基于自适应模糊神经网络的发动机故障诊断

马继昌，司景萍，牛嘉骅，王二毛

（内蒙古工业大学 能源与动力工程学院，呼和浩特 010051）

基于自适应模糊神经网络的发动机故障诊断

马继昌，司景萍，牛嘉骅，王二毛

（内蒙古工业大学 能源与动力工程学院，呼和浩特 010051）

发动机是车辆的核心部件，及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性，避免事故发生具有重大的意义。以某型号发动机为研究对象，运用测试技术、信号处理、小波分析、神经网络和模糊控制理论，提出了自适应模糊神经网络发动机故障诊断。首先建立了发动机故障信号采集试验台，在试验台上人工模拟四种工况，通过加速度传感器采集正常工况和异常工况的振动信号。再利用小波理论对采集到的振动信号进行消噪处理，提高信噪比，并提取出故障信号的特征值，作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络，即对发动机故障进行模式识别。通过仿真分析，取得了很好的诊断效果；同时与传统的BP神经网络故障诊断方法进行对比，无论在诊断精度上还是学习速度上，模糊神经网络在故障诊断中更具有优势。

振动与波；小波分析；模糊理论；BP神经网络；故障诊断

汽车发动机智能故障诊断技术是指在发动机不解体的情况下，利用测试技术、信息处理技术、智能故障诊断技术等，对发动机产生的各种信号进行测试和诊断[1]。随着现代科学技术的发展，自动化系统的结构越来越复杂，其产生故障的复杂性增大，仅靠一种理论或者一种方法，难以实现复杂条件下对故障及时准确诊断，而两种或者两种以上的智能方法的结合，兼顾了实时性和精确度，这一趋势成为智能故障诊断的必然发展方向[2]。目前在众多智能诊断技术融合方法中，模糊推理和神经网络的融合理论备受关注。模糊推理的长处在于对知识规则的推理能力，神经网络的长处表现在知识的获取与学习能力上。文献[3]中将二者结合形成的模糊神经网络，可克服各自缺点，充分发挥各自优点，使得系统具有较强的自学习能力，为复杂系统的故障诊断提供有效的工具。

基于此，本文对所研究的发动机进行故障设置，进行发动机在正常工况和发动机工作异常时的振动信号采集，利用小波包分析方法对信号消噪，增强信噪比，提取故障特征向量，通过模糊神经网络诊断技术进行故障模式识别。并对模糊神经网络与BP神经网络的诊断识别进行对比分析。

1 信号特征向量的提取

1.1 小波分析

小波分析是一种对信号进行时频域分析的方法之一，具有多分辨率分析的特点，而且在时域和频域内都具有表征信号局部特征的能力。小波变换是傅里叶分析思想的发展与延伸，可以用不同的“放大倍数”观测信号；对于时变，非平稳信号是一种比较理想的处理方法[4]。

小波分析建立在小波变换的基础上，主要讨论的函数空间为L2(R)，L2(R)是指R上平方可积函数构成的函数空间。

若Ψ(t)∈L2(R)，其傅里叶变换ψ∧(w)满足容许性条件

即Cψ有界，则称ψ(t)为一个基小波或母小波。将母小波进行伸缩平移变换之后，就可以得到一个小波序列

式中a,b∈R且a≠0。a为伸缩因子，反映函数的宽度，决定了小波变换中频率的信息，b为平移因子，用来检测窗口在t轴的位置，决定了变换后时域内的信息，由此可知，小波变换具有频域和时域定位特性。

则信号的连续小波变换在L2(R)中被定义为

从上式中可以看出，小波变换的实质即指原始信号与小波序列函数做内积，将L2(R)空间中的任意函数f(t)表示为在具有不同伸缩因子a和平移因子b的ψa,b(t)上的投影叠加，通过调整伸缩因子和平移因子，就可以达到对信号时频局部化分析的目的。小波分解示意图如图1所示。

图1 小波分解示意图

其中S为原始信号，cA1为第一层低频信号，cD1为第一层高频信号，cA2、cD2分别为cA1分解的低频、高频信号，cA3和cD3是cA2分解的低频和高频信号。

1.2 基于小波包特征量的提取

为了克服小波分解只对低频信号分解的缺点，人们在小波分解理论的基础上提出了小波包分解。

小波包分解不仅对信号低频部分分解，同时也对高频部分分解，是一种更为精细的信号分析方法。利用小波包分解提取特征向量，可以更全面的反应故障信息，为故障模式识别提供有效依据，其基本步骤为：

①对信号进行小波包消噪，并对消噪后的信号进行N层分解，得到2N个子频带；

②利用重构函数，对各个子频带重构，得到重构系数，并计算各个节点能量值；

③进行归一化处理，得到特征向量。三层小波包分解如图2所示。

图2 小波包分解示意图

2 故障振动信号的模式识别

2.1 模糊神经网络

模糊推理利用模糊规则，模拟人脑模糊逻辑思维，在宏观上进行问题的处理，可以实现函数的逼近功能，而神经网络由神经元构成，利用其自学习能力，调节权重矩阵，在微观上完成输入到输出任意精度的非线性映射。二者结合形成的模糊神经网络，克服了各自缺点，同时发挥各自优点，使得系统不但具有较强的自学习能力，同时具有较强的知识表达能力，易于理解。

2.2 系统的结构与功能

模糊神经网络具有较强的数据处理能力和自学习能力，其结构如图3所示。

图3 模糊神经网络结构图

该系统共有五层[5]：

第一层为输入层，输入层的节点数由信号特征向量的维数决定，每一个节点代表一个特征值，不加处理的直接输入到下一层。

第二层为模糊化层，其作用是通过选取合适的隶属度函数对输入征兆进行模糊化。采用高斯函数作为模糊隶属度函数对输入变量进行模糊化

式中uij为第i个输入变量隶属于第j个语言变量的隶属度函数，i=1,2,…n，j=1,2，…r；cij为隶属函数uij的中心值，σij为隶属函数uij的宽度值。

第三层为规则层，亦即BP网络隐含层。利用模糊规则实现模糊输入到模糊输出的非线性映射。采用乘积推理计算出每一条规则的激活强度

式中m为该模型的模糊规则数。

该层节点数的多少可由公式

确定。其中，n为隐含层节点数，ni为输入层节点数，no为输出层节点数，a为1～10之间的常数。n的取值并不是固定不变的，要反复试验调整。在满足系统误差要求及学习速率的前提下，最少迭代次数下对应的节点数。

第四层为模糊化输出层，输出的是模糊化数值，该值的大小代表故障存在的可能性程度，其节点数等于故障原因的总数。

第五层为加权输出层，即把模糊集合映射成精确输出集合，通常采用最大值去模糊化方法，得到清晰的故障原因。

式中ydp和yp分别为输出层第p个节点的期望输出与实际输出值。

（4）计算参数的修正加权系数，修正参数有

网络连接权值

式中wj为BP神经网络的连接权值。

2.3 模糊神经网络的学习算法

网络学习的过程，就是更新网络连接参数的过程，目的在于确定高斯函数的中心值cij和宽度值σij，以及网络的连接权值wj的合适值，使得网络性能最优。根据系统的实际输出值和目标值计算出学习误差，误差反向传播对系统的条件参数进行调整。具体调节过程如下：

（1）初始化网络，置各个连接权值wj和隶属度函数的中心值、宽度值为趋于0的随机数。

（2）学习样本输入：输入向量Xp（p=1,2,…p)和目标输出Yp（p=1,2,…p）。

（3）计算网络的实际输出与期望输出之间的误差

其中（j=1,2，…r）

隶属函数中心值

其中（i=1,2，…p；j=1,2，…r）

隶属函数宽度值

其中（i=1,2，…p；j=1,2,…r）

上述各式中：η为学习效率，n为迭代次数。

当网络实际输出与理想输出一致时，表明训练结束，否则通过误差反向传播，修正各层参数，直至误差降到要求范围内[6]。

3 发动机故障诊断

3.1 信号采集系统建立

本文以DA 462型汽油发动机为测试对象，研究引起发动机振动异常的主要激振源，即燃烧激励和进排气门开启落座激励。将发动机振动系统简化为多输入单输出的数学模型，通过测取缸盖振动信号，完成信号的采集。试验台及传感器布置如4图：

在发动机故障模拟实验台上，将两个加速度传感器分别粘贴在一缸和四缸缸盖的螺钉上，用来采集发动机振动信号，安装位置如图5所示。

图4 发动机振动信号采集示意

图5 一缸和四缸缸盖上的加速度传感器

两个加速度传感器与振动测试仪相连接，采集到的振动信号通过振动测试仪的USB数据接口输入到计算机，利用电脑上安装好的Lab View软件对信号进行分析和处理，振动测试仪与故障模拟试验台连接如图6所示。

图6 测试仪器与故障模拟试验台现场图

在搭建好的发动机故障实验台上，人工模拟四种故障工况，工况1为无故障，工况2为一缸缺火故障，工况3为一缸排气门异常，工况4为一缸排气门异常同时缺火故障。将加速度传感器、曲轴位置传感器按图示位置安装，连接好检测仪器，采集发动机的振动信号。

3.2 故障信号的特征向量提取

本文首先对采集到的信号进行消噪处理，然后利用db 3小波函数对消噪后的信号进行三层小波包分解与重构，并以第三层8个子频带的能量值，构造特征向量，归一化处理，提取故障特征。信号的采样频率设置为24 000 Hz，根据采样定理，采集到的信号频率为0 Hz～12 000 Hz。将处理好的数据分成两组分别作为模糊神经网络的训练和测试数据，分别如表1和表2所示：

3.3 发动机故障诊断仿真

本文中ANFIS界面参数设置为：输入变量的隶属度函数取为gauss函数，隶属度函数的个数取2；模糊推理系统的训练学习方法为BP学习算法，误差设置为0.001，训练迭代次数为50。载入训练数据对网络进行训练。数据输出的标准模型为：无故障输出为1，一缸缺火输出为2，一缸排气门异常输出为3，一缸排气门异常同时一缸缺火输出为4。

图5所示为表1数据作为输入得到的自适应模糊神经网络训练误差图。

图7 自适应模糊神经网络训练误差图

将表2中的测试样本数据写入chk Data.dat文件中，通过评价函数fuzout=evalfis(chkData,fismat）实现对网络性能的评价，同时调用误差函数mse，计算实际输出与理想输出的平均误差，其测试输出值如表3。

由图5和表3可以看出，ANFIS训练误差收敛的速度比较快，实际输出与理想输出之间误差很小，模糊神经网络能够成功的识别出四种模拟故障，表明自适应模糊神经网络能够应用于发动机故障诊断与识别。

表1 发动机故障诊断训练样本数据

表2 发动机故障诊断测试样本数据

表3 自适应模糊神经网络测试输出值

3.4 ANFIS网络与BP网络诊断性能比较

BP神经网络的设置参数为：输入神经元为8，输出神经元为4，综合考虑网络的性能和学习速度，将隐含层神经元数设置为11，隐含层采用的传递函数采用tansig，输出层神经元的传递函数采用purelin，目标误差为0，训练步数为300。数据的输出标准模型为：无故障输出为（1 0 0 0），一缸缺火输出为（0 1 0 0），一缸排气门异常为（0 0 1 0），一缸排气门异常同时缺火输出为（0 0 0 1）。载入训练和测试样本数据，对BP网络进行训练和测试。

网络训练误差图和网络测试输出值如图6和表4。

表4 BP神经网络测试值

从表3和表4中可以看出两种网络都能对故障进行正确的识别，且自适应模糊神经网络训练平均误差低于BP神经网络，对比图5和图6可以看出，ANFIS网络的收敛速度明显高于BP网络的收敛速度。所以从总体来讲，ANFIS自适应模糊神经网络的诊断效果较好，诊断精度高。

Engine Fault Diagnosis Based onAdaptive Fuzzy Neural Network

MA Ji-chang,SI Ji-ping,NIU Jia-hua,WANG Er-mao
(College of Encygy and Power Engineering,Inner Mongolia University of Technology, Hohhot 010051,China)

Engine is a very important part of the vehicle.Timely recognizing and suppressing the engine faults have important significance for reducing maintenance costs and economic loss,raising the reliability of engine operation and avoiding accidents.In this paper,using measurement technique,signal processing,wavelet analysis,neural network and fuzzy control theory,an engine fault diagnosis method was proposed based on adaptive fuzzy neural network(AFNN)algorithm.A test bench was established for fault signal acquisition of the engine.Four kinds of artificial conditions were simulated on the test bench,and the vibration signals in the normal and abnormal operation conditions were collected through the acceleration sensors.Then,using wavelet theory,de-noising process was done for the collected vibration signals to raise the signal-tonoise ratio and extract the characteristic values of the fault signals as the network training sample data and testing sample data.Finally,the sample data was used for training and testing the adaptive fuzzy neural network to recognize the engine failure.Good diagnosis results were obtained through the simulation.Compared with the traditional BP Neural Network diagnosis methods,the fuzzy Neural Network has more advantages in fault diagnosis no matter in learning speed or accuracy of the diagnosis.

vibration and wave;wavelet analysis;fuzzy theory;BP neural network;fault diagnosis

U472.42；U467.4

A

10.3969/j.issn.1006-1335.2015.02.037

1006-1355(2015)02-0165-05+174

2014－09－23

内蒙古自然基金（2012MS0704）；内蒙古高校科研基金重点（NJZZ11070）

马继昌（1990－），男，在读硕士研究生,主要研究方向：汽车故障与诊断。E-mail:majichang1990@sina.com

司景萍（1955－），女，教授，硕士生导师，从事车辆智能诊断教学与研究工作。E-mail:sjp1955@sina.cn