馬繼昌，司景萍，牛嘉驊，王二毛

（內(nèi)蒙古工業(yè)大學(xué) 能源與動(dòng)力工程學(xué)院，呼和浩特 010051）

基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷

馬繼昌，司景萍，牛嘉驊，王二毛

（內(nèi)蒙古工業(yè)大學(xué) 能源與動(dòng)力工程學(xué)院，呼和浩特 010051）

發(fā)動(dòng)機(jī)是車輛的核心部件，及時(shí)有效地發(fā)現(xiàn)并排除故障,對(duì)降低維修費(fèi)用,減少經(jīng)濟(jì)損失,增加發(fā)動(dòng)機(jī)工作時(shí)的可靠性，避免事故發(fā)生具有重大的意義。以某型號(hào)發(fā)動(dòng)機(jī)為研究對(duì)象，運(yùn)用測(cè)試技術(shù)、信號(hào)處理、小波分析、神經(jīng)網(wǎng)絡(luò)和模糊控制理論，提出了自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)發(fā)動(dòng)機(jī)故障診斷。首先建立了發(fā)動(dòng)機(jī)故障信號(hào)采集試驗(yàn)臺(tái)，在試驗(yàn)臺(tái)上人工模擬四種工況，通過(guò)加速度傳感器采集正常工況和異常工況的振動(dòng)信號(hào)。再利用小波理論對(duì)采集到的振動(dòng)信號(hào)進(jìn)行消噪處理，提高信噪比，并提取出故障信號(hào)的特征值，作為網(wǎng)絡(luò)訓(xùn)練和測(cè)試的樣本數(shù)據(jù)。用樣本數(shù)據(jù)訓(xùn)練和檢測(cè)自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)，即對(duì)發(fā)動(dòng)機(jī)故障進(jìn)行模式識(shí)別。通過(guò)仿真分析，取得了很好的診斷效果；同時(shí)與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)故障診斷方法進(jìn)行對(duì)比，無(wú)論在診斷精度上還是學(xué)習(xí)速度上，模糊神經(jīng)網(wǎng)絡(luò)在故障診斷中更具有優(yōu)勢(shì)。

振動(dòng)與波；小波分析；模糊理論；BP神經(jīng)網(wǎng)絡(luò)；故障診斷

汽車發(fā)動(dòng)機(jī)智能故障診斷技術(shù)是指在發(fā)動(dòng)機(jī)不解體的情況下，利用測(cè)試技術(shù)、信息處理技術(shù)、智能故障診斷技術(shù)等，對(duì)發(fā)動(dòng)機(jī)產(chǎn)生的各種信號(hào)進(jìn)行測(cè)試和診斷[1]。隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，自動(dòng)化系統(tǒng)的結(jié)構(gòu)越來(lái)越復(fù)雜，其產(chǎn)生故障的復(fù)雜性增大，僅靠一種理論或者一種方法，難以實(shí)現(xiàn)復(fù)雜條件下對(duì)故障及時(shí)準(zhǔn)確診斷，而兩種或者兩種以上的智能方法的結(jié)合，兼顧了實(shí)時(shí)性和精確度，這一趨勢(shì)成為智能故障診斷的必然發(fā)展方向[2]。目前在眾多智能診斷技術(shù)融合方法中，模糊推理和神經(jīng)網(wǎng)絡(luò)的融合理論備受關(guān)注。模糊推理的長(zhǎng)處在于對(duì)知識(shí)規(guī)則的推理能力，神經(jīng)網(wǎng)絡(luò)的長(zhǎng)處表現(xiàn)在知識(shí)的獲取與學(xué)習(xí)能力上。文獻(xiàn)[3]中將二者結(jié)合形成的模糊神經(jīng)網(wǎng)絡(luò)，可克服各自缺點(diǎn)，充分發(fā)揮各自優(yōu)點(diǎn)，使得系統(tǒng)具有較強(qiáng)的自學(xué)習(xí)能力，為復(fù)雜系統(tǒng)的故障診斷提供有效的工具。

基于此，本文對(duì)所研究的發(fā)動(dòng)機(jī)進(jìn)行故障設(shè)置，進(jìn)行發(fā)動(dòng)機(jī)在正常工況和發(fā)動(dòng)機(jī)工作異常時(shí)的振動(dòng)信號(hào)采集，利用小波包分析方法對(duì)信號(hào)消噪，增強(qiáng)信噪比，提取故障特征向量，通過(guò)模糊神經(jīng)網(wǎng)絡(luò)診斷技術(shù)進(jìn)行故障模式識(shí)別。并對(duì)模糊神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的診斷識(shí)別進(jìn)行對(duì)比分析。

1 信號(hào)特征向量的提取

1.1 小波分析

小波分析是一種對(duì)信號(hào)進(jìn)行時(shí)頻域分析的方法之一，具有多分辨率分析的特點(diǎn)，而且在時(shí)域和頻域內(nèi)都具有表征信號(hào)局部特征的能力。小波變換是傅里葉分析思想的發(fā)展與延伸，可以用不同的“放大倍數(shù)”觀測(cè)信號(hào)；對(duì)于時(shí)變，非平穩(wěn)信號(hào)是一種比較理想的處理方法[4]。

小波分析建立在小波變換的基礎(chǔ)上，主要討論的函數(shù)空間為L(zhǎng)2(R)，L2(R)是指R上平方可積函數(shù)構(gòu)成的函數(shù)空間。

若Ψ(t)∈L2(R)，其傅里葉變換ψ∧(w)滿足容許性條件

即Cψ有界，則稱ψ(t)為一個(gè)基小波或母小波。將母小波進(jìn)行伸縮平移變換之后，就可以得到一個(gè)小波序列

式中a,b∈R且a≠0。a為伸縮因子，反映函數(shù)的寬度，決定了小波變換中頻率的信息，b為平移因子，用來(lái)檢測(cè)窗口在t軸的位置，決定了變換后時(shí)域內(nèi)的信息，由此可知，小波變換具有頻域和時(shí)域定位特性。

則信號(hào)的連續(xù)小波變換在L2(R)中被定義為

從上式中可以看出，小波變換的實(shí)質(zhì)即指原始信號(hào)與小波序列函數(shù)做內(nèi)積，將L2(R)空間中的任意函數(shù)f(t)表示為在具有不同伸縮因子a和平移因子b的ψa,b(t)上的投影疊加，通過(guò)調(diào)整伸縮因子和平移因子，就可以達(dá)到對(duì)信號(hào)時(shí)頻局部化分析的目的。小波分解示意圖如圖1所示。

圖1 小波分解示意圖

其中S為原始信號(hào)，cA1為第一層低頻信號(hào)，cD1為第一層高頻信號(hào)，cA2、cD2分別為cA1分解的低頻、高頻信號(hào)，cA3和cD3是cA2分解的低頻和高頻信號(hào)。

1.2 基于小波包特征量的提取

為了克服小波分解只對(duì)低頻信號(hào)分解的缺點(diǎn)，人們?cè)谛〔ǚ纸饫碚摰幕A(chǔ)上提出了小波包分解。

小波包分解不僅對(duì)信號(hào)低頻部分分解，同時(shí)也對(duì)高頻部分分解，是一種更為精細(xì)的信號(hào)分析方法。利用小波包分解提取特征向量，可以更全面的反應(yīng)故障信息，為故障模式識(shí)別提供有效依據(jù)，其基本步驟為：

①對(duì)信號(hào)進(jìn)行小波包消噪，并對(duì)消噪后的信號(hào)進(jìn)行N層分解，得到2N個(gè)子頻帶；

②利用重構(gòu)函數(shù)，對(duì)各個(gè)子頻帶重構(gòu)，得到重構(gòu)系數(shù)，并計(jì)算各個(gè)節(jié)點(diǎn)能量值；

③進(jìn)行歸一化處理，得到特征向量。三層小波包分解如圖2所示。

圖2 小波包分解示意圖

2 故障振動(dòng)信號(hào)的模式識(shí)別

2.1 模糊神經(jīng)網(wǎng)絡(luò)

模糊推理利用模糊規(guī)則，模擬人腦模糊邏輯思維，在宏觀上進(jìn)行問(wèn)題的處理，可以實(shí)現(xiàn)函數(shù)的逼近功能，而神經(jīng)網(wǎng)絡(luò)由神經(jīng)元構(gòu)成，利用其自學(xué)習(xí)能力，調(diào)節(jié)權(quán)重矩陣，在微觀上完成輸入到輸出任意精度的非線性映射。二者結(jié)合形成的模糊神經(jīng)網(wǎng)絡(luò)，克服了各自缺點(diǎn)，同時(shí)發(fā)揮各自優(yōu)點(diǎn)，使得系統(tǒng)不但具有較強(qiáng)的自學(xué)習(xí)能力，同時(shí)具有較強(qiáng)的知識(shí)表達(dá)能力，易于理解。

2.2 系統(tǒng)的結(jié)構(gòu)與功能

模糊神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的數(shù)據(jù)處理能力和自學(xué)習(xí)能力，其結(jié)構(gòu)如圖3所示。

圖3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

該系統(tǒng)共有五層[5]：

第一層為輸入層，輸入層的節(jié)點(diǎn)數(shù)由信號(hào)特征向量的維數(shù)決定，每一個(gè)節(jié)點(diǎn)代表一個(gè)特征值，不加處理的直接輸入到下一層。

第二層為模糊化層，其作用是通過(guò)選取合適的隸屬度函數(shù)對(duì)輸入征兆進(jìn)行模糊化。采用高斯函數(shù)作為模糊隸屬度函數(shù)對(duì)輸入變量進(jìn)行模糊化

式中uij為第i個(gè)輸入變量隸屬于第j個(gè)語(yǔ)言變量的隸屬度函數(shù)，i=1,2,…n，j=1,2，…r；cij為隸屬函數(shù)uij的中心值，σij為隸屬函數(shù)uij的寬度值。

第三層為規(guī)則層，亦即BP網(wǎng)絡(luò)隱含層。利用模糊規(guī)則實(shí)現(xiàn)模糊輸入到模糊輸出的非線性映射。采用乘積推理計(jì)算出每一條規(guī)則的激活強(qiáng)度

式中m為該模型的模糊規(guī)則數(shù)。

該層節(jié)點(diǎn)數(shù)的多少可由公式

確定。其中，n為隱含層節(jié)點(diǎn)數(shù)，ni為輸入層節(jié)點(diǎn)數(shù)，no為輸出層節(jié)點(diǎn)數(shù)，a為1～10之間的常數(shù)。n的取值并不是固定不變的，要反復(fù)試驗(yàn)調(diào)整。在滿足系統(tǒng)誤差要求及學(xué)習(xí)速率的前提下，最少迭代次數(shù)下對(duì)應(yīng)的節(jié)點(diǎn)數(shù)。

第四層為模糊化輸出層，輸出的是模糊化數(shù)值，該值的大小代表故障存在的可能性程度，其節(jié)點(diǎn)數(shù)等于故障原因的總數(shù)。

第五層為加權(quán)輸出層，即把模糊集合映射成精確輸出集合，通常采用最大值去模糊化方法，得到清晰的故障原因。

式中ydp和yp分別為輸出層第p個(gè)節(jié)點(diǎn)的期望輸出與實(shí)際輸出值。

（4）計(jì)算參數(shù)的修正加權(quán)系數(shù)，修正參數(shù)有

網(wǎng)絡(luò)連接權(quán)值

式中wj為BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值。

2.3 模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

網(wǎng)絡(luò)學(xué)習(xí)的過(guò)程，就是更新網(wǎng)絡(luò)連接參數(shù)的過(guò)程，目的在于確定高斯函數(shù)的中心值cij和寬度值σij，以及網(wǎng)絡(luò)的連接權(quán)值wj的合適值，使得網(wǎng)絡(luò)性能最優(yōu)。根據(jù)系統(tǒng)的實(shí)際輸出值和目標(biāo)值計(jì)算出學(xué)習(xí)誤差，誤差反向傳播對(duì)系統(tǒng)的條件參數(shù)進(jìn)行調(diào)整。具體調(diào)節(jié)過(guò)程如下：

（1）初始化網(wǎng)絡(luò)，置各個(gè)連接權(quán)值wj和隸屬度函數(shù)的中心值、寬度值為趨于0的隨機(jī)數(shù)。

（2）學(xué)習(xí)樣本輸入：輸入向量Xp（p=1,2,…p)和目標(biāo)輸出Yp（p=1,2,…p）。

（3）計(jì)算網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的誤差

其中（j=1,2，…r）

隸屬函數(shù)中心值

其中（i=1,2，…p；j=1,2，…r）

隸屬函數(shù)寬度值

其中（i=1,2，…p；j=1,2,…r）

上述各式中：η為學(xué)習(xí)效率，n為迭代次數(shù)。

當(dāng)網(wǎng)絡(luò)實(shí)際輸出與理想輸出一致時(shí)，表明訓(xùn)練結(jié)束，否則通過(guò)誤差反向傳播，修正各層參數(shù)，直至誤差降到要求范圍內(nèi)[6]。

3 發(fā)動(dòng)機(jī)故障診斷

3.1 信號(hào)采集系統(tǒng)建立

本文以DA 462型汽油發(fā)動(dòng)機(jī)為測(cè)試對(duì)象，研究引起發(fā)動(dòng)機(jī)振動(dòng)異常的主要激振源，即燃燒激勵(lì)和進(jìn)排氣門開啟落座激勵(lì)。將發(fā)動(dòng)機(jī)振動(dòng)系統(tǒng)簡(jiǎn)化為多輸入單輸出的數(shù)學(xué)模型，通過(guò)測(cè)取缸蓋振動(dòng)信號(hào)，完成信號(hào)的采集。試驗(yàn)臺(tái)及傳感器布置如4圖：

在發(fā)動(dòng)機(jī)故障模擬實(shí)驗(yàn)臺(tái)上，將兩個(gè)加速度傳感器分別粘貼在一缸和四缸缸蓋的螺釘上，用來(lái)采集發(fā)動(dòng)機(jī)振動(dòng)信號(hào)，安裝位置如圖5所示。

圖4 發(fā)動(dòng)機(jī)振動(dòng)信號(hào)采集示意

圖5 一缸和四缸缸蓋上的加速度傳感器

兩個(gè)加速度傳感器與振動(dòng)測(cè)試儀相連接，采集到的振動(dòng)信號(hào)通過(guò)振動(dòng)測(cè)試儀的USB數(shù)據(jù)接口輸入到計(jì)算機(jī)，利用電腦上安裝好的Lab View軟件對(duì)信號(hào)進(jìn)行分析和處理，振動(dòng)測(cè)試儀與故障模擬試驗(yàn)臺(tái)連接如圖6所示。

圖6 測(cè)試儀器與故障模擬試驗(yàn)臺(tái)現(xiàn)場(chǎng)圖

在搭建好的發(fā)動(dòng)機(jī)故障實(shí)驗(yàn)臺(tái)上，人工模擬四種故障工況，工況1為無(wú)故障，工況2為一缸缺火故障，工況3為一缸排氣門異常，工況4為一缸排氣門異常同時(shí)缺火故障。將加速度傳感器、曲軸位置傳感器按圖示位置安裝，連接好檢測(cè)儀器，采集發(fā)動(dòng)機(jī)的振動(dòng)信號(hào)。

3.2 故障信號(hào)的特征向量提取

本文首先對(duì)采集到的信號(hào)進(jìn)行消噪處理，然后利用db 3小波函數(shù)對(duì)消噪后的信號(hào)進(jìn)行三層小波包分解與重構(gòu)，并以第三層8個(gè)子頻帶的能量值，構(gòu)造特征向量，歸一化處理，提取故障特征。信號(hào)的采樣頻率設(shè)置為24 000 Hz，根據(jù)采樣定理，采集到的信號(hào)頻率為0 Hz～12 000 Hz。將處理好的數(shù)據(jù)分成兩組分別作為模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試數(shù)據(jù)，分別如表1和表2所示：

3.3 發(fā)動(dòng)機(jī)故障診斷仿真

本文中ANFIS界面參數(shù)設(shè)置為：輸入變量的隸屬度函數(shù)取為gauss函數(shù)，隸屬度函數(shù)的個(gè)數(shù)取2；模糊推理系統(tǒng)的訓(xùn)練學(xué)習(xí)方法為BP學(xué)習(xí)算法，誤差設(shè)置為0.001，訓(xùn)練迭代次數(shù)為50。載入訓(xùn)練數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。數(shù)據(jù)輸出的標(biāo)準(zhǔn)模型為：無(wú)故障輸出為1，一缸缺火輸出為2，一缸排氣門異常輸出為3，一缸排氣門異常同時(shí)一缸缺火輸出為4。

圖5所示為表1數(shù)據(jù)作為輸入得到的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差圖。

圖7 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差圖

將表2中的測(cè)試樣本數(shù)據(jù)寫入chk Data.dat文件中，通過(guò)評(píng)價(jià)函數(shù)fuzout=evalfis(chkData,fismat）實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)性能的評(píng)價(jià)，同時(shí)調(diào)用誤差函數(shù)mse，計(jì)算實(shí)際輸出與理想輸出的平均誤差，其測(cè)試輸出值如表3。

由圖5和表3可以看出，ANFIS訓(xùn)練誤差收斂的速度比較快，實(shí)際輸出與理想輸出之間誤差很小，模糊神經(jīng)網(wǎng)絡(luò)能夠成功的識(shí)別出四種模擬故障，表明自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)能夠應(yīng)用于發(fā)動(dòng)機(jī)故障診斷與識(shí)別。

表1 發(fā)動(dòng)機(jī)故障診斷訓(xùn)練樣本數(shù)據(jù)

表2 發(fā)動(dòng)機(jī)故障診斷測(cè)試樣本數(shù)據(jù)

表3 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)測(cè)試輸出值

3.4 ANFIS網(wǎng)絡(luò)與BP網(wǎng)絡(luò)診斷性能比較

BP神經(jīng)網(wǎng)絡(luò)的設(shè)置參數(shù)為：輸入神經(jīng)元為8，輸出神經(jīng)元為4，綜合考慮網(wǎng)絡(luò)的性能和學(xué)習(xí)速度，將隱含層神經(jīng)元數(shù)設(shè)置為11，隱含層采用的傳遞函數(shù)采用tansig，輸出層神經(jīng)元的傳遞函數(shù)采用purelin，目標(biāo)誤差為0，訓(xùn)練步數(shù)為300。數(shù)據(jù)的輸出標(biāo)準(zhǔn)模型為：無(wú)故障輸出為（1 0 0 0），一缸缺火輸出為（0 1 0 0），一缸排氣門異常為（0 0 1 0），一缸排氣門異常同時(shí)缺火輸出為（0 0 0 1）。載入訓(xùn)練和測(cè)試樣本數(shù)據(jù)，對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。

網(wǎng)絡(luò)訓(xùn)練誤差圖和網(wǎng)絡(luò)測(cè)試輸出值如圖6和表4。

表4 BP神經(jīng)網(wǎng)絡(luò)測(cè)試值

從表3和表4中可以看出兩種網(wǎng)絡(luò)都能對(duì)故障進(jìn)行正確的識(shí)別，且自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練平均誤差低于BP神經(jīng)網(wǎng)絡(luò)，對(duì)比圖5和圖6可以看出，ANFIS網(wǎng)絡(luò)的收斂速度明顯高于BP網(wǎng)絡(luò)的收斂速度。所以從總體來(lái)講，ANFIS自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的診斷效果較好，診斷精度高。

Engine Fault Diagnosis Based onAdaptive Fuzzy Neural Network

MA Ji-chang,SI Ji-ping,NIU Jia-hua,WANG Er-mao
(College of Encygy and Power Engineering,Inner Mongolia University of Technology, Hohhot 010051,China)

Engine is a very important part of the vehicle.Timely recognizing and suppressing the engine faults have important significance for reducing maintenance costs and economic loss,raising the reliability of engine operation and avoiding accidents.In this paper,using measurement technique,signal processing,wavelet analysis,neural network and fuzzy control theory,an engine fault diagnosis method was proposed based on adaptive fuzzy neural network(AFNN)algorithm.A test bench was established for fault signal acquisition of the engine.Four kinds of artificial conditions were simulated on the test bench,and the vibration signals in the normal and abnormal operation conditions were collected through the acceleration sensors.Then,using wavelet theory,de-noising process was done for the collected vibration signals to raise the signal-tonoise ratio and extract the characteristic values of the fault signals as the network training sample data and testing sample data.Finally,the sample data was used for training and testing the adaptive fuzzy neural network to recognize the engine failure.Good diagnosis results were obtained through the simulation.Compared with the traditional BP Neural Network diagnosis methods,the fuzzy Neural Network has more advantages in fault diagnosis no matter in learning speed or accuracy of the diagnosis.

vibration and wave;wavelet analysis;fuzzy theory;BP neural network;fault diagnosis

U472.42；U467.4

A

10.3969/j.issn.1006-1335.2015.02.037

1006-1355(2015)02-0165-05+174

2014－09－23

內(nèi)蒙古自然基金（2012MS0704）；內(nèi)蒙古高?？蒲谢鹬攸c(diǎn)（NJZZ11070）

馬繼昌（1990－），男，在讀碩士研究生,主要研究方向：汽車故障與診斷。E-mail:majichang1990@sina.com

司景萍（1955－），女，教授，碩士生導(dǎo)師，從事車輛智能診斷教學(xué)與研究工作。E-mail:sjp1955@sina.cn