多信息融合特征下的发动机故障自动化诊断研究①

徐桥桥

(延安大学, 陕西 延安 716000)

0 引 言

不同传感器因其性能差异性和共通性使得其信息之间呈现出独立或耦合情况,故加强对传感器信息的综合利用和融合能有效保证信息的完整性和准确性,方便进行层次化处理[1]。单一传感器诊断难以把握好系统结构运行的特性,且受限于故障工况诊断的不确定性,多数学者借助贝叶斯算法、D-S证据理论以及神经网络算法对不同故障情况进行分析,但所涉及的内容涵盖性和通用性欠佳[2-4]。而多源信息融合( Multi-source information fusion ) 在本质上更注重数据信息的转换关联,能有效实现数据信息的多维处理。故研究以多信息融合为理论指导,对发动机进行分层诊断和信息融合,并考虑故障特征提取特性构建起诊断模型,以期提高发动机诊断的自动化。

1 多信息融合特征下的发动机故障诊断系统构建

1.1 多源信息融合的发动机故障诊断模型

经济形势的向好发展使得当前人均汽车拥有量呈上升趋势,其中发动机电子控制部分集中了大部分汽车故障诊断数据,且涵盖了在不同工况条件下的信号变化情况[5]。借助多信息融合进行故障类型诊断,能在考虑故障信息特性的基础上对其进行分层多维探究,并对收集到的多维信息综合处理后对故障源进行概率性处理[6]。设置发动机故障现象的集合和概率分别为θ,g,即可将发动机故障现象表达为式(1)。

(1)

式(1)中,H(θ)为集合熵,N,g表示集合和概率数量,H(θ|X=xj)为故障现象条件熵,X为某故障诊断信息。X的状态能反映出发动机运行的稳定性和准确性,故障信息源数据量的扩大会加大了故障判别的难度和不确定性[7]。不同故障诊断信息之间的函数关系可表示成式(2)。

H(θ;X,Y)=H(θ)-H(θ|X,Y)=

式(2)中的Y为另一故障诊断信息。以多信息融合进行发动机故障诊断,从不同层次和维度掌握发动机运行动态信息,进而提高故障诊断的精度。图1为发动机多信息融合故障诊断模型。

考虑到不同维度下数据特点和发动机传感器运行特性,借助径向基神经网络(Radial basis function,RBF)、支持向量机和D-S证据理论分层故障诊断。加强故障问题的特征识别能有效减少冗余信息对计算判别的影响,特征提取数学表达见式(3)。

y=JTx

(3)

式(3)中,x为具有n个特征的向量,J为n′×m′阶的变换矩阵,变换后y的维度m′小于维度n′。正交K-L变换(主成分分析)在进行特征提取时能将随机变量以正交基向量φi的加权和形式表示,见式(4)。

式(4)中,αi为加权系数,Ψ为正交矩阵。随后将正交矩阵R=E[xxT]与向量总体自相关矩阵进行结合处理,即得到了式(5)。

R=E(ΨααTαT)=ΨE{ααT}ΨT

(5)

图1 多信息融合故障诊断模型示意图

多源数据因其所表现的信号特征不同,也不可避免存在维度信息的不一致性。故研究借助最大信息系数进行特征网络的诊断分析,以提高特征信息的相关性和全面性[8]。对系数进行归一化处理,得到合并特征子集,见式(6)。

FS′=FS1∪FS2=

{f1,f2,…,fo}∪{f1,f2,…,fp}

FS″=FS1∪FS2=

{f1,f2,…,fo}∩{f1,f2,…,fp}

(6)

式(6)中,o,p为小于特征个数的特征数量,f为特征样本集中的子集,FS1,FS2分别在不同特征选择算法下的特征子集。

1.2 发动机各维度层故障诊断分析

发动机因工作环境的多样性以及工况数据信息的差异性使得其所表现出的信号特征较为明显,RBF网络对任意函数具有较好的逼近能力,且其容错能力能整合数据层信息。式(7)为距离度计算公式。

(7)

式(7)中,Ck为中心列向量,X为输出样本,k为中心向量,s为隐含层神经元数量,wj为第j个输出节点的权值向量,Z为隐含层输出列向量。且RBF向量所具有的映射特性能减少传感器数据的非确定性因素,借助拉格朗日函数对不可分数据以及极值数据进行处理,引入松弛变量ζ,得到式(8)。

(8)

式(8)中,w为广义参数,b为偏差,l为向量类数量的最大值,c为约束条件。同时借助D-S证据理论对信息进行规则判断和合理可信度概率融合,集合U为证据信息X的取值结果,r(D),r分别为输入值支持度和基本可信度,其数学表达式如式(9)所示。

(9)

证据理论在进行决策层融合需要对决策层的输入进行置信度函数构建来实现概率分配指数的设计,数据层r(fi)和特征层r(fi)′的可信度分配函数可表示为式(10)。

图2 故障模拟装置结构示意图

图2中,借助ECU实现故障位置的信息输入,并经由发动机主控系统处理输出故障问题,对输入的故障信息进行信号处理和分层诊断,能实现故障信息全面性及针对性的识别。

图3 不同算法的测试实际值与预测值

2 故障诊断系统应用效果分析

对发动机故障进行诊断就是要在不同运行工况下对故障征兆信息进行识别和处理。对模拟装置进行发动机转速信号、节气门位置以及汽油泵等位置信号的分析,发现三种故障类型下的数据浮动值和偏差值基本低于6.3%和5%。随后将算法算法模型与单一模型、遗传优化粒子群算法(Genetic Algorithm-Partricle Swarm Optimization,GA-PSO)和特征选择算法(Feature-to-Feature and Feature-to-Category- Maximum Information Coefficient,FF-FC-MIC)进行分类精度性能分析,其结果如图3所示。

图3(a)中GA-PSO算法和FF-FC-MIC算法与融合模型之间的精度误差值在3%-4.5%之间。图3(b)中单一模型、GA-PSO算法和FF-FC-MIC算法所表现出的故障预测结果整体浮动值大于2%,且波谷峰值增多。而融合模型的平均预测精度基本在90%以上。随后按照不同故障类型出现概率可能性的大小对其进行随机性组合,并对其进行测试与训练,结果如图4所示。

图4 融合模型的训练和测试结果

图4中,融合模型的训练时间随训练样本量的增加而呈现出上升趋势(6s→36s),且其在中后期的精度在92.3%以上。测试时间在后期的变化值低于0.1s.,测试精度最大值为95.2%,冗余故障信息去除性能较好。同时对故障信息的识别情况进行分析,其结果见图5。

图5 不同故障模型的类别识别情况

图5中,单一模型下的故障点多分散且非正常故障点数据在大样本数据量下有些微增加态势。故障点4的识别准确率不超过15%,数据缺失情况较为明显(>18%)。而融合模型的故障识别结果呈团状和聚状分布,不同故障点之间的干扰较少,识别准确率超过了92%。融合数据模型能有效减少故障识别失误,且一定程度保证了数据的相对完整性。

3 结 论

自身设备、外在环境干扰因素以及不正确使用手段等都会使得发动机故障问题频发,研究以多信息融合为思路对发动机故障问题进行自动化诊断。结果表明,发动机转速信号、节气门变化以及脉宽等故障问题的整体数据浮动值和偏差值低于6.3%和5%,融合模型算法的故障分类平均预测精度基本在90%以上,故障隐患识别准确率超过了92%,数据缺失情况明显改善。加强应用智能技术并考虑到故障系统结构是未来研究的进一步方向。