基于可拓理論的發動機失火故障模式識別研究*

謝春麗 張繼洲 王宇超

(東北林業大學交通學院 哈爾濱 150040)

0 引 言

車輛發動機在運行一段時間過后，會有某一種或多種故障發生，處于故障狀態的發動機會極大影響車輛的安全運行，所以，及時準確地辨識出發動機潛伏性故障,對保障車輛的安全可靠運行具有重大意義.

故障診斷其實就是一個模式識別的過程，模式識別理論的發展直接推動了故障診斷方法的發展.國內外專家學者在故障診斷或者模式識別方面做出了大量的研究工作：袁幸等[1]研究了一種基于物理模型辨識的滾動軸承故障診斷方法,即通過物理模型構建標準模式數據庫,進而識別故障.梅檢民等[2]提出通過引入D-S證據理論,得到多分類SVM在D-S證據理論識別框架下的基本概率分配,使樣本在分類時同時具有定性解釋和定量評價,然后將多源信息送入SVM之后在決策級對多個SVM分類輸出進行證據融合的方法進行故障診斷.劉長良等[3]提出基于變分模態分解和奇異值分解的特征提取方法,采用標準模糊C均值聚類進行故障識別的方法.Sadough等[4]利用多模型方法和動態神經網對噴氣飛機發動機進行健康診斷仿真，仿真結果表明該方法是有效的.

可拓學是一門原創性橫斷學科，它以形式化的模型，探討事物拓展的可能性和開拓新的規律與方法，并用于解決矛盾問題[5].經過多年的發展，可拓學已經形成以基元理論、可拓集理論和可拓邏輯為核心的理論框架體系.可拓理論和可拓創新方法與若干領域交叉融合產生可拓工程，可拓診斷是可拓工程的一個重要分支.結合之前的研究成果[6]，本文提出基于可拓理論的發動機失火故障模式識別方法，利用可拓理論建立發動機故障模式識別模型進行發動機故障診斷.

1 基于可拓理論的發動機故障模型

1.1 發動機失火故障物元模型

可拓理論建立了物元、事元和關系元的概念來形式化描述物、事和關系，物元、事元和關系元統稱基元，是可拓理論的邏輯細胞.在建立故障信息模型時，可以用物元R來描述故障的靜態特征.物元R為一個有序三元組R=(Om,Cm,Vm)，稱為一維物元，其中Om為所要描述的故障對象；Cm為故障的特征；Vm為故障對象Om的特征Cm的量值；Vm的取值范圍稱為Cm的量域；Om，Cm，Vm為物元M的三要素；(Cm,Vm)為對象Om的特征元.發動機的失火故障狀態經常用尾氣排放信息來表示，故用來表示發動機失火故障狀態的物元模型為多維物元模型

1.2 發動機失火故障信息的距

用于失火故障診斷的尾氣信息為范圍值信息，其可拓距的定義為

設兩個范圍值型故障信息區間為X1= (x1，x2)，X2= (x3，x4)，則故障信息X1和區間X2之間的可拓區間距為

(1)

1.3 發動機失火故障信息的關聯度

根據可拓集的關聯函數，待診斷物元模型的綜合關聯度為

(2)

式中：wi為故障特征的權重系數；Kj(xi)為第i個故障特征關于第j個故障類型的關聯函數，

(3)

其中：

(4)

其中：aij與bij為在第j個故障類型時第i個故障特征取值的下界與上界.

2 發動機失火故障的可拓診斷方法

2.1 確定故障物元模型

采用發動機尾氣成分作為故障信息進行故障診斷.

建立故障物元模型為

(5)

2.2 確定待診斷樣本的尾氣成分物元模型

建立待診斷樣本的尾氣成分物元模型為

(6)

式中：Ri，Ii，Cn定義同上；vin為待診斷樣本的各尾氣成分氣體在第i種故障狀態下的含量.

2.3 確定待診斷樣本的尾氣成分氣體含量物元模型對故障物元模型的關聯函數

待診斷樣本的各尾氣成分氣體含量物元對故障物元的關聯函數為

(7)

(8)

2.4 計算待診斷樣本尾氣對第i種故障的可拓關聯度

利用下式計算待診斷樣本尾氣對第i種故障的可拓關聯度。

(9)

式中：權重系數wij由主成份分析法確定.

2.5 標準化

利用下式將獲得的可拓關聯度標準化：

(10)

(11)

2.6 確定故障類型

若λ′向量的第k個分量最大(等于1)，則發動機有第k種故障；若第2大的j分量也接近于1，則發動機有k,j兩種故障，見圖1.

圖1 發動機失火故障可拓診斷流程

3 基于可拓理論的發動機失火故障診斷

根據參考文獻[7]和尾氣檢測儀器檢測范圍的局限性,本文選取HC，CO2，NOx，CO，O2的體積分數作為發動機故障信息.以EQ6102型汽油機為研究對象,將汽油機狀態設置為無失火現象、失火程度較輕和失火程度嚴重三種狀態，分別記為I1，I2，I3.無失火現象即為正常工作狀態; 失火程度較輕時設置的故障為點火電容性能變差、點火時間過晚和某一缸火花塞不點火；失火程度嚴重時設置的故障為六缸中有二缸火花塞不點火，然后分別測取無負荷時不同轉速工況下的廢氣排放HC，CO2，NOx，CO，O2的體積分數，故障數據選自文獻[8].

3.1 建立物元模型

根據文獻[18]建立物元模型見表1.

由表1得出對應節域如下

待診斷樣本的尾氣成分含量信息見表2.

3.2 計算可拓關聯度并標準化

根據式(7)～(11)計算九個待診斷樣本對三種故障的可拓關聯度.其中，故障特征權重系數w

表1 失火故障物元模型

表2 待診斷尾氣樣本

由主成份分析法確定，分別為0.5，0.31，0.1，0.05，0.04.

經過計算，得到9個樣本的可拓關聯度并診斷結果見表3.

表3 可拓診斷結果

由表3可知，數值1代表可拓關聯度為1，表示發生相應的故障.例如，樣本1，關聯度K(I1)為1，表示待診斷尾氣樣本1為發動機發生輕微失火故障時的尾氣，對應故障類型I1.由于發動機失火程度具有邊界模糊性，即正常狀態與輕度失火的交界狀態既可以定義為正常狀態也可以稱之為輕度失火狀態，如待診斷樣本4，樣本4與故障類型I1的可拓關聯度為1，表示該樣本尾氣是在發動機處于正常狀態下采集的，但是樣本與故障類型I2的可拓關聯度為0.773 2，表明發動機在該狀態時處于故障類型I2即輕度失火的可能性也很高，說明發動機將趨向輕度失火故障.同樣例如樣本6，樣本6與故障類型I3的可拓關聯度為1，表明發動機此時處于故障類型I3，即嚴重失火狀態，但是該樣本與故障類型I2的可拓關聯度為0.627 7，說明發動機也有很大可能性處于輕度失火狀態，推測發動機可能由輕度失火狀態進入嚴重失火狀態不久.

對比表2～3，可拓診斷方法的診斷結果與實際故障狀態相符合，說明該方法進行故障診斷結果可信.另外，由表3可知，可拓診斷方法不僅可以進行故障診斷，還可以對發動機運行狀態的變化趨勢進行預測.

4 結 論

1) 將可拓理論應用于發動機失火故障的診斷，首先建立可拓理論故障診斷物元模型，然后進行可拓關聯度的計算與標準化處理，最后利用數據進行了診斷測試.

2) 可拓關聯度為1表示故障樣本數據，測試數據與故障樣本數據的可拓關聯度越接近1表明其發生測試樣本故障的可能性越大.

3) 對于失火故障而言，正常狀態、輕度失火、嚴重失火等故障之間的過度存在模糊邊界，這與實際運行是相符的，故在邊界狀態下，對于兩種狀態的可拓關聯度都較大.

4) 可拓診斷方法不僅可以進行故障診斷，還可以根據可拓關聯度的變化對發動機運行狀態的變化趨勢進行預測,表明該方法是有效可行的.

參考文獻

[1] 袁幸,朱永生,張優云,等.基于模型辨識的滾動軸承故障診斷[J].振動測試與診斷,2013(1):12-17.

[2] 梅檢民,趙慧敏,肖云魁,等.基于多分類支持向量機和D-S證據理論的軸承故障診斷[J].汽車工程,2015(1):114-119.

[3] 劉長良,武英杰,甄成剛.基于變分模態分解和模糊C均值聚類的滾動軸承故障診斷[J].中國電機工程學報,2015,13:3358-3365.

[4] SADOUGH V Z N, KHORASANI K, MESKIN N.Fault detection and isolation of a dual spool gas turbine engine using dynamic neural networks and multiple model approach[J]. Information Sciences,2014(20):234-251.

[5] 楊春燕，蔡文.可拓學[M].北京：科學出版社,2014.

[6] CHEN J, ROBERT B R. Improved automated diagnosis of misfire in internal combustion engines based on simulation models [J]. Mechanical Systems and Signal Processing, 2015(1):58-83.

[7] 代新雷,王平福,陳昊,等.排放分析在電噴發動機起動故障診斷中的應用[J].汽車技術,2004(9):40-42.

[8] 李增芳,何勇.基于粗糙集與BP神經網絡的發動機故障診斷模型[J].農業機械學報,2005(8):118-121.