农用汽车发动机状态监测系统与诊断方法研究

王彦梅,李佳民

(浙江农业商贸职业学院,浙江 绍兴 312088)

农用汽车发动机状态监测系统与诊断方法研究

王彦梅,李佳民

(浙江农业商贸职业学院,浙江 绍兴 312088)

为及时诊断农用汽车发动机的工作性能和故障状态，设计了多类信号采集、分析处理系统。通过对农用汽车发动机监测信号的采集、处理、融合和诊断，搭建了发动机故障诊断平台。详细介绍了故障诊断系统的基本思想和网络架构，重点研究了信号的采集和处理算法，提出并建立了一种基于信息融合的BP神经网络农用汽车发动机故障诊断算法。在线实验表明：系统具有运行稳定、鲁棒性好及诊断精度高的特点，能够满足实际诊断需求。

农用汽车；发动机；故障诊断；信号处理；在线监测

0 引言

农用汽车作为农业机械化生产的重要工具，是我国从传统农业向机械化农业转变的一个中心环节。农用汽车发动机作为农业机械的核心装备，是一个复杂系统，是农用汽车的核心组成部分。其故障约占全部故障的40%以上[1]，而故障是可能引起事故的主要因素之一。因此，故障诊断是保证农用汽车安全工作和延长发动机使用寿命的主要技术措施[2]。

设备的状态监测与故障诊断是通过获取设备过去和现在运行过程中的状态量，判明质量优劣、可用程度、是否安全、有关异常和故障的原因，并预测对将来的影响，从而找出必要对策的技术[3]。农用汽车发动机作为一种结构复杂、长期在高温和不同压力下工作的典型机电设备[4]，其技术状态参数的多变性(强度、压强、温度变化不同)最终导致故障发生。

发动机在运行过程中的工作参数、伴随过程参数的变化与发动机的技术状况、故障状态等密切相关[5]。针对以上问题，设计了农用汽车发动机工作参数与伴随参数检测系统，并针对不同信息量，应用信息融合与神经网络技术建立了农用汽车发动机故障诊断模型，通过仿真与建模分析，解决了诊断模型收敛速度慢、诊断精度低的问题。

1 总体设计

1.1 设计原理

农用汽车发动机运行工况和伴随过程参数状态由PCI采集卡采集传感器信号，传入工控机进行滤波处理，得到所需的采集参数。工控机把采集到的状态参数进行预处理、特征提取、成分抽取及信息融合后，得到发动机故障诊断的特征向量，提供给故障分析诊断算法，用于辨识农用汽车发动机的运行状态。所采集到的信号参数分为原始数据量和经处理后的状态向量，分别存储至SQL SERVER数据库中。故障诊断系统总体设计如图1所示。

图1 故障诊断系统总体设计Fig.1 General design of fault diagnosis system

1.2 流程设计

农用汽车发动机工况状态信号和伴随参数信号被采集后，传送至数据分析模块，进行信号分析判定。若超限，系统报警；若未超限，经系统进行特征向量提取，由标准模块库与状态参数库比对，确定信号是否正常。如若不正常，系统进行简易判定处理后，再进行精密诊断识别，确定发动机故障处于等级状态，出现严重故障，则直接停机。系统流程如图2所示。

图2 故障诊断系统流程Fig.2 Fault diagnosis system flow

2 信号采集与处理

2.1 信号采集

发动机故障状态监测系统信号采集由传感器、采集卡、计算机和信号调理测控软件等组成，如图3所示。传感器采集农用汽车发动机各类原始信号，经过适当的数学处理分析，获得发动机故障诊断测试系统需要的特征信号。

图3 信号采集结构示意图Fig.3 Schematic diagram of signal acquisition structure

图3中，传感器负责感知发动机运行状态和伴随状态信号，把信号源的电信号和非电量信号转换为能够识别的电信号，分为接触式和非接触式两种。信号调理电路负责把传感器采集的电信号进行衰减、放大、滤波及整形等处理。采集卡把采集的电信号传送至计算机中；信号处理分析软件把采集到的信号进行分析处理，供给诊断识别系统。

2.2 信号处理

农用汽车监测与诊断系统是由计算机、被监测设备、电子元件和电子线路互联的一个有机整体，实际测量中必然出现一定的信号干扰。通过软件分析，采集的信号夹杂着一定的高斯噪声，本文通过改进的一种中值滤波算法去除信号中的高斯噪声。

中值滤波是一种非线性滤波算法，掩模的大小对滤波的效果影响较大[6]。传统的中值滤波算法忽略噪声点与信号点的区别而直接滤波，导致信号失真过大[7]。本文在前人的研究基础上，提出一种自适应中值滤波算法，其原理为：首先对信号进行判断，确定改点是否为信号点还是噪声点，进而设定动态的掩模进行滤波处理。设信号为f(n)，W为滤波窗口掩模，Wmax为最大窗口掩模，Wmin为最小窗口掩模，fmax、fmin、fmed分别为滤波窗口的极大值、极小值和中值，将窗口掩模内的值放入数组s[]、s[m1]、s[m2]为去除fmax，fmin后的极值，m1、m2为对应信号极大值、极小值的位置。

设掩模内信号段的局部均值为u，δ2为方差，p1、p2为系数，则

f(x1)=u+p1×δ2

f(x2)=u-p2×δ2

f(x2)≤f(n)≤f(x1)

若f(n)=fmin，k1为所有极小值中间点到m1位置点的斜率，则

若f(n)=fmax，k2为极大值中间点到m2位置处的斜率，则

设定一个阈值Δ，若k1、k2小于等于阈值Δ，则改点为噪声点，反之为信号点。通过上述算法对采集的信号进行滤波处理，结果如图4所示。

图4 滤波前后的波形对比Fig.4 Waveform comparison before and after filtering

3 信息融合的在线诊断状态分析

3.1 信息融合算法研究

传感器采集到发动机运行和伴随状态的各种信号，经信号处理后得到反映运行与伴随状态的实时信息[8]；而现有的原始信息量过大，速度慢，表现性差，需对现有的信息进行特征提取与融合处理，完成对被测对象的综合评价[9]。特征层的融合保留了足够数量的原始信息，同时用实现的数据压缩，保持了设备状态的描述[10]。故障诊断与信息融合特征表述关系如图5所示。

图5 多传感器信息融合层次化结构Fig.5 Hierarchical structure of multisensor information fusion

基于上述分析，本文采用数据融合确定诊断参数值，设被测量真实值为T0，测量方程表述为

T=HT0+V

其中，T为测量值；H为系数矩阵；V为噪声。设测量数据为T11,T12,…,T1m、T21,T22,…,T2n，其算术平均值分别为

对应的标准偏差分别为

测量方程可转化为

融合方差为

其中，HT为H的转置矩阵；R为测量噪声的协方差。

由式(11)、式(12)可得数据融合诊断参数值为

3.2 基于专家知识库的故障诊断模型研究

上述分析了基于多传感器信息融合技术，并对数据融合的诊断值算法进行了分析研究。随着监测诊断系统的日益复杂，传统的、单一的单类传感器信息诊断已不能满足精确诊断的需求[11]。在上述研究的基础上，充分利用各种传感器信息进行融合，以提高诊断精度。在诊断预测过程中，领域专家不但拥有丰富的领域知识，且还具有合理选择和运用知识分析的能力，以达到高效分析预测的目的[12]。本文设计的故障诊断推理过程，以知识库中的领域知识为基础，合理选择利用专家知识和选择诊断方法，将各方面的诊断信息和诊断结果进行综合，以达到并获得可靠的诊断预测结果。系统结构如图6所示。

图6 智能故障诊断结构示意图Fig.6 Schematic diagram of intelligent fault diagnosis

图6为集成化发动机故障诊断系统，主要应用监测对象模型、规则库、案例库及神经网络模型，以计算机为协同机制平台，综合表达和组织运用分析发动机运行状态，并能实现不同方法间的任务分配和结果传递、结论一致性校检和解释的综合性诊断学习平台。

4 测试诊断平台的搭建与分析

4.1 故障诊断算法研究

农用汽车发动机故障诊断的实质是搜索各种潜伏的和已经表现的故障征兆，进而对故障征兆的原因做出判断和解释[13]。传统上依靠人工排查的方法解决发动机一些基本故障问题，但这种方法基本上基于现实出现问题后进行检查和排查，且检查的效果和速度取决于检修人员的技术水平，费时费力，不利于推广使用。目前市场上使用的诊断方法基本使用基于逻辑分析法，这种方法实现和实施过程复杂，达不到在线检测的要求。本文针对上述问题，采用基于信息融合的BP网络神经在线诊断算法，实现发农用汽车发动机故障在线检测。

针对农用汽车发动机综合故障诊断中的实际问题，在研究完成发动机运行状态参数信息融合的基础上，根据发动机运行状态参数之间的相关关系，建立基于BP神经网络的农用汽车发动机故障诊断模型。

通过对发动机运行状态信号和伴随状态信号的采集、信息融合后，设发动机故障征兆向量集合为XP∈Rn(p=1,2,···,W),W为经过信息融合后n维向量组成的集合，发动机故障向量集合为YP∈Rm，由W个m维向量组成的集合。通过样本对组集合Ω∈{Xp,YP},应满足故障征兆和故障模式之间的映射，其关系如图7所示。

图7 发动机故障诊断神经网络模型Fig.7 Neural network model of engine fault diagnosis

当上述满足F:X→Y时，则Y=F(X)。其中，F反映故障征兆与故障模式之间的内在关系，为故障诊断问题解。设F为故障诊断征兆向量到故障模式向量的映射，则

F:(Rn)p→((Rm)p)

若神经网络诊断模型存在映射M，则

M:(Rn)p→((Rm)p)⟹Y′=M(X)

如果任意对X∈Xp，对应的Y=F(Xp)和Y′=M(Xp)均满足

‖Y-Y′‖≤ε

则样本空间上的范数‖Y-Y′‖小于给定的阈值ε，可认为映射M与映射F在给定误差下近似相等，此时映射M为故障诊断的近似解。通过设计神经网络模型代码对样本数据集进行训练，其训练过程及误差如图8所示。

图8 BP网络神经训练结果Fig.8 BP neural network training results

从训练模拟诊断效果可以看出：基于信息融合的BP网络神经发动机故障诊断算法能够实现发动机故障诊断正确率在96.75%，模型简单，且算法收敛快，能够实现故障的准确预测。

4.2 故障诊断平台的实现

在上述研究分析的基础上，完成了农用汽车发动机状态监测和故障诊断平台的开发，其软件主界面如图9所示。

图9 农用汽车发动机状态监测与故障诊断平台Fig.9 Engine condition monitoring and fault diagnosis platform

平台主要实现启动性诊断、燃油供给诊断、点火系统诊断、废气排放系统诊断、机体振动测试诊断和冷却润滑诊断，可实现单一项目诊断或综合项目诊断，同时设置手动和自动部分操作。

5 结论

1) 设计了农用汽车发动机状态监测和故障诊断系统，给出了农用汽车发动机系统总体结构设计示意图，并对设计进行了详细的分析。

2) 研究了农用汽车发动机状态监测和故障诊断系统的信号采集与处理算法，以及诊断信号采集中的高斯噪声问题，创新性地提出了一种自适应的中值滤波算法，解决了传统中值滤波信号失真大的问题。

3)研究了基于信息融合的农用汽车发动机故障诊断算法，并设计了基于专家知识库的发动机故障诊断预测平台，给出了诊断平台的结构示意图。基于该平台模型，搭建了农用汽车发动机故障诊断预测平台，并进行了实验测试，结果表明：该平台运行监测效果良好，诊断预测精度高。

[1] 陈虹,宫洵,胡云峰,等.汽车控制的研究现状与展望[J].自动化学报,2013(4):322-346.

[2] 于文武,许春生,康力平.基于AHP的航空发动机健康评估系统设计[J].航空计算技术,2007(1):73-74，79.

[3] 许炎义,王树宗.基于虚拟样机的武器装备远程诊断技术研究[J].海军工程大学学报,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] 韩秋实,许宝杰,王红军,等.旋转机械故障诊断监测专家系统中的时间序列模式识别技术研究[J].机械工程学报,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] 滕召胜,郁文贤.基于数据融合的智能水分快速测定仪[J].电工技术学报,1999(5):71-73，80.

[10] 陈国金,侯平智,胡以怀,等.发动机故障特征量提取方法的研究[J].内燃机学报,2002(3):262-266.

[11] 李小昱,王为,雷廷武,等. 多传感器信息融合技术及在农业工程中的应用前景[J].农业工程学报,2003(3):10-13.

[12] 邵飞,彭蓉.一种基于领域知识的非功能需求建模辅助方法[J].计算机学报,2013(1):39-53.

[13] 张红梅,赵建虎,代克杰.基于信息融合的风机喘振智能诊断方法研究[J].仪器仪表学报,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

浙江省教科规划2017年度(重点)研究项目(2017SB100)

王彦梅(1966-)，女，山东德州人，副教授，硕士，(E-mail)393019734@qq.com。

李佳民(1970-)，男，黑龙江海伦人，副教授，硕士，(E-mail)764838000@qq.com。

S219

A

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