基于PSO-RVM算法的發(fā)動機故障診斷

畢曉君，柳長源，，盧迪

(1.哈爾濱工程大學信息與通信工程學院，黑龍江哈爾濱150001;2.哈爾濱理工大學電氣與電子工程學院，黑龍江哈爾濱150080)

發(fā)動機故障在整車故障中占據19.8%，故障率是最高的，配件損耗和維修費用也為全車之最［1］。發(fā)動機故障的形成過程與機械狀況、氣缸內的燃燒情況及負載狀況直接相關，采用定期維修的方法難以發(fā)現這些故障，容易造成重大交通事故。發(fā)動機失火故障可通過分析尾氣排放中各類氣體的檢測數據進行預判，從而提前排除故障隱患。由于尾氣排放數據與發(fā)動機故障之間存在一定的非線性關系，因此可以利用機器學習算法建立它們之間的對應關系，從而實現智能故障診斷。尾氣檢測法近年來開始受到國內外專家的重視，越來越多的學者開始把人工神經網絡、支持向量機(support vector machine，SVM)等算法應用到故障診斷系統(tǒng)，并取得了一定的效果［2］。但由于每次機器訓練結果的波動較大，容易出現過學習或欠學習現象，使判斷結果出現偏差，診斷識別結果的準確性和魯棒性依然有待提高。本文提出的發(fā)動機故障檢測方法是基于相關向量機(relevance vector machine，RVM)的故障識別技術，利用粒子群算法(particle swarm optimization，PSO)優(yōu)化RVM核函數的超參數，通過“一對一”分類器建立尾氣傳感器數據中各氣體成分與發(fā)動機運行狀態(tài)之間的關系，提高了故障診斷的精度和可靠性。

1 尾氣檢測法故障診斷

根據汽車故障診斷學可知，汽車尾氣中含有發(fā)動機汽缸燃燒過程中的信息。發(fā)動機失火故障與汽車尾氣成分中HC、CO2、CO和O2等氣體的體積分數有著相對應的關系，因此可通過汽車尾氣中各氣體體積含量來判斷發(fā)動機所處的工作狀態(tài)，并根據氣體與故障的對應關系完成失火故障診斷［3］。根據這一理論，可以利用機器學習方法對先驗數據樣本進行學習訓練，將訓練好的機器診斷模型用于發(fā)動機故障的分析診斷。

尾氣檢測的原理是根據不同氣體具有吸收不同波長紅外線的特性［4］，CO主要吸收的是4.7μm附近的紅外線，CO2主要吸收4.2μm附近的紅外線，HC主要吸收3.4μm附近的紅外線。據此，可讓紅外線通過一定量的汽車尾氣，根據對比某一波長的紅外線經過尾氣前后能量的變化，測定尾氣中某類氣體的含量。而O2則采用電化學法，排放結果用濃度來表示。

某種汽油發(fā)動機在正常工作狀況下的數值如表1 所示［5］。

表1 發(fā)動機尾氣排放的正常范圍Table 1 The normal range of engine exhaust gas

如果某一種或幾種氣體含量超出表1中的范圍，即對應汽車發(fā)動機處在某種不正常的工作狀態(tài)，氣體含量數據與某一類別的故障相對應。在非正常狀態(tài)下，各氣體在尾氣中的含量變化為:

1)HC的讀數高，說明燃油沒有充分燃燒。

2)CO的含量過高，表明燃油供給過多、空氣供給過少;CO的含量過低，則表明混合氣體過稀。

3)CO2是可燃混合氣燃燒的產物，其高低反映出混合氣燃燒的好壞，即燃燒效率。

4)O2的含量是反映混合氣空燃比的最好指標，是最有用的診斷數據之一。

通過尾氣分析，可以檢測到以下幾個主要方面的故障:混合氣過濃或過稀、二次空氣噴射系統(tǒng)失靈、噴油器故障、進氣歧管真空泄漏、空氣泵故障、汽缸蓋襯墊損壞、EGR閥故障、排氣系統(tǒng)泄漏、點火系統(tǒng)提前角過大等。

2 基于PSO-RVM算法的故障診斷

RVM算法是英國劍橋學者Tipping在2001年提出的一種新的機器學習方法［6］，該方法基于貝葉斯統(tǒng)計理論，通過“核函數”將低維空間的非線性問題映射到高維空間并轉化成線性問題，核函數的巧妙之處是映射過程并未增加很多的計算量。與相對更早提出的SVM算法相比，RVM算法中核函數的選擇不受Mercer條件的限制，由于其解的稀疏性和概率性，理論上講是機器學習方法中泛化性能最突出的算法，對小樣本的機器學習尤其有效。關于RVM算法的理論模型，在文獻［6］中有詳細的闡述。該方法得到泛化性能優(yōu)秀的稀疏解，是建立在合適的核函數選擇及參數設置的基礎上。為了得到最佳設置，本文對RVM超參數的優(yōu)化采用了PSO算法，并將PSO-RVM模型應用于RVM發(fā)動機故障診斷之中。

2.1 基于PSO-RVM的故障診斷系統(tǒng)組成

本文提出的診斷方法可以分為3個主要過程:

1)預處理:對尾氣樣本的先驗數據進行歸一化處理，并建立4種氣體含量與發(fā)動機狀態(tài)之間的對應關系;

2)機器訓練:選擇合適的核函數并對其超參數進行PSO優(yōu)化訓練，建立合適的RVM模型;

3)故障診斷:采用“一對一”RVM分類器進行待測樣本故障診斷并輸出結果。

發(fā)動機智能故障診斷系統(tǒng)結構如圖1所示。

圖1 診斷及預報系統(tǒng)結構Fig.1 The structure of diagnosis and prediction system

系統(tǒng)輸出結果為某一種狀態(tài)類型:間歇性失火、高油氣比、低油氣比、點火過遲、點火過早和正常共計6種發(fā)動機狀態(tài)。

2.2 核函數的選擇

常用的RVM核函數有4種［8］:

線性核函數:

多項式核函數:

高斯徑向基(RBF)核函數:

Sigmoid核函數:

選擇合適的核函數是該方法能成功使用的關鍵，通過測試驗證訓練，比較各自泛化性能，本文選擇RBF核函數作為故障診斷的RVM模型。

2.3 超參數的優(yōu)化

RVM算法中超參數的選擇對RVM算法的分類準確率起著決定性的作用，以往文獻常用的參數尋優(yōu)方法多采用人為列舉尋優(yōu)、交叉驗證等方式設置參數，但是此類方法所需時間過長，同時還存在容易陷入局部最優(yōu)的問題［7］。粒子群算法是一種高效的全局尋優(yōu)算法，可用于機器學習算法的參數優(yōu)化設置。本文采用PSO算法優(yōu)化RVM算法的超參數設置，從而建立故障診斷的機器模型。

2.3.1 PSO優(yōu)化算法

粒子群優(yōu)化算法(particle swarm optimization，PSO)，是由 Kennedy和 Eberhart于1995年首次提出的一種基于迭代的尋優(yōu)算法［8］。該算法是對鳥群社會行為的模擬，PSO算法和遺傳算法類似，是一種基于群體(population)的優(yōu)化算法，每個粒子通過和其他粒子進行信息交互，調整自己的進化方向，以及避免陷入局部最優(yōu);同時，PSO算法采用不同于遺傳算法的隨機搜索策略，操作起來要比遺傳算法簡便得多，因此在解決某些優(yōu)化問題時顯示出更卓越的性能。

本文利用粒子群優(yōu)化算法優(yōu)化相關向量機中的拉格朗日乘子，通過利用PSO尋找拉格朗日乘子這個向量滿足RVM中約束條件的各個分量的最優(yōu)值，使得兩分類之間的間隔距離最大，從而構造出最優(yōu)超平面。初始化粒子群時，應不斷判斷直到各粒子隨機的初始值滿足所優(yōu)化的相關向量機中的約束條件。PSO優(yōu)化相關向量機的拉格朗日乘子a通過調用編寫的M文件子程序pso.m實現。每個粒子a的每個分量通過自身學習和向其他粒子學習，不斷更新自身速度和位置，達到全局最優(yōu)。

2.3.2 超參數優(yōu)化過程

整個優(yōu)化訓練過程的具體步驟如下:

1)初始化粒子群:確定粒子群的規(guī)模，初始位置和速度，根據約束條件對每個粒子初始化一個滿足條件的拉格朗日因子a的值。

2)計算每一個粒子的目標函數值，即所要優(yōu)化函數的值。

3)更新每一個粒子a的位置局部最優(yōu)值和全局最優(yōu)值。

4)更新每一個粒子的飛行速度和位置，并根據飛行空間的限制調整其速度。

5)判斷是否滿足終止條件，滿足條件跳出循環(huán)，并計算相關系數，否則返回的步驟2)，直到滿足迭代的次數。

6)返回最優(yōu)a的值，并將最優(yōu)化的參數傳遞給RVM模型。

經過超參數優(yōu)化訓練后得到的RVM模型，即可用于數據的分類。PSO對RVM算法的參數優(yōu)化過程如圖2所示。

圖2 PSO算法流程圖Fig.2 Diagram of PSO algorithm

2.4 分類器的設計

由于有6類發(fā)動機故障，因此故障診斷是一個多分類問題。標準RVM算法只能解決2類模式識別，即是否存在故障，但無法判定故障類型。為了進行多類判別，這里采用了文獻［9］中的“一對一”投票分類方法，利用二分類器的組合來實現多類模式識別。該分類器在目前RVM多分類方法中應用最廣泛，且分類精度相對較高［9-10］。圖3中所示的6個類別ABCDEF分別代表6種發(fā)動機狀態(tài)。

圖3 基于RVM的“一對一”算法Fig.3 “One Against One”algorithm based on RVM

對待分類樣本進行模式判別時，首先在AB 2類中判斷該樣本與哪一類更相似，如果接近B，就在B所在的類別投一票。然后依次是 AC、AD、AE、AF、BC、…、EF，每次2類判別都對與待測樣本更接近的類別進行投票，最后各類票數累加，得票最高的類別即待測樣本所在的類別，再輸出該類的故障信息即完成故障診斷過程。如果出現最高票2類相等的情況，則對這2類進行一次單獨判斷。

該分類器是多個2類判別分類的組合，把k=6類故障原因中任意2類構造成一個二值分類器，這樣可以構造k(k-1)/2=15個二類分類器，構成多類別分類器。對于樣本的k個特征，輸入樣本特征參數向量:X=(x1，x2，...，xk)，輸出類別參數向量:Y= （y1，y2，...，yk） ，其中:yi∈｛ 1，2，3，4，5，6｝分別對應間歇性失火、高油氣比、低油氣比、點火過遲、點火過早和正常共計6種發(fā)動機狀態(tài)。

3 實驗仿真與結果分析

為了驗證本文提出的基于PSO-RVM的發(fā)動機故障診斷技術的實際性能及應用效果，下面將該方法與BP神經網絡、遺傳優(yōu)化的BP網絡(GA-BP)、遺傳優(yōu)化的支持向量機(GA-SVM)這幾種近年來提出的尾氣故障檢測技術進行對比仿真實驗。

實驗所采用的樣本數據來自表2中的30個測試樣本。

3.1 實驗樣本數據

對傳感器檢測到的各類氣體含量數據是其凈含量，首先需要將它們進行預處理，把它們轉換成百分比濃度，再進行歸一化處理［5，11］，歸一化后的數據與故障類型編號的對應關系如表2所示。

從表中數據可知，尾氣中各類氣體含量與發(fā)動機的某種狀態(tài)呈非線性對應關系。

表2 發(fā)動機尾氣排放的正常范圍Table 2 The normal range of engine exhaust gas

3.2 實驗步驟

1)把樣本數據分成2組，將編號為1～24的樣本作為訓練樣本，編號為25～30的6個樣本作為待識別數據。

2)利用訓練樣本對RVM分類器進行訓練。

3)用訓練好的RVM分類器對待識別樣本進行分類，輸出發(fā)動機狀態(tài)分類結果。

4)把每個樣本的機器識別結果與數據表中實際狀態(tài)進行比較，并用表格記錄分類正確或錯誤。

5)改變訓練和測試樣本，將編號為7～30的樣本作為訓練樣本，編號為1～6的樣本作為待識別樣本，重復2)～4);再將編號為7～12的樣本作為測試樣本，其余樣本為訓練樣本…;這樣可以用30個樣本完成5組獨立的實驗。

這樣得到的每組實驗訓練和測試的樣本都不相同，能保證全部30個樣本的測試結果互不相關，測試結果具有獨立性。

3.3 實驗結果與分析

本文提出的PSO-RVM方法在實驗中測試的30個樣本中只有1例分類錯誤，正確率為96.7%。把文獻［3，5，11］中的方法作為對比參考，對比測試的統(tǒng)計結果如表3所示。

表3 不同發(fā)動機故障診斷方法比較Table 3 Comparison of different engine fault diagnosis methods %

從表3中的數據可以看出，本文所提出的方法在汽車發(fā)動機失火故障檢測中準確率是最高的。實際上，神經網絡通常在大量樣本訓練時才能保證機器學習性能，而本文中的樣本每類故障只有5個數據，顯然是小樣本問題。由于BP和GA-BP都是基于神經網絡的方法，因此訓練的泛化性能和魯棒性都無法保障，每次訓練結果偏差也很大。GA-SVM雖然在這方面有所改善，但在識別率和每次訓練誤差方面，仍不如本文提出的PSO-RVM診斷方法。

發(fā)動機轉速較高時，傳感器檢測的數據中噪聲強度會有所增加，此時傳統(tǒng)方法診斷結果誤差會隨之迅速增大，下面繼續(xù)通過實驗比較一下不同檢測方法在含一定強度噪聲的數據檢測中的表現。在同樣的檢測條件下，改變噪聲強度，得到的診斷結果如表4所示。

表4 不同發(fā)動機故障診斷方法比較Table 4 Comparison of different engine fault diagnosismethods

試驗結果表明，在傳感器檢測數據含噪聲時，PSO-RVM方法的故障診斷明顯好于對比實驗。目前各類發(fā)動機的尾氣樣本數據都是在固定轉速狀態(tài)下測得的，不同轉速下各氣體在尾氣中的含量會有一定的差別，因此現有的方法都無法進行實時動態(tài)故障診斷。為將新方法進一步推廣，可采集在每個變速檔位的行駛狀態(tài)樣本數據進行單獨訓練，這樣在不同檔位上調用各自對應的RVM模型(區(qū)別在超參數不同)，即可實現不同轉速下的動態(tài)檢測，實時顯示發(fā)動機的運行狀態(tài)。

4 結束語

利用汽車尾氣成分分析法，通過相關向量機訓練歸一化的發(fā)動機狀態(tài)樣本數據，建立了參數優(yōu)化的RVM模型，利用該模型進行了發(fā)動機故障檢測實驗，驗證了該方法的有效性。實驗結果表明，采用PSO-RVM方法的發(fā)動機故障診斷技術比傳統(tǒng)的基于神經網絡、GA-BP、GA-SVM等方法的診斷結果更加準確，魯棒性好，泛化能力進一步加強，具有較好的可推廣性和一定的實用價值。

［1］吳廣.汽車故障診斷系統(tǒng)研究［D］.長春:吉林大學，2009:1-5.WU Guang.Study on diagnostic system of automobile［D］.Changchun:Jilin University，2009:1-5.

［2］KIHOON C，SINGH S，KODALIA，et al.Novel classifier fusion approaches for fault diagnosis［J］.IEEE Transactions on Instrumentation and Measurement，2009，58(3):602-611.

［3］LU Di，DOU Wenjuan.Fault diagnosis of engine misfire based on genetic optimized support vector machine［C］//The 6thInternational Forum on Strategic Technology.Harbin，China，2011.

［4］趙遠，張宇.光電信號檢測原理與技術［M］.北京:機械工業(yè)出版社，2005:33-35.

［5］付金.基于GA優(yōu)化BP神經網絡的汽車發(fā)動機失火故障診斷研究［D］.沈陽:東北大學，2009:11-13.FU Jin.Research on automobile engine fault diagnosis based on GA-BP neural network［D］.Shenyang:Northeastern U-niversity，2009:11-13.

［6］TIPPING M E.Sparse Bayesian learning and the relevance vector machine［J］.Machine Learning Research，2001:211-244.

［7］趙櫚.相關向量機優(yōu)化方法的研究［D］.南寧:廣西大學，2012:7-16.ZHAO Lyu.Optimization methodology research of relevance vector machine［D］.Nanning:Guangxi University，2012:7-16.

［8］吳良海.基于粒子群優(yōu)化相關向量機的網絡入侵檢測［J］.微電子學與計算機，2010，27(5):181-184.WU Lianghai.Network intrusion detection based on relevance vectormachine optimized by particle swarm optimization algorithm［J］.Microelectronics and Computer，2010，27(5):181-184.

［9］IOANNISP，THEODOROSD，MARK A，et al.Multiclass relevance vector machines:sparsity and accuracy［J］.IEEE Transactions on Neural Networks，2010，21(10):1588-1598.

［10］柳長源，畢曉君，韋琦.基于向量機學習算法的多模式分類器的研究及改進［J］.電機與控制學報，2013，17(1):114-118.LIU Changyuan，BI Xiaojun，WEIQi.Research and improvement of multicass pattern classifier based on vector machine learning algorithm［J］.Journal of Electric Machines and Control，2013，17(1):114-118.

［11］朱惠蓮.基于神經網絡的汽車發(fā)動機故障診斷系統(tǒng)［D］.楊凌:西北農林科技大學，2007:24-31.ZHU Huilian.The fault diagnostician system of automobile engine based on artificial neural network［D］.Yangling:Northwest A ＆ FUniversity，2007:24-31.