一种采用神经网络模型诊断发动机故障原因的方法技术

本发明专利技术提供一种生成用于判断发动机故障原因的模型的方法，包括：A1)收集发动机的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因；A2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度对所述故障征兆进行模糊化处理，以获得模糊化的故障征兆；A3)基于所述模糊化的故障征兆与所述故障原因之间的对应关系，确定模糊规则；A4)根据所述模糊规则训练模糊神经网络，以获得用于判断发动机故障原因的模型。通过本发明专利技术可以直接收集发动机现有硬件、装置的一些状态参数，分析对应的故障征兆是否将要发生或已经发生了对应的故障征兆，节省了人工成本。

A Method of Using Neural Network Model to Diagnose Engine Fault

【技术实现步骤摘要】
一种采用神经网络模型诊断发动机故障原因的方法
本专利技术涉及对发动机故障的诊断及预测，尤其涉及采用神经网络诊断及预测发动机的故障。
技术介绍
拖拉机是一种用于牵引和驱动作业机械完成各项移动式作业的自走式动力机，其包括发动机、传动、行走、转向、液压悬挂、动力输出、电器仪表、驾驶操纵及牵引等装置，按结构类型可以将拖拉机分为轮式、履带式、船形拖拉机和自走底盘式拖拉机。中国作为一个农业大国，拖拉机既是农业生产的主要动力来源，又是农业生产中应用最为广泛的农机。发动机是拖拉机产生动力的最重要的装置，其通过燃烧诸如柴油的燃料将热能转变为机械能以向外提供动力。在使用时，拖拉机发动机通过诸如橡胶皮带等传动装置将动力提供给拖拉机的驱动轮使得拖拉机行驶。若是作为核心部件的发动机产生了故障，则会导致拖拉机无法正常使用，从而直接影响农耕的效率。有统计显示，拖拉机发动机故障事故在拖拉机故障中占有很大的比重，如果能够以相对合理的成本来判断拖拉机发动机的故障、甚至在拖拉机发动机发生故障之前进行预测，这将对农业生产起到非常有益的帮助。拖拉机发动机的故障检测不同于面向一般的简单设备的故障检测，这是由于拖拉机发动机其内部结构相对复杂。并且，拖拉机发动机产生故障的征兆以及发生故障的原因之间存在诸多复杂的对应关系，例如一个故障可能由多种因素造成而一个因素又可能引发多种故障，每一个故障原因对故障征兆的贡献程度可能均不相同，这使得对拖拉机发动机的故障做出精确判断和及时诊断变得尤其复杂。目前对于拖拉机发动机的故障诊断往往是拖拉机发生故障之后，由有经验的修理师傅依靠经验进行判断或者采用造价相对较高的专业故障诊断仪器进行具体的故障排查。可以理解，这样的维修成本、时间成本非常高，需要等待报修、检测、修理等一系列过程后才可恢复对拖拉机发动机的使用。
技术实现思路
因此，本专利技术的目的在于克服上述现有技术的缺陷，提供一种生成用于判断发动机故障原因的模型的方法，包括：A1)收集发动机的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因；A2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度对所述故障征兆进行模糊化处理，以获得模糊化的故障征兆；A3)基于所述模糊化的故障征兆与所述故障原因之间的对应关系，确定模糊规则；A4)根据所述模糊规则训练模糊神经网络，以获得用于判断发动机故障原因的模型。优选地，根据所述方法，其中步骤A2)采用隶属度值法来执行模糊化处理，包括：A2-1)基于模糊隶属度函数确定针对各种故障程度所设置的隶属度；A2-2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度的历史数据、以及针对各种故障程度所设置的隶属度，对所述故障征兆进行模糊化处理。优选地，根据所述方法，其中所述模糊隶属度函数为高斯函数。优选地，根据所述方法，其中步骤A3)包括基于所述模糊化的故障征兆与所述故障原因之间的对应关系，将导致对应故障征兆的全部故障原因作为故障原因集，并且将与所述故障原因集中的故障原因对应的全部模糊化故障征兆作为故障征兆集，以将所述故障原因集与所述故障征兆集之间的映射关系作为模糊规则。优选地，根据所述方法，其中所述模糊神经网络为径向基函数神经网络，其输入节点数量等于所述模糊规则的故障征兆集中模糊化故障征兆的数量，其输出节点的数量等于所述模糊规则的故障原因集中故障原因的数量或者取决于待分类模式的数量。优选地，根据所述方法，其中在训练所述径向基函数神经网络时，通过遗传算法优化所述径向基函数神经网络的权值和阈值。以及，一种基于上述任意一项方法生成的模型来判断发动机故障原因的方法，包括：B1)获得发动机的状态参数，所述状态参数与发动机的故障征兆对应；B2)将所述状态参数输入所述模型，基于所述模型的输出确定故障原因。优选地，根据所述方法，其中步骤B1)还包括：B1-1)采集发动机的实时状态参数；B1-2)将所述发动机的实时状态参数与发动机正常运行或者非正常运行的状态参数进行比较，在所述实时状态参数与正常运行状态参数之间的差值超过设定的阈值时，或者在所述实时状态参数与非正常运行状态参数之间的差值小于设定的阈值时，继续执行步骤B2)。优选地，根据所述方法，其中步骤B1-2)还包括：在所述实时状态参数与所述正常运行状态参数之间的差值超过设定的阈值时，或者在所述实时状态参数与所述非正常运行状态参数之间的差值小于设定的阈值时，针对与所述状态参数对应的故障征兆进行预警。优选地，根据所述方法，其中步骤B2)包括：基于与所述状态参数对应的故障征兆，将所述状态参数输入所述模型，基于所述模型的输出确定导致所述故障征兆的故障原因。优选地，根据所述方法，其中所述状态参数包括以下一种或多种：发动机转速、冷却液温度、进气口压力、机油压力、发动机扭矩、振动信号、曲轴位置、节气门位置。一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序在被执行时用于实现上述任意一项所述的方法。一种用于判断发动机故障原因的系统，包括：处理器、和存储装置，其中，所述存储装置用于存储计算机程序，所述计算机程序在被所述处理器执行时用于实现上述任意一项所述的方法。与现有技术相比，本专利技术的优点在于：本专利技术的用于判断发动机故障的模型是根据产生所述故障征兆时的故障程度对所述故障征兆进行模糊化处理而获得的，其将发动机的各种故障征兆和对应的各种故障原因关联在一起，在使用所述模型时只需输入故障征兆或者与故障征兆对应的状态参数，便可输出可能导致该故障征兆的故障原因。在基于所述模型对发动机故障进行诊断时，可以通过采集发动机实时的状态参数，以实现对可能发生的故障征兆、以及与该可能发生的故障征兆对应的故障原因进行预测，还可以基于采集到的发动机在发生故障征兆后的状态参数确定对导致该故障征兆的故障原因。本专利技术所采用的发动机的状态参数可以是发动机已有硬件、装置的状态参数，例如发动机转速、冷却液温度、进气口压力、机油压力、发动机扭矩、振动信号、曲轴位置、节气门位置，不必增加新的传感器。并且，本专利技术还可以在实施采用模型对发动机故障进行诊断的步骤之前，对状态参数是否发生异常，即是否存在出现故障征兆的可能进行预判，在判断为可能产生故障征兆的情况下采用模型进行进一步的诊断，减少了计算量，提高了对发动机故障的诊断效率。附图说明以下参照附图对本专利技术实施例作进一步说明，其中：图1是根据本专利技术的一个实施例生成用于判断发动机故障的模型的方法流程图；图2是根据本专利技术的一个实施例采用模糊规则训练模糊神经网络的方法流程图，其中基于遗传算法来优化模糊神经网络的权值和阈值；图3是根据本专利技术的一个实施例使用通过本专利技术的方法所生成的模型来预测和诊断发动机故障的方法流程图。具体实施方式下面结合附图和具体实施方式对本专利技术作详细说明。如
技术介绍
中所述，拖拉机发动机的结构和工作原理十分复杂，无论是定量还是定性都难以提供一种完备、准确的模型以对其结构、功能和行为进行有效的表达。专利技术人通过研究提出，可以将拖拉机产生故障的征兆以及发生故障的原因看作是不确定性因素，执行模糊化处理，采用经过模糊化处理的故障征兆以及故障原因之间的规则训练模糊神经网络，并利用这样的模糊神经网络来对拖拉机发动机的故障进行判断。在本专利技术中所指的“故障”表示发动机丧失正常工作的能力本文档来自技高网...

【技术保护点】
1.一种生成用于判断发动机故障原因的模型的方法，包括：A1)收集发动机的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因；A2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度对所述故障征兆进行模糊化处理，以获得模糊化的故障征兆；A3)基于所述模糊化的故障征兆与所述故障原因之间的对应关系，确定模糊规则；A4)根据所述模糊规则训练模糊神经网络，以获得用于判断发动机故障原因的模型。

【技术特征摘要】
1.一种生成用于判断发动机故障原因的模型的方法，包括：A1)收集发动机的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因；A2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度对所述故障征兆进行模糊化处理，以获得模糊化的故障征兆；A3)基于所述模糊化的故障征兆与所述故障原因之间的对应关系，确定模糊规则；A4)根据所述模糊规则训练模糊神经网络，以获得用于判断发动机故障原因的模型。2.根据权利要求1所述的方法，其中步骤A2)采用隶属度值法来执行模糊化处理，包括：A2-1)基于模糊隶属度函数确定针对各种故障程度所设置的隶属度；A2-2)针对所述故障征兆中的每一种，根据与所述故障征兆对应的各种故障程度的历史数据、以及针对各种故障程度所设置的隶属度，对所述故障征兆进行模糊化处理。3.根据权利要求2所述的方法，其中所述模糊隶属度函数为高斯函数。4.根据权利要求1-3中任意一项所述的方法，其中步骤A3)包括基于所述模糊化的故障征兆与所述故障原因之间的对应关系，将导致对应故障征兆的全部故障原因作为故障原因集，并且将与所述故障原因集中的故障原因对应的全部模糊化故障征兆作为故障征兆集，以将所述故障原因集与所述故障征兆集之间的映射关系作为模糊规则。5.根据权利要求4所述的方法，其中所述模糊神经网络为径向基函数神经网络，其输入节点数量等于所述模糊规则的故障征兆集中模糊化故障征兆的数量，其输出节点的数量等于所述模糊规则的故障原因集中故障原因的数量或者取决于待分类模式的数量。6.根据权利要求5所述的方法，其中在训练所述径向基函数神经网络时，通过遗传算法优化所述径向基函数神经网络的权值和阈值。7.一种基于...

【专利技术属性】
技术研发人员：刘子辰，魏红波，于文尧，张玉成，张冉，朱琨日，石晶林，
申请(专利权)人：洛阳中科晶上智能装备科技有限公司，
类型：发明
国别省市：河南,41