一種基于模糊算法的軍用車輛發(fā)動(dòng)機(jī)故障診斷模型

【后勤保障與裝備管理】

一種基于模糊算法的軍用車輛發(fā)動(dòng)機(jī)故障診斷模型

王大軍1，韓建禮2

(1.后勤學(xué)院后方專業(yè)勤務(wù)系，北京100858； 2.裝甲兵工程學(xué)院訓(xùn)練部，北京100072)

摘要：為方便技術(shù)人員和乘員提高軍用車輛發(fā)動(dòng)機(jī)故障診斷、故障排除的效率和準(zhǔn)確率，采用模糊集合算法，匯集專家經(jīng)驗(yàn)，建立了軍用車輛發(fā)動(dòng)機(jī)故障診斷模型，包括建立診斷矩陣、模式識別、問診、自適應(yīng)修正，實(shí)際診斷結(jié)果證明了所建模型的合理性和可信性。

關(guān)鍵詞:模糊算法；軍用車輛發(fā)動(dòng)機(jī)；故障診斷

收稿日期：2014-10-20

作者簡介：王大軍(1966—)，男，副教授，主要從事后勤保障與裝備管理研究。

doi:10.11809/scbgxb2015.03.019

中圖分類號：TP206+.3;TJ81

文章編號：1006-0707(2015)03-0071-05

本文引用格式：王大軍，韓建禮.一種基于模糊算法的軍用車輛發(fā)動(dòng)機(jī)故障診斷模型[J].四川兵工學(xué)報(bào)，2015(3):71-75.

Citation format:WANG Da-jun, Han Jian-li.Fault Diagnosis Model of Military Vehicle Engines Based on Fuzzy Algorithm[J].Journal of Sichuan Ordnance,2015(3):71-75.

Fault Diagnosis Model of Military Vehicle Engines

Based on Fuzzy Algorithm

WANG Da-jun1, Han Jian-li2

(1.Rear Services Department, Academy of Logistics, Beijing 100858, China;

2.Training Ministry, Academy of Armored Force Engineering, Beijing 100072, China)

Abstract:In order to improve the efficiency and accuracy of military vehicle engine fault diagnosis and troubleshooting, the paper established a model based on fuzzy algorithm and experts’ experience, including diagnosis matrix, pattern recognition, inquiry diagnosis, adaptive correction. The actual diagnosis results prove the rationality and reliability of established model.

Key words： fuzzy algorithm; military vehicle engine; fault diagnosis

軍用車輛發(fā)動(dòng)機(jī)發(fā)生故障具有極大的復(fù)雜性和隨機(jī)性，野外訓(xùn)練和野戰(zhàn)條件下不具備攜帶專業(yè)檢測設(shè)備的條件，發(fā)生故障后往往依靠人的經(jīng)驗(yàn)判斷故障成因，迅速排除或修理。專家或具有豐富經(jīng)驗(yàn)的人根據(jù)模糊的故障現(xiàn)象和長期積累的經(jīng)驗(yàn)，可以快速準(zhǔn)確地診斷出發(fā)動(dòng)機(jī)故障原因。但積累豐富經(jīng)驗(yàn)必須經(jīng)過大量實(shí)踐歷練，需消耗巨大精力和大量時(shí)間。如果把專家的知識和經(jīng)驗(yàn)儲(chǔ)存起來加以集成，使一般技術(shù)人員和乘員可迅速借用專家經(jīng)驗(yàn)，具有可觀的軍事效益和經(jīng)濟(jì)效益。采用模糊集合論算法，匯集專家經(jīng)驗(yàn)，建立軍用車輛發(fā)動(dòng)機(jī)故障診斷模型和診斷系統(tǒng)[1]，可以幫助乘員和技術(shù)人員提高故障診斷和故障排除的準(zhǔn)確率、效率。利用模糊算法建立發(fā)動(dòng)機(jī)故障診斷模型，包括建立診斷矩陣、模式識別、問診、自適應(yīng)修正等[2]。

1診斷矩陣與模式識別

建立基于模糊算法的診斷模型，需做大量準(zhǔn)備工作。通過走訪專家、技術(shù)人員和富有經(jīng)驗(yàn)的乘員、維修人員，仔細(xì)進(jìn)行機(jī)理分析，把引起這些故障現(xiàn)象的成因列舉出來，包括收集發(fā)動(dòng)機(jī)故障，分類整理故障現(xiàn)象和故障成因，給出故障成因排除方法，并確定故障現(xiàn)象、故障成因之間的相互關(guān)系。對引起同一個(gè)故障現(xiàn)象的不同成因，由于引起的現(xiàn)象一樣，可歸為一個(gè)故障成因。如“外組油箱連接管堵塞”、“油路堵塞”、“柴油粗、細(xì)濾清器臟污”，它們引起的現(xiàn)象都是大負(fù)荷工作時(shí)功率不足，故把它們歸為一類。對于“排氣開關(guān)不密閉”等成因，也可能造成發(fā)動(dòng)機(jī)大負(fù)荷工作時(shí)功率不足，但這和油路堵塞供油不足不是同一類性質(zhì)的原因，應(yīng)另行歸類。一般講，成因分得越細(xì)診斷結(jié)果越準(zhǔn)確，但往往造成診斷矩陣過大而得不出診斷結(jié)果?？刂乒收铣梢騻€(gè)數(shù)，可以增加成因與現(xiàn)象的交叉，發(fā)揮模糊算法的特長和優(yōu)勢。

通過分類整理故障現(xiàn)象和故障成因，就可建立起征兆成因矩陣。如某成因可能引起某征兆(故障現(xiàn)象)發(fā)生，則在矩陣中的對應(yīng)值為1，否則為0，這樣布爾矩陣便產(chǎn)生了。

1.1隸屬函數(shù)的確定

布爾矩陣只表示成因和征兆之間存在因果關(guān)系，不能表示發(fā)生的可能性大小，還需結(jié)合專家打分和已有資料，采用模糊算法確定矩陣中數(shù)值的大小。建立故障診斷模型就是要根據(jù)布爾矩陣建立診斷矩陣，以隸屬度的形式反映矩陣中征兆和成因之間的關(guān)系，并用模式識別方法得到診斷結(jié)論。

隸屬函數(shù)的確定方法有統(tǒng)計(jì)法、加權(quán)統(tǒng)計(jì)法、二元對比排序法等[3]，加權(quán)統(tǒng)計(jì)法比較真實(shí)地反映實(shí)際情況。用加權(quán)統(tǒng)計(jì)法確定診斷矩陣中某元素的隸屬函數(shù)uij，主要考慮4種因素，即經(jīng)驗(yàn)統(tǒng)計(jì)資料(l1),機(jī)理分析(l2)，征兆出現(xiàn)的明顯程度(l3)，獲得該征兆的難易程度(l4)。第一因素l1的評分可直接從統(tǒng)計(jì)資料得到

式中：Nxi、NAj分別為處置方法正確的總次數(shù)與在此條件下征兆xi出現(xiàn)的次數(shù)。第二、三、四因素的評分，可事先按下面的征兆語言值所對應(yīng)的從屬度對每一具體征兆請大量專業(yè)人員給出評分(見表1)。

表1　征兆語言與隸屬度關(guān)系表

每一具體征兆的評分集合表示為

由每一征兆的評分集合與權(quán)數(shù)集合計(jì)算得到相應(yīng)的隸屬度uij

上述算式得到的隸屬度一般偏高，且很容易丟失其中權(quán)重分配小的因素，如明顯程度、獲得難易程度的評分，下面算式能比較真實(shí)反映實(shí)際情況

1.2診斷過程

診斷過程實(shí)際上是模式識別的過程，就是模擬人的思維方法，根據(jù)輸入的征兆群[4]，得出診斷結(jié)論(成因)。

1.2.1模式識別方法選擇

確定了診斷模型及隸屬度計(jì)算方法，就可以進(jìn)入編程，完成故障診斷系統(tǒng)界面，根據(jù)提示輸入征兆群[5]，計(jì)算各成因的隸屬度，從大到小得到各成因優(yōu)先次序，隸屬度最大的成因發(fā)生的可能性最大。實(shí)際診斷過程中，為進(jìn)一步區(qū)分隸屬度相差不大的成因，一般輸出幾個(gè)結(jié)果。

從征兆群的輸入到輸出診斷決策結(jié)果，模式識別的任務(wù)便已完成，但這只是搭起了系統(tǒng)的“骨架”，要使系統(tǒng)不斷完善，還需要有問診和自適應(yīng)修正等不可缺少的重要環(huán)節(jié)。

2問診

實(shí)際診斷過程中，由于現(xiàn)場人員觀察不仔細(xì)，或限于技術(shù)水平觀察不到或描述不恰當(dāng)，或有些故障征兆不易發(fā)現(xiàn)，造成所提供征兆有遺漏或錯(cuò)誤，模型難于確診或輸出[6-7]。應(yīng)通過問診，有針對性地自動(dòng)詢問對診斷最有價(jià)值且尚未錄入的征兆。

2.1問診時(shí)機(jī)

按輸入征兆群對應(yīng)各成因的隸屬度從大到小進(jìn)行排序，如果最大隸屬度數(shù)值與其他隸屬度數(shù)值差值較大，且滿足閾值輸出條件，做出該征兆群屬于該成因的結(jié)論是可信的。但如果得到的前幾個(gè)成因的隸屬度很接近，若以排在最前面的成因作為診斷結(jié)論就值得懷疑，模糊集合論的觀點(diǎn)認(rèn)為此時(shí)排在前面的幾個(gè)成因發(fā)生的可能性幾乎相等，從這幾個(gè)成因中選出一個(gè)作為診斷結(jié)論，需進(jìn)一步提供征兆，即需進(jìn)一步問診。另外，如果隸屬度不滿足閾值輸出條件，也需進(jìn)一步問診。

(問診1條件)或

(問診2條件)，則需問診。

α、θ是事先選定的閾值。0和1是兩種最清晰的狀態(tài)，取它們中間值0.5是最模糊的。但固定閾值0.5并不能滿足輸入征兆群個(gè)數(shù)變化的要求，有必要使α的值隨輸入征兆個(gè)數(shù)變化而變化?？梢老率阶兓害?0.5-0.015(n-1)，斜率0.015由系統(tǒng)調(diào)試得出，n為輸入的征兆個(gè)數(shù)。θ值由實(shí)踐得出，θ值不表示某個(gè)方案采取的可能性的大小，而只是表示了前幾個(gè)方案發(fā)生可能性的相差程度，不必要隨輸入征兆個(gè)數(shù)的變化和問診次數(shù)的增加而變化。只要前幾個(gè)成因相鄰隸屬度之差≥θ，說明分辨度夠，可以輸出結(jié)果，否則需要問診。θ值可調(diào)試確定(本模型θ取0.1)。

2.2問診過程

問診過程是根據(jù)計(jì)算結(jié)果決策輸出結(jié)果還是進(jìn)入問診程序，是進(jìn)入問診1還是進(jìn)入問診2。

基本步驟：確定對象集X和因素集U，找出評判矩陣R，確定評判函數(shù)f：D=f(z1,z2,…,zm)， 按Ⅰ′、Ⅱ′、Ⅲ′型評判函數(shù)綜合評判。

第Ⅰ′型：D1=(z1+z2+…+zm)/m

第Ⅱ型：D2=(z1∨z2∨…∨zm)

第Ⅲ′型：D3=(z1∧z2∧…∧zm)

m為判據(jù)集中元素個(gè)數(shù)。計(jì)算評判指標(biāo)：

將D(x1),D(x2),…,D(xm)按大小排序，按序擇優(yōu)。

2.2.1因素集和對象集的確定

問診過程因素集(判據(jù)集)U={計(jì)算的最大隸屬度，隸屬度差值，閾值α是否達(dá)到，分辨度(差值)θ是否達(dá)到}，對象集X={輸出，停止問診，問診1，問診2}。輸出和停止問診是明確概念，可根據(jù)閾值和分辨度等條件編程控制，對象集簡化為X={問診1，問診2}，即綜合評判的任務(wù)是要確定決策轉(zhuǎn)向問診1還是問診2。

2.2.2評判矩陣的確定

確定了因素集和判據(jù)集，可得評判矩陣(見表2)。

表2　評判矩陣表

表2中數(shù)據(jù)確定：如果umax≥α且umax-uj≥θ，則輸出結(jié)果，否則進(jìn)行綜合評判。如果umax<α，umax越小，1-umax就越大，對進(jìn)入問診1的影響大，對進(jìn)入問診2的影響小，同時(shí)給問診1的權(quán)值大(0.6)，問診2的權(quán)值小(0.4)，反之亦然。如果分辨度<θ，umax-uj愈小，r2[1-(umax-uj)]愈大，對進(jìn)入問診2的影響大，相應(yīng)給問診2的權(quán)值大(0.6)，問診1的權(quán)值小(0.4)，反之亦然。表中r1、r2是考慮到umax-uj值一般較小，而1-(umax-uj)較大，為滿足整體綜合評判的需要，需對它們進(jìn)行調(diào)整，其值由實(shí)際調(diào)試確定，如r1=4.5、r2=0.4。

2.2.3評判指標(biāo)

Ⅰ′、Ⅱ′、Ⅲ′型評判函數(shù)都只是取了問題的一個(gè)方面，即取平均，或取最大，或取最小。對綜合評判問題，還可分別求出D1、D2、D3，視它們?yōu)橐蛩丶械脑?，利用它們再做一次評判，即所謂二級評判[3]。如果已知對象集X、因素集U及評判矩陣R，則S=(X,U,R)稱為評判空間。設(shè)評判空間為S=(X,U,R)，按Ⅰ′、Ⅱ′、Ⅲ′型計(jì)算得：

令U1={D1,D2,D3},R1∈F(X×U1)，即可得一新的評判矩陣：

其中xi為備選對象集，本模型中即為問診1和問診2，F(xiàn)(X×U1)表示論域X×U1上模糊集合的全體。于是得到了一個(gè)新的評判空間S1=(X,U1,R1),對S1再做一次評判，評判函數(shù)可設(shè)為：

計(jì)算di=f(di1，di2,di3),i≤m，稱di為xi的評判指標(biāo)，從di中排序擇優(yōu)。

D1,D2,D3為一次評判后的結(jié)果，可取其均值作為評判指標(biāo)。令a1=a2=a3=1/3，則

綜合評判舉例：已知計(jì)算結(jié)果umax=0.45，uj=0.4，求評判結(jié)果。隸屬度和分辨度均不滿足輸出條件，評判矩陣為：

按Ⅰ，、Ⅱ，、Ⅲ，型計(jì)算得R1如下：

d1

2.2.4問診方法

如進(jìn)入問診1，說明輸入的征兆不充足，應(yīng)對診斷決策貢獻(xiàn)最大的征兆提問；如進(jìn)入問診2，則對兩個(gè)隸屬度之差最大的征兆提問。

算法2：主要解決umax-uj<θ的問題。設(shè)給定一征兆群B={xi,i∈I1}，計(jì)算結(jié)果Ac、Av兩個(gè)方案的隸屬度非常接近，則在診斷矩陣中提問B中未出現(xiàn)過，且對應(yīng)Ac、Av兩個(gè)方案隸屬度差值最大的征兆，計(jì)算差值：Wl=|ulc-ulv|(l∈I0)。式中I0為B中未出現(xiàn)過的征兆下標(biāo)集合。取Wg=max{wl，l∈I0}，提問與之相對應(yīng)的xg征兆。

2.3自適應(yīng)修正

診斷決策矩陣匯集了專家的排故經(jīng)驗(yàn)，但是，專家也有可能在某些方面判斷的正確性不夠，甚至在某些方面有錯(cuò)漏。診斷決策過程中需要不斷獲取新的知識，或者修改原有知識，使自身不斷完善，即模型要有自學(xué)習(xí)的功能[8]，自動(dòng)修正診斷矩陣中的隸屬度值，在不破壞典型故障和模型故障診斷經(jīng)驗(yàn)的基礎(chǔ)上，使得診斷結(jié)果向正確的方向轉(zhuǎn)化，在保證診斷矩陣穩(wěn)定、收斂的同時(shí)，使診斷結(jié)果更加符合客觀實(shí)際。為了不破壞原有診斷矩陣的正確性和穩(wěn)定性，自適應(yīng)修正過程中還需要檢驗(yàn)典型診斷實(shí)例和實(shí)際排故經(jīng)驗(yàn)，但不需要檢驗(yàn)其全部，只需要檢驗(yàn)與自修正最相關(guān)的典型實(shí)例或排故經(jīng)驗(yàn)[9]。如果修正后不破壞最相關(guān)的典型實(shí)例，認(rèn)為自適應(yīng)修正是穩(wěn)定、收斂的。

3故障診斷實(shí)例

通過建立某型坦克發(fā)動(dòng)機(jī)故障診斷矩陣，進(jìn)行故障診斷，并和實(shí)際排故結(jié)果比較，證實(shí)模型給出的結(jié)果與實(shí)際相符。

實(shí)例1：某部一輛坦克訓(xùn)練完畢回場途中，發(fā)動(dòng)機(jī)逐漸無力至緩慢熄火，啟動(dòng)數(shù)次無效。排除噴油泵空氣時(shí)，發(fā)現(xiàn)有大量空氣，排氣后能順利啟動(dòng)，但工作一段時(shí)間后又自行熄火，多次反復(fù)。

實(shí)例2：某坦克在野營拉練中，突然聽到“嗆嗆嗆”的響聲，懷疑單缸供油量大，更換了新噴油泵，但聲音并未消失；啟動(dòng)時(shí)發(fā)現(xiàn)空氣濾清器內(nèi)有吱吱的壓縮空氣沖出的聲音。診斷結(jié)果如表3和表4所示。

表3　診斷實(shí)例1

4結(jié)論

本模型采用模糊算法建立的評判矩陣及所確定的評判指標(biāo)，能比較滿意地得出評判結(jié)果，確實(shí)使故障診斷向有利的方向發(fā)展，證實(shí)了本模型的合理性和可信性。問診次數(shù)超過3次時(shí)自動(dòng)跳出問診，為了給用戶提供較多的問診信息，每次問診都顯示排在前面的3個(gè)征兆，提高了診斷的準(zhǔn)確率，而且診斷速度并不降低。

參考文獻(xiàn)：

[1]王松嶺.坦克發(fā)動(dòng)機(jī)故障診斷專家系統(tǒng)研究[D].遼寧：大連理工大學(xué)，2005.

[2]賀仲雄.模糊數(shù)學(xué)及其應(yīng)用[M].天津：天津科學(xué)技術(shù)出版社，1983：16-20.

[3]汪培莊.模糊集合論及其應(yīng)用[M].上海：上?？萍汲霭嫔?，1983：14-17.

[4]黃開啟，黃躍飛，劉曉波.多征兆模糊診斷系統(tǒng)知識表示及專家系統(tǒng)研究[J].中國機(jī)械工程，2004，15(12)：1077-1079.

[5]宋平，蘇萬華，裴毅強(qiáng)，等.柴油機(jī)模糊診斷專家系統(tǒng)研究[J].內(nèi)燃機(jī)工程，2007，28(4)：65-68.

[6]王久崇，樊曉光，萬明，等.改進(jìn)的故障樹模糊診斷方法及其應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2012，48(14)：226-230.

[7]李宇，王偉平，劉博寧，等.基于故障樹的復(fù)雜電子系統(tǒng)可靠度模糊評定方法[J].計(jì)算機(jī)測量與控制，2010，20(9)：2467-2469.

[8]WANG ZHONG-HAO,SHAO XIN-YU,ZHANG GUO-JUN.Integration of Variable Precision Rough Set and Fuzzy Clustering:An Application to Knowledge Acquisition for Manufacturing Process Planning[M].Springer,Berlin,Heidelberg,2005：585-593.

[9]齊怡，沈士團(tuán)，李驛華.模糊診斷規(guī)則自學(xué)習(xí)中規(guī)則條件優(yōu)選技術(shù)研究[J].北京航空航天大學(xué)學(xué)報(bào)，2004，30(06)：506-511.

(責(zé)任編輯楊繼森)