英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
基于模糊识别的内燃机故障诊断和识别技术
K. M. Passino,V. Krishnaswami,G.-C. Luh and G. Rizzoni
摘要：某些发动机故障是可以通过它们标称的失败模式的信号值来检测和识别，在这篇简短的论文中，我们展示了如何构建一个模糊的标识符来估计所需的发动机偏差模式的信号值，我们可以确定发动机有一定的执行器和传感器校准错误。我们比较模糊识别和非线性ARMAX技术的差别并且展示基于模糊识别的故障检测和识别策略的实验结果。
1 引言
近年来，减少发动机的废气排放得到了国内外的很多关注。除了发动机和排放系统的整体设计，无故障的发动机运行也是决定内燃机废气排放量的主要因素。因此，本文提出要开发一个车载诊断系统，用来监测相关的发动机状况 [1-2]。虽然车载诊断通常可以提供一些主要的发动机故障的检测和隔离，但是由于不同的驾驶环境，他们可能无法检测到可能会影响发动机性能的轻微的故障。轻微的发动机故障值得特别注意，因为这些故障不会明显地影响发动机性能，但可能很长一段时间会增加废气排放量却没有被发现。在本文中，我们考虑的微型故障，包括“校准故障”(我们的研究中，一个校准故障的发生意味着所测传感器值乘以一个不等于一的增益系数)、油门和燃料质量制动器故障、发动机转速和质量空气传感器故障(我们也可以考虑“偏置”型故障，但在本文中我们不予考虑)，这些致动器和传感器的可靠性对发动机控制器非常重要，因为它们出现故障可以影响排放控制系统的性能。接下来，我们概述了故障检测和隔离的发动机实验平台和实验条件。
1.1实验平台和实验条件
在本文中，所有的FDI策略发展调查都是在俄亥俄州立大学[3-4]的机械工程系利用实验如图 1完成的。
图1 试验发动机实验流程
在本实验中，实验装置由电力测功机、一个进气温度传感器(ACT)、节气门位置传感器(TPS)、和安装在测试机上用来测量进气温度、节气门位置、和空气质量流量传感器(MAF)组成的。两个氧传感器(HEGO)分别位于排气管的催化转换器上游两侧。由此产生的气流信息和各种发动机传感器的信息被用来计算所需的燃料质量，为给定的发动机操作提供一个规定的空气/燃料比来维持正常的发动机工作。CPU(eec-iv)决定所需的喷油脉宽、点火提前角和输出喷油器燃油确切数量表。电子控制模块(ECM)的外部盒子是用来给eec-iv控制器和数据采集系统提供外部连接的。角速度传感器系统由数字零速传感器和一个专门设计的频率-电压转换器[3-4]构成的，用来转换成一个模拟电压的旋转速度成正比的频率信号。在发动机的每一次改革中都对数据采样。一个可变荷载是通过测功机由一个dyn-loc IV转矩/速度连接油门控制器构建的。通过称重传感器和测速传感器分别得到负载转矩和测功机的速度。油门和测功机负载输入参数是通过计算机程序生成的，输出是通过RS-232串行通信线路发送给控制器。由于政府的干预，发动机的定期检查和维护变得越来越普遍。环保局发展的一个这样的测试是检查和维护240个发动机周期。
图2 EPA IM240发动机循环
EPA / IM240周期(见图2)代表了一种开发的汽车排放系统的发动机循环工作图，本测试的目的是为了检测一氧化碳(CO)含量，碳氢化合物(HC)、正常和氮氧化物(NOx)。本实验是在底盘测功机下进行的，本次测试的结果为废气排放量在一部分城市早晨排放量的范围内。本次试验的目的是评估在真实世界条件下的车辆的排放量。里泽尼等提出以240周期为期限对检测和隔离故障后的排放量进行额外的测试诊断[5]，提出以240为一个检测周期来隔离一类阻碍车辆性能的发动机小故障和增加废气排放水平的故障。由于美国环保局提出要对所有车辆强制执行测试，进行一个额外的诊断分析，并将提供一个控制测试，这可能允许一些小故障检测和纠正，从而减少了车辆的整体排放量。
1.2 相关文献综述
在本文中，我们研究模糊识别系统在以上章节所提及的内燃机上的应用。具体来说，我们使用模糊聚类和最佳预先去模糊化技术[6]模拟实验内燃机动力学并且利用这些模型结合故障检测和隔离策略[5]给出了确定一类故障的检测和识别。模糊系统已经成功地应用于工程上，包括控制，信号处理，模式识别等几个领域。最近的工作重点是构建模糊系统，从一组有限的输入输出训练数据中来执行系统识别(例如，反向传播，聚类技术在故障检测上的应用[7])。然而，这是第一个应用模糊识别技术的实验装置。此外，因为我们提供了一个与传统的非线性识别技术的分析比较技术，这有助于为我们提供一个更现实的评估模糊方法的能力。
在第二节中，我们介绍了T-S模糊系统模型[8]，勾勒出一个模糊聚类技术，称为“模糊C-Means”[9]，并展示了在模糊系统中形成规则的前提部分。我们也解释了[6]中训练数据集最佳预先去模糊化的优化程序和用于进行加权最小二乘逼近构造适当的输出函数来表示在一个模糊系统的规则后件部的聚类信息。我们应用技术来执行与上述实验内燃机的排放系统有关的模型的各个物理量。在第四节中我们使用随后的模糊系统和故障解耦策略[5]提出了在标准EPA / IM240发动机循环发生的一类传感器和执行器校准故障的故障隔离策略(输入输出故障)。并比较了模糊识别和非线性ARMAX技术[10]在上面的应用。
2 理论背景
系统识别形成了我们FDI技术的基础，我们希望构建一个动态系统模型，利用系统的输入输出数据[11]。假设一个系统有输入数据 ,输出y，所以我们可以获得一个输入输出数据集
其中是在时刻k输入为由系统产生的输出，是第一个输入-输出训练集的第一个输入的指定部分。传统的识别技术(例如最小二乘)被用来根据数据集拟合最佳可能的线性模型的数据。当输入系统则正确地产生并且，当输入系统并且时正确插值，如果从数据集输入输出数据真正代表一个线性映射，那么传统的技术往往表现有很好的效果，但是，如果表示一个非线性映射，识别问题变得更具挑战性。
利用FDI策略去检测的发动机故障包括在表1中，这些故障直接影响在燃烧所得的燃料/空气比。
表1 FDI策略检测故障类型
|
故障定位 |
故障类型 |
故障描述 |
|
传感器校准 |
测量用于燃烧空气吸入量 |
|
|
传感器校准 |
测量机器速率 |
续表1
|
校准器 |
促动节气门角度 |
|
|
校准器 |
致动燃料的燃烧量 |
故障检测和隔离策略依赖于(动机转速，转/分)，(进入进气管的空气质量速率，磅/秒)，(致动节流阀角度的估计，表示为满刻度的百分比开口)，(进入燃烧室的燃料质量，磅)，(引擎上的负载转矩，磅 - 英尺)(我们分别以)通过识别模型和机器工作情况。特别是，我们有
(4)
其中输入在是(7)-(11)中给出(k是发动机曲轴每转在曲轴域离散时间的物理量取样)
是测功机的输出。这些回归矢量是用模拟和实验研究选择出来的，用来决定哪些变量可以有效的估算出其他变量并且可以估算出获得正确估计值的延迟时间。一种非线性识别的方法在我们的实验平台已经被验证有效[10][12]。而我们目前将在研究中使用的是NARMAX(非线性回归移动与外部输入平均模型)方法，该方法是线性ARMAX系统识别技术的一个延伸。
NARMAX的一般模型结构使用包含在回归矢量的参数缩放多项式的组合;在这里我们使用给出的NARMAX模型结构，在这里我们使用给出的NARMAX模型结构
其中参数将被调整使得对于所有的(我们在我们的模型结构中只使用一个二阶多项式)都有尽可能接近。正如往常一样，在本文中我们将使用标准的批量最小二乘方法来调整，因为是线性输入的[11]。
本文的重点是评价模糊作为基础对FDI系统的作用。本文研究的特定的模糊识别技术采用了模糊系统高木－关野模型[8]结构和集群化技术[9]，结合使用了“预先去模糊化最佳输出”[6]调整模糊系统参数，使之对所有的产生了良好的估值。
高木和关野的模糊系统是由IF-THEN规则形成的。
，其中，输入模糊集，
表示第i个输入语音信号，模糊系统的矢量输入，是的成员函数，是由实值参数和经线性函数所得出的实时输出。
高木和关野的模糊识别系统输出当时的加权平均值如式(14)所示
其中是表征模糊系统参数的矢量(后面给出)。
Sin和Difigueiredo开发了一种接近输入输出数据的功能映射算法来构建TS模糊系统。该算法包含两个不同的步骤用来构造一个模糊系统：第一，模糊聚类被用来识别N簇合物中心，其中每个集群中心表示输入空间模糊分区的中心(集群中心被选择为输入隶属函数的中心点)，第二，模糊规则的结果是由训练数据集的输出经过加权最小二值法计算出来的N个线性函数的系数决定的。
2.1 模糊集群
要明确规则的前提部分，我们使用模糊C均值聚类算法[9][13][14]，它采用数据内相似性的定量测量来决定集群划分和每一分区之间的关联度。在本文中，我们使用的相似性方法是通过F训练集中的输入部分中的点的距离来度量的。对于模糊C均值聚类算法，我们希望通过式(15)最小化目标函数
其中，其中mgt;1是一个设计参数，N是簇的数目(和规则数量)，是训练数据集F点的数量，是“原型”(聚类中心)，是集群中的关联等级。Bezdek给出了一套满足时减小的必要条件[15]，如式(16)所示
对，标量
对每一个()如果存在，可以是任意非负数只要满足如果，则。模糊C-均值算法是通过以下步骤的一个迭代算法：
- 选择集群参数和初始聚类中心。
我们选择一个“模糊因素”mgt;1，它决定在确定聚类中心结果的函数的模糊程度。当m越接近1时，聚类有输入成员函数确定，m越大，聚类中心由簇之间的重叠部分确定。我们也可以选择N或簇的数量来计算，簇的数目，N，必须小于或等于的输入训练数据点的数量，N值将最终成为模糊系统规则的数量。我们让步骤2计算聚类中心的误差范围满足。要初始化算法，我们必须选择初始聚类中心。这种选择是任意的，并且可能影响最终的解决方案，但是作为标准，我们通过基于输入数据区间的随机数发生器产生初始聚类中心。这也是我们对基于训练数据集输入范围产生随机向量的方法
- 计算集群中心
在步骤2中，我们在先前迭代计算出来的集群中心的基础上计算新的集群中心。我们让
对于，同时使
- 误差度量
在步骤3中计算新的群集中心和那些在先前迭代计算产生的集群中心之间的欧几里得距离。下面的计算步骤是由式(21)、(22)决定的
上文给出的模糊C均值算法可以计算局部最小值获得或可以不收敛。最近的工作已经解决其中的一些问题[13]－[15]。模糊C均值算法需要设计三个参数来进行模糊聚类。分别是集群数量N、模糊因素m、和误差度量。这些参数根据特定的应用选择。例如，簇的数目，N，提高了所得模糊系统的能力，但是也增加了聚类算法和整体模糊系统的计算复杂度。模糊因素m反映簇之间的重叠量。如果对于不同的集群系统近似表现非常不同，则m应选择小一点。否则，如果系统近似很平缓，则m应选择大一点。误差用于提供终止模糊C均值聚类算法条件。一个较小的值，可能会导致该聚类算法的更多的迭代计算，但也会获得更精确的聚类中心。在第三部分，提供了选择N、m、更多的细节。
2.1 最佳预先去模糊化的模糊系统
最佳预先去模糊化输出是TS模型中每个规则选择输出参数，使得这种关系满足最小加权二乘的训练数据集。具体而言，在模糊C均值算法中计算每个集群都是形成单一模糊规则的前提部分。对于每个规则，我们希望尽量减少训练数据集输出部分和输入数据的参数函数之间的关系加权误差平方值。对于每个，我们都希望通过以下公式减小误差
其中，是第j个集群中第i个数据点的输入部分的函数值，是第i个数据点的输出部分，定义输出和第i个点的第j个规则的关系。众所周知，这个最小化问题的解决方案是初级线性代数[16]有以下公式给出
对当
为了避免与式(24)逆运算相关的数值问题，我们实际使用加权递推最小二乘来计算式(24)中的值[11][17]。
我们用下面的方式将模糊聚类和最佳输出预解模糊的技术结合起来构建模糊系统。首先，聚类中心，通过模糊C均值计算。聚类中心和模糊因素m决定了输入成员函数，如下式所示
然后，应用最佳预先去模糊化计算每个规则 输出的线性函数模糊系统的计算结果由式(14)给出，其
图3 空气质量-固体测量(点)的估计。所示的数据是传感器电压信
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[30371]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
