船用柴油機故障診斷多信息融合技術研究

林凌海 吳晶 葉翠安

（廣東交通職業技術學院，廣州 510800）

0 引言

船用柴油機的工作過程[1]是復雜的，其故障診斷[2]信息也是復雜的。單個傳感器只能獲取局部的信息。對于現代船用柴油機，需要采用多種傳感器來獲取不同種類、不同狀態的信息。這些信息彼此之間相互獨立或耦合，甚至會出現彼此矛盾的情況[3]。協同使用多種傳感器并將各種傳感信息有效地結合起來，形成高性能感知系統來獲取對環境的一致性描述的過程。迄今為止，沒有任何一種傳感器能夠完全同時滿足高可靠性、高穩定性、高精度和低成本的要求。但是各種傳感器性能上的差異與互補性卻提示我們通過綜合分析來自各個傳感器的信息，獲取有效、可靠、完整的信息[4]。采用這種方法，即使各個傳感器所提供的信息有一定的誤差和不確定性，但通過對它們提供的信息進行有效的綜合，可以比任何單一傳感器獲取的信息更可靠、更完整[5]。因此多傳感器信息融合技術具有很大的應用價值和廣泛的應用范圍。

“信息融合”一詞于20世紀70年代初由美國最早提出。由于該技術在軍事上的重要性，立即引起了世界范圍內的普遍關注。目前在美、英、日、德等國已開發出了一些實用的系統，其某些成果在1991年的海灣戰爭中得到了實踐驗證，取得了較理想的結果。

船用柴油機工作過程故障由于系統結構的復雜性，各機構運動的非線性，如用確定的線性解析模型診斷是不可能的[6]。傳統的基于單傳感器診斷又由于故障與癥兆之間的不確定性而導致其診斷結果的不確定性。為了解決這種非線性和不確定性，應用多傳感器的信息融合技術和模糊邏輯推理方法是一條有效的途徑。

多傳感器系統是信息融合的物質基礎，實現多傳感器信息融合要靠要各種具體的融合方法的實現。目前發展起來的信息融合方法有加權平均法、貝葉斯法、D-S證據法、神經網絡和糊理論法、產生式規則法、卡爾曼濾波法等。在不同的場合，根據實際情況選用不同的方法。到目前為止，還沒有通用的信息融合方法[7]。

1 材料與方法

1.1 BP神經網絡理論

人工神經網絡具有的容錯、聯想、推理、記憶、自學習和處理多模式等功能。網絡的推理信息包含在各網絡層之間的連接權值中，這些權值的作用就是將輸入向量映射到輸出向量。網絡中的每個一節點只能從左邊層的節點接受輸入，且只能將它的輸出送到右邊層的節點。網絡中的每一個節點都進行如下兩種運算：

式中，j代表正在進行計算的網絡層，I代表正在進行計算的網絡層，I代表左邊的網絡層；ω點的輸出，cj代表節點內部的閾值。網絡中的連接權值 ωij和閾值 cj要通過學習得到，當神經網絡的非線性函數是 Sigmod形，根據網絡各節點之間的連接關系，可以得到網絡的權系數和閾值的迭代方程為：

式中，對于隱層：

1.2 柴油機故障實驗和特征提取

在型號 GN8320ZC4B船用柴油機上設置五種工作過程故障：即供油提前角提前（上止點前25°CA）、供油提前角滯后（上止點前 12°CA）；霧化不良；進氣不足；氣缸漏氣。

用B&K加速度傳感器測取8個氣缸的缸蓋振動信號，應用夾持式壓力傳感器測取高壓油管壓力信號，對振動信號利用載荷識別技術，識別出氣缸壓力并撮兩個特征值，Pmax-最大氣缸壓力，φpmax-最大壓力角（最大壓力點到上止點的曲軸轉角），振動信號三個特征值，低階小波包序列中段能量E1，中階小波包序列后段能量E2，中階小波包序列前段能量 E3，其中 E1反映了振動信號特征頻帶為0-2.5 kHz，時間由燃爆響應開始到結束這個范圍內的能量，即由缸內燃燒氣體壓力產生的低頻激振能量。E2反映了振動信號特征頻帶為 2.5-8.75 kHz，時間由燃爆響應開始到結束這個范圍內的能量，即由缸內燃燒氣體壓力產生的高頻激振能量。E3反映了振動信號特征頻帶為3.75-8.75 kHz，時間由噴油器落座沖擊開始到結束點這個范圍內的能量，即由噴油器針低落座沖擊產生的高頻激振能量；燃油壓力波形，也選取三個特征參數，最大油壓 Pymax，噴油提前角 αp（開始噴油點到上止點的曲軸轉角）。脈沖因子If。其中為油壓信號。六種狀態下的八個特征值如表1所示。

2 多傳感器信息融合神經網絡診斷

把反映船用柴油機工作過程故障三種信號的八個特征值，按正常和五種故障狀態的構造學習樣本文集和檢驗樣本文集，對輸入進行歸一化處理，把輸出確定成[0，1]矩陣，100000，0100000，……000001分別代表正常狀態、供油提前角提前（上止點前 25°CA）、供油提前角滯后（上止點前 12°CA）、霧化不良、進氣不足、氣缸漏氣等六種狀態，將學習樣本輸入一個8*5*8的BP網絡，進行訓練學習，在獲得穩定的樣本統計個數情況下，單傳感器和多傳感器信息融合識別結果如表2所示。表中診斷結果是檢驗樣本的識別率。其識別率公式為：

從表2可以看出，各故障的識別率為100%，而且不管故障程度是嚴重還是較輕，它都能準確識別，如進氣不足這樣的故障，我們只是用堵住一部分進氣門的方法模擬，它都能與正常狀態及漏氣狀態準確識別開來。這充分說明了多傳感器信息融合神經網絡故障診斷的有效性和準確性。

表1 六種狀態下八個特征值

表2 單傳感器與多傳感器神經網絡診斷結果對比

3 結論

1）基于單類傳感器信息的船用柴油機工作過程故障診斷，由于船用柴油機工作過程的復雜性，使用單傳感器反映故障的模糊性必然導致診斷的不確定性。

2）多傳感器信息的故障診斷，由于不同傳感器信息具有冗余性和互補性，信息融合后的故障識別率明顯提高。

3）基于神經網絡的信息融合方法適合于對船用柴油機工作過程故障的診斷，明顯提高了診斷過程的準確性和智能化。

[1]劉嘉, 黃英, 黃千等. 基于SAE J1939協議的船用柴油機虛擬儀表及故障診斷系統開發[J]. 汽車技術,2007(6): 93-97.

[2]尚喆, 許鎮琳, 王豪等. 基于神經網絡的電動轉向系統助力特性研究[J]. 汽車工程, 2004, (03):125-128.

[3]陳斌. 基于 S3C4510B型微處理器的最小系統設計[J]. 國外電子元器件, 2006,(03)：132-136.

[4]過錫雋. 汽車電控系統 J1939協議和診斷通信模塊的開發[D]. 浙江大學碩士學位論文.杭州：2006 .

[5]王偉, 吳珂, 趙云峰. 軍用電控汽車故障自診斷系統開發設想[J]. 專用汽車, 2005, (03): 56-60.

[6]吳金林, 翁維熊. MVC—2M故障診斷系統通過部級成果鑒定[J]. 船舶工程 , 1992,(01)：74-77.

[7]劉桂雄, 方曉東, 易靜蓉, 馮云慶. 以太網智能測控系統中虛擬儀表軟件的實現[J]. 華南理工大學學報(自然科學版), 2003, (12): 93-97.