基于自適應模糊神經網絡的發動機故障診斷

馬繼昌，司景萍，牛嘉驊，王二毛

（內蒙古工業大學 能源與動力工程學院，呼和浩特 010051）

基于自適應模糊神經網絡的發動機故障診斷

馬繼昌，司景萍，牛嘉驊，王二毛

（內蒙古工業大學 能源與動力工程學院，呼和浩特 010051）

發動機是車輛的核心部件，及時有效地發現并排除故障,對降低維修費用,減少經濟損失,增加發動機工作時的可靠性，避免事故發生具有重大的意義。以某型號發動機為研究對象，運用測試技術、信號處理、小波分析、神經網絡和模糊控制理論，提出了自適應模糊神經網絡發動機故障診斷。首先建立了發動機故障信號采集試驗臺，在試驗臺上人工模擬四種工況，通過加速度傳感器采集正常工況和異常工況的振動信號。再利用小波理論對采集到的振動信號進行消噪處理，提高信噪比，并提取出故障信號的特征值，作為網絡訓練和測試的樣本數據。用樣本數據訓練和檢測自適應模糊神經網絡，即對發動機故障進行模式識別。通過仿真分析，取得了很好的診斷效果；同時與傳統的BP神經網絡故障診斷方法進行對比，無論在診斷精度上還是學習速度上，模糊神經網絡在故障診斷中更具有優勢。

振動與波；小波分析；模糊理論；BP神經網絡；故障診斷

汽車發動機智能故障診斷技術是指在發動機不解體的情況下，利用測試技術、信息處理技術、智能故障診斷技術等，對發動機產生的各種信號進行測試和診斷[1]。隨著現代科學技術的發展，自動化系統的結構越來越復雜，其產生故障的復雜性增大，僅靠一種理論或者一種方法，難以實現復雜條件下對故障及時準確診斷，而兩種或者兩種以上的智能方法的結合，兼顧了實時性和精確度，這一趨勢成為智能故障診斷的必然發展方向[2]。目前在眾多智能診斷技術融合方法中，模糊推理和神經網絡的融合理論備受關注。模糊推理的長處在于對知識規則的推理能力，神經網絡的長處表現在知識的獲取與學習能力上。文獻[3]中將二者結合形成的模糊神經網絡，可克服各自缺點，充分發揮各自優點，使得系統具有較強的自學習能力，為復雜系統的故障診斷提供有效的工具。

基于此，本文對所研究的發動機進行故障設置，進行發動機在正常工況和發動機工作異常時的振動信號采集，利用小波包分析方法對信號消噪，增強信噪比，提取故障特征向量，通過模糊神經網絡診斷技術進行故障模式識別。并對模糊神經網絡與BP神經網絡的診斷識別進行對比分析。

1 信號特征向量的提取

1.1 小波分析

小波分析是一種對信號進行時頻域分析的方法之一，具有多分辨率分析的特點，而且在時域和頻域內都具有表征信號局部特征的能力。小波變換是傅里葉分析思想的發展與延伸，可以用不同的“放大倍數”觀測信號；對于時變，非平穩信號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上，主要討論的函數空間為L2(R)，L2(R)是指R上平方可積函數構成的函數空間。

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)為一個基小波或母小波。將母小波進行伸縮平移變換之后，就可以得到一個小波序列

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

則信號的連續小波變換在L2(R)中被定義為

從上式中可以看出，小波變換的實質即指原始信號與小波序列函數做內積，將L2(R)空間中的任意函數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，通過調整伸縮因子和平移因子，就可以達到對信號時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，cA1為第一層低頻信號，cD1為第一層高頻信號，cA2、cD2分別為cA1分解的低頻、高頻信號，cA3和cD3是cA2分解的低頻和高頻信號。

1.2 基于小波包特征量的提取

為了克服小波分解只對低頻信號分解的缺點，人們在小波分解理論的基礎上提出了小波包分解。

小波包分解不僅對信號低頻部分分解，同時也對高頻部分分解，是一種更為精細的信號分析方法。利用小波包分解提取特征向量，可以更全面的反應故障信息，為故障模式識別提供有效依據，其基本步驟為：

①對信號進行小波包消噪，并對消噪后的信號進行N層分解，得到2N個子頻帶；

②利用重構函數，對各個子頻帶重構，得到重構系數，并計算各個節點能量值；

③進行歸一化處理，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 故障振動信號的模式識別

2.1 模糊神經網絡

模糊推理利用模糊規則，模擬人腦模糊邏輯思維，在宏觀上進行問題的處理，可以實現函數的逼近功能，而神經網絡由神經元構成，利用其自學習能力，調節權重矩陣，在微觀上完成輸入到輸出任意精度的非線性映射。二者結合形成的模糊神經網絡，克服了各自缺點，同時發揮各自優點，使得系統不但具有較強的自學習能力，同時具有較強的知識表達能力，易于理解。

2.2 系統的結構與功能

模糊神經網絡具有較強的數據處理能力和自學習能力，其結構如圖3所示。

圖3 模糊神經網絡結構圖

該系統共有五層[5]：

第一層為輸入層，輸入層的節點數由信號特征向量的維數決定，每一個節點代表一個特征值，不加處理的直接輸入到下一層。

第二層為模糊化層，其作用是通過選取合適的隸屬度函數對輸入征兆進行模糊化。采用高斯函數作為模糊隸屬度函數對輸入變量進行模糊化

式中uij為第i個輸入變量隸屬于第j個語言變量的隸屬度函數，i=1,2,…n，j=1,2，…r；cij為隸屬函數uij的中心值，σij為隸屬函數uij的寬度值。

第三層為規則層，亦即BP網絡隱含層。利用模糊規則實現模糊輸入到模糊輸出的非線性映射。采用乘積推理計算出每一條規則的激活強度

式中m為該模型的模糊規則數。

該層節點數的多少可由公式

確定。其中，n為隱含層節點數，ni為輸入層節點數，no為輸出層節點數，a為1～10之間的常數。n的取值并不是固定不變的，要反復試驗調整。在滿足系統誤差要求及學習速率的前提下，最少迭代次數下對應的節點數。

第四層為模糊化輸出層，輸出的是模糊化數值，該值的大小代表故障存在的可能性程度，其節點數等于故障原因的總數。

第五層為加權輸出層，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個節點的期望輸出與實際輸出值。

（4）計算參數的修正加權系數，修正參數有

網絡連接權值

式中wj為BP神經網絡的連接權值。

2.3 模糊神經網絡的學習算法

網絡學習的過程，就是更新網絡連接參數的過程，目的在于確定高斯函數的中心值cij和寬度值σij，以及網絡的連接權值wj的合適值，使得網絡性能最優。根據系統的實際輸出值和目標值計算出學習誤差，誤差反向傳播對系統的條件參數進行調整。具體調節過程如下：

（1）初始化網絡，置各個連接權值wj和隸屬度函數的中心值、寬度值為趨于0的隨機數。

（2）學習樣本輸入：輸入向量Xp（p=1,2,…p)和目標輸出Yp（p=1,2,…p）。

（3）計算網絡的實際輸出與期望輸出之間的誤差

其中（j=1,2，…r）

隸屬函數中心值

其中（i=1,2，…p；j=1,2，…r）

隸屬函數寬度值

其中（i=1,2，…p；j=1,2,…r）

上述各式中：η為學習效率，n為迭代次數。

當網絡實際輸出與理想輸出一致時，表明訓練結束，否則通過誤差反向傳播，修正各層參數，直至誤差降到要求范圍內[6]。

3 發動機故障診斷

3.1 信號采集系統建立

本文以DA 462型汽油發動機為測試對象，研究引起發動機振動異常的主要激振源，即燃燒激勵和進排氣門開啟落座激勵。將發動機振動系統簡化為多輸入單輸出的數學模型，通過測取缸蓋振動信號，完成信號的采集。試驗臺及傳感器布置如4圖：

在發動機故障模擬實驗臺上，將兩個加速度傳感器分別粘貼在一缸和四缸缸蓋的螺釘上，用來采集發動機振動信號，安裝位置如圖5所示。

圖4 發動機振動信號采集示意

圖5 一缸和四缸缸蓋上的加速度傳感器

兩個加速度傳感器與振動測試儀相連接，采集到的振動信號通過振動測試儀的USB數據接口輸入到計算機，利用電腦上安裝好的Lab View軟件對信號進行分析和處理，振動測試儀與故障模擬試驗臺連接如圖6所示。

圖6 測試儀器與故障模擬試驗臺現場圖

在搭建好的發動機故障實驗臺上，人工模擬四種故障工況，工況1為無故障，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，連接好檢測儀器，采集發動機的振動信號。

3.2 故障信號的特征向量提取

本文首先對采集到的信號進行消噪處理，然后利用db 3小波函數對消噪后的信號進行三層小波包分解與重構，并以第三層8個子頻帶的能量值，構造特征向量，歸一化處理，提取故障特征。信號的采樣頻率設置為24 000 Hz，根據采樣定理，采集到的信號頻率為0 Hz～12 000 Hz。將處理好的數據分成兩組分別作為模糊神經網絡的訓練和測試數據，分別如表1和表2所示：

3.3 發動機故障診斷仿真

本文中ANFIS界面參數設置為：輸入變量的隸屬度函數取為gauss函數，隸屬度函數的個數取2；模糊推理系統的訓練學習方法為BP學習算法，誤差設置為0.001，訓練迭代次數為50。載入訓練數據對網絡進行訓練。數據輸出的標準模型為：無故障輸出為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一缸缺火輸出為4。

圖5所示為表1數據作為輸入得到的自適應模糊神經網絡訓練誤差圖。

圖7 自適應模糊神經網絡訓練誤差圖

將表2中的測試樣本數據寫入chk Data.dat文件中，通過評價函數fuzout=evalfis(chkData,fismat）實現對網絡性能的評價，同時調用誤差函數mse，計算實際輸出與理想輸出的平均誤差，其測試輸出值如表3。

由圖5和表3可以看出，ANFIS訓練誤差收斂的速度比較快，實際輸出與理想輸出之間誤差很小，模糊神經網絡能夠成功的識別出四種模擬故障，表明自適應模糊神經網絡能夠應用于發動機故障診斷與識別。

表1 發動機故障診斷訓練樣本數據

表2 發動機故障診斷測試樣本數據

表3 自適應模糊神經網絡測試輸出值

3.4 ANFIS網絡與BP網絡診斷性能比較

BP神經網絡的設置參數為：輸入神經元為8，輸出神經元為4，綜合考慮網絡的性能和學習速度，將隱含層神經元數設置為11，隱含層采用的傳遞函數采用tansig，輸出層神經元的傳遞函數采用purelin，目標誤差為0，訓練步數為300。數據的輸出標準模型為：無故障輸出為（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缺火輸出為（0 0 0 1）。載入訓練和測試樣本數據，對BP網絡進行訓練和測試。

網絡訓練誤差圖和網絡測試輸出值如圖6和表4。

表4 BP神經網絡測試值

從表3和表4中可以看出兩種網絡都能對故障進行正確的識別，且自適應模糊神經網絡訓練平均誤差低于BP神經網絡，對比圖5和圖6可以看出，ANFIS網絡的收斂速度明顯高于BP網絡的收斂速度。所以從總體來講，ANFIS自適應模糊神經網絡的診斷效果較好，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

內蒙古自然基金（2012MS0704）；內蒙古高校科研基金重點（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，碩士生導師，從事車輛智能診斷教學與研究工作。E-mail:sjp1955@sina.cn