Диагностика автомобильного двигателя на основе нейронной сети



Рассмотрен метод определения технического состояния автомобильной двигателя, использующий технологии искусственного интеллекта и основанный на применении нейронечетких сетей. Отмечено, что данный метод должен содержать четыре основных этапа. Показана структура системы диагностирования, реализующей данный метод. Приведен пример идентификации неисправностей в системе управления механической коробки передач.

Ключевые слова: нейронечеткая сеть, механическая коробка передач, диагностирование.

Введение

Двигатель — одна из наиболее нагруженных систем военных машин, работающая в сложных эксплуатационных условиях Вьетнама, поэтому для него очень высока вероятность поломок. В этой статье автор предлагает методики диагностирования МКП на основе интеллектуальных искусственных технологий.

Сущность метода заключается в анализе причин возникновения переходных режимов работы механизмов бротанковой техники, основанном на оценке соотношений между изменениями параметров векторов входа Х и выхода Y некоторой системы.

Основная часть

Нейронечеткая сеть идентифицирует конкретные неисправности объекта при условии, что она была предварительно обучена распознавать тот или иной отказ либо неисправность. Для обучения используются классические математические принципы обучения нейронных или нейронечетких сетей. Метод содержит несколько этапов.

Этап 1. Сбор экспертной информации по отказам и неисправностям и формирование базы знаний. На данном этапе на основе экспериментальных данных, заключений экспертов и посредством других достоверных источников информации формируется база знаний. Она представляет собой совокупность обучающих выборок, характеризующих признаки и проявления неисправностей; эти выборки в дальнейшем подаются на вход нейронечеткой сети.

Итак, ставится задача определения технического состояния элементов механической коробки передачи военных машин, который эксплуатируется в условиях Вьетнама. Исходная информация о функционировании МКП, поведении ее параметров, возможных неисправностях и причинах их возникновения формируется в виде экспертной базы знаний на основе достоверных данных, полученных от различных источников. В качестве дополнительных источников формирования базы знаний могут служить результаты экспериментальных исследований в стендовых условиях и в процессе ходовых испытаний, а также статистические данные по отказам.

Сформированная база знаний используется при обучении нейронечетких сетей для распознавания неисправностей. Количество продукционных правил подобной базы знаний составляет несколько десятков для описания технического состояния отдельного механизма или несколько сотен для машины в целом.

Этап 2. Создание нейронечеткой модели. Нейронечеткая модель образуется на математической основе теории нейронных сетей и средств нечеткой логики (рис. 3). Входами сети служат информационные переменные X (диагностические параметры), описанные функциями принадлежности (N — число информационных переменных, M — лингвистических переменных по каждому параметру). В качестве выхода сети — вектора Yi — выступают различные критерии, определяющие показатели эффективности, качества и безопасности функционирования МКП (коэффицент передаточного числа, вибрации, пульсации давления, утечки и т. д.).

Рис. 1. Нейронечеткая сеть

Для преобразования четких сигналов в нечеткий вид диагностические параметры фаззифицируются. Каждый из диагностических параметров описывается несколькими (тремя-пятью) термами лингвистической переменной. Как правило, для этих целей используются треугольные или гауссовские функции принадлежности.

Для нейронечеткого моделирования используют специализированное программное обеспечение (например, программу Fuzzy Logic Toolbox программного обеспечения MATLAB 7.0). Аппроксимирующая модель включает в себя программу с расширением *.fis, основанную на представлении входных параметров базы нечетких правил нечеткими переменными, и программы формирования тестирующих и обучающих данных *.m на основании реальных процессов функционирования МКП. При использовании модели в режиме реального времени исходные данные об изменении параметров МКП поступают от регистратора — микропроцессора или бортового компьютера.

Структура адаптивной нейронечеткой сети ANFIS, аппроксимирующей выход диагностической системы, показана на рис. 4. При этом число входов сети равно количеству используемых диагностических параметров.

Рис. 2. Структура модели ANFIS

Этап 3. Обучение нейронечеткой сети. При обучении сети на ее вход подают совокупность пар обучающих выборок, характеризующих сочетание диагностических параметров для разных видов технического состояния механизмов МKП. Значение, получаемое на выходе сети, соответствующим образом интерпретируется.

Рис. 3. Адаптивная нейронечеткая сеть ANFIS

Время обучения модели, приведенной на рис. 4, с использованием компьютера с операционной системой Windows XP Professional и установленной вычислительной системой MATLAB 7.0 составляет всего 10 с. Результат обучения сети был достигнут в течение 10 эпох.

Этап 4. Нейронечеткая идентификация и вывод заключения. Этот этап является заключительным в процессе определения технического состояния элементов МКП.

При этом для получения технического диагноза используют обученную нейронечеткую сеть, а на вход сети поставляется информация о параметрах, характеризующих реальные процессы в МКП. Для удобства пользователя диагностической системы числовая информация, получаемая на выходе сети, подвергается дополнительной интерпретации и выдается, к примеру, в вербальном виде (лингвистической форме).

Здесь используются специальные окна интерпретатора, в котором информация экспертной системы о техническом состоянии механизмов МКП для выбранного режима функционирования выводится в визуально-вербальном виде. В окне просмотра экспертной системы просматривают графическую информацию о поведении параметров на режиме управления или режиме диагностирования. В специальных строках выводятся разные сообщения: виды и наименования диагностических параметров, их текущие значения, предупреждения о возникновении нештатных ситуаций либо достижении параметров критических значений и др.

Элементы интерфейса экспертной системы могут быть достаточно легко изменены в соответствии с пожеланиями пользователя. Экспертная система для диагностирования МКП, реализующая созданный метод, сопровождается программным обеспечением, разработанным на современных языках программирования с привлечением средств визуальной разработки.

Предложенный метод обеспечивает получение расширенной достоверной базы знаний, быстроту обработки информации, точность получаемого технического диагноза и возможность оперативного определения технического состояния МКП в режиме реального времени.

Преимущества предложенного метода заключаются в следующем:

– возможность использования расширенной достоверной базы знаний;

– высокая скорость обработки информации;

– большая точность технического диагноза;

– возможность оперативного диагностирования в режиме реального времени;

– удобство нормативного диагностирования на специализированных постах, станциях техобслуживания, на горно-обогатительных предприятиях и т. д.

Таблица 1

Входные ивыходные значения системы

№	Входные значения	Обозначение	Выходные значения	Обозначение
1	Мощность двигателя (кВТ)	Мощность	Техническое состояние двигателя грузового автомобиля КАМАЗ	Тех. состояние
2	Температура охлаждающей жидкости (Град)	Температура
3	Давление масла (Мпа)	Давление
4	Расход топлива (Г/км.ч)	Расход
5	Шум (дБ)	Шум
6	Давление в конце такта сжатия (Мпа)	Давление в конце
7	Выхлопны́е газы (%)	Выхлопны́е газы

Рис.4. Структуры нейронной сети для диагностирования автомобильной двигателя

Таблица 2

Зависимые значения

Выходные/входные	Языковые значения	Параметры зависимых функции
		α	β	γ	δ
Мощность двигателя (Квт)	низкая	110	110	120	125
	слабая	120	125	130	135
	нормальная	130	135	140	145
	достаточная	140	145	150	154
Темпераура охждающей жидкостей (Н)	нормальная	70	73	77	80
	достаточная	77	80	83	85
	высокая	83	85	90	90
Давление масла (МПа)	слабое	1	1,5	2	2,5
	нормальное	2	2,5	3	3,5
	хорошое	3	3,5	4	4,5
Расход топлива (г/км.час)	нормальный	224	226	228	230
	нормальный	227	230	234	237
	высокий	234	237	240	242
Стук, шум (ДБ)	немногий	10	10	30	40
	нормальный	20	40	50	70
	многий	50	70	80	80
Давление в конце такта сжатия (МПа)	низкое	180	180	184	188
	нормальное	184	188	190	192
	достаточное	190	192	195	195
Выхлопные газы (%)	наименьшие	20	22	26	30
	нормальные	28	32	36	40
	наибольшие	38	42	46	50
Техническое состояние двигателя (%).	хорошое	85	95	100	100
	нормальное	65	75	85	95
	нехорошое	45	55	65	75
	Легкий отказ	25	35	45	55
	Силий отказ	0	15	25	35

Рис.5. Сравнительный результат прогнозирования и при эксплуатации

Заключение

Диагностирования сложных технических объектов, заключающийся в том, что среди параметров сложного технического объекта выделяют отдельные параметры, которые являются признаками его технического состояния, сравнивают их с эталонными признаками исходного алфавита классов. Перспективными направлениями развития методов и средств диагностики являются методы, основанные на нечеткой логике или нечетких множествах, экспертные системы и нейронные сети. Искусственные нейронные сети (ИНС) используют для идентификации объектов контроля, распознавания образов и прогнозирования состояния технической системы. Применение ИНС позволит получить повышение быстродействия средств диагностирования за счет распараллеливания потоков обработка диагностической информации. Метод диагностирования сложных технических объектов, основанные на применении нейронечетких сетей, адаптированы к задачам диагностирования автомобильной двигателя.

Литература:

1. Биргер И. А. Техническая диагностика. — М.: Машиностроение, 1978. — 240 с.
2. Викторова Е. В. Применение нечетких нейронных сетей для технической диагностики дорожных машин/ Е. В. Викторова // Вестник ХНАДУ, — 2012, — вып. 56. — С. 98–102.
3. Хаханов, В.И., Щерба, О. В. Применение искусственных нейронных сетей для диагностирования цифровых сетей/ В. И. Хаханов, О. В. Щерба// Радиоэлектронные и компьютерные системы. — 2010. — № 5 (46), — С. 15–20.
4. Руководство по материальной части и эксплуатации Т-55. Ордена трудового красного знаний. Военное издательство.- Москва 1969, — 665 с.
5. Уоссерман, Ф. Нейрокомпьютерная техника: теория и практика / Ф. Уос- серман; пер. с англ. Ю. А. Зуева, В. А. Точенова. — М: Мир, 1992. — 196 с.
6. Мыльнев, В. Ф. Шум и вибрации поршневых двигателей. Источники, методы исследования: учеб. пособ. / В. Ф. Мыльнев, А. Б. Гасанов А. Б. — Новочеркасск: Изд-во ЮРГТУ, 2000. — 92 с.