孟慶華，黃琴寶，陳慧勤

(杭州電子科技大學(xué)機(jī)械工程學(xué)院，杭州 310018)

前言

發(fā)動(dòng)機(jī)是車輛、船舶和其他動(dòng)力機(jī)械的核心部件，當(dāng)狀態(tài)出現(xiàn)異常時(shí)若沒有及時(shí)發(fā)現(xiàn)而進(jìn)行檢修，輕則造成發(fā)動(dòng)機(jī)本身零部件的破壞，重則造成重大的交通事故和人員傷亡事故，有時(shí)還會(huì)對(duì)環(huán)境產(chǎn)生不利影響。因此，開展發(fā)動(dòng)機(jī)狀態(tài)檢測(cè)技術(shù)研究具有重要的現(xiàn)實(shí)意義。

目前發(fā)動(dòng)機(jī)故障診斷主要采用以下3種方法：(1)基于物理模型的方法[1]，如卡爾曼濾波算法；(2)基于數(shù)據(jù)的方法[2-3]，如人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、粗糙集和決策樹等；(3)基于知識(shí)的方法。基于模型的方法需要有具體發(fā)動(dòng)機(jī)型號(hào)的準(zhǔn)確部件特性，物理模型的精度決定了診斷的準(zhǔn)確度，然而由于發(fā)動(dòng)機(jī)安裝制造公差和建模誤差使基于模型的故障診斷產(chǎn)生的誤診和漏診比較多?；跀?shù)據(jù)的方法以發(fā)動(dòng)機(jī)測(cè)量數(shù)據(jù)作為部件故障診斷的依據(jù)，但測(cè)量精度和各種算法的缺陷都會(huì)對(duì)診斷精度影響很大。基于知識(shí)的方法則過(guò)于依賴以往的專家經(jīng)驗(yàn)和各種先驗(yàn)知識(shí)，對(duì)各種具體的工作狀況和新類型的故障不能作出準(zhǔn)確診斷。

目前，出現(xiàn)了以各種智能算法為基礎(chǔ)的信息融合[4]，這些智能融合算法主要集中在以基于數(shù)據(jù)的方法進(jìn)行診斷的基礎(chǔ)上提出的，如各種不同類型的神經(jīng)網(wǎng)絡(luò)之間的融合，神經(jīng)網(wǎng)絡(luò)與模糊算法的融合，以及粗糙集與神經(jīng)網(wǎng)絡(luò)融合等。這類融合能在一定程度上解決單一智能算法存在的缺陷，但沒有考慮到不同發(fā)動(dòng)機(jī)的物理特性，片面地從數(shù)據(jù)出發(fā)，當(dāng)發(fā)動(dòng)機(jī)的部件特性發(fā)生輕微變化或出現(xiàn)新的故障類型時(shí)，就會(huì)嚴(yán)重影響部件故障診斷的精度[5]。

文獻(xiàn)[6]和文獻(xiàn)[7]中將危險(xiǎn)理論應(yīng)用于計(jì)算機(jī)受侵檢測(cè)。文獻(xiàn)[8]中提出了將危險(xiǎn)理論用于web挖掘的模型。文獻(xiàn)[9]中將危險(xiǎn)理論用于MANETs中，提高了分類識(shí)別率和響應(yīng)速度。根據(jù)現(xiàn)有檢索到的國(guó)外文獻(xiàn)資料來(lái)看，國(guó)外學(xué)者的研究方向主要是研究危險(xiǎn)理論在預(yù)防計(jì)算機(jī)網(wǎng)絡(luò)受侵方面的應(yīng)用。目前國(guó)內(nèi)也有少量學(xué)者從事危險(xiǎn)理論方面的研究，研究方向和國(guó)外學(xué)者研究的方向基本一致，大部分集中在計(jì)算機(jī)受侵檢測(cè)方面[10]。

本文中根據(jù)免疫危險(xiǎn)理論，并結(jié)合云模型[11-12]，給出了一種基于危險(xiǎn)理論-云決策的狀態(tài)檢測(cè)算法，將其應(yīng)用到汽車發(fā)動(dòng)機(jī)狀態(tài)檢測(cè)診斷中。使用發(fā)動(dòng)機(jī)故障模擬試驗(yàn)臺(tái)，模擬出發(fā)動(dòng)機(jī)在運(yùn)行時(shí)常見的幾種不同故障，并借助各種傳感器收集相應(yīng)工況下的故障信號(hào)和正常信號(hào)。對(duì)采集到的振動(dòng)信號(hào)進(jìn)行消噪和特征提取后，建立發(fā)動(dòng)機(jī)正常信號(hào)數(shù)據(jù)庫(kù)、記憶危險(xiǎn)信號(hào)數(shù)據(jù)庫(kù)和成熟危險(xiǎn)信號(hào)數(shù)據(jù)庫(kù)。通過(guò)實(shí)際檢測(cè)發(fā)動(dòng)機(jī)狀態(tài)驗(yàn)證了該診斷技術(shù)的有效性。

1 汽車發(fā)動(dòng)機(jī)狀態(tài)檢測(cè)試驗(yàn)臺(tái)系統(tǒng)構(gòu)建

采用自行設(shè)計(jì)的發(fā)動(dòng)機(jī)故障模擬試驗(yàn)臺(tái)用于模擬不同發(fā)動(dòng)機(jī)的工作狀況和故障類型。硬件系統(tǒng)通過(guò)四合一信號(hào)調(diào)理器采集發(fā)動(dòng)機(jī)振動(dòng)和噪聲信號(hào)，將采集到的信號(hào)輸入到高精度數(shù)據(jù)采集儀，通過(guò)配套的數(shù)據(jù)采集軟件將采集的信號(hào)實(shí)時(shí)顯示并儲(chǔ)存在計(jì)算機(jī)中，供診斷算法使用。發(fā)動(dòng)機(jī)狀態(tài)診斷系統(tǒng)的硬件系統(tǒng)如圖1所示。

2 危險(xiǎn)理論識(shí)別模型構(gòu)建

危險(xiǎn)理論識(shí)別模型源于危險(xiǎn)理論中提出的人體免疫反應(yīng)不是針對(duì)外部物質(zhì)，而是對(duì)危險(xiǎn)信號(hào)做出反應(yīng)。將危險(xiǎn)理論引入到狀態(tài)檢測(cè)中后，故障被視為危險(xiǎn)的狀態(tài)行為。在危險(xiǎn)理論識(shí)別模型中，首先要解決的問(wèn)題是危險(xiǎn)信號(hào)的定義，從而能夠?qū)?dòng)態(tài)系統(tǒng)的行為發(fā)出警報(bào)。

2.1 危險(xiǎn)信號(hào)的定義

為了實(shí)現(xiàn)故障的檢測(cè)，首先要選擇能夠被檢測(cè)的動(dòng)態(tài)系統(tǒng)的輸入數(shù)據(jù)。根據(jù)危險(xiǎn)模型，在故障診斷中，將危險(xiǎn)理論引入后，對(duì)于危險(xiǎn)信號(hào)和安全信號(hào)做出如下定義。

(1) 定義偏差信號(hào)為安全信號(hào) 偏差是指模型的期望輸出數(shù)據(jù)和系統(tǒng)實(shí)際輸出數(shù)據(jù)之間的差別。該偏差信號(hào)作為安全信號(hào)使用,可以指示出系統(tǒng)的實(shí)際運(yùn)行狀態(tài)與某種安全狀態(tài)的差距。在這種情況下，該方法必須要有正常數(shù)據(jù)以便采用傳統(tǒng)建模技術(shù)建立一個(gè)動(dòng)態(tài)模型。模仿原來(lái)的動(dòng)態(tài)系統(tǒng)建立的模型產(chǎn)生的信號(hào)可以認(rèn)為是系統(tǒng)產(chǎn)生的信號(hào)。偏差信號(hào)的定義見圖2。

(2) 使用已知的故障狀態(tài)作為危險(xiǎn)信號(hào) 通過(guò)試驗(yàn)的方法能夠獲取系統(tǒng)運(yùn)行中出現(xiàn)的一些故障狀態(tài)，可以將這些獲取的故障狀態(tài)進(jìn)行處理后作為危險(xiǎn)信號(hào)使用。

圖3為引入危險(xiǎn)模型后安全信號(hào)和危險(xiǎn)信號(hào)的定義。

2.2 初級(jí)檢測(cè)模塊

采用小波包技術(shù)提取數(shù)據(jù)的特征。利用小波包算法計(jì)算信號(hào)s(n)在各層上的系數(shù)，具體選擇最優(yōu)小波包基的算法實(shí)現(xiàn)步驟如下[7]。

(1) 對(duì)信號(hào)按選定的母小波和級(jí)數(shù)進(jìn)行小波包分解。

(2) 從最下層開始，把每個(gè)節(jié)點(diǎn)都做上標(biāo)志，而對(duì)其他各層節(jié)點(diǎn)不做標(biāo)記。

(3) 每一層共有2j個(gè)節(jié)點(diǎn)，從左至右每?jī)蓚€(gè)節(jié)點(diǎn)構(gòu)成一組，由下往上進(jìn)行相鄰兩層的下一層每組的兩個(gè)節(jié)點(diǎn)之和與上一層對(duì)應(yīng)節(jié)點(diǎn)的閾值比較。

(4) 若下一層的兩個(gè)節(jié)點(diǎn)的評(píng)價(jià)函數(shù)值之和大于等于上一層對(duì)應(yīng)節(jié)點(diǎn)的評(píng)價(jià)函數(shù)值，則對(duì)上一層的該節(jié)點(diǎn)做標(biāo)記，而去掉下一層的該兩個(gè)節(jié)點(diǎn)(當(dāng)“下一層”處于中間某層時(shí)，還要去掉由該兩個(gè)節(jié)點(diǎn)分解所得到的所有的子節(jié)點(diǎn))的標(biāo)記，否則以下一層該兩個(gè)節(jié)點(diǎn)的評(píng)價(jià)函數(shù)值之和取代上一層的該節(jié)點(diǎn)的評(píng)價(jià)函數(shù)值，但對(duì)標(biāo)記不做處理。

自下而上對(duì)相鄰兩層按上述過(guò)程逐層進(jìn)行比較，直至對(duì)所有層均處理完畢。被做上標(biāo)記的所有的節(jié)點(diǎn)對(duì)應(yīng)的小波包函數(shù)即是搜索到的最優(yōu)小波包基。

(5) 求各頻段的小波包分解系數(shù)序列的能量。第dN,j個(gè)頻段的能量Ej為

(1)

式中q為序列dN,j,k中分量的個(gè)數(shù)。

(6) 向量的構(gòu)成。按尺度順序，以分解后各層高頻小波分解系數(shù)序列的能量為元素組成特征向量，即E=[E1,E2,…,El]。對(duì)此能量序列做歸一化處理，使序列的和為1，處理后的序列記為Pj，則

(2)

式中l(wèi)為小波包分解后的層數(shù)。

利用得到的特征向量與初級(jí)檢測(cè)模塊中的各檢測(cè)器進(jìn)行匹配，發(fā)生匹配的檢測(cè)器將檢測(cè)數(shù)據(jù)特征傳遞給APC決策模塊并發(fā)出初級(jí)檢測(cè)信號(hào)。匹配程度值μ為

(3)

式中：P為檢測(cè)數(shù)據(jù)特征向量；D為檢測(cè)器集中的檢測(cè)器；r為檢測(cè)器覆蓋區(qū)域的半徑；‖‖表示歐式距離。

當(dāng)μ達(dá)到閾值時(shí)即可認(rèn)為發(fā)生匹配，從而刺激系統(tǒng)發(fā)出初級(jí)檢測(cè)信號(hào)。

2.3 APC檢測(cè)模塊

APC決策模塊將初級(jí)檢測(cè)結(jié)果進(jìn)行數(shù)據(jù)融合，得到能夠充分表達(dá)檢測(cè)數(shù)據(jù)完整特征的特征向量。APC決策模塊調(diào)用模塊中帶有的記憶危險(xiǎn)信號(hào)數(shù)據(jù)庫(kù)和檢測(cè)數(shù)據(jù)的特征向量進(jìn)行親和度計(jì)算，若得到的親和度小于等于設(shè)定的親和度則發(fā)生匹配，APC模塊發(fā)出最終檢測(cè)信號(hào)，刺激自適應(yīng)響應(yīng)模塊發(fā)出報(bào)警響應(yīng)。

親和力的計(jì)算公式如下：

Ai=1/(1+ti)

(4)

(5)

式中：Ai為抗原和抗體之間的親和力，其值在0和1之間，Ai=1時(shí)表示抗體與抗原理想結(jié)合，得到最優(yōu)解；ti為抗原和抗體i的結(jié)合強(qiáng)度；Yij為自體集合S中的第i個(gè)自體上的第j個(gè)DNA分子；Xj為新采集到的自體上的第j個(gè)DNA分子；m為組成每個(gè)自體的DNA分子數(shù)。

2.4 自適應(yīng)響應(yīng)模塊

自適應(yīng)響應(yīng)模塊接收APC模塊發(fā)出的最終檢測(cè)信號(hào)后發(fā)出危險(xiǎn)信號(hào)，確認(rèn)危險(xiǎn)狀態(tài)的存在，同時(shí)對(duì)發(fā)生匹配的特征向量進(jìn)行克隆變異?？寺∽儺愖裱M(jìn)化論中優(yōu)勝劣汰的原則，只有匹配程度高的特征向量才進(jìn)行克隆變異。將抗原與抗體間的歐式距離作為衡量?jī)烧咧g匹配程度的一個(gè)指標(biāo)。將抗原中的每個(gè)DNA分子分別與抗體中的每個(gè)DNA分子相匹配，對(duì)任意抗原Xi和任意抗體Yj，兩者之間的歐式距離為

(6)

式中：t為一個(gè)抗原或抗體中包含的DNA分子數(shù)量；Xit為Xi抗原中的第t個(gè)DNA分子；Yjt為Yj抗體中的第t個(gè)DNA分子。

定義α=1-d(i,j)為抗體Yj受到來(lái)自抗原Xi的激勵(lì)?？贵w受抗原激勵(lì)的閾值為

(7)

式中：n為抗原總數(shù)；k為抗體總數(shù)。即當(dāng)抗體Yj所受到的來(lái)自抗原的刺激滿足α>p時(shí)，免疫系統(tǒng)被激活，抗體開始克隆變異。

每個(gè)抗體對(duì)應(yīng)的克隆數(shù)量為

(8)

(9)

式中：ps為抗體總數(shù)；b為使用最佳抗體進(jìn)行克隆產(chǎn)生的抗體最大值；r為被選中進(jìn)行克隆的抗體級(jí)別。

則由于抗原Xi的入侵引起的Yj的克隆所生成的抗體為

(10)

3 云決策模型構(gòu)建

云的數(shù)字特征用期望值Ex、熵En和超熵He3個(gè)數(shù)值來(lái)表示，它把模糊性和隨機(jī)性完全集成到一起，構(gòu)成定性和定量相互間的映射。

(1) 期望值Ex是概念在論域中的中心值，是最能代表這個(gè)定性概念的值，通常是云質(zhì)心對(duì)應(yīng)的x值。

(2) 熵En是定性概念模糊度的度量，反映了在論域中可被這個(gè)概念所接受的數(shù)值范圍，體現(xiàn)了定性概念亦此亦彼性的裕度。熵越大，概念所接受的數(shù)值范圍也越大，概念越模糊。

(3) 超熵He是熵的熵，反映了云滴的離散程度。超熵越大，云滴離散度越大，隸屬度的隨機(jī)性越大，云“厚度”也越大。

本文中提出的算法采用逆向云發(fā)生器從真實(shí)訓(xùn)練數(shù)據(jù)中由危險(xiǎn)模型生成的特征向量得到云的數(shù)字特征，形成實(shí)際判斷規(guī)則，實(shí)現(xiàn)建模。數(shù)據(jù)建模首先根據(jù)故障種類從訓(xùn)練數(shù)據(jù)中提取反映故障類型的特征向量，利用逆向云發(fā)生器計(jì)算提取屬性的數(shù)字特征，從而完成建模過(guò)程，具體算法步驟如下。

輸入：N個(gè)云滴的定量值及每個(gè)云滴代表概念的確定度(x,y)。

算法：

結(jié)合前面給出的危險(xiǎn)理論識(shí)別模型，以抗原X和檢測(cè)器集合以及設(shè)置的Ex、En和He值作為輸入，以X是自體還是非自體作為輸出，編寫的云決策算法如下。

(1) 獲取待識(shí)別的抗原。

(2) 對(duì)于檢測(cè)器集合中的每個(gè)檢測(cè)器，進(jìn)行如下步驟的循環(huán)：

(a) 采用R-鄰域位匹配算法計(jì)算出檢測(cè)器和待識(shí)別抗原的R-鄰域位匹配數(shù)，同時(shí)根據(jù)匹配數(shù)的大小將檢測(cè)器從大到小排序；

(b) 計(jì)算出檢測(cè)器和待檢測(cè)抗原的親和度；

(c) 取前n個(gè)檢測(cè)器并形成n個(gè)云滴；

(d) 根據(jù)這n個(gè)云滴得到待檢測(cè)抗原對(duì)檢測(cè)器集合的期望值Ex、熵En和超熵He；

整個(gè)狀態(tài)檢測(cè)算法流程圖如圖4所示。

4 試驗(yàn)驗(yàn)證

在豐田L(fēng)S400轎車的IUZ-FE發(fā)動(dòng)機(jī)故障模擬實(shí)驗(yàn)臺(tái)上模擬了如下發(fā)動(dòng)機(jī)故障：

(1) 設(shè)置空氣流量計(jì)傳感器故障，使發(fā)動(dòng)機(jī)怠速不穩(wěn)，排氣管冒黑煙，加速不良；

(2) 設(shè)置水溫傳感器故障，使發(fā)動(dòng)機(jī)在怠速時(shí)怠速不穩(wěn)；

(3) 設(shè)置2、8缸噴嘴不工作，發(fā)生缺缸現(xiàn)象；

(4) 電控單元ECU控制噴油器電磁閥打開時(shí)間的電脈沖異常，導(dǎo)致噴入到氣缸中的燃油霧化不良。

使用智能信號(hào)采集儀和信號(hào)處理軟件分別對(duì)4種故障對(duì)應(yīng)的振動(dòng)信號(hào)進(jìn)行采集，將信號(hào)輸入到本文中所建立的狀態(tài)檢測(cè)算法中。分別采集70組數(shù)據(jù)，前30組作為訓(xùn)練樣本，后40組數(shù)據(jù)作為待檢測(cè)樣本。通過(guò)算法的分析得到的4種不同狀態(tài)下的特征參數(shù)，如表1所示。檢測(cè)結(jié)果如表2所示。

表1 算法中獲取的4種故障狀態(tài)下的特征參數(shù)

為了對(duì)比本文中所提出的方法的優(yōu)勢(shì)，采用當(dāng)前比較流行的神經(jīng)網(wǎng)絡(luò)檢測(cè)方法與之進(jìn)行對(duì)比。由于徑向基函數(shù)網(wǎng)絡(luò)(RBF)無(wú)論在逼進(jìn)能力、分類能力和學(xué)習(xí)速度等方面均優(yōu)于BP網(wǎng)絡(luò)，故在此使用RBF網(wǎng)絡(luò)[13]。設(shè)計(jì)一個(gè)具有8個(gè)輸入節(jié)點(diǎn)、1個(gè)含有401個(gè)神經(jīng)元的隱含層、1個(gè)線性輸出層的RBF網(wǎng)絡(luò)，其結(jié)構(gòu)如圖5所示。

采用與本文中算法使用完全相同的訓(xùn)練樣本和待檢測(cè)樣本，RBF網(wǎng)絡(luò)檢測(cè)結(jié)果如表3所示。

表2 基于危險(xiǎn)理論云決策的檢測(cè)結(jié)果

表3 RBF網(wǎng)絡(luò)檢測(cè)方法檢測(cè)結(jié)果數(shù)據(jù)

從表2與表3的對(duì)比可以看出，本文中所提的方法在檢測(cè)準(zhǔn)確度上優(yōu)于RBF算法，特別是在水溫傳感器故障檢測(cè)方面有明顯的優(yōu)勢(shì)。

5 結(jié)論

(1) 根據(jù)危險(xiǎn)理論構(gòu)建了危險(xiǎn)信號(hào)識(shí)別模型，并給出了危險(xiǎn)信號(hào)和安全信號(hào)的定義。

(2) 根據(jù)云模型構(gòu)建了云決策模型，用于進(jìn)一步識(shí)別危險(xiǎn)理論識(shí)別模型中的不確定性信號(hào)。

(3) 利用豐田L(fēng)S400轎車的IUZ-FE發(fā)動(dòng)機(jī)故障模擬實(shí)驗(yàn)臺(tái)模擬了4種發(fā)動(dòng)機(jī)故障，采用本文中給出的算法進(jìn)行了檢測(cè)，誤判率不大于2.5%，驗(yàn)證了本算法的有效性。

[1] Lu Feng, Huang Jinquan. Application of Intelligent Compensation to Engine Health Management System[C]. Proceedings of Computing, Communication, Control and Management. Florida, USA:IEEE Computer Society,2008.

[2] 黃向華,丁毅.基于幾何模式識(shí)別的發(fā)動(dòng)機(jī)傳感器故障診斷[J].航空學(xué)報(bào),2006,27(6):10182-10221.

[3] 陳恬,孫健國(guó).粗糙集與神經(jīng)網(wǎng)絡(luò)在航空發(fā)動(dòng)機(jī)氣路故障診斷中的應(yīng)用[J].航空動(dòng)力學(xué)報(bào),2006,21(1):2072-2121.

[4] Feng Z G, Shida K, Wang Q. Sensor Fault Detection and Data Recovery Based on LS2SVM Predictor[J]. Chinese Journal of Scientific Instrument,2007,28(2).

[5] Brot herton T, Grabill P, Wroblewski D, et al. A Test Bed for Data Fusion for Diagnostics and Prognostics[C]. Proceedings of the 2002 IEEE Aerospace Conference. Big Sky MT:IEEE,2002.

[6] Aickelin Uwe, Greensmith Julie. Sensing Danger:Innate Immunology for Intrusion Detection[J]. Information Security Technical Report,2007,12(4):218-227.

[7] Greensmith Julie, Feyereisl Jan, Aickelin Uwe. The DCA:Some Comparison a Comparative Study Between Two Biologically Inspired Algorithms[J]. Evolutionary Intelligence,2008,1(2):85-112.

[8] Secker A, Freitas A, Timmis J. A Danger Theory Inspired Approach to Web Mining[C]. Proc. of International Conference on Artificial Immune Systems. Springer,2003:156-167.

[9] Hoffman Katherine, Ondi Attila, Ford Richard. Danger Theory and Collaborative Filtering in MANETs[J]. Journal in Computer Virology,2009,5(4):345-355.

[10] Zhang Junmin, Liang Yiwen. A Double Layers Detection for DoS Based on the Danger Theory[C]. International Conference on Computer Modeling and Simulation,2009:147-151.

[11] 李德毅,劉常昱.論正態(tài)云模型的普適性[J].中國(guó)工程科學(xué),2004,6(8):28-34.

[12] 劉禹,李德毅,張光衛(wèi),等.云模型霧化特性及在進(jìn)化算法中的應(yīng)用[J].電子學(xué)報(bào),2009,37(8):1651-1658.

[13] 孟慶華,趙文禮,樊志華,等.基于改進(jìn)型陰性選擇算法的車輛故障檢測(cè)方法研究[J].兵工學(xué)報(bào),2009,30(12):1722-1727.