模糊模式识别技术在液体推进剂火箭发动机故障诊断中的应用

模糊模式识别技术在液体推进剂火箭发动机故障诊断中的应用（精选2篇）

篇1：模糊模式识别技术在液体推进剂火箭发动机故障诊断中的应用

基于故障方程的故障诊断是一种有效的诊断方法,但是其依赖于精确的发动机模型,否则容易造成漏判及误判,并且其受制于发动机“可观测性”问题,导致其在工程上无法有效使用。基于规则的专家诊断一般诊断功能比较简单,很多较为复杂的发动机故障模式无法识别。人工神经网络以其独特联想、记忆和学习等功能在机械设备故障诊断领域受到广泛关注,但传统的神经网络一般收敛速度慢,需要大量故障样本进行训练,致使其不能快速有效应用于实际工程中[2,3]。

将“模糊”概念引入航空发动机故障诊断,在保留现有诊断方法一些优点的基础上,有效地将工程经验融入诊断过程,使诊断更为简单有效[4,5]。本文介绍的两种诊断方法:模糊经验方程与模糊自组织神经网络均属此类,下面将对这两种方法及在航空发动机故障诊断中的应用进行探讨。

1模糊经验方程与模糊自组织神经网络

1.1模糊经验方程

模糊经验方程[5,6]属于经验故障方程的一类,其有别于传统的经验方程之处在于其以隶属度函数的概念表征了故障征兆量与故障模式之间的“模糊”关系,在构建方程时大量的具体故障样本也不是必须的,可根据专家经验采用“专家打分法”和“二元对比排序法”建立隶属度矩阵,即所谓的模糊诊断矩阵。

在建立出模糊诊断矩阵槇R后,根据故障特征模糊向量槇Y=(y1,y2,…,yn)求解故障模式的计算公式为[5,7]:

该计算公式称为模糊综合评判。其中模糊综合评判结果(故障模式)X是特征集上的模糊子集。xj(j=1,2,…,n)为第j个故障模式对综合评判模糊子集X的隶属度,它是广义模糊合成运算下得出的运算结果。其具体计算式为:

该运算通常由模型M(～,)表示,～代表广义模糊“与”运算,而代表广义模糊“或”运算。通常情况下,rij(i=1,2,…,m;j=1,2,…,n)为仅参考第j故障的影响时诊断对象的第i个特征量的隶属度。通过广义模糊“与”运算～之后所得的结果(记为),就是在综合考虑各种征兆变量的条件下,诊断对象对第j个故障模式的隶属度。最后再通过广义模糊“或”运算对各个经过调整之后的隶属度r进行综合处理。

在实际应用中,可根据不同需要提出不同的模糊综合评判模型,即不同的合成运算方式,每一种模型都对应着一种模糊逻辑诊断算法,下面对“加权平均型”的综合评判模型进行简要介绍[7,8]。

该方法用乘法运算来代替～,用⊕来代替,于是有

在该模型中,模糊向量(故障征兆)Y=(y1,y2,…,yn)具有权向量的作用。该模型不仅考虑了所有故障因素的影响,而且还保留了单一因素评判的全部信息。

当yi(i=1,2,…,m)具有规一性时,即时,式(5)中的⊕便自动退化成为普通实数加法运算,即:

根据诊断模型由故障特征计算出每种故障模式的隶属度后,根据最大隶属原则和阈值原则进行模式识别[5,8]。

1.2模糊自组织神经网络

自组织特征映射神经网络[9,10]是人工神经网络中的一大类,其模型较常用的BP网络更接近人类生物学结构,最明显的特征是它的学习是无监督条件下进行的。它的模型结构如图1所示。

该模型由输入和输出两层神经元组成:输入层的每个神经元均与输出层的神经元通过联接权值相连。其中输入层的神经元个数按照输入网络的向量分量个数来确定,输入神经元接收网络的输入信号;输出层则是由神经元按照一定的方式(常见的有方形和六边形)排列成一个平面。当网络输入层接收到外部的输入信号时,输出层的某神经元就会兴奋起来,从而判断输入信号所属的类别。

自组织特征映射神经网络的学习有别于BP网络的学习,因为它是自组织的,即在学习过程中,不需要提前给定任何期望输出。当输入向量输入到网络后,网络利用随机选取的权值进行计算,并找到获胜神经元,然后调整权值,用收缩邻域和学习因子(随时间而收缩)的办法,最终使权值形成了一组能映射输入的数据,当网络自组织形成时训练就结束了。

自组织神经网络可直接采用试验数据进行训练诊断,也可以采用经验性的隶属度矩阵作为训练样本,这时称为模糊自组织神经网络。

2模糊经验方程与模糊自组织神经网络在发动机故障诊断中的应用

2.1航空发动机故障模式与故障征兆隶属度矩阵

对于模糊经验方程,在确定了故障征兆量与故障模式后,其方程建立过程实际就是隶属度矩阵(模糊经验诊断矩阵)确定过程。同时该隶属度矩阵可作为样本对自组织神经网络进行训练。

在文献[1]中给出了一个例子:某发动机的常见故障自动停车的故障征兆有6个,即排气温度超温(y1)、振动(y2)、转速急降(y3)、滑油告警灯亮(y4)、滑油消耗量大(y5)、转速上不去(y6);故障成因有5个,即离心活门抱轴(x1)、涡轮叶片折断(x2)、滑油导管振裂(x3)、油泵随活塞卡死(x4)、传动轴折断(x5)。对于例子中的故障征兆与故障模式由“专家打分法”和“二元对比排序法”[6,8]建立隶属度矩阵,故障征兆与故障成因之间的隶属度矩阵如表1所示。

2.2待诊断故障样本描述

采用某型发动机试验中3次自动提车的故障样本[10]进行诊断。该故障样本经过分析处理并根据选择的诊断征兆参数,经过模糊处理后,得到模糊征兆参数向量,如表2所示。

这3个故障经过现场专家的人工诊断和分解检查,分别确诊为:离心活门抱轴(Y1)、滑油导管振裂(Y2)和传动轴折断(Y3)。

2.3模糊经验诊断方程的诊断应用

根据上面确定的故障征兆、故障模式及其隶属度矩阵,可建立模糊经验方程如下:

采用“加权平均型”的综合评判模型计算出每种故障模式的隶属度,对上面故障征兆向量进行归一化处理,用公式(5)计算可得3个样本下各故障模式的综合隶属度:

由以上的诊断结果,根据最大隶属度原则,可判定样本Y1的故障模式为x1离心活门抱轴,样本Y2的故障模式为x3滑油导管振裂,样本Y3的故障模式为x5传动轴折断。对比这3个故障样本的确诊结果,可发现经验故障方程准确有效地诊断出该发动机实际故障,在工程应用上是可信的。

2.4模糊自组织神经网络的诊断应用

采用表1的隶属度矩阵对自组织神经网络进行训练,得到64个神经元(8×8)的输出层,这里需要说明的是输出层的神经元个数将直接影响诊断结果的好坏,如果输出层神经元个数过少,将有可能把征兆相似的故障诊断为一个故障,造成误诊;如果输出层神经元个数过多,一方面使网络的学习速度和效率降低,另一方面可能诊断不出偏离标准样本较远的故障,造成漏诊。将所有的标准样本知识输入到自组织神经网络中去,系统经过训练,反复调整权值,训练完成后在输出层映射的结果如图2所示。图中的x1,x2,x3,x4和x5分别标明了各个故障样本在网络输出层平面的映射位置。

采用表2中的故障样本,经过处理后输入到已经训练好的模糊自组织特征映射神经网络中去,最后在网络输出层上的映射结果见图3。

对比图2和图3可以发现:样本Y1的映射结果与x1位置相同,样本Y2的映射结果与x3位置相同。因此,该自组织网络做出如下诊断:样本Y1的故障为离心活门抱轴(x1),样本Y2的故障为滑油导管振裂(x3)。样本Y3输入网络后,它所映射的位置与训练结果都不相同,但是比较两图可以看出,它的位置与x5的位置相对近些,而与其他训练样本的映射位置相对远一些,按照自组织特征映射网络的模式聚类原理,可以确定样本Y3的故障类型为传动轴折断(x5)。该诊断结果与专家现场诊断结果及上面的模糊经验方程诊断一致。

3结论

1)模糊经验方程有效融入工程经验,其建立无需大量具体故障样本,征兆特征无需量化,方程模型及算法简单易行。其应用于航空发动机故障诊断,经故障实例验证,结果准确有效。

2)模糊自组织特征映射人工神经网络结构算法简单、无监督自学习、学习效率高、模式聚类功能强,这些使该方法在航空发动机故障诊断方面具有很好的应用前景。通过探讨其在发动机故障诊断中的应用并经实例验证,证实该方法是一种有效的诊断方法。

3)这两种方法都可根据经验性的故障模式与故障征兆间的隶属度函数建立,在算法结构上较为类似。经验方程一旦隶属度矩阵建立,可直接进行求解,其建立与求解过程相对模糊自组织网络较为简单,但其求解后的还需进行模式识别,对于结果中各故障模式综合隶属度相近或有多个故障同时发生时,其模式识别可能相对较为困难,而模糊自组织网络的结果更为简单明了。

参考文献

[1]范作民,孙春林,白杰.航空发动机故障诊断导论.北京:科学出版社,2004

[2]尉询楷,李应红.航空发动机状态监控与诊断现状及发展趋势.第五届全国技术过程故障诊断与安全性学术会议论文集,2007

[3]张炜,张优云,战仁军.BP网络改进算法及其在旋转机械故障诊断中的应用.振动工程学报,1993;(3):13—16

[4]吴金培.模糊诊断理论及其应用.北京:科学出版社,1995

[5]何斌.关于模糊故障诊断系统数学模型的研究.吉林工学院学报(自然科学版),1996;(2):30—32

[6]孔繁森,陈如恒.机械设备模糊故障诊断中权重集隶属度函数的确定.石油大学学报(自然科学版),1995;(5):35—37

[7]李士勇.工程模糊数学及应用.哈尔滨:哈尔滨工业大学出版社,2004

[8]陈进.机械设备振动监测与故障诊断.上海交通大学出版社,1999

[9]吴蒙,贡璧.人工神经网络与机械故障诊断.振动工程学报,1993;(2):16—20

篇2：模糊模式识别技术在液体推进剂火箭发动机故障诊断中的应用

关键词：尾气；分析；故障；诊断

中图分类号：G71

一、尾气分析概述

（一）尾气分析的基本概念

尾气分析是在发动机不同工作状况下，通过检测废气中不同成分气体的含量来判断发动机各系统故障的方法。其目的是对发动机的燃烧状况进行综合评价。

（二）尾气分析在汽车发动机故障诊断中应用的背景

随着现代科学技术的进步，特别是随着计算机技术的进步，汽车检测技术也飞速发展。汽车故障诊断仪、示波器、红外线测温仪等设备对汽车进行不解体检测已越来越多使用，但是将汽车尾气分析应用于汽车发动机故障诊断中上还是很少，尾气分析大都还是环保部门做检查环保，对修理厂修车用的不是很多。尾气分析不仅是检查排放污染物治理效果的唯一途径，而且还是对发动机工作状况及性能判定的重要手段。

二、尾气的主要成分、生成机理及影响因素

（一）尾气的主要成分

尾气主要是CO、HC、NOx、CO2、H2O和O2，其中CO、HC、NOx、这些物质对人类和整个环境危害极大，为排气污染物。

（二）尾气污染物的生成机理

CO是燃烧不完全的产物，HC主要是未燃烧和未完全燃烧而产生，NOX是在发动机大负荷工作时在高温富氧中产生。

（三）尾气排放物的影响因素

1、空燃比对尾气成分的影响

随着空燃比的增加，CO值逐渐下降，HC值两头高、中间低，CO2值中间高、两头低。当空燃比小于14.7：1时，由于空气量不足引起不完全燃烧，CO、HC值增大。空燃比越接近14.7：1，燃烧越完全，HC、CO的值越低，O2越接近于零，而CO2的值越高。而当空燃比超过16.2：1时，由于燃料成分过少，用通常的燃烧方式已不能正常着火，产生失火，使未燃HC大量排出。在理论空燃比附近，CO曲线有一个拐点，当A/F减少时，可燃混合气过浓，燃油无法充分燃烧，CO生成物便急剧增加；当A/F增大时，氧含量充足，燃油可以充分燃烧，使CO生成量减少，而且比较稳定。

2、点火正时对尾气成分的影响

点火提前角对CO值没有太大影响，但对HC和NOx的影响较大，过分推迟点火会使CO没有时间完全氧化而引起CO排放量增加，但适度推迟点火可减小CO排放。实际上当点火时间推迟时，为了维持输出功率不变需要开大节气门，这时CO排放明显增加。随着点火提前角的推迟，HC的含量降低，主要是因为增高了排气温度，促进了CO和HC的氧化，也由于减小了燃烧室内的激冷面积。火提前角对CO的生成量影响不大，但对HC和NOx的影响较大。

随着点火提前角的增大，HC和NOx生成物都会急剧增加，其原因与燃烧时的速度、压力、温度等有关，当点火提前角增大到一定值后，由于燃烧时间过短，HC和NOx生成量便有所下降。当然，正确的调整点火正时是非常必要的，过迟的点火提前角会使发动机动力下降，油耗增大，工作不稳。

三、尾气排放不合格的故障诊断

（一）尾气排放不合格原因与故障诊断* C8 B0 _： _5 B$ p5 w* R9 k* r& {9 o$ L1 T/ [$ D！ [0 ＼" }， ～

1、HC值过大，说明燃油没有充分燃烧。应检查点火系统是否缺火、点火能量不足或点火时间不准、检查气缸密封情况、检查配气相位、检查三元催化器、检查电控系统传感器或电脑是否有故障。

2、CO值过高说明混合气过浓，应检查喷油嘴是否漏油、燃油压力是否过高、空气滤清是否堵塞或活塞环胶阻、曲轴箱通风受阻、点火提前交过大、水温传感器和空气流量计故障。CO值过低，说明混合气过稀，应检查燃油压力是否过低、喷油嘴堵塞、真空泄露等。

3、NOx值过大，应检查点火提前角及点火控制系统、传感器是否有故障、气缸压力是否过高、发动机工作温度是否过高、进气温度是否过高、配气相位是否正确和进气增压是否过大。

4、O2值低，而CO值低，说明混合气过浓，应检查喷油器是否泄露、燃油压力是否过高、曲轴箱是否窜气、燃油蒸发系统是否有故障、传感器和电脑是否有故障。

5、O2值高，而CO值低，说明混合气过稀，应主要检查真空是否泄露、燃油压力是否过低、喷油器是否堵塞、控制系统是否有故障和排气系统是否有故障。

（二）尾气排放超标的一般检查步骤

1、用五气体废气分析仪检测发动机尾气排放。初步分析排放超标的大的方面的故障原因，如混合气浓、混合气稀、气缸缺火等。

进行故障码读取，检查ECU是否存储有与排放超标相关的故障码。如有，按故障提示进行检查。

3、用专用诊断仪读取动态数据流，进一步分析故障原因。

4、评定氧传感器好坏，结合观察氧传感器信号波形，与尾气排放分析结果对比，分析故障原因。

5、对各执行器进行动作试验，并对其性能进行进一步检查。如检查喷油器的喷油量密封性等。

6、检查发动机机械部分的可能原因。如积炭、气缸密封性能等。

四、尾气分析注意事项

对于装有催化转化器的汽车，如果催化剂工作正常，会使CO和HC减少。因此，将取样探头插到催化转化器之前测量未經转换的排气或在EGR阀的排气口检测。必要时，使空气泵和二次空气喷射系统停止工作。读取测量数据前，不要让发动机怠速运转时间过长。在发动机暖机后，才能使用尾气分析仪进行尾气检测。在进行变工况测试中，要让加速踏板稳住后再读取测量数据。

参考文献：

[1]曹红兵：《尾气分析在汽车发动机诊断中的应用》，汽车维修和保养，2006年10月.

[2]唐青云、李金嗣：《汽车尾气分析仪原理及发展现状》，汽车维修与保养，2002年08期.

[3]杨丰力，郑殿旺：《汽车故障诊断设备在维修中的应用研究》，工业技术经济，1997年02期.