一種基于模糊算法的軍用車輛發動機故障診斷模型

【后勤保障與裝備管理】

一種基于模糊算法的軍用車輛發動機故障診斷模型

王大軍1，韓建禮2

(1.后勤學院后方專業勤務系，北京100858； 2.裝甲兵工程學院訓練部，北京100072)

摘要：為方便技術人員和乘員提高軍用車輛發動機故障診斷、故障排除的效率和準確率，采用模糊集合算法，匯集專家經驗，建立了軍用車輛發動機故障診斷模型，包括建立診斷矩陣、模式識別、問診、自適應修正，實際診斷結果證明了所建模型的合理性和可信性。

關鍵詞:模糊算法；軍用車輛發動機；故障診斷

收稿日期：2014-10-20

作者簡介：王大軍(1966—)，男，副教授，主要從事后勤保障與裝備管理研究。

doi:10.11809/scbgxb2015.03.019

中圖分類號：TP206+.3;TJ81

文章編號：1006-0707(2015)03-0071-05

本文引用格式：王大軍，韓建禮.一種基于模糊算法的軍用車輛發動機故障診斷模型[J].四川兵工學報，2015(3):71-75.

Citation format:WANG Da-jun, Han Jian-li.Fault Diagnosis Model of Military Vehicle Engines Based on Fuzzy Algorithm[J].Journal of Sichuan Ordnance,2015(3):71-75.

Fault Diagnosis Model of Military Vehicle Engines

Based on Fuzzy Algorithm

WANG Da-jun1, Han Jian-li2

(1.Rear Services Department, Academy of Logistics, Beijing 100858, China;

2.Training Ministry, Academy of Armored Force Engineering, Beijing 100072, China)

Abstract:In order to improve the efficiency and accuracy of military vehicle engine fault diagnosis and troubleshooting, the paper established a model based on fuzzy algorithm and experts’ experience, including diagnosis matrix, pattern recognition, inquiry diagnosis, adaptive correction. The actual diagnosis results prove the rationality and reliability of established model.

Key words： fuzzy algorithm; military vehicle engine; fault diagnosis

軍用車輛發動機發生故障具有極大的復雜性和隨機性，野外訓練和野戰條件下不具備攜帶專業檢測設備的條件，發生故障后往往依靠人的經驗判斷故障成因，迅速排除或修理。專家或具有豐富經驗的人根據模糊的故障現象和長期積累的經驗，可以快速準確地診斷出發動機故障原因。但積累豐富經驗必須經過大量實踐歷練，需消耗巨大精力和大量時間。如果把專家的知識和經驗儲存起來加以集成，使一般技術人員和乘員可迅速借用專家經驗，具有可觀的軍事效益和經濟效益。采用模糊集合論算法，匯集專家經驗，建立軍用車輛發動機故障診斷模型和診斷系統[1]，可以幫助乘員和技術人員提高故障診斷和故障排除的準確率、效率。利用模糊算法建立發動機故障診斷模型，包括建立診斷矩陣、模式識別、問診、自適應修正等[2]。

1診斷矩陣與模式識別

建立基于模糊算法的診斷模型，需做大量準備工作。通過走訪專家、技術人員和富有經驗的乘員、維修人員，仔細進行機理分析，把引起這些故障現象的成因列舉出來，包括收集發動機故障，分類整理故障現象和故障成因，給出故障成因排除方法，并確定故障現象、故障成因之間的相互關系。對引起同一個故障現象的不同成因，由于引起的現象一樣，可歸為一個故障成因。如“外組油箱連接管堵塞”、“油路堵塞”、“柴油粗、細濾清器臟污”，它們引起的現象都是大負荷工作時功率不足，故把它們歸為一類。對于“排氣開關不密閉”等成因，也可能造成發動機大負荷工作時功率不足，但這和油路堵塞供油不足不是同一類性質的原因，應另行歸類。一般講，成因分得越細診斷結果越準確，但往往造成診斷矩陣過大而得不出診斷結果。控制故障成因個數，可以增加成因與現象的交叉，發揮模糊算法的特長和優勢。

通過分類整理故障現象和故障成因，就可建立起征兆成因矩陣。如某成因可能引起某征兆(故障現象)發生，則在矩陣中的對應值為1，否則為0，這樣布爾矩陣便產生了。

1.1隸屬函數的確定

布爾矩陣只表示成因和征兆之間存在因果關系，不能表示發生的可能性大小，還需結合專家打分和已有資料，采用模糊算法確定矩陣中數值的大小。建立故障診斷模型就是要根據布爾矩陣建立診斷矩陣，以隸屬度的形式反映矩陣中征兆和成因之間的關系，并用模式識別方法得到診斷結論。

隸屬函數的確定方法有統計法、加權統計法、二元對比排序法等[3]，加權統計法比較真實地反映實際情況。用加權統計法確定診斷矩陣中某元素的隸屬函數uij，主要考慮4種因素，即經驗統計資料(l1),機理分析(l2)，征兆出現的明顯程度(l3)，獲得該征兆的難易程度(l4)。第一因素l1的評分可直接從統計資料得到

式中：Nxi、NAj分別為處置方法正確的總次數與在此條件下征兆xi出現的次數。第二、三、四因素的評分，可事先按下面的征兆語言值所對應的從屬度對每一具體征兆請大量專業人員給出評分(見表1)。

表1　征兆語言與隸屬度關系表

每一具體征兆的評分集合表示為

由每一征兆的評分集合與權數集合計算得到相應的隸屬度uij

上述算式得到的隸屬度一般偏高，且很容易丟失其中權重分配小的因素，如明顯程度、獲得難易程度的評分，下面算式能比較真實反映實際情況

1.2診斷過程

診斷過程實際上是模式識別的過程，就是模擬人的思維方法，根據輸入的征兆群[4]，得出診斷結論(成因)。

1.2.1模式識別方法選擇

確定了診斷模型及隸屬度計算方法，就可以進入編程，完成故障診斷系統界面，根據提示輸入征兆群[5]，計算各成因的隸屬度，從大到小得到各成因優先次序，隸屬度最大的成因發生的可能性最大。實際診斷過程中，為進一步區分隸屬度相差不大的成因，一般輸出幾個結果。

從征兆群的輸入到輸出診斷決策結果，模式識別的任務便已完成，但這只是搭起了系統的“骨架”，要使系統不斷完善，還需要有問診和自適應修正等不可缺少的重要環節。

2問診

實際診斷過程中，由于現場人員觀察不仔細，或限于技術水平觀察不到或描述不恰當，或有些故障征兆不易發現，造成所提供征兆有遺漏或錯誤，模型難于確診或輸出[6-7]。應通過問診，有針對性地自動詢問對診斷最有價值且尚未錄入的征兆。

2.1問診時機

按輸入征兆群對應各成因的隸屬度從大到小進行排序，如果最大隸屬度數值與其他隸屬度數值差值較大，且滿足閾值輸出條件，做出該征兆群屬于該成因的結論是可信的。但如果得到的前幾個成因的隸屬度很接近，若以排在最前面的成因作為診斷結論就值得懷疑，模糊集合論的觀點認為此時排在前面的幾個成因發生的可能性幾乎相等，從這幾個成因中選出一個作為診斷結論，需進一步提供征兆，即需進一步問診。另外，如果隸屬度不滿足閾值輸出條件，也需進一步問診。

(問診1條件)或

(問診2條件)，則需問診。

α、θ是事先選定的閾值。0和1是兩種最清晰的狀態，取它們中間值0.5是最模糊的。但固定閾值0.5并不能滿足輸入征兆群個數變化的要求，有必要使α的值隨輸入征兆個數變化而變化。可依下式變化：α=0.5-0.015(n-1)，斜率0.015由系統調試得出，n為輸入的征兆個數。θ值由實踐得出，θ值不表示某個方案采取的可能性的大小，而只是表示了前幾個方案發生可能性的相差程度，不必要隨輸入征兆個數的變化和問診次數的增加而變化。只要前幾個成因相鄰隸屬度之差≥θ，說明分辨度夠，可以輸出結果，否則需要問診。θ值可調試確定(本模型θ取0.1)。

2.2問診過程

問診過程是根據計算結果決策輸出結果還是進入問診程序，是進入問診1還是進入問診2。

基本步驟：確定對象集X和因素集U，找出評判矩陣R，確定評判函數f：D=f(z1,z2,…,zm)， 按Ⅰ′、Ⅱ′、Ⅲ′型評判函數綜合評判。

第Ⅰ′型：D1=(z1+z2+…+zm)/m

第Ⅱ型：D2=(z1∨z2∨…∨zm)

第Ⅲ′型：D3=(z1∧z2∧…∧zm)

m為判據集中元素個數。計算評判指標：

將D(x1),D(x2),…,D(xm)按大小排序，按序擇優。

2.2.1因素集和對象集的確定

問診過程因素集(判據集)U={計算的最大隸屬度，隸屬度差值，閾值α是否達到，分辨度(差值)θ是否達到}，對象集X={輸出，停止問診，問診1，問診2}。輸出和停止問診是明確概念，可根據閾值和分辨度等條件編程控制，對象集簡化為X={問診1，問診2}，即綜合評判的任務是要確定決策轉向問診1還是問診2。

2.2.2評判矩陣的確定

確定了因素集和判據集，可得評判矩陣(見表2)。

表2　評判矩陣表

表2中數據確定：如果umax≥α且umax-uj≥θ，則輸出結果，否則進行綜合評判。如果umax<α，umax越小，1-umax就越大，對進入問診1的影響大，對進入問診2的影響小，同時給問診1的權值大(0.6)，問診2的權值小(0.4)，反之亦然。如果分辨度<θ，umax-uj愈小，r2[1-(umax-uj)]愈大，對進入問診2的影響大，相應給問診2的權值大(0.6)，問診1的權值小(0.4)，反之亦然。表中r1、r2是考慮到umax-uj值一般較小，而1-(umax-uj)較大，為滿足整體綜合評判的需要，需對它們進行調整，其值由實際調試確定，如r1=4.5、r2=0.4。

2.2.3評判指標

Ⅰ′、Ⅱ′、Ⅲ′型評判函數都只是取了問題的一個方面，即取平均，或取最大，或取最小。對綜合評判問題，還可分別求出D1、D2、D3，視它們為因素集中的元素，利用它們再做一次評判，即所謂二級評判[3]。如果已知對象集X、因素集U及評判矩陣R，則S=(X,U,R)稱為評判空間。設評判空間為S=(X,U,R)，按Ⅰ′、Ⅱ′、Ⅲ′型計算得：

令U1={D1,D2,D3},R1∈F(X×U1)，即可得一新的評判矩陣：

其中xi為備選對象集，本模型中即為問診1和問診2，F(X×U1)表示論域X×U1上模糊集合的全體。于是得到了一個新的評判空間S1=(X,U1,R1),對S1再做一次評判，評判函數可設為：

計算di=f(di1，di2,di3),i≤m，稱di為xi的評判指標，從di中排序擇優。

D1,D2,D3為一次評判后的結果，可取其均值作為評判指標。令a1=a2=a3=1/3，則

綜合評判舉例：已知計算結果umax=0.45，uj=0.4，求評判結果。隸屬度和分辨度均不滿足輸出條件，評判矩陣為：

按Ⅰ，、Ⅱ，、Ⅲ，型計算得R1如下：

d1

2.2.4問診方法

如進入問診1，說明輸入的征兆不充足，應對診斷決策貢獻最大的征兆提問；如進入問診2，則對兩個隸屬度之差最大的征兆提問。

算法2：主要解決umax-uj<θ的問題。設給定一征兆群B={xi,i∈I1}，計算結果Ac、Av兩個方案的隸屬度非常接近，則在診斷矩陣中提問B中未出現過，且對應Ac、Av兩個方案隸屬度差值最大的征兆，計算差值：Wl=|ulc-ulv|(l∈I0)。式中I0為B中未出現過的征兆下標集合。取Wg=max{wl，l∈I0}，提問與之相對應的xg征兆。

2.3自適應修正

診斷決策矩陣匯集了專家的排故經驗，但是，專家也有可能在某些方面判斷的正確性不夠，甚至在某些方面有錯漏。診斷決策過程中需要不斷獲取新的知識，或者修改原有知識，使自身不斷完善，即模型要有自學習的功能[8]，自動修正診斷矩陣中的隸屬度值，在不破壞典型故障和模型故障診斷經驗的基礎上，使得診斷結果向正確的方向轉化，在保證診斷矩陣穩定、收斂的同時，使診斷結果更加符合客觀實際。為了不破壞原有診斷矩陣的正確性和穩定性，自適應修正過程中還需要檢驗典型診斷實例和實際排故經驗，但不需要檢驗其全部，只需要檢驗與自修正最相關的典型實例或排故經驗[9]。如果修正后不破壞最相關的典型實例，認為自適應修正是穩定、收斂的。

3故障診斷實例

通過建立某型坦克發動機故障診斷矩陣，進行故障診斷，并和實際排故結果比較，證實模型給出的結果與實際相符。

實例1：某部一輛坦克訓練完畢回場途中，發動機逐漸無力至緩慢熄火，啟動數次無效。排除噴油泵空氣時，發現有大量空氣，排氣后能順利啟動，但工作一段時間后又自行熄火，多次反復。

實例2：某坦克在野營拉練中，突然聽到“嗆嗆嗆”的響聲，懷疑單缸供油量大，更換了新噴油泵，但聲音并未消失；啟動時發現空氣濾清器內有吱吱的壓縮空氣沖出的聲音。診斷結果如表3和表4所示。

表3　診斷實例1

4結論

本模型采用模糊算法建立的評判矩陣及所確定的評判指標，能比較滿意地得出評判結果，確實使故障診斷向有利的方向發展，證實了本模型的合理性和可信性。問診次數超過3次時自動跳出問診，為了給用戶提供較多的問診信息，每次問診都顯示排在前面的3個征兆，提高了診斷的準確率，而且診斷速度并不降低。

參考文獻：

[1]王松嶺.坦克發動機故障診斷專家系統研究[D].遼寧：大連理工大學，2005.

[2]賀仲雄.模糊數學及其應用[M].天津：天津科學技術出版社，1983：16-20.

[3]汪培莊.模糊集合論及其應用[M].上海：上海科技出版社，1983：14-17.

[4]黃開啟，黃躍飛，劉曉波.多征兆模糊診斷系統知識表示及專家系統研究[J].中國機械工程，2004，15(12)：1077-1079.

[5]宋平，蘇萬華，裴毅強，等.柴油機模糊診斷專家系統研究[J].內燃機工程，2007，28(4)：65-68.

[6]王久崇，樊曉光，萬明，等.改進的故障樹模糊診斷方法及其應用[J].計算機工程與應用,2012，48(14)：226-230.

[7]李宇，王偉平，劉博寧，等.基于故障樹的復雜電子系統可靠度模糊評定方法[J].計算機測量與控制，2010，20(9)：2467-2469.

[8]WANG ZHONG-HAO,SHAO XIN-YU,ZHANG GUO-JUN.Integration of Variable Precision Rough Set and Fuzzy Clustering:An Application to Knowledge Acquisition for Manufacturing Process Planning[M].Springer,Berlin,Heidelberg,2005：585-593.

[9]齊怡，沈士團，李驛華.模糊診斷規則自學習中規則條件優選技術研究[J].北京航空航天大學學報，2004，30(06)：506-511.

(責任編輯楊繼森)