基于自我调节学习的柴油机故障诊断研究

张翠侠

（宿州学院，安徽 宿州234000）

1 引 言

及时诊断故障并采取有效的措施，对增加柴油机工作时的安全性和可靠性、降低柴油机维修费用、减少由此带来的损失、防止突发事故，具有重大的现实意义。柴油机是机、电、液一体化的复杂系统，由于柴油机系统层次性、设备的复杂性及工作环境多变性，其故障具有层次性、相关性、延时性和不确定性等特性。这些特性决定了当一种故障发生时会产生多种征兆，一种征兆对应多种故障的复杂关系，而故障原因和故障征兆之间的关系是非线性、多变量和模糊的［1］。因此，最为实际的解决办法是根据实际运行状态异常识别故障征兆，准确快速的确定故障原因，及时诊断和维修。目前国内外对柴油机故障诊断模型方法的研究较多，包括灰色系统［2］、贝叶斯［3］、时频谱图与图像分割［4］、经验模态分解和Laplace小波［5］、系统控制策略［6］、混沌诊断［7］、模糊逻辑推理［8］等，这些模型为柴油机故障的诊断和维护提供了广泛的支持。但是，柴油机使用范围广、型号多、环境多变等不确定因素，导致其故障诊断的复杂性和多变性。因此，必须探索一种适合各自实际情况，且能够自我调节学习的故障诊断方式。

本文结合灰靶理论，基于实时更新的柴油机故障统计数据和专业人员经验知识，构造自我调节学习的柴油机故障征兆标准模式，通过计算靶心距诊断设备故障，对柴油机故障诊断进行一定的研究。

2 基于自我调节学习的柴油机故障诊断模式

基于自我调节学习的故障诊断模式，是利用实时反馈的更新自我调节柴油机故障统计数据和专业人员经验知识构造柴油机故障征兆标准模式，量化得到故障征兆特征向量，找出各种候选故障源集，根据故障统计数据和专家经验，得到各种故障原因与故障征兆的关联程度，量化标准模式，通过靶心距比较，得出结论，及时维修后，反馈更新标准模式。建立了如图1所示的基于自我调节学习的故障诊断模式：

基于自我调节学习的故障诊断模式的步骤为：

（1）广泛搜集既往实际故障诊断的第一手资料；

（2）分析、归纳、总结、提炼出典型故障并进行分类，建立故障征兆与候选故障源集；

（3）依据专家经验及统计方法，确定出每一种故障征兆与故障原因之间的关联度，量化得到故障征兆特征向量；

（4）计算靶心距，得出诊断结论；

（5）将诊断结果与实际故障原因进行比较分析，及时更新统计数据，并用来对关联度进行修正，有助于提高故障征兆特征向量准确性，从而提高诊断方法精度。

图1 基于自我调节学习的故障诊断模式

3 基于灰靶理论的柴油机故障模型

灰靶理论能够得到对故障征兆的不同故障原因进行评价排序，在灰靶中确定一个故障征兆向量，然后将灰靶中诸故障原因靶心点进行比较，求出不同的靶心距，通过比较靶心距来确定排序。这种排序是综合考虑了柴油机故障诊断的复杂性、非线性、多变量和多参数，得到的一个诊断结果［9，10］。因此，用灰靶理论对柴油机故障诊断是可行的。建立步骤如下：

（1）建立标准模式ω

基于灰靶理论的柴油机故障诊断模型，其标准模式ω和传统的标准模式不同。因为，柴油机故障发生的征兆和原因关系复杂，没有确定的内在关联，同时，柴油机故障诊断标准模式ω的确定没有通过灰靶极性变换，这是因为灰靶决策是从距离的接近性考虑故障产生原因的远近。

在专家的指导下根据柴油机的故障统计数据和机理分析，确定每一故障原因νi分别对应该故障征兆uj的隶属度ωij＝r（νi，uj），i＝ ［1，n］，j＝ ［1，m］，ωij∈ ［0，1］。其关系如下表1：

表1 故障原因和故障征兆关系表

其中，ωij＝uj／νi；ωij为柴油机故障征兆uj发生次数与故障原因νi的比值，是发生故障征兆uj由于故障原因νi而导致的隶属度。

已知柴油机故障原因νi，与其对应的故障征兆是非线性关系，而这些关系可以根据统计数据和专家经验进行确定，即故障原因的靶心ωi。

令：ωi＝ ｛ωi1，……，ωin，即ωi为故障原因νi的靶心，则称序列ω0＝ ｛ω1，……，ωi，……，ωm｝，i∈ ［1，m］为标准状态模式，即多故障原因靶心向量集。

柴油机故障原因有很多，每一个故障原因都有一个对应的靶心向量，多个靶心向量构成靶心矩阵。上述靶心矩阵的确定没有通过灰靶极性变换，是综合考虑灰靶决策，以距靶心矩阵的欧式距离的长度考虑故障诊断的结果。

（2）计算靶心矩阵的欧式距离

则柴油机故障征兆参数X ＝ ｛x1，……，xj，……，xm｝；

则靶心距di＝ ［（x1－ωi1）2＋ （x2－ωi2）2＋ … ＋ （xm－ωim）2］1／2；

根据灰理论关于多因素关联度分析的拓扑学基础，以拓扑空间的欧式距离为各因素的相关程度的量化标准。

因此，故障征兆集的靶心距离集构成D ＝ ｛d1，……，di，……，dm｝，i∈ ［1，m］，

以标准状态模式和柴油机故障征兆参数可分别计算出故障原因νi的靶心距di，并排序。

归一化处理靶心距为：

靶心距的数值反映了柴油机故障原因的效果向量，可以通过计算靶心距的大小确定柴油机故障原因的排序，其中数值最小者的为诊断故障原因可能性最大的。

4 应用实例

（1）广泛搜集既往实际故障统计数据，确定故障征兆与候选故障源集，构建诸故障原因靶心向量集，以通用某型号柴油机其中部分故障原因和征兆为例，建立故障征兆与候选故障源集，如下表2：

表2 某型号柴油机部分故障征兆与候选故障源集

（2）计算靶心距

现关于柴油机 “负荷、转速不足”故障出现的故障征兆有：v3（转矩急降）、v4（油压过低）、v5（机油量耗大）、即其征兆向量为：

现根据所给的征兆向量vi和故障与原因隶属度的矩阵表，运用灰靶理论计算每个原因的靶心距，并诊断如下表3：

表3 柴油机故障诊断结果

由上表3可以得出柴油机 “负荷、转速不足”故障原因是油管破裂。与实际检查结果一致。

（3）更新统计数据，自我调节学习并修正

将诊断结果与实际故障原因进行比较分析，及时更新故障统计数据，并用来对标准模式进行修正，自我调节学习，有助于提高故障征兆特征向量准确性，从而提高诊断方法精度。

5 结 论

本文考虑柴油机系统故障征兆、故障原因普遍存在模糊性、复杂性和非线性一一映射的特点，结合灰靶理论思想，建立了一种基于自我调节学习的柴油机故障诊断方法。该方法具有以下特点：

1）闭环系统化，从故障信息收集、处理到反馈更新的闭环柴油机故障诊断；

2）自我调节学习，综合考虑了柴油机故障统计数据，结合专业人员的经验知识，构建了一种及时更新的故障原因和故障征兆关系表并及时自我调节学习和修正的标准模式；

3）简单易行，通过简单的数学工具能够诊断出柴油机故障的原因，提高了诊断的可行性和可靠性。

［1］ Niu DX，Wang YL，Ma XY.Opti mization of support vector machine power load forecasting model based on data mining and Lyapunov exponemts［J］.J Cent South Univ Technol，2010，17：406－412.

［2］ 陈士玮，李柱国，徐启圣.灰靶理论在优化柴油机磨合过程中的应用研究 ［J］.内燃机学报，2005， （04），371－375.

［3］ 吴定海，张培林，任国全.基于Bayes的超球分类器及在柴油机异常检测中的应用 ［J］.机械工程学报，2011，3（47）：22－26.

［4］ 蔡艳平，李艾华，王涛.基于时频谱图与图像分割的柴油机故障诊断 ［J］.内燃机学报，2011，（02）：181－186.

［5］ 杨江天，周培钰.经验模态分解和Laplace小波在机车柴油机齿轮系故障诊断中的应用 ［J］.机械工程学报，2011，4 （47）：109－115.

［6］ 路琼琼，申立中，徐劲松.高压共轨柴油机故障诊断系统控制策略研究 ［J］.内燃机工程，2011，6（32）：37－42.

［7］ 谭季秋，鄂加强，谭青，等.车用柴油机振动故障混沌诊断系统及其应用 ［J］.中南大学学报：自然科学版，2011，4 （42）：984－989.

［8］ 胡素云，鄂加强，龚金科.柴油机冷启动过程模糊逻辑推理异常诊断 ［J］.湖南大学学报：自然科学版，2011，11（38）：36－42.

［9］ 邓聚龙.灰色系统基本方法 ［M］.武昌：华中理工大学出版社，1987：3－39.

［10］ 刘思峰，党耀国，方志耕.灰色系统理论及其应用 ［M］.北京：科学出版社，2004：20－56.