基于ANFIS的汽車發動機振動參數故障診斷云模型

孔莉芳，張 虹

KONG Li-fang1,2, ZHANG Hong1

（1. 中國礦業大學 信電學院，徐州 221006；2. 徐州空軍學院，徐州 221000）

基于ANFIS的汽車發動機振動參數故障診斷云模型

The vibration parameter fault diagnosis cloud model for automobile engine based on ANFIS

孔莉芳1,2，張 虹1

KONG Li-fang1,2, ZHANG Hong1

（1. 中國礦業大學 信電學院，徐州 221006；2. 徐州空軍學院，徐州 221000）

為解決汽車發動機振動參數故障問題，采用自適應神經模糊推理系統(ANFIS)建立故障診斷模型，利用減法聚類方法確定模型初始結構，并采用云模型優化模型接口參數。實例建模對比分析，引入云模型后的ANFIS模型的識別率從88.75%提高到99.68%，訓練誤差也從0.12021降低至0.11526。試驗表明引入云模型后該模型收斂速度快，擬合能力強且診斷識別精度高，能夠有效識別汽車發動機振動參數的故障。

ANFIS模型；故障診斷；振動參數；云模型；

0 引言

汽車發動機是一個復雜的非線性系統。其故障的引發原因較多且難以診斷。發動機的振動參數異常是發動機常見的一種故障。若發動機的振動較大，不但乘坐不舒適，使駕駛員煩躁和疲勞，而且縮短零部件的使用壽命，甚至引起機械事故。因此如何建立良好的故障診斷數學模型來診斷汽車發動機的振動參數狀況，對判斷發動機工作是否正常，保證汽車運行的安全性和降低汽車發動機的維修費用都是有很大意義的。

近年來，人工神經網絡和模糊理論在設備故障診斷中已得到廣泛的應用。將模糊邏輯系統對先驗知識的概括提取能力與神經網絡對未知特性的學習歸納能力結合起來已成為現實。自適應神經模糊推理系統(ANFIS)是一種將模糊邏輯與神經元網絡有機結合的新型模糊推理系統結構，它具有以任意精度逼近非線性函數的能力，泛化能力強和收斂速度快等特點。本文通過引入云模型，將ANFIS模型的輸出結果進行連續化，并通過實例建模對比分析。本文建立一種基于ANFIS 的汽車發動機故障診斷模型，采用減法聚類方法自適應地確定模糊系統的初始結構和參數，避免了盲目性和隨機性，同時將云模型引入模型接口，提高參數優化效率[3]。

1 故障診斷模型及分析方法

故障診斷模型的核心是故障診斷算法，對于神經網絡診斷過程，可以簡化為樣本輸入—節點輸出，如圖1 所示。為簡化ANFIS模型并提高其學習速率和輸出精度，將減法聚類方法應用于該模型的建立過程。ANFIS 診斷模型初始結構的確定涉及模糊規則提取、輸入和輸出空間的模糊劃分，初始參數選取等諸多問題，初始結構的確定對模型的性能以及訓練效率有很大的影響。目前，常用的聚類算法包括有最近鄰聚類法、模糊C均值法等。這些算法通常需要預先確定聚類數；同時規則的提取沒有考慮輸入輸出數據的相關特性，聚類的結果往往是僅對輸入空間的聚類劃分。減法聚類是一種高效的估計類別數目和聚類中心的方法[4]，該算法是通過建立山峰函數這個數據密度指標，自適應地確定聚類數及類中心，聚類結果可以確定ANFIS 模型初始結構。

圖1 診斷過程簡圖

1.1 減法聚類過程

考慮有一個n維空間的包含N個樣本數據點的樣本集：

圖2 減法聚類過程

1.2 ANFIS

1985年Takagi和Sugeno提出了一種非線性T-S模糊模型，即后來的Sugeno模糊模型，是一種對有精確輸入、輸出數據集產生模糊規則推理的系統化方法。它結合模糊邏輯與神經網絡二者之優勢，改善了傳統模糊控制設計中必須人為地不斷調整隸屬度函數以減小誤差的不足，采用混合學習算法調整前提參數和結論參數，自動產生模糊規則。后來，Tang Roger提出與一階Sugeno模糊模型功能等同的基于自適應神經網絡的模糊推理系統(ANFIS )用來實現Sugeno模糊模型的學習過程。ANFIS可以認為是Sugeno型模糊模型的神經網絡實現，該網絡是一個多層前饋網絡，結構如圖3。

圖3 ANFIS結構示意圖

假定模糊規則庫包含兩種規則:

網絡共有5層，各層功能如下:

第1層:Ai和Bi為輸入變量的模糊子集，該層節點的激活函數代表模糊變量的隸屬函數，該層的輸出代表模糊化結果，即隸屬度，其中一個節點的傳遞函數可以表示為

通常使用的激活函數為高斯型函數。

第2層:將模糊化得到的隸屬度兩兩相乘，該層的輸出代表著模糊規則的強度或適用度。

第3層:將各條規則的適用度歸一化:

第4層:計算每條規則的結論:

第5層:計算所有規則的輸出之和，即系統輸出:

Piqiri為未知參數，通過算法訓練ANFIS可以按指定的指標得到這些參數，從而達到模糊建模的目的。

1.3 參數優化

為提高學習的速度和質量，將模型參數分解為非線性前提參數和線性結論參數，并采用混合算法進行參數優化[5,6]。首先固定前提參數，采用線性最小二乘估計算法優化神經網絡的結論參數。系統總輸出可表示為結論參數的線性組合，即

1.4 云模型優化輸出

云是用語言值描述的某個定性概念與其數值表示之間的不確定性轉換模型，或者簡單地說云模型是定性定量間轉換的不確定性模型。它主要反映宇宙事物人類知識中概念的兩種不確定性；模糊性（邊界的亦此亦彼性）和隨機性（發生的概率）。云模型把模糊性和隨機性完全集成在一起，研究自然語言中的最基本的語言值（又稱為原子）所蘊含的不確定性的普遍規律，使得有可能從語言值表達式的定性信息中獲得定量的數據的范圍和分布規律，也又可能把精確的數值有效轉換為恰當的定性語言值。云模型實現的算法為：

其中，mean（）、stdev（）分別為求均值和標準差的函數。為提高學習的為提高學習的速度和質量，將模型參數適應云模型發生器。利用給定樣本數據，輸入模型并通過云發生器，直到滿足誤差指標要求或達到最大訓練次數。

3 汽車發動機振動參數故障診斷實例

發動機由于各零部件的結構和運行速度不同，致使不同零部件的故障特征頻率分布在機體振動信號的不同頻帶范圍內。通常某一個或幾個頻帶內信號能量的改變即可代表一種故障情況。因此，可提取包含待診斷部件故障信息的頻帶能量值作為故障診斷的特征參數。本文以康明斯6BT5.9型發動機振動參數為例，對該型號發動機在由機身處獲得65組加速度信號作為訓練樣本和65組測試樣本。

3.1 原始數據與測試數據

表1 訓練數據

表2 測試數據

3.2 ANFIS故障診斷模型與識別

建立ANFIS 診斷模型如圖4，隸屬度函數均采用高斯型。為簡化模型，采用減法聚類法對訓練數據空間進行非線性劃分，生成一個Sugeno 型作為初始模糊推理系統結構，并采用云模型來優化模型參數。具體診斷流程如圖5。同時利用相同的樣本數據集建立ANFIS模型，并對兩種神經網絡的擬合能力及收斂速度進行比較。對比結果如表3及圖7 所示。

圖4 ANFIS模型結構

圖5 ANFIS故障診斷流程圖

圖6 兩種神經網絡的擬合能力及收斂速度誤差圖

通過對比可見引入云模型后的ANFIS 網絡模型在訓練速度、擬合能力以及收斂性方面均優于原始的ANFIS 網絡模型。故障診斷的實際值與識別值的對比如圖7、圖8所示。

圖7 傳統的邊界示意圖

圖8 經過云變換的邊界示意圖

3.3 模型結果對比分析

將傳統的ANFIS與加入云模型的ANFIS結果對比如表3可以看出，加入云模型的ANFIS系統訓練誤差少，故障識別率高。

4 結論

本文在ANFIS模型的基礎上引入云模型后，改進的ANFIS模型的識別率從88.75%提高到99.68%，而且訓練誤差也從0.12021降低至0.11526。表明了云模型的嵌入使得輸出數據由離散型轉化為連續型，可以提高原模型的識別精度和降低誤差精度。云模型的加入，對于故障識別及相關領域的研究提供了新的思路。

表3 傳統的ANFIS與加入云模型的ANFIS結果對比

[1] 王新洲,史文中,王樹良.模糊空間信息處理.[M]武漢:武漢大學出版社,2003.88-89.

[2] 施小成,謝睿,丁宗華.一種基于模糊神經網絡的信息融合技術.[J]自動化技術與應用,2006,01.

[3] 祖家奎,戴冠中,張駿.基于聚類算法的神經模糊推理系統結構和參數的優化[J].系統仿真學報,2002,14(4):501-503.

[4] Yager R D Filev.Approximate clustering via the mountain method[J].IEEE Transactions on Systems,Man and Cybernetics (S0018-9472),1994,24(8):1279-1284.

[5] 梁華.基于神經網絡及模糊理論的機械磨損故障診斷模型與策略研究[D].湖北:武漢汽車工業大學. 1995.

TP183

B

1009-0134(2010)10(上)-0020-03

10.3969/j.issn.1009-0134.2010.10(上).07

2009-10-14

孔莉芳（1972 -），女，江蘇徐州人，在讀博士，研究方向為模式識別、智能計算。