陳 雷，楊麗娟

(1.西安工業(yè)大學(xué) 計算機科學(xué)與工程學(xué)院，西安 710021；2.西安工業(yè)大學(xué)北方信息工程學(xué)院 電子系，西安 710200)

柴油增壓發(fā)動機結(jié)構(gòu)復(fù)雜，工作條件惡劣，使得發(fā)動機故障率較高，維修保養(yǎng)費用很大。據(jù)統(tǒng)計，發(fā)動機各種使用費用中維修保養(yǎng)費占比為15%～30%，且一旦出現(xiàn)故障，發(fā)動機的動力性、經(jīng)濟(jì)性、可靠性和安全性均會受到很大的影響，甚至?xí)苯佑绊懙桨l(fā)動機的使用壽命[1]。對于發(fā)生了故障的柴油機，快速地找出故障發(fā)生的原因，并根據(jù)故障發(fā)生的原因來有效地排除故障，從而保障動力裝置能夠正常、平穩(wěn)地運行具有十分重要的意義[2]。

目前，國內(nèi)外在柴油發(fā)動機的應(yīng)用故障診斷的系統(tǒng)繁多，所做的工作綜合來說主要集中在系統(tǒng)結(jié)構(gòu)劃分、系統(tǒng)功能劃分以及算法實現(xiàn)這3個方面[3-5]。其中典型的故障診斷算法包含基于物理模型的方法、基于數(shù)據(jù)的方法、基于知識的方法和以智能算法為基礎(chǔ)的融合算法。國外已將柴油發(fā)動機故障診斷系統(tǒng)廣泛用于各類發(fā)動機系統(tǒng)中[4-7]。在柴油發(fā)動機故障診斷的算法研究方面，國內(nèi)也做了很多工作，其中主要是采用自聯(lián)想、自組織及概率等神經(jīng)網(wǎng)絡(luò)的發(fā)動機傳感數(shù)據(jù)和氣路部件的故障診斷方法得到了深入的研究。此外，柴油發(fā)動機還采用卡爾曼濾波器、遺傳算法、數(shù)據(jù)統(tǒng)計分析方法、模糊算法、免疫算法及混沌算法等進(jìn)行了研究[8-11]。但傳統(tǒng)診斷方法僅利用傳感器的實時數(shù)據(jù)進(jìn)行分析與診斷，并未考慮到參數(shù)數(shù)據(jù)可信度以及歷史診斷信息，導(dǎo)致診斷結(jié)果誤報率高。

文中擬提出一種新的經(jīng)驗迭代算法，利用故障診斷信息確定每種診斷參數(shù)權(quán)重數(shù)值，對數(shù)據(jù)進(jìn)行可信度加權(quán)使其中的野值剔除或者減輕其權(quán)重，將各個參數(shù)的數(shù)據(jù)融合得出概率值并判斷發(fā)動機是否出現(xiàn)故障，以降低誤報率。

1 故障診斷方法

故障診斷方法可以分為基于模型的方法、基于信號處理的方法和基于知識的方法?；谀Ｐ偷姆椒ㄐ枰⒈容^準(zhǔn)確的數(shù)學(xué)模型，基于信號處理的方法需要利用頻譜分析、相關(guān)分析及小波分析等各種方法，基于知識的方法主要是利用診斷對象信息，專家診斷知識等[3]。其中發(fā)動機的故障診斷的數(shù)學(xué)模型非常難以準(zhǔn)確地建立，錯誤的數(shù)學(xué)模型會診斷出錯誤的結(jié)果；發(fā)動機的工作環(huán)境、年限和功率的變化會引起其信號產(chǎn)生變化，因此若未考慮這些因素帶來的影響，分析的準(zhǔn)確率將會出現(xiàn)誤差；最終利用專家的診斷知識診斷往往能取得意想不到的效果。

由于信息處理技術(shù)的發(fā)展和新型傳感器的應(yīng)用，柴油發(fā)動機的監(jiān)測數(shù)據(jù)越來越多。文中采用了基于故障參數(shù)加權(quán)可信度的故障樹診斷方法，柴油發(fā)動機的故障樹如圖1所示。

圖1 柴油發(fā)動機的故障樹Fig.1 A fault tree for diesel engines

用于狀態(tài)監(jiān)測與故障診斷的信息以各種形式存在于信息載體中，在發(fā)動機故障診斷過程中，可以獲取發(fā)動機的負(fù)荷程度、功率、轉(zhuǎn)速、燃油溫度、燃油消耗率、滑油消耗量、滑油溫度、滑油壓力、冷卻液溫度、冷卻液壓力、增壓器壓力、增壓器轉(zhuǎn)速、排氣溫度、進(jìn)氣溫度、進(jìn)氣壓力和光譜數(shù)據(jù)等參數(shù)的實時數(shù)據(jù)和歷史數(shù)據(jù)，通過這些參數(shù)的監(jiān)測可以對發(fā)動機的故障進(jìn)行準(zhǔn)確的診斷[4]。

從圖1中可以看出,引起發(fā)動機故障的所有故障狀態(tài)信息，每個獨立系統(tǒng)由不同部件及其故障引起，每個故障的產(chǎn)生由可監(jiān)控的參數(shù)進(jìn)行監(jiān)控和診斷。凸輪軸磨損的故障故障樹如圖2所示。

凸輪軸磨損故障可由冷卻水溫度、排氣、排溫、增壓壓力、功率和光譜進(jìn)行判斷[5]。文中以梅賽德斯奔馳公司生產(chǎn)的OM457LAⅢ/9型柴油機的凸輪軸磨損為例進(jìn)行實驗。

圖2 凸輪軸磨損故障樹Fig.2 A fault tree for camshaft wear

2 經(jīng)驗迭代算法

診斷系統(tǒng)需要利用多個采集的診斷參數(shù)數(shù)據(jù)作為診斷的輸入，但是每個參數(shù)的數(shù)據(jù)對于每種故障的診斷作用程度不同。故障參數(shù)對于故障的診斷起到的作用并沒有一個準(zhǔn)確的定義和說明，因此,本文提出了一種根據(jù)參數(shù)診斷故障數(shù)的初始權(quán)值設(shè)置方法以及根據(jù)診斷結(jié)果信息自適應(yīng)調(diào)整參數(shù)權(quán)值的算法——經(jīng)驗迭代算法。

在診斷某故障之前需確定每個診斷參數(shù)的權(quán)值，權(quán)值的設(shè)置多采用平均算法或者專家知識設(shè)置，其中平均算法沒有考慮到每種參數(shù)的差異，而專家知識有太重的主觀性。因此，本文提出了一種基于參數(shù)診斷故障數(shù)目的算法，一個參數(shù)能夠用來診斷的故障越多，用其來診斷某個確定故障時的權(quán)值就應(yīng)該越低。算法步驟為：

1)根據(jù)故障樹查找出各個故障的診斷參數(shù)分別是幾種故障的診斷輸入?yún)?shù)。

2)根據(jù)參數(shù)診斷故障的數(shù)目確定初始權(quán)值函數(shù)γi,表達(dá)式為

γi=fi(xi)

(1)

式中：fi(xi)為故障診斷參數(shù)數(shù)目的函數(shù)；xi為判斷故障的數(shù)目。γi隨著xi單調(diào)遞減。

3)對整個診斷參數(shù)的權(quán)值進(jìn)行統(tǒng)一化處理，

即：

(2)

經(jīng)過上述的處理實現(xiàn)了故障的診斷參數(shù)的初始權(quán)值，下一步將系統(tǒng)中的歷史診斷信息加以利用，若在前面的診斷歷史中某種參數(shù)對某種故障的診斷起到了作用，則要提高其診斷過程中的診斷權(quán)值；若某個參數(shù)在診斷中沒有起作用或者起了反作用，則要減少其診斷權(quán)值。經(jīng)過調(diào)取歷史診斷信息進(jìn)行多次迭代，使得診斷參數(shù)越來越準(zhǔn)確，算法流程為：

1)系統(tǒng)從診斷信息庫讀取參數(shù)初始權(quán)值和最近診斷記錄的權(quán)值，若沒有權(quán)值信息，可以根據(jù)診斷故障的參數(shù)個數(shù)平均設(shè)置權(quán)值。

2)利用各個參數(shù)的權(quán)值以及經(jīng)過可信度計算的參數(shù)數(shù)據(jù)進(jìn)行融合故障診斷，并將診斷結(jié)果記錄診斷庫。

3)系統(tǒng)根據(jù)診斷結(jié)果對診斷的參數(shù)重新調(diào)整，調(diào)整方法如下：

若某參數(shù)的異常對于診斷正確起到了正作用，則對該參數(shù)存儲在診斷庫中的權(quán)值w增加一個系數(shù)α，同時將該故障的其他診斷參數(shù)的權(quán)值減少一個數(shù)值α*w/n(其中n為其余參數(shù)的個數(shù))；若故障診斷成功而參數(shù)數(shù)據(jù)沒有異?；蛘咂鸱醋饔?，則將診斷庫中的權(quán)值w減少一個系數(shù)α，同時將該故障的其他診斷參數(shù)的權(quán)值增加一個數(shù)值α*w/n。

4)利用上述的步驟將診斷的所有參數(shù)在每次診斷后進(jìn)行調(diào)整，通過多次的診斷，可以將診斷過程中的各個參數(shù)的權(quán)值訓(xùn)練得越來越準(zhǔn)確。

因此，系統(tǒng)確定了故障參數(shù)的初始權(quán)值，充分考慮了各個診斷參數(shù)的差異性。而后利用每次的診斷信息自適應(yīng)調(diào)整每個參數(shù)診斷某故障的權(quán)值，隨著診斷次數(shù)的增加，每種故障的診斷參數(shù)的權(quán)值越來越準(zhǔn)確，為提高診斷準(zhǔn)確率提供了十分可靠的保證。

3 實時獲取參數(shù)的加權(quán)可信度

程序在利用獲取的實時故障參數(shù)數(shù)據(jù)進(jìn)行診斷時，沒有考慮此時傳感器采集的數(shù)據(jù)是否可信。假設(shè)傳感器異?；蛘邠p壞導(dǎo)致采集了錯誤的數(shù)據(jù)從而引起數(shù)據(jù)的不可信，錯誤的數(shù)據(jù)會對最后的診斷結(jié)果產(chǎn)生錯誤的影響，因此，本文提出了鄰域加權(quán)方法，利用傳感器獲取的序列數(shù)據(jù)來計算分析診斷時刻數(shù)據(jù)的可信度，通過可信度的加入可以減少不可信數(shù)據(jù)對診斷的影響[6]。

假設(shè)傳感器采集的數(shù)據(jù)序列為：[x1,x2…xn]。程序?qū)⒗脮r刻t的數(shù)據(jù)Xt對發(fā)動機進(jìn)行診斷，可以利用t時刻之前的數(shù)據(jù)進(jìn)行可信度計算。傳感器采集的序列數(shù)據(jù)服從高斯分布，以它們的高斯曲線作為傳感器的特性函數(shù)[7]，記為Pt(x)，Pt-Δt(x)。

用置信距離測度表達(dá)時刻t的數(shù)據(jù)與前時刻數(shù)據(jù)的偏差大小，設(shè)：

(3)

其中：

(4)

其中dti為t時刻與t-Δt時刻之間數(shù)據(jù)的置信距離測度，借助誤差函數(shù)erf(θ)，求得

(5)

假設(shè)r1表示xt-Δt對xt的支持權(quán)重，則r1為置信距離測度dti的函數(shù)，并且隨著dti遞減，根據(jù)具體情況可以設(shè)置多個數(shù)據(jù)的支持權(quán)重，從而獲得多個ri，則：

ri=f(dti)

(6)

其中0≤ri≤1。

則在t時刻的數(shù)據(jù)xt存在一個一維支持矩陣

R=[r1r2r3…rn]

(7)

xt的真實支持程度應(yīng)該由R體現(xiàn)，設(shè)xt的序列支持程度為ri，ri越大，xt的可靠性越高，則ri應(yīng)滿足以下條件：

由于與t時刻的數(shù)據(jù)距離越近的數(shù)據(jù)置信度越高，所以針對不同的時間距離，分配不同的權(quán)重系數(shù)：α1，α2，α3，…，αn，t時刻參數(shù)的綜合可信度權(quán)值為

r=r1α1+r2α2+r3α3+…+rnαn

(8)

寫成矩陣形式為

r=Rα

(9)

其中α=[α1α2α3…αn]T。

利用上述方法分別對所有要進(jìn)行診斷的參數(shù)進(jìn)行可信度的計算，計算產(chǎn)生了所有診斷參數(shù)的權(quán)值矩陣：

[αβ…φ]

經(jīng)過可信度計算后，可利用根據(jù)先驗知識設(shè)置的各參數(shù)置信權(quán)值進(jìn)行比對，若采集的參數(shù)的可信度低于置信權(quán)值的下限，則認(rèn)為此時的數(shù)據(jù)不可信，就可以將其視為野值剔除，若此時參數(shù)的數(shù)據(jù)在范圍之內(nèi)，就將此時的數(shù)據(jù)加上相應(yīng)權(quán)值[8]。程序經(jīng)過上述處理后，可以將診斷的所有輸入?yún)?shù)中的野值進(jìn)行剔除，其余的數(shù)據(jù)引入可信度降低了可信度低的數(shù)據(jù)的影響，加大了可信度高的數(shù)據(jù)的影響。

4 實驗與仿真

文中以發(fā)動機的凸輪軸磨損故障為例進(jìn)行實驗仿真，凸輪軸磨損故障檢測可以由以下6個參數(shù)：冷卻水溫度、排氣、排溫、增壓壓力、功率以及光譜進(jìn)行檢測，故障判據(jù)為：冷卻水溫度升高、排氣異常、排溫升高、增壓壓力下降、功率下降及光譜數(shù)據(jù)變化[9-11]。

本文以實時采集的100%負(fù)荷(發(fā)動機最大動力與負(fù)載相同)下各診斷參數(shù)的數(shù)據(jù)為例進(jìn)行實驗研究，由于光譜數(shù)據(jù)持續(xù)變化，發(fā)動機持續(xù)排氣異常，因此不作為采集對象。圖3為實時采集的100組數(shù)據(jù)，包括冷卻水溫度、排溫、增壓壓力和功率。

圖3 各個診斷參數(shù)數(shù)據(jù)Fig.3 Diagnostic parameters

數(shù)據(jù)采集完畢，下一步確定發(fā)動機診斷參數(shù)的性能指標(biāo)，由于出廠時廠家提供的參數(shù)指標(biāo)隨著發(fā)動機的工作而不準(zhǔn)確，因此，本文利用發(fā)動機在100%負(fù)荷下運行700 h，每5 min采集一次數(shù)據(jù)，采集完成后利用統(tǒng)計參數(shù)法中的3σ統(tǒng)計法進(jìn)行界限報警，計算出100%負(fù)荷下各診斷參數(shù)的正常值范圍及故障值見表1。

表1 100%負(fù)荷下各診斷參數(shù)的正常值范圍及故障值Tab.1 The normal value range and fault value of each diagnostic parameter under 100% load

通過表1中的數(shù)據(jù)診斷范圍對實時采集的數(shù)據(jù)進(jìn)行故障診斷，其計算方法為：

1)表1中的故障數(shù)據(jù)分為了5級:正常范圍內(nèi)1級、低于標(biāo)準(zhǔn)值2級和高于標(biāo)準(zhǔn)值2級，因此,本文將參數(shù)的故障程度的權(quán)值也分5級，為5個級別數(shù)據(jù)范圍設(shè)置權(quán)重系數(shù)分別為：-1.1，-0.8，0，0.8,1.1。根據(jù)超限的程度確定各診斷參數(shù)超限的權(quán)值δi。

2)根據(jù)上述的初始權(quán)值的算法查找各個參數(shù)診斷的故障數(shù)目，其中：冷卻水溫度升高參數(shù)是判斷6個故障的輸入?yún)?shù)；排氣異常參數(shù)是判斷2個故障的輸入?yún)?shù)；排溫升高參數(shù)是判斷9個故障的輸入?yún)?shù)；增壓壓力下降參數(shù)是判斷4個故障的輸入?yún)?shù)；功率下降參數(shù)是判斷13個故障的輸入?yún)?shù)；光譜數(shù)據(jù)變化參數(shù)是判斷4個故障的輸入?yún)?shù)。

3)確定各個參數(shù)的初始權(quán)值：冷卻水溫度升高初始權(quán)值為1/6；排氣異常初始權(quán)值為1/2；排溫升高初始權(quán)值為1/9；增壓壓力下降初始權(quán)值為1/4；功率下降初始權(quán)值為1/3；光譜數(shù)據(jù)變化初始權(quán)值為1/4。

4)對各個參數(shù)的權(quán)值進(jìn)行統(tǒng)一化處理：經(jīng)式(2)計算得出冷卻水溫度升高權(quán)值為0.123；排氣異常權(quán)值為0.369；排溫升高權(quán)值為0.082；增壓壓力下降權(quán)值為0.184 5;功率下降權(quán)值為0.057；光譜數(shù)據(jù)變化權(quán)值為0.184 5。

5)計算數(shù)據(jù)的可信度：本文利用上述t56時刻的數(shù)據(jù)進(jìn)行診斷，此時功率為281.4 kW，排溫為434 ℃，增壓壓力為112.4 kPa，冷卻水溫度為60 ℃，光譜數(shù)據(jù)變化且排氣異常。通過可信度計算得出功率的可信度為0.96；排溫的可信度為0.93；增壓壓力的可信度為0.67；冷卻水溫度的可信度為0.58，其他參數(shù)沒有具體數(shù)據(jù)且現(xiàn)象一直沒有變化，可將其可信度置為1。

6)根據(jù)可信度設(shè)置參數(shù)最終權(quán)值：本文設(shè)置可信度數(shù)值低于0.7的為無效數(shù)據(jù)，所以增壓壓力數(shù)據(jù)和冷卻水溫度數(shù)據(jù)不作為計算數(shù)據(jù)，但是要將其初始權(quán)值分配給其他參數(shù)。其中各個參數(shù)的故障程度權(quán)值分別為：增壓壓力權(quán)值為-0.8，冷卻水溫度權(quán)值為-1.1，功率權(quán)值為0.8，排溫權(quán)值為1.1，光譜數(shù)據(jù)變化權(quán)值為1，排氣異常權(quán)值為1。

經(jīng)過計算得到了經(jīng)過可信度計算和沒有通過可信度計算的診斷概率情況如圖4所示。

圖4 故障診斷概率對比圖Fig.4 Comparison of fault diagnosis probability

從圖4可以看出，在參數(shù)數(shù)據(jù)沒有發(fā)生異常的情況下，兩種方法的診斷結(jié)果基本持平；當(dāng)某些參數(shù)出現(xiàn)異常數(shù)據(jù)時，文中方法診斷結(jié)果更加準(zhǔn)確，隨著診斷參數(shù)異常的增加，診斷結(jié)果更加可靠。

5 結(jié) 論

本文針對傳統(tǒng)的診斷方法沒有考慮歷史診斷信息的問題提出了經(jīng)驗迭代算法，通過該算法可以使得每種故障參數(shù)的自動分配初始權(quán)值。對采集的數(shù)據(jù)的異常進(jìn)行可信度計算，可剔除野值或者降低異常數(shù)據(jù)的權(quán)重。

以文中方法和傳統(tǒng)方法分別進(jìn)行了實驗仿真，實驗結(jié)果表明：在參數(shù)數(shù)據(jù)未發(fā)生異常情況下兩種診斷方法的結(jié)果基本持平；但是當(dāng)某些參數(shù)出現(xiàn)了異常數(shù)據(jù)時，文中方法可得到更準(zhǔn)確的結(jié)果，傳統(tǒng)方法診斷概率明顯偏低，并且隨著診斷參數(shù)異常的增加，越能體現(xiàn)出文中方法診斷的優(yōu)越性。