基于LABVIEW的農(nóng)用柴油機(jī)故障檢測(cè)

陳強(qiáng)

（南昌航空大學(xué)，江西 南昌 330000）

目前，農(nóng)業(yè)機(jī)械規(guī)模化、信息化已經(jīng)成為一種趨勢(shì)，在長(zhǎng)時(shí)間、超負(fù)荷的工作條件下，經(jīng)常會(huì)出現(xiàn)柴油機(jī)、底盤(pán)等各種部件的故障。其中，燃油系統(tǒng)故障所占比例最大，達(dá)到35%左右。因此，對(duì)農(nóng)用柴油機(jī)燃油系統(tǒng)的故障研究具有重要的意義。

1 測(cè)試系統(tǒng)的硬件組成

計(jì)算機(jī)測(cè)試系統(tǒng)要實(shí)時(shí)地完成數(shù)據(jù)采集、運(yùn)算，并把結(jié)果迅速輸出到被控對(duì)象，這樣就需要一套完整的硬件系統(tǒng)。

2 測(cè)試系統(tǒng)軟件設(shè)計(jì)

軟件的設(shè)計(jì)是本課題的主要工作內(nèi)容，要具有可靠性高的測(cè)試和故障診斷系統(tǒng)。為了保證系統(tǒng)的易擴(kuò)展性和易維護(hù)性，本系統(tǒng)劃分為以下幾個(gè)功能模塊：系統(tǒng)初始化程序、主界面程序、主監(jiān)控程序、實(shí)時(shí)監(jiān)測(cè)模塊以及3個(gè)實(shí)驗(yàn)?zāi)K，這3個(gè)實(shí)驗(yàn)?zāi)K分別是性能指標(biāo)測(cè)量分析、綜合示波圖分析、柴油機(jī)故障診斷，它們相互獨(dú)立，并與主監(jiān)控程序之間存在接口，可以相互調(diào)用。

3 農(nóng)用柴油機(jī)故障診斷系統(tǒng)設(shè)計(jì)

3.1 燃油系統(tǒng)高壓油管壓力波及小波分解

柴油機(jī)燃燒系統(tǒng)實(shí)際上是燃油壓力波的傳播系統(tǒng)，高壓油管內(nèi)各處的壓力隨時(shí)間和位置的變化而變化，帶有一定的隨機(jī)性。然而，壓力波形的模式是由噴油泵總成、高壓油管及供油角聯(lián)動(dòng)裝置決定，反映燃油系統(tǒng)狀態(tài)信息最多的就是高壓油管中的壓力信號(hào)。由于一般的濾波容易丟失重要信息，所以我們采用小波分解技術(shù)。

小波變換的作用是將一個(gè)信號(hào)與一個(gè)在時(shí)域和頻域上均具有局域化性質(zhì)的平移伸縮小波權(quán)函數(shù)進(jìn)行卷積，從而將信號(hào)分解成為與不同時(shí)寬和頻帶上的各個(gè)成分，基本思想就是用某函數(shù)族來(lái)逼近觀測(cè)信號(hào)。若Ψ（t）是平方可積分函數(shù)，并且滿(mǎn)足=0則稱(chēng)Ψ（t）為母小波函數(shù)，對(duì)Ψ（t）進(jìn)行伸縮和平移變換，設(shè)伸縮因子為a，平移因子為b，且a，b∈R，a≠0。可得下列函數(shù)族稱(chēng)Ψa，b（t）為分析小波。

3.2 波形時(shí)域和頻域特征參數(shù)的選擇

實(shí)驗(yàn)把正常狀態(tài)下高壓油管壓力信號(hào)用離散小波進(jìn)行分解，選用dmey小波分解，原始信號(hào)被分解成低頻逼近信號(hào)和高頻細(xì)節(jié)信號(hào)，分析頻率的上限為1 000Hz。逼近信號(hào)反映了油管膨脹的低頻振蕩信息。而細(xì)節(jié)信號(hào)反映了高壓油管壓力波動(dòng)從中頻到高頻的振蕩信息。因此，我們把高頻的噪聲信號(hào)去除之后，就可以對(duì)故障信息提取特征參數(shù)，本文采用的頻域特征值有兩個(gè)，分別是脈沖因子If和峰值因子Cf。

4 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

4.1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)及數(shù)據(jù)處理

REF網(wǎng)絡(luò)屬于多層前向神經(jīng)網(wǎng)絡(luò)，它的基本思想是用徑向基函數(shù)作為隱含層單元的基，構(gòu)成隱含層空間，隱含層對(duì)輸入矢量進(jìn)行變換，將低維的模式輸入數(shù)據(jù)變換到高維空間中，使得在低維空間中線(xiàn)性不可分的問(wèn)題在高維空間線(xiàn)性可分。RBF網(wǎng)絡(luò)要學(xué)習(xí)的參數(shù)有3個(gè)：基函數(shù)的中心，方差和權(quán)值。根據(jù)徑向基函數(shù)中心選取方法的不同，RBF網(wǎng)絡(luò)又可分為隨機(jī)選取中心法、自組織選取中心法、有監(jiān)督學(xué)習(xí)法以及正交最小二乘法。本文選用自組織選取中心法，此法有兩個(gè)階段：一是自組織學(xué)習(xí)階段，二是有監(jiān)督學(xué)習(xí)及輸出權(quán)值的階段，算法步驟如下：

4.1.1學(xué)習(xí)中心t（i=1，2...I）自組織學(xué)習(xí)過(guò)程中要用到聚類(lèi)算法，常用的聚類(lèi)算法是K-均值聚類(lèi)算法。假設(shè)聚類(lèi)中心有I個(gè)，設(shè)ti（n）（i=1，2…I）是第n次迭代時(shí)基函數(shù)的中心，K-均值聚類(lèi)算法的步驟如下：第一步，初始化聚類(lèi)中心，即根據(jù)經(jīng)驗(yàn)從樣本集中選取I個(gè)不同的樣本作為初始中心ti（0）（i=1，2…I），設(shè)置迭代步數(shù)為n=0。第二步，隨機(jī)輸入訓(xùn)練樣本Xk。第三步，尋找訓(xùn)練樣本的Xk離哪個(gè)中心最近，即找到 i（Xk），使得滿(mǎn)足 i（Xk）=argm i n‖Xk-ti（n）‖，i=1，2…I，ti（n）為第n次迭代時(shí)基函數(shù)第i個(gè)中心 。 第 四 步 ， 調(diào) 整 中 心 ， 用 ti（n）=調(diào)整基函數(shù)的中心，η是學(xué)習(xí)步長(zhǎng)，且0＜η＜1。第五步，判斷是否學(xué)習(xí)所有的訓(xùn)練樣本且中心的分布不再變化［1］。

4.1.2 確定方差σi，i=1，2…I中心一旦學(xué)習(xí)完就固定了，接著要確定基函數(shù)的方差，當(dāng)選用高斯函數(shù)G（‖Xk-ti‖）=，i=1，2…I，方差可用σ1=σ2=σ3=…=σi=dmax/，I為隱單元的個(gè)數(shù)，dmax為所選中心之間最大距離。

4.2 故障診斷系統(tǒng)各層神經(jīng)元個(gè)數(shù)的確定

農(nóng)用柴油機(jī)故障診斷系統(tǒng)選取輸入是8個(gè)高壓油管壓力波信號(hào)的時(shí)域特征參數(shù)和小波分解后高頻信號(hào)的2個(gè)頻域特征參數(shù)，本實(shí)驗(yàn)設(shè)置了8種常見(jiàn)的故障，以診斷結(jié)果的二進(jìn)制編碼輸出，即8種故障狀態(tài)分別為：000；001；010；011；100；101；110；111。由此可知神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)n1=10，輸出層神經(jīng)元n3=3。隱層數(shù)目通常根據(jù)以下公式來(lái)確定［2］。

這樣經(jīng)過(guò)燃油壓力波特征提取界面和小波分解之后信號(hào)顯示界面，調(diào)出特征值進(jìn)行數(shù)據(jù)融合及歸一化處理，將前面的綜合示波圖分析模塊采集到的壓力波利用神經(jīng)網(wǎng)絡(luò)技術(shù)就可以對(duì)柴油機(jī)燃油系統(tǒng)進(jìn)行故障診斷。

5 結(jié)語(yǔ)

本文通過(guò)對(duì)傳感器測(cè)取的高壓油管壓力波非正常變化的分析，利用LABVIEW虛擬儀器編程實(shí)現(xiàn)壓力波波形數(shù)據(jù)的特征提取，將8種故障工作狀態(tài)的數(shù)據(jù)作為訓(xùn)練樣本，利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，樣本實(shí)際輸出和期望輸出相吻合，達(dá)到了預(yù)期值。將神經(jīng)網(wǎng)絡(luò)模型引入柴油機(jī)故障診斷中，實(shí)現(xiàn)了對(duì)柴油機(jī)燃油噴射系統(tǒng)故障的智能診斷，并有利于實(shí)時(shí)在線(xiàn)檢測(cè)。若采用較大數(shù)量的數(shù)據(jù)作為訓(xùn)練樣本建立神經(jīng)網(wǎng)絡(luò)模型，通過(guò)波形的特征參數(shù)，就能夠做出更準(zhǔn)確的故障診斷。

［1］段禮祥，張來(lái)斌，王朝輝.柴油機(jī)燃燒系統(tǒng)故障的小波包神經(jīng)網(wǎng)絡(luò)模糊診斷法［J］. 機(jī)械強(qiáng)度，2006（1）：1-5.

［2］童兵，盧青春.虛擬儀器技術(shù)在發(fā)動(dòng)機(jī)臺(tái)架試驗(yàn)測(cè)量控制系統(tǒng)中的應(yīng)用［J］. 公路交通科技，2000（2）：80-82.