農(nóng)用汽車發(fā)動機(jī)狀態(tài)監(jiān)測系統(tǒng)與診斷方法研究

王彥梅,李佳民

(浙江農(nóng)業(yè)商貿(mào)職業(yè)學(xué)院,浙江 紹興 312088)

農(nóng)用汽車發(fā)動機(jī)狀態(tài)監(jiān)測系統(tǒng)與診斷方法研究

王彥梅,李佳民

(浙江農(nóng)業(yè)商貿(mào)職業(yè)學(xué)院,浙江 紹興 312088)

為及時診斷農(nóng)用汽車發(fā)動機(jī)的工作性能和故障狀態(tài)，設(shè)計了多類信號采集、分析處理系統(tǒng)。通過對農(nóng)用汽車發(fā)動機(jī)監(jiān)測信號的采集、處理、融合和診斷，搭建了發(fā)動機(jī)故障診斷平臺。詳細(xì)介紹了故障診斷系統(tǒng)的基本思想和網(wǎng)絡(luò)架構(gòu)，重點研究了信號的采集和處理算法，提出并建立了一種基于信息融合的BP神經(jīng)網(wǎng)絡(luò)農(nóng)用汽車發(fā)動機(jī)故障診斷算法。在線實驗表明：系統(tǒng)具有運行穩(wěn)定、魯棒性好及診斷精度高的特點，能夠滿足實際診斷需求。

農(nóng)用汽車；發(fā)動機(jī)；故障診斷；信號處理；在線監(jiān)測

0 引言

農(nóng)用汽車作為農(nóng)業(yè)機(jī)械化生產(chǎn)的重要工具，是我國從傳統(tǒng)農(nóng)業(yè)向機(jī)械化農(nóng)業(yè)轉(zhuǎn)變的一個中心環(huán)節(jié)。農(nóng)用汽車發(fā)動機(jī)作為農(nóng)業(yè)機(jī)械的核心裝備，是一個復(fù)雜系統(tǒng)，是農(nóng)用汽車的核心組成部分。其故障約占全部故障的40%以上[1]，而故障是可能引起事故的主要因素之一。因此，故障診斷是保證農(nóng)用汽車安全工作和延長發(fā)動機(jī)使用壽命的主要技術(shù)措施[2]。

設(shè)備的狀態(tài)監(jiān)測與故障診斷是通過獲取設(shè)備過去和現(xiàn)在運行過程中的狀態(tài)量，判明質(zhì)量優(yōu)劣、可用程度、是否安全、有關(guān)異常和故障的原因，并預(yù)測對將來的影響，從而找出必要對策的技術(shù)[3]。農(nóng)用汽車發(fā)動機(jī)作為一種結(jié)構(gòu)復(fù)雜、長期在高溫和不同壓力下工作的典型機(jī)電設(shè)備[4]，其技術(shù)狀態(tài)參數(shù)的多變性(強(qiáng)度、壓強(qiáng)、溫度變化不同)最終導(dǎo)致故障發(fā)生。

發(fā)動機(jī)在運行過程中的工作參數(shù)、伴隨過程參數(shù)的變化與發(fā)動機(jī)的技術(shù)狀況、故障狀態(tài)等密切相關(guān)[5]。針對以上問題，設(shè)計了農(nóng)用汽車發(fā)動機(jī)工作參數(shù)與伴隨參數(shù)檢測系統(tǒng)，并針對不同信息量，應(yīng)用信息融合與神經(jīng)網(wǎng)絡(luò)技術(shù)建立了農(nóng)用汽車發(fā)動機(jī)故障診斷模型，通過仿真與建模分析，解決了診斷模型收斂速度慢、診斷精度低的問題。

1 總體設(shè)計

1.1 設(shè)計原理

農(nóng)用汽車發(fā)動機(jī)運行工況和伴隨過程參數(shù)狀態(tài)由PCI采集卡采集傳感器信號，傳入工控機(jī)進(jìn)行濾波處理，得到所需的采集參數(shù)。工控機(jī)把采集到的狀態(tài)參數(shù)進(jìn)行預(yù)處理、特征提取、成分抽取及信息融合后，得到發(fā)動機(jī)故障診斷的特征向量，提供給故障分析診斷算法，用于辨識農(nóng)用汽車發(fā)動機(jī)的運行狀態(tài)。所采集到的信號參數(shù)分為原始數(shù)據(jù)量和經(jīng)處理后的狀態(tài)向量，分別存儲至SQL SERVER數(shù)據(jù)庫中。故障診斷系統(tǒng)總體設(shè)計如圖1所示。

圖1 故障診斷系統(tǒng)總體設(shè)計Fig.1 General design of fault diagnosis system

1.2 流程設(shè)計

農(nóng)用汽車發(fā)動機(jī)工況狀態(tài)信號和伴隨參數(shù)信號被采集后，傳送至數(shù)據(jù)分析模塊，進(jìn)行信號分析判定。若超限，系統(tǒng)報警；若未超限，經(jīng)系統(tǒng)進(jìn)行特征向量提取，由標(biāo)準(zhǔn)模塊庫與狀態(tài)參數(shù)庫比對，確定信號是否正常。如若不正常，系統(tǒng)進(jìn)行簡易判定處理后，再進(jìn)行精密診斷識別，確定發(fā)動機(jī)故障處于等級狀態(tài)，出現(xiàn)嚴(yán)重故障，則直接停機(jī)。系統(tǒng)流程如圖2所示。

圖2 故障診斷系統(tǒng)流程Fig.2 Fault diagnosis system flow

2 信號采集與處理

2.1 信號采集

發(fā)動機(jī)故障狀態(tài)監(jiān)測系統(tǒng)信號采集由傳感器、采集卡、計算機(jī)和信號調(diào)理測控軟件等組成，如圖3所示。傳感器采集農(nóng)用汽車發(fā)動機(jī)各類原始信號，經(jīng)過適當(dāng)?shù)臄?shù)學(xué)處理分析，獲得發(fā)動機(jī)故障診斷測試系統(tǒng)需要的特征信號。

圖3 信號采集結(jié)構(gòu)示意圖Fig.3 Schematic diagram of signal acquisition structure

圖3中，傳感器負(fù)責(zé)感知發(fā)動機(jī)運行狀態(tài)和伴隨狀態(tài)信號，把信號源的電信號和非電量信號轉(zhuǎn)換為能夠識別的電信號，分為接觸式和非接觸式兩種。信號調(diào)理電路負(fù)責(zé)把傳感器采集的電信號進(jìn)行衰減、放大、濾波及整形等處理。采集卡把采集的電信號傳送至計算機(jī)中；信號處理分析軟件把采集到的信號進(jìn)行分析處理，供給診斷識別系統(tǒng)。

2.2 信號處理

農(nóng)用汽車監(jiān)測與診斷系統(tǒng)是由計算機(jī)、被監(jiān)測設(shè)備、電子元件和電子線路互聯(lián)的一個有機(jī)整體，實際測量中必然出現(xiàn)一定的信號干擾。通過軟件分析，采集的信號夾雜著一定的高斯噪聲，本文通過改進(jìn)的一種中值濾波算法去除信號中的高斯噪聲。

中值濾波是一種非線性濾波算法，掩模的大小對濾波的效果影響較大[6]。傳統(tǒng)的中值濾波算法忽略噪聲點與信號點的區(qū)別而直接濾波，導(dǎo)致信號失真過大[7]。本文在前人的研究基礎(chǔ)上，提出一種自適應(yīng)中值濾波算法，其原理為：首先對信號進(jìn)行判斷，確定改點是否為信號點還是噪聲點，進(jìn)而設(shè)定動態(tài)的掩模進(jìn)行濾波處理。設(shè)信號為f(n)，W為濾波窗口掩模，Wmax為最大窗口掩模，Wmin為最小窗口掩模，fmax、fmin、fmed分別為濾波窗口的極大值、極小值和中值，將窗口掩模內(nèi)的值放入數(shù)組s[]、s[m1]、s[m2]為去除fmax，fmin后的極值，m1、m2為對應(yīng)信號極大值、極小值的位置。

設(shè)掩模內(nèi)信號段的局部均值為u，δ2為方差，p1、p2為系數(shù)，則

f(x1)=u+p1×δ2

f(x2)=u-p2×δ2

f(x2)≤f(n)≤f(x1)

若f(n)=fmin，k1為所有極小值中間點到m1位置點的斜率，則

若f(n)=fmax，k2為極大值中間點到m2位置處的斜率，則

設(shè)定一個閾值Δ，若k1、k2小于等于閾值Δ，則改點為噪聲點，反之為信號點。通過上述算法對采集的信號進(jìn)行濾波處理，結(jié)果如圖4所示。

圖4 濾波前后的波形對比Fig.4 Waveform comparison before and after filtering

3 信息融合的在線診斷狀態(tài)分析

3.1 信息融合算法研究

傳感器采集到發(fā)動機(jī)運行和伴隨狀態(tài)的各種信號，經(jīng)信號處理后得到反映運行與伴隨狀態(tài)的實時信息[8]；而現(xiàn)有的原始信息量過大，速度慢，表現(xiàn)性差，需對現(xiàn)有的信息進(jìn)行特征提取與融合處理，完成對被測對象的綜合評價[9]。特征層的融合保留了足夠數(shù)量的原始信息，同時用實現(xiàn)的數(shù)據(jù)壓縮，保持了設(shè)備狀態(tài)的描述[10]。故障診斷與信息融合特征表述關(guān)系如圖5所示。

圖5 多傳感器信息融合層次化結(jié)構(gòu)Fig.5 Hierarchical structure of multisensor information fusion

基于上述分析，本文采用數(shù)據(jù)融合確定診斷參數(shù)值，設(shè)被測量真實值為T0，測量方程表述為

T=HT0+V

其中，T為測量值；H為系數(shù)矩陣；V為噪聲。設(shè)測量數(shù)據(jù)為T11,T12,…,T1m、T21,T22,…,T2n，其算術(shù)平均值分別為

對應(yīng)的標(biāo)準(zhǔn)偏差分別為

測量方程可轉(zhuǎn)化為

融合方差為

其中，HT為H的轉(zhuǎn)置矩陣；R為測量噪聲的協(xié)方差。

由式(11)、式(12)可得數(shù)據(jù)融合診斷參數(shù)值為

3.2 基于專家知識庫的故障診斷模型研究

上述分析了基于多傳感器信息融合技術(shù)，并對數(shù)據(jù)融合的診斷值算法進(jìn)行了分析研究。隨著監(jiān)測診斷系統(tǒng)的日益復(fù)雜，傳統(tǒng)的、單一的單類傳感器信息診斷已不能滿足精確診斷的需求[11]。在上述研究的基礎(chǔ)上，充分利用各種傳感器信息進(jìn)行融合，以提高診斷精度。在診斷預(yù)測過程中，領(lǐng)域?qū)＜也坏珦碛胸S富的領(lǐng)域知識，且還具有合理選擇和運用知識分析的能力，以達(dá)到高效分析預(yù)測的目的[12]。本文設(shè)計的故障診斷推理過程，以知識庫中的領(lǐng)域知識為基礎(chǔ)，合理選擇利用專家知識和選擇診斷方法，將各方面的診斷信息和診斷結(jié)果進(jìn)行綜合，以達(dá)到并獲得可靠的診斷預(yù)測結(jié)果。系統(tǒng)結(jié)構(gòu)如圖6所示。

圖6 智能故障診斷結(jié)構(gòu)示意圖Fig.6 Schematic diagram of intelligent fault diagnosis

圖6為集成化發(fā)動機(jī)故障診斷系統(tǒng)，主要應(yīng)用監(jiān)測對象模型、規(guī)則庫、案例庫及神經(jīng)網(wǎng)絡(luò)模型，以計算機(jī)為協(xié)同機(jī)制平臺，綜合表達(dá)和組織運用分析發(fā)動機(jī)運行狀態(tài)，并能實現(xiàn)不同方法間的任務(wù)分配和結(jié)果傳遞、結(jié)論一致性校檢和解釋的綜合性診斷學(xué)習(xí)平臺。

4 測試診斷平臺的搭建與分析

4.1 故障診斷算法研究

農(nóng)用汽車發(fā)動機(jī)故障診斷的實質(zhì)是搜索各種潛伏的和已經(jīng)表現(xiàn)的故障征兆，進(jìn)而對故障征兆的原因做出判斷和解釋[13]。傳統(tǒng)上依靠人工排查的方法解決發(fā)動機(jī)一些基本故障問題，但這種方法基本上基于現(xiàn)實出現(xiàn)問題后進(jìn)行檢查和排查，且檢查的效果和速度取決于檢修人員的技術(shù)水平，費時費力，不利于推廣使用。目前市場上使用的診斷方法基本使用基于邏輯分析法，這種方法實現(xiàn)和實施過程復(fù)雜，達(dá)不到在線檢測的要求。本文針對上述問題，采用基于信息融合的BP網(wǎng)絡(luò)神經(jīng)在線診斷算法，實現(xiàn)發(fā)農(nóng)用汽車發(fā)動機(jī)故障在線檢測。

針對農(nóng)用汽車發(fā)動機(jī)綜合故障診斷中的實際問題，在研究完成發(fā)動機(jī)運行狀態(tài)參數(shù)信息融合的基礎(chǔ)上，根據(jù)發(fā)動機(jī)運行狀態(tài)參數(shù)之間的相關(guān)關(guān)系，建立基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)用汽車發(fā)動機(jī)故障診斷模型。

通過對發(fā)動機(jī)運行狀態(tài)信號和伴隨狀態(tài)信號的采集、信息融合后，設(shè)發(fā)動機(jī)故障征兆向量集合為XP∈Rn(p=1,2,···,W),W為經(jīng)過信息融合后n維向量組成的集合，發(fā)動機(jī)故障向量集合為YP∈Rm，由W個m維向量組成的集合。通過樣本對組集合Ω∈{Xp,YP},應(yīng)滿足故障征兆和故障模式之間的映射，其關(guān)系如圖7所示。

圖7 發(fā)動機(jī)故障診斷神經(jīng)網(wǎng)絡(luò)模型Fig.7 Neural network model of engine fault diagnosis

當(dāng)上述滿足F:X→Y時，則Y=F(X)。其中，F(xiàn)反映故障征兆與故障模式之間的內(nèi)在關(guān)系，為故障診斷問題解。設(shè)F為故障診斷征兆向量到故障模式向量的映射，則

F:(Rn)p→((Rm)p)

若神經(jīng)網(wǎng)絡(luò)診斷模型存在映射M，則

M:(Rn)p→((Rm)p)?Y′=M(X)

如果任意對X∈Xp，對應(yīng)的Y=F(Xp)和Y′=M(Xp)均滿足

‖Y-Y′‖≤ε

則樣本空間上的范數(shù)‖Y-Y′‖小于給定的閾值ε，可認(rèn)為映射M與映射F在給定誤差下近似相等，此時映射M為故障診斷的近似解。通過設(shè)計神經(jīng)網(wǎng)絡(luò)模型代碼對樣本數(shù)據(jù)集進(jìn)行訓(xùn)練，其訓(xùn)練過程及誤差如圖8所示。

圖8 BP網(wǎng)絡(luò)神經(jīng)訓(xùn)練結(jié)果Fig.8 BP neural network training results

從訓(xùn)練模擬診斷效果可以看出：基于信息融合的BP網(wǎng)絡(luò)神經(jīng)發(fā)動機(jī)故障診斷算法能夠?qū)崿F(xiàn)發(fā)動機(jī)故障診斷正確率在96.75%，模型簡單，且算法收斂快，能夠?qū)崿F(xiàn)故障的準(zhǔn)確預(yù)測。

4.2 故障診斷平臺的實現(xiàn)

在上述研究分析的基礎(chǔ)上，完成了農(nóng)用汽車發(fā)動機(jī)狀態(tài)監(jiān)測和故障診斷平臺的開發(fā)，其軟件主界面如圖9所示。

圖9 農(nóng)用汽車發(fā)動機(jī)狀態(tài)監(jiān)測與故障診斷平臺Fig.9 Engine condition monitoring and fault diagnosis platform

平臺主要實現(xiàn)啟動性診斷、燃油供給診斷、點火系統(tǒng)診斷、廢氣排放系統(tǒng)診斷、機(jī)體振動測試診斷和冷卻潤滑診斷，可實現(xiàn)單一項目診斷或綜合項目診斷，同時設(shè)置手動和自動部分操作。

5 結(jié)論

1) 設(shè)計了農(nóng)用汽車發(fā)動機(jī)狀態(tài)監(jiān)測和故障診斷系統(tǒng)，給出了農(nóng)用汽車發(fā)動機(jī)系統(tǒng)總體結(jié)構(gòu)設(shè)計示意圖，并對設(shè)計進(jìn)行了詳細(xì)的分析。

2) 研究了農(nóng)用汽車發(fā)動機(jī)狀態(tài)監(jiān)測和故障診斷系統(tǒng)的信號采集與處理算法，以及診斷信號采集中的高斯噪聲問題，創(chuàng)新性地提出了一種自適應(yīng)的中值濾波算法，解決了傳統(tǒng)中值濾波信號失真大的問題。

3)研究了基于信息融合的農(nóng)用汽車發(fā)動機(jī)故障診斷算法，并設(shè)計了基于專家知識庫的發(fā)動機(jī)故障診斷預(yù)測平臺，給出了診斷平臺的結(jié)構(gòu)示意圖?；谠撈脚_模型，搭建了農(nóng)用汽車發(fā)動機(jī)故障診斷預(yù)測平臺，并進(jìn)行了實驗測試，結(jié)果表明：該平臺運行監(jiān)測效果良好，診斷預(yù)測精度高。

[1] 陳虹,宮洵,胡云峰,等.汽車控制的研究現(xiàn)狀與展望[J].自動化學(xué)報,2013(4):322-346.

[2] 于文武,許春生,康力平.基于AHP的航空發(fā)動機(jī)健康評估系統(tǒng)設(shè)計[J].航空計算技術(shù),2007(1):73-74，79.

[3] 許炎義,王樹宗.基于虛擬樣機(jī)的武器裝備遠(yuǎn)程診斷技術(shù)研究[J].海軍工程大學(xué)學(xué)報,2006(6):49-52.

[4] PW Tse，WX Yang，HY Tam. Machine fault diagnosis through an effective exact wavelet analysis[J].Journal of Sound & Vibration, 2004,277(4-5):1005-1024.

[5] 韓秋實,許寶杰,王紅軍,等.旋轉(zhuǎn)機(jī)械故障診斷監(jiān)測專家系統(tǒng)中的時間序列模式識別技術(shù)研究[J].機(jī)械工程學(xué)報,2002(3):104-107.

[6] SunT, Neuvo Y. Detail-preserving median based filters in image processing.[J].Pattern Recogni-tion Letter,1994,15(4):341-347.

[7] Andrzej W，Domanski. Application of optical fiber sensors in mechanical measure- ments[C]// IEEE Instrumentation and Measure- ment Technology Conference，May 19-21，1997，Ottawa，Canada. New York：IEEE，1997：19-21.

[8] D Brunner，G Lemoine，L Bruzzone，et al.Building Height Retrieval From VHR SAR Imagery Based on an Iterative Simulation and Matching Technique[J].Geoscience & Remote Sensing IEEE Transactions on, 2010,48(3):1487-1504.

[9] 滕召勝,郁文賢.基于數(shù)據(jù)融合的智能水分快速測定儀[J].電工技術(shù)學(xué)報,1999(5):71-73，80.

[10] 陳國金,侯平智,胡以懷,等.發(fā)動機(jī)故障特征量提取方法的研究[J].內(nèi)燃機(jī)學(xué)報,2002(3):262-266.

[11] 李小昱,王為,雷廷武,等. 多傳感器信息融合技術(shù)及在農(nóng)業(yè)工程中的應(yīng)用前景[J].農(nóng)業(yè)工程學(xué)報,2003(3):10-13.

[12] 邵飛,彭蓉.一種基于領(lǐng)域知識的非功能需求建模輔助方法[J].計算機(jī)學(xué)報,2013(1):39-53.

[13] 張紅梅,趙建虎,代克杰.基于信息融合的風(fēng)機(jī)喘振智能診斷方法研究[J].儀器儀表學(xué)報,2009(1):143-146.

Research on Condition Monitoring System and Diagnosis Method of Agricultural Automobile Engine

Wang Yanmei, Li Jiamin

(Zhejiang Agricultural Business College, Shaoxing 312088, China)

In order to diagnose the working performance and the fault state of the agricultural vehicle engine in time, a kind of signal acquisition, analysis and processing system is designed. The engine fault diagnosis platform is built by collecting, processing, fusing and diagnosing the monitoring signals. Introduces the basic idea and framework of network fault diagnosis system, focus on the acquisition and signal processing algorithms, this paper proposes an information fusion based on BP neural network engine fault diagnosis algorithm, the online experiment shows that the system has stable operation and good robustness, high diagnosis accuracy, and can meet the practical diagnostic requirements.

agricultural vehicles； engine; fault diagnosis; signal processing; online monitoring

2017-02-23

浙江省教科規(guī)劃2017年度(重點)研究項目(2017SB100)

王彥梅(1966-)，女，山東德州人，副教授，碩士，(E-mail)393019734@qq.com。

李佳民(1970-)，男，黑龍江海倫人，副教授，碩士，(E-mail)764838000@qq.com。

S219

A

1003-188X(2018)02-0252-05