基于LABVIEW的農用柴油機故障檢測

陳強

（南昌航空大學，江西 南昌 330000）

目前，農業機械規模化、信息化已經成為一種趨勢，在長時間、超負荷的工作條件下，經常會出現柴油機、底盤等各種部件的故障。其中，燃油系統故障所占比例最大，達到35%左右。因此，對農用柴油機燃油系統的故障研究具有重要的意義。

1 測試系統的硬件組成

計算機測試系統要實時地完成數據采集、運算，并把結果迅速輸出到被控對象，這樣就需要一套完整的硬件系統。

2 測試系統軟件設計

軟件的設計是本課題的主要工作內容，要具有可靠性高的測試和故障診斷系統。為了保證系統的易擴展性和易維護性，本系統劃分為以下幾個功能模塊：系統初始化程序、主界面程序、主監控程序、實時監測模塊以及3個實驗模塊，這3個實驗模塊分別是性能指標測量分析、綜合示波圖分析、柴油機故障診斷，它們相互獨立，并與主監控程序之間存在接口，可以相互調用。

3 農用柴油機故障診斷系統設計

3.1 燃油系統高壓油管壓力波及小波分解

柴油機燃燒系統實際上是燃油壓力波的傳播系統，高壓油管內各處的壓力隨時間和位置的變化而變化，帶有一定的隨機性。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動裝置決定，反映燃油系統狀態信息最多的就是高壓油管中的壓力信號。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。

小波變換的作用是將一個信號與一個在時域和頻域上均具有局域化性質的平移伸縮小波權函數進行卷積，從而將信號分解成為與不同時寬和頻帶上的各個成分，基本思想就是用某函數族來逼近觀測信號。若Ψ（t）是平方可積分函數，并且滿足=0則稱Ψ（t）為母小波函數，對Ψ（t）進行伸縮和平移變換，設伸縮因子為a，平移因子為b，且a，b∈R，a≠0。可得下列函數族稱Ψa，b（t）為分析小波。

3.2 波形時域和頻域特征參數的選擇

實驗把正常狀態下高壓油管壓力信號用離散小波進行分解，選用dmey小波分解，原始信號被分解成低頻逼近信號和高頻細節信號，分析頻率的上限為1 000Hz。逼近信號反映了油管膨脹的低頻振蕩信息。而細節信號反映了高壓油管壓力波動從中頻到高頻的振蕩信息。因此，我們把高頻的噪聲信號去除之后，就可以對故障信息提取特征參數，本文采用的頻域特征值有兩個，分別是脈沖因子If和峰值因子Cf。

4 人工神經網絡技術

4.1 神經網絡學習及數據處理

REF網絡屬于多層前向神經網絡，它的基本思想是用徑向基函數作為隱含層單元的基，構成隱含層空間，隱含層對輸入矢量進行變換，將低維的模式輸入數據變換到高維空間中，使得在低維空間中線性不可分的問題在高維空間線性可分。RBF網絡要學習的參數有3個：基函數的中心，方差和權值。根據徑向基函數中心選取方法的不同，RBF網絡又可分為隨機選取中心法、自組織選取中心法、有監督學習法以及正交最小二乘法。本文選用自組織選取中心法，此法有兩個階段：一是自組織學習階段，二是有監督學習及輸出權值的階段，算法步驟如下：

4.1.1學習中心t（i=1，2...I）自組織學習過程中要用到聚類算法，常用的聚類算法是K-均值聚類算法。假設聚類中心有I個，設ti（n）（i=1，2…I）是第n次迭代時基函數的中心，K-均值聚類算法的步驟如下：第一步，初始化聚類中心，即根據經驗從樣本集中選取I個不同的樣本作為初始中心ti（0）（i=1，2…I），設置迭代步數為n=0。第二步，隨機輸入訓練樣本Xk。第三步，尋找訓練樣本的Xk離哪個中心最近，即找到 i（Xk），使得滿足 i（Xk）=argm i n‖Xk-ti（n）‖，i=1，2…I，ti（n）為第n次迭代時基函數第i個中心 。 第 四 步 ， 調 整 中 心 ， 用 ti（n）=調整基函數的中心，η是學習步長，且0＜η＜1。第五步，判斷是否學習所有的訓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中心一旦學習完就固定了，接著要確定基函數的方差，當選用高斯函數G（‖Xk-ti‖）=，i=1，2…I，方差可用σ1=σ2=σ3=…=σi=dmax/，I為隱單元的個數，dmax為所選中心之間最大距離。

4.2 故障診斷系統各層神經元個數的確定

農用柴油機故障診斷系統選取輸入是8個高壓油管壓力波信號的時域特征參數和小波分解后高頻信號的2個頻域特征參數，本實驗設置了8種常見的故障，以診斷結果的二進制編碼輸出，即8種故障狀態分別為：000；001；010；011；100；101；110；111。由此可知神經網絡的輸入層神經元個數n1=10，輸出層神經元n3=3。隱層數目通常根據以下公式來確定［2］。

這樣經過燃油壓力波特征提取界面和小波分解之后信號顯示界面，調出特征值進行數據融合及歸一化處理，將前面的綜合示波圖分析模塊采集到的壓力波利用神經網絡技術就可以對柴油機燃油系統進行故障診斷。

5 結語

本文通過對傳感器測取的高壓油管壓力波非正常變化的分析，利用LABVIEW虛擬儀器編程實現壓力波波形數據的特征提取，將8種故障工作狀態的數據作為訓練樣本，利用RBF神經網絡進行訓練，樣本實際輸出和期望輸出相吻合，達到了預期值。將神經網絡模型引入柴油機故障診斷中，實現了對柴油機燃油噴射系統故障的智能診斷，并有利于實時在線檢測。若采用較大數量的數據作為訓練樣本建立神經網絡模型，通過波形的特征參數，就能夠做出更準確的故障診斷。

［1］段禮祥，張來斌，王朝輝.柴油機燃燒系統故障的小波包神經網絡模糊診斷法［J］. 機械強度，2006（1）：1-5.

［2］童兵，盧青春.虛擬儀器技術在發動機臺架試驗測量控制系統中的應用［J］. 公路交通科技，2000（2）：80-82.