基于自适应模糊神经网络的发动机故障诊断

作者:马继昌;司景萍;牛嘉骅;王二毛 刊名:噪声与振动控制 上传者:韦兰草

【摘要】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。

全文阅读

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(t)L2(R),其傅里叶变换(w)满足容许性条件C=-+|(w)2||wdw<(1)即C有界,则称(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a,b(t)=||a-1/2(t-ba)(2)式中a,bR且a0。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Wf(a,b)=-+f(t)-----a,b(t)dt(3)式中-----a,b(t)是a,b(t)的共轭运算。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a,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

参考文献

引证文献

问答

我要提问