農用汽車發動機狀態監測系統與診斷方法研究

王彥梅,李佳民

(浙江農業商貿職業學院,浙江 紹興 312088)

農用汽車發動機狀態監測系統與診斷方法研究

王彥梅,李佳民

(浙江農業商貿職業學院,浙江 紹興 312088)

為及時診斷農用汽車發動機的工作性能和故障狀態，設計了多類信號采集、分析處理系統。通過對農用汽車發動機監測信號的采集、處理、融合和診斷，搭建了發動機故障診斷平臺。詳細介紹了故障診斷系統的基本思想和網絡架構，重點研究了信號的采集和處理算法，提出并建立了一種基于信息融合的BP神經網絡農用汽車發動機故障診斷算法。在線實驗表明：系統具有運行穩定、魯棒性好及診斷精度高的特點，能夠滿足實際診斷需求。

農用汽車；發動機；故障診斷；信號處理；在線監測

0 引言

農用汽車作為農業機械化生產的重要工具，是我國從傳統農業向機械化農業轉變的一個中心環節。農用汽車發動機作為農業機械的核心裝備，是一個復雜系統，是農用汽車的核心組成部分。其故障約占全部故障的40%以上[1]，而故障是可能引起事故的主要因素之一。因此，故障診斷是保證農用汽車安全工作和延長發動機使用壽命的主要技術措施[2]。

設備的狀態監測與故障診斷是通過獲取設備過去和現在運行過程中的狀態量，判明質量優劣、可用程度、是否安全、有關異常和故障的原因，并預測對將來的影響，從而找出必要對策的技術[3]。農用汽車發動機作為一種結構復雜、長期在高溫和不同壓力下工作的典型機電設備[4]，其技術狀態參數的多變性(強度、壓強、溫度變化不同)最終導致故障發生。

發動機在運行過程中的工作參數、伴隨過程參數的變化與發動機的技術狀況、故障狀態等密切相關[5]。針對以上問題，設計了農用汽車發動機工作參數與伴隨參數檢測系統，并針對不同信息量，應用信息融合與神經網絡技術建立了農用汽車發動機故障診斷模型，通過仿真與建模分析，解決了診斷模型收斂速度慢、診斷精度低的問題。

1 總體設計

1.1 設計原理

農用汽車發動機運行工況和伴隨過程參數狀態由PCI采集卡采集傳感器信號，傳入工控機進行濾波處理，得到所需的采集參數。工控機把采集到的狀態參數進行預處理、特征提取、成分抽取及信息融合后，得到發動機故障診斷的特征向量，提供給故障分析診斷算法，用于辨識農用汽車發動機的運行狀態。所采集到的信號參數分為原始數據量和經處理后的狀態向量，分別存儲至SQL SERVER數據庫中。故障診斷系統總體設計如圖1所示。

圖1 故障診斷系統總體設計Fig.1 General design of fault diagnosis system

1.2 流程設計

農用汽車發動機工況狀態信號和伴隨參數信號被采集后，傳送至數據分析模塊，進行信號分析判定。若超限，系統報警；若未超限，經系統進行特征向量提取，由標準模塊庫與狀態參數庫比對，確定信號是否正常。如若不正常，系統進行簡易判定處理后，再進行精密診斷識別，確定發動機故障處于等級狀態，出現嚴重故障，則直接停機。系統流程如圖2所示。

圖2 故障診斷系統流程Fig.2 Fault diagnosis system flow

2 信號采集與處理

2.1 信號采集

發動機故障狀態監測系統信號采集由傳感器、采集卡、計算機和信號調理測控軟件等組成，如圖3所示。傳感器采集農用汽車發動機各類原始信號，經過適當的數學處理分析，獲得發動機故障診斷測試系統需要的特征信號。

圖3 信號采集結構示意圖Fig.3 Schematic diagram of signal acquisition structure

圖3中，傳感器負責感知發動機運行狀態和伴隨狀態信號，把信號源的電信號和非電量信號轉換為能夠識別的電信號，分為接觸式和非接觸式兩種。信號調理電路負責把傳感器采集的電信號進行衰減、放大、濾波及整形等處理。采集卡把采集的電信號傳送至計算機中；信號處理分析軟件把采集到的信號進行分析處理，供給診斷識別系統。

2.2 信號處理

農用汽車監測與診斷系統是由計算機、被監測設備、電子元件和電子線路互聯的一個有機整體，實際測量中必然出現一定的信號干擾。通過軟件分析，采集的信號夾雜著一定的高斯噪聲，本文通過改進的一種中值濾波算法去除信號中的高斯噪聲。

中值濾波是一種非線性濾波算法，掩模的大小對濾波的效果影響較大[6]。傳統的中值濾波算法忽略噪聲點與信號點的區別而直接濾波，導致信號失真過大[7]。本文在前人的研究基礎上，提出一種自適應中值濾波算法，其原理為：首先對信號進行判斷，確定改點是否為信號點還是噪聲點，進而設定動態的掩模進行濾波處理。設信號為f(n)，W為濾波窗口掩模，Wmax為最大窗口掩模，Wmin為最小窗口掩模，fmax、fmin、fmed分別為濾波窗口的極大值、極小值和中值，將窗口掩模內的值放入數組s[]、s[m1]、s[m2]為去除fmax，fmin后的極值，m1、m2為對應信號極大值、極小值的位置。

設掩模內信號段的局部均值為u，δ2為方差，p1、p2為系數，則

f(x1)=u+p1×δ2

f(x2)=u-p2×δ2

f(x2)≤f(n)≤f(x1)

若f(n)=fmin，k1為所有極小值中間點到m1位置點的斜率，則

若f(n)=fmax，k2為極大值中間點到m2位置處的斜率，則

設定一個閾值Δ，若k1、k2小于等于閾值Δ，則改點為噪聲點，反之為信號點。通過上述算法對采集的信號進行濾波處理，結果如圖4所示。

圖4 濾波前后的波形對比Fig.4 Waveform comparison before and after filtering

3 信息融合的在線診斷狀態分析

3.1 信息融合算法研究

傳感器采集到發動機運行和伴隨狀態的各種信號，經信號處理后得到反映運行與伴隨狀態的實時信息[8]；而現有的原始信息量過大，速度慢，表現性差，需對現有的信息進行特征提取與融合處理，完成對被測對象的綜合評價[9]。特征層的融合保留了足夠數量的原始信息，同時用實現的數據壓縮，保持了設備狀態的描述[10]。故障診斷與信息融合特征表述關系如圖5所示。

圖5 多傳感器信息融合層次化結構Fig.5 Hierarchical structure of multisensor information fusion

基于上述分析，本文采用數據融合確定診斷參數值，設被測量真實值為T0，測量方程表述為

T=HT0+V

其中，T為測量值；H為系數矩陣；V為噪聲。設測量數據為T11,T12,…,T1m、T21,T22,…,T2n，其算術平均值分別為

對應的標準偏差分別為

測量方程可轉化為

融合方差為

其中，HT為H的轉置矩陣；R為測量噪聲的協方差。

由式(11)、式(12)可得數據融合診斷參數值為

3.2 基于專家知識庫的故障診斷模型研究

上述分析了基于多傳感器信息融合技術，并對數據融合的診斷值算法進行了分析研究。隨著監測診斷系統的日益復雜，傳統的、單一的單類傳感器信息診斷已不能滿足精確診斷的需求[11]。在上述研究的基礎上，充分利用各種傳感器信息進行融合，以提高診斷精度。在診斷預測過程中，領域專家不但擁有豐富的領域知識，且還具有合理選擇和運用知識分析的能力，以達到高效分析預測的目的[12]。本文設計的故障診斷推理過程，以知識庫中的領域知識為基礎，合理選擇利用專家知識和選擇診斷方法，將各方面的診斷信息和診斷結果進行綜合，以達到并獲得可靠的診斷預測結果。系統結構如圖6所示。

圖6 智能故障診斷結構示意圖Fig.6 Schematic diagram of intelligent fault diagnosis

圖6為集成化發動機故障診斷系統，主要應用監測對象模型、規則庫、案例庫及神經網絡模型，以計算機為協同機制平臺，綜合表達和組織運用分析發動機運行狀態，并能實現不同方法間的任務分配和結果傳遞、結論一致性校檢和解釋的綜合性診斷學習平臺。

4 測試診斷平臺的搭建與分析

4.1 故障診斷算法研究

農用汽車發動機故障診斷的實質是搜索各種潛伏的和已經表現的故障征兆，進而對故障征兆的原因做出判斷和解釋[13]。傳統上依靠人工排查的方法解決發動機一些基本故障問題，但這種方法基本上基于現實出現問題后進行檢查和排查，且檢查的效果和速度取決于檢修人員的技術水平，費時費力，不利于推廣使用。目前市場上使用的診斷方法基本使用基于邏輯分析法，這種方法實現和實施過程復雜，達不到在線檢測的要求。本文針對上述問題，采用基于信息融合的BP網絡神經在線診斷算法，實現發農用汽車發動機故障在線檢測。

針對農用汽車發動機綜合故障診斷中的實際問題，在研究完成發動機運行狀態參數信息融合的基礎上，根據發動機運行狀態參數之間的相關關系，建立基于BP神經網絡的農用汽車發動機故障診斷模型。

通過對發動機運行狀態信號和伴隨狀態信號的采集、信息融合后，設發動機故障征兆向量集合為XP∈Rn(p=1,2,···,W),W為經過信息融合后n維向量組成的集合，發動機故障向量集合為YP∈Rm，由W個m維向量組成的集合。通過樣本對組集合Ω∈{Xp,YP},應滿足故障征兆和故障模式之間的映射，其關系如圖7所示。

圖7 發動機故障診斷神經網絡模型Fig.7 Neural network model of engine fault diagnosis

當上述滿足F:X→Y時，則Y=F(X)。其中，F反映故障征兆與故障模式之間的內在關系，為故障診斷問題解。設F為故障診斷征兆向量到故障模式向量的映射，則

F:(Rn)p→((Rm)p)

若神經網絡診斷模型存在映射M，則

M:(Rn)p→((Rm)p)?Y′=M(X)

如果任意對X∈Xp，對應的Y=F(Xp)和Y′=M(Xp)均滿足

‖Y-Y′‖≤ε

則樣本空間上的范數‖Y-Y′‖小于給定的閾值ε，可認為映射M與映射F在給定誤差下近似相等，此時映射M為故障診斷的近似解。通過設計神經網絡模型代碼對樣本數據集進行訓練，其訓練過程及誤差如圖8所示。

圖8 BP網絡神經訓練結果Fig.8 BP neural network training results

從訓練模擬診斷效果可以看出：基于信息融合的BP網絡神經發動機故障診斷算法能夠實現發動機故障診斷正確率在96.75%，模型簡單，且算法收斂快，能夠實現故障的準確預測。

4.2 故障診斷平臺的實現

在上述研究分析的基礎上，完成了農用汽車發動機狀態監測和故障診斷平臺的開發，其軟件主界面如圖9所示。

圖9 農用汽車發動機狀態監測與故障診斷平臺Fig.9 Engine condition monitoring and fault diagnosis platform

平臺主要實現啟動性診斷、燃油供給診斷、點火系統診斷、廢氣排放系統診斷、機體振動測試診斷和冷卻潤滑診斷，可實現單一項目診斷或綜合項目診斷，同時設置手動和自動部分操作。

5 結論

1) 設計了農用汽車發動機狀態監測和故障診斷系統，給出了農用汽車發動機系統總體結構設計示意圖，并對設計進行了詳細的分析。

2) 研究了農用汽車發動機狀態監測和故障診斷系統的信號采集與處理算法，以及診斷信號采集中的高斯噪聲問題，創新性地提出了一種自適應的中值濾波算法，解決了傳統中值濾波信號失真大的問題。

3)研究了基于信息融合的農用汽車發動機故障診斷算法，并設計了基于專家知識庫的發動機故障診斷預測平臺，給出了診斷平臺的結構示意圖。基于該平臺模型，搭建了農用汽車發動機故障診斷預測平臺，并進行了實驗測試，結果表明：該平臺運行監測效果良好，診斷預測精度高。

[1] 陳虹,宮洵,胡云峰,等.汽車控制的研究現狀與展望[J].自動化學報,2013(4):322-346.

[2] 于文武,許春生,康力平.基于AHP的航空發動機健康評估系統設計[J].航空計算技術,2007(1):73-74，79.

[3] 許炎義,王樹宗.基于虛擬樣機的武器裝備遠程診斷技術研究[J].海軍工程大學學報,2006(6):49-52.

[4] PW Tse，WX Yang，HY Tam. Machine fault diagnosis through an effective exact wavelet analysis[J].Journal of Sound & Vibration, 2004,277(4-5):1005-1024.

[5] 韓秋實,許寶杰,王紅軍,等.旋轉機械故障診斷監測專家系統中的時間序列模式識別技術研究[J].機械工程學報,2002(3):104-107.

[6] SunT, Neuvo Y. Detail-preserving median based filters in image processing.[J].Pattern Recogni-tion Letter,1994,15(4):341-347.

[7] Andrzej W，Domanski. Application of optical fiber sensors in mechanical measure- ments[C]// IEEE Instrumentation and Measure- ment Technology Conference，May 19-21，1997，Ottawa，Canada. New York：IEEE，1997：19-21.

[8] D Brunner，G Lemoine，L Bruzzone，et al.Building Height Retrieval From VHR SAR Imagery Based on an Iterative Simulation and Matching Technique[J].Geoscience & Remote Sensing IEEE Transactions on, 2010,48(3):1487-1504.

[9] 滕召勝,郁文賢.基于數據融合的智能水分快速測定儀[J].電工技術學報,1999(5):71-73，80.

[10] 陳國金,侯平智,胡以懷,等.發動機故障特征量提取方法的研究[J].內燃機學報,2002(3):262-266.

[11] 李小昱,王為,雷廷武,等. 多傳感器信息融合技術及在農業工程中的應用前景[J].農業工程學報,2003(3):10-13.

[12] 邵飛,彭蓉.一種基于領域知識的非功能需求建模輔助方法[J].計算機學報,2013(1):39-53.

[13] 張紅梅,趙建虎,代克杰.基于信息融合的風機喘振智能診斷方法研究[J].儀器儀表學報,2009(1):143-146.

Research on Condition Monitoring System and Diagnosis Method of Agricultural Automobile Engine

Wang Yanmei, Li Jiamin

(Zhejiang Agricultural Business College, Shaoxing 312088, China)

In order to diagnose the working performance and the fault state of the agricultural vehicle engine in time, a kind of signal acquisition, analysis and processing system is designed. The engine fault diagnosis platform is built by collecting, processing, fusing and diagnosing the monitoring signals. Introduces the basic idea and framework of network fault diagnosis system, focus on the acquisition and signal processing algorithms, this paper proposes an information fusion based on BP neural network engine fault diagnosis algorithm, the online experiment shows that the system has stable operation and good robustness, high diagnosis accuracy, and can meet the practical diagnostic requirements.

agricultural vehicles； engine; fault diagnosis; signal processing; online monitoring

2017-02-23

浙江省教科規劃2017年度(重點)研究項目(2017SB100)

王彥梅(1966-)，女，山東德州人，副教授，碩士，(E-mail)393019734@qq.com。

李佳民(1970-)，男，黑龍江海倫人，副教授，碩士，(E-mail)764838000@qq.com。

S219

A

1003-188X(2018)02-0252-05