发动机主动故障质检与智能故障诊断方法技术

本发明专利技术一种发动机主动故障质检与智能故障诊断方法在发动机非拆装的情况下，通过主动故障质检的方法，将故障的征兆和相应频率对应起来。具体是根据频率和故障之间存在关联的原理，将不同频率信号按从低到高通过振动装置依次加载到发动机系统上；由同频率信号发生共振，确定由此频率信号或频段信号所产生的故障征兆，采集相应的故障信息；对采集的故障信息采用小波分析的方法提取故障的特征向量作为遗传优化小波神经网络输入节点的输入特征向量，获取网络训练样本，实现对在线测得的数据的诊断。本发明专利技术的学习样本具有易获取、针对性强、准确率高、成本低等优点；优化网络具有非线性映射好，收敛速度快的特点，可实现对发动机故障的有效诊断。

【技术实现步骤摘要】

本专利技术属于智能故障诊断
，具体涉及一种发动机主动故障质检与智能故 障诊断方法。
技术介绍
发动机作为工程机械的心脏，其性能的优劣直接关系到工程机械整个系统运行的 动力性、经济性，可靠性，环保性以及安全性。随着发动机强化程度的提高，发动机的结构也 变得非常复杂，工作条件也十分恶劣，发生故障的可能性大大增加。但由于发动机很昂贵， 在运用神经网络进行预测时需要学习样本，而学习样本的精确度和可靠性对整体的故障诊 断性能有举足轻重的影响，故障的获取存在成本大的问题。1基于油液分析的方法.以获取柴油机润滑油中磨损金属微粒的形态、尺寸、数 量、成分和种类分布为依据进行特征分析，进而确定关键摩擦副的磨损形态，通过对油品性 能和主要污染物水平的动态分析，能够及时掌握油品效能的变化，预测可能发生的故障。2基于灰色理论故障诊断方法.把柴油机系统看成是一个复杂的灰色系统，利用 存在的已知信息去推知含有故障模式的不可知信息的特性，状态和发展趋势。其特点是准 确率高，计算量小，并且易于计算机实现。3瞬时转速脉动诊断法，柴油机曲轴的瞬时转速波动信号能反映机器的工作状态， 通过对瞬时转速波动信号的分析可以得到机器运行状态和相关故障的丰富信息。4基于专家系统的智能化诊断方法。5基于神经网络的故障诊断方法.BP神经网络由于具有较强的非线性映射能力而 被广泛应用于故障诊断领域。目前，神经网络学习样本的制定一般是在各种故障情况下采集故障信号，进而通 过各种技术提取故障特征向量；在发动机故障诊断中，为了获取某一型号发动机的故障征 兆，需要逐一使诊断对象零部件人为破坏后，进行数据的采集，这样采集的实验数据虽然准 确，但是诊断的成本很高。另外，以柴油发动机为例，其结构复杂，运行工况多变；其工作过程是一个复杂的 物理和化学变化过程，是一个典型的非线性系统。一个故障状态可能有多个故障原因，一个 故障原因也可能产生多个故障状态。传统的检测方法效果不是很好。
技术实现思路
本专利技术的目的在于提供一种，其具有成 本低，可靠性高和易于实现的优点。为达到以上目的，本专利技术所采用的解决方案是本专利技术的发动机主动故障质检的方法，其在发动机不拆装，不破坏零部件的情况 下，通过脉冲信号发生器产生不同频率的信号，根据频率和故障之间存在关联的原理，将不 同频率信号按从低到高依次加载到发动机系统上，由同频率信号发生共振，可以确定由此频率信号或频段信号所产生的故障征兆；由此可以得到故障和征兆的对应关系，然后将检 测到的信号进行小波包分解，提取故障特征向量，得到真实准确可靠的学习样本，为BP神 经网络的训练学习提供保证，该方法具有成本低，可靠性高和易于实现的优点。具体地，通过脉冲信号发生器产生不同频率的信号；根据频率和故障之间存在关 联的原理，将不同频率信号按从低到高依次加载到发动机系统上；由同频率信号发生共振， 可以确定由此频率信号或频段信号所产生的故障征兆，采集相应的故障信息；对故障信息 采用小波分析的方法提取故障的特征向量作为小波神经网络输入节点的输入特征向量，以 此解决网络训练样本获取的难题。 所述的脉冲函数发生器是频率可调的脉冲函数发生器。所述的脉冲函数发生器的信号需要放大器进行放大。所述故障信息采用数据采集系统采集并发送至计算机进行小波分析。所述的小波提取是七层小波提取，取其均方根值作为故障向量。所述的小波神经网络是疏散型小波神经网络。所述的神经网络输入节点是7，输出节点是故障的原因的数目，隐层节点数的确定 是依据经验公式h = V^ + a，其中ae ；m和η分别表示神经网络输入层和输出层 的节点数目。仿真确定最佳的隐层数目。所述遗传优化小波神经网络采用遗传算法，具体是通过遗传算法计算出网络的 权值和阀值，然后将得到的阀值、权值传递给改进的BP神经网络。所述训练好的遗传优化神经网络可以对数据采集系统采集的信息且经由小波处 理后得到的特征向量进行算法运算，得出故障的情况，实现对在线测得数据的故障诊断。所述遗传算法包括编码方案对于权值和阈值以十进制数字串代替遗传算法中的二进制数字串来直 接表征参数；适用度计算个体适应度采用网络的函数误差，即误差大的个体其适应度小，具体 表示为适应度为网络误差函数的倒数；群体选择继承个体适应度的计算完成后，选择适应度大的个体遗传到下一代，使 权值越来越接近最优解空；交叉、变异过程采用基于概率的双向随机搜索技术；以一定的概率，随机地从父 本种群中选取两条染色体进行交叉操作，当新染色体使当前解质量提高时，就接收这个被 改进的解作为新的当前解；在相反的情况下，就以一定的概率exp( C/T)接收相对当前解 来说质量较差的解作为新的当前解其中，C为邻域操作前后解的质量差，T为退火过程的控 制参数，变异过程也按照前述方法接受当前解；BP网络环节遗传算法完成以后将相应的权值和阈值保存，传递给BP神经网络进 行误差反向传播，最后得到输出误差小于期望误差或者训练步数小于某一个设定值，退出 计算，返回相应网络的权值和阈值，用于故障的诊断。由于采用了上述方案，本专利技术具有以下特点本专利技术的小波神经网络样本获取方 法简单，易于操作和控制，在发动机非拆装和破坏的情况下，获得真实反映发动机故障现象 及原因的样本数据，同时采用小波分析的方法提取对故障贡献最大的频率量值，取其均方 根值作为样本输入故障向量，进行小波神经网络的样本训练和学习。该方法具有成本低，可靠性高和易于实现的优点。 附图说明图1为可调脉冲函数发生器电路原理图。图2为机械振动装置结构图。 图3为电气控制原理图。图4为遗传优化的小波神经网络算法流程图。图5为可调脉冲函数发生器框图。图6为发动机数据采集系统示意图。具体实施例方式将函数脉冲发生器的输出信号经放大后经过振动装置加载到运行的发动机 系统中，然后运用数据采集卡采集发动机系统上的传感器信号数据，送入计算机上的 SQLServer2000数据库中。通过逐级调节脉冲函数发生器的频率，观察发动机的运行情况， 将发生故障征兆的信号传输到数据库中，然后通过小波分析技术将含有故障的信号进行频 域的分解，提取出故障特征向量，制定好遗传神经网络的学习样本，让遗传小波神经网络进 行学习训练，训练好后的小波网络可以实现对在线测得的数据的预测，该系统具有准确度 高，实时性好的特点。1、通过脉冲函数发生器控制振动装置；可调频率脉冲函数发生器的电路图如图1所示。调节11引脚的滑动变阻器(如 图1示)，其频率范围为0 250khz ；通过调节脉冲函数发生器的频率，进而通过变频器实 现对振动装置的控制；机械振动装置部分机械振动装置如图2所示，采用机械结构的多轴振动激振器，能满足绝大多数零 部件的振动频率和振幅试验要求，能够在一个试验台上同时实现水平和垂直两个方向的振 动，且频率稳定、经济性好。电气控制部分电气控制原理如图3所示。利用可调脉冲函数发生器输出信号控制变频器，从而 控制激振电机的转速，达到控制变频工作台的振动频率。通过由小至大逐次调节可调脉冲 函数发生器的滑动变阻器，变频振动装置的振动频率也相应发生变化。2、运行的发动机通过紧固连接，联接在振动装置上，如图2所示。当振动装置在脉 冲函数发生器的信号调节作用下以某一调节频率振动时，发动机随着振动装置的振动而发本文档来自技高网...

【技术保护点】
一种发动机主动故障质检与智能故障诊断方法，其特征在于：其包括以下步骤：１）根据频率和故障之间存在关联的原理，将不同频率信号按从低到高通过振动装置依次加载到发动机系统上；２）由同频率信号发生共振，确定由此频率信号或频段信号所产生的故障征兆，采集相应的故障信息；３）对采集的故障信息采用小波分析的方法提取故障的特征向量作为遗传优化小波神经网络输入节点的输入特征向量，获取网络训练样本，实现对在线测得的数据的诊断。

【技术特征摘要】

【专利技术属性】
技术研发人员：李万莉，余得水，王鹏程，王文芳，来磊，游张平，
申请(专利权)人：同济大学，
类型：发明
国别省市：31[中国|上海]