模糊邏輯診斷技術在電控發動機故障診斷中的應用

朱昇，桂進，吳飛，宋文艷，王佳俊

（1.銅仁職業技術學院，貴州 銅仁 554300；2.馬來西亞沙巴大學，馬來西亞 沙巴 88400）

引言

隨著科學技術的快速發展，越來越多的電子技術和信息技術運用于汽車發動機上，使得發動機的結構和控制變得越來越復雜，同時出現的故障也越來越復雜，復雜的故障現象和故障原因變得模糊不清，現象和原因之間不是確定的一一對應關系，而常是一果多因或一因多果,甚至是多因多果[1]。故障現象和故障原因存在模糊性，一是故障現象的模糊性，二是故障原因的模糊性，三是故障現象和故障原因之間的模糊性。對于這樣的模糊現象，如果采用傳統的方法診斷，將存在一定的困難，無法快速準確地找出故障原因，然而智能的模糊診斷技術卻有著獨特的優勢。因此本文研究了模糊邏輯診斷技術在電控發動機故障診斷中的應用。

1 模糊邏輯診斷的數學模型

1.1 模糊邏輯診斷

模糊邏輯診斷技術是由美國科學家扎德（L·A·Zadeh）教授于20世紀60年代創立模糊集合論發展而來，模糊診斷技術是根據產品的模糊故障現象、模糊故障原因及故障現象與故障原因之間的模糊關系，運用模糊邏輯的數學方法，建立模糊的故障現象集、故障原因集和模糊規則，進行綜合推理，最后診斷出引起故障現象的故障原因。

1.2 建立模糊邏輯診斷數學模型

模糊邏輯診斷數學模型的建立，首先要對產品現場狀態、數據的觀查與采集，確定產品所有的故障現象，建立故障現象向量X；其次統計分析文獻數據、歷史實驗數據并結合專家經驗，確定所有的故障原因，建立故障原因向量Y；再次構造模糊隸屬度，建立模糊診斷矩陣R；最后通過模糊算子合成算法，求解模糊方程，確定故障原因，模糊邏輯診斷過程如圖1所示[2]。

圖1 模糊邏輯診斷流程圖

1.2.1 建立模糊知識庫

模糊知識庫主要包括故障原因集和故障現象集。故障原因集是將產品可能會發生的所有故障原因定義為一個集合，并用向量表示為：Y=[y1，y2，...，ym]，其中m為故障原因的總數。故障現象集是將產品會發生的所有故障現象定義為一個集合，并用向量表示為：X=[x1，x2，...，xn]，其中n 為故障現象的總數[3]。

1.2.2 建立模糊關系矩陣

模糊關系矩陣是根據模糊知識庫中故障現象和故障原因之間的模糊關系來建立的，建立模糊關系矩陣為：

則模糊關系為：

式中R——模糊關系矩陣， ——模糊算子，rnm稱為隸屬度（0≤rnm≤1），它表示第 n 個故障現象是由第m個故障原因引起的可能性的大小，rnm越大則表示第 n 個故障現象是由第m個故障原因引起的可能性就越大，rnm越小則表示第 n個故障現象是由第m個故障原因引起的可能性就越小[4]。

在確定隸屬度rnm時，一般是建立在成熟經驗和實驗的基礎上，主要有模糊統計法、二元對比排序法、專家經驗法、例證法等方法，本文根據汽車維修專家經驗、大量維修案例和文獻資料綜合推理取值，確定隸屬度取值原則如表1所示。

表1 隸屬度取值原則

2 故障診斷實例

2.1 故障基本情況

據一輛已行駛7萬多公里的雪佛蘭車主反映，該車在啟動時，有時能正常啟動，但有時起動困難；在行駛過程中，感覺動力不足，有時加速無力，特別是在超車時比較明顯；在行駛途中還有排氣放炮的現象。接車后，對該車癥狀做進一步檢查，經檢查確認有車主反映的現象，同時該車還有爆震現象，除此之外，未發現其他異常情況。

2.2 模糊知識庫

根據專家經驗、歷史維修數據和文獻資料，整理得出電控發動機常見的故障現象及故障原因。常見故障現象集X有發動機不能啟動及起動困難x1、發動機動力不足x2、加速無力x3、排氣放炮x4、怠速不穩及易熄火x5、爆震x66個故障現象。常見故障原因集Y有節氣門或節氣門開度傳感器故障y1、噴油器故障y2、曲軸位置傳感器故障y3、怠速控制閥故障y4、點火線圈故障y5、空氣流量傳感器故障y6、燃油壓力不對y7、氣缸積碳y8、空氣濾清器故障y9、溫度傳感器故障y10、火花塞故障y11、點火正時不對y12、氧傳感器故障y13、凸輪軸位置傳感器故障y14、進氣管漏氣y15、爆震傳感器故障y16、燃油泵故障y17、氣缸壓力故障y18、蓄電池故障y1919個故障原因。

確定故障現象集為：起動困難x1、發動機動力不足x2、加速無力x3、排氣放炮x4、爆震x65個故障現象。

2.3 建立模糊關系矩陣

根據專家經驗、歷史維修數據和文獻資料綜合得出故障現象與故障原因的模糊關系矩陣如表2所示。

表2 模糊關系矩陣

2.4 故障原因計算

在電控發動機常見的6個故障現象中，此車有5個故障現象，根據故障現象出現取1， 不出現則取0的原則，故障現象向量X為：X=（x1，x2，x3，x4，x5，x6）=（1，1，1，1，0，1）。根據模糊關系：Y =X·R。

則：

且本文采用矩陣乘法運算進行求解，故障原因Y =（1，0.9，0.7，0.3，1.3，1，0.7，0.6，0.9，0.7，2.3，1.9，0.9，0.4，0.7，0.7，0.8，1.1，0.6）。

據計算結果和最大隸屬度原則 y=max{ym|m=1，2，3…19}可知，y11=2.3為最大值，y11火花塞故障應是此車故障原因，經實車檢修，確認是火花塞故障，驗證了此診斷結果正確。

3 結論

本文基于專家經驗、歷史維修數據和文獻資料建立了模糊邏輯診斷的數學模型，并將此模型用于故障診斷實例中，通過故障實例進行模糊故障診斷，驗證了該模糊故障診斷模型對電控發動機的故障診斷可行性，模糊邏輯診斷有助于維修人員更好地確診復雜故障的原因，縮短故障確診的時間。但此模糊邏輯診斷模型相對簡單，若要更好地解決更深、更復雜、更多的問題，還有待進一步豐富、改進和完善，以提高故障診斷的準確性和實用性。