面向大数据新能源拖拉机发动机智能故障监测系统

孙 峰,高红波

(洛阳职业技术学院 汽车与轨道交通学院,河南 洛阳 471000)

0 引言

拖拉机发动机工作环境复杂、零部件众多,在使用过程中,随着使用里程、工作小时增多,零部件会出现一定程度的磨损,导致发动机出现一些故障。因此,采用有效策略对拖拉机发动机进行故障诊断,提醒驾驶员正确使用和及时维修保养显得尤为重要。为了解决上述问题,本文利用大数据和神经网络算法,设计了一套新能源拖拉机发动机智能故障监测系统。

1 发动机智能故障监测

现代故障实时检测是一门综合性的技术,能够根据故障特征和机器振动规律,利用信号处理、数据分析等方法对机器进行故障分析。发动机故障检测的主要任务是：①利用传感器采集到的机器各项特征指标,判断机器是否工作在正常状态;②对故障特征分类,准确判断出发生故障的零部件,为快速维修提供理论依据;③利用数据分析、概率论和大数据等技术,预测发动机故障,实现机器设备的健康管理。

1.1 故障诊断原理

对于拖拉机这种复杂的系统来说,一个小小零部件的问题都可能影响整台机器的运转,发动机作为整个系统的核心,容易被损坏并导致严重的机械故障。另外,无论是什么部位的部件,不管发生了什么程度的故障,都会导致整个系统功能的变化,而这种变化都会直接表现在参数的变化上,本文研究的故障诊断就是利用大数据对这类异常的特征参数进行处理和分析,判断出机器发生的故障。

由于拖拉机系统庞大,运行过程中的参数信息也会非常复杂,因此在进行故障诊断时,首先要提取出有用的故障特征,去除无用的参数;由于不能直接根据提取出的特征参数判断发生何种故障,需要对参数进行进一步的分析处理,提取出故障征兆信息。有了以上的基础后,便可以进行故障种类的识别和分类。一般情况下,故障诊断的识别过程分为两步：①特征提取,主要是从众多的故障征兆中提取出能反应故障状态变化的参数信息;②故障分类,根据前一步骤的参数信息,给出最匹配的故障模式。故障诊断流程示意如图1所示。

图1 故障诊断流程示意图Fig.1 The flow diagram of fault diagnosis

故障诊断流程比较复杂,最重要的是根据故障征兆对系统进行故障状态诊断。具体识别过程为：

1)提取故障特征参数。对于拖拉机而言,在其作业过程中,会伴随热量、振动等参数的持续变化,利用传感器采集这些信息,包括机器设备的振动频率、位移、发动机瞬间转速、加速度、温度、电压及电流等。若拖拉机存在故障,则可以从这些参数中提取出故障信息。因此,对这些信号进行处理和分析,是实现故障诊断的基础。信号处理主要包括利用傅里叶、小波等方法去进行放大、去噪转换等处理。

2)故障识别。当机器在正常作业过程中,需要通过一系列的参数预测和判断机器未来一定时间内的状态。当机器处在故障状态时,需要根据机器采集到的信号参数诊断故障的类型、部位等,故障的识别分类过程是根据采集到的故障征兆,采用各种识别算法和识别模型,进行精确的故障诊断。故障诊断常规方法如图2所示。本文采用基于神经网络的知识智能故障诊断方法。

图2 故障诊断常规方法Fig.2 The conventional methods of fault diagnosis

1.2 基于神经网络的智能故障诊断方法

神经网络是研究学者模拟人类大脑思考和分析问题建立的数学模型,其采用梯度最速下降和更新权重等方法,获得最小化误差函数,通过将训练样本输入网络,在重复学习和训练之后,生成一组权重以调用测试样本,从而预测目标对象的特征。神经网络由输入层、隐藏层和输出层组成。结构示意如图3所示。

图3 神经网络的结构示意图Fig.3 The structural sketch diagram of neural network

其输入输出的关系表达式为

(1)

其中,xi、yi分别为输入、输出信号;wki为神经网络对应权重;f和b分别为神经网络的激励函数和阈值。在层次的神经网络结构中,若某一层神经元智能接受上一层输入,且只输出给下一层结构,那么称其为前馈网络。多层前馈神经网络基本结构如图4所示。

图4 多层前馈神经网络基本结构Fig.4 The basic structure of multilayer feedforward neural network

由图4可以看出：每个神经元可以接收上一层发送过来的信号,经过处理后可以通过一个相关的函数将结果输出给下一层。因此,神经元可以看成是一个具有一定分析的数学函数,而一个神经网络由无数个这样的网络组成。

拖拉机的状态和环境的温度、压力及机器振动频率、电压值、电流值等等参数相关,而这种关系非常复杂,因此需要采用神经网络对拖拉机的不确定性进行故障诊断。

2 拖拉机发动机诊断

2.1 基于大数据的拖拉机发动机诊断架构

随着移动互联网技术的快速发展,人工智能、大数据技术站在了发展的风口上,越来越多的大数据应用服务涌现。大数据Hadoop技术要实现的关键功能是Map和Reduce。MapReduce框架在键值对上运行,每个Map任务处理输入分割块,生成键值对格式的中间数据;然后,这些数据按密钥进行排序和分区,并会在Reduce阶段,将相同密钥的键值对聚合到同一个reducer以进行下一步处理。

大数据Hadoop技术可以利用Map和Reduce对数据参数进行分割、映射、排序、合并、分类等操作,能对拖拉机的故障特征进行表征。利用大数据对故障特征构建故障特征后,可以采用神经网络对其进行识别和判断。基于大数据的拖拉机发送机诊断架构如图5所示。

图5 基于大数据的拖拉机发送机诊断架构Fig.5 Tractor transmitter diagnosis architecture based on big data

2.2 基于神经网络的拖拉机发动机诊断

为了提高拖拉机发动机故障诊断的精准度,本文在大数据分类的基础上,利用神经网络对其进行分析和判断。基于神经网络的拖拉机发动机诊断如图6所示。

图6 基于神经网络的拖拉机发动机诊断Fig.6 Tractor engine diagnosis based on neural network

基于神经网络的拖拉机发动机诊断主要包括以下4个步骤：

1)特征数据预处理。将数据更改为如(0,-1)或者(-1,1)区间,常用的表达式为

(2)

(3)

其中,x和y分别为输入、输出向量;min和max分别为特征数据中最大和最小值。

2)建立神经网络。创建如下函数功能的前馈神经网络,即

net=newff(A,B,{C},'trainFun')

(4)

其中,A为特征数据中min和max的矩阵,B为神经网络各层节点的k维矢量值,C为相应层k维矢量中子,'trainFun'为神经网络的训练算法,m为神经网络神经元数量,其求解表达式为

(5)

m=log2n

(6)

(7)

其中,n、l分别为神经网络输入输出层的节点,α为1到10之间的调整系数。

3)神经网络的训练。假设神经网络的故障特征输出两组存在一一对应的关系：A(n)→B(n)。其中,n为故障特征样本数量,A(n)和B(n)分别为故障特征和分类集合。当神经网络输入为A(r)时,神经网络的输出为C(r),一般称C(r)为神经网络的解决策略;当C(r)=B(r)时,表示神经网络分类正确。在对神经网络的训练过程中,存在除A(r)以外,另一个故障特征A(p)输入时,存在

A(p)=Ar+X,B(p)=B(r)

(8)

其中,X为神经网络变差。神经网络不断进行训练和计算,使其可以输出,则有

C(p)=C(r)

(9)

当神经网络训练好以后,输入新的故障特征值,则可以根据学习函数准确的判断出故障类型。

4)神经网络的测试。利用训练的神经网络模型对已知故障特诊进行检测,并对比已知故障和检测故障,从而判断模型是否准确。

3 发动机故障诊断仿真

根据前文的分析,本文采用三层神经网络进行拖拉机发动机故障诊断分析,输入层为6,对应发动机故障的6个特征;输出层为6,对应6种故障。神经网络故障诊断过程描述如下：

将对应MatLab的M文件及经过大数据处理过后的故障特诊复制到桌面上,打开shibie.m文件,1运行会出现下列提示：请直接按回车键正在生成输入向量和目标向量,请稍等……。2直接按回车键,会出现下列提示：输入向量和目标向量生成结束!请按回车键进行神经网络的训练。3再按回车键,会进行训练,训练完毕后会出现如图7所示的结果。

图7 神经网络训练结果Fig.7 The training results of neural networks

采用梯度法对拖拉机发动机故障的神经网络进行训练,经过5000次迭代训练后,会得出实际计算出的网络误差为2.1602×10-3,样本训练如表1所示。

表1 神经网络样本训练结果Table 1 The training results of neural network samples

4 实验与结果分析

为了验证面向大数据新能源拖拉机发动机智能故障监测系统的可靠性和稳定性,对存在故障的20台新能源拖拉机发动机进行了实际诊断分析。实验中,从新能源拖拉机发动机采集到某一故障信号如图8(a)所示;经过信号处理后得到如图8(b)所示的信号。

图8 故障信号的处理过程Fig.8 The processing of fault signal

本文利用神经网络算法进行故障诊断后,得出了如表2所示的故障诊断结果。

表2 故障诊断结果Table 2 The fault diagnosis results

由表2可以看出：面向大数据新能源拖拉机发动机智能故障监测系统可以准确进行故障诊断,诊断结果和实际结果吻合,可以为发动机故障诊断及维修人员提供参照依据。

5 结论

基于大数据和神经网络诊断技术,设计了一种新能源拖拉机发动机智能故障监测系统。首先,从故障诊断原理和智能故障诊断方法介绍了发动机智能故障监测方法;其次,提出了将大数据和神经网络结合的拖拉机发动机诊断系统;最后,进行了发动机故障诊断仿真和试验。结果表明：该方法能够有效地对新能源拖拉机发动机故障进行诊断,且诊断正确率较高,可以为发动机故障诊断及维修人员提供参照依据。