基于模糊神經(jīng)網(wǎng)絡(luò)的挖掘機(jī)發(fā)動機(jī)故障智能診斷方法

摘要：從基于模糊理論的發(fā)動機(jī)狀態(tài)關(guān)聯(lián)分析、基于神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷研究等兩個方面，闡述了挖掘機(jī)發(fā)動機(jī)故障智能診斷方法，將本文設(shè)計的挖掘機(jī)發(fā)動機(jī)故障智能診斷方法與其他兩種故障診斷方法在同等測試環(huán)境下進(jìn)行模擬測試，并將模擬測試得出的數(shù)據(jù)進(jìn)行分析，分析結(jié)果表明本文設(shè)計的發(fā)動機(jī)故障智能診斷方法，明顯優(yōu)于其他兩種故障診斷方法。

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；挖掘機(jī)發(fā)動機(jī)；故障智能診斷

0 引言

挖掘機(jī)發(fā)動機(jī)零部件眾多，故障診斷繁瑣。挖掘機(jī)的復(fù)雜工況和大負(fù)荷工作狀態(tài)，增加了其發(fā)動機(jī)發(fā)生故障的可能性。

在挖掘機(jī)運(yùn)行時間逐漸增加的客觀條件下，其發(fā)動機(jī)的工作性能會出現(xiàn)衰退，故障率會提高，可靠性會降低[1]。及時發(fā)現(xiàn)并解決發(fā)動機(jī)存在的故障，對提高挖掘機(jī)工作效率、保障施工進(jìn)度具有重要的現(xiàn)實意義。

針對發(fā)動機(jī)故障診斷問題，文獻(xiàn)[2]將融合卷積Transformer引入到發(fā)動機(jī)故障診斷的研究中，該方法在一定程度上提高了診斷的準(zhǔn)確性，但是其精準(zhǔn)程度受客觀因素的影響較為明顯；文獻(xiàn)[3]充分利用自適應(yīng)烏鴉搜索算法的優(yōu)勢，設(shè)計了一種發(fā)動機(jī)故障診斷方法，并實現(xiàn)了提高診斷精度的目的，但是其準(zhǔn)確性的波動較為明顯。

對挖掘機(jī)發(fā)動機(jī)進(jìn)行實時、有效的故障診斷，可及時發(fā)現(xiàn)故障部位，可減少發(fā)動機(jī)故障率，可避免或減少因其故障導(dǎo)致的停工和事故，也是降低維修成本的重要手段之一[4]，因此對其進(jìn)行進(jìn)一步研究仍然具有重要的現(xiàn)實意義。

為此，本文研究了基于模糊神經(jīng)網(wǎng)絡(luò)的挖掘機(jī)發(fā)動機(jī)故障智能診斷方法，并通過對比測試的方法，分析該診斷方法的實用性能。

1 挖掘機(jī)發(fā)動機(jī)故障智能診斷方法

1.1 基于模糊理論的發(fā)動機(jī)狀態(tài)關(guān)聯(lián)分析

由于挖掘機(jī)發(fā)動機(jī)的實際運(yùn)行工況不存在唯一性，這就導(dǎo)致直接利用相關(guān)參數(shù)的具體取值結(jié)果對其故障狀態(tài)進(jìn)行診斷時的誤差相對較大[5]。為此，首先分析了發(fā)動機(jī)狀態(tài)關(guān)聯(lián)，并在具體的分析過程中引入模糊理論[6]。

在描述挖掘機(jī)發(fā)動機(jī)故障隸屬度時，主要采用了模糊集合表示法，通過這樣的方法，使挖掘機(jī)發(fā)動機(jī)故障現(xiàn)象和故障原因?qū)崿F(xiàn)融合[7]。其中，挖掘機(jī)發(fā)動機(jī)故障原因模糊集合可以表示為下列公式：

N={Uyi} （1）

式（1）中：N表示挖掘機(jī)發(fā)動機(jī)故障原因模糊集合；Uyi表示y故障原因和i故障原因之間的隸屬度參數(shù)。挖掘機(jī)發(fā)動機(jī)故障現(xiàn)象模糊集合可以表示為下列公式：

M={Uxi} （2）

式（2）中：M表示挖掘機(jī)發(fā)動機(jī)故障現(xiàn)象模糊集合，Uxi表示x故障現(xiàn)象和i故障現(xiàn)象之間的隸屬度參數(shù)。

對挖掘機(jī)發(fā)動機(jī)而言，在上述基礎(chǔ)上充分考慮了故障原因和故障現(xiàn)象之間相互關(guān)聯(lián)關(guān)系[8]，也就是式（1）和式（2）之間的模糊準(zhǔn)則，借助模糊理論中的“if-then”規(guī)定，建立了挖掘機(jī)發(fā)動機(jī)故障原因和故障現(xiàn)象之shimE6GDhtB35VmDwV13hg==間的關(guān)聯(lián)關(guān)系，其具體的規(guī)定是“ifUyi，thenUxi”。按照上述方法，實現(xiàn)對發(fā)動機(jī)狀態(tài)關(guān)聯(lián)的分析，為后續(xù)的故障診斷提供基礎(chǔ)。

1.2 基于神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷研究

在完成挖掘機(jī)發(fā)動機(jī)狀態(tài)關(guān)聯(lián)分析后，轉(zhuǎn)入對其發(fā)動機(jī)進(jìn)行故障診斷研究。在進(jìn)行挖掘機(jī)發(fā)動機(jī)故障診斷的研究中，引入了神經(jīng)網(wǎng)絡(luò)。

在神經(jīng)網(wǎng)絡(luò)中對訓(xùn)練樣本進(jìn)行正向計算時，設(shè)置數(shù)據(jù)的輸入起點為神經(jīng)網(wǎng)絡(luò)的輸入層，對應(yīng)的終點為神經(jīng)網(wǎng)絡(luò)的輸出層。

通過這樣的方法，使得所有訓(xùn)練數(shù)據(jù)都能夠流經(jīng)BP神經(jīng)網(wǎng)絡(luò)的全部結(jié)構(gòu)。在此基礎(chǔ)上，上一層的輸入與相關(guān)模型的參量就可以作為神經(jīng)網(wǎng)絡(luò)每一層各個神經(jīng)元激活的具體參數(shù)，實現(xiàn)對故障表現(xiàn)與故障狀態(tài)的準(zhǔn)確診斷。本文設(shè)計的挖掘機(jī)發(fā)動機(jī)故障診斷神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意如圖1所示。

根據(jù)圖1所示的挖掘機(jī)發(fā)動機(jī)故障診斷神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在分析挖掘機(jī)發(fā)動機(jī)故障原因模糊集合與挖掘機(jī)發(fā)動機(jī)故障現(xiàn)象模糊集合時，為了最大限度降低診斷結(jié)果的誤差，本文采用梯度下降法對挖掘機(jī)發(fā)動機(jī)故障診斷神經(jīng)網(wǎng)絡(luò)輸出的故障診斷結(jié)果進(jìn)行修正，具體的處理方法可以表示為下列公式：

（3）

式（3）中：e表示挖掘機(jī)發(fā)動機(jī)故障診斷神經(jīng)網(wǎng)絡(luò)輸出的故障診斷結(jié)果修正值；k表示梯度下降法對挖掘機(jī)發(fā)動機(jī)故障診斷神經(jīng)網(wǎng)絡(luò)輸出的故障診斷結(jié)果的修正系數(shù)。

需要特別注意的是，由于采用本文設(shè)計的方法開展挖掘機(jī)發(fā)動機(jī)故障診斷時，并未對具體的運(yùn)行參數(shù)值進(jìn)行分析，而是直接利用參數(shù)之間的關(guān)系進(jìn)行的，因此對客觀參數(shù)閾值范圍的控制是關(guān)鍵之一。

按照上述方法，借助神經(jīng)網(wǎng)絡(luò)實現(xiàn)對挖掘機(jī)發(fā)動機(jī)故障的有效診斷，最大限度保障診斷結(jié)果的可靠性。

2 對診斷方法的測試

2.1 測試環(huán)境

本文以渦扇發(fā)動機(jī)為基礎(chǔ)開展模擬測試。模擬測試以公開的渦扇發(fā)動機(jī) C-MAPSS 數(shù)據(jù)集作為基準(zhǔn)數(shù)據(jù)，以混合故障模式數(shù)據(jù)集作為診斷目標(biāo)。

在具體測試過程中，考慮到挖掘機(jī)發(fā)動機(jī)的實際運(yùn)行狀態(tài)可能存在較為明顯的差異，為了能夠更加綜合、全面地分析所設(shè)計診斷方法的應(yīng)用性能，本文將分別將挖掘鉆頭轉(zhuǎn)速V、馬赫數(shù)Ma和油門解算器角度TRA作為自變量參數(shù)，設(shè)置不同的工況，以此實現(xiàn)對不同挖掘機(jī)發(fā)動機(jī)運(yùn)行環(huán)境條件的模擬測試。測試工況和測試數(shù)據(jù)對比如表1所示。

2.2 測試方法

以上述的測試工況設(shè)置情況為基礎(chǔ)，分別采用文獻(xiàn)[2]提出的以融合卷積Transformer為基礎(chǔ)的發(fā)動機(jī)故障診斷方法、文獻(xiàn)[3]提出的以自適應(yīng)烏鴉搜索算法為基礎(chǔ)的發(fā)動機(jī)故障診斷方法和本文設(shè)計的發(fā)動機(jī)故障診斷方法，開展對比診斷模擬測試。對發(fā)動機(jī)故障診斷結(jié)果的評價，本文共設(shè)置了3個應(yīng)用較廣的指標(biāo)作為評價基準(zhǔn)，分別為精確率、召回率以及準(zhǔn)確率。

2.3 測試結(jié)果

2.3.1 文獻(xiàn)診斷方法測試結(jié)果

在上述測試環(huán)境的基礎(chǔ)上，分別對3種不同故障診斷方法進(jìn)行了測試，并將測試數(shù)據(jù)進(jìn)行了記錄。采用文獻(xiàn)[2]提出的以融合卷積Transformer為基礎(chǔ)的發(fā)動機(jī)故障診斷方法的測試結(jié)果如表2所示。采用文獻(xiàn)[3]提出的以自適應(yīng)烏鴉搜索算法為基礎(chǔ)的發(fā)動機(jī)故障診斷方法的測試結(jié)果如表3所示。

2.3.2 本文設(shè)計診斷方法測試結(jié)果

采用本文設(shè)計的發(fā)動機(jī)故障診斷方法進(jìn)行測試的結(jié)果如表4所示。

2.4 測試結(jié)果分析和結(jié)論

YQyXbrSeAfZoQmXSTfJGxg==上述3種不同故障診斷方法測試結(jié)果的數(shù)據(jù)可以發(fā)現(xiàn)，在不同的工況下，其表現(xiàn)出的診斷性能存在較為明顯的差異。

在融合卷積Transformer診斷方法測試結(jié)果的數(shù)據(jù)中，在不同工況下對故障診斷的召回率始終穩(wěn)定在80.0%以上，對應(yīng)的準(zhǔn)確率也達(dá)到了81.0%以上。但是精準(zhǔn)率的波動程度較為明顯，其最大值達(dá)到了95.12%（測試工況3），最小值僅為75.33%（測試工況2）。

在自適應(yīng)烏鴉搜索診斷方法測試結(jié)果的數(shù)據(jù)中，在不同工況下對故障診斷的精準(zhǔn)率和召回率均處于相對較高的狀態(tài)。但是準(zhǔn)確率穩(wěn)定性偏低，其對應(yīng)的最大值和最小值分別為92.46%（測試工況6）和70.15%（測試工況4）。

相比之下，在本文設(shè)計診斷方法測試結(jié)果的數(shù)據(jù)中，在設(shè)置的6種不同工況下，對于故障的診斷效果始終表現(xiàn)出了較高的水平，對應(yīng)的精準(zhǔn)率始終穩(wěn)定在90.0%以上。其中召回率YQyXbrSeAfZoQmXSTfJGxg==始終穩(wěn)定在95.0%以上，準(zhǔn)確率始終穩(wěn)定在91.0%以上。

綜合上述測試數(shù)據(jù)分析可以得出以下結(jié)論：本文設(shè)計的基于模糊神經(jīng)網(wǎng)絡(luò)的挖掘機(jī)發(fā)動機(jī)故障智能診斷方法，其精準(zhǔn)率、召回率和準(zhǔn)確率均很高，可以實現(xiàn)對發(fā)動機(jī)故障狀態(tài)的有效診斷，幾乎不受發(fā)動機(jī)客觀運(yùn)行狀態(tài)的影響。

3 結(jié)束語

在挖掘機(jī)發(fā)動機(jī)故障診斷過程中，由于發(fā)動機(jī)客觀運(yùn)行狀態(tài)的差異性，導(dǎo)致采用單一標(biāo)準(zhǔn)對其進(jìn)行診斷時，對應(yīng)的診斷效果難以滿足實際應(yīng)用需求。本文提出的基于模糊神經(jīng)網(wǎng)絡(luò)的挖掘機(jī)發(fā)動機(jī)故障智能診斷方法，利用模糊理論和神經(jīng)網(wǎng)絡(luò)對挖掘機(jī)發(fā)動機(jī)狀態(tài)進(jìn)行客觀分析，實現(xiàn)了對不同運(yùn)行工況下發(fā)動機(jī)故障的有效診斷。希望本文的設(shè)計與研究，能夠為挖掘機(jī)發(fā)動機(jī)故障診斷提供有價值的參考。

參考文獻(xiàn)

[1] 陳澤灝，陳暉，高玉閃，等.基于模型的液體火箭發(fā)動機(jī)故障診斷技術(shù)研究回顧與展望[J/OL].航空學(xué)報，2023， 7（14）：1-22.

[2] 趙洪利，楊佳強(qiáng).基于融合卷積Transformer的航空發(fā)動機(jī)故障診斷[J/OL].北京航空航天大學(xué)學(xué)報，2023， 2（6）：1-14.

[3] 王亮，唐明偉.自適應(yīng)烏鴉搜索算法改進(jìn)深度置信網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷[J].機(jī)械強(qiáng)度，2023，45（2）：278-283.

[4] 周寒，莫李平，劉淵，等.基于特征優(yōu)化與改進(jìn)KNN的航空發(fā)動機(jī)故障診斷[J].航空計算技術(shù)，2023，53（2）：45-49.

[5] 伍濟(jì)鋼，文港，楊康.改進(jìn)一維卷積神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)故障診斷方法[J].電子測量與儀器學(xué)報，2023， 37（3）：179-186.

[6] 陳財森，胡海榮，程志煒，等.基于BA-RVM算法的發(fā)動機(jī)故障診斷技術(shù)研究[J].計算機(jī)工程與科學(xué)，2023， 45（2）：332-337.

[7] 白雲(yún)杰，賈希勝，梁慶海，等.基于PCA-EDT-CNN的柴油發(fā)動機(jī)故障診斷方法[J].機(jī)械強(qiáng)度，2022，44（6）：1271-1278.

[8] 曹惠玲，成寶榮.基于SelBagging算法的CFM56-7B發(fā)動機(jī)故障診斷[J].中國民航大學(xué)學(xué)報，2022，40（6）：18-23.