柴油機故障診斷新方法

朱 俊

1.振動分析法。利用柴油機在工作時產生的振動信號,經測試、數據分析及處理對內部零部件的狀態進行診排。其方法具有診斷速度快、準確率高和能夠實現在線診斷的特點。

2.鐵譜和光譜監測技術。在故障診斷中，檢測潤滑油中鐵的含量可以間接判定金屬部件的磨損。鐵譜和光譜在其監測功能上有各自的優勢和不足，這是因為柴油機運動件含有多種材料的摩擦副，而每一對摩擦副又會出現各種不同的磨損狀態。光譜可以準確地測定潤滑油中磨損元素的含量,但不能了解其存在的形狀,而且其監測靈敏度又受到磨粒本身粒度的影響,因此無法判斷磨損的類型。鐵譜可以直觀地了解磨粒的形狀、大小和成份等重要的磨損信息,但對有色金屬就不具有與鐵系磨粒相同的靈敏度,而且分辨能力不如光譜分析儀。所以聯合采用鐵譜及光譜技術，獲得了取長補短的效果。但鐵譜及光譜分析法無法確定有問題的缸位，不易實現實時監測；油液分析的結果只是定性地描述，存在一定的隨機性。

3.基于灰色系統理論的故障診斷方法。灰色系統理論以其新穎的思路和廣泛的適用性在理論及工程界引起廣泛關注并迅速在許多領域獲得廣泛應用。灰色理論用于柴油機故障診斷的原理,是把柴油機系統看成是一個復雜的灰色系統，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、狀態和發展趨勢,并對未來的發展作出預測和決策,其過程即是一個灰色過程的白化過程。灰色理論在故障診斷中的應用包括灰色系統建模、并聯度分析、灰色模型預測等。利用灰色系統可以實現故障的預測，準確率高，計算量小、易于實現微機控制。

4.神經網絡診斷法。神經網絡在柴油機故障診斷中的應用主要有：

1)神經網絡直接用于故障診斷。通過選擇關鍵參數作為網絡的輸入層，故障類型在輸出層給出。BP神經網絡由于具有較強的非線性映射能力而被廣泛應用于故障診斷領域。它通過對故障實例的訓練和學習，用分布在神經網絡中的連接權值來表達故障，具有對故障的聯想記憶、模式匹配和相似歸納的能力，可以實現故障和征兆間的復雜的非線性映射關系。但是，基本BP算法存在著局部極值和收斂速度慢等缺點。在神經網絡中引入模擬退火法和遺傳算法，可以有效地解決局部極值，提高算法的收斂速度。

2)自適應神經網絡模式識別。傳統模式識別過程在特征提取上具有很大的盲目性，效率低。而自適應神經網絡利用神經網絡分布式信息存儲和并行處理，避開了模式識別中建模和特征提取的麻煩，從而消除了模式不符和特征提取不當所帶來的影響，使故障狀態易于識別。

3)模糊神經網絡在故障診斷中的應用。由于柴油機狀態信號傳播路徑復雜、故障與特征參數的映射關系模糊，再加上邊界條件的不確定性、運行工況的多變性，使故障征兆和故障原因之間難以建立準確的對應關系。模糊神經網絡應用模糊集合論、模糊語言變量及模糊邏輯推理來模擬人的模糊思維方法，采用多層前向網絡結構，結合人們的先驗知識進行模糊推理，使之具有準確的非線性擬合和學習能力。由于權值初始化可根據先驗知識人為選擇，因此，網絡的學習速度大大加快，并在一定程度上回避了梯度下降法存在的局部極值問題。

4)神經網絡與專家系統相結合。主要有兩種策略：一是將專家系統構成神經網絡，把專家系統的基于符號的推理變成基于數值運算的推理，以提高專家系統的執行效率：二是將神經網絡視為一類知識源的表達和處理模型，與其他知識表達模型一起去表達專家的知識。實踐證明，神經網絡和專家系統結合，互補長短，克服了神經網絡存在的診斷推理不清楚、診斷解釋機制不強等缺陷，達到一種較完美的組合。此外，粗糙集理論方法用于刻劃不完整數據的表達、學習和歸納十分有效。它能有效地分析和處理不精確、不完整、不一致等不完備性，發現數據間隱藏的關系，從而提取有用信息，簡化信息的處理。用粗糙集理論優化條件屬性和決策屬性，再用神經網絡對屬性進行聚類分析，可以減少神經網絡的輸入節點數，提高效率。

5)專家系統的智能化。專家系統其核心主要包括以下幾部分：知識庫、知識獲取部分、推理和解釋部分。在知識表達方面，利用產生式規則進行知識表達，一方面得益于現有人工智能語言；另一方面是它的表達合乎人的心理邏輯，便于獲取，利于人們接受。利用框架進行知識表達得到了越來越多的應用，這主要得益于以C語言為代表的面向對象的編程技術的興起及普及，C語言對面向對象的數據結構極為支持，而框架正是一種面向對象的數據結構。

在診斷推理方面，主要表現在對推理邏輯和推理模型的研究上。在人工智能領域，存在著許多推理邏輯，模糊邏輯作為一種降低系統復雜性的方法近期在專家系統的推理邏輯中得到了廣泛應用,國內的許多專家系統也對模糊邏輯進行了發展；對推理模型的研究則表現在如何對推理的知識進行劃分及控制，從而使推理過程更為有效。值得注意的是，最近有學者提出基于模型的知識庫理論，這使推理機制發生了根本改變，如神經網絡模型、定性物理模型、可視覺模型等，這無疑給人工智能領域注入了新的活力。