陈强

（南昌航空大学，江西 南昌 330000）

目前，农业机械规模化、信息化已经成为一种趋势，在长时间、超负荷的工作条件下，经常会出现柴油机、底盘等各种部件的故障。其中，燃油系统故障所占比例最大，达到35%左右。因此，对农用柴油机燃油系统的故障研究具有重要的意义。

1 测试系统的硬件组成

计算机测试系统要实时地完成数据采集、运算，并把结果迅速输出到被控对象，这样就需要一套完整的硬件系统。

2 测试系统软件设计

软件的设计是本课题的主要工作内容，要具有可靠性高的测试和故障诊断系统。为了保证系统的易扩展性和易维护性，本系统划分为以下几个功能模块：系统初始化程序、主界面程序、主监控程序、实时监测模块以及3个实验模块，这3个实验模块分别是性能指标测量分析、综合示波图分析、柴油机故障诊断，它们相互独立，并与主监控程序之间存在接口，可以相互调用。

3 农用柴油机故障诊断系统设计

3.1 燃油系统高压油管压力波及小波分解

柴油机燃烧系统实际上是燃油压力波的传播系统，高压油管内各处的压力随时间和位置的变化而变化，带有一定的随机性。然而，压力波形的模式是由喷油泵总成、高压油管及供油角联动装置决定，反映燃油系统状态信息最多的就是高压油管中的压力信号。由于一般的滤波容易丢失重要信息，所以我们采用小波分解技术。

小波变换的作用是将一个信号与一个在时域和频域上均具有局域化性质的平移伸缩小波权函数进行卷积，从而将信号分解成为与不同时宽和频带上的各个成分，基本思想就是用某函数族来逼近观测信号。若Ψ（t）是平方可积分函数，并且满足=0则称Ψ（t）为母小波函数，对Ψ（t）进行伸缩和平移变换，设伸缩因子为a，平移因子为b，且a，b∈R，a≠0。可得下列函数族称Ψa，b（t）为分析小波。

3.2 波形时域和频域特征参数的选择

实验把正常状态下高压油管压力信号用离散小波进行分解，选用dmey小波分解，原始信号被分解成低频逼近信号和高频细节信号，分析频率的上限为1 000Hz。逼近信号反映了油管膨胀的低频振荡信息。而细节信号反映了高压油管压力波动从中频到高频的振荡信息。因此，我们把高频的噪声信号去除之后，就可以对故障信息提取特征参数，本文采用的频域特征值有两个，分别是脉冲因子If和峰值因子Cf。

4 人工神经网络技术

4.1 神经网络学习及数据处理

REF网络属于多层前向神经网络，它的基本思想是用径向基函数作为隐含层单元的基，构成隐含层空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间中，使得在低维空间中线性不可分的问题在高维空间线性可分。RBF网络要学习的参数有3个：基函数的中心，方差和权值。根据径向基函数中心选取方法的不同，RBF网络又可分为随机选取中心法、自组织选取中心法、有监督学习法以及正交最小二乘法。本文选用自组织选取中心法，此法有两个阶段：一是自组织学习阶段，二是有监督学习及输出权值的阶段，算法步骤如下：

4.1.1学习中心t（i=1，2...I）自组织学习过程中要用到聚类算法，常用的聚类算法是K-均值聚类算法。假设聚类中心有I个，设ti（n）（i=1，2…I）是第n次迭代时基函数的中心，K-均值聚类算法的步骤如下：第一步，初始化聚类中心，即根据经验从样本集中选取I个不同的样本作为初始中心ti（0）（i=1，2…I），设置迭代步数为n=0。第二步，随机输入训练样本Xk。第三步，寻找训练样本的Xk离哪个中心最近，即找到 i（Xk），使得满足 i（Xk）=argm i n‖Xk-ti（n）‖，i=1，2…I，ti（n）为第n次迭代时基函数第i个中心 。 第 四 步 ， 调 整 中 心 ， 用 ti（n）=调整基函数的中心，η是学习步长，且0＜η＜1。第五步，判断是否学习所有的训练样本且中心的分布不再变化［1］。

4.1.2 确定方差σi，i=1，2…I中心一旦学习完就固定了，接着要确定基函数的方差，当选用高斯函数G（‖Xk-ti‖）=，i=1，2…I，方差可用σ1=σ2=σ3=…=σi=dmax/，I为隐单元的个数，dmax为所选中心之间最大距离。

4.2 故障诊断系统各层神经元个数的确定

农用柴油机故障诊断系统选取输入是8个高压油管压力波信号的时域特征参数和小波分解后高频信号的2个频域特征参数，本实验设置了8种常见的故障，以诊断结果的二进制编码输出，即8种故障状态分别为：000；001；010；011；100；101；110；111。由此可知神经网络的输入层神经元个数n1=10，输出层神经元n3=3。隐层数目通常根据以下公式来确定［2］。

这样经过燃油压力波特征提取界面和小波分解之后信号显示界面，调出特征值进行数据融合及归一化处理，将前面的综合示波图分析模块采集到的压力波利用神经网络技术就可以对柴油机燃油系统进行故障诊断。

5 结语

本文通过对传感器测取的高压油管压力波非正常变化的分析，利用LABVIEW虚拟仪器编程实现压力波波形数据的特征提取，将8种故障工作状态的数据作为训练样本，利用RBF神经网络进行训练，样本实际输出和期望输出相吻合，达到了预期值。将神经网络模型引入柴油机故障诊断中，实现了对柴油机燃油喷射系统故障的智能诊断，并有利于实时在线检测。若采用较大数量的数据作为训练样本建立神经网络模型，通过波形的特征参数，就能够做出更准确的故障诊断。

［1］段礼祥，张来斌，王朝辉.柴油机燃烧系统故障的小波包神经网络模糊诊断法［J］. 机械强度，2006（1）：1-5.

［2］童兵，卢青春.虚拟仪器技术在发动机台架试验测量控制系统中的应用［J］. 公路交通科技，2000（2）：80-82.