面向大數(shù)據(jù)新能源拖拉機(jī)發(fā)動(dòng)機(jī)智能故障監(jiān)測(cè)系統(tǒng)

孫 峰,高紅波

(洛陽(yáng)職業(yè)技術(shù)學(xué)院 汽車與軌道交通學(xué)院,河南 洛陽(yáng) 471000)

0 引言

拖拉機(jī)發(fā)動(dòng)機(jī)工作環(huán)境復(fù)雜、零部件眾多,在使用過(guò)程中,隨著使用里程、工作小時(shí)增多,零部件會(huì)出現(xiàn)一定程度的磨損,導(dǎo)致發(fā)動(dòng)機(jī)出現(xiàn)一些故障。因此,采用有效策略對(duì)拖拉機(jī)發(fā)動(dòng)機(jī)進(jìn)行故障診斷,提醒駕駛員正確使用和及時(shí)維修保養(yǎng)顯得尤為重要。為了解決上述問(wèn)題,本文利用大數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)算法,設(shè)計(jì)了一套新能源拖拉機(jī)發(fā)動(dòng)機(jī)智能故障監(jiān)測(cè)系統(tǒng)。

1 發(fā)動(dòng)機(jī)智能故障監(jiān)測(cè)

現(xiàn)代故障實(shí)時(shí)檢測(cè)是一門綜合性的技術(shù),能夠根據(jù)故障特征和機(jī)器振動(dòng)規(guī)律,利用信號(hào)處理、數(shù)據(jù)分析等方法對(duì)機(jī)器進(jìn)行故障分析。發(fā)動(dòng)機(jī)故障檢測(cè)的主要任務(wù)是：①利用傳感器采集到的機(jī)器各項(xiàng)特征指標(biāo),判斷機(jī)器是否工作在正常狀態(tài);②對(duì)故障特征分類,準(zhǔn)確判斷出發(fā)生故障的零部件,為快速維修提供理論依據(jù);③利用數(shù)據(jù)分析、概率論和大數(shù)據(jù)等技術(shù),預(yù)測(cè)發(fā)動(dòng)機(jī)故障,實(shí)現(xiàn)機(jī)器設(shè)備的健康管理。

1.1 故障診斷原理

對(duì)于拖拉機(jī)這種復(fù)雜的系統(tǒng)來(lái)說(shuō),一個(gè)小小零部件的問(wèn)題都可能影響整臺(tái)機(jī)器的運(yùn)轉(zhuǎn),發(fā)動(dòng)機(jī)作為整個(gè)系統(tǒng)的核心,容易被損壞并導(dǎo)致嚴(yán)重的機(jī)械故障。另外,無(wú)論是什么部位的部件,不管發(fā)生了什么程度的故障,都會(huì)導(dǎo)致整個(gè)系統(tǒng)功能的變化,而這種變化都會(huì)直接表現(xiàn)在參數(shù)的變化上,本文研究的故障診斷就是利用大數(shù)據(jù)對(duì)這類異常的特征參數(shù)進(jìn)行處理和分析,判斷出機(jī)器發(fā)生的故障。

由于拖拉機(jī)系統(tǒng)龐大,運(yùn)行過(guò)程中的參數(shù)信息也會(huì)非常復(fù)雜,因此在進(jìn)行故障診斷時(shí),首先要提取出有用的故障特征,去除無(wú)用的參數(shù);由于不能直接根據(jù)提取出的特征參數(shù)判斷發(fā)生何種故障,需要對(duì)參數(shù)進(jìn)行進(jìn)一步的分析處理,提取出故障征兆信息。有了以上的基礎(chǔ)后,便可以進(jìn)行故障種類的識(shí)別和分類。一般情況下,故障診斷的識(shí)別過(guò)程分為兩步：①特征提取,主要是從眾多的故障征兆中提取出能反應(yīng)故障狀態(tài)變化的參數(shù)信息;②故障分類,根據(jù)前一步驟的參數(shù)信息,給出最匹配的故障模式。故障診斷流程示意如圖1所示。

圖1 故障診斷流程示意圖Fig.1 The flow diagram of fault diagnosis

故障診斷流程比較復(fù)雜,最重要的是根據(jù)故障征兆對(duì)系統(tǒng)進(jìn)行故障狀態(tài)診斷。具體識(shí)別過(guò)程為：

1)提取故障特征參數(shù)。對(duì)于拖拉機(jī)而言,在其作業(yè)過(guò)程中,會(huì)伴隨熱量、振動(dòng)等參數(shù)的持續(xù)變化,利用傳感器采集這些信息,包括機(jī)器設(shè)備的振動(dòng)頻率、位移、發(fā)動(dòng)機(jī)瞬間轉(zhuǎn)速、加速度、溫度、電壓及電流等。若拖拉機(jī)存在故障,則可以從這些參數(shù)中提取出故障信息。因此,對(duì)這些信號(hào)進(jìn)行處理和分析,是實(shí)現(xiàn)故障診斷的基礎(chǔ)。信號(hào)處理主要包括利用傅里葉、小波等方法去進(jìn)行放大、去噪轉(zhuǎn)換等處理。

2)故障識(shí)別。當(dāng)機(jī)器在正常作業(yè)過(guò)程中,需要通過(guò)一系列的參數(shù)預(yù)測(cè)和判斷機(jī)器未來(lái)一定時(shí)間內(nèi)的狀態(tài)。當(dāng)機(jī)器處在故障狀態(tài)時(shí),需要根據(jù)機(jī)器采集到的信號(hào)參數(shù)診斷故障的類型、部位等,故障的識(shí)別分類過(guò)程是根據(jù)采集到的故障征兆,采用各種識(shí)別算法和識(shí)別模型,進(jìn)行精確的故障診斷。故障診斷常規(guī)方法如圖2所示。本文采用基于神經(jīng)網(wǎng)絡(luò)的知識(shí)智能故障診斷方法。

圖2 故障診斷常規(guī)方法Fig.2 The conventional methods of fault diagnosis

1.2 基于神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法

神經(jīng)網(wǎng)絡(luò)是研究學(xué)者模擬人類大腦思考和分析問(wèn)題建立的數(shù)學(xué)模型,其采用梯度最速下降和更新權(quán)重等方法,獲得最小化誤差函數(shù),通過(guò)將訓(xùn)練樣本輸入網(wǎng)絡(luò),在重復(fù)學(xué)習(xí)和訓(xùn)練之后,生成一組權(quán)重以調(diào)用測(cè)試樣本,從而預(yù)測(cè)目標(biāo)對(duì)象的特征。神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成。結(jié)構(gòu)示意如圖3所示。

圖3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖Fig.3 The structural sketch diagram of neural network

其輸入輸出的關(guān)系表達(dá)式為

(1)

其中,xi、yi分別為輸入、輸出信號(hào);wki為神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)權(quán)重;f和b分別為神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)和閾值。在層次的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,若某一層神經(jīng)元智能接受上一層輸入,且只輸出給下一層結(jié)構(gòu),那么稱其為前饋網(wǎng)絡(luò)。多層前饋神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖4所示。

圖4 多層前饋神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)Fig.4 The basic structure of multilayer feedforward neural network

由圖4可以看出：每個(gè)神經(jīng)元可以接收上一層發(fā)送過(guò)來(lái)的信號(hào),經(jīng)過(guò)處理后可以通過(guò)一個(gè)相關(guān)的函數(shù)將結(jié)果輸出給下一層。因此,神經(jīng)元可以看成是一個(gè)具有一定分析的數(shù)學(xué)函數(shù),而一個(gè)神經(jīng)網(wǎng)絡(luò)由無(wú)數(shù)個(gè)這樣的網(wǎng)絡(luò)組成。

拖拉機(jī)的狀態(tài)和環(huán)境的溫度、壓力及機(jī)器振動(dòng)頻率、電壓值、電流值等等參數(shù)相關(guān),而這種關(guān)系非常復(fù)雜,因此需要采用神經(jīng)網(wǎng)絡(luò)對(duì)拖拉機(jī)的不確定性進(jìn)行故障診斷。

2 拖拉機(jī)發(fā)動(dòng)機(jī)診斷

2.1 基于大數(shù)據(jù)的拖拉機(jī)發(fā)動(dòng)機(jī)診斷架構(gòu)

隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,人工智能、大數(shù)據(jù)技術(shù)站在了發(fā)展的風(fēng)口上,越來(lái)越多的大數(shù)據(jù)應(yīng)用服務(wù)涌現(xiàn)。大數(shù)據(jù)Hadoop技術(shù)要實(shí)現(xiàn)的關(guān)鍵功能是Map和Reduce。MapReduce框架在鍵值對(duì)上運(yùn)行,每個(gè)Map任務(wù)處理輸入分割塊,生成鍵值對(duì)格式的中間數(shù)據(jù);然后,這些數(shù)據(jù)按密鑰進(jìn)行排序和分區(qū),并會(huì)在Reduce階段,將相同密鑰的鍵值對(duì)聚合到同一個(gè)reducer以進(jìn)行下一步處理。

大數(shù)據(jù)Hadoop技術(shù)可以利用Map和Reduce對(duì)數(shù)據(jù)參數(shù)進(jìn)行分割、映射、排序、合并、分類等操作,能對(duì)拖拉機(jī)的故障特征進(jìn)行表征。利用大數(shù)據(jù)對(duì)故障特征構(gòu)建故障特征后,可以采用神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行識(shí)別和判斷。基于大數(shù)據(jù)的拖拉機(jī)發(fā)送機(jī)診斷架構(gòu)如圖5所示。

圖5 基于大數(shù)據(jù)的拖拉機(jī)發(fā)送機(jī)診斷架構(gòu)Fig.5 Tractor transmitter diagnosis architecture based on big data

2.2 基于神經(jīng)網(wǎng)絡(luò)的拖拉機(jī)發(fā)動(dòng)機(jī)診斷

為了提高拖拉機(jī)發(fā)動(dòng)機(jī)故障診斷的精準(zhǔn)度,本文在大數(shù)據(jù)分類的基礎(chǔ)上,利用神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行分析和判斷。基于神經(jīng)網(wǎng)絡(luò)的拖拉機(jī)發(fā)動(dòng)機(jī)診斷如圖6所示。

圖6 基于神經(jīng)網(wǎng)絡(luò)的拖拉機(jī)發(fā)動(dòng)機(jī)診斷Fig.6 Tractor engine diagnosis based on neural network

基于神經(jīng)網(wǎng)絡(luò)的拖拉機(jī)發(fā)動(dòng)機(jī)診斷主要包括以下4個(gè)步驟：

1)特征數(shù)據(jù)預(yù)處理。將數(shù)據(jù)更改為如(0,-1)或者(-1,1)區(qū)間,常用的表達(dá)式為

(2)

(3)

其中,x和y分別為輸入、輸出向量;min和max分別為特征數(shù)據(jù)中最大和最小值。

2)建立神經(jīng)網(wǎng)絡(luò)。創(chuàng)建如下函數(shù)功能的前饋神經(jīng)網(wǎng)絡(luò),即

net=newff(A,B,{C},'trainFun')

(4)

其中,A為特征數(shù)據(jù)中min和max的矩陣,B為神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)的k維矢量值,C為相應(yīng)層k維矢量中子,'trainFun'為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法,m為神經(jīng)網(wǎng)絡(luò)神經(jīng)元數(shù)量,其求解表達(dá)式為

(5)

m=log2n

(6)

(7)

其中,n、l分別為神經(jīng)網(wǎng)絡(luò)輸入輸出層的節(jié)點(diǎn),α為1到10之間的調(diào)整系數(shù)。

3)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。假設(shè)神經(jīng)網(wǎng)絡(luò)的故障特征輸出兩組存在一一對(duì)應(yīng)的關(guān)系：A(n)→B(n)。其中,n為故障特征樣本數(shù)量,A(n)和B(n)分別為故障特征和分類集合。當(dāng)神經(jīng)網(wǎng)絡(luò)輸入為A(r)時(shí),神經(jīng)網(wǎng)絡(luò)的輸出為C(r),一般稱C(r)為神經(jīng)網(wǎng)絡(luò)的解決策略;當(dāng)C(r)=B(r)時(shí),表示神經(jīng)網(wǎng)絡(luò)分類正確。在對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中,存在除A(r)以外,另一個(gè)故障特征A(p)輸入時(shí),存在

A(p)=Ar+X,B(p)=B(r)

(8)

其中,X為神經(jīng)網(wǎng)絡(luò)變差。神經(jīng)網(wǎng)絡(luò)不斷進(jìn)行訓(xùn)練和計(jì)算,使其可以輸出,則有

C(p)=C(r)

(9)

當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練好以后,輸入新的故障特征值,則可以根據(jù)學(xué)習(xí)函數(shù)準(zhǔn)確的判斷出故障類型。

4)神經(jīng)網(wǎng)絡(luò)的測(cè)試。利用訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型對(duì)已知故障特診進(jìn)行檢測(cè),并對(duì)比已知故障和檢測(cè)故障,從而判斷模型是否準(zhǔn)確。

3 發(fā)動(dòng)機(jī)故障診斷仿真

根據(jù)前文的分析,本文采用三層神經(jīng)網(wǎng)絡(luò)進(jìn)行拖拉機(jī)發(fā)動(dòng)機(jī)故障診斷分析,輸入層為6,對(duì)應(yīng)發(fā)動(dòng)機(jī)故障的6個(gè)特征;輸出層為6,對(duì)應(yīng)6種故障。神經(jīng)網(wǎng)絡(luò)故障診斷過(guò)程描述如下：

將對(duì)應(yīng)MatLab的M文件及經(jīng)過(guò)大數(shù)據(jù)處理過(guò)后的故障特診復(fù)制到桌面上,打開(kāi)shibie.m文件,1運(yùn)行會(huì)出現(xiàn)下列提示：請(qǐng)直接按回車鍵正在生成輸入向量和目標(biāo)向量,請(qǐng)稍等……。2直接按回車鍵,會(huì)出現(xiàn)下列提示：輸入向量和目標(biāo)向量生成結(jié)束!請(qǐng)按回車鍵進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。3再按回車鍵,會(huì)進(jìn)行訓(xùn)練,訓(xùn)練完畢后會(huì)出現(xiàn)如圖7所示的結(jié)果。

圖7 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.7 The training results of neural networks

采用梯度法對(duì)拖拉機(jī)發(fā)動(dòng)機(jī)故障的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,經(jīng)過(guò)5000次迭代訓(xùn)練后,會(huì)得出實(shí)際計(jì)算出的網(wǎng)絡(luò)誤差為2.1602×10-3,樣本訓(xùn)練如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練結(jié)果Table 1 The training results of neural network samples

4 實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證面向大數(shù)據(jù)新能源拖拉機(jī)發(fā)動(dòng)機(jī)智能故障監(jiān)測(cè)系統(tǒng)的可靠性和穩(wěn)定性,對(duì)存在故障的20臺(tái)新能源拖拉機(jī)發(fā)動(dòng)機(jī)進(jìn)行了實(shí)際診斷分析。實(shí)驗(yàn)中,從新能源拖拉機(jī)發(fā)動(dòng)機(jī)采集到某一故障信號(hào)如圖8(a)所示;經(jīng)過(guò)信號(hào)處理后得到如圖8(b)所示的信號(hào)。

圖8 故障信號(hào)的處理過(guò)程Fig.8 The processing of fault signal

本文利用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行故障診斷后,得出了如表2所示的故障診斷結(jié)果。

表2 故障診斷結(jié)果Table 2 The fault diagnosis results

由表2可以看出：面向大數(shù)據(jù)新能源拖拉機(jī)發(fā)動(dòng)機(jī)智能故障監(jiān)測(cè)系統(tǒng)可以準(zhǔn)確進(jìn)行故障診斷,診斷結(jié)果和實(shí)際結(jié)果吻合,可以為發(fā)動(dòng)機(jī)故障診斷及維修人員提供參照依據(jù)。

5 結(jié)論

基于大數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)診斷技術(shù),設(shè)計(jì)了一種新能源拖拉機(jī)發(fā)動(dòng)機(jī)智能故障監(jiān)測(cè)系統(tǒng)。首先,從故障診斷原理和智能故障診斷方法介紹了發(fā)動(dòng)機(jī)智能故障監(jiān)測(cè)方法;其次,提出了將大數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)結(jié)合的拖拉機(jī)發(fā)動(dòng)機(jī)診斷系統(tǒng);最后,進(jìn)行了發(fā)動(dòng)機(jī)故障診斷仿真和試驗(yàn)。結(jié)果表明：該方法能夠有效地對(duì)新能源拖拉機(jī)發(fā)動(dòng)機(jī)故障進(jìn)行診斷,且診斷正確率較高,可以為發(fā)動(dòng)機(jī)故障診斷及維修人員提供參照依據(jù)。