10、缸后平均温度s11。
进行多参数选取有利于全方位判断柴油机运行状况，使诊断结果更为精准，由于参考参数多样化，也使故障诊断模型能综合分析柴油机多参数信息，提高诊断精度和靠性。
进一步的，所述步骤2中对数据集合进行归一化处理，即对集合S内每组Si采用最大最小法进行归一化处理
Figure BDA0002638254680000061
其中，i为参数个数i＝1，…，11，k为数据组数simin为数据序列的均值，k＝1，2，……；simax为数据的方差；设定归一化范围为0-1；归一化消除不同类型输入参数间的数量级差异。单个参数在归一化后的数据大小并不能表示柴油机运行状况。
进一步的，所述步骤3中对数据集合进行层次分析法处理具体为，求取故障数据与正常数据差值，建立数据特征方阵，求取方阵的特征值与特征向量，对比最大特征向量并进行一致性检测，得出参数权重值。
进一步的，是指应用层次分析法分析出参数变化剧烈程度对结果的影响大小。根据层次分析法简约过程，将对结果影响大的参数分解出权重、规则、层次，在输出权重基础上，对参数进行比较最终设定关键参数的一种决策方法。本发明并不根据层次分析法做决策用，仅根据层次分析法寻找对应参数权重值。所述层次分析法具体为，寻求参数变化程度，即在已知集合中，寻求故障参数与正常参数之间的差值，利用差值形成参数变化方阵A，若因素i与因素j的差值之比为
Figure BDA0002638254680000065
那么因素j与因素i差值之比为
Figure BDA0002638254680000062
因为方阵A＝(aij)n×n满足，
Figure BDA0002638254680000063
所以方阵A＝(aij)n×n为正反矩阵；
但方阵A＝(aij)n×n不一定满足，
Figure BDA0002638254680000064
方阵A＝(aij)n×n不一定为一致性矩阵；
根据一致性矩阵特性：
若A＝(aij)n×n的最大特征值λmax对应的特征向量为w＝(w1，…，wn)T，则
Figure BDA0002638254680000071
其中w即为参数权重值；
由层次分析法基本结构，在获取权重值之前，应对构造方阵A进行一致性检验，通过一致性比例CR：
Figure BDA0002638254680000072
当CR＜0.10时，此矩阵为一致性矩阵，否则应对矩阵进行修改；
其中CI的数值根据方阵A计算获得，RI的数值通过查“层次分析法随机一致性RI值表”获得，RI的数值由方阵A的阶数n决定，RI的数值也能通过方阵A计算获得，本发明中采用查表法获得RI的数值。
构造矩阵A由参数差值特殊选取，并非按照原层次分析法的重要性构造矩阵，构造方阵A的数值均取绝对值，所有数据均属于0-1之间，因此一致性检验只作为检测确定的一部分；求差值方阵A的特征值和特征向量，并做层次分析法处理，得到参数的权重值大小。
进一步的，所述步骤4中柴油机故障诊断模型初始规则结构Q0具体为，设定训练步数、最大误差，运用故障数据库U1对初始结构Q0进行训练，生成训练后柴油机故障诊断模型规则结构Q1。
进一步的，所述减法聚类法优化后的ANFIS，其中s1、s2是输入参数，在多参数输入条件下结构生成条件如下：
第一层为模糊化层，是将输入数据按照隶属度进行分割进行模糊化，表达式为：
Figure BDA0002638254680000073
其中Ai、Bi表示模糊集合；
Figure BDA0002638254680000074
和
Figure BDA0002638254680000075
分别是s1，s2的隶属度函数，选择钟型函数的表达式为：
Figure BDA0002638254680000076
其中，
Figure BDA0002638254680000077
为提前参数集，其值在训练阶段由反馈不断更新，最终形成规则中的结论参数集；
第二层为实现第一层中模糊集的运算，第一层的输出在此层均表现为点，经过该层的计算，输出的是信号的代数积，每个点的输出结果表示为一条规则适用度，表达式为：
Qi＝μAi(s1)×μBi(s2)，i＝1，2 (8)
第三层为将各条规则的激励强度归一化，该层的结点是固定结点，输出为该条规则与全部规则的适用度；表达式为：
Figure BDA0002638254680000081
第四层的所有结点都是自适应的，以计算出每条规则的输出；表达式为：
Figure BDA0002638254680000082
第五层为输出层，该层用以计算所有传来的信号之和作为输出信号；表达式为：
Figure BDA0002638254680000083
对提前参数修正，寻找一组合适的参数使得，
Figure BDA0002638254680000084
其中，f为实际输出；
Figure BDA0002638254680000085
为模型输出。
进一步的，所述减法聚类法引用于第一层与第二层中，所述减法聚类为密度算法，用以寻找数据的中心，首先计算每个数据点的密度，得到密度指标：
Figure BDA0002638254680000086
找到密度指标最大的数据作为第一个聚类中心，除去这个点的密度，计算多有疑点的密度指标；
Figure BDA0002638254680000087
找到最大的密度指标，并把此点作为聚类中心，依次循环直到满足条件：
Figure BDA0002638254680000088
其中δ是设定的一个较小正数。
减法聚类法的算法运行较快，复杂程度与数据维度成线性关系，减法聚类算法的应用使得模型数据和规则数都有减少，很大程度上消除了ANFIS在输入参数过多时造成的规则数溢出现象。
应用减法聚类生成ANFIS结构如附图2所示，形成柴油机故障诊断初步模型FIS，其中规则为每参数组取一的组合，生从而减少规则数目和模型结构，其中的n1、n2……n11等数值由程序根据权重值自动生成，该数值决定ANFIS结构中隶属度大小，代表参数的模糊区间分割程度，对结果的判断有着重要的影响。在训练程序过程中，经大量训练步数对该数值进行调整，但由于参数数目限制和程序存储量限制，在有限训练步骤内实际运行时，由于参数过多，迭代次数增多造成规则数目溢出，致使模型无法生成。
本发明中所述寻找聚类中心，为经层次分析法所求权重值，通过权重值判断参数在判断中影响力的大小，由程序自动对隶属度进行划分，简化模型生成过程。
进一步的，所述生成故障诊断初步模型FIS是指包括输入参数处理步骤、判断规则结构Q0及结果输出步骤的完整算法结构。所述训练生成的故障诊断初步模型FIS是指：运用训练数据对生成规则结构Q0的参数进行训练，即应用故障数据库中已知结果集合F和输入参数集合S的完整故障数据，对生成的FIS的前提参数和结论参数进行训练，前提参数和结论参数是在生成故障诊断初步模型FIS中，用以生成初步规则和最终整合规则时涉及的参数，通过训练参数提高模型的诊断精度；
训练采取一种混合学习算法进行训练，对于前提参数，应用反向传播算法，而对于结论参数采用线性最小二乘估计算法进行调整参数，在每一次迭代首先将输入信号沿网络正向传递直至第四层，此时固定前提参数，采用最小二乘估计算法调节结论参数，直到模型仿真运行到第五层输出层；
将获得的误差信号沿诊断模型ANFIS结构反向传播，从而调节前提参数；以此方式寻找参数的最优值，此过程选择设置训练步数或训练误差，本发明中选择训练步数作为训练结束标准，当训练达到指定步数后结束训练，生成故障诊断结构FIS’。
进一步的，所述故障诊断结构即为训练后的柴油机故障诊断ANFIS结构，此结构用于实际柴油机故障诊断，诊断时，需将柴油机故障输入参数数据S’与训练数据S整合后进行归一化处理，处理后的数据输入参数集合S″，将输入参数集合S″作为输入参数输入故障诊断ANFIS结构进行仿真运行，所得结果为故障类型，通过图像及数值输出完成对故障类型的表示。最终形成从数据处理、模型生成，最终生成判断结果的综合多种参数的柴油机故障诊断模型。
本发明首先对算法模型的输入参数进行归一化处理，然后利用层次分析法确定输入参数权重，其次利用输入参数权重优化ANFIS减法聚类法中心值，最后建立基于ANFIS的柴油机多信息融合快速诊断模型。此模型具有输入参数多、算法计算量小、模型结构自动优化、不依赖专家经验等特点。该故障诊断模型以指导运维人员对柴油机实施有针对性的故障维修，降低柴油机维护成本。

Claims (10)

1.一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述诊断方法包括以下步骤，
步骤1：选取柴油机的典型故障作为输出结果集合F，选取柴油机实际运行中便于测量的动力学、热力学参数作为输入参数集合S；以已知故障参数集合作为模型训练的故障数据库U1；
步骤2：将步骤1的输出结果集合F、输入参数集合S和故障数据库U1，对数据集合进行归一化处理；
步骤3：对步骤2归一化处理后的数据集合进行层次分析法处理，得出参数权重值；
步骤4：对步骤3的参数权重值结合应用减法聚类法优化后的ANFIS，生成柴油机故障诊断模型初始规则结构Q0；
步骤5：将步骤4的初始规则结构Q0训练后得到柴油机故障诊断模型规则结构Q1；
步骤6：对柴油机故障诊断模型规则结构Q1输入采取归一化处理后的柴油机实际运行参数S集合内特征参数，记为输入参数集合S′，对输入参数集合S′进行模糊拟合和规则拟合后，生成输出基于ANFIS的柴油机故障诊断模型。
2.根据权利要求1所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述步骤1中故障类型包括：正常运行f0、单缸失火f1、排气管泄露f2、压气机污阻f3、空滤器堵塞f4、润滑不良f5；
输入参数包括：有效功率s1、燃油消耗率s2、涡前排气温度s3、涡后排气温度s4、涡前排气压力s5、中冷器前温度s6、中冷器后温度s7、中冷器前压力s8、中冷器后压力s9、进口压力s10、缸后平均温度s11。
3.根据权利要求1所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述步骤2中对数据集合进行归一化处理，即对集合S内每组Si采用最大最小法进行归一化处理
Figure FDA0002638254670000011
其中，i为参数个数i＝1，…，11，k为数据组数simin为数据序列的均值，k＝1，2，……；simax为数据的方差；设定归一化范围为0-1；归一化消除不同类型输入参数间的数量级差异。
4.根据权利要求1所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述步骤3中对数据集合进行层次分析法处理具体为，求取故障数据与正常数据差值，建立数据特征方阵，求取方阵的特征值与特征向量，对比最大特征向量并进行一致性检测，得出参数权重值。
5.根据权利要求4所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述层次分析法具体为，寻求参数变化程度，即在已知集合中，寻求故障参数与正常参数之间的差值，利用差值形成参数变化方阵A，若因素i与因素j的差值之比为
Figure FDA0002638254670000026
那么因素j与因素i差值之比为
Figure FDA0002638254670000021
因为方阵A＝(aij)n×n满足，
(i)aij＞0，(ii)
Figure FDA0002638254670000022
所以方阵A＝(aij)n×n为正反矩阵；
但方阵A＝(aij)n×n不一定满足，
Figure FDA0002638254670000023
方阵A＝(aij)n×n不一定为一致性矩阵；
根据一致性矩阵特性：
若A＝(aij)n×n的最大特征值λmax对应的特征向量为w＝(w1，…，wn)T，则
Figure FDA0002638254670000024
其中w即为参数权重值；
由层次分析法基本结构，在获取权重值之前，应对构造方阵A进行一致性检验，通过一致性比例CR：
Figure FDA0002638254670000025
当CR＜0.10时，此矩阵为一致性矩阵，否则应对矩阵进行修改；
其中CI的数值根据方阵A计算获得，RI的数值通过查“层次分析法随机一致性RI值表”获得，RI的数值由方阵A的阶数n决定，RI的数值也能通过方阵A计算获得，本发明中采用查表法获得RI的数值。
求差值方阵A的特征值和特征向量，并进行层次分析法处理，得到参数的权重值大小。
6.根据权利要求1所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述步骤4中柴油机故障诊断模型初始规则结构Q0具体为，设定训练步数、最大误差，运用故障数据库U1对初始结构Q0进行训练，生成训练后柴油机故障诊断模型规则结构Q1。
7.根据权利要求6所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述减法聚类法优化后的ANFIS，其中s1、s2是输入参数，在多参数输入条件下结构生成条件如下：
第一层为模糊化层，表达式为：
Figure FDA0002638254670000031
其中Ai、Bi表示模糊集合；
Figure FDA0002638254670000032
和
Figure FDA0002638254670000033
分别是s1，s2的隶属度函数，选择钟型函数的表达式为：
Figure FDA0002638254670000034
其中，{aj，bj，cj}为提前参数集，其值在训练阶段由反馈不断更新，最终形成规则中的结论参数集；
第二层为实现第一层中模糊集的运算，第一层的输出在此层均表现为点，经过该层的计算，输出的是信号的代数积，每个点的输出结果表示为一条规则适用度，表达式为：
Qi＝μAi(s1)×μBi(s2)，i＝1，2 (8)
第三层为将各条规则的激励强度归一化，该层的结点是固定结点，输出为该条规则与全部规则的适用度；表达式为：
Figure FDA0002638254670000035
第四层的所有结点都是自适应的，以计算出每条规则的输出；表达式为：
Figure FDA0002638254670000036
第五层为输出层，该层用以计算所有传来的信号之和作为输出信号；表达式为：
Figure FDA0002638254670000037
对提前参数修正，寻找一组合适的参数使得，
Figure FDA0002638254670000038
其中，f为实际输出；
Figure FDA0002638254670000039
为模型输出。
8.根据权利要求7所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述减法聚类法引用于第一层与第二层中，所述减法聚类为密度算法，用以寻找数据的中心，首先计算每个数据点的密度，得到密度指标：
Figure FDA00026382546700000310
找到密度指标最大的数据作为第一个聚类中心，除去这个点的密度，计算多有疑点的密度指标；
Figure FDA00026382546700000311
找到最大的密度指标，并把此点作为聚类中心，依次循环直到满足条件：
Figure FDA00026382546700000312
其中δ是设定的一个较小正数。
9.根据权利要求1所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述生成故障诊断初步模型FIS是指包括输入参数处理步骤、判断规则结构Q0及结果输出步骤的完整算法结构，所述训练生成的故障诊断初步模型FIS是指：运用训练数据对规则结构Q0进行训练，具体为用已知结果集合F和输入参数集合S的完整故障数据，对生成的FIS进行训练，即对前提参数和结论参数进行训练，通过训练参数提高模型的诊断精度；
对于前提参数，应用反向传播算法，而对于结论参数采用线性最小二乘估计算法进行调整参数，每一次迭代首先将输入信号沿网络正向传递直至第四层，此时固定前提参数，采用最小二乘估计算法调节结论参数，直到模型仿真运行到第五层输出层；
将获得的误差信号沿诊断模型ANFIS结构反向传播，从而调节前提参数；以此方式寻找参数的最优值，当训练达到指定步数后结束训练，生成故障诊断结构FIS’。
10.根据权利要求1所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，诊断时，将柴油机故障输入参数数据S’与训练数据S整合后进行归一化处理，处理后的数据输入参数集合S”，将输入参数集合S”作为输入参数输入故障诊断ANFIS结构进行仿真运行，所得结果为故障类型，最终形成从数据处理、模型生成，最终生成判断结果的综合多种参数的柴油机故障诊断模型。
CN202010831743.9A 2020-08-18 2020-08-18 一种基于anfis的柴油机多信息融合诊断方法 Active CN112036079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010831743.9A CN112036079B (zh) 2020-08-18 2020-08-18 一种基于anfis的柴油机多信息融合诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010831743.9A CN112036079B (zh) 2020-08-18 2020-08-18 一种基于anfis的柴油机多信息融合诊断方法

Publications (2)

Publication Number Publication Date
CN112036079A true CN112036079A (zh) 2020-12-04
CN112036079B CN112036079B (zh) 2021-12-07

Family

ID=73577503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010831743.9A Active CN112036079B (zh) 2020-08-18 2020-08-18 一种基于anfis的柴油机多信息融合诊断方法

Country Status (1)

Country Link
CN (1) CN112036079B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597658A (zh) * 2020-12-28 2021-04-02 哈尔滨工程大学 一种基于工况识别的船用柴油机多模型故障诊断方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009013754A1 (en) * 2007-07-24 2009-01-29 Technion Research And Development Foundation Ltd. Chemically sensitive field effect transistors and use thereof in electronic nose devices
CN105740619A (zh) * 2016-01-28 2016-07-06 华南理工大学 基于核函数的加权极限学习机污水处理在线故障诊断方法
CN108845217A (zh) * 2018-08-23 2018-11-20 四川多成电力工程安装有限责任公司 基于模糊网络融合的变压器套管监测方法
CN109539886A (zh) * 2018-03-25 2019-03-29 哈尔滨工程大学 一种潜艇隐身辅助决策系统及决策方法
CN109932184A (zh) * 2019-03-20 2019-06-25 杭州电子科技大学 基于并集信度规则推理的船用柴油机异常磨损诊断方法
CN109977621A (zh) * 2019-04-30 2019-07-05 西南石油大学 一种基于深度学习的空调故障预测方法
CN110297178A (zh) * 2018-05-11 2019-10-01 宫文峰 基于深度学习的柴油发电机组故障诊断与检测装置及方法
CN110441725A (zh) * 2018-05-03 2019-11-12 国网安徽省电力有限公司电力科学研究院 基于自适应神经模糊推理的智能电表故障诊断方法及装置
CN111398832A (zh) * 2020-03-19 2020-07-10 哈尔滨工程大学 一种基于anfis模型的公交车电池soc预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009013754A1 (en) * 2007-07-24 2009-01-29 Technion Research And Development Foundation Ltd. Chemically sensitive field effect transistors and use thereof in electronic nose devices
CN105740619A (zh) * 2016-01-28 2016-07-06 华南理工大学 基于核函数的加权极限学习机污水处理在线故障诊断方法
CN109539886A (zh) * 2018-03-25 2019-03-29 哈尔滨工程大学 一种潜艇隐身辅助决策系统及决策方法
CN110441725A (zh) * 2018-05-03 2019-11-12 国网安徽省电力有限公司电力科学研究院 基于自适应神经模糊推理的智能电表故障诊断方法及装置
CN110297178A (zh) * 2018-05-11 2019-10-01 宫文峰 基于深度学习的柴油发电机组故障诊断与检测装置及方法
CN108845217A (zh) * 2018-08-23 2018-11-20 四川多成电力工程安装有限责任公司 基于模糊网络融合的变压器套管监测方法
CN109932184A (zh) * 2019-03-20 2019-06-25 杭州电子科技大学 基于并集信度规则推理的船用柴油机异常磨损诊断方法
CN109977621A (zh) * 2019-04-30 2019-07-05 西南石油大学 一种基于深度学习的空调故障预测方法
CN111398832A (zh) * 2020-03-19 2020-07-10 哈尔滨工程大学 一种基于anfis模型的公交车电池soc预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANG J ET AL.: "Exploiting Bayesian networks for fault isolation: A diagnostic case study of diesel fuel injection system", 《ISA TRANSACTIONS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597658A (zh) * 2020-12-28 2021-04-02 哈尔滨工程大学 一种基于工况识别的船用柴油机多模型故障诊断方法
CN112597658B (zh) * 2020-12-28 2022-02-18 哈尔滨工程大学 一种基于工况识别的船用柴油机多模型故障诊断方法

Also Published As

Publication number Publication date
CN112036079B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN109213121B (zh) 一种风机制动系统卡缸故障诊断方法
CN108197648A (zh) 一种基于lstm深度学习模型的水电机组故障诊断方法与系统
CN110119518B (zh) 一种采用神经网络模型诊断发动机故障原因的方法
CN112597658B (zh) 一种基于工况识别的船用柴油机多模型故障诊断方法
CN114322199B (zh) 基于数字孪生的通风系统自主优化运行调控平台及方法
CN114919559B (zh) 一种基于数字孪生的制动系统剩余使用寿命预测系统及方法
CN102567782A (zh) 一种基于神经网络的汽车发动机转矩的估算方法
CN112036079B (zh) 一种基于anfis的柴油机多信息融合诊断方法
CN111273125A (zh) 基于rst-cnn的电力电缆沟道故障诊断方法
CN112596031A (zh) 一种基于知识图谱的目标雷达威胁度评估方法
CN112529685A (zh) 一种基于bas-fnn的贷款用户信用评级方法及系统
CN112700047A (zh) 基于bp神经网络的油量损耗预测方法
Wei Design of Web based expert system of electronic control engine fault diagnosis
CN115051929A (zh) 基于自监督目标感知神经网络的网络故障预测方法及装置
CN113157732B (zh) 一种基于pso-bp神经网络的地下铲运机故障诊断方法
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
CN114189047A (zh) 面向有源配电网状态估计的虚假数据检测与修正方法
CN112562312B (zh) 一种基于融合特征的GraphSAGE交通路网数据预测的方法
CN111999651B (zh) 一种纯电动汽车用锂离子电池的功率性能测试方法
CN117370766A (zh) 一种基于深度学习的卫星任务规划方案评估方法
CN113359435A (zh) 用于火电机组动态工况数据的修正方法
Lai et al. A data-driven decision-making approach for complex product design based on deep learning
CN116625686A (zh) 一种航空发动机轴承故障在线诊断方法
CN112149355A (zh) 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法
WO2024045377A1 (zh) 一种基于深度学习的航空发动机剩余寿命预测方法

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