楊志， 盧敏童

(合肥工業(yè)大學機械工程學院，合肥 230009)

基于FCM-GRA的故障診斷方法研究

楊志， 盧敏童

(合肥工業(yè)大學機械工程學院，合肥 230009)

針對復雜機械產(chǎn)品的故障診斷問題，文中提出基于FCM和灰色關(guān)聯(lián)分析(GRA)的兩階段的故障診斷方法。第一階段用模糊聚類方法得到標準故障序列。第二階段運用灰色關(guān)聯(lián)分析方法分析標準故障序列與實時數(shù)據(jù)的灰色關(guān)聯(lián)度，根據(jù)灰色關(guān)聯(lián)序?qū)崿F(xiàn)故障識別。最后以電噴發(fā)動機怠速不穩(wěn)故障為實例驗證模型的有效性。

復雜機械產(chǎn)品;故障診斷;模糊聚類;灰色關(guān)聯(lián)分析

0 引 言

復雜機械產(chǎn)品是由不同種類、數(shù)量繁多的零部件或由多個相互聯(lián)系的子系統(tǒng)構(gòu)成的系統(tǒng)。復雜機械產(chǎn)品的故障的發(fā)生可能由多種因素共同引發(fā)，也有可能是由其他故障引發(fā)的次生故障，甚至可能是子系統(tǒng)集成的問題，這都提高了故障診斷的難度，同時也增加了風險。因此，有必要對復雜機械產(chǎn)品進行及時準確的故障診斷，減少故障及次生故障帶來的損失，保證安全具有重要意義。

故障診斷就是確定系統(tǒng)是否存在故障并確定故障發(fā)生的原因和時間，定位故障元件，確定故障類型以及故障嚴重程度，再根據(jù)識別結(jié)果采取相應(yīng)的恢復、維護措施。復雜機械產(chǎn)品的故障診斷問題受到國內(nèi)外學者的廣泛關(guān)注，智能診斷方法如灰色關(guān)聯(lián)分析[1-5]、模糊聚類分析[6-9]、支持向量機[10]、神經(jīng)網(wǎng)絡(luò)[11-12]等方法取得了不錯的效果。但單一算法用于故障診斷都存在其局限性，實現(xiàn)算法間的優(yōu)勢互補，是故障診斷的一個發(fā)展趨勢。針對復雜機械產(chǎn)品的故障診斷問題，本文以模糊聚類和灰色關(guān)聯(lián)分析為基礎(chǔ)，建立電噴發(fā)動機的怠速不穩(wěn)的故障狀態(tài)模型，以期在復雜機械產(chǎn)品故障診斷的實際應(yīng)用方面提供新的思路。

1 模型構(gòu)建理論基礎(chǔ)

1.1 模糊聚類理論概述

傳統(tǒng)的分類是非此即彼的關(guān)系，而現(xiàn)實中的許多事物同時具有多種類別事物的某些特征,事物類別之間也存在重疊類的可能性，對于這些問題運用模糊劃分更為貼切。模糊聚類分析是應(yīng)用模糊數(shù)學方法確定事物之間的親疏程度從而實現(xiàn)事物分類的方法。

1.2 FCM算法

傳統(tǒng)的模糊聚類方法一般步驟如下：1）特征參數(shù)標準化處理。各特征參數(shù)在量綱上存在的差異會給計算、比較和建立的模型帶來不確定性。2）模糊聚類分析獲取聚類中心和隸屬度矩陣。用消除量綱后的數(shù)據(jù)作為模糊聚類分析方法的輸入,并根據(jù)目標函數(shù)最小化原則,設(shè)定誤差閾值或迭代次數(shù)作為收斂條件。

1.3 灰色關(guān)聯(lián)分析

灰色關(guān)聯(lián)分析根據(jù)標準序列和比較序列曲線之間的幾何相似程度來判斷事物聯(lián)系是否緊密，曲線越接近，事物之間的關(guān)聯(lián)性就越大。灰色關(guān)聯(lián)度只需少量樣本數(shù)據(jù)，計算量小，且不要求具有特定的分布。

2 基于FCM-GRA的故障診斷原理

基于FCM-GRA的兩階段的復雜機械故障診斷方法的流程如圖1所示，首先對歷史數(shù)據(jù)進行聚類得到聚類中心作為標準序列。再計算實時數(shù)據(jù)與標準序列的灰色關(guān)聯(lián)度，根據(jù)灰色關(guān)聯(lián)序得出可能的故障類型，最終實現(xiàn)故障的診斷，達到消除故障的目的。

2.1 數(shù)據(jù)預處理

設(shè)備監(jiān)控現(xiàn)場收集的數(shù)據(jù)中，不同的特征參數(shù)在量綱方面存在很大的差異，會給計算、建模帶來不利影響。文中采取平移-標準差變換消除量綱的影響。

圖1 基于FCM-GRA的故障診斷原理

2.2 基于歷史及在線數(shù)據(jù)的模糊聚類

傳統(tǒng)的模糊聚類方法存在對不同特征，不同樣本同等對待的問題，忽略了不同的特征參數(shù)和不同樣本對分類的不同影響，而且需要根據(jù)先驗知識確定聚類數(shù)目[13]。本文運用ReliefF方法[14]進行特征選取與加權(quán)。改進的模糊聚類的隸屬度矩陣uij和聚類中心Centeri的更新公式：

2.3 模糊聚類基礎(chǔ)上的灰色關(guān)聯(lián)分析

3 實例驗證

3.1 研究對象簡介

電噴發(fā)動機是用電子控制裝置替代傳統(tǒng)的機械系統(tǒng)以控制發(fā)動機的供油過程，噴油器的燃油由電子系統(tǒng)控制噴入發(fā)動機進氣系統(tǒng)。

本文以某電噴發(fā)動機怠速不穩(wěn)故障為實例，建立基于加權(quán)模糊聚類和灰色關(guān)聯(lián)分析的兩階段的復雜機械產(chǎn)品的故障診斷模型識別由點火系故障、噴油器故障、真空泄漏等原因引起的怠速不穩(wěn)故障，原始數(shù)據(jù)見文獻［15］。

3.2 Matlab建模分析過程

輸入數(shù)據(jù)，根據(jù)Si,Sb,J指標綜合選取特征為平均電壓、最高電壓、最低電壓、平均電壓。對特征選取后的數(shù)據(jù)進行標準化處理再用ReliefF方法求得特征權(quán)重。樣本集中，第1～第3個樣本為正常數(shù)據(jù)C1，第4～第9個樣本為點火系故障C2，第10～第15個樣本為噴油器故障C3，第16～第18為真空泄漏，現(xiàn)分別從C1、C2，噴油器故障C3、C4中隨機選取2、4、4、2個樣本作為模型的訓練集，其余的樣本作為待檢測樣本，最終基于模糊聚類和灰色關(guān)聯(lián)分析故障診斷的結(jié)果如圖2。根據(jù)隸屬度最大原則確定得出待檢測樣本的故障類型，與實際的故障類型完全相符。

圖2 基于WFCM-GRA的故障診斷結(jié)果

圖3 基于傳統(tǒng)模糊聚類方法的故障診斷結(jié)果

3.3 結(jié)果分析

作為對比，選取傳統(tǒng)的模糊聚類方法對故障樣本進行聚類，根據(jù)隸屬度最大原則確定得出待檢測樣本的故障類型如圖3，從結(jié)果可以看出，傳統(tǒng)的模糊聚類方法（用系統(tǒng)自帶的fcm函數(shù)表示）出現(xiàn)了很多誤分類的情況，診斷準確率很低。

4 結(jié)語

本文融合了模糊聚類和灰色關(guān)聯(lián)分析方法的優(yōu)點，建立了FCM-GRA的兩階段復雜機械產(chǎn)品的故障診斷模型，并成功應(yīng)用于電噴發(fā)動機的怠速不穩(wěn)故障診斷中，相對于單一使用傳統(tǒng)的模糊聚類方法在診斷準確率上具有明顯的優(yōu)勢。文中提出的方法隨著歷史數(shù)據(jù)的積累，標準序列也更加精確，可滿足在線和離線故障診斷的需要。同時，文中提出的方法，也為運用多種方法進行復雜機械產(chǎn)品的故障診斷以發(fā)揮不同算法的優(yōu)點，實現(xiàn)優(yōu)勢互補，提高診斷準確率和效率提供了一種思路。

[1] 周劍波,魯峰,黃金泉.基于灰色關(guān)聯(lián)分析的航空發(fā)動機氣路部件故障診斷[J].推進技術(shù),2011,32(1):140-145.

[2] 孫樹峰,章欽棟,黃克,等.基于灰色關(guān)聯(lián)度分析法的微銑削毛刺研究[J].中國機械工程,2015,26(15):2036-2040.

[3] 魯峰,黃金泉.基于灰色關(guān)聯(lián)聚類的特征提取算法[J].系統(tǒng)工程理論與實踐,2012,32(4):872-876.

[4] 張文斌,蘇艷萍,普亞松,等.基于集合經(jīng)驗?zāi)Ｊ椒纸饽芰糠植寂c灰色相似關(guān)聯(lián)度的齒輪故障診斷[J].機械工程學報,2014,50(7):70-77.

[5] 賈愛芹,陳建軍.模糊灰色關(guān)聯(lián)法在制動系故障診斷中的應(yīng)用[J].振動、測試與診斷,2011,31(6):690-693.

[6] 王彥巖,楊建國,宋寶玉.基于小波和模糊C-均值聚類算法的汽油機爆震診斷研究[J].內(nèi)燃機工程,2011,32(4):56-61.

[7] 張玲玲,曾銳利,賈繼德,等.基于整工作循環(huán)階比跟蹤譜與FCM的發(fā)動機故障診斷[J].汽車工程,2014,36(8):1024-1028.

[8] BAHRAMPOUR S,MOSHIRI B,SALAHSHOOR K.Weighted and constrained possibilistic C-means clustering for online fault detection and isolation[J].Applied Intelligence,2011,35(2):269-284.

[9] 徐超,張培林,任國全,等.基于改進半監(jiān)督模糊C-均值聚類的發(fā)動機磨損故障診斷[J].機械工程學報,2011,47(17):55-60.

[10]XU Qihua,GENG Shuai,SHI Jun.Aero-engine fault diagnosis applying new fast support vector algorithm [J].Journal of Aerospace Power,2012,27(2):1604-1612.

[11]SHATNAWI Y,AL-KHASSAWENEH M.Fault Diagnosis in Internal Combustion Engines Using Extension Neural Network[J].IEEE Transactions on Industrial Electronics,2013,61(3):1434-1443.

[12]白士紅,杜新成.復合神經(jīng)網(wǎng)絡(luò)在柴油機故障診斷中的應(yīng)用[J].中國工程機械學報,2014,12(1):73-75,80.

[13] 張可,周東華,柴毅.復合故障診斷技術(shù)綜述[J].控制理論與應(yīng)用,2015,32(9):1143-1157.

[14] 黃莉莉,湯進,孫登第,等.基于多標簽ReliefF的特征選擇算法[J].計算機應(yīng)用,2012,32(10):2888-2890,2898.

[15]劉杰.電噴汽車發(fā)動機故障診斷技術(shù)研究[D].重慶:重慶交通大學,2009.

（編輯浩 然）

Research on Fault Diagnosis Method Based on the FCM and GRA

YANG Zhi,LU Mintong
(School ofMechanical Engineering,Hefei UniversityofTechnology,Hefei 230009,China)

Fault diagnosis for complex machinery products,two-stage method of fault diagnosis is proposed based on FCM and grey relational analysis(GRA).Fuzzy clustering method is used to get standard sequences of faults in first stage.Grey correlation analysis method is used to calculate the grey correlation of standard sequences and real-time data,and realize fault recognition based on grey correlation sequence in second stage.Taking idling fault of EFI engine as example,the validity of the model is verified.

complex machinery products；fault diagnosis；grey relational analysis(GRA)

TH 17

A

1002－2333（2018）01－0021－03

楊志(1990—)，男，碩士研究生，研究方向為制造過程監(jiān)測與控制。

2017-03-24