基于自适应模糊逻辑的活塞发动机TCU故障检测算法研究

作者:熊云涛;唐荣澳;刘爱兵 刊名:教练机 上传者:井涛

【摘要】故障分析与诊断是活塞发动机地面试车检测系统的关键功能之一,对于确保试飞安全具有重大意义。通过分析模糊逻辑系统的数学原理,研究了基于模糊逻辑的故障诊断模块分析算法,并利用MALLAB软件实现了模块基本功能,为利用模糊逻辑算法的非线性逼近能力,分析并监测发动机TCU运行状态奠定了基础。

全文阅读

0引言开展活塞发动机TCU地面试车及故障诊断研究,对于确保试飞安全具有重要意义。发动机故障自动检测本质上属于模式识别问题[1],即通过计算机自动完成复杂的数据分析工作,实现发动机状态的分析与判断。近年来,现代故障检测理论和算法不断完善和拓展,建立了基于信号处理、统计、人工智能等的多种故障检测新理论和新方法[2-3],包括:模糊逻辑法、频谱分析法、状态模型辨识法、随机模型参数法、专家系统法等。[4-5]为检测发动机运行状态及故障分析,本文通过分析模糊逻辑系统的数学原理及其自适应学习算法,引入模糊逻辑算法,建立了基于模糊逻辑的故障诊断方法,并利用MATLAB软件实现了该模块功能,经分析获得了一些参考结果,为实现对发动机TCU运行状态监控与分析奠定了基础。1自适应模糊逻辑数学原理设备故障检测存在着不确定性,这种不确定主要表现在随机性和模糊性两个方面[7]。随机性是由于事物的因果关系不确定造成的。模糊性是指事物在质上没有确切的含义,在量上没有明确的界限,造成亦此亦彼的性态。为了解决在设备检测中存在的逻辑和数值上的逻辑性现象,采用了模糊数学的描述方法。模糊数学在精确数学的基础上进行了延伸和推广,能够描述事物的不确定性现象。给定的论域U上的一个模糊子集A,对任意的xU确定了uA(x),满足0uA(x)1,则uA(x)为x对A的隶属程度。uA(x)表示了元素x属于模糊子集A的可能性大小。若U是有限论域,有限元素xi属于模糊子集A的隶属度为uA(x),可将模糊集合A记为式(1)或(2)。同理,若U是无限论域的模糊集,A表示为如式(3)。其中:“”与“乙”不是表示求和或积分,而是元素的集合。[7](1)(2)(3)以上所述模糊集合是针对某单个论域而言的。当将论域扩展至N个论域时,形成了一种模糊关系。这种模糊关系表现为N个集合的叉积。假设有N个论域:X1,X2…,XN,则定义在U=X1X2…XN上的模糊集称为X各元素间的N元模糊关系。简记为关系式(4)。隶属度函数简记为(5)。(4)(5)当论域数N=2时,二元模糊关系式(6)被称为从X1到X2的模糊关系。若论域中元素个数是有限值,如,,则模糊关系可以表示为模糊矩阵,如式(7)。(6)(7)在模糊关系中,每一个模糊元组都有一个介于0与1之间的隶属度,表示该元组隶属于该关系的程度。隶属度还可以表示为式(8)。则在论域X1和X2中,隶属函数可表示为(9)。符号“莓”为模糊集上的广义模糊算子,包括Zadeh算子、概率算子、有界算子、算子等。其中,在自适应模糊逻辑系统的设计中,使用T算子作为模糊隶属度的计算规则。T算子的计算过程如式(10)。(8)(9)(10)模糊关系描述了两个论域之间的隶属度关系,利用这个关系集可完成由论域空间模糊集到另一空间模糊集的映射。自适应模糊逻辑系统既是实现从输入空间模糊集X向输出空间模糊集Y的映射。在模糊关系中,每个模糊规则R确定了一个定义于输出空间的模糊集,其隶属函数可表示为(11)。(11)在模糊逻辑系统中,系统输出是逻辑运算的结果,对应的是精确值,所以还需完成模糊集到确定值之间的映射,这一过程是反模糊化。一般情况下,对输出进行反模糊化的运算采用式(12)所示的规则。由此可以证明,式(12)所示的模糊逻辑系统可以任意精度逼近非线性函数f。(12)在获取系统的非线性输入输出数据后,确定模糊逻辑系统,以使其以任意精度逼近原系统输入输出,这就是模糊逻辑系统的构造问题。自适应模糊逻辑系统的构造采用学习算法实现。定义训练数据对(Xp,Yp),及误差函数如式(13),自适应模糊系统的学习就是调整模糊系统

参考文献

引证文献

问答

我要提问