（车辆工程专业论文）电喷汽车发动机故障诊断技术研究.pdf

摘要 发动机是汽车动力的来源。随着其工作性能的不断改善、电子化程度的不断 提高，其结构也变得越来越复杂，虽然发动机发生故障的概率并不是太高，但是 一旦发生故障将很难诊断。随着人工智能技术的快速发展，神经网络已经越来越 多的应用到了复杂系统的故障诊断中。本文以电喷发动机怠速不稳故障为例，用 多传感器信息融合的神经网络方法对几种主要故障原因在m a t l a b 环境下进行 了仿真研究。 本文首先分析了国内外汽车故障诊断技术的现状和发展状况，总结了一些故 障诊断的主要理论和方法，对神经网络原理的基本知识、径向基函数神经网络作 了比较详细的介绍；其次，对发动机电控系统的基本知识进行了介绍，并分析了 几种主要传感器及执行器的波形，指出了波形特征和故障的关系；然后，研究了 多传感器信息融合神经网络发动机故障诊断方法，以电喷发动机怠速不稳为例， 选择了相关传感器、执行器波形特征参数为原始特征向量，并研究了应用主成分 分析方法进行特征提取的方法以及信息融合中心的设计；最后在m a t l a b 坏境 下设计了诊断怠速不稳的多传感器信息融合r b f 神经网络，并进行了检验。 本文在m a t l a b 坏境下使用基于主成分分析和信息融合的r b f 神经网络对 怠速不稳样本进行训练和仿真实验，经验证该故障诊断模型对电喷发动机故障识 别具有很高的准确率。最后，将多传感器信息融合的神经网络方法和单传感器信 息的神经网络方法进行比较，证明了多传感器信息融合的神经网络方法的故障诊 断准确率更高；将使用主成分分析的r b f 神经网络和不使用主成分分析的r b f 神经网络比较，结果显示使用主成分分析可以使神经网络结构更简单，性能更好。 关键词：电喷发动机；故障诊断；r b f 神经网络；信息融合；主成分分析 a bs t r a c t e n g i n e sa r eas o u r c eo fa u t o m o t i v ep o w e r w i t ht h e i rj o bp e r f o r m a n c ec o n t i n u e s t oi m p r o v e ，t h ed e g r e eo fe l e c t r o nc o n t i n u o u si m p r o v e m e n t ，i t ss t r u c t u r eh a sb e c o m e m o r ea n dm o r ec o m p l e x ，a l t h o u g ht h ep r o b a b i l i t yo fe n g i n ef a i l u r ei sn o tt o oh i 曲，b u t t h ee v e n to ff a i l u r ew i l lb ed i f f i c u l tt od i a g n o s e w i t ht h er a p i dd e v e l o p m e n to f a r t i f i c i a li n t e l l i g e n c et e c h n i q u e s ，n e u r a ln e t w o r kh a sb e e na p p l i e dt om o r ea n dm o r e a n dm o r ec o m p l e xs y s t e mf a u l td i a g n o s i s b a s e do ne f ie n g i n ei d l es p e e di n s t a b i l i t y f a i l u r ea sa ne x a m p l e ，u s i n gm u l t i s e n s o ri n f o r m a t i o nf u s i o nm e t h o do fn e u r a ln e t w o r k o fs e v e r a lm a j o rc a u s eo ft h em a l f u n c t i o na tt h em a t l a be n v i r o n m e n ts i m u l a t i o n t h ep a p e rf i r s ta n a l y z e st h ed o m e s t i ca n df o r e i g na u t o m o t i v ef a u l td i a g n o s i s t e c h n o l o g ys t a t u sa n dd e v e l o p m e n ts i t u a t i o n ，s u m m e du pan u m b e ro ff a u l td i a g n o s i s o ft h em a i nt h e o r i e sa n dm e t h o d s ，o nt h eb a s i cp r i n c i p l eo fn e u r f ln e t w o r kk n o w l e d g e ， r a d i a lb a s i sf u n c t i o nn e u r a ln e t w o r kg a v eam o r ed e t a i l e di n t r o d u c t i o n ；s e c o n d l y , e l e c t r i cc o n t r o ls y s t e mo ft h ee n g i n e sb a s i ck n o w l e d g ei nt h ei n t r o d u c t i o na n da n a l y s i s o fs e v e r a lm a i ns e n s o r sa n da c t u a t o r so ft h ew a v e f o r mt h a tt h ew a v e f o r m c h a r a c t e r i s t i c sa n dt h er e l a t i o n s h i pb e t w e e nf a u l t ；t h e nt os t u d yt h em u l t i s e n s o rd a t a f u s i o nn e u r a ln e t w o r ke n g i n ef a u l td i a g n o s i sm e t h o di no r d e rt oe f ie n g i n ei d l es p e e d i n s t a b i l i t ya sa ne x a m p l e ，a na n a l y s i so fr e l e v a n ts e n s o r s ，a c t u a t o r sw a v e f o r m c h a r a c t e r i s t i cp a r a m e t e r sf o rt h eo r i g i n a lf e a t u r ev e c t o ra n ds t u d i e dt h ea p p l i c a t i o no f p r i n c i p a lc o m p o n e n ta n a l y s i sm e t h o do ff e a t u r ee x t r a c t i o na n di n f o r m a t i o nf u s i o n c e n t e rd e s i g n ；f i n a l l yi nm a t l a be n v i r o n m e n td e s i g n e dd i a g n o s i so fu n s t a b l ei d l e s p e e dm u l t i s e n s o ri n f o r m a t i o nf u s i o nr b fn e u r a ln e t w o r k s ，a n dc a r r i e do u tat e s t l a s t ，i nm a t l a be n v i r o n m e n t ，t h ef a u l td i a g n o s i sa p p r o a c ho nt h er b fn e u r a l n e t w o r kp e r f o r m st h ef a u l tp a t t e r nr e c o g n i t i o na n dt h ed i a g n o s i s p u tm u l t i s e n s o r i n f o r m a t i o nf u s i o nm e t h o do fn e u r a ln e t w o r ka n ds i n g l e s e n s o ri n f o r m a t i o no ft h e n e u r a ln e t w o r km e t h o df o rc o m p a r i s o nt op r o v et h a tt h em u l t i s e n s o ri n f o r m a t i o n f u s i o nm e t h o do fn e u r a ln e t w o r kf a u l td i a g n o s i sa c c u r a c yr a t eh i g h e r k e y w o r d s ：e f i ( e l e c t r o n i cf u e li n j e c t i o n ) e n g i n e ： f a u l td i a g n o s i s ；r b f ( r a d i a l b a s i sf u n c t i o n ) ；i n f o r m a t i o nf u s i o n ；p c a ( p r i n c i p a lc o m p o n e n t a n a l y s i s ) 重庆交通大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独 立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论 文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文 的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本 人完全意识到本声明的法律结果由本人承担。 学位论文作者签名：支f 彦致日期：2 o 。7 年争月 重庆交通大学学位论文版权使用授权书 7 日 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权重庆交通大学可以将本学位论文的全部内容编入有关数据库进行检索， 可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。同时授权中国科 学技术信息研究所将本人学位论文收录到中国学位论文全文数据库，并进行 信息服务( 包括但不限于汇编、复制、发行、信息网络传播等) ，同时本人保留 在其他媒体发表论文的权利。 学位论文作者签名：多i ) 匆r指导撕签名燃球 日期：2 吖年节月7 同同期：2 哆年q - 月7 同 7 ， 本人同意将本学位论文提交至中国学术期刊( 光盘版) 电子杂志社c n k i 系 列数据库中全文发布，并按中国优秀博硕士学位论文全文数据库出版章程规 定享受相关权益。 学位论文作者签名：壶i7 列太 日期：扫叮年争月7 日 指导教师签名彳嚼喙杏卜 ，、-，u 醐呷钳月 第一章绪论 第一章绪论 1 1 发动机故障诊断的意义 发动机作为最常用的动力装置广泛的应用于工程机械、船舶、汽车等领域， 在工业生产中发挥着非常重要的作用，其运行状态的好坏直接影响到整个动力系 统的安全性和可靠性。随着其工作性能的不断改善，自动化程度的不断提高，外 加工作环境十分恶劣，使其故障发生的概率也越来越大，并且其诊断难度也在提 高。发动机故障诊断技术是伴随着发动机技术不断进步而逐步完善的过程。 发动机由过去单一的以机械结构为主体的产品到目前以机电液相结合的复杂 产品，使其故障诊断问题发生了质的变化。产品结构的复杂化、系统功能的多样 化、控制过程的自动化以及显示信息的智能化都成为发动机故障诊断过程中值得 注意而且必须考虑的关键问题。为了改变和突破发动机故障诊断以经验和技艺为 主的传统观点，以现代故障诊断理论和技术为基础，建立科学、系统、合理、完 善的发动机故障检测诊断系统，已成为目前发动机故障检测诊断行业的必然要求。 随着汽车工业的快速发展，汽车保有量的剧增，其能源危机、排气污染同趋 严重，引起了世界各国的高度重视，使得汽车不断在原有的基础上从结构上大革 命，以生产出无污染的绿色汽车，燃油喷射电子控制汽车也以极大的速度发展起 来，取代了传统的化油器式发动机汽车。汽车电子控制系统的广泛应用，提高了 汽车的安全性、动力性、经济性和排放性能，使汽车向智能控制的方向发展。同 时，汽车电控系统复杂程度r 趋提高，不仅人们对系统的可靠性提出了更高的要 求，而且汽车电控系统结构的复杂性，使电气线束增多、故障率增加、故障诊断 难度提高，给汽车维修工作带来越来越多的困难，对汽车维修技术人员的技术要 求也越来越高。为了及时发现故障，并采取相应的措施尽量减小其对汽车性能的 影响，各国都纷纷投入大量的人力和物力资源对汽车故障诊断进行研究和开发， 并不断扩大诊断的范围和功能l l 、2 j 。 1 2 发动机故障诊断技术 1 2 1 发动机故障诊断分类 发动机是一种复杂的机电一体化设备，其故障诊断大体上可以分为电器故障 诊断和机械故障诊断两大类p j 。 电器故障诊断 从部件功能上可将电器故障分为传感器故障、电控单元故障以及执行器故障。 对于传感器和执行器的短路、开路或接触不良等故障，现在的发动机自诊断 系统已能比较好的进行诊断，但对于功能部分失效等渐进性故障自诊断系统并不 2 第一章绪论 能很好的诊断，这也是电器故障诊断的难点。电控单元的故障可分为硬件故障和 软件故障：硬件故障主要表现为信号处理、驱动电路出现问题；软件故障出现的 比较少，主要是由于干扰引起程序的跑飞致使系统无法正常工作。 机械故障诊断 发动机机械运动是个动态过程，机械故障除了具有连续性、离散性、间歇性、 渐变性、随机性和模糊性外，由于发动机的零件成千上百，这些零件间又互相联 系，这使得发动机的故障呈现多层次性，故障现象和故障原因之间是多对多的对 应关系，这使得机械故障的诊断变得非常复杂，很难通过某个检测信息做出正确 的诊断。 1 2 2 发动机故障诊断方法 经验诊断法 传统的发动机故障诊断技术是建立在人工经验的基础上的，主要通过维修人 员的眼看、手摸来分析、判断，故障的类型和部位，这种方法经常需要对发动机 进行解体，对于有上千零件和复杂电子线路的发动机来说，显得是力不从心了， 并且这种诊断方法还依赖于维修人员长期的经验积累，既费时又不够准确，常会 出现误诊。 仪器检测诊断法 仪器检测诊断法就是利用各种检测仪器和设备测取发动机的各种运行参数， 通过对这些参数的分析来判断发动机的运行状况。目前用于汽车的检测仪器有： 万用表、压力表、真空表、油压表、流量计、示波器和气体分析仪等。这些仪器 为故障诊断提供了可靠的数据，可以进行定量的分析。 使用诊断仪的方法 现在很多汽车生产厂家或者其它的第三方公司都研发了一些专用或通用的汽 车故障诊断仪，诊断仪能把e c u 中的故障信息提取出来进行分析，以文字、曲线 等方式显示出来，有些诊断仪还可以现场把结果打印出来。这种方法简单快捷， 是目前使用最多的一种方法。 智能故障诊断方法【5 矗7 】 随着现代检测技术、信号分析技术、计算机技术和人工智能技术等各种新技 术的快速发展，它们在故障诊断领域的应用也越来越多，这些技术的应用将在很 大程度上弥补上述方法的不足，将使发动机的故障诊断变得更加简单、快速和准 确。 1 3 发动机故障诊断技术的应用现状及发展趋势 第一章绪论 1 3 1 国外汽车诊断技术的发展概况 2 0 世纪6 0 和7 0 年代，汽车故障诊断受到世界各国先进汽车生产厂家的普遍重 视，为提高产品的可维修性，美国、日本、德国和法国等国家相继研制了在线故 障诊断( o n - b o a r dd i a g n o s i s ) 装置【8 l 。这种故障诊断装置通过故障码的存储与读取， 借助汽车仪表板上的故障指示灯，反映系统的工作状况和故障发生部位。 进入了8 0 年代后，车内诊断是在发动机e c u 内部都设有简单的故障自诊断程 序，可以将汽车的故障状态以故障码的方式纪录在e c u 的r o m 中，并用相应的故 障指示灯进行提示，维修人员可按规定的程序读取故障码，并据此确定故障的部 位与原因，进而进行维修。但是自诊断系统设在e c u 内部，其诊断程序仅限于与 传感器有关问题，特别是只停留在与线束相关的短路、断路的故障诊断上，而且 考虑成本问题及e c u 中的数据输出也很难。因此，基于串行通信口的车外故障诊 断工具( 解码器) 得到迅速发展，它通过与e c u 交互式通信，获取更多的信息，诊断 功能有较大的提高【9 j 。如1 9 8 6 年美国通用汽车汽车公司推出t e c h 一1 型汽车诊断 仪，能显示车内诊断装置的诊断结果，并向e c u 输入控制参数，还可以进行运行 状态监测。 随着计算机的普及以及人工智能技术的发展，特别是专家系统、人工神经网 络在故障诊断领域的进一步应用，为智能汽车故障诊断的发展奠定了基础【io j 。到 目i j i 为止己有专家系统、模糊数学、灰色系统、神经网络、数据融合和范例推理 等多种诊断推理方法，这些方法中神经网络技术在最近几年的发展非常迅速，出 现了b p 神经网络、a r t s 0 经网络、i m f 神经网络和s o m 神经网络等多种网络模型。 同时为提高神经网络训练样本质量，又相继出现了神经网训练样本前期处理方法， 如主成分分析和粗糙集理论等技术方法【1 1 12 1 。这些智能化故障诊断技术理论的不 断完善极大地促进了汽车机械故障诊断系统研究水平的提高。数据融合故障诊断 方法主要应用于多个传感器通道信号的融合和不同诊断途径的诊断结论之间的融 合，以综合利用各种故障征兆信息提高诊断的准确率。 1 3 2 国内发动机故障诊断技术的发展状况 目前，我国生产的发动机故障诊断与检测的仪器品种很多，从外观形式上看， 可以分为以下三大类l l 列： 台架式结构 比较有代表性的产品有：济南无线电六厂生产的q f c 一5 型电脑综合检测仪、淄博市淄川测试仪器厂生产的d 卜1 0 0 0 型发动机故障检测 分析系统、济南历下微机应用研究所生产的w f j 一1 型微电脑发动机检测仪等； 便携式结构具有代表性的产品有：天津市电子仪器技术研究所生产的 y t 4 1 2 型发动机分析仪、重庆沙坪坝交通电子仪器厂生产的q f g d c - - 2 型发动机 4第一章绪论 故障电脑测试仪等； 袖珍式结构具有代表性的产品有：机械电子工业部华中精密仪器厂生产 的w c y - 一1 型发动机微型检测仪，中外合资湖北依驰电子工程有限公司生产的 g e d - - p 2 型发动机检测仪。 2 0 世纪9 0 年代以后，清华大学、西安交大、中科泛华电子科技公司以及哈 工大仪器王电子有限公司等高校和公司，在研究和开发虚拟仪器产品和虚拟仪器 设计平台等方面作了大量工作，其成果已在发动机故障诊断和检测、自动计量及 控制系统等方面得到广泛的应用。目前，哈尔滨工业大学仪器王电子有限公司已 有系列产品面世；清华大学汽车工程系利用虚拟仪器技术构建的汽车发动机检测 系统，已用于汽车发动机的出厂检测，主要检测发动机的功率性、负荷性等。 尽管我国在发动机诊断和检测技术上有了长足的进步，但总的来说，国内在这个 领域里起点低、起步晚、整体水平相对落后，与国际先进水平仍有一定差距。 1 4 论文的主要内容 本论文以发动机故障为特定研究对象，以m a t l a b 为开发平台，主要以电 控发动机怠速不稳的故障诊断为例，应用主成分分析法进行特征提取，对基于特 征层的多传感器信息融合技术与神经网络技术结合的智能故障诊断方法进行了研 究。论文所做工作包括以下几部分的内容： 指出了进行电喷发动机故障诊断方法研究必要性以及发动机故障诊断技术 发展的现状、存在的问题与未来的发展趋势。 对发动机故障诊断理论以及方法进行了详细的介绍。重点阐述了神经网络 理论。 介绍了电喷发动机电控系统的基本组成和结构，分析了主要传感器及执行 器的波形与故障的关系，总结了电喷发动机常见故障征兆和故障原因的对应关系。 分析了电喷发动机怠速不稳的原因。分析了数据的特征选择和基于主成分 分析的特征提取。最后分析了基于神经网络的信息融合中心的设计。 在m a t l a b 环境下，创建了结合主成分分析和信息融合技术的r b f 神经 网络，并对怠速不稳故障进行了仿真研究，最后比较了多传感器信息融合神经网 络与单传感器信息神经网络对怠速不稳故障的诊断结果；分析了使用主成分分析 对神经网络的影响。 第二章故障诊断理论及方法 第二章故障诊断理论及方法 2 1 汽车故障诊断的基本概念 “诊断”一词是根据医学名词沿引而来【3 j 。在医学诊断中，采用的是由现象判 断本质的方法，这一方法推广到工程技术领域，逐步形成了故障诊断学这一新兴 学科。 国标g b 5 6 2 4 8 5 “汽车维修术语 中对汽车诊断常用术语作了如下规定： 汽车诊断在不解体的条件下，确定汽车技术状况，查明故障部位及原因 的检查。 汽车故障汽车部分或完全丧失工作能力的现象。 根据上述定义有学者将汽车故障诊断定义为：汽车故障诊断就是一个通过状 态监测信息对故障进行模式识别的过程i l 训。 故障诊断的前提是建立设备状态特征信息和故障类型之间的关系模型，在实 际诊断中，是通过检测设备状态特征信息来识别机械设备的性能状态。一般来讲 机械设备的故障状态并非绝对清晰，存在着一定的模糊性，加上测量误差的存在， 各类故障状态所对应的特征值会在一定的范围内变动，在这种情况下，故障诊断 成为以特征信息向量为基础的模式识别问题。 2 2 故障诊断方法 故障诊断技术发展至今，已产生了很多不同的分类方法。概括地讲，故障诊 断方法可以划分成基于信号分析处理的故障诊断方法、基于解析模型的故障诊断 方法和基于人工智能的故障诊断方法三种。 2 2 1 基于信号分析处理的故障诊断方法 基于信号处理的故障诊断方法，就是利用相关函数、频谱、小波变换等信号 分析处理方法直接分析可测信号，提取诸如方差、幅值、频率等特征值，使用这 些特征值和正常特征值比较，从而检测出故障。 近年来出现的基于信号处理的方法主要有以下几种。 小波分析方法1 1 5 1 6 1 小波分析是目前科学界和工程界研究的一个热点，在信号处理领域小波分析 是一种新的时一频分析方法，在时域和频域上同时具有良好的局部化特性，非常 适合机械故障诊断中的非平稳信号的分析。故障诊断时，对采集的信号进行小波 变换，在变换后的信号中除去由于输入变化引起的奇异点，剩下的奇异点即为系 统发生的故障点。基于小波变换的方法可以区分信号的突变和噪声，故障检测灵 6第二章故障诊断理论及方法 敏准确，克服噪声能力强，但在大尺度下会产生时间延迟，且不同小波基的选取 对诊断结果有影响。 主成分分析方法【1 7 】 主成分分析是一种有效的数据压缩和信息提取方法。主成分分析用于故障诊 断的基本思想是：对过程的历史数据进行分析建立正常情况下的主成分模型，一 旦实测信号与主成分模型发生冲突，就可判断故障发生，通过数据分析可以分离 出故障。主成分分析对数据中含有大量相关冗余信息的故障的检测与分离非常有 效，而且还可以作为信号的预处理方法用于故障的特征量提取。 在目前的故障诊断领域上述方法很少单独使用，一般是将它们与其它的方法 如与模糊集合论、神经网络理论等方法相结合，作为信号的前处理形成一种新的 故障诊断方法。 2 2 2 基于解析模型的故障诊断方法 基于解析模型的方法是在明确了诊断对象数学模型的基础上，按一定的数学 方法对被测信息进行诊断处理，可分为以下几种方法。 基于直接测量输入、输出的方法 这种方法是直接测量被诊断对象有关的输出量，如果输出超出正常的变化范 围，则认为对象以发生故障。这种方法简单，但容易发生误判和漏判。 基于状态估计的方法 被诊断过程的状态直接反映系统的运行状态，通过估计出系统的状态并结合 适当模型则可以进行故障诊断。首先重构被诊断过程的状态，并构成残差序列， 残差序列中包含各种故障信息。基于这个序列，通过构造适当模型并采用统计检 验方法，才能把故障从中检测出来并做进一步的分离估计和决策。状念估计方法 主要是状念观测器和滤波器。这种方法发展至今己形成3 种基本方法： 基于过程参数估计的方法 基于过程参数估计的方法不需要计算残差序列，而是根掘参数变化的统计特 性来检测故障的发生，而后进行故障的分离。 目前基于解析模型的方法得到比较深入的研究，只要模型抽象得正确，就能 够诊断所有可能的故障。基于解析模型的诊断可以根据系统的组成元件和元件之 i 日j 的连接对产生的故障给出令人信服的解释。但在实际情况中，常常难以获得对 象的精确数学模型，这就大大限制了基于解析模型诊断方法的使用范围和效果。 2 2 3 基于人工智能的故障诊断方法 近年来，人工智能及计算机技术的飞速发展，为故障诊断技术提供了新的理 论基础，产生了基于人工智能的诊断方法，此方法由于不需要对象的精确数学模 第二章故障诊断理论及方法 7 型，而且具有“智能”特性，因此是一种很有前途的方法。基于人工智能的故障诊断 方法主要可以分为：基于专家系统故障诊断方法、基于模糊数学的故障诊断方法、 基于故障树的故障诊断方法、基于神经网络的故障诊断方法和基于信息融合的故 障诊断方法。 基于专家系统的故障诊断方法【婚】 专家系统故障诊断方法，是指计算机在采集被诊断对象的信息后，综合运用 各种规则，进行一系列的推理，必要时还可以随时调用各种应用程序，运行过程 中向用户索取必要的信息后，就可快速地找到最终故障或最有可能的故障，再由 用户来证实。此种方法国内外已有不少应用。专家系统故障诊断方法由数据库、 知识规则库、人机接口、推理机等组成。 基于专家系统的故障诊断方法又分为基于浅知识的诊断方法、基于深知识的 诊断方法及基于浅知识和深知识的混合诊断方法。 专家系统故障诊断其根本目的在于利用专家的知识、经验为故障诊断服务。 目前在机械系统、电子设备等方面已有成功的应用。但专家系统的应用依赖于专 家的领域知识获取。知识获取被公认为专家系统研究开发中的“瓶颈”问题，另外， 在自适应能力、学习能力及实时性方面也都存在不同程度的局限。 基于模糊数学的故障诊断方法i l 9 】 模糊故障诊断是通过研究故障与征兆之间的关系来判断设备状念。由于实际 因素的复杂性，故障与征兆之间的关系很难用精确的数学模型来表示，随着某些 故障状态模糊性的出现，就不能用“是或否有故障”的简易诊断结果来表示，而要求 给出故障产生的可能性及故障位置和程度如何。此类问题用模糊逻辑能较好地解 决，这就产生了基于模糊数学的故障诊断方法。 基于模糊数学的故障诊断方法是利用模糊集合论中的隶属函数和模糊关系矩 阵的概念来解决故障与征兆之间的不确定关系，进而实现故障的检测与诊断。这 种方法计算简单，应用方便，结论明确直观。在模糊故障诊断中，构造隶属函数 是实现模糊故障诊断的前提，但由于隶属函数是人为构造的，含有一定的主观因 素；另外，对特征元素的选择也有一定的要求，如选择的不合理，诊断结果的准确 性会下降，甚至造成诊断失败。 基于故障树的故障诊断方法【2 0 2 1 】 故障树模型是一个基于被诊断对象结构、功能特征的行为模型，是一种定性 的因果模型，以系统最不希望事件为顶事件，以可能导致顶事件发生的其他事件 为中间事件和底事件，并用逻辑门表示事件之间联系的一种倒树状结构。它反映 了特征向量与故障向量( 故障原因) 之间的全部逻辑关系。在利用故障树进行故障搜 寻与诊断时，根据搜寻方式不同，可分为逻辑推理诊断法和最小割集诊断法。具 第二章故障诊断理论及方法 有同时兼顾基于规则和基于定量模型诊断的优点。随着图理论和信息论的发展和 完善，出现了故障图理论，它的出现对非线性复杂系统的故障的自动搜索和分析 更加准确和便捷，是一个可靠性分析和故障诊断的很好的发展方向。 基于神经网络的故障诊断方法 对于故障诊断而言其核心技术是故障的模式识别，而人工神经网络由于其本 身信息处理特点，如并行性、自学性、自组织性、联想记忆功能等，使其能够出 色解决那些传统模式识别方法难以圆满解决的问题，所以故障诊断是人工神经网 络的重要应用领域之一。目前神经网络是故障诊断领域中的一个研究热点。已有 不少应用系统的实例。 神经网络在设备诊断领域的应用研究主要集中在两个方面：一是从模式识别 的角度应用它作为分类器进行故障诊断；二是将神经网络与其它诊断方法相结合 而形成的复合故障诊断方法。模式识别的神经网络故障诊断过程，主要包括学 - d ( i j l j 练) 与诊断( 匹配) 两个过程。其中每个过程都包括预处理和特征提取两部分。 基于信息融合的故障诊断方法 信息融合就是利用计算机对来自多传感器的信息按一定的准则加以自动分析 和综合的数据处理过程，以完成所需要的决策和判定。目前信息融合在军事领域 中已有广泛的应用，但在设备故障诊断中的应用还是近年来的事情。信息融合应 用于故障诊断的起因有三个方面：一是多传感器形成了不同通道的信号；二是同 一信号形成了不同的特征信息；三是不同诊断途径得出了有偏差的诊断结论。融 合诊断的最终目标是综合利用各种信息提高诊断准确率。目前，信息融合故障诊 断方法主要有b a y e s 推理、模糊融合、d s 证据推理及神经网络信息融合等。 2 3 径向基函数神经网络原理 径向基函数( r b f ) 神经网络是由j m o o d y 和c d a r k e n 于2 0 世纪8 0 年代术 提出的一种神经网络。径向基函数方法在某种程度上利用了多维空间中传统的严 格插值法的研究成果。r b f 网络常用于函数逼近和模式分类1 2 引。 2 3 1r b f 神经网络结构 r b f 神经网络结构 最基本的径向基函数( r b f ) 神经网络由输入层、隐层、输出层三层构成， 其中每一层都有着完全不同的作用。第一层是输入层，由信号源结点组成，输入 的数目等于所研究问题的独立变量数，第二层为隐含层，网络中间层与输入层之 间通过一定的权值连接，将输入信号传递到隐含层；第三层为输出层，它对输入 模式的作用做出响应。其结构如图2 1 。r b f 神经网络中，由于径向基函数是非 线性的，所以从输入空间到隐含层空间的变换是非线性的，而从隐含层空间到输 第二章故障诊断理论及方法9 出层空间的变换则是线性的，即隐含层的输出信号通过线性加权求值作为输出层 结点的输出值。 r b f 神经网络的隐含层神经元是有诸如高斯函数的作用函数构成，隐层中的 基函数对输入激励产生一个局部化的响应，即仅当输入落在输入空间中一个很小 的指定区域中时，隐单元才做出有意义的非零响应，由此看出这种网络具有局部 逼近能力，所以r b f 神经网络也被称为局部感应场网络；输出层神经元将隐含 层的输出做简单的线性组合。最终，整个网络实现从输入x = x 1 ，x 2 x n n 输 出y = y 1 ，y 2 y m ) 的映射。 l l - + 勘叶 1 k 叶 叶羚 + 强 输入层隐藏层 输出层 图2 1r b f 神经网络的结构 f i 9 2 1 r b fn e u r a ln e t w o r ks t r u c t u r e r b f 神经网络输出计算 由上面的分析可知，r b f 神经网络的映射关系由两部分组成( 设输入，2 维向 量x ，输出m 维向量】，输入输出样本对长度为l ) ： 第一部分：从输入空间到隐含层空间的非线性变换层 r b f 神经网络隐含层第f 个节点的输出为： q ，= r 硼一c ，8 ) ( 2 1 ) 其中，x 为力维输入向量；c ，为第f 个隐节点的中心，f = 1 , 2 ，h 。1 1 1 l 通常为欧 氏范数，表示维空间中矢量之间的距离；尺( ) 为r b f 函数，具有局部感受的 l o第二章故障诊断理论及方法 特征，是一种局部分布的对中心点径向对称衰减的非负非线性函数，它有多种形 式，体现了r b f 网络的非线性映射能力。一般取为g a u s s 函数： i i1 1 2 r ，( x ) ：e x p ( 一骅) ( f ：1 ，2 ，聊) ， ( 2 2 ) 么仃 ( r ，是隐含层第f 个单元的输出，盯2 为归一化参数( 基函数宽度) ，该参数可自 由选择，也可通过计算获得，它决定该中心点对应基函数的作用范围。 x = g 。，x ：，x 。) 7 是输入层的输入矢量，c ，为第f 个单元基隐含层函数聚类中心 向量( 每个隐含层神经元的中心向量存储在其与输入各种神经元之间的连接权中， 一般通过某种聚类方法得到) 。 第二部分：从隐含层空间到输出层空间的线性合并层 网络输出层第k 个节点的输出为隐节点输出的线性组合： y = w q o k ( 2 3 ) 其中，w k ，为q ，jy 。的连接权；o k 为第k 个输出节点的阈值。 2 3 2r b f 神经网络的学习算法 在r b f 神经网络中，输出层和隐含层所完成的任务不一样，因而它们的学习 策略也不一样。输出层是对线性权值进行调整，采用线性优化策略，学习速度很 快。而隐含层是对作用参数进行调整，采用非线性优化策略，学习速度较慢。通 常的r b f 神经网络的训练与设计分为两步，第一步是采用非监督式的学习训练 r b f 层的权值，即隐含层径向基函数的中心的确定阶段。第二步是采用监督式学 习训练线性输出层的权值，即径向基函数权值学习调整阶段。网络设计需要用于 训练的输入矢量矩阵p 以及目标矢量矩阵t ，另外还需要给出r b f 层伸展常数c ， 训练的目的就是为了求得两层网络的权值彤和暇及偏差b 和b ，。 r b f 神经网络的中心参数的确定 确定r b f 神经网络的中心参数的常见方法有： 1 ) 随机选取r b f 网络的中心 这是一种最简单的方法，其基本思想是：隐含层单元r b f 网络的中心是随机 地在输入数据中选取，让中心固定不变。r b f 网络的中心确定以后，隐含层的输 出也就确定了，这样就可以通过求解线性方程组求出网络的连接权值，采用这样 方法必须要保证样本数据具有代表性，否则效果就不好。 2 ) 组织学习选取r b f 网络的中心 这是一种混合学习方法，r b f 网络的中心是可以移动的，并通过自组织学习 第二章故障诊断理论及方法 确定其位簧，而输出层线性权值则通过有监督学习规则进行计算。它是一种无导 师学习，也称为非监督学习，是对所有样本的输入进行聚类，求得隐含层节点的 r b f 网络的中心1 7 ；。常用的k 均值聚类算法步骤如下： ( 1 ) 初始化：初始化聚类中心c 疋= 1 , 2 ，z ) ，一般是随机从输入样本 x ( ，= 1 , 2 ，2 ) 中选择，个样本作为聚类中心。 ( 2 ) 相似匹配：计算距离( 欧氏空间) 并求出最小距离的节点： d ，( t ) = i i x ( d - c ，( 1 - 1 ) i l 1 f h d m 访o ) = m i n d ，o ) = d r o ) ( 3 ) 调整中心：c t o ) = c ，( f 一1 ) 1 i 办，i 尸 c ，o ) = c r o 1 ) + g o ) 一c ，( f 一1 ) ) i = ，0 1 ， 夕是学习速率 ( 2 4 ) ( 2 5 ) ( 2 6 ) ( 2 7 ) ( 4 ) 将t 值加1 ，回到第2 步，重复上述过程，直到中心c ，的改变量很小 时为止。 权值调整算法 权值调整算法一般使用正交最小二乘算法( o l s ) ，o l s 是一种回归算法， 它利用j 下交优选方法找出神经网络的最佳隐含单元数日，从而确定最小的网络结 构，同时算出具体权值。具体过程如下： 设给定n 组输入输出样本b p ，d p ) p = 1 , 2 ，n n1n 2。 n肼，、 定义误差函数：e = e p = 寺归p y p 8 = 百i i v p 护一j ，护) ( 2 8 ) 1 ) 权值初始化( o ) 2 ) 计算隐含层单元的输出“妒= r 内一f ，8 ) ( 2 9 ) 3 ) 计算输出单元的输出y p 0 ) = o _ 妒 ( 2 1 0 ) 4 ) 计算误差e p o ) = 毒肛，o ) 一少，o 躯= 吾p ；( f ) ( 2 1 1 ) 第二章故障诊断理论及方法 5 ) 调整权值其嘞一为学习因子，嘶2 卉 帅加1 ) - 啪h 静 ( 2 1 2 ) 其中口为常数，0 口 2 3 图3 3 燃烧区波形杂乱 f i 9 3 3t h ew a v e f o r mo fb u r n i n ga r e ad i s a r r a y 第二章电喷发动机故障诊断研究 2 ) 燃烧区波形向下倾斜如图3 4 所示。这种波形比较常见，大部分情况是由火 花塞脏污或积炭引起的。由于次级电路的电阻太大，大的电阻消耗了能量，使火 花塞的有效放电能量减小。此时要注意检查火花塞的热值、混合气浓度、气门油 封等情况。 1 5 u p 芒 3 图3 4 点火波形向下倾斜 f i q 3 4t h ei g n i t i o na r e aw a v e f o r md o w n w a r d sd e c l i n a t i o n 3 ) 燃烧区波形向上倾斜并伴有杂波如图3 5 所示。该气缸可能漏气，由于泄漏 造成的混合气流动，流过电极，使放电电弧向流动方向伸长，并对电极起冷却作 用，因此使维持火花放电的电压随之提高，引起点火电压波动。该故障常表现为 气门密封不严。 1 5 u p 2 3 图3 5 点火波形向下倾斜并伴有杂波 f i 9 3 5t h ei g n i t i o na r e aw a v e f o r md e c l i n a t i o na n dw i t ht o u s l e 4 ) 燃烧区波形杂乱且波动较大如图3 6 所示。这是由于火花塞断火后又再跳火 造成的。任何一种点火系统都有一定断火率，当断火率超过一定程度，就表现为 故障。这种故障是由火花塞积炭、分电器损坏、气门弹簧损坏、气缸压力低、混 合气稀等原因引起。 第二章电喷发动机故障诊断研究 1 5 u p 弩 3 图3 6 点火波形杂乱且波动较大 f i 驴6t h ei g n i t o na r e aw a v e f o r et o u s l ea n df l u c t u a t i o n 5 ) 第1 次振荡少振荡区应有3 5 个振荡波，如果少于3 个振荡波，则表明点火线 圈初级电路不良( 有高电阻) 或电容器容量小或漏电。 点火波形可以很直观地反映出点火系统各部位的工作情况，通过波形分析，能 快速、准确地查出故障原因。以上以传统点火系统为基础。介绍了常见波形的产 生原因。不同厂家的产品( 尤其是电子点火系统) ，其点火波形有不同的特点。在 工作中要结合实际情况进行分析。 3 2 2 喷油器波形分析 喷油器按驱动器的不同可以分为饱和开关型、峰值保持型矛i p n p 型等三种。 饱和开关型喷油器主要在多点喷射系统中使用，下面以饱和开关型喷油器为例分 析喷油器波形，如图3 7 所示【2 8 】： 峰值电压 f l 一 蓄电池电压 图3 7 喷油器波形图 f i 够7t h ei m p u l s ew a v e f o r m 波形下降沿和上升沿的时间差为喷油时间即喷油脉冲宽度，脉冲宽度越 大，喷油量越大。 波形的高电平约为蓄电池电压，低电平一般应小于0 5 v ，并保持平直。如 第三章电喷发动机故障诊断研究 1 9 果高电平过低，则说明电源线或喷油器接触不良，或者是负极控制线短路；若低 电平过高，则很可能是负极控制线接地不良。 发动机加速时，脉冲宽度应随速度的增大而增大，怠速时，脉冲宽度一般 为l - 6 m s ：节气门全开时，脉冲宽度一般为6 3 5 m s 。 3 2 3 氧传感器波形分析 氧传感器是进行闭环反馈控制的主要元件之一，必不可少。正常工作时，氧 传感器随时测定发动机排气管中的氧含量( 浓度) ，以检测发动机燃烧状况。因此， 当发动机出现燃烧故障时，必然引起氧传感器电压信号的变化，这就为通过观察 氧传感器的信号波形判断发动机某些故障提供可能【2 9 】。 氧传感器的正常波形 常用的汽车氧传感器有氧化锆式和氧化钛式两种。以氧化锆式为例，正常情 况下当闭环控制时，氧传感