改進(jìn)的遺傳算法在汽車故障診斷中的應(yīng)用

趙 明，王英資，侯 玨，劉賀喜，鄧程鵬

(中國(guó)汽車技術(shù)研究中心有限公司,天津 300300)

0 引言

幾十年來(lái)，汽車故障診斷在交通領(lǐng)域起著重要的作用。因?yàn)?，隨著汽車保有量的持續(xù)增加，家用汽車越來(lái)越多，汽車故障診斷顯得尤其重要，包含著人身等重要的安全問(wèn)題，尤其是發(fā)動(dòng)機(jī)和發(fā)動(dòng)機(jī)零件等的可靠性[1]。伴隨著汽車數(shù)量的增多，交通事故發(fā)生的概率也逐漸增加，有相關(guān)部門(mén)統(tǒng)計(jì)，我國(guó)每年因交通事故死亡的人數(shù)高達(dá)幾百萬(wàn)，這樣的數(shù)據(jù)是的故障診斷技術(shù)成為加強(qiáng)汽車安全的必要措施，也是行車安全所必須的必要途徑[2]。汽車故障診斷技術(shù)是指不對(duì)車輛進(jìn)行拆解的情況下，利用車輛的一些特征值來(lái)確定汽車系統(tǒng)的運(yùn)行狀態(tài)，查明汽車的故障原因和發(fā)生故障的部位。汽車在使用的過(guò)程中，由于行駛情況，其系統(tǒng)會(huì)隨之變化，比如動(dòng)力、可靠性、安全性都將呈現(xiàn)出下降的趨勢(shì)，這使得汽車發(fā)生故障的概率增大，這也將直接影響到汽車的使用壽命，采用定期檢測(cè)的手段能夠有助于對(duì)汽車的性能進(jìn)行檢測(cè)，及時(shí)發(fā)現(xiàn)并檢測(cè)到故障發(fā)生的原因和部位，從而排除故障，這也成為汽車使用技術(shù)中一項(xiàng)重要的檢測(cè)。遺傳算法作為一種模擬生物界自然選擇和自然遺傳的隨機(jī)搜索算法，成為了故障診斷中必不可少的解決方案，相比于那些傳統(tǒng)數(shù)學(xué)模型，遺傳算法為那些很難用數(shù)學(xué)模型勾勒的難題找到了一個(gè)解決方案[3]。

對(duì)于汽車故障檢測(cè)，通過(guò)新的理論與技術(shù)的結(jié)合，促進(jìn)了汽車故障診斷的研究與發(fā)展，尤其是對(duì)于汽車的發(fā)動(dòng)機(jī)模型開(kāi)辟了新的途徑。但是，由于汽車制造商和用戶使用上的約束，很難獲得關(guān)于發(fā)動(dòng)機(jī)組件的真實(shí)的特征圖。因此，如何生成基于測(cè)量和癥狀參數(shù)的特征圖，提供精確的故障診斷成為汽車故障診斷關(guān)鍵的問(wèn)題。為解決上述問(wèn)題，本文提出了一種自適應(yīng)的遺傳算法優(yōu)化方案，用于生成準(zhǔn)確的特征圖，并設(shè)置了耦合因子校正組件特性作為優(yōu)化的參數(shù)，根據(jù)氣路分析計(jì)算并驗(yàn)證用于故障診斷的偏差方程。

本文的其余內(nèi)容組織如下。第二節(jié)分析并總結(jié)了現(xiàn)有的國(guó)內(nèi)外研究和發(fā)展的現(xiàn)狀；第三節(jié)詳細(xì)介紹了本文的自適應(yīng)模型的發(fā)動(dòng)機(jī)部件特性；第四節(jié)詳細(xì)介紹了遺傳算法在自適應(yīng)模型的應(yīng)用；第五節(jié)講述了本文所采用的故障診斷方程；第六節(jié)介紹了基于遺傳算法的故障診斷；最后一節(jié)總結(jié)了全文的工作，并對(duì)下一步工作做出展望。

1 國(guó)內(nèi)外研究和發(fā)展概況

1.1 國(guó)外研究和發(fā)展概況

在20世紀(jì)70年代，西方的汽車工業(yè)發(fā)展迅猛，產(chǎn)生了日新月異的變化，也使得汽車故障診斷變得復(fù)雜化。隨著汽車保有量的逐漸增加，西方國(guó)家對(duì)汽車安全越來(lái)越重視，因?yàn)槠嚢踩婕暗饺松戆踩?，但相關(guān)的維修人員卻顯得稀缺，尤其是熟練的維修技術(shù)人員，這使得汽車診斷和檢測(cè)成為一個(gè)重要的課題[4]。

對(duì)于汽車診斷，目前分為兩種方式[5]：一種是利用裝載在車上的診斷儀器對(duì)汽車進(jìn)行故障診斷；一種是利用獨(dú)立于車輛之外的診斷儀器進(jìn)行故障診斷。

當(dāng)西方國(guó)家剛產(chǎn)生汽車的時(shí)候，期初是采用一些專門(mén)的儀器對(duì)車輛進(jìn)行故障檢測(cè)，主要是一些測(cè)試儀，但是這些都是些輔助工具，當(dāng)采集到汽車相關(guān)的數(shù)據(jù)之后，需要人為去分析和理解這些數(shù)據(jù)，根據(jù)人工的經(jīng)驗(yàn)完成診斷評(píng)估。后來(lái)，隨著汽車事業(yè)的不斷發(fā)展，國(guó)家也越來(lái)越重視汽車故障診斷這一技術(shù)應(yīng)用，在1972年召開(kāi)的第一次國(guó)際汽車安全會(huì)議將汽車診斷標(biāo)準(zhǔn)問(wèn)題作為重要的議題開(kāi)展了討論。德國(guó)大眾公司利用傳感器與連接器與微機(jī)相連接，將汽車相關(guān)的數(shù)據(jù)轉(zhuǎn)發(fā)出去，但是微機(jī)診斷儀器的數(shù)據(jù)存儲(chǔ)量較小，對(duì)數(shù)據(jù)的分析能力有限，不具有普適性，從而限制了其發(fā)展，而且這個(gè)使用成本比較高[6]。

西方國(guó)家在20世紀(jì)80年代中期，隨著互聯(lián)網(wǎng)的逐漸深入，人工智能領(lǐng)域也不斷發(fā)展，因而美國(guó)通用汽車公司利用專家系統(tǒng)進(jìn)行汽車故障診斷，雖然在一定時(shí)期內(nèi)產(chǎn)生了影響，但是傳統(tǒng)的基于知識(shí)的診斷系統(tǒng)畢竟與現(xiàn)實(shí)存在偏差，以為專家系統(tǒng)不能涵蓋全部的診斷案例，所以基于專家系統(tǒng)的診斷方案存在限制，還存在很多問(wèn)題亟待解決。

在20世紀(jì)80年代后期，出現(xiàn)了裝置在發(fā)動(dòng)機(jī)中的電子控制器(ECU)，ECU內(nèi)部設(shè)計(jì)了一些故障自診斷的程序，能夠在出現(xiàn)故障時(shí)，將故障以故障碼的方式保存到ECU的ROM當(dāng)中，并通過(guò)相應(yīng)的故障指示燈在車內(nèi)進(jìn)行顯示，這也是目前比較普遍的一種方式，當(dāng)故障燈顯示后，就能定位到發(fā)生故障的部位[7]。1986年通用公司推出了故障診斷設(shè)備，能夠顯示出車內(nèi)診斷的結(jié)果，而且ECU能夠?qū)圀w的運(yùn)行狀態(tài)進(jìn)行檢測(cè)。

此外，汽車的狀態(tài)參數(shù)檢測(cè)與測(cè)試儀技術(shù)也受到了研究者廣泛的關(guān)注，成為一個(gè)熱點(diǎn)問(wèn)題。

1.2 國(guó)內(nèi)研究和發(fā)展概況

我國(guó)的汽車事業(yè)起步較晚，因而相應(yīng)的汽車故障診斷技術(shù)也發(fā)展較晚，直到20世紀(jì)70年代末期，我們國(guó)家才發(fā)布了關(guān)于檢測(cè)汽車方面的國(guó)家級(jí)課題：汽車不解體測(cè)試技術(shù)[8]。后來(lái)，伴隨著改革開(kāi)放的步伐，國(guó)外的先進(jìn)技術(shù)也引入了國(guó)內(nèi)市場(chǎng)，推動(dòng)了汽車故障診斷的發(fā)展。20世紀(jì)80年代之后，汽車診斷技術(shù)不斷發(fā)展，出現(xiàn)了一系列汽車自檢測(cè)的技術(shù)，包括發(fā)動(dòng)機(jī)故障診斷、數(shù)字轉(zhuǎn)速表、發(fā)動(dòng)機(jī)漏氣量分析儀等診斷設(shè)備。

以發(fā)動(dòng)機(jī)測(cè)試儀為例，該設(shè)備能夠?qū)Πl(fā)動(dòng)機(jī)點(diǎn)火等操作進(jìn)行檢測(cè)，并具有打印功能，目前，汽車的診斷能夠直接連接到個(gè)人設(shè)備，例如移動(dòng)端手機(jī)，使得汽車故障檢測(cè)成為一個(gè)發(fā)展熱潮。如武漢理工大學(xué)利用內(nèi)燃機(jī)的振動(dòng)信號(hào)判斷氣體壓力，西安交通大學(xué)通過(guò)對(duì)離子電流的研究以實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)燃燒過(guò)程的控制，華中科技大學(xué)也不斷推進(jìn)了故障診斷的專家系統(tǒng)等等。

盡管我國(guó)的汽車故障診斷得到了發(fā)展，但是與西方國(guó)家相比，仍然存在較大的差距。

2 自適應(yīng)模型的發(fā)動(dòng)機(jī)部件特性

發(fā)動(dòng)機(jī)是汽車的核心部件，本節(jié)模擬了汽車發(fā)動(dòng)機(jī)組件的特征圖，以表示特征之間的關(guān)系參數(shù)。對(duì)于一般的特征圖，可以利用耦合因子MF得到真實(shí)特征圖。

Xact=MF×Xref

(1)

其中:Xact是特征參數(shù)的行為值，Xref是特征參數(shù)的參考值。對(duì)于每個(gè)特征參數(shù)，可以參考一般特征圖確定其耦合因子，并確定其行為值，然后獲得真實(shí)的特征圖。在本文中，選取了幾個(gè)參數(shù)：壓縮機(jī)渦輪的壓力比效率和質(zhì)量流量，燃燒室的效率、壓力和單位焓降，即MF1～MF13。因此，通過(guò)考慮上訴耦合因子作為優(yōu)化參數(shù)，用以遺傳算法實(shí)現(xiàn)自適應(yīng)模型，從而獲得發(fā)動(dòng)機(jī)部件的特征圖。

我們使用基于的歸一化參數(shù)設(shè)計(jì)條件，因此耦合系數(shù)[9]應(yīng)歸一化設(shè)計(jì)狀態(tài)表示如下。

(2)

其中:(Xact,I)DES是設(shè)計(jì)狀態(tài)特征參數(shù)的值，(Xref,I)DES是一般特征參數(shù)的值，那么耦合因子MFI可以表示為

MFI=MFD1×MXI(I=1,..,13)

(3)

MXI為是二次耦合因子。另外，優(yōu)化迭代中的引擎性能參數(shù)偏差定義如下，

e1=((Ycal-Yact)/Yact)I(I=1,..,6)

(4)

其中:Ycal是優(yōu)化迭代中性能或工藝參數(shù)的計(jì)算值，Yact是行為或測(cè)量值，也稱標(biāo)準(zhǔn)值。另外，選擇性能和工藝參數(shù)，包括推力F，特定燃料消耗sfc，渦旋入口溫度T，風(fēng)扇壓力比πF，壓縮機(jī)壓力比πC和旁通比β。偏差性能和工藝參數(shù)FC的功能定義如下：

(5)

其中:aI代表校正因子，其大小代表相應(yīng)參數(shù)的意義。此外，設(shè)置修正參數(shù)F,sfc,T,πF,πC,β的值分別為10.0,10.0,1.0,1.0,1.0和1.0。

綜上所述，偏差函數(shù)FC使用汽車發(fā)動(dòng)機(jī)模型計(jì)算出性能和工藝參數(shù)，而發(fā)動(dòng)機(jī)模型取決于組件特征，而組件特征由耦合因子控制，因此FC的偏差參數(shù)的約束條件為耦合因子MFI。

(6)

我們使用遺傳算法設(shè)計(jì)了自適應(yīng)模型[10]，采用FC作為目標(biāo)函數(shù)，并利用MXI作為優(yōu)化參數(shù)。

3 遺傳算法及其在自適應(yīng)中的應(yīng)用模型

3.1 遺傳算法

遺傳算法是在20世紀(jì)60年代形成的比較完整的理論，是一種優(yōu)化的隨機(jī)搜索算法，是復(fù)雜優(yōu)化問(wèn)題的好的解決工具，尤其是對(duì)于故障診斷的檢測(cè)。遺傳算法的主要思想來(lái)自于種群的逐代演化，借助于遺傳算子進(jìn)行組合從而產(chǎn)生出新的種群，而處于最末代種群中的最優(yōu)個(gè)體通過(guò)解碼便可以得到問(wèn)題的最優(yōu)解[11]。

遺傳算法流程主要分為以下5個(gè)步驟[12]。

Step1：首先，隨機(jī)產(chǎn)生n個(gè)初始種群，每個(gè)個(gè)體為染色體的基因編碼。

Step2：然后，計(jì)算出每個(gè)個(gè)體的適應(yīng)程度，看看其能否符合優(yōu)化的準(zhǔn)則，如果符合，那么，輸出最優(yōu)個(gè)體的最優(yōu)解，那么問(wèn)題得到解決；否則，轉(zhuǎn)向step3.

Step3：根據(jù)適應(yīng)程度再次選擇個(gè)體，找出適應(yīng)度最高的個(gè)體。

Step4：執(zhí)行交叉和變異的操作，從而產(chǎn)生新的個(gè)體。

Step5：找到新一代的種群，轉(zhuǎn)向step2。

3.2 自適應(yīng)模型的優(yōu)化算法

為了減少計(jì)算時(shí)間資源和優(yōu)化自適應(yīng)模型的過(guò)程，本文設(shè)計(jì)了以下幾個(gè)步驟用于實(shí)現(xiàn)自適應(yīng)模型發(fā)動(dòng)機(jī)組件的特征圖預(yù)測(cè)[13-14]。

3.2.1 優(yōu)化迭代的變量

在選擇完優(yōu)化變量后，我們需要對(duì)其進(jìn)行編碼?；谏舷藓拖孪藜s束L1MX1U1(I=1,..,13)，可以根據(jù)設(shè)定的精度值(本文中，設(shè)定有效值為15)得到每個(gè)變量(MX1,MX2,...,MX13)的二進(jìn)制編碼數(shù)字(M1,M2,...,M13)[15],然后我們隨機(jī)連接這13個(gè)二進(jìn)制數(shù)字串并構(gòu)成染色體編碼，染色體總數(shù)為m=m1+m2+m3+...+m13。優(yōu)化變量的選擇值范圍[LI,UI]對(duì)優(yōu)化結(jié)果有顯著影響，若求解區(qū)域限制在一個(gè)小的范圍內(nèi)，那么有一些有效的解決方案可能會(huì)被忽略。但是，廣泛的搜索范圍可能會(huì)使得優(yōu)化變得困難，并降低搜索效率，也會(huì)使得在某些情況下，沒(méi)有解決方案，所以，本文中，13個(gè)優(yōu)化變量都限制在[0.95,1.05]之間。

3.2.2 遺傳算法中的控制參數(shù)

在本研究中，控制參數(shù)選擇如下，種群規(guī)模(30)，每個(gè)參數(shù)的位(215)，交叉概率(0.5)，突變概率(0.01)和最大代數(shù)(100)[16]。

3.2.3 初始種群

最初的種群是祖先，它在遺傳操作后繁殖子代種群。因此，進(jìn)化的子孫后代只能在生成期望的初始種群生成之后才能進(jìn)化。在本文中，初始種群是隨機(jī)生成的。

3.2.4 數(shù)值模型和子程序

本文使用最小偏差函數(shù)作為優(yōu)化目標(biāo)函數(shù)[17]，其中最小偏差函數(shù)依賴于發(fā)動(dòng)機(jī)的性能和工藝參數(shù)。而且每個(gè)個(gè)體的適應(yīng)度都可以獲取到，適應(yīng)性是評(píng)估個(gè)體的唯一標(biāo)準(zhǔn)。如果個(gè)體違反約束，則應(yīng)通過(guò)申請(qǐng)減少對(duì)個(gè)體的耦合因素。而且，這些不滿意的個(gè)體可以通過(guò)選擇機(jī)制消除。

圖1 推力比較圖

圖2 具體燃料消耗比較圖

3.2.5 懲罰功能

為了使優(yōu)化滿足給定的約束條件，違反約束的個(gè)體將受到懲罰，并在選擇機(jī)制中將其刪除。然后，轉(zhuǎn)換約束優(yōu)化問(wèn)題進(jìn)入無(wú)約束優(yōu)化的懲罰。

另外，在進(jìn)化工藝中，為避免過(guò)早收斂和停滯，本文改變了原始的自適應(yīng)值的比例關(guān)系。對(duì)于早收斂，個(gè)體的自適應(yīng)值被削減，從而減少他們的競(jìng)爭(zhēng)力。對(duì)于停滯，增加相應(yīng)的自適應(yīng)值提升競(jìng)爭(zhēng)力。

3.2.6 遺傳算法在自適應(yīng)模型中的實(shí)現(xiàn)

遺傳算法自適應(yīng)模型的優(yōu)化工藝通過(guò)以下步驟完成。1)二進(jìn)制編碼；2)通過(guò)隨機(jī)二次耦合生成初始種群因素；3)根據(jù)比賽選擇一個(gè)好的個(gè)體作為父輩；4)通過(guò)選擇，交叉和變異父輩個(gè)體，進(jìn)化耦合因子的子代產(chǎn)生；5)通過(guò)幾代演變，實(shí)際可以獲得組件特征圖。

圖3 渦輪機(jī)入口總溫度比較圖

圖4 風(fēng)機(jī)壓力比對(duì)比圖

圖5 壓縮機(jī)壓力比對(duì)比圖

3.3 自適應(yīng)模型的結(jié)果

使用自適應(yīng)模型的模擬驗(yàn)證發(fā)動(dòng)機(jī)的性能。圖1～6展示了在給定S = 30 km/h的車速和不同的Ma，在低壓調(diào)整規(guī)則NF的旋轉(zhuǎn)速度= 85%* NFmax =常數(shù)的情況下，性能和工藝參數(shù)的結(jié)果?？梢钥闯?，自適應(yīng)模型與實(shí)驗(yàn)測(cè)量結(jié)果一致。在Ma = 1.5，S = 30 km/h的條件下，圖7～8中給出結(jié)果軸向截面中總溫度和壓力的偏差誤差。這些軸向部分包括自由入口，風(fēng)扇入口，壓縮機(jī)入口，高壓渦輪入口，低壓渦輪入口，混合室入口，噴嘴入口和噴嘴出口?？梢杂^察到自適應(yīng)模型的結(jié)果與實(shí)驗(yàn)數(shù)據(jù)幾乎相同，錯(cuò)誤控制在1%以內(nèi)。

圖6 旁通比率比較圖

圖7 發(fā)動(dòng)機(jī)部分的總溫度結(jié)果比較圖

圖8 發(fā)動(dòng)機(jī)部分的總壓力結(jié)果比較圖

從驗(yàn)證中，可以看出從自適應(yīng)模型中獲得的結(jié)果與實(shí)驗(yàn)數(shù)據(jù)參數(shù)幾乎相同，包括性能和工藝參數(shù)，總溫度和壓力。因此，從自適應(yīng)模型得到的發(fā)動(dòng)機(jī)組件的特征圖是真實(shí)的圖。圖9～12給出了使用自適應(yīng)模型和一般特征圖下，風(fēng)扇和壓縮機(jī)特性圖。

圖9 風(fēng)機(jī)壓力比特性校正圖

圖10 風(fēng)扇效率特性校正圖

圖11 壓縮機(jī)壓力比特性校正圖

4 故障診斷方程

在本研究中，故障診斷方程包括一系列小偏差方程1,2，其中，癥狀變量被視為自變量，模擬與測(cè)試數(shù)據(jù)之間的偏差被視為一個(gè)因變量。其矩陣形式可表示為，

δY=AδX

(7)

其中:δY是測(cè)量參數(shù)的偏差矢量。A是故障系數(shù)矩陣，δX是癥狀參數(shù)的偏差向量。

對(duì)于汽車發(fā)動(dòng)機(jī)故障診斷，測(cè)量和癥狀參數(shù)的選擇至關(guān)重要[18]。測(cè)量參數(shù)應(yīng)該很好代表性能參數(shù)的顯著變化。另外，測(cè)量參數(shù)之間的差距應(yīng)該很小。由于數(shù)據(jù)通常是在汽車行駛狀態(tài)下獲得的，本文選擇測(cè)量參數(shù)y1～y7作為壓縮機(jī)入口壓力，壓縮機(jī)出口壓力，渦輪機(jī)出口壓力，壓縮機(jī)進(jìn)口總溫度，壓縮機(jī)出口總溫度，渦輪機(jī)入口總溫度和燃料質(zhì)量。此外，我們選擇了癥狀參數(shù)x1～x7分別為風(fēng)扇效率，校正質(zhì)量風(fēng)機(jī)流量，壓縮機(jī)效率，風(fēng)機(jī)修正質(zhì)量流量壓縮機(jī)，高壓渦輪機(jī)效率，低壓渦輪機(jī)效率和高壓渦輪機(jī)的校正質(zhì)量流量。

圖12 壓縮機(jī)效率特性校正圖

選擇測(cè)量和癥狀參數(shù)后，根據(jù)發(fā)動(dòng)機(jī)的數(shù)值模型解決矩陣故障診斷。首先，根據(jù)從自適應(yīng)模型中獲得的部件特性圖，計(jì)算測(cè)量值參數(shù)y1～y7和正常狀態(tài)下的癥狀參數(shù)x1～x7。

在正常運(yùn)行狀態(tài)下完成發(fā)動(dòng)機(jī)計(jì)算后，選擇一個(gè)癥狀參數(shù)并給它一個(gè)小的增量，并保持其他癥狀參數(shù)不變。 測(cè)量參數(shù)的相應(yīng)增量使用發(fā)動(dòng)機(jī)的數(shù)值模型計(jì)算。計(jì)算得到的結(jié)果表明癥狀增量的大小參數(shù)對(duì)故障診斷方程有重要影響，直接影響故障診斷的誤診率。此外，結(jié)果還表明了相對(duì)增量應(yīng)該是約為該閾值的1/3。選擇癥狀參數(shù)x1并給它增量δx1，并將所有癥狀參數(shù)設(shè)置為x1 +δx1，x2，x3，x4，x5，x6，x7，然后計(jì)算測(cè)量參數(shù)的增量δy1，δy2，δy3，δy4，δy5，δy6，δy7。

完成上述計(jì)算后，我們利用δy1，δy2，δy3，δy4，δy5，δy6，δy使用以下公式得到A11，A21，A31，A41，A51，A61，A71，

(8)

然后，選擇癥狀參數(shù)x2，...，x7和它們的增量分別為δx2，δx3，δx4，...，δx7，計(jì)算得到故障診斷矩陣系數(shù)AI,J(I= 2，...，7，J= 1，...，7)。當(dāng)完成所以步驟，故障診斷矩陣和方程式得以實(shí)現(xiàn)。

5 故障診斷結(jié)果與分析

在汽車故障診斷中，癥狀參數(shù)通過(guò)基于測(cè)量參數(shù)的故障診斷方程求解，表示為

δX=A-1δY

(9)

1)測(cè)量所選的測(cè)量參數(shù)y1'，y2'，...，y7';

2)計(jì)算測(cè)量參數(shù)的變化：

(10)

其中：yI是指正常狀態(tài)操作下所選測(cè)量參數(shù)的值;

3)通過(guò)故障診斷方程δX=A-1δY解決癥狀參數(shù)δx1，δx2，δx3，δx4，δx5，δx6，δx7；

4)比較癥狀參數(shù)δy1，δy2，δy3，δy4，δy5，δy6，δy7及其各自的閾值，以此來(lái)判斷故障類型。

但是，確定故障診斷的閾值的過(guò)程比較復(fù)雜。根據(jù)以往的經(jīng)驗(yàn)，有以下兩種方法來(lái)確定閾值：

1)測(cè)試方法 - 該方法成本高且準(zhǔn)確，通過(guò)測(cè)試相同類型的發(fā)動(dòng)機(jī)，分析測(cè)量數(shù)據(jù)并找出故障診斷的閾值。

2)計(jì)算方法-這種方法反過(guò)來(lái)減少了計(jì)算過(guò)程中的癥狀參數(shù)，并在發(fā)動(dòng)機(jī)的不穩(wěn)定運(yùn)行條件下確定他們的閾值。

本研究通過(guò)實(shí)施第二種方法依次給出風(fēng)扇效率和質(zhì)量流量，壓縮機(jī)的閾值效率和質(zhì)量流量，高壓和低壓渦輪機(jī)效率以及高壓渦輪機(jī)的質(zhì)量流量，結(jié)果數(shù)值即-5.0%，-8.0%，-4.5%，-8.0%，-5.0%，-5.0%和-6.0%。

根據(jù)發(fā)動(dòng)機(jī)故障數(shù)據(jù)，我們分析了不同的故障結(jié)果。在表1中，我們給出了在Ma = 0.5，S = 30 Km/h和NF = 97.83%* NFmax條件下的檢查結(jié)果(表1中，單組分故障變量x1，x2，x3，x4，x5，x6，x7指的是風(fēng)扇效率，風(fēng)扇校正質(zhì)量流量，壓縮機(jī)效率，壓縮機(jī)校正質(zhì)量流量，高壓渦輪效率，低壓渦輪效率和高壓渦輪機(jī)校正質(zhì)量流量。相對(duì)的實(shí)際故障與診斷故障之間的誤差小于5%，與閾值相比，這樣的差距對(duì)判斷故障類型沒(méi)有影響。本文對(duì)發(fā)動(dòng)機(jī)故障檢查進(jìn)行了多次測(cè)試，測(cè)試數(shù)據(jù)表明目前的故障診斷模型沒(méi)有誤診的情況。達(dá)到了通過(guò)算法應(yīng)用到故障診斷的目的具有一定的實(shí)用指導(dǎo)意義。

表1 故障診斷模型結(jié)果

6 結(jié)束語(yǔ)

本文通過(guò)遺傳算法，研究了用于預(yù)測(cè)發(fā)動(dòng)機(jī)部件特征圖準(zhǔn)確性的自適應(yīng)模型。該結(jié)果總結(jié)如下：

1)通過(guò)氣路分析方法提煉出了發(fā)動(dòng)機(jī)故障診斷方程。

2)合成每個(gè)癥狀參數(shù)的閾值。

3)在驗(yàn)證中，真實(shí)誤差與由故障診斷方程式得到的癥狀參數(shù)方差的相對(duì)誤差，控制在5%以內(nèi)。所以，它不會(huì)影響評(píng)判故障類型。此外，在數(shù)據(jù)測(cè)試期間使用故障診斷模型沒(méi)有出現(xiàn)誤診，相對(duì)于傳統(tǒng)算法提升了故障診斷的精度。

本文取得的研究成果有待進(jìn)一步擴(kuò)展，一些理論和實(shí)際工程有待進(jìn)一步探索，后續(xù)的研究工作可以考慮從以下幾個(gè)方面入手：1)故障診斷理論方法的融合，結(jié)合神經(jīng)技術(shù)、聚類技術(shù)等技術(shù)。2)目前汽車故障可能由于多種原因引起，需要應(yīng)用合理的容錯(cuò)控制方法理論，相關(guān)參數(shù)進(jìn)一步優(yōu)化。