一种基于ANFIS的柴油机多信息融合诊断方法技术

本发明专利技术公开了一种基于ANFIS的柴油机多信息融合诊断方法。步骤1：输出结果集合F，输入参数集合S；故障数据库U

【技术实现步骤摘要】
一种基于ANFIS的柴油机多信息融合诊断方法
本专利技术属于柴油机故障诊断
；具体涉及一种基于ANFIS的柴油机多信息融合诊断方法。
技术介绍
柴油机是目前各种动力机械中应用最为广泛的机型，柴油机技术的发展对我国工农业、交通运输、国防建设等各方面具有重要影响。柴油机由于结构复杂、工作条件恶劣、运行工况多变等原因，容易产生各类故障。柴油机发生故障会影响设备和系统运行安全，严重时甚至会造成人员和财产方面的重大损失，因此开展柴油机故障诊断技术研究，对保障柴油机安全、高效运行具有重要意义。在目前的柴油机故障监测与诊断的方法中，性能参数分析法、油液分析法、声振信号分析法、专家系统、神经网络方法以及多信息融合方法是最常见和有效的方法。多信息融合诊断方法，能够消除单源信息诊断过程中设备和传感器自身的不确定性，提高故障诊断的精度和可靠性，成为目前柴油机故障诊断方面的重要研究内容。人工神经网络方法，由于具有大规模并行处理、自组织学习、良好非线性映射能力等特点，在柴油机多信息融合诊断方面有广泛的应用前景。目前的人工神经网络方法，由于网络参数与数学函数之间缺乏准确表达，模型存在内部结构模糊不清的“黑匣子”问题，BP等前向型神经网络还存在局部极小值等问题，限制了神经网络方法在柴油机多信息融合诊断方面的发展。
技术实现思路
本专利技术提供了一种基于ANFIS的柴油机多信息融合诊断方法，提高ANFIS在柴油机多信息融合诊断技术方面的工程实用性。本专利技术通过以下技术方案实现：一种基于ANFIS的柴油机多信息融合诊断方法，所述诊断方法包括以下步骤，步骤1：选取柴油机的典型故障作为输出结果集合F，选取柴油机实际运行中便于测量的动力学、热力学参数作为输入参数集合S；以已知故障参数集合作为模型训练的故障数据库U1；步骤2：将步骤1的输出结果集合F、输入参数集合S和故障数据库U1，对数据集合进行归一化处理；步骤3：对步骤2归一化处理后的数据集合进行层次分析法处理，得出参数权重值；步骤4：对步骤3的参数权重值结合应用减法聚类法优化后的ANFIS，生成柴油机故障诊断模型初始规则结构Q0；步骤5：将步骤4的初始规则结构Q0训练后得到柴油机故障诊断模型规则结构Q1；步骤6：对柴油机故障诊断模型规则结构Q1输入采取归一化处理后的柴油机实际运行参数S集合内特征参数，记为输入参数集合S′，对输入参数集合S′进行模糊拟合和规则拟合后，生成输出基于ANFIS的柴油机故障诊断模型。进一步的，所述步骤1中故障类型包括：正常运行f0、单缸失火f1、排气管泄露f2、压气机污阻f3、空滤器堵塞f4、润滑不良f5；输入参数包括：有效功率s1、燃油消耗率s2、涡前排气温度s3、涡后排气温度s4、涡前排气压力s5、中冷器前温度s6、中冷器后温度s7、中冷器前压力s8、中冷器后压力s9、进口压力s10、缸后平均温度s11。进一步的，所述步骤2中对数据集合进行归一化处理，即对集合S内每组Si采用最大最小法进行归一化处理其中，i为参数个数i＝1，…，11，k为数据组数simin为数据序列的均值，k＝1，2，……；simax为数据的方差；设定归一化范围为0-1；归一化消除不同类型输入参数间的数量级差异。进一步的，所述步骤3中对数据集合进行层次分析法处理具体为，求取故障数据与正常数据差值，建立数据特征方阵，求取方阵的特征值与特征向量，对比最大特征向量并进行一致性检测，得出参数权重值。进一步的，所述层次分析法具体为，寻求参数变化程度，即在已知集合中，寻求故障参数与正常参数之间的差值，利用差值形成参数变化方阵A，若因素i与因素j的差值之比为那么因素j与因素i差值之比为因为方阵A＝(aij)n×n满足，所以方阵A＝(aij)n×n为正反矩阵；但方阵A＝(aij)n×n不一定满足，方阵A＝(aij)n×n不一定为一致性矩阵；根据一致性矩阵特性：若A＝(aij)n×n的最大特征值λmax对应的特征向量为w＝(w1，…，wn)T，则其中w即为参数权重值；由层次分析法基本结构，在获取权重值之前，应对构造方阵A进行一致性检验，通过一致性比例CR：当CR＜0.10时，此矩阵为一致性矩阵，否则应对矩阵进行修改；其中CI的数值根据方阵A计算获得，RI的数值通过查“层次分析法随机一致性RI值表”获得，RI的数值由方阵A的阶数n决定，RI的数值也能通过方阵A计算获得，本专利技术中采用查表法获得RI的数值。求差值方阵A的特征值和特征向量，并进行层次分析法处理，得到参数的权重值大小。进一步的，所述步骤4中柴油机故障诊断模型初始规则结构Q0具体为，设定训练步数、最大误差，运用故障数据库U1对初始结构Q0进行训练，生成训练后柴油机故障诊断模型规则结构Q1。进一步的，所述减法聚类法优化后的ANFIS，其中s1、s2是输入参数，在多参数输入条件下结构生成条件如下：第一层为模糊化层，表达式为：其中Ai、Bi表示模糊集合；和分别是s1，s2的隶属度函数，选择钟型函数的表达式为：其中，为提前参数集，其值在训练阶段由反馈不断更新，最终形成规则中的结论参数集；第二层为实现第一层中模糊集的运算，第一层的输出在此层均表现为点，经过该层的计算，输出的是信号的代数积，每个点的输出结果表示为一条规则适用度，表达式为：Qi＝μAi(s1)×μBi(s2)，i＝1，2(8)第三层为将各条规则的激励强度归一化，该层的结点是固定结点，输出为该条规则与全部规则的适用度；表达式为：第四层的所有结点都是自适应的，以计算出每条规则的输出；表达式为：第五层为输出层，该层用以计算所有传来的信号之和作为输出信号；表达式为：对提前参数修正，寻找一组合适的参数使得，其中，f为实际输出；为模型输出。进一步的，所述减法聚类法引用于第一层与第二层中，所述减法聚类为密度算法，用以寻找数据的中心，首先计算每个数据点的密度，得到密度指标：找到密度指标最大的数据作为第一个聚类中心，除去这个点的密度，计算多有疑点的密度指标；找到最大的密度指标，并把此点作为聚类中心，依次循环直到满足条件：其中δ是设定的一个较小正数。进一步的，所述生成故障诊断初步模型FIS是指包括输入参数处理步骤、判断规则结构Q0及结果输出步骤的完整算法结构。所述训练生成的故障诊断初步模型FIS是指：运用训练数据对规则结构Q0进行训练，具体为用已知结果集合F和输入参数集合S的完整故障数据，对生成的FIS进行训练，即对前提参数和结论参数进行训练，通过训练参数提高模型的诊断精度；对于前提参数，应用反向传播算法，而对于结论参数采用线性最小二乘估计算法进行调整参数，在每一次迭代首先将输入信号沿网络正向传递直至第四层，此时固定前提本文档来自技高网...

【技术保护点】
1.一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述诊断方法包括以下步骤，/n步骤1：选取柴油机的典型故障作为输出结果集合F，选取柴油机实际运行中便于测量的动力学、热力学参数作为输入参数集合S；以已知故障参数集合作为模型训练的故障数据库U

【技术特征摘要】
1.一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述诊断方法包括以下步骤，
步骤1：选取柴油机的典型故障作为输出结果集合F，选取柴油机实际运行中便于测量的动力学、热力学参数作为输入参数集合S；以已知故障参数集合作为模型训练的故障数据库U1；
步骤2：将步骤1的输出结果集合F、输入参数集合S和故障数据库U1，对数据集合进行归一化处理；
步骤3：对步骤2归一化处理后的数据集合进行层次分析法处理，得出参数权重值；
步骤4：对步骤3的参数权重值结合应用减法聚类法优化后的ANFIS，生成柴油机故障诊断模型初始规则结构Q0；
步骤5：将步骤4的初始规则结构Q0训练后得到柴油机故障诊断模型规则结构Q1；
步骤6：对柴油机故障诊断模型规则结构Q1输入采取归一化处理后的柴油机实际运行参数S集合内特征参数，记为输入参数集合S′，对输入参数集合S′进行模糊拟合和规则拟合后，生成输出基于ANFIS的柴油机故障诊断模型。


2.根据权利要求1所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述步骤1中故障类型包括：正常运行f0、单缸失火f1、排气管泄露f2、压气机污阻f3、空滤器堵塞f4、润滑不良f5；
输入参数包括：有效功率s1、燃油消耗率s2、涡前排气温度s3、涡后排气温度s4、涡前排气压力s5、中冷器前温度s6、中冷器后温度s7、中冷器前压力s8、中冷器后压力s9、进口压力s10、缸后平均温度s11。


3.根据权利要求1所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述步骤2中对数据集合进行归一化处理，即对集合S内每组Si采用最大最小法进行归一化处理



其中，i为参数个数i＝1，…，11，k为数据组数simin为数据序列的均值，k＝1，2，……；simax为数据的方差；设定归一化范围为0-1；归一化消除不同类型输入参数间的数量级差异。


4.根据权利要求1所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述步骤3中对数据集合进行层次分析法处理具体为，求取故障数据与正常数据差值，建立数据特征方阵，求取方阵的特征值与特征向量，对比最大特征向量并进行一致性检测，得出参数权重值。


5.根据权利要求4所述一种基于ANFIS的柴油机多信息融合诊断方法，其特征在于，所述层次分析法具体为，寻求参数变化程度，即在已知集合中，寻求故障参数与正常参数之间的差值，利用差值形成参数变化方阵A，若因素i与因素j的差值之比为那么因素j与因素i差值之比为



因为方阵A＝(aij)n×n满足，
(i)aij＞0，(ii)
所以方阵A＝(aij)n×n为正反矩阵；
但方阵A＝(aij)n×n不一定满足，



方阵A＝(aij)n×n不一定为一致性矩阵；
根据一致性矩阵特性：
若A＝(aij)n×n的最大特征值λmax对应的特征向量为w＝(w1，…，wn)T，则其中w即为参数权重值；
由层次分析法基本结构，在获取权重值之前，应对构造方阵A进行一致性检验，通过一致性比例CR：



当CR＜0.10时，此矩阵为一致性矩阵，否则应对矩阵进行修改；
其中CI的数值根据方阵A计算获得，RI的数值通过查“层次分析法随机一致性RI值表”获得，RI的数值由方阵A的阶数n决定，RI的数值也能通过方阵A计算获得，本发明中采用查表法获得RI的数值。
求差值方阵A的特征值和特征向量，并进行层...

【专利技术属性】
技术研发人员：费景洲，韩雨婷，王忠巍，曹云鹏，袁志国，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23