史歷程， 趙 驍， 趙群飛， 王玉璋

(1. 上海交通大學(xué) 機(jī)器人視覺(jué)與圖像測(cè)控實(shí)驗(yàn)室， 上海 200240； 2. 中國(guó)航空發(fā)動(dòng)機(jī)集團(tuán)沈陽(yáng)發(fā)動(dòng)機(jī)設(shè)計(jì)研究所， 沈陽(yáng) 110015； 3. 上海交通大學(xué) 燃?xì)廨啓C(jī)研究院， 上海 200240)

燃?xì)廨啓C(jī)是各類(lèi)航空噴氣發(fā)動(dòng)機(jī)及其衍生燃?xì)廨啓C(jī)、重型發(fā)電燃?xì)廨啓C(jī)、車(chē)輛與工業(yè)驅(qū)動(dòng)燃?xì)廨啓C(jī)、艦船動(dòng)力燃?xì)廨啓C(jī)及各種微型燃?xì)廨啓C(jī)的總稱(chēng)[1]，具有啟動(dòng)快、效率高、運(yùn)行平穩(wěn)的特點(diǎn)，在航空、航海和發(fā)電系統(tǒng)等領(lǐng)域得到了廣泛的應(yīng)用。航空和艦船用燃?xì)廨啓C(jī)具有啟停頻繁、運(yùn)行工況復(fù)雜和運(yùn)行環(huán)境復(fù)雜等特點(diǎn)。而發(fā)電系統(tǒng)用燃?xì)廨啓C(jī)要求長(zhǎng)時(shí)間穩(wěn)定運(yùn)行、長(zhǎng)壽命、低維護(hù)成本等。

為了保證燃?xì)廨啓C(jī)安全穩(wěn)定運(yùn)行，需要使用各種類(lèi)型的傳感器進(jìn)行監(jiān)控，而傳感器輸出信號(hào)的實(shí)時(shí)性、準(zhǔn)確性和可靠性直接影響發(fā)動(dòng)機(jī)的控制和安全，一旦傳感器發(fā)生故障，后果十分嚴(yán)重。燃?xì)廨啓C(jī)結(jié)構(gòu)復(fù)雜，工作環(huán)境惡劣，所需要的傳感器種類(lèi)很多，其敏感元件容易受到各種干擾，其非平穩(wěn)性、非線(xiàn)性度很高[2]，所需測(cè)量的參數(shù)(如溫度、壓力等)范圍大，傳感器信號(hào)具有維度高、穩(wěn)定性差和非線(xiàn)性度高等特點(diǎn)。由此可見(jiàn)，研究高效、可靠、快速的傳感器故障診斷算法，對(duì)于燃?xì)廨啓C(jī)高效可靠運(yùn)行、降低檢修維護(hù)成本具有重要的意義。

傳統(tǒng)的信號(hào)分析方法如傅里葉變換，很難對(duì)這種非平穩(wěn)特征的數(shù)據(jù)進(jìn)行分析，而且也很難對(duì)數(shù)據(jù)在時(shí)域和頻域進(jìn)行精確分析。針對(duì)傳統(tǒng)方法對(duì)傳感器故障診斷方面的不足，近年來(lái)國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究。Zhao等[3-5]提出了基于小波變換的故障診斷方法，通過(guò)小波變換來(lái)實(shí)現(xiàn)傳感器的故障檢測(cè)，雖然一定程度上解決了傳感器故障診斷問(wèn)題，但也存在局限性。小波變換一旦選定基函數(shù)，轉(zhuǎn)換特性固定，其適應(yīng)性較差，對(duì)多種類(lèi)型傳感器信號(hào)的診斷有一定的局限性。為了得到適應(yīng)性更好的故障診斷算法，一些學(xué)者嘗試?yán)萌斯ぶ悄茴I(lǐng)域的思想來(lái)解決問(wèn)題。朱嶸嘉等[6]采用模糊邏輯來(lái)實(shí)現(xiàn)燃?xì)廨啓C(jī)氣路單一故障診斷，通過(guò)建立故障診斷的模糊數(shù)學(xué)模型和模糊診斷矩陣，依據(jù)模糊診斷矩陣和最大隸屬原則進(jìn)行燃?xì)廨啓C(jī)的故障診斷，在故障表征與原因之間建立模糊關(guān)系，由隸屬度大小來(lái)檢測(cè)燃?xì)廨啓C(jī)故障，在實(shí)際的燃?xì)廨啓C(jī)故障檢測(cè)中有可靠合適的檢測(cè)精度，但其自學(xué)習(xí)、自更新能力不強(qiáng)，很難應(yīng)用到更廣泛的范圍內(nèi)。神經(jīng)網(wǎng)絡(luò)[7-9]作為近年來(lái)人工智能領(lǐng)域的研究熱點(diǎn)，廣泛應(yīng)用于故障類(lèi)型的分類(lèi)，但其存在易陷入局部最小點(diǎn)和過(guò)學(xué)習(xí)等問(wèn)題。支持向量機(jī)(SVM)作為一種特殊的單層神經(jīng)網(wǎng)絡(luò)非線(xiàn)性分類(lèi)模型，劉靜雅等[10-11]將其應(yīng)用在信號(hào)故障診斷領(lǐng)域，針對(duì)不同故障類(lèi)型的監(jiān)測(cè)數(shù)據(jù)建立不同的分類(lèi)器模型，實(shí)現(xiàn)對(duì)燃?xì)廨啓C(jī)部件傳感器信息的故障診斷，但SVM分類(lèi)器需要多個(gè)二分類(lèi)器組合實(shí)現(xiàn)多分類(lèi)，且需要優(yōu)化合適的核參數(shù)與懲罰因子才能獲得滿(mǎn)意效果。上述基于殘差的分類(lèi)模型，其殘差物理本質(zhì)反映不明顯，往往不具有客觀性。為了獲取信號(hào)的本質(zhì)特征，增強(qiáng)診斷算法的客觀性， Dang等[12-13]通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)對(duì)信號(hào)進(jìn)行分解，獲得固有模態(tài)函數(shù)(IMF)和殘余分量，并將其能量及信號(hào)削減比組成等特征構(gòu)成特征向量進(jìn)行故障診斷。但由于EMD存在模態(tài)混淆現(xiàn)象，使分解的穩(wěn)定性降低，在一定程度上影響了后續(xù)特征提取效果。陳寅生等[14]介紹了一種利用噪聲輔助方法來(lái)抑制EMD的模態(tài)混淆現(xiàn)象，引入表示信號(hào)產(chǎn)生新信息的速率的樣本熵(SE)來(lái)反映信號(hào)本質(zhì)的特征向量，并采用通過(guò)稀疏表示分類(lèi)(SRC)進(jìn)行信號(hào)故障的分類(lèi)方法，成功提高了故障診斷的準(zhǔn)確率，并在一定程度上增強(qiáng)了算法的自適應(yīng)性。不過(guò)由于需要對(duì)信號(hào)進(jìn)行預(yù)處理，且增加了信號(hào)復(fù)雜度，這種方法比原始EMD的分解時(shí)間更長(zhǎng)，有時(shí)不能滿(mǎn)足燃?xì)廨啓C(jī)的實(shí)時(shí)性要求。

筆者提出一種基于多特征提取與故障分類(lèi)診斷的耦合算法，并建立燃?xì)廨啓C(jī)狀態(tài)監(jiān)測(cè)及故障診斷系統(tǒng)，可通過(guò)振動(dòng)、位移、轉(zhuǎn)速、溫度和壓力傳感器所集成的傳感器監(jiān)測(cè)網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)采集及信息提取，運(yùn)用集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)計(jì)算樣本熵，利用小波分解來(lái)計(jì)算小波熵等方法進(jìn)行故障提取。同時(shí)根據(jù)故障模式與傳感器類(lèi)型的不同，采用不同的故障分類(lèi)識(shí)別方法進(jìn)行燃?xì)廨啓C(jī)故障的綜合診斷，使燃?xì)廨啓C(jī)健康管理系統(tǒng)具有精確的實(shí)時(shí)狀態(tài)監(jiān)測(cè)和全面準(zhǔn)確的故障診斷功能。

1 基本原理

1.1 小波函數(shù)形式

小波分析的核心是利用小波變換對(duì)信號(hào)作出分解并進(jìn)行分析，其基本思想是用一簇函數(shù)來(lái)表示或逼近一信號(hào)或函數(shù)。

(1)

式中：Cψ為ψ(t)的允許性條件。

則ψ(t)為一個(gè)基本小波函數(shù)，簡(jiǎn)稱(chēng)為小波。

通過(guò)伸縮和平移，該函數(shù)可生成一簇小波函數(shù)，稱(chēng)為小波序列：

(2)

式中：a為尺度參數(shù)；b為定位參數(shù)。

ψa,b(t)的離散小波變換定義為：

(3)

式中：a0、b0分別為a和b的離散值；k為離散變換系數(shù)；j∈Z。

1.2 小波能譜熵(WEE)

小波能譜熵是小波分析理論與熵原理的結(jié)合，充分發(fā)揮了二者的優(yōu)點(diǎn)，既能達(dá)到信息融合的目的，又能更有效地分析突變信號(hào)，能更好地適應(yīng)信號(hào)的特征提取。小波能譜熵的計(jì)算步驟如下。

將任意信號(hào)x(t)向不同尺度的小波空間投影，則可得到不同尺度下的細(xì)節(jié)信號(hào)：

(4)

式中：Cj(k)和dj(k)分別為低頻分量系數(shù)和高頻分量系數(shù)。

設(shè)時(shí)間序列長(zhǎng)度為N，則信號(hào)x(t)在第j層k時(shí)刻各小波變換的結(jié)果可表示為：

D={Dj(k)},k=1,…,N,j=1,…,J

(5)

根據(jù)小波變換系數(shù)在不同尺度內(nèi)的能量分布情況，可計(jì)算出信號(hào)在不同尺度的小波能譜熵：

(6)

1.3 集成經(jīng)驗(yàn)?zāi)B(tài)分解

EEMD方法從本質(zhì)上講是對(duì)一個(gè)信號(hào)進(jìn)行平穩(wěn)化處理，其結(jié)果是將信號(hào)中不同尺度的波動(dòng)或趨勢(shì)逐級(jí)分解開(kāi)來(lái)，產(chǎn)生一系列具有不同特征尺度的數(shù)據(jù)序列(即IMF)。

EEMD方法的計(jì)算步驟[14]如下：

(1) 將一定幅度的高斯白噪聲n(t)疊加到原始信號(hào)x(t)上，生成新信號(hào)：

x(t)=x(t)+n(t)

(7)

(2) 對(duì)信號(hào)反復(fù)進(jìn)行EMD分解，得到IMF集合：

x(t)=[{c1(t)}, {c2(t)}, …, {cJ(t)}]

(8)

式中：cJ(t)為第J次EMD分解得到的IMF分量。

(3) 將該集合進(jìn)行總體平均，獲得EEMD分解得到的IMF分量，原始信號(hào)x(t)經(jīng)過(guò)EEMD 分解后的結(jié)果為：

(9)

式中：r(t)為經(jīng)過(guò)EEMD分解后的剩余分量。

IMF分量反映了原始信號(hào)的特征尺度，代表著非線(xiàn)性、非平穩(wěn)數(shù)據(jù)序列的本征模態(tài)特征，通過(guò)分析IMF分量的特征，便可推知原數(shù)據(jù)序列的特征信息。樣本熵是一種時(shí)間序列復(fù)雜性測(cè)度方法，表示時(shí)間序列產(chǎn)生新信息的速率，這與傳感器故障信號(hào)的產(chǎn)生形式一致，一般來(lái)說(shuō)，信號(hào)越復(fù)雜，樣本熵越大。樣本熵的計(jì)算步驟如下：

(1) 將N點(diǎn)時(shí)間序列x(i)按序號(hào)組成一組m維矢量：

x(i)=[x(i),x(i+1), …,x(i+m-1)]，

i=1,2,…,N-m+1

(10)

(2) 定義矢量x(i)與x(j)之間的距離為最大坐標(biāo)差，按序號(hào)組成一組n維矢量：

d[x(i),x(j)]=max[|x(i+k)-x(j+k)|]，k=1,2,…,m-1，i=1,2,…,N-m+1

(11)

(3) 對(duì)于給定相似容限r(nóng)，統(tǒng)計(jì)第i個(gè)向量與其他N-m個(gè)向量之間的距離小于r的數(shù)目，并計(jì)算其與N-m的比值，記為：

(12)

式中：Θ為Heaviside函數(shù)。

(13)

(5) 增加矢量維數(shù)為m+1，通過(guò)重復(fù)上述計(jì)算步驟，得到Cm+1(r)。

(6) 時(shí)間序列x(n)的樣本熵為：

(14)

當(dāng)時(shí)間序列長(zhǎng)度N為有限值時(shí)，上式可轉(zhuǎn)化為：

(15)

2 2種算法的比較與融合

2.1 操作系統(tǒng)與數(shù)據(jù)集

基于LabVIEW平臺(tái)，實(shí)現(xiàn)了各路傳感器性能狀態(tài)參數(shù)在線(xiàn)采集、綜合分析和整機(jī)診斷的功能。以某燃?xì)廨啓C(jī)機(jī)組為研究對(duì)象，得到其17路傳感器運(yùn)行數(shù)據(jù)，每路傳感器有51 055個(gè)數(shù)據(jù)，將80%的運(yùn)行數(shù)據(jù)作為訓(xùn)練樣本，20%的運(yùn)行數(shù)據(jù)作為測(cè)試樣本。圖1給出了幾路具有代表性的傳感器信號(hào)的波形圖。由圖1可以看出，各傳感器由于測(cè)量部件的工作原理、位置及工況的不同，無(wú)論其量綱、信號(hào)大小還是模式都有很大差異，憑借傳統(tǒng)的故障診斷算法很難對(duì)各類(lèi)傳感器進(jìn)行統(tǒng)一診斷。

傳感器輸出信號(hào)主要存在以下幾種典型故障形式：開(kāi)路故障、短路故障、階躍故障、脈沖故障、周期故障、漂移故障和噪聲干擾等[10]，信號(hào)具體特征如圖2所示。將故障信號(hào)分別疊加到各傳感器模擬采集的原始信號(hào)中，即可得到最終采樣信號(hào)。

(a) 燃油反饋

(b) 導(dǎo)葉電流

(c) 大氣溫度

(d) 滑油供油溫度

(e) 計(jì)量閥控制前油壓

(f) 壓氣機(jī)出口壓力

(a) 無(wú)故障

(b) 開(kāi)路故障

(c) 短路故障

(d) 階躍故障

(e) 脈沖故障

(f) 周期故障

(g) 方差突變故障

(h) 漂移故障

2.2 特征提取

為了評(píng)估所提取的特征向量對(duì)各故障類(lèi)型的可分性，筆者提取了傳感器各種故障狀態(tài)下采用不同算法得到的特征向量。表1給出了油壓傳感器處于正常狀態(tài)及各種故障狀態(tài)下通過(guò)WEE方法得到的特征向量。首先構(gòu)造第1～第5層小波低頻系數(shù)與高頻系數(shù)，計(jì)算其相應(yīng)的小波能譜熵WEE，并選取各級(jí)小波分量的方差σ、均值μ與小波能譜熵WEE組成的向量來(lái)構(gòu)成最終的特征向量。由表1可知，傳感器在不同狀態(tài)下經(jīng)小波熵計(jì)算得到的各小波分量包含的故障信息不同，所對(duì)應(yīng)的特征值同樣具有明顯的差異。

將信號(hào)樣本進(jìn)行EEMD 分解。根據(jù)總體平均次數(shù)選擇方法和加入高斯白噪聲準(zhǔn)則，加入高斯白噪聲的幅度A=0.28，期望誤差e設(shè)為1%，集成平均次數(shù)為100。利用樣本熵分析可以求得每個(gè)IMF分量和殘余分量的信號(hào)復(fù)雜度，從而獲得傳感器故障信號(hào)特征向量，用來(lái)描述傳感器故障信號(hào)的特征。

表1 油壓傳感器不同故障類(lèi)型下的WEE特征向量

表2給出了油壓傳感器處于正常狀態(tài)及各種故障狀態(tài)下的EEMD特征向量。信號(hào)經(jīng)EEMD分解后得到4個(gè)IMF分量和1個(gè)殘余分量。特征值d1～d4為IMF1～I(xiàn)MF4經(jīng)樣本熵分析得到的樣本熵。特征值d5為EEMD分解后得到的殘余分量樣本熵。由于傳感器在不同狀態(tài)下經(jīng)EEMD分解得到的各IMF分量包含的故障信息不同，所對(duì)應(yīng)樣本熵的特征值具有明顯的差異，展示了良好的故障可分性。

表2 油壓傳感器不同故障類(lèi)型下的EEMD特征向量

為了更好地分析各類(lèi)算法的優(yōu)缺點(diǎn)，考慮到燃?xì)廨啓C(jī)的應(yīng)用背景，分別以脈沖信號(hào)作為典型的突變型故障，以漂移故障作為典型的緩變型故障，并考慮到不同傳感器信號(hào)的測(cè)量范圍差異，分別進(jìn)行信號(hào)的傅里葉變換、小波變換、小波熵和EEMD分解仿真實(shí)驗(yàn)，結(jié)果如圖3～圖7所示。圖3為平穩(wěn)脈沖信號(hào)的特征提取仿真實(shí)驗(yàn)結(jié)果。由圖3可以看出，傅里葉變換后的信號(hào)出現(xiàn)了特征值上下振蕩，而小波變換的各層分量則在故障點(diǎn)處出現(xiàn)了特征值的突變，而EEMD同樣在第一層IMF分量中出現(xiàn)了特征值突變，可以認(rèn)為這些方法在處理平穩(wěn)脈沖信號(hào)時(shí)都可以進(jìn)行準(zhǔn)確的診斷。

圖3 幅值為40的平穩(wěn)脈沖信號(hào)的特征提取

圖4 幅值為40的非平穩(wěn)脈沖信號(hào)的特征提取

圖5 幅值為100的非平穩(wěn)脈沖信號(hào)的特征提取

圖6 幅值為10的非平穩(wěn)漂移信號(hào)的特征提取

圖7 幅值為100的非平穩(wěn)漂移信號(hào)的特征提取

圖4為非平穩(wěn)脈沖信號(hào)的特征提取仿真實(shí)驗(yàn)結(jié)果，圖4在圖3中信號(hào)的基礎(chǔ)上增加了均值為0、幅值為4的均勻白噪聲。由圖4可以看出，傅里葉變換后的特征值變得雜亂無(wú)規(guī)律，而其余2種方法都出現(xiàn)了特征值的突變，因而傅里葉變換不適用于非平穩(wěn)脈沖信號(hào)的故障分類(lèi)。

圖5為幅值為100的非平穩(wěn)脈沖信號(hào)的特征提取仿真實(shí)驗(yàn)結(jié)果。由圖5可以看出，在信號(hào)測(cè)量范圍變大之后，雖然特征值變化曲線(xiàn)與圖4相似，但各層小波分量的尺度大小隨之發(fā)生了明顯變化，而利用小波能譜熵提取的小波熵值并未發(fā)生明顯變化。這說(shuō)明利用小波能譜熵進(jìn)行不同尺度信號(hào)的故障分類(lèi)可以建立一個(gè)統(tǒng)一的閾值進(jìn)行診斷，而傳統(tǒng)的小波變換則不適用。

圖6為幅值為10的非平穩(wěn)漂移信號(hào)的特征提取仿真實(shí)驗(yàn)結(jié)果。由圖6可以看出，各層小波特征值并無(wú)明顯變化規(guī)律，而利用EEMD分解得到的第4層IMF出現(xiàn)了特征值周期性的變化，因此EEMD分解比小波變換更適合于漂移故障的診斷。

圖7為幅值為100的非平穩(wěn)漂移信號(hào)的特征提取仿真實(shí)驗(yàn)結(jié)果。由圖7可以看出，雖然信號(hào)的尺度變大了，利用EEMD得到的樣本熵值變化并不明顯，因此進(jìn)一步證明該方法在同種漂移故障不同幅值的識(shí)別上具有統(tǒng)一性。

2.3 診斷實(shí)驗(yàn)結(jié)果及分析

將數(shù)據(jù)集中各類(lèi)傳感器信號(hào)作為輸入，并疊加7類(lèi)故障，樣本熵相似容限r(nóng)設(shè)為0.2，SRC稀疏層參數(shù)設(shè)為20，每類(lèi)故障分別診斷20次，統(tǒng)計(jì)各類(lèi)算法平均準(zhǔn)確率與所需時(shí)間。

表3給出了基于不同特征提取方法和K近鄰(K-Nearest Neighbor，KNN)分類(lèi)器的傳感器故障診斷的識(shí)別準(zhǔn)確率結(jié)果。由表3可以看出，采用文獻(xiàn)[8]的方法在處理緩變型故障時(shí)得到了較好的準(zhǔn)確性結(jié)果：EEMD有效抑制了模態(tài)混疊，其抗噪能力和魯棒性強(qiáng)，可以對(duì)傳感器輸出信號(hào)進(jìn)行穩(wěn)定分解，減少了對(duì)特征提取的影響；而相比于小波熵，樣本熵特征提取的物理意義與傳感器故障產(chǎn)生形式一致，更適合對(duì)故障信號(hào)進(jìn)行特征提取；SRC分類(lèi)器自適應(yīng)能力更強(qiáng)，也更適合對(duì)多目標(biāo)進(jìn)行分類(lèi)，因此產(chǎn)生了更高的識(shí)別準(zhǔn)確率。

表4給出了基于不同特征提取方法和分類(lèi)器的傳感器故障診斷的實(shí)時(shí)性結(jié)果。由表4可知，小波熵結(jié)合KNN分類(lèi)器得到了最快的診斷時(shí)間，這是由于K近鄰分類(lèi)決策上只依據(jù)最鄰近的一個(gè)或幾個(gè)樣本的類(lèi)別來(lái)決定待分樣本所屬的類(lèi)別，而SRC分類(lèi)器需要大量故障信號(hào)的原始樣本來(lái)建立完備字典，求取稀疏解并計(jì)算最小殘差值的類(lèi)別，其計(jì)算量相對(duì)較大。另外采用EEMD對(duì)信號(hào)進(jìn)行分解時(shí)需疊加噪聲信號(hào)，這也增大了計(jì)算復(fù)雜度。

表3 各類(lèi)算法識(shí)別準(zhǔn)確率比較

表4 各類(lèi)算法識(shí)別速度比較

2.4 耦合算法實(shí)驗(yàn)結(jié)果

耦合算法采用混合式的結(jié)構(gòu)模型，結(jié)合傳感器信號(hào)參數(shù)閾值，對(duì)采集到的傳感器數(shù)據(jù)進(jìn)行初步診斷，診斷結(jié)果正常則再輸入到耦合算法模型中，緩變型故障如周期故障等按照EEMD方法進(jìn)行故障診斷；而突變型故障如短路故障等則采用WEE方法進(jìn)行診斷。為了保證2種算法判定的可靠性，引入綜合判定參數(shù)，當(dāng)傳感器滿(mǎn)足一段時(shí)間且連續(xù)多次診斷為同一類(lèi)型故障時(shí)，算法會(huì)判定其發(fā)生了該種類(lèi)型故障，如果不滿(mǎn)足該條件時(shí)則不輸出故障結(jié)果，其診斷流程如圖8所示。

利用綜合判定模塊獲得2種算法的診斷結(jié)果后，再根據(jù)不同類(lèi)型的燃?xì)廨啓C(jī)傳感器需求，劃分不同的診斷優(yōu)先級(jí)，對(duì)于診斷優(yōu)先級(jí)較高的傳感器，采用較快的診斷方法優(yōu)先處理，而診斷優(yōu)先級(jí)較低的傳感器則隨后處理，并且根據(jù)故障類(lèi)型的不同采用不同的診斷算法，兩者結(jié)合最終綜合分析出對(duì)應(yīng)故障結(jié)果。耦合算法診斷結(jié)構(gòu)框圖如圖9所示。

圖8 綜合判定故障流程

圖9 耦合算法結(jié)構(gòu)框圖

為了驗(yàn)證耦合算法的診斷效果，選擇所有傳感器信號(hào)作為輸入并疊加各類(lèi)故障各10次，統(tǒng)計(jì)平均診斷時(shí)間與識(shí)別準(zhǔn)確率，如表5所示。其中，模擬開(kāi)路故障診斷檢測(cè)結(jié)果如圖10所示。

由表5可以看出，將EEMD與小波熵2種算法進(jìn)行融合，再結(jié)合各傳感器工作特性，建立參數(shù)閾值輔助進(jìn)行診斷，與前文提到的算法相比，所提出的耦合算法既提高了故障的識(shí)別準(zhǔn)確率，同時(shí)降低了診斷時(shí)間，具有更可靠、快速的診斷效果。

表5 耦合算法識(shí)別準(zhǔn)確率和診斷時(shí)間結(jié)果

圖10 模擬開(kāi)路故障檢測(cè)結(jié)果

3 結(jié) 論

(1) 耦合算法克服了單一或單源傳感器對(duì)于機(jī)構(gòu)故障診斷分類(lèi)的局限性，為燃?xì)廨啓C(jī)傳感器故障診斷提供了更可靠而全面的結(jié)果。

(2) 耦合算法提高了各類(lèi)故障的識(shí)別準(zhǔn)確率，其中漂移故障的識(shí)別準(zhǔn)確率達(dá)到97%，其余各類(lèi)故障的識(shí)別準(zhǔn)確率最低也達(dá)到了91%。

(3) 耦合算法提高了故障診斷的識(shí)別效率，對(duì)速度要求高的故障類(lèi)型(如短路故障和脈沖故障等)所需診斷時(shí)間降低至0.4 s以下；對(duì)需要長(zhǎng)時(shí)間、多樣本識(shí)別的故障類(lèi)型(如周期故障等)的診斷時(shí)間降低至3.07 s，達(dá)到了實(shí)際過(guò)程中控制系統(tǒng)對(duì)故障診斷的實(shí)時(shí)性要求。