基于危險理論云決策的發動機狀態檢測技術研究*

孟慶華，黃琴寶，陳慧勤

(杭州電子科技大學機械工程學院，杭州 310018)

前言

發動機是車輛、船舶和其他動力機械的核心部件，當狀態出現異常時若沒有及時發現而進行檢修，輕則造成發動機本身零部件的破壞，重則造成重大的交通事故和人員傷亡事故，有時還會對環境產生不利影響。因此，開展發動機狀態檢測技術研究具有重要的現實意義。

目前發動機故障診斷主要采用以下3種方法：(1)基于物理模型的方法[1]，如卡爾曼濾波算法；(2)基于數據的方法[2-3]，如人工神經網絡、模糊邏輯、粗糙集和決策樹等；(3)基于知識的方法。基于模型的方法需要有具體發動機型號的準確部件特性，物理模型的精度決定了診斷的準確度，然而由于發動機安裝制造公差和建模誤差使基于模型的故障診斷產生的誤診和漏診比較多。基于數據的方法以發動機測量數據作為部件故障診斷的依據，但測量精度和各種算法的缺陷都會對診斷精度影響很大。基于知識的方法則過于依賴以往的專家經驗和各種先驗知識，對各種具體的工作狀況和新類型的故障不能作出準確診斷。

目前，出現了以各種智能算法為基礎的信息融合[4]，這些智能融合算法主要集中在以基于數據的方法進行診斷的基礎上提出的，如各種不同類型的神經網絡之間的融合，神經網絡與模糊算法的融合，以及粗糙集與神經網絡融合等。這類融合能在一定程度上解決單一智能算法存在的缺陷，但沒有考慮到不同發動機的物理特性，片面地從數據出發，當發動機的部件特性發生輕微變化或出現新的故障類型時，就會嚴重影響部件故障診斷的精度[5]。

文獻[6]和文獻[7]中將危險理論應用于計算機受侵檢測。文獻[8]中提出了將危險理論用于web挖掘的模型。文獻[9]中將危險理論用于MANETs中，提高了分類識別率和響應速度。根據現有檢索到的國外文獻資料來看，國外學者的研究方向主要是研究危險理論在預防計算機網絡受侵方面的應用。目前國內也有少量學者從事危險理論方面的研究，研究方向和國外學者研究的方向基本一致，大部分集中在計算機受侵檢測方面[10]。

本文中根據免疫危險理論，并結合云模型[11-12]，給出了一種基于危險理論-云決策的狀態檢測算法，將其應用到汽車發動機狀態檢測診斷中。使用發動機故障模擬試驗臺，模擬出發動機在運行時常見的幾種不同故障，并借助各種傳感器收集相應工況下的故障信號和正常信號。對采集到的振動信號進行消噪和特征提取后，建立發動機正常信號數據庫、記憶危險信號數據庫和成熟危險信號數據庫。通過實際檢測發動機狀態驗證了該診斷技術的有效性。

1 汽車發動機狀態檢測試驗臺系統構建

采用自行設計的發動機故障模擬試驗臺用于模擬不同發動機的工作狀況和故障類型。硬件系統通過四合一信號調理器采集發動機振動和噪聲信號，將采集到的信號輸入到高精度數據采集儀，通過配套的數據采集軟件將采集的信號實時顯示并儲存在計算機中，供診斷算法使用。發動機狀態診斷系統的硬件系統如圖1所示。

2 危險理論識別模型構建

危險理論識別模型源于危險理論中提出的人體免疫反應不是針對外部物質，而是對危險信號做出反應。將危險理論引入到狀態檢測中后，故障被視為危險的狀態行為。在危險理論識別模型中，首先要解決的問題是危險信號的定義，從而能夠對動態系統的行為發出警報。

2.1 危險信號的定義

為了實現故障的檢測，首先要選擇能夠被檢測的動態系統的輸入數據。根據危險模型，在故障診斷中，將危險理論引入后，對于危險信號和安全信號做出如下定義。

(1) 定義偏差信號為安全信號 偏差是指模型的期望輸出數據和系統實際輸出數據之間的差別。該偏差信號作為安全信號使用,可以指示出系統的實際運行狀態與某種安全狀態的差距。在這種情況下，該方法必須要有正常數據以便采用傳統建模技術建立一個動態模型。模仿原來的動態系統建立的模型產生的信號可以認為是系統產生的信號。偏差信號的定義見圖2。

(2) 使用已知的故障狀態作為危險信號 通過試驗的方法能夠獲取系統運行中出現的一些故障狀態，可以將這些獲取的故障狀態進行處理后作為危險信號使用。

圖3為引入危險模型后安全信號和危險信號的定義。

2.2 初級檢測模塊

采用小波包技術提取數據的特征。利用小波包算法計算信號s(n)在各層上的系數，具體選擇最優小波包基的算法實現步驟如下[7]。

(1) 對信號按選定的母小波和級數進行小波包分解。

(2) 從最下層開始，把每個節點都做上標志，而對其他各層節點不做標記。

(3) 每一層共有2j個節點，從左至右每兩個節點構成一組，由下往上進行相鄰兩層的下一層每組的兩個節點之和與上一層對應節點的閾值比較。

(4) 若下一層的兩個節點的評價函數值之和大于等于上一層對應節點的評價函數值，則對上一層的該節點做標記，而去掉下一層的該兩個節點(當“下一層”處于中間某層時，還要去掉由該兩個節點分解所得到的所有的子節點)的標記，否則以下一層該兩個節點的評價函數值之和取代上一層的該節點的評價函數值，但對標記不做處理。

自下而上對相鄰兩層按上述過程逐層進行比較，直至對所有層均處理完畢。被做上標記的所有的節點對應的小波包函數即是搜索到的最優小波包基。

(5) 求各頻段的小波包分解系數序列的能量。第dN,j個頻段的能量Ej為

(1)

式中q為序列dN,j,k中分量的個數。

(6) 向量的構成。按尺度順序，以分解后各層高頻小波分解系數序列的能量為元素組成特征向量，即E=[E1,E2,…,El]。對此能量序列做歸一化處理，使序列的和為1，處理后的序列記為Pj，則

(2)

式中l為小波包分解后的層數。

利用得到的特征向量與初級檢測模塊中的各檢測器進行匹配，發生匹配的檢測器將檢測數據特征傳遞給APC決策模塊并發出初級檢測信號。匹配程度值μ為

(3)

式中：P為檢測數據特征向量；D為檢測器集中的檢測器；r為檢測器覆蓋區域的半徑；‖‖表示歐式距離。

當μ達到閾值時即可認為發生匹配，從而刺激系統發出初級檢測信號。

2.3 APC檢測模塊

APC決策模塊將初級檢測結果進行數據融合，得到能夠充分表達檢測數據完整特征的特征向量。APC決策模塊調用模塊中帶有的記憶危險信號數據庫和檢測數據的特征向量進行親和度計算，若得到的親和度小于等于設定的親和度則發生匹配，APC模塊發出最終檢測信號，刺激自適應響應模塊發出報警響應。

親和力的計算公式如下：

Ai=1/(1+ti)

(4)

(5)

式中：Ai為抗原和抗體之間的親和力，其值在0和1之間，Ai=1時表示抗體與抗原理想結合，得到最優解；ti為抗原和抗體i的結合強度；Yij為自體集合S中的第i個自體上的第j個DNA分子；Xj為新采集到的自體上的第j個DNA分子；m為組成每個自體的DNA分子數。

2.4 自適應響應模塊

自適應響應模塊接收APC模塊發出的最終檢測信號后發出危險信號，確認危險狀態的存在，同時對發生匹配的特征向量進行克隆變異。克隆變異遵循進化論中優勝劣汰的原則，只有匹配程度高的特征向量才進行克隆變異。將抗原與抗體間的歐式距離作為衡量兩者之間匹配程度的一個指標。將抗原中的每個DNA分子分別與抗體中的每個DNA分子相匹配，對任意抗原Xi和任意抗體Yj，兩者之間的歐式距離為

(6)

式中：t為一個抗原或抗體中包含的DNA分子數量；Xit為Xi抗原中的第t個DNA分子；Yjt為Yj抗體中的第t個DNA分子。

定義α=1-d(i,j)為抗體Yj受到來自抗原Xi的激勵。抗體受抗原激勵的閾值為

(7)

式中：n為抗原總數；k為抗體總數。即當抗體Yj所受到的來自抗原的刺激滿足α>p時，免疫系統被激活，抗體開始克隆變異。

每個抗體對應的克隆數量為

(8)

(9)

式中：ps為抗體總數；b為使用最佳抗體進行克隆產生的抗體最大值；r為被選中進行克隆的抗體級別。

則由于抗原Xi的入侵引起的Yj的克隆所生成的抗體為

(10)

3 云決策模型構建

云的數字特征用期望值Ex、熵En和超熵He3個數值來表示，它把模糊性和隨機性完全集成到一起，構成定性和定量相互間的映射。

(1) 期望值Ex是概念在論域中的中心值，是最能代表這個定性概念的值，通常是云質心對應的x值。

(2) 熵En是定性概念模糊度的度量，反映了在論域中可被這個概念所接受的數值范圍，體現了定性概念亦此亦彼性的裕度。熵越大，概念所接受的數值范圍也越大，概念越模糊。

(3) 超熵He是熵的熵，反映了云滴的離散程度。超熵越大，云滴離散度越大，隸屬度的隨機性越大，云“厚度”也越大。

本文中提出的算法采用逆向云發生器從真實訓練數據中由危險模型生成的特征向量得到云的數字特征，形成實際判斷規則，實現建模。數據建模首先根據故障種類從訓練數據中提取反映故障類型的特征向量，利用逆向云發生器計算提取屬性的數字特征，從而完成建模過程，具體算法步驟如下。

輸入：N個云滴的定量值及每個云滴代表概念的確定度(x,y)。

算法：

結合前面給出的危險理論識別模型，以抗原X和檢測器集合以及設置的Ex、En和He值作為輸入，以X是自體還是非自體作為輸出，編寫的云決策算法如下。

(1) 獲取待識別的抗原。

(2) 對于檢測器集合中的每個檢測器，進行如下步驟的循環：

(a) 采用R-鄰域位匹配算法計算出檢測器和待識別抗原的R-鄰域位匹配數，同時根據匹配數的大小將檢測器從大到小排序；

(b) 計算出檢測器和待檢測抗原的親和度；

(c) 取前n個檢測器并形成n個云滴；

(d) 根據這n個云滴得到待檢測抗原對檢測器集合的期望值Ex、熵En和超熵He；

整個狀態檢測算法流程圖如圖4所示。

4 試驗驗證

在豐田LS400轎車的IUZ-FE發動機故障模擬實驗臺上模擬了如下發動機故障：

(1) 設置空氣流量計傳感器故障，使發動機怠速不穩，排氣管冒黑煙，加速不良；

(2) 設置水溫傳感器故障，使發動機在怠速時怠速不穩；

(3) 設置2、8缸噴嘴不工作，發生缺缸現象；

(4) 電控單元ECU控制噴油器電磁閥打開時間的電脈沖異常，導致噴入到氣缸中的燃油霧化不良。

使用智能信號采集儀和信號處理軟件分別對4種故障對應的振動信號進行采集，將信號輸入到本文中所建立的狀態檢測算法中。分別采集70組數據，前30組作為訓練樣本，后40組數據作為待檢測樣本。通過算法的分析得到的4種不同狀態下的特征參數，如表1所示。檢測結果如表2所示。

表1 算法中獲取的4種故障狀態下的特征參數

為了對比本文中所提出的方法的優勢，采用當前比較流行的神經網絡檢測方法與之進行對比。由于徑向基函數網絡(RBF)無論在逼進能力、分類能力和學習速度等方面均優于BP網絡，故在此使用RBF網絡[13]。設計一個具有8個輸入節點、1個含有401個神經元的隱含層、1個線性輸出層的RBF網絡，其結構如圖5所示。

采用與本文中算法使用完全相同的訓練樣本和待檢測樣本，RBF網絡檢測結果如表3所示。

表2 基于危險理論云決策的檢測結果

表3 RBF網絡檢測方法檢測結果數據

從表2與表3的對比可以看出，本文中所提的方法在檢測準確度上優于RBF算法，特別是在水溫傳感器故障檢測方面有明顯的優勢。

5 結論

(1) 根據危險理論構建了危險信號識別模型，并給出了危險信號和安全信號的定義。

(2) 根據云模型構建了云決策模型，用于進一步識別危險理論識別模型中的不確定性信號。

(3) 利用豐田LS400轎車的IUZ-FE發動機故障模擬實驗臺模擬了4種發動機故障，采用本文中給出的算法進行了檢測，誤判率不大于2.5%，驗證了本算法的有效性。

[1] Lu Feng, Huang Jinquan. Application of Intelligent Compensation to Engine Health Management System[C]. Proceedings of Computing, Communication, Control and Management. Florida, USA:IEEE Computer Society,2008.

[2] 黃向華,丁毅.基于幾何模式識別的發動機傳感器故障診斷[J].航空學報,2006,27(6):10182-10221.

[3] 陳恬,孫健國.粗糙集與神經網絡在航空發動機氣路故障診斷中的應用[J].航空動力學報,2006,21(1):2072-2121.

[4] Feng Z G, Shida K, Wang Q. Sensor Fault Detection and Data Recovery Based on LS2SVM Predictor[J]. Chinese Journal of Scientific Instrument,2007,28(2).

[5] Brot herton T, Grabill P, Wroblewski D, et al. A Test Bed for Data Fusion for Diagnostics and Prognostics[C]. Proceedings of the 2002 IEEE Aerospace Conference. Big Sky MT:IEEE,2002.

[6] Aickelin Uwe, Greensmith Julie. Sensing Danger:Innate Immunology for Intrusion Detection[J]. Information Security Technical Report,2007,12(4):218-227.

[7] Greensmith Julie, Feyereisl Jan, Aickelin Uwe. The DCA:Some Comparison a Comparative Study Between Two Biologically Inspired Algorithms[J]. Evolutionary Intelligence,2008,1(2):85-112.

[8] Secker A, Freitas A, Timmis J. A Danger Theory Inspired Approach to Web Mining[C]. Proc. of International Conference on Artificial Immune Systems. Springer,2003:156-167.

[9] Hoffman Katherine, Ondi Attila, Ford Richard. Danger Theory and Collaborative Filtering in MANETs[J]. Journal in Computer Virology,2009,5(4):345-355.

[10] Zhang Junmin, Liang Yiwen. A Double Layers Detection for DoS Based on the Danger Theory[C]. International Conference on Computer Modeling and Simulation,2009:147-151.

[11] 李德毅,劉常昱.論正態云模型的普適性[J].中國工程科學,2004,6(8):28-34.

[12] 劉禹,李德毅,張光衛,等.云模型霧化特性及在進化算法中的應用[J].電子學報,2009,37(8):1651-1658.

[13] 孟慶華,趙文禮,樊志華,等.基于改進型陰性選擇算法的車輛故障檢測方法研究[J].兵工學報,2009,30(12):1722-1727.