OCV閥質量檢測的模式識別方法

劉艷麗， 周 照

(1. 湖北商貿學院 機電與信息工程學院，湖北 武漢 430079；2. 武漢理工大學 信息工程學院，湖北 武漢 430070)

OCV閥質量檢測的模式識別方法

劉艷麗1， 周 照2

(1. 湖北商貿學院 機電與信息工程學院，湖北 武漢 430079；2. 武漢理工大學 信息工程學院，湖北 武漢 430070)

針對OCV閥的磁滯和卡滯不合格存在的誤判提出了改進方法，利用小波變換檢測跳變點的能力很好地解決了該問題。研究了BP網絡在對OCV閥質量檢測中的應用，結果表明該方法不僅可以解決誤判問題，還能檢測出產品所有類型，并且該方法無需經常調整測試標準，有較好的環境適應性。但該方法仍存在錯判，對此提出了利用模糊閾值的方法，將分類模糊的產品測試數據保存起來交由人工處理。實驗證明，該方法可將錯判率降低到0，相對于現有測試方法，效率已大幅提高。

OCV閥；小波變換；BP網絡

0 引言

發動機可變氣門正時(Variable Valve Timing,VVT)技術近幾年來廣泛地應用于小型汽車的發動機上。這種技術可以提高發動機動力并且節能減排，以提高汽車的環保性和經濟性[1]。而VVT技術就是通過OCV (Oil Control Valve) 閥控制執行器，改變凸輪軸相位，進而調節進氣量、排氣量和氣門開閉時機、角度，使氣缸內汽油燃燒狀態達到最佳，提高燃燒效率。因為OCV閥的測試研究處于探索階段，尚無可參考的數據標準。因此目前測試標準參數的選取和人工判斷產品是否合格的依據，就是通過觀察日本和美國的OCV原樣產品在該測試臺上測試的數據得出的。而該測試的流量數據最清楚直觀的體現就是繪制的PWM-流量曲線圖[2]。

現有的測試方法存在的測試結果不準確的問題主要體現在對磁滯和卡滯不合格的判斷上。磁滯不合格和卡滯不合格發生的基本原因相同，只是發生的位置不同，反映在流量曲線上就是曲線發生跳變。通常，磁滯不合格發生在PWM信號的占空比在33%～37%之間，卡滯不合格則是在41%～45%之間。

1 OCV閥質量檢測的小波變換方法

分析磁滯不合格和卡滯不合格的流量曲線，可以從頻域的角度對曲線的跳變點進行分析。把每個占空比對應的流量值看作時域內的連續采樣點，那么就得到了一組由40個流量值組成的離散序列，然后將該序列變換到頻域進行分析[3]。

相對于傅里葉變換，小波變換不僅有更高的分辨率，而且能顯示信號的時頻特性。小波變換是一個有效的時頻分析工具，它在時域和頻域上都能很好地表現信號的局部特征[4]。可以利用小波分解多分辨率的特性對信號進行多尺度分解，然后通過分析分解后的信號來確定原始信號中突變點的位置。

對于OCV閥的流量數據(信號)進行小波分解和重構，本文使用MATLAB小波工具中的wavedec()和wrcoef()一對函數實現。具體使用的形式如下：

[C,L]=wavedec(X,N，‘wname’)

X=wrcoef(‘type’,C,L,‘wname’,N)

1.1 流量曲線跳變點檢測實驗

首先對流量信號進行多層小波分解，然后用分解的結構在每一層進行重構。由于這里要分析信號的跳變點，跳變屬于高頻信息，因此令‘type’=‘d’，進行高頻系數的重構，突出細節信號。

由于Daubechies5小波和Daubechies6小波更適用于類似所研究對象的突變點檢測，因此選取‘wname’=‘db5’和‘wname’=‘db6’進行對比分析。

首先選取一個典型的磁滯不合格樣本，如圖1所示，其中圖1(a)為磁滯不合格的測試PWM-流量曲線圖，圖1(b)為MATLAB將40個流量值序列按順序繪制的原始信號圖。從圖1可以看出跳變發生在序列的第10個點處。

圖1 流量數據原始曲線圖

取N=3，‘wname’=‘db5’，對信號進行小波分解，取‘type’=‘d’，對分解的序列進行高頻重構，提取細節信息。

如圖2所示，d1、d2、d3表示對分解的信號進行1～3層的高頻重構，可以看出d1的重構信號最能體現出原始信號的跳變，在第10個點處有最小值，正對應了原始信號中的跳變位置。實驗證實對于檢測磁滯不合格與卡滯不合格中存在的跳變情況，相比之下，1層重構信號能最好地反映出原始信號的跳變點。

圖2 小波分解重構示意圖

仍就該原始信號對比其Daubechies5小波和Daubechies6小波的分解效果，現在只對比d1的重構信號，如圖3所示。

圖3 db5小波與db6小波分解示意圖

圖3中，實線表示db5小波分解、重構后的信號圖，虛線表示db6小波分解、重構后的信號圖。可以看出兩個曲線趨勢基本相同，都能通過其最小值找出跳變點。

為了驗證此方法對于所有磁滯不合格情況都有效，對20個挑選出來能代表目前所出現的所有卡滯情況的樣本進行試驗，結果顯示通過此方法都能找出跳變點。對于卡滯不合格情況，跳變的形式與磁滯不合格情況類似，僅是跳變位置不同，此方法同樣適用。

1.2 小波對比選擇實驗

對OCV的磁滯和卡滯不合格的檢測，雖然db5與db6兩種小波都能取得不錯的效果，但是實際應用中需要選取一個更為合適的小波。從圖3中可以看出，實線最值的絕對值比虛線最值的絕對值大，即峰值更突出更明顯，說明對于所選原信號，db6小波具有更好的分辨率。

為了驗證db6小波是否對于所有的磁滯和卡滯不合格情況的效果比db5小波更好，做了如下比較實驗：將選取的20個樣本分別用db5與db6小波進行分解和重構，比較重構后兩組數據中最大值與次大值的差。實驗所選取的樣本中，流量數據均只有一個跳變點，因此其最大值與次大值之差可以正確地反映所用小波檢測流量跳變點的分辨能力。

圖4 兩種小波對跳變點的分辨能力比較示意圖

如圖4所示，橫坐標表示樣本的序號，縱坐標表示重構序列中絕對值最大值與絕對值次大值的差值，該值反映了對于體現原信號中跳變點的分辨率。帶“o”曲線代表使用的是db6小波，而帶“+”的曲線代表使用的是db5小波。可以看出，使用db6小波比db5小波在判斷磁滯和卡滯不合格方面的分辨率更高；并且對于第19個樣本，使用db5小波對跳變的識別力極差，而db6小波則有較好的表現。

通過上述實驗可以得出結論：對于磁滯不合格和卡滯不合格的情況，利用db5和db6小波都能準確地找出跳變點，但是使用db6小波效果會更好。因此可以通過小波分析的方法對OCV閥的卡滯不合格與磁滯不合格進行檢測，從而提高測試結果的準確性。進一步實驗可得出，對于所有存在磁滯和卡滯不合格樣本，使用db6小波進行分解和重構后的序列中的最大絕對值為0.109 7，而對于選取的40組合格樣本序列中最大的絕對值為0.096 1。則判斷是否存在突變點的閾值可以選擇0.096 1～0.109 7的中間值。

2 OCV閥質量檢測的人工神經網絡方法

盡管小波方法能夠解決磁滯和卡滯不合格判斷不準確的問題，但是對于測試的參數標準時常調整無法確定的問題就需要采用其他方法解決。雖然對于不同的測試臺、不同的測試環境下采集的測試數據存在差異，但對于同一個產品，其特征總是相同的，這些特征往往隱藏在其測試的數據中。只要對這些數據進行合理的分析，就能提取出其中的特征并將其分類。利用BP網絡方法就可以在不同的測試系統環境下找出合格產品和不合格產品，并分辨出產品屬于哪類不合格。

使用BP網絡，首先要構建好BP網絡的結構，包括如下內容：確定網絡的輸入層、隱含層、輸出層節點數，確定網絡隱含層層數，確定隱含層和輸出層節點的轉移函數。

根據對所研究的對象實驗分析，確定構建的BP網絡為3層網絡結構，輸入層節點數為40，隱含層節點數為37，輸出層節點數為7，隱含層和輸出層節點轉移函數為logsig和purelin。輸入層輸入數據為采集OCV閥的40個流量值，輸出層輸出值與對應的產品分類結果如表1所示。

表1 網絡輸出與分類結果對應關系

3 BP網絡對OCV閥分類的仿真實驗

3.1 訓練樣本的選擇和學習率的設定

對BP網絡進行訓練主要注意兩個問題：訓練樣本的選擇和學習率的選擇。訓練樣本要盡可能全面，覆蓋所有的類型及每個類型的各種形式。訓練的樣本還應該均勻，即對產品的每個類型的樣本數量盡可能相同，對每種類型下的不同形式的樣本數也要盡可能平均。

網絡學習率包括權值學習率和閾值學習率，取值一般在0～1之間，它對網絡訓練的影響是：當網絡學習率較大時網絡學習速度較快，但在學習過程中容易產生震蕩，難以將預測誤差收斂到一個較小的范圍內，也容易使網絡陷入局部最小。而較小的學習率可以將網絡預測誤差收斂到較小的范圍，但是學習過程緩慢。對于訓練用于對OCV閥質量進行分類的網絡，最重要的是網絡的預測誤差和分類能力，而訓練網絡所用時間代價可以不用考慮。因此在進行網絡訓練時應選擇較小的學習率。

根據上述原則，從OCV閥測試時采集的流量數據中選取了一共105個訓練樣本，對產品所劃分的7個類型每種類型選取了15個樣本。考慮到測試環境中的溫度的影響，以及液壓站的不穩定和中途經過調節因素，選擇的樣本產生時間上的分布也是均勻的。而測試樣本一共選取了70個，每種類型10個樣本。權值和閾值的學習率分別為0.001和0.005。

3.2 網絡訓練及預測實驗結果

將105個樣本對建立好的BP網絡進行訓練，訓練次數為20 000次，學習目標為對7個分類的誤差絕對值最大的數小于0.05，即訓練次數達到20 000次或者達到0.05的學習目標就會停止訓練。

如圖5所示，網絡最終進行了20 000次的訓練，說明并沒有達到預期的學習目標，但可以看出誤差率已經趨于平穩。而且這是通過多次嘗試，訓練得最好的一次情況。

圖5 網絡訓練誤差曲線圖

將訓練好的網絡對70個測試樣本進行分類測試，其預測結果如圖6所示。

圖6 BP網絡預測輸出

圖6中帶“°”的線代表網絡的期望輸出，帶“*”的線代表著網絡的實際輸出。輸出值從1～7依次代表產品的7種類型。可以看到網絡對70個測試樣本分類基本上都能成功，但還有4個產生了誤判，綜合正確率為0.94。對于OCV閥的7種類型的分類正確率如表2所示。

表2 網絡分類正確率

從表2可以看出，盡管BP網絡具有較高的分類能力，但是網絡的分類結果還是存在一定誤差。圖7顯示了網絡對于每個樣本進行預測的誤差絕對值平均數，該值是由樣本的7個預測輸出與期望輸出差值的絕對值取平均而得到的。

圖7 網絡的預測誤差

圖7中的樣本次序與圖6的樣本次序是一致的，可以看出誤差絕對值平均數的大小與是否準確預測并無直接聯系，因為判斷產品的類型是通過找到網絡輸出的7個值中有最大值的輸出項，只要與其類型對應的輸出項有最大值就能正確分類，而且當輸出項中的最大值大于1或最小值小于0時會造成輸出誤差，但不會影響分類結果。

3.3 實驗結果分析和改進方法

通過實驗發現，BP網絡雖然能夠在對OCV閥質量分類上取得較好的效果，但仍存在誤判的現象。而且雖然有些樣本能夠判斷正確，但是其輸出值確實模糊的，即輸出的最大值與次大值的差很小。通常在生產中最關心的問題是產品是否合格，至于不合格產品是屬于哪一類并不是生產過程關心的重點。因此可設置模糊區間解決存在誤判的問題：設置一個模糊閾值Δφ，當網絡輸出值中最大值與次大值的差大于Δφ時，根據輸出最大值的節點序號確定該樣本的分類，并認為分類是準確的；但當最大值與次大值的差小于Δφ時，認為網絡對該類樣本的分類是模糊的、不可靠的，此時可以將該類樣本的原始數據保存在同一位置，交由人工統一處理。

當閾值Δφ較大時，雖然能保證分類結果中不會把非合格的產品判斷為合格產品，但是存在將合格產品歸于分類模糊的產品的問題，加大了人工處理的工作量。而當閾值Δφ較小時，很可能就將不合格產品分類為合格產品。那么就要在這兩種矛盾中找到平衡點，即在保證合格產品質量的情況下盡可能地減少人工處理模糊分類結果的時間。

圖8所示是在當前預測結果下，誤判樣本數與模糊樣本數隨模糊閾值Δφ變化的曲線圖。在圖中，2號線代表誤判樣本，3號線代表合格模糊的樣本，1號線代表總模糊樣本。合格模糊樣本即神經網絡判斷合格但不滿足模糊閾值的分類準確條件和神經網絡判斷不合格且不滿足模糊閾值的分類準確條件，且網絡輸出次大值由Y1輸出的樣本。

圖8 誤判樣本與模糊樣本數隨閾值變化曲線圖

從圖8可以看出，隨著閾值的不斷增大誤判的數量隨減少，而模糊的樣本數量會不斷增加，而且總模糊樣本數增加最快。當Δφ取值為0.16時誤判數為0，總模糊樣本數約為13，但合格模糊樣本數只有2。因為生產過程中最關心的只是產品是否合格，只需將合格模糊的樣本數據交由人工處理，所以效果比較理想。

綜上，BP網絡整體上的分類效果比較理想，但是仍存在誤判，由此引入了模糊閾值 。對于本例，模糊閾值取值在0.16～0.26之間可以將誤判率降低到0，而需交由人工處理的合格模糊的樣本比率也只有2.9%。相比之前需要技術人員監測整個測試過程，效率已大幅提高。

4 結論

針對現有的OCV閥測試方法中測試軟件對產品結果判斷不準確，需要專門的技術人員干預測試過程的問題，本文將小波方法和BP網絡方法應用在OCV閥的測試中。小波方法解決了測試中最主要的磁滯不合格與卡滯不合格判斷不準確的問題，而對其他問題的測試仍沿用原來的測試方法。而BP網絡方法可以對OCV閥的7種類型都能檢測出，提高了測試結果的準確性，而且不依賴于穩定的測試系統環境，解決了測試標準需要經常進行微調的問題。

[1] 李智. VVT發動機OCV閥及執行器在線測試系統[D].武漢：武漢理工大學,2012.

[2] 陳儉. 單頂置凸輪軸式發動機VVT機構的研制[D].濟南：山東大學,2013.

[3] 章琴,劉以安.基于改進的Morlet小波變換的雷達信號特征提取[J].微型機與應用,2015,34(10):70-73.

[4] 呂媛,秦祖軍,梁國令，等.融合數字累加平均和小波變換的信號降噪測試[J].微型機與應用,2015,34(7):13-15,19.

Pattern recognition method of OCV testing

Liu Yanli1, Zhou Zhao2

(1. College of Mechanical and Electrical Engineering, Hubei Business College, Wuhan 430079, China;2.College of Information Engineering, Wuhan University of Technology, Wuhan 430070, China)

To improve the presence of the inaccurate test results and low test efficiency in the OCV testing， this paper has proposed the method which uses frequency domain analysis to analyze the test data collection and selects the wavelet transform to analyze flow data to judge the products. And then it studied BP neural network of the method of OCV valve quality testing application. The results show that it can solve inaccurate test problem, and the method does not require frequent adjustment test criteria better environmental adaptability. But there are still misjudgement. This proposed method uses fuzzy threshold, so product test data can be saved by fuzzy classification manual processing. Experiment results show that this method can reduce the rate of miscarriage of justice to 0, and compared to the existing test methods, efficiency has been greatly improved.

OCV ; wavelet transform; BP neural network

TP237

A

1674-7720(2016)02-0047-04

劉艷麗， 周照. OCV閥質量檢測的模式識別方法[J] .微型機與應用，2016,35(2)：47-50.

2015-09-22)

劉艷麗(1988-),通信作者,女,碩士研究生,助教,主要研究方向：人工智能應用, 信號處理與調制解調技術。 E-mail: lyl19881228@163.com。

周照(1988-),男, 碩士研究生, 助教，主要研究方向：信號檢測與處理,通信技術與應用。