基于灰色模型的柴油机燃油系统故障预诊断方法

摘要

本发明提供的是一种基于灰色模型的柴油机燃油系统故障预诊断方法。首先等时长检测燃油系统运行参数；其次通过灰色GM(1，1)预测模型分析燃油系统运行参数劣化趋势，利用预测数据序列描述燃油系统当前性能状态，构建燃油系统状态待检模；再次，建立燃油系统故障基准模，并利用标准化方法对待检模与基准模中的运行参数进行初值像处理；最后，通过灰色关联度模型检测系统待检模与故障基准模的灰色关联度，按照最大关联度原则识别出燃油系统的当前故障类型。本发明能够在燃油系统性能劣化初期，准确识别出当前故障类型，指导维护人员对柴油机实施预防性维修，确保柴油机在最佳工作状态下运行，提高了设备的可靠性和经济性。

权利要求

1.一种基于灰色模型的柴油机燃油系统故障预诊断方法，其特征是包括如下步骤：(1)、利用数据采集系统等时长检测柴油机燃油系统当前运行参数；

(2)、将采集到的运行参数作为原始建模序列，建立灰色GM(1,1)模型，通过灰色GM(1,

1)模型分析燃油系统运行参数劣化趋势，获得运行参数的预测值，利用预测值构建燃油系统的待检模X，描述燃油系统当前的性能状态；

(3)、获取燃油系统在不同故障状态下运行参数的样本数据，建立燃油系统故障的基准模Yi，利用标准化公式对基准模Yi与待检模X下的运行参数进行初值像处理；所述的标准化公式为：其中x(k)表示变换前的第k个运行参数；x(k)mean表示第k个运行参数的平均值；σ(x(k))表示第k个运行参数的标准差；x′(k)表示变换后的第k个运行参数；

(4)、对初值像处理后的待检模X′与基准模Yi′，计算运行参数间的灰色关联系数εi(k)，并根据灰色关联系数进一步获得待检模X′与基准模Yi′的灰色关联度γi，选取与待检模灰* *色关联度最大的基准模Yi，识别燃油系统当前性能状态为Yi所表征的故障类型。

2.根据权利要求1所述的基于灰色模型的柴油机燃油系统故障预诊断方法，其特征是：所述当前运行参数包括喷油提前角x1、喷油持续角x2、针阀启喷压力x3、最高喷射压力x4、针阀落座压力x5、高压油管余波峰值x6、针阀升程x7。

3.根据权利要求1所述的基于灰色模型的柴油机燃油系统故障预诊断方法，其特征是：所述运行参数的预测值 表示为：

其中， 为运行参数的第t个预测值；l为预测序列长度，且有l>n；a为发展系数、b为灰色作用量。

4.根据权利要求1所述的基于灰色模型的柴油机燃油系统故障预诊断方法，其特征是：所述故障类型为：Yi*＝arg maxi{γi}。

5.根据权利要求2所述的基于灰色模型的柴油机燃油系统故障预诊断方法，其特征是所述建立灰色GM(1,1)模型的具体过程为：第一步：对任一燃油系统运行参数，将检测到的数据作为原始建模序列x(0)，x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))；

第二步：计算原始建模序列x(0)一次累加之后的紧邻均值生成序列z(1)，z(1)＝(z(1)(2),z(1)(3),…,z(1)(n))；

其中，z(1)中任一元素z(1)(t)的计算方法为第三步：利用最小二乘法估计灰色GM(1,1)模型中的参数，包括：发展系数a、及灰色作用量b；

其中， 为参数列，且有

第四步：建立燃油系统运行参数的灰色GM(1,1)模型；

x(0)(t)+az(1)(t)＝b。

6.根据权利要求4所述的基于灰色模型的柴油机燃油系统故障预诊断方法，其特征是灰色关联度γi的具体计算过程为：第一步：对初值像处理后的待检模X′与任一基准模Yi′，计算其在第k个运行参数处的残差Δi(k)，并将其构成残差序列Δi；

Δi(k)＝|Yi′(k)-X′(k)|,k＝1,2,…,7上式中，X′(k)为待检模X′中的第k个运行参数；Yi′(k)为基准模Yi′中的第k个运行参数，Δi＝(Δi(1),Δi(2),…,Δi(7))；

第二步：计算残差序列Δi的最大差M和最小差m；

第三步：计算待检模X′与基准模Yi′在第k个运行参数处的灰色关联系数εi(k)；

上式中，α是分辨系数，α∈(0,1)；

第四步：通过对运行参数灰色关联系数εi(k)进行均值处理，获得待检模X′与基准模Yi′的灰色关联度γi，

说明书

基于灰色模型的柴油机燃油系统故障预诊断方法

技术领域

[0001] 本发明涉及的是一种柴油机燃油系统故障诊断方法，具体地说，是一种基于灰色模型的柴油机燃油系统故障预诊断方法。

背景技术

[0002] 燃油系统是柴油机的重要组成部分，其技术状态直接决定了柴油机的工作性能。一旦燃油系统发生故障,将会引起柴油机的振动噪声、功率下降以及有害排放物增多，严重影响设备的经济性和可靠性。然而，燃油系统结构复杂，很多部件处在高温、高压、高负荷的恶劣环境下工作，使得系统的故障发生率较高。统计显示，在柴油机各类故障中，约有27％是由燃油系统引起的。燃油系统已成为柴油机最主要的故障源，对燃油系统健康状态进行诊断维护是确保柴油机的安全运行的重要内容。

[0003] 预测维修是当前柴油机故障诊断与健康管理理念的发展方向。该理念强调对柴油机的运行状态进行连续监测、实时评估其性能退化情况，在此基础上完成对故障的早期预报，并指导工作人员对柴油机的健康维护。预测维修有效实施的基础是在柴油机性能劣化初期对故障进行准确的诊断和预测。已有的燃油系统故障诊断方法均是通过分析当前的运行参数特征，识别出系统的故障模式，并对系统性能退化态势进行评估。然而，燃油系统的性能衰退是一个渐变的过程，其运行参数也经历着逐渐的劣化。在燃油系统性能劣化初期，运行参数的异变程度较小，直接对参数特征进行分析的诊断方法难以准确识别系统当前的故障类型；而在故障进一步发展之后对其进行模式识别与维护，又无法有效避免因故障造成的损失，不能保证柴油机处于最佳运行状态，使得柴油机运行、维护成本较高。因此，发明一种能够在燃油系统性能劣化初期，及时、准确地诊断出故障模式，并对故障劣化趋势进行准确预测的柴油机燃油系统故障诊断方法，对于实现对燃油系统的预测维修具有十分重要的意义。

[0004] 目前，灰色关联度模型和灰色GM预测模型在柴油机故障诊断、预测研究中有着较为广泛的应用。然而，现有的研究均是对故障诊断模型与性能预测模型的单独应用，未能真正融合两种模型的优势，实现对故障的精确诊断；且模型均是直接将当前的运行参数作为分析对象，因此同样存在初期故障识别精度低这一问题，无法实现在燃油系统性能劣化初期对故障的准确辨识。

[0005] 经对现有技术的文献检索发现，公开文件“基于动量BP网络的柴油机故障诊断”(控制工程，2007)提出的一种柴油机燃油系统故障诊断方法，该公开文件中记载：“利用神经网络的非线性映射，及其高度的自组织和自学习能力，将改进的BP网络应用于柴油机的故障诊断。应用夹持式传感器获得柴油机喷射系统的燃油压力波形，对波形时域分析和特征提取，再根据所取得故障信息及其对应的故障类型来构造网络结构，应用附加动量的BP算法，从而实现对故障的分类。通过MATLAB仿真理论表明，该方法可以有效地对故障进行识别分类”。其不足之处是：该方法直接利用当前的运行参数特征分析燃油系统性能状态，难以在系统性能劣化初期准确识别故障类型，无法有效地指导对燃油系统的健康维护；且该方法诊断模型的建立需要大量、典型的学习样本，使得算法运行效率低、故障诊断成本较高，难以满足实际应用中对利用小样本数据诊断的需求。

发明内容

[0006] 本发明的目的在于提供一种可实现在燃油系统性能劣化初期对故障类型的准确诊断，诊断精度高的基于灰色模型的柴油机燃油系统故障预诊断方法。

[0007] 本发明的目的是这样实现的：

[0008] 1、利用数据采集系统等时长检测柴油机燃油系统当前运行参数；

[0009] 2、将采集到的运行参数作为原始建模序列，建立灰色GM(1,1)模型，通过灰色GM(1,1)模型分析燃油系统运行参数劣化趋势，获得运行参数的预测值，利用预测值构建燃油系统的待检模X，描述燃油系统当前的性能状态；

[0010] 3、获取燃油系统在不同故障状态下运行参数的样本数据，建立燃油系统故障的基准模Yi，利用标准化公式对基准模Yi与待检模X下的运行参数进行初值像处理；

[0011] 4、对初值像处理后的待检模X′与基准模Yi′，计算运行参数间的灰色关联系数*i(k)，并根据灰色关联系数进一步获得待检模X′与基准模Yi′的灰色关联度γi，选取与待检* *模灰色关联度最大的基准模Yi，识别燃油系统当前性能状态为Yi所表征的故障类型。

[0012] 本发明还可以包括：

[0013] 1、所述当前运行参数包括喷油提前角x1、喷油持续角x2、针阀启喷压力x3、最高喷射压力x4、针阀落座压力x5、高压油管余波峰值x6、针阀升程x7。

[0014] 2、所述运行参数的预测值 表示为：

[0015]

[0016] 其中， 为运行参数的第t个预测值；l为预测序列长度，且有l>n；a为发展系数、b为灰色作用量。

[0017] 3、所述的标准化公式为：

[0018]

[0019] 其中x(k)表示变换前的第k个运行参数；x(k)mean表示第k个运行参数的平均值；σ(x(k))表示第k个运行参数的标准差。

[0020] 4、所述故障类型为：Yi*＝arg maxi{γi}。

[0021] 5、建立灰色GM(1,1)模型的具体过程为：

[0022] 第一步：对任一燃油系统运行参数，将检测到的数据作为原始建模序列x(0)，[0023] x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))；

[0024] 第二步：计算原始建模序列x(0)一次累加之后的紧邻均值生成序列z(1)，[0025] z(1)＝(z(1)(2),z(1)(3),…,z(1)(n))；

[0026] 其中，z(1)中任一元素z(1)(t)的计算方法为

[0027]

[0028] 第三步：利用最小二乘法估计灰色GM(1,1)模型中的参数，包括：发展系数a、及灰色作用量b；

[0029]

[0030] 其中， 为参数列，且有

[0031]

[0032] 第四步：建立燃油系统运行参数的灰色GM(1,1)模型；

[0033] x(0)(t)+az(1)(t)＝b。

[0034] 6、灰色关联度γi的具体计算过程为：

[0035] 第一步：对初值像处理后的待检模X′与任一基准模Yi′，计算其在第k个运行参数处的残差Δi(k)，并将其构成残差序列Δi；

[0036] Δi(k)＝|Yi′(k)-X′(k)|,k＝1,2,…,7

[0037] 上式中，X′(k)为待检模X′中的第k个运行参数；Yi′(k)为基准模Yi′中的第k个运行参数，

[0038] Δi＝(Δi(1),Δi(2),…,Δi(7))；

[0039] 第二步：计算残差序列Δi的最大差M和最小差m；

[0040]

[0041] 第三步：计算待检模X′与基准模Yi′在第k个运行参数处的灰色关联系数εi(k)；

[0042]

[0043] 上式中，α是分辨系数，α∈(0,1)；

[0044] 第四步：通过对运行参数灰色关联系数εi(k)进行均值处理，获得待检模X′与基准模Yi′的灰色关联度γi，

[0045]

[0046] 本发明提供了一种基于灰色模型的柴油机燃油系统故障预诊断方法，所述灰色模型包括灰色GM预测模型和灰色关联度模型两部分。首先基于灰色GM(1,1)模型预测燃油系统运行参数劣化趋势，并利用预测数据描述燃油系统当前性能状态，然后，通过灰色关联度模型检测燃油系统待检模与基准模的关联度，按照最大关联度原则识别出燃油系统的故障类型，据此指导对柴油机实施预防性维修，确保柴油机在最佳工作状态下运行。

[0047] 与现有技术相比本发明的优势在于：本发明通过对运行参数劣化趋势的灰色预测，突出了燃油系统运行参数的异变特征，避免原参数特征的模糊性对诊断的影响，可实现在燃油系统性能劣化初期对故障类型的准确诊断；此外，本发明利用灰色关联度模型在不确定系统模式识别上的优势，通过比较运行参数序列的灰色关联度，对燃油系统故障类型进行辨识，提高了在小样本信息条件下故障诊断的精度。

附图说明

[0048] 图1为本发明基于灰色模型的柴油机燃油系统故障预诊断方法流程图。

具体实施方式

[0049] 本发明的方法主要包括以下步骤：

[0050] 1、利用数据采集系统等时长检测柴油机燃油系统当前运行参数，所述运行参数包括：喷油提前角x1、喷油持续角x2、针阀启喷压力x3、最高喷射压力x4、针阀落座压力x5、高压油管余波峰值x6、针阀升程x7；

[0051] 2、将采集到的运行参数作为原始建模序列，建立灰色GM(1,1)模型，通过灰色GM(1,1)模型分析燃油系统运行参数劣化趋势，获得运行参数的预测值，进而利用预测值构建燃油系统的待检模X，描述燃油系统当前的性能状态；

[0052] 3、获取燃油系统在不同故障状态下运行参数的样本数据，建立燃油系统故障的基准模Yi，利用标准化公式对基准模Yi与待检模X下的运行参数进行初值像处理，消除因参数量纲的不同对燃油系统性能状态分析的影响；

[0053] 4、对初值像处理后的待检模X′与基准模Yi′，计算运行参数间的灰色关联系数εi(k)，并根据灰色关联系数进一步获得待检模X′与基准模Yi′的灰色关联度γi，进而依据最大关联度原则，选取与待检模灰色关联度最大的基准模Yi*，识别燃油系统当前性能状态为Yi*所表征的故障类型。

[0054] 下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述的实施例。

[0055] 如图1所示，本发明包括以下步骤：燃油系统运行参数检测、运行参数劣化趋势的灰色预测、运行参数的初值像处理、燃油系统故障的灰关联诊断。具体如下：

[0056] 1、所述燃油系统运行参数检测是利用传感器与数据采集卡，等时间间隔检测燃油系统当前的运行参数，所述运行参数共七种类型，具体包括：喷油提前角x1、喷油持续角x2、针阀启喷压力x3、最高喷射压力x4、针阀落座压力x5、高压油管余波峰值x6、针阀升程x7。

[0057] 2、所述运行参数劣化趋势的灰色预测是指，将检测到的燃油系统运行参数作为原始建模序列x(0)，建立如公式(5)所示的灰色GM(1,1)模型。通过公式(6)预测分析燃油系统运行参数未来劣化趋势。重复灰色GM(1,1)模型的建立和预测过程，直至获得燃油系统所有类型的运行参数的预测值。在此基础上，依据定义1中约定的规则，利用运行参数的预测值构造燃油系统状态待检模X，以此描述燃油系统当前的性能状态。

[0058] 燃油系统运行参数的灰色GM(1,1)模型建立、及劣化趋势灰色预测过程如下：

[0059] 第一步：对任一燃油系统运行参数，将步骤1中检测到的数据作为原始建模序列x(0)；

[0060] x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))

[0061] 第二步：计算原始建模序列x(0)一次累加之后的紧邻均值生成序列z(1)；

[0062] z(1)＝(z(1)(2),z(1)(3),…,z(1)(n))

[0063] 其中，z(1)中任一元素z(1)(t)利用公式(1)所示的方法计算

[0064]

[0065] 第三步：利用最小二乘法估计灰色GM(1,1)模型中的参数，包括：发展系数a、及灰色作用量b，计算方法如公式(2)所示；

[0066]

[0067] 其中， 为参数列，且有

[0068]

[0069] 第四步：建立燃油系统运行参数的灰色GM(1,1)模型，如公式(5)所示；

[0070] x(0)(t)+az(1)(t)＝b  (5)

[0071] 第五步：采用公式(6)求解燃油系统运行参数的灰色GM(1,1)模型，获得运行参数的预测序列

[0072]

[0073] 上式中， 为运行参数的第t个预测值；l为预测序列长度，且有l>n。

[0074] 给出关键定义如下：

[0075] 定义1：(定义燃油系统状态描述规则)：对于柴油机燃油系统，其性能状态可以通过同一时刻的运行参数的序列U进行描述，序列U中的元素依次表示喷油提前角x1、喷油持续角x2、针阀启喷压力x3、最高喷射压力x4、针阀落座压力x5、高压油管余波峰值x6、针阀升程x7。

[0076] U:{x1,x2,x3,x4,x5,x6,x7}

[0077] 定义2：(定义“模”、“待检模”和“基准模”)：当利用运行参数的序列U描述燃油系统的性能状态时，序列U即称为燃油系统性能状态的“模”；进一步，若燃油系统的性能状态为已知故障类型i，则称序列U为该故障类型i的“基准模”，记为Yi；若燃油系统的性能状态未知，则称序列U为燃油系统状态的“待检模”，记为X。

[0078] 3、所述运行参数的标准化处理是获取燃油系统在不同故障状态下运行参数的取值，并依据定义1中约定的规则，将其作为表征不同故障类型i的基准模Yi。在此基础上，采用公式(7)所示的标准化方法对待检模X与基准模Yi中的运行参数进行初值像处理，去除数据的单位限制，使其转化为无量纲数值，以便于燃油系统多个运行参数间的比较和加权，消除因运行参数量纲的不同对燃油系统性能状态分析的影响。

[0079]

[0080] 上式中，x(k)表示变换前的第k个运行参数；x(k)mean表示第k个运行参数的平均值；σ(x(k))表示第k个运行参数的标准差。

[0081] 4、所述燃油系统故障的灰关联诊断是指，重复采用公式(11)计算待检模X与基准模Yi之间的灰色关联度γi，灰色关联度即表征了两种“模”之间的关联程度；进一步，结合定义1、定义2中约定的规则，不同燃油系统性能状态之间的相似程度同样能够通过灰色关联度描述，灰色关联度越大，两种性能状态越相似。此时，依据最大关联度原则，利用公式(12)选取与待检模灰色关联度最大的基准模Yi*，识别燃油系统当前性能状态为Yi*所表征的故障类型。

[0082] 待检模与基准模的灰色关联度计算过程：

[0083] 第一步：对初值像处理后的待检模X′与任一基准模Yi′，利用公式(8)计算其在第k个运行参数处的残差Δi(k)，并将其构成残差序列Δi；

[0084] Δi(k)＝|Yi′(k)-X′(k)|,k＝1,2,…,7  (8)

[0085] 上式中，X′(k)为待检模X′中的第k个运行参数；Yi′(k)为基准模Yi′中的第k个运行参数。

[0086] Δi＝(Δi(1),Δi(2),…,Δi(7))

[0087] 第二步：利用公式(9)计算残差序列Δi的最大差M和最小差m；

[0088]

[0089] 第三步：计算待检模X′与基准模Yi′在第k个运行参数处的灰色关联系数εi(k)，计算方法采用公式(10)；

[0090]

[0091] 上式中，α是分辨系数，α∈(0,1)。

[0092] 第四步：利用公式(11)所示的方法，通过对运行参数灰色关联系数εi(k)进行均值处理，获得待检模X′与基准模Yi′的灰色关联度γi。

[0093]

[0094] Yi*＝arg maxi{γi}  (12)。