CN113159162B - 一种基于信息融合与灰色关联度的故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种基于信息融合与灰色关联度的故障诊断方法及系统，包括采集发动机故障时的尾气成分样本；根据系统工程方法论计算所述样本中的计算静、动态权重系数；利用证据理论方法将所述尾气成份的权重系数进行融合计算，获得各尾气成份的综合动态权重系数；基于动态权重的灰色关联度算法计算出各样本的发动机故障关联度区间；发动机故障判断时，采集尾气成分的小样本数据，计算出关联度，与所述发动机故障的关联区间相比较，诊断发动机故障类型。本发明方法能够在只拥有尾气成份小样本数据的前提下，利用灰色关联度快速准确的判断出发动机故障类型。

Description

一种基于信息融合与灰色关联度的故障诊断方法及系统

技术领域

本发明内燃发动机故障诊断技术的技术领域，尤其涉及一种基于信息融合与灰色关联度的故障诊断方法及系统。

背景技术

根据控制学划分信息成白色系统信息、黑色系统信息和灰色系统信息，具体划分条件信息能够明确、不能明确、部分明确与部分不能明确。在1982年灰色系统理论在《系统与控制通讯》中表示，经过了不断的改善和发展，灰色系统做到了在信息技术行业算得上是相对完整的理论体系。在研究开发灰色系统时，主要是通过对部分知道的信息样本或者一些不确定性的系统进行研究，利用掌握的信息进行开发合成，从而获取最有用的价值信息，完成整体系统的运行和发展，掌握好整体变化规律的方向。

在灰色系统主要起到基础作用的是灰色关联，灰色关联是针对两种事物之间的不确定关联，或两种因素之间的不确定关联，在灰色系统中灰色关联既是基本内容也是整个组织重要的组成成分。

在灰色系统理论中灰色关联度理论占着重要的组成成分，是80年代中国学者首次提出的一种新的系统理论，它使用特定方法来描述信息不完整的系统。与其他统计学法相比较，灰色关联度理论计算法具有计算量小的功能，在数据处理上又能够做到准确有效。

灰色关联度理论在国内发动机研究领域中的应用比较广泛和深入。上海交通大学的张红和李柱国等人在磨合油选用定性分析的基础上，对其铁元素浓度序列和磨损度序列进行A型关联度、绝对关联度和B型关联度分析，分析结果表明磨合序列的灰色关联度分析为磨合油的选用提供了一种定量分析方法。陈士玮等人以16V280ZJA型柴油机油液理化检测结果为例，应用灰色关联度计算了参数之间的关联度和关联序，节省了指标检验的成本和时间。但是在《汽车尾气分析与发动机故障诊断的研究》中，只是给出了各尾气成分的高低的大概念，不具备数据的直观可视化，对于小样本数据很难给出准确的判断。因此准确、快速的获取方法并对快速、准确的计算方法进行研究就显得尤为重要。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有内燃发动机故障诊断存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有的计算方法存在计算不准确或者计算过程繁琐的问题。

为解决上述技术问题，本发明提供如下技术方案：采集发动机故障时的尾气成分样本；根据系统工程方法论计算所述样本中的计算静、动态权重系数；利用证据理论方法将所述尾气成分的权重系数进行融合计算，获得各尾气成分的综合动态权重系数；基于动态权重的灰色关联度算法计算出的发动机故障关联度区间；发动机故障判断时，采集尾气成分的小样本数据，计算出关联度，与所述发动机故障的关联度区间相比较，诊断发动机故障类型。

作为本发明所述的基于信息融合与灰色关联度的故障诊断方法的一种优选方案，其中：所述系统工程方法论计算样本中的计算静、动态权重系数包括，所述系统工程方法论包括主成分分析法、熵权法以及层次分析法，其中主成分分析法计算主成分分析权重，熵权法计算熵权法权重，层次分析法计算层次分析法权重。

作为本发明所述的基于信息融合与灰色关联度的故障诊断方法的一种优选方案，其中：所述主成分分析法计算主成分分析权重包括，对每个故障的原始指标数据标准化采集p维随机向量x＝(x₁,x₂,...,x_p)^T，以及n个样品

i＝1,2,…,n，n＞p，构造样本矩阵P并计算标准化矩阵Z，所述标准化矩阵Z的计算公式为：

其中：S_j为样本方差，

为样本均值，X_ij表示第j组尾气样本中的第i个样本值，对所述标准化矩阵Z利用协方差计算出协方差矩阵M的特征值与特征向量，并且计算出样本的累计贡献率，挑选出其中累计贡献率低于85％的主成分样本，确定所述样本的成分矩阵表，计算PCA权重ω_p，计算过程为，所述成分矩阵表各成分与对应的所述主成分贡献率的乘积之和除以主成分贡献率之和。

作为本发明所述的基于信息融合与灰色关联度的故障诊断方法的一种优选方案，其中：所述熵权法计算熵权法权重包括，设置各故障数据为n个样本，m个指标，其中第i个样本的第j的指标为X_ij，对所述故障数据采用负向指标运算进行标准化处理，计算公式为如下：

计算归一化矩阵P各元素p_ij以及信息熵E_j，进而计算熵权法权重ω_i，其计算公式为：

作为本发明所述的基于信息融合与灰色关联度的故障诊断方法的一种优选方案，其中：所述层次分析法计算层次分析法权重包括，建立层次结构模型，包括目标层、准则层以及方案层，再构造判断矩阵，按照要素的重要程度评定等级，所述判断矩阵A为：

A＝(a_ij)_n×n

其中：a_ij为元素i与元素j的重要性之比；然后计算近似特征向量以及最大特征根的近似值，判断一致性标准，所述目标层通过判断矩阵的相对权重形成总排序，在获得相同级别的各因子之间的相对重要性之后，从上往下计算每个级别的元素，并合成，设定准则层与方案层各因子权重为ω₀，方案层各因子权重整合得到矩阵ω₁，最终权重值计算公式：

ω_A＝ω₁×ω₀

其中：ω_A为层次分析法权重。

作为本发明所述的基于信息融合与灰色关联度的故障诊断方法的一种优选方案，其中：所述利用证据理论方法将尾气成份的权重系数进行融合计算包括，融合所述权重系数，计算归一化因子K，其计算公式为入下：

K＝∑m₁(ω_p)m₂(ω_i)m₃(ω_A)

根据所述归一化因子K，计算各尾气成分的最终动态权重，其计算公式表示为如下：

其中：ω_r为融合后的动态权重。

作为本发明所述的基于信息融合与灰色关联度的故障诊断方法的一种优选方案，其中：所述基于动态权重的灰色关联度算法包括，将正常运行的尾气数列作为参考数列x₀，将采集到的故障尾气数列作为比较数列x_i(i＝1,2，…，n)，对各数列进行均值化处理得到x_im，计算所述参考数列与所述比较数列的关联系数，其计算过程为如下：

其中：ξ为分辨率，取ξ＝0.5，i∈N,N＝{1,2，…，m}，k∈K，K＝{1,2，…，n}，进而计算关联度，其计算公式为：

作为本发明所述的基于信息融合与灰色关联度的故障诊断方法的一种优选方案，其中：所述故障关联度区间包括，根据采集到的所述尾气成分样本，计算各个成分样本数据的灰色关联度，以最大、最小值作为关联度区间的判断范围，得到所述故障关联度区间。

作为本发明所述的基于信息融合与灰色关联度的故障诊断方法的一种优选方案，其中：所述诊断发动机故障类型包括，不同的故障类型计算出的关联度是不同的，将所述计算出的故障关联度区间存入数据库中，在判断故障时，通过采集到的小样本数据计算出灰色关联度，将所述灰色关联度输入数据库中进行查询，确定故障类型。

作为本发明所述的基于信息融合与灰色关联度的故障诊断系统的一种优选方案，其中：尾气采集模块，用于采集发动机故障时的尾气成分样本；尾气分析仪，通过管道连接于所述尾气采集模块，分析样本中的计算静、动态权重系数以及各尾气成份的综合动态权重系数；灰色关联度计算模块，于所述尾气分析仪相连接，计算出各样本的发动机故障关联度区间；数据库，连接于所述灰色关联度计算模块，用于分类存储所述发动机故障的关联区间；故障类型判断模块，与所述灰色关联度计算模块和数据库相连接，将新的小样本数据计算出的故障关联度与所述数据库进行比较，判断故障类型。

本发明的有益效果：本发明方法能够在只拥有尾气成份小样本数据的前提下，利用灰色关联度快速准确的判断出发动机故障类型。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的基于信息融合与灰色关联度的故障诊断方法的基本流程示意图；

图2为本发明一个实施例提供的基于信息融合与灰色关联度的故障诊断方法的原理示意图；

图3为本发明一个实施例提供的基于信息融合与灰色关联度的故障诊断方法的层次结构模型框架图；

图4为本发明三个实施例提供的基于信息融合与灰色关联度的故障诊断系统的结构框架图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～3，为本发明的一个实施例，提供了一种基于信息融合与灰色关联度的故障诊断方法，包括：

S1：采集发动机故障时的尾气成分样本。其中需要说明的是，

利用尾气分析仪采集了六种发动机故障时的尾气成份样本，故障类型分别为：火花塞间隙过大(小)，EGR阀泄露，氧传感器故障，空气流量传感器故障，间歇性失火(断开一、四缸点火线圈)。

S2：根据系统工程方法论计算样本中的计算静、动态权重系数。其中需要说明的是，

系统工程方法论包括主成分分析法、熵权法以及层次分析法，其中主成分分析法计算主成分分析权重，熵权法计算熵权法权重，层次分析法计算层次分析法权重。

进一步的是，主成分分析法计算主成分分析权重包括，对每个故障的原始指标数据标准化采集p维随机向量x＝(x₁,x₂,...,x_p)^T，以及n个样品

i＝1,2,…,n，n＞p，构造样本矩阵P并计算标准化矩阵Z，标准化矩阵Z的计算公式为：

其中：S_j为样本方差，

为样本均值，X_ij表示第j组尾气样本中的第i个样本值，其计算过程为：

对标准化矩阵Z利用协方差计算协方差矩阵M：

采用numpy语言中的eig命令，直接求出协方差矩阵M的特征值λ与特征向量γ，将特征值按从大到小排列，再计算出样本的累计贡献率，其计算过程为：

第k个样本的主成分贡献率计算公式：

其中：λ_i为第i个特征值，第k个样本的累计贡献率计算公式：

挑选出其中累计贡献率低于85％的主成分样本，对选取的样本特征值开根与所对应的特征向量相乘得到成分矩阵

计算PCA权重ω_p，计算过程为，成分矩阵表各成分与对应的主成分贡献率的乘积之和除以主成分贡献率之和。

熵权法计算熵权法权重包括，设置各故障数据为n个样本，m个指标，其中第i个样本的第j的指标为X_ij，对故障数据采用负向指标运算进行标准化处理，计算公式为如下：

计算归一化矩阵P各元素p_ij以及信息熵E_j，其计算公式为：

其中：k＝1/ln(n)，进而计算熵权法权重ω_i，其计算公式为：

层次分析法计算层次分析法权重包括，建立层次结构模型，包括目标层、准则层以及方案层，参照图3，在本实施例中目标层Z为故障分类，准则层C为三种大类故障、点火系统故障、排气系统故障以及其他故障，方案层P为尾气成分，包括CO、CO₂、HC、O₂，再构造判断矩阵，按照要素的重要程度评定等级，为了让矩阵中的各要素的重要性能够进行定量显示，采用了矩阵判断标度(1-9标度法)，如下表1所示

表1：矩阵判断标度。

标度	含义(比较因素i和j)
		1	表示两个元素相比，i和同j样的重要
3	表示两个元素相比，i比j稍重要
		5	表示两个元素相比，i比j很重要
7	表示两个元素相比，i比j非常重要
		9	表示两个元素相比，i比j极其重要
2，4，6，8	表示上述相连判断的中间值

注：若元素i与元素j的重要性之比为a_ij，那么元素j与i的重要性之比为a_ij＝1/a_ij，根据表格建立各层次判断矩阵A为：

A＝(a_ij)_n×n

其中：a_ij为元素i与元素j的重要性之比。

层次单排徐及其一致性验证：

层次分析法中求解判断矩阵的方法一般有求和法和方根法，本实施例采用求和法的计算方法，具体方法及步骤如下：

第一步：将A的每一列向量求和归一

其中：b_ij为归一化后矩阵B各元素

第二步：将B的每一行按行求和

第三步：将求和结果进行归一化

其中：ω_i为近似特征向量；

第四步：根据公式

计算最大特征根的近似值，该特征值可作为最大特征根。

人为创造的比较矩阵一般是不满足一致性的，但是在此还是把它当做一致矩阵来处理，获得一组权重，但是这组权重能不能被接受，需要进一步考量，所以需要引入一致性标准检验，其判断方法为：

第一步，运用公式计算一致性指标C.I.(consistency index)。

第二步，查表2，平均随机一致性指标R.I.(random index)可以通过矩阵阶数进行确定。

表2：平均随机一致性指标R.I.。

矩阵阶数	1	2	3	4	5	6	7
								R.I.	0	0	0.52	0.89	1.12	1.26	1.36

第三步，计算一致性比例C.R.(consistency ratio)，利用如下公式判断是否满足要求。

当C.R.＜0.1时，判断矩阵达到要求，当C.R.＞0.1时，判断矩阵不符合要求，并且需要重新修正判断矩阵，根据上述步骤，分别对判断矩阵A-C、C1-P、C2-P和C3-P进行特征值、特征向量的求解以及对其进行一致性检验。

目标层通过判断矩阵的相对权重形成总排序，在获得相同级别的各因子之间的相对重要性之后，从上往下计算每个级别的元素，并合成，设定准则层与方案层各因子权重为ω₀，方案层各因子权重整合得到矩阵ω₁，最终权重值计算公式：

ω_A＝ω₁×ω₀

其中：ω_A为层次分析法权重。

S3：利用证据理论方法将尾气成份的权重系数进行融合计算，获得各尾气成份的综合动态权重系数。其中需要说明的是，

利用证据理论方法将尾气成份的权重系数进行融合计算包括，融合权重系数，计算归一化因子K，其计算公式为入下：

K＝∑m₁(ω_p)m₂(ω_i)m₃(ω_A)

根据归一化因子K，计算各尾气成分的最终动态权重，其计算公式表示为如下：

其中：ω_r为融合后的动态权重。

S4：基于动态权重的灰色关联度算法计算出各样本的发动机故障关联度区间。其中需要说明的是，

基于动态权重的灰色关联度算法包括，将正常运行的尾气数列作为参考数列x₀，将采集到的故障尾气数列作为比较数列x_i(i＝1,2，…，n)，对各数列进行均值化处理得到x_im，计算参考数列与比较数列的关联系数，其计算过程为如下：

其中：ξ为分辨率，取ξ＝0.5，i∈N,N＝{1,2，…，m}，k∈K，K＝{1,2，…，n}，进而计算关联度，其计算公式为：

进一步的是，故障关联度区间包括，根据采集到的尾气成分样本，计算各个成分样本数据的灰色关联度，以最大、最小值作为关联度区间的判断范围，得到故障关联度区间。

S5：发动机故障判断时，采集尾气成分的小样本数据，计算出关联度，与发动机故障的关联区间相比较，诊断发动机故障类型。其中需要说明的是，

诊断发动机故障类型包括，不同的故障类型计算出的关联度是不同的，将计算出的故障关联度区间存入数据库中，在判断故障时，通过采集到的小样本数据计算出灰色关联度，将灰色关联度输入数据库中进行查询，确定故障类型。

实施例2

本发明第二个实施例，本实施例对本方法中采用的技术效果加以验证说明，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

以四种尾气含量(HC、CO、CO₂、O₂)的数值，来准确快速的对汽车发动机的故障进行分类，利用层次分析算例进行分析时，通过对各尾气平均值进行计算，对比存在的平均值差异，对比分析出火花塞出现故障的尾气数据比传感器故障在变化上更为明显，但是与其他故障数据相比基本一样，而对于传感器故障变化的数据与其他故障数据相比就要相对小些，因此，在重要对比性上“火花塞故障”与“其他故障”为1，“火花塞故障”相对于“传感器故障”为3，“其他故障”相对于“传感器故障”为3，判断矩阵A-C如表3。

表3：判断矩阵A-C。

A	C1	C2	C3
				C1	1	1/3	1
C2	3	1	3
				C3	1	1/3	1

因此可得到ω₀：

最大特征值：

用一致性指标进行检验：

根据表3选取三阶矩阵平均随机一致性指标R.I.为0.52，由公式得：

通过结果分析出判断矩阵A要求，同时A的最大特征向量可以代替权向量。

同理，方案层中有4个元素，分别相对于基准层中的三个元素进行比较，分别为：首先根据因素“火花塞故障”对四种尾气进行比较，构造判断矩阵C1-P、根据因素“其他故障”对四种尾气进行比较，具体判断矩阵C3-P，计算出层次总排序：

计算权重ω_A：

层次分析法得到的权重如下表4所示：

表4：层次分析法权重ω_A。

HC	CO	CO<sub>2</sub>	O<sub>2</sub>
				0.14705185	0.1674695	0.37586111	0.30961758

主成分分析法以故障火花塞间隙过大为例，利用本发明方法计算标准化矩阵Z，得到Z矩阵各元素如下表5所示。

表5：矩阵Z各元素值。

对标准化矩阵Z进行计算协方差矩阵，可得到协方差，计算协方差矩阵的特征值与对应的特征向量，在这里采用numpy语言中的eig命令，直接求出特征值与特征向量，结果如下表6所示。

表6：特征值与特征向量结果。

对特征值的排序根据从大到小排序，计算特征值所对应主成分贡献率与累计贡献率，结果如下表6所示。

表6：贡献率表格。

经过表中的数据分析第一个主成分的累计贡献率已经达到77.2800044％，所以选择第一个主成分所对应的特征值和特征向量，进行降维并计算成分数据，确定PCA权重ω_p，一般情况下需要进行计算，但在由于只有一个成分，因此权重ω_p为成分矩阵表，结果如下表7所示。

表7：PCA权重ω_p表。

尾气成分	HC	CO	CO<sub>2</sub>	O<sub>2</sub>
					PCA权重ω<sub>p</sub>	0.911915676	0.946146	0.965487	0.657458

基于故障数据的熵权法：对实验采集到的数据进行负向指标处理，并进行归一化计算得到如下表8所示。

表8：归一化矩阵P各元素值。

计算信息熵E_j，得到下表9所示。

表9：信息熵E_j的值。

	HC	CO	CO<sub>2</sub>	O<sub>2</sub>
					信息熵E<sub>j</sub>	0.964588	0.955852	0.950304	0.926666

计算熵权法的最终权重，如下表10所示。

表10：熵权法权重ω_i的值。

	HC	CO	CO<sub>2</sub>	O<sub>2</sub>
					权重ω<sub>i</sub>	0.174798	0.21792	0.245304	0.361979

对上述三种方法得到的权重进行融合，其K值为0.220672，则证据融合动态权重为如下表11所示。

表11：融合后的动态权重。

	HC	CO	CO<sub>2</sub>	O<sub>2</sub>
					ω<sub>r</sub>	0.10622172	0.156474174	0.403394664	0.3339094

对于本次实验采用故障火花塞间隙过大，确定参考数列和比较数列，以正常工况为参考数列，火花塞间隙过大为比较数列，参考数列见下表12。

表12：参考数列。

系统故障	HC	CO	CO<sub>2</sub>	O<sub>2</sub>
					正常(参考数列)	0.000049	0.298667	2.825	0.476667

带入证据融合后的动态权重值，计算每个样本数据对应的关联度，结果如下表13所示。

表13：关联度计算结果。

根据表格数据可以归纳出当发动机故障为火花塞间隙过大时，其关联度区间为[0.478404,0.506012]。

通过定义整合程序，利用程序的计算我们可以得到常见故障的关联度结果但是，由于实验存在误差，所以可以很明显看出所得到的关联度中有很明显的特大或特小值，这些都是实验过程之中不可避免的误差，考虑到最终结果的准确度，通过误差的优化，得到最终的结果如下：

发动机火花塞间隙过大，关联度区间为[0.478404,0.506012]

发动机火花塞间隙过小，关联度区间为[0.532983,0.587278]

发动机EGR阀泄露，关联度区间为[0.508144,0.524507]，

发动机氧传感器故障，关联度区间为[0.693574,1.583895]，

发动机空气流量传感器故障，关联度区间为[0.123442,0.467187]，

发动机间歇性失火(断开一、四缸点火线圈)，关联度区间为[-116.441,-45.9842]。

实施例3

参照图4，为本发明的第三个实施例，与实施例1和2不同的是，本实施例提供了一种基于信息融合与灰色关联度的故障诊断系统，包括尾气采集模块100、尾气分析仪200、灰色关联度计算模块300、数据库400以及故障类型判断模块500。

其中需要说明的是，尾气采集模块100，用于采集发动机故障时的尾气成分样本；尾气分析仪200，通过管道连接于尾气采集模块100，分析样本中的计算静、动态权重系数以及各尾气成份的综合动态权重系数；灰色关联度计算模块300，于尾气分析仪200相连接，计算出各样本的发动机故障关联度区间；数据库400，连接于灰色关联度计算模块300，用于分类存储发动机故障的关联区间；故障类型判断模块500，与灰色关联度计算模块300和数据库400相连接，将新的小样本数据计算出的故障关联度与数据库进行比较，判断故障类型。

进一步的是，本发明的诊断系统在进行故障诊断时，首先利用尾气采集模块100、尾气分析仪200、灰色关联度计算模块300以及数据库400，计算出参考故障关联度区间，并将区间保存在数据库中，用于对比，在进行故障判断时，尾气分析仪200只需分析小样本的尾气，并通过灰色关联度计算模块300计算出故障发生时的灰色关联度，与数据库400的关联度区间进行对比分析，判断故障发生的类型。

更进一步的是，在系统工作前需要进行预热处理，并且尾气分析仪200需要在与尾气采集模块100连接的管道上，套上橡皮套，进行调零处理。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

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，尽管参照较佳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，可以对本发明的技术方案进行修改或者等同替换，而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 (8)

1.一种基于信息融合与灰色关联度的故障诊断方法，其特性在于，包括：

采集发动机故障时的尾气成分样本；

根据系统工程方法论计算所述样本中的计算静、动态权重系数；

利用证据理论方法将所述尾气成分的权重系数进行融合计算，获得各尾气成分的综合动态权重系数；

基于动态权重的灰色关联度算法计算出各样本的发动机故障关联度区间；

发动机故障判断时，采集尾气成分的小样本数据，计算出关联度，与所述发动机故障的关联度区间相比较，诊断发动机故障类型，

所述根据系统工程方法论计算所述样本中的计算静、动态权重系数包括，

所述系统工程方法论包括主成分分析法、熵权法以及层次分析法，其中主成分分析法计算主成分分析权重，熵权法计算熵权法权重，层次分析法计算层次分析法权重，

所述基于动态权重的灰色关联度算法包括，

将正常运行的尾气数列作为参考数列x₀，将采集到的故障尾气数列作为比较数列x_i(i＝1，2，…，n)，对各数列进行均值化处理得到x_im，计算所述参考数列与所述比较数列的关联系数，其计算过程为如下：

其中：ξ为分辨率，取ξ＝0.5，i∈N，N＝{1，2，…，m}，k∈K，K＝{1，2，…，n}，进而计算关联度，其计算公式为：

2.如权利要求1所述的基于信息融合与灰色关联度的故障诊断方法，其特征在于：所述主成分分析法计算主成分分析权重包括，

对每个故障的原始指标数据标准化采集p维随机向量x＝(x₁，x₂，..，x_p)^T，以及n个样品

n＞p，构造样本矩阵P并计算标准化矩阵Z，所述标准化矩阵Z的计算公式为：

其中：S_j为样本方差，

为样本均值，对所述标准化矩阵Z利用协方差计算出协方差矩阵M的特征值与特征向量，并且计算出样本的累计贡献率，挑选出其中累计贡献率低于85％的主成分样本，确定所述样本的成分矩阵表，计算主成分分析的权重ω_p，计算过程为，所述成分矩阵表各成分与对应的所述主成分贡献率的乘积之和除以主成分贡献率之和。

3.如权利要求2所述的基于信息融合与灰色关联度的故障诊断方法，其特征在于：所述熵权法计算熵权法权重包括，

设置各故障数据为n个样本，m个指标，其中第i个样本的第j的指标为X_ij，对所述故障数据采用负向指标运算进行标准化处理，计算公式为如下：

计算归一化矩阵P各元素p_ij以及信息熵E_j，进而计算熵权法权重ω_i，其计算公式为：

4.如权利要求3所述的基于信息融合与灰色关联度的故障诊断方法，其特征在于：所述层次分析法计算层次分析法权重包括，

建立层次结构模型，包括目标层、准则层以及方案层，再构造判断矩阵，按照要素的重要程度评定等级，所述判断矩阵A为：

A＝(a_ij)_n×n

其中：a_ij为元素i与元素j的重要性之比；然后计算近似特征向量以及最大特征根的近似值，判断一致性标准，所述目标层通过判断矩阵的相对权重形成总排序，在获得相同级别的各因子之间的相对重要性之后，从上往下计算每个级别的元素，并合成，设定准则层与方案层各因子权重为ω₀，方案层各因子权重整合得到矩阵ω₁，最终权重值计算公式：

ω_A＝ω₁×ω₀

其中：ω_A为层次分析法权重。

5.如权利要求4所述的基于信息融合与灰色关联度的故障诊断方法，其特征在于：所述利用证据理论方法将尾气成份的权重系数进行融合计算包括，

融合所述权重系数，计算归一化因子K，其计算公式为如下：

K＝∑m₁(ω_p)m₂(ω_i)m₃(ω_A)

根据所述归一化因子K，计算各尾气成分的最终动态权重，其计算公式表示为如下：

6.如权利要求1～3任一所述的基于信息融合与灰色关联度的故障诊断方法，其特征在于：所述故障关联度区间包括，

根据采集到的尾气成分，计算各个成分样本数据的灰色关联度，以最大、最小值作为关联度区间的判断范围，得到所述故障关联度区间。

7.如权利要求6所述的基于信息融合与灰色关联度的故障诊断方法，其特征在于：所述诊断发动机故障类型包括，

不同的故障类型计算出的关联度是不同的，将所述计算出的故障关联度区间存入数据库中，在判断故障时，通过采集到的小样本数据计算出灰色关联度，将所述灰色关联度输入数据库中进行查询，确定故障类型。

8.一种基于信息融合与灰色关联度的故障诊断系统，其特性在于，包括：

尾气采集模块(100)，用于采集发动机故障时的尾气成分样本；

尾气分析仪(200)，通过管道连接于所述尾气采集模块(100)，根据系统工程方法论计算所述样本中的计算静、动态权重系数，利用证据理论方法，将所述尾气成分的权重系数进行融合计算，获得各尾气成分的综合动态权重系数；

灰色关联度计算模块(300)，于所述尾气分析仪(200)相连接，计算出各样本的发动机故障关联度区间；

数据库(400)，连接于所述灰色关联度计算模块(300)，用于分类存储所述发动机故障的关联度区间；

故障类型判断模块(500)，与所述灰色关联度计算模块(300)和数据库(400)相连接，将新的小样本数据计算出的故障关联度与所述数据库进行比较，判断故障类型；所述根据系统工程方法论计算所述样本中的计算静、动态权重系数包括，所述系统工程方法论包括主成分分析法、熵权法以及层次分析法，其中主成分分析法计算主成分分析权重，熵权法计算熵权法权重，层次分析法计算层次分析法权重，

所述基于动态权重的灰色关联度算法包括，

将正常运行的尾气数列作为参考数列x₀，将采集到的故障尾气数列作为比较数列x_i(i＝1，2，…，n)，对各数列进行均值化处理得到x_im，计算所述参考数列与所述比较数列的关联系数，其计算过程为如下：

其中：ξ为分辨率，取ξ＝0.5，i∈N，N＝{1，2，…，m}，k∈K，K＝{1，2，…，n}，进而计算关联度，其计算公式为：

Images