专利名称：发动机主动故障质检与智能故障诊断方法
技术领域：
本发明属于智能故障诊断技术领域，具体涉及一种发动机主动故障质检与智能故 障诊断方法。
背景技术：
发动机作为工程机械的心脏，其性能的优劣直接关系到工程机械整个系统运行的 动力性、经济性，可靠性，环保性以及安全性。随着发动机强化程度的提高，发动机的结构也 变得非常复杂，工作条件也十分恶劣，发生故障的可能性大大增加。但由于发动机很昂贵， 在运用神经网络进行预测时需要学习样本，而学习样本的精确度和可靠性对整体的故障诊 断性能有举足轻重的影响，故障的获取存在成本大的问题。1基于油液分析的方法.以获取柴油机润滑油中磨损金属微粒的形态、尺寸、数 量、成分和种类分布为依据进行特征分析，进而确定关键摩擦副的磨损形态，通过对油品性 能和主要污染物水平的动态分析，能够及时掌握油品效能的变化，预测可能发生的故障。2基于灰色理论故障诊断方法.把柴油机系统看成是一个复杂的灰色系统，利用 存在的已知信息去推知含有故障模式的不可知信息的特性，状态和发展趋势。其特点是准 确率高，计算量小，并且易于计算机实现。3瞬时转速脉动诊断法，柴油机曲轴的瞬时转速波动信号能反映机器的工作状态， 通过对瞬时转速波动信号的分析可以得到机器运行状态和相关故障的丰富信息。4基于专家系统的智能化诊断方法。5基于神经网络的故障诊断方法.BP神经网络由于具有较强的非线性映射能力而 被广泛应用于故障诊断领域。目前，神经网络学习样本的制定一般是在各种故障情况下采集故障信号，进而通 过各种技术提取故障特征向量；在发动机故障诊断中，为了获取某一型号发动机的故障征 兆，需要逐一使诊断对象零部件人为破坏后，进行数据的采集，这样采集的实验数据虽然准 确，但是诊断的成本很高。另外，以柴油发动机为例，其结构复杂，运行工况多变；其工作过程是一个复杂的 物理和化学变化过程，是一个典型的非线性系统。一个故障状态可能有多个故障原因，一个 故障原因也可能产生多个故障状态。传统的检测方法效果不是很好。

发明内容
本发明的目的在于提供一种发动机主动故障质检与智能故障诊断方法，其具有成 本低，可靠性高和易于实现的优点。为达到以上目的，本发明所采用的解决方案是本发明的发动机主动故障质检的方法，其在发动机不拆装，不破坏零部件的情况 下，通过脉冲信号发生器产生不同频率的信号，根据频率和故障之间存在关联的原理，将不 同频率信号按从低到高依次加载到发动机系统上，由同频率信号发生共振，可以确定由此频率信号或频段信号所产生的故障征兆；由此可以得到故障和征兆的对应关系，然后将检 测到的信号进行小波包分解，提取故障特征向量，得到真实准确可靠的学习样本，为BP神 经网络的训练学习提供保证，该方法具有成本低，可靠性高和易于实现的优点。具体地，通过脉冲信号发生器产生不同频率的信号；根据频率和故障之间存在关 联的原理，将不同频率信号按从低到高依次加载到发动机系统上；由同频率信号发生共振， 可以确定由此频率信号或频段信号所产生的故障征兆，采集相应的故障信息；对故障信息 采用小波分析的方法提取故障的特征向量作为小波神经网络输入节点的输入特征向量，以 此解决网络训练样本获取的难题。 所述的脉冲函数发生器是频率可调的脉冲函数发生器。所述的脉冲函数发生器的信号需要放大器进行放大。所述故障信息采用数据采集系统采集并发送至计算机进行小波分析。所述的小波提取是七层小波提取，取其均方根值作为故障向量。所述的小波神经网络是疏散型小波神经网络。所述的神经网络输入节点是7，输出节点是故障的原因的数目，隐层节点数的确定 是依据经验公式h = V^ + a，其中ae
；m和η分别表示神经网络输入层和输出层 的节点数目。仿真确定最佳的隐层数目。所述遗传优化小波神经网络采用遗传算法，具体是通过遗传算法计算出网络的 权值和阀值，然后将得到的阀值、权值传递给改进的BP神经网络。所述训练好的遗传优化神经网络可以对数据采集系统采集的信息且经由小波处 理后得到的特征向量进行算法运算，得出故障的情况，实现对在线测得数据的故障诊断。所述遗传算法包括编码方案对于权值和阈值以十进制数字串代替遗传算法中的二进制数字串来直 接表征参数；适用度计算个体适应度采用网络的函数误差，即误差大的个体其适应度小，具体 表示为适应度为网络误差函数的倒数；群体选择继承个体适应度的计算完成后，选择适应度大的个体遗传到下一代，使 权值越来越接近最优解空；交叉、变异过程采用基于概率的双向随机搜索技术；以一定的概率，随机地从父 本种群中选取两条染色体进行交叉操作，当新染色体使当前解质量提高时，就接收这个被 改进的解作为新的当前解；在相反的情况下，就以一定的概率exp( C/T)接收相对当前解 来说质量较差的解作为新的当前解其中，C为邻域操作前后解的质量差，T为退火过程的控 制参数，变异过程也按照前述方法接受当前解；BP网络环节遗传算法完成以后将相应的权值和阈值保存，传递给BP神经网络进 行误差反向传播，最后得到输出误差小于期望误差或者训练步数小于某一个设定值，退出 计算，返回相应网络的权值和阈值，用于故障的诊断。由于采用了上述方案，本发明具有以下特点本发明的小波神经网络样本获取方 法简单，易于操作和控制，在发动机非拆装和破坏的情况下，获得真实反映发动机故障现象 及原因的样本数据，同时采用小波分析的方法提取对故障贡献最大的频率量值，取其均方 根值作为样本输入故障向量，进行小波神经网络的样本训练和学习。该方法具有成本低，可靠性高和易于实现的优点。


图1为可调脉冲函数发生器电路原理图。图2为机械振动装置结构图。
图3为电气控制原理图。图4为遗传优化的小波神经网络算法流程图。图5为可调脉冲函数发生器框图。图6为发动机数据采集系统示意图。
具体实施例方式将函数脉冲发生器的输出信号经放大后经过振动装置加载到运行的发动机 系统中，然后运用数据采集卡采集发动机系统上的传感器信号数据，送入计算机上的 SQLServer2000数据库中。通过逐级调节脉冲函数发生器的频率，观察发动机的运行情况， 将发生故障征兆的信号传输到数据库中，然后通过小波分析技术将含有故障的信号进行频 域的分解，提取出故障特征向量，制定好遗传神经网络的学习样本，让遗传小波神经网络进 行学习训练，训练好后的小波网络可以实现对在线测得的数据的预测，该系统具有准确度 高，实时性好的特点。1、通过脉冲函数发生器控制振动装置；可调频率脉冲函数发生器的电路图如图1所示。调节11引脚的滑动变阻器(如 图1示)，其频率范围为0 250khz ；通过调节脉冲函数发生器的频率，进而通过变频器实 现对振动装置的控制；机械振动装置部分机械振动装置如图2所示，采用机械结构的多轴振动激振器，能满足绝大多数零 部件的振动频率和振幅试验要求，能够在一个试验台上同时实现水平和垂直两个方向的振 动，且频率稳定、经济性好。电气控制部分电气控制原理如图3所示。利用可调脉冲函数发生器输出信号控制变频器，从而 控制激振电机的转速，达到控制变频工作台的振动频率。通过由小至大逐次调节可调脉冲 函数发生器的滑动变阻器，变频振动装置的振动频率也相应发生变化。2、运行的发动机通过紧固连接，联接在振动装置上，如图2所示。当振动装置在脉 冲函数发生器的信号调节作用下以某一调节频率振动时，发动机随着振动装置的振动而发 生振动。当发动机在某一工况下运行时，根据振动频率和故障征兆的关系和小波分析理论， 各频带不同的特征向量对应了发动机不同的故障形式。所以通过振动装置不同外部振动频 率信号的加载，会激发发动机中某一潜在的故障，表现出某一故障的现象。所以将这些特征 向量作为神经网络模型的输入参数，可以对发动机的故障进行正确识别。3、数据采集部分数据采集部分主要有多路传感器信号、模数转换电路、微控制器 单元、USB接口电路等组成。数据采集模块的工作原理见图6，多路模拟输入信号经过预处 理后，送入模/数转换器(选用AD1671，程序启动)进行A/D转换，转换结果顺序写入队列FIFO,由单片机控制USB接口控制器PDIUSBD12从FIFO里顺序读出数据并通过USB控制器 发送到USB总线上，传输给主机。通过改变脉冲函数发生器信号的频率，调节振动装置的振 动频率，观察发动机运行工况及出现的问题，运用数据采集卡采集相应的故障工况下的振 动、油压、油温等数据信息。数据采集卡数据采集(DAQ)，是指从传感器和其它待测设备等 模拟和数字被测单元中自动采集非电量或者电量信号，送到上位机中进行分析、处理。数据 采集系统是结合基于计算机或者其他专用测试平台的测量软硬件产品来实现灵活的、用户 自定义的测量系统。通常，必须在数据采集设备采集之前调制传感器信号，包括对其进行增 益或衰减和隔离、放大、滤波等。
4、对加速度传感器采集到的信号，通过小波(Matlab编写小波分解和重构程序 分解，其具体的编写方法可参见(葛哲学，沙威编著.小波分析理论与MATLAB R2007实 现.电子工业出版社.2007. 8)将信号分解到频率域，然后对分解后不同频率段小波系数进 行重构，使用wrcoef (d，c, 1，dbl0,n)命令对信号重构。求取重构系数的均方根值，做为信 号的故障的特征向量。使用Matlab命令rms = norm(x)/sqrt (length (χ))求取小波系数 的均方根值。以此作为小波神经网络的输入向量样本数据。5、本发明中BP网络算法是个非线性优化算法，能做到并行运算，具有一定的泛化 能力，又显示了较好的容错性。但是由于小波神经网络容易出现收敛速度慢和局部最小点， 本发明采用遗传算法对算法进行优化，使小波算法跳出误差较大的局部最小值。故对该网 络进行遗传算法的优化，优化的小波网络算法流程如图4所示(其中E表示小波网络输出 节点实际输出误差值，e表示期望误差值)。经过优化后的小波网络收敛速度快并且有效地 避免了局部最优的出现。具体的优化思路是，首先利用遗传算法从全局的角度找到最小值 所在的大概范围，然后再利用Bp找出误差最小值点。遗传算法(GA)是基于自然选择和自 然遗传这种生物进化机制的搜索方法，是一种全局寻优的搜索方法，首先利用GA算法计算 出网络的权值和阀值，然后将得到的阀值、权值传递给改进的BP神经网络，可以有效地提 高训练的速度，减少训练的步数，达到较好的收敛效果。其算法流程如图4所示。下面对算 法进行更加详尽的阐述。(1)编码方案这里具体编码方法是对于权值和阈值以十进制数字串代替GA中的二进制数字串 来直接表征参数，因而，便于较大空间的遗传搜索；同时，由于取消了编码、译码过程，进而 提高了算法学习的速度、(2)适用度计算在遗传算法中，判断个体优劣性的尺度是适应度。适应度的大小，决定某些个体的 繁殖和消亡，即保留适应度大的个体，淘汰适应度小的个体。个体适应度采用网络的函数误 差，即误差大的个体其适应度小，具体表示为适应度为网络误差函数的倒数；适应度越大， 网络的实际输出与期望输出的误差越小。(3)群体选择继承个体适应度的计算完成后，选择适应度大的个体遗传到下一代，从而使权值越来 越接近最优解空。(4)交叉、变异过程为了克服搜索过程极易陷入局部解的特点，采用基于概率的双向随机搜索技术；以一定的概率，随机地从父本种群中选取两条染色体进行交叉操作。当新染色体使当前解 质量提高时，就接收这个被改进的解作为新的当前解；在相反的情况下，就以一定的概率 exp ( C/T)接收相对当前解来说质量较差的解作为新的当前解其中，C为邻域操作前后解 的质量差，T为退火过程的控制参数。变异过程也照此接受当前解。若满足要求，则该环节 结束进入下一环节，否则继续进行优化过程。(5) Bp网络环节遗传算法完成以后将相应的权值和阈值保存，传递给Bp神经网络进行误差反向 传播，最后得到输出误差小于期望误差或者训练步数小于某一个设定值，退出计算，返回相 应网络的权值和阈值，用于故障的诊断。6、对小波神经网络进行训练和学习，运用训练好的遗传优化小波网络(程序算法 流程如图4所示)进行发动机故障诊断。上部分已经将该种方法涉及的主要方法步骤和理论依据做了阐述，下面结合具体的实施例进行进一步的阐述。通过提取缸盖或缸体上振动信号的频率特征来分析柴油机工作过程故障的一种 有效方法，可在柴油机不解体的情况下对其内部状况进行诊断。发动机的故障很多，按故障 发生率的大小，主要的故障存在于燃油供给系统、润滑系统、冷却系统和进排气系统等。本 实施例以发动机的进排气系统为例进行说明。进排气系统的故障主要有气门间隙过大、气 门间隙过小、进气门漏气和排气门漏气。由各种故障所引起的振动信号经小波分解后的特 征参数是有区别的，利用这种区别可以鉴定柴油机故障的种类。所谓的主动故障质检，就是在发动机尚在正常状况下运行时，通过外在某一频段 的频率信号的加载，使该信号与引起发动机某一故障的频率段信号发生共振，将潜在的故 障激发出来，起到主动故障质检的功效。在具体实施过程中，将发动机安装到变频装置上， 变频装置如图3所示，在汽缸盖上安装加速度振动传感器1，用以测量汽缸盖的振动信号， 振动信号经过模数转换，经过数据采集系统传送到Pc计算机上的数据库中。当发动机运行 在某一工况时，使变频装置在可调脉冲函数发生器的频率调节下发生某一频率或某一频段 的运动。还可以在发动机上安装电磁感应传感器2采集相应数据进行计算。变频装置的这一频率的振动对运行的发动机系统来说，是外部加载的振动信号， 根据小波分析理论，特定的某一个故障对应某一频率段，所以激发该频段的发动机信号会 引发相应的故障现象的发生，通过传感器可以得到该故障现象下的汽缸盖加速度振动信号 数据，这样可以很准确地制定神经网络学习训练的样本。比如，将脉冲频率调节器的频率 按照由低到高调节滑动变阻器，产生的不同频率信号用以控制变频振动装置的不同频率振 动，由于变频振动装置的频率在从小到大的改变，在变化的过程中，外在的振动信号和发动 机系统的引发某一故障的信号发生共振，将该故障引发的故障现象表现出来，比如进气门 过大或过小，排气门漏气等，将相应的故障和传感器数据记录下来，形成一种对应关系。同 时根据小波分解和重构的方法，对得到的加速度振动数据进行提取特征向量。即可得到神 经网络的学习的样本数据。而对神经网络节点的制定上，输入点根据小波分解的层数制定， 输出点是进排气系统的故障数目决定的，在此我们对振动信号进行小波分解，按照实施方 法中的4求取故障特征向量。上面详细的阐述了发动机神经网络样本获取的方法，对于神经网络的故障诊断部分，其遗传优化算法程序的流程如图4所示。将训练好的神经网络的权值和阈值保存起来， 进而可以对发动机进行故障诊断。本发明通过连续脉冲信号发生器产生不同频率的信号，进而在不拆装、不损坏发动机结构及零部件的情况下产生不同的故障，可以将不同的故障和征兆关联起来，可以很 好地制定学习样本。然后通过遗传优化的神经网络对样本进行训练后，即可以进行发动机 故障的诊断和预测。本发明主要利用小波技术，对传感器采集的发动机信号进行小波分解，由于故障 的产生和信号对应的能量有一定的关系，所以采用对小波分解的不同频段的信号进行积 分，再对得到的能量进行归一化处理，提取出特征向量。本发明对发动机设置不同故障状 态。同时建立三层小波神经网络，确定输入层、隐层和输出层的节点数目、选取合适的小波 基函数和网络的学习算法。然后采集样本数据(正常数据和故障数据)对小波神经网络进 行学习和测试。由于小波神经网络存在局部最小值和收敛速度的问题，进而采用改进的算 法(本申请采用遗传算法)对小波神经网络进行不断优化，使小波神经网络的诊断速度和 精确度进一步提升。本发明主要是在研究了发动机的故障机理与振动信号和小波分析的基础上，根据 故障和频率的关系，通过在发动机上加载不同频率的信号，将发动机某一频段潜在的故障 激发出来，以便在某一种特定的故障现象的情况下，采集到相应的加速度传感器的数据，并 对数据进行故障特征向量的提取，以此作为神经网络的学习样本。而为了得到频率可调的 外部加载信号，本发明提出了变频率振动装置，实现向运行的发动机系统加载可变频率信 号，引发某一故障的频率信号与外部变频振动装置的频率信号产生共振，将潜在的故障激 发出来，实现主动故障质检，同时可以通过发动机的数据采集装置，采集振动数据，对其经 过小波分解和重构后，可以通过训练好的遗传优化神经网络对小波处理的特征数据进行算 法运算，得出故障的情况。上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发 明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的 一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施 例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的 保护范围之内。
权利要求
一种发动机主动故障质检与智能故障诊断方法，其特征在于其包括以下步骤1)根据频率和故障之间存在关联的原理，将不同频率信号按从低到高通过振动装置依次加载到发动机系统上；2)由同频率信号发生共振，确定由此频率信号或频段信号所产生的故障征兆，采集相应的故障信息；3)对采集的故障信息采用小波分析的方法提取故障的特征向量作为遗传优化小波神经网络输入节点的输入特征向量，获取网络训练样本，实现对在线测得的数据的诊断。
2.如权利要求1所述的发动机主动故障质检与智能故障诊断方法，其特征在于所述 不同频率信号采用可调脉冲函数发生器加载。
3.如权利要求2所述的发动机主动故障质检与智能故障诊断方法，其特征在于所述 可调脉冲函数发生器的信号经由放大器放大后加载。
4.如权利要求1所述的发动机主动故障质检与智能故障诊断方法，其特征在于所述 故障信息采用数据采集系统采集并发送至计算机进行小波分析。
5.如权利要求1所述的发动机主动故障质检与智能故障诊断方法，其特征在于所述 小波分析采用七层小波提取，取其均方根值作为故障的特征向量。
6.如权利要求1所述的发动机主动故障质检与智能故障诊断方法，其特征在于所述 小波神经网络为疏散型小波神经网络。
7.如权利要求1所述的发动机主动故障质检与智能故障诊断方法，其特征在于所述 小波神经网络输入节点数是7，输出节点数是故障的原因数，隐层节点数的确定是依据经验 公式h 二+ 其中ae
；m和η分别代表输入层和输出层的节点数，仿真确定最 佳的隐层节点数目。
8.如权利要求1所述的发动机主动故障质检与智能故障诊断方法，其特征在于所述 遗传优化小波神经网络采用遗传算法，具体是通过遗传算法计算出网络的权值和阀值，然 后将得到的阀值、权值传递给BP神经网络。
9.如权利要求1所述的发动机主动故障质检与智能故障诊断方法，其特征在于所述 训练好的遗传优化神经网络对数据采集系统采集的信息且经由小波处理后得到的特征向 量进行算法运算，得出故障的情况，实现对在线测得数据的故障诊断。
10.如权利要求8所述的发动机主动故障质检与智能故障诊断方法，其特征在于所述 遗传算法包括编码方案对于权值和阈值以十进制数字串代替遗传算法中的二进制数字串来直接表 征参数；适用度计算个体适应度采用网络的函数误差，即误差大的个体其适应度小，具体表示 为适应度为网络误差函数的倒数；群体选择继承个体适应度的计算完成后，选择适应度大的个体遗传到下一代，使权值 越来越接近最优解空；交叉、变异过程采用基于概率的双向随机搜索技术；以一定的概率，随机地从父本种 群中选取两条染色体进行交叉操作，当新染色体使当前解质量提高时，就接收这个被改进 的解作为新的当前解；在相反的情况下，就以一定的概率exp ( C/T)接收相对当前解来说 质量较差的解作为新的当前解其中，C为邻域操作前后解的质量差，T为退火过程的控制参数，变异过程也按照前述方法接受当前解； BP网络环节遗传算法完成以后将相应的权值和阈值保存，传递给BP神经网络进行误 差反向传播，最后得到输出误差小于期望误差或者训练步数小于某一个设定值，退出计算， 返回相应网络的权值和阈值，用于故障的诊断。
全文摘要
本发明一种发动机主动故障质检与智能故障诊断方法在发动机非拆装的情况下，通过主动故障质检的方法，将故障的征兆和相应频率对应起来。具体是根据频率和故障之间存在关联的原理，将不同频率信号按从低到高通过振动装置依次加载到发动机系统上；由同频率信号发生共振，确定由此频率信号或频段信号所产生的故障征兆，采集相应的故障信息；对采集的故障信息采用小波分析的方法提取故障的特征向量作为遗传优化小波神经网络输入节点的输入特征向量，获取网络训练样本，实现对在线测得的数据的诊断。本发明的学习样本具有易获取、针对性强、准确率高、成本低等优点；优化网络具有非线性映射好，收敛速度快的特点，可实现对发动机故障的有效诊断。
文档编号G01M15/05GK101839805SQ20101012837
公开日2010年9月22日 申请日期2010年3月19日 优先权日2010年3月19日
发明者余得水, 李万莉, 来磊, 游张平, 王文芳, 王鹏程 申请人:同济大学