故障自诊断

关键词： 电控 故障 汽车 系统

故障自诊断（精选十篇）

故障自诊断 篇1

1.1 故障现象:一辆上海帕萨特B51.8T轿车发动机, 出现怠速不稳、加速冒黑烟现象。

1.2 故障诊断:

接上SY380诊断仪, 打开点火开关, 进入发动机电控系统, 利用故障码功能查询故障存储, 发现有多个故障记录:

1.2.1 混合气自适应值超差;

1.2.2 水温传感器断路或对地短路;

清码, 重新读码, 还有“水温传感器断路或对地短路”一个故障码。用数字万用表检测水温传感器的阻值为无穷大。更换水温传感器后, 重新读取故障码, 显示为/SP, 消码后系统正常。查看水温数据与实际温度 (用红外线测试仪) 一致。着车发现故障略有好转, 但怠速不稳、加速冒黑烟症状依然存在。没有故障码记录, 利用读取测量数据块功能进入第7显示组, 查看第2显示区的氧传感器电压信号为0.6-0.8V, 第1显示区的氧调节器值为-10%, 说明混合气过浓, 氧调节已到极限。连接燃油压力表, 进行油压测试:怠速状态下油压为350k Pa, 急加速时油压能在300-400k Pa之间摆动, 关闭点火开关10min后, 燃油压力能保持在250k Pa, 油压值符合标准, 说明燃油泵工作性能良好、燃油压力调节器及管路正常。

检查火花塞, 发现火花塞被脏污, 更换火花塞后试车, 故障略有好转。连接故障诊断仪, 重新读取数据流, 进入第1显示组, 查看第3显示区的节气门开度信号为4度-5度, 正常值应为0度-5度, 虽然没有超出允许范围, 但已接近极限说明节流阀体过脏。考虑到大众系列轿车节流阀体过脏对怠速及加速都有影响的特点, 将其拆洗装车并用诊断仪对其再次测量数据流发现第2组的数据显示:发动机负荷为2.7 ms, 喷油时间为4.7ms, 进气量为5.4g/s。第7显示组的氧调节器为-10%, 氧传感器电压为0.6-0.8V。以上数据表明进气量5.4g/s与正常值2.0-4.0g/s相比偏高, 喷油时间4.7ms与正常值2.0-5.0ms相比也接近极限。造成这两个数据比标准值偏高 (标准值取范围的中间值) 的原因是由于空气流量计给ECU输入了错误的信号造成的。虽然ECU根据氧传感器反馈的信号对喷油脉宽进行了调整, 减少喷油量, 但已调到极限 (-10%) 。由于空气流量计信号偏差太多, 造成混合汽过浓。

1.2.3 故障排除:

将冷却液温度传感器、空气流量计更换, 发动机运转平稳加速有力, 不再冒黑烟, 由此故障排除。

2 维修小结

该案例有两个故障点, 第一个故障点实际并不复杂, 直接通过读取系统故障码很快排除故障, 对于有经验的维修人员, 可能会直接从冷却液温度传感器着手, 找到问题的根源。但接着又说明一个问题, 那就是电控燃油喷射发动机系统的ECU对于某些故障是不进行记忆存储的, 比如该车的空气流量传感器, 既没有断路也没有短路, 只是信号失真, ECU的自诊断功能就不会认为是故障。在这种情况下, 阅读控制单元数据成为解决问题的关键。

所以在进行故障诊断的时候, 需要技术人员进行全面检查和分析。以上在故障检测与诊断的过程中主要用到了故障码诊断法和数据流分析法。为什么出现明明控制系统有故障却不报故障码呢!下面就这类问题做如下介绍和分析:

2.1 汽车自诊断系统的原理

2.1.1 汽车电子控制系统异常情况

电控系统在正常工作时, ECU的输入和输出信号都是在一个规定的范围内运行, 当控制电路的信号出现异常时, ECU中的诊断系统就判定该电路信号出现故障。电路的异常情况分为3种:a.电路的信号超出规定范围, 诊断系统则判定为故障信号;b.ECU在一段时间内接收不到传感器的信号或接收到的信号在一段时间内不变, 诊断系统也会判定为故障信号。c.ECU中的诊断系统偶然发现一次不正常的输入信号时, 不会诊断为故障信号, 只有不正常的输入信号多次出现或持续一定时间, 才会判定为故障信号。

2.1.2 汽车自诊断系统对故障的确认方法

值域判定法:当电控单元接收到的输入信号超出规定的数值范围时, 自诊断系统就确认该输入信号出现故障。

时域判定法:当电控单元检测时发现某一输入信号在一定的时间内没有发生变化或变化没有达到预先规定的次数时, 自诊断系统就确定该信号出现故障。

功能判定法:当电控单元给执行器发出动作指令后, 检测相应传感器的输出参数发生变化, 若传感器输出信号没有按照程序规定的参数变化, 就确认执行器或电路出现故障。

逻辑判定法:电控单元对两个具有相互联系的传感器进行数据比较, 当发现两个传感器信号之间的逻辑关系违反设定条件时, 就断定其一定有故障。

2.2 汽车故障自诊断系统的异常诊断

汽车故障自诊断系统纪录和储存错误的故障码, 对电控汽车维修带来许多不便。在以下三种情况时, 故障码容易出现错误信息。

2.2.1 汽车运行时故障明显, 传感器有故障而自诊断系统没有监测到。

ECU对传感器信号进行检测时, 只能接受其设定范围之内的传感器非正常信号, 从而判别传感器的好坏, 记录或不记录故障码, 一旦解读故障码后, 只要对相应的传感器、导线连接器、导线进行检查, 找到并排除短路、断路的故障即可。但是, 若因某种原因致使传感器灵敏度下降、反应迟钝、输出特性偏移时自诊断系统就不能检测出来。尽管汽车确有故障现象表现出来, 但是汽车自诊断系统却输出了“系统正常”的代码。这种情况下维修人员会对检测设备或者汽车产生怀疑。维修人员应该依据汽车的故障征兆进行分析判断, 继而对传感器单体进行针对性检测 (数据流等) , 以便找到并排除传感器故障。例如, 当空气流量壳体产生裂纹漏气时, 便会导致空气流量传感器计量不准, 使发动机转速失调, 而电控单元ECU的自诊断系统并不能检测到这种故障现象, 没有故障码输出。

2.2.2 发动机故障现象相似, 会引起ECU监测失误

自诊断系统有时会显示错误的故障码, 大众汽车的节气门传感器灵敏度下降、反应迟钝等情况导致发动机的空燃比失调与空气流量计灵敏度下降造成空燃比失调的故障现象类似, 自诊断系统会显示“节气门传感器”或者“空气流量计”的故障码。在汽车进行检测时, 经常会发现故障码显示的是“水温传感器断路或短路”故障, 而发动机不能提速。显然这些故障与水温传感器的关系不大, 在对水温传感器进行测量后并未发现任何故障。但是, 当从汽车上拆下三元催化转换器并打开后发现, 三元催化转换器内部堵塞严重, 因此可以断定发动机故障是由此引起的。因此当自诊断系统出现故障码以后, 不应该将故障码当作排除故障的唯一依据。

2.2.3 汽车电控系统维修不当也可能引发错误的故障码

在对电控汽车实施维修时, 由于维修人员维修不当或者操作失误, 也会导致自动变化系统输出错误的故障码。

对于电控单元诊断仪器的使用仅仅限于读码、清码, 忽略了数据流检测这最重要的检测方法。其实对于车辆故障的诊断, 有时候出现故障并不一定有故障码的出现, 如上所述, 这时我们就可以借助数据流分析的方法进行判断, 此时则需要维修人员灵活运用汽车专业基础和理论知识, 通过对数据流的分析, 会很容易地判断出故障所在部件。

摘要：该文通过故障案例引入的方法, 简要介绍并说明了汽车电控系统自我诊断的原理及特点, 以及汽车自诊断系统对故障的确认的值域判定法、时域判定法、功能判定法、逻辑判定法四种方法;介绍汽车故障自诊断系统异常诊断产生原因, 从中介绍了一些依靠自诊断系统排除故障的有关方法与技巧。

关键词：汽车,自诊断系统,原理,应用,故障排除

参考文献

[1]冯健璋.汽车发动机原理与汽车理论[M].北京:机械工业出版社.

[2]刘越琦.发动机电控技术[M].北京:机械工业出版社.

[3]屠卫星.汽车底盘构造与维修[M].北京:人民交通出版社.

故障自诊断 篇2

基于改进自适应滤波算法的控制系统传感器故障诊断

应用标准的多模自适应滤波算法进行故障诊断时,需要一组与假设模型等数量的卡尔曼滤波器进行滤波计算,计算量很大而且耗时,这对于实时性要求很强的工程应用是不合适的,因此提出了一种改进自适应滤波算法,它只需要单个卡尔曼滤波器就可得到与标准的多模自适应滤波算法等价的残差,因此可以有效地减少计算量和计算时间.将此算法应用于某无人机控制系统的`传感器故障诊断,仿真结果验证了该方法的有效性.

作 者：贾彩娟 祝小平周洲 JIA Cai-juan ZHU Xiao-ping ZHOU Zhou 作者单位：西北工业大学第365研究所,西安,710072刊 名：传感技术学报 ISTIC PKU英文刊名：CHINESE JOURNAL OF SENSORS AND ACTUATORS年，卷(期)：19(6)分类号：V2关键词：多模自适应滤波(MMAE) 卡尔曼滤波器 故障诊断

故障自诊断 篇3

关键词：汽车维修；故障自诊断；基本原理；故障代码

汽车故障自诊断系统主要通过对电子控制系统中的传感器、电子控制系统本身和各种执行的元件这几个方面进行监测。其故障定位功能使维修人员更快地找出故障原因，而故障预警功能则更好地提高了汽车的安全性和可靠性，其故障参数记录为维修工作提供了理论依据。自诊断系统具有以下功能：检测电子控制系统的故障；将故障代码存储在ECU的存储单元中；提示驾驶员ECU已检测到故障，应谨慎驾驶；启用故障保护功能，确保车辆安全运行；协助维修人员查找故障，为故障诊断提供信息。汽车故障自诊断系统在维修工作中有着重要作用，有利于让缺乏专业知识的驾驶员更好地了解故障情况，提高行驶安全性能，最大限度地减少交通事故的发生，有效地保障了驾驶员的人身安全。

1.我国汽车维修行业的现状

随着社会经济的发展，汽车维修工作也从传统的手工作方式的状态发展到如今的自动化机械操作，各企业都加强了配置，无论是从车身还是车内设施的维修都使用了现代化的机械。这些先进机械参与到维修中不仅可以确保车辆维修的质量，还能为维修人员减轻负担。根据不同车型以及电子控制装置的不同，自诊断系统也成为重中之重。随着企业逐渐转化成为特约维修企业，也应根据系统、性质的不同，维修技术也逐步专业化，争取早日摆脱传统的维修模式。

2.故障自诊断系统的工作原理

汽车故障的自诊断模块的对象时汽车电控系统的各种传感器、各种执行元件和电子控制系统本身，故障的判断也是针对这三种对象进行的。故障自诊断模块公用汽车电子控制系统的信号输入电路，在行驶过程中以上三种对象进行检测，当其中某个信号在一定时间内超过设定值的时候，故障自诊断模块就会判断这一信号对应的电路出现故障，并把故障以代码的形式存入内部存储器中，并通过指示灯显示出来。具体表现为：

（1）当汽车的某一部分，比如传感器或者电路有故障后，相对应的信号也就不能再做为衡量汽车是否有故障的控制参数。为了保障汽车的正常运行，故障自诊断系统自动从程序存储器中找到之前设定的一组经验值，做为应急参数，预备方案可以及时的保障在这一部分有故障的时候汽车也可以继续运行。

（2）当汽车的执行元件会损害其他元件，或者导致汽车出现严重的故障时，那么就要对症下药，把这个部分的执行元件检测出来，然后及时解决问题，故障自诊断系统能自动的处理好这一点，自动采取安全措施，停止这一功能的运行，为汽车的正常运行保驾护航。例如，当点火器出现故障的时候，故障自诊断模块就会切断燃油喷射系统电源，停止喷油，防止排油系统爆炸。

（3）当汽车的电子控制系统出现故障时，故障自诊断系统自动开启备用控制回路对汽车进行简单的控制，确保汽车在出现故障之后还是可以运行一段时间，让车主可以开到汽车修理站进行维修。

（4）当汽车传感器出现异常或者无信号时，而且持续时间较长，而ECU便以稳定的形式将预先设置好的故障代码存储到RAM中，并通过指示灯的闪烁来起到警示的作用，

3.故障自诊断系统之故障代码

（1）故障代码的设定。故障代码是代表汽车故障的类型和故障部位的信息，使自诊断系统记录相应的故障点时只要通过数字或字母表示。故障代码的设定方法有很多种，主要包括值域判定法、时域判定法、功能判定法、逻辑判定法等。

（2）故障代码的测试模式。在故障自诊断系统中，故障代码主要有静态测试模式和动态测试模式两种。静态模式就是在发动机停止运转时，从存储器读出故障代码，利用机内已存在的电子控制系统对故障代码进行诊断；而动态模式却在是在发动机正常运行中完成的，利用自诊断系统和诊断模式检测出故障代码。

（3）故障代码的种类。故障代码又分成硬码和软码两大类型。它的分类主要是与故障灯的状态是息息相关的，如在运行中，故障灯一直是亮的状态即硬码，如在发动机运转时，故障灯先亮后熄即软码。软码是间歇性的故障代码，有可能是线路接触不良而引起的。可以对线路进行检测。

（4）故障代码的读取和清除。随着车载网络在汽车电子技术中运用，在排除汽车故障之后，存储器内部的故障代码就必须要清除，以免造成再出现新的故障时，系统把旧代码一齐输入，导致不能及时的发现故障。

4.如何更好的把故障自诊断系统应用到汽车维修工作中去

虽然故障自诊断系统已经逐渐应用到汽车维修中去，但是还存在很多盲区，在其以后的发展过程中应注意以下几个方面：

（1）完善故障定位功能。故障定位功能是为了能及时的找到电子控制单元中的故障元件，以防在维修中盲目维修，节约成本，故障自诊断系统应完善电子控制单元内部各项元件的定位功能。

（2）准确的记录故障参数。故障参数是为了分析故障原因，自诊断系统应及时记录各项故障情况，并逐一核对，以确保故障参数的准确性。

（3）优化故障预警功能。故障预警是通过各项数据处理技术使自诊断系统能预告系统可能出现的故障，提醒车主提前防范，及时维修。

（4）强化驾驶员知情功能。让驾驶员可以了解到故障情况，提高了在车辆维修中的公平性。

5.结束语

综上所述，通过对汽车自诊断系统的深入了解，认识到汽车故障自诊断系统的使用不仅可以减轻维修人员的负担，也给车主带来了便利。

参考文献：

[1]丁奎华.浅析汽车维修中的“故障自诊断”[J].现代企业文化，2010，（9）

[2]倪桂荣.浅析发动机电控系统故障码故障的诊断技术[J].汽車维修与保养，2012，（8）

[3]黄开宏.汽车故障自诊断系统及其在汽车维修中的应用探究[J].科学时代 ，2013，（15）

[4]张永艳.简述汽车故障自诊断系统及其在汽车维修中的应用[J].城市建设理论研究（电子版），2012，（33）

汽车自诊断系统异常故障的分析 篇4

有些维修人员在使用汽车电控系统检测设备时, 碰到以下情况:读出多个故障码, 故障灯亮却无故障码;有故障却没有产生相应故障码或者有故障码却查不出相应故障;汽车故障自诊断系统记录和储存错误的故障码。往往会感到困惑和无从下手, 对电控汽车维修带来许多不便。

有哪些情况汽车故障自诊断系统容易出现异常, 如何分析和诊断汽车故障?

一、汽车运行时故障明显, 而自诊断系统没有监测到传感器有故障

汽车电控单元 (ECU) 对传感器信号进行检测时, 只能接受其设定范围之内的传感器非正常信号, 从而判别传感器的好坏, 记录或不记录故障码。一旦解读故障码后, 只要对相应的传感器、导线连接器及导线进行检查, 找到并排除短路、断路的故障即可。但是, 若因某种原因致使传感器灵敏度下降、反应迟钝、输出特性偏移时 (也就是说传感器没有完全失效时) , 自诊断系统就不能检测出来。所以就出现汽车确有故障现象表现出来, 但是自诊断系统却输出了“系统正常”的代码 (故障指示灯不闪烁) , 这种情况下维修人员会对检测设备或者汽车产生怀疑。维修人员应该依据汽车的故障征兆进行分析判断, 继而对传感器单体进行有针对性的检测 (数据流等) , 以便找到并排除传感器故障。例如, 当空气流量计壳体产生裂纹漏气时, 便会导致空气流量传感器计量不准, 使发动机转速失调, 而电控单元ECU的自诊断系统并不能检测到这种故障现象, 所以没有故障码输出。

二、发动机故障现象相似, ECU监测失误, 自诊断系统可能显示错误的故障码

大众汽车的节气门传感器灵敏度下降、反应迟钝等情况, 导致发动机的空燃比失调, 与空气流量计灵敏度下降造成空燃比失调的故障现象类似, 自诊断系统会显示“节气门传感器”或者“空气流量计”的故障码。对于装有三元催化转换器的电控汽车, 一旦使用过含铅汽油, 在汽车进行检测时, 经常会发现故障码显示的是“水温传感器断路或短路”故障, 而发动机不能提速。显然这些故障与水温传感器的关系不大, 在对水温传感器进行测量后, 并未发现任何故障。但是, 当从汽车上拆下三元催化转换器并打开后发现, 三元催化转换器内部堵塞严重, 可以断定发动机故障是由此引起的。

三、汽车电控系统维修不当, 也可能引发错误的故障码

故障诊断读书报告 篇5

碰摩诊断案例分析综述

Diagnosis of Rubbing Fault Case Analysis were Review

学 院：

专 业：

班 级：

姓 名：

学 号：

指导教师：

学年学期：

摘要

随着机组精度的不断提高，动静间隙的不断缩小，并受到不平衡、不对中、热弯曲等的影响，经常发生转子碰摩故障。本文以机组故障为实例，通过振动信号的时域、频谱以及转速三维谱图分析，对机组的碰摩故障进行分析诊断。

关键词：故障诊断；时频分析； 理论分析

Abstract The paper discuss the important problem in software development——requirements analysis.Developer and user always ignore the communication, it causes directly the software does not meet the good demands of the user, and cost a lot of time and money.Moreover, it affects the performance of the software.So, the requirements analysis is important in the early time of the development.This paper mainly discusses the requirements analysis’s influence on the system design from requirements develop, requirement management, and requirement program.Keywords：software requirement, requirement analysis, system design

目 录 振动信号的分析方法.................................................................................................................1

1.1 频域分析..........................................................................................................................1 1.2 三维频谱图分析..............................................................................................................1 2 转子碰摩故障特征.....................................................................................................................1 3 故障实例.....................................................................................................................................1

3.1 烟气轮机组碰摩故障诊断...............................................................................................1 参考文献...........................................................................................................................................1 振动信号的分析方法

1.1 频域分析

频域分析能通过了解测试对象的动态特性[1]，对设备状态作出评价，准确而有效地诊断设备故障并进行故障定位，为防止发生故障提供分析依据。

频谱分析可以解决以下问题：

（1）求得振动参量中各个频率成分和频率分布的范围；

（2）求出振动参量各个频率成分的幅值或能量，从而得到影响设备运行状态的主要频率值及其对应的幅值。

1.2 三维频谱图分析

三维频谱图对于分析振动故障是很有用的手段，特别是以转速作为第三维的三维频谱图，能较清晰地显示各倍频分量随转速的变化情况。清楚地显示出基频、二倍频、三倍频等诸分量随转速升高时的分布情况。转子碰摩故障特征

高速叶轮机械发生转子碰摩故障时有许多明显的特征，如表 1所示。

表 1 高速叶轮机械转子碰摩故障特征

特征参数 主特征频率 常伴频率

故障特征

低次谐波、高次谐波、组合谐波 工频（一倍频）故障实例

3.1 烟气轮机组碰摩故障诊断

某烟气轮机组（结构简图如图 1所示），在正常检修后开车时发现前端振值较大且不稳定，并呈持续缓慢上升状态，停机时振值已达再次试运时进行了跟踪测试。机组转速在低于时振值及相位均稳定且随转速变化不大，轴心轨迹稳定；转速达到（电机投用）后轴心轨迹开始变得杂乱，且烟机前端水平向振动明显增大；频谱图上三倍频处出现一个振动频带，且随转速上升振动能量越来越大，时域波形有明显的削波现象。

图 1 烟气轮机组结构简图

频谱分析得出的结论是机组存在严重的碰摩故障。解体检修发现，烟机叶轮上叶片根部锁紧销钉与隔板发生严重的整周碰摩，整周的销钉已磨损掉。修复叶片根部锁紧销钉并重新调整了烟机叶轮的位置后开车，机组振动恢复正常。结论

1.碰摩通常发生在不应接触的相对运动的表面，影响碰摩的因素比较复杂，在出现故障时，都会有故障特征，可通过振动信号分析对故障进行诊断。一般来说，转子与静止件发生摩擦时，受到的静止件附加作用力是非线形的和时变的，因此使转子产生非线性振动，在频谱图上表现出频谱成分丰富，不仅有工频，还有高次和低次谐波分量。碰摩严重时，各频率成分幅值迅速增大，转子失稳前频谱丰富、波形畸变、轴心轨迹不规则变化、正进动，转子失稳后波形严重畸变、轴心轨迹发散、反进动、时域波形有明显的削波现象。

2.在汽轮机起动发生动静碰磨时，要根据现场的情况灵活的采取措施，如果是轴封与转子碰磨，在条件许可或有把握的情况下，在较低的转速下可以通过“磨齿”的方法来扩大汽封间隙，减弱动静碰磨，但更换蜂窝汽封后发生动静碰磨，应视情况揭缸处理。

参考文献

故障自诊断 篇6

轴承是冶金设备中关键零件,工程实际中轴承故障信号为非线性、非平稳的调幅调频信号,通过信号解调可以很好地提取出故障特征,因此信号的解调方法在轴承故障诊断中有着广泛的应用。然而在故障早期,信号故障特征很微弱,且实测信号夹杂大量噪声,故在对其包络解调前,应先降噪,提高信噪比以便于后续的处理。轴承振动信号中的噪声主要为随机噪声,且故障信号特征一般都是由周期性成分构成的调制信号。随机噪声的自相关函数随时延变化迅速衰减,而调制信号的自相关函数仍然是故障特征不变的调制信号,因此利用自相关分析方法能够有效的抑制旋转机械振动信号中的噪声。

针对轴承早期故障特征淹没在噪声信号中难以提取的问题,提出了一种将自相关函数与能量算子解调法相结合的故障诊断方法。该方法同时具有自相关函数和能量算子解调法两者的优点,实测信号的分析结果证明了本文方法的有效性。

1 算法流程

基于自相关能量算子解调的轴承故障诊断方法流程,如图1所示。

2 实测信号及其分析

为验证方法的有效性,将其应用于滚动轴承振动信号的故障诊断中。采用国外MB.ER-10K型深沟球轴承,换算后的滚子直径7.9mm、滚子组节圆直径33mm、滚子个数为8、接触角为0° ;借助于美国Spectra Quest公司动力传动故障诊断综合实验台 (DDS),其由电动机、联轴器、转子及轴承组成,加速度传感器垂直径向安装,数据采集利用Zonic Book/618E测试仪,测试时电机的转速3300r/min,采样频率为2560Hz,依据轴承的参数,分别计算轴旋转频率为55 Hz、内圈频率272.25 Hz、滚动体频率109.56 Hz。实验测得该轴承振动信号的时域波形(图2),易知轴承的振动信号具有明显的冲击信号存在,初步判定轴承存在某种缺陷,但无法确定故障的具体部位。利用能量算子解调法对轴承信号作进一步分析,其频谱如图3所示,受噪声干扰只发现轴承所在轴的旋转频率及其倍频。

采用所提方法对轴承信号进行处理,从其频谱图4中可明显的发现54.2Hz,109.2Hz,163.4Hz,217.6Hz,272.7Hz,326.9Hz等以接近55Hz等间隔分布频率成分,与理论上滚动体故障109.5Hz及其谐波频率接近,且55Hz是轴承所在轴的转频。据此可以断定轴承滚动体出现了局部故障。在此基础上对信号做自相关hilbert解调,其频谱如图5所示。对比图3(c) 和3(d) 可知本文方法对轴承信号的诊断效果更好。

3 结束语

故障自诊断 篇7

1我国汽车维修行业的现状

随着社会经济的发展, 汽车维修工作也从传统的手工作方式的状态发展到如今的自动化机械操作, 各企业都加强了配置, 无论是从车身还是车内设施的维修都使用了现代化的机械。这些先进机械参与到维修中不仅可以确保车辆维修的质量, 还能为维修人员减轻负担。根据不同车型以及电子控制装置的不同, 自诊断系统也成为重中之重。随着企业逐渐转化成为特约维修企业, 也应根据系统、性质的不同, 维修技术也逐步专业化, 争取早日摆脱传统的维修模式。

2汽车故障类型研究

按故障存在的系统可将汽车故障分为汽车机械故障和汽车电路故障。汽车机械故障的范围较广, 通常利用汽车运行过程中的二次效应所提供的信息, 如温度、噪声、润滑油状态、振动及各种物理和化学特性的变化来进行诊断。汽车电路故障又可分为数字和模拟两种类型。一般来说, 现代汽车电路故障不解体检测相对容易, 而汽车内部的机械故障不解体检测相对困难。按故障造成后果的严重程度可分为轻微故障、一般故障、严重故障和致命故障。轻微故障一般不会对汽车性能造成较大影响, 也无需进行零件更换, 使用随车工具进行适当修理就可恢复, 如怠速过高、气门脚响等。一般故障可能导致汽车性能下降或停车, 但不会对汽车总成和主要部件造成严重损坏, 可用随车工具更换零件在短时间内排除, 如来油不畅、滤清器堵塞等。严重故障可能导致主要部件的严重损坏, 造成汽车无法行驶, 无法用随车工具更换零件的方式在短期排除, 如发动机拉缸、烧瓦等。致命故障一般都具有突发性, 可能引起车毁人亡的恶性事故, 如制动系统失效、转向系统失效等。

3故障自诊断系统的工作原理

汽车故障的自诊断模块的对象时汽车电控系统的各种传感器、各种执行元件和电子控制系统本身, 故障的判断也是针对这三种对象进行的。故障自诊断模块公用汽车电子控制系统的信号输入电路, 在行驶过程中以上三种对象进行检测, 当其中某个信号在一定时间内超过设定值的时候, 故障自诊断模块就会判断这一信号对应的电路出现故障, 并把故障以代码的形式存入内部存储器中, 并通过指示灯显示出来。具体表现为:

3.1当汽车的某一部分, 比如传感器或者电路有故障后, 相对应的信号也就不能再做为衡量汽车是否有故障的控制参数。为了保障汽车的正常运行, 故障自诊断系统自动从程序存储器中找到之前设定的一组经验值, 做为应急参数, 预备方案可以及时的保障在这一部分有故障的时候汽车也可以继续运行。

3.2当汽车的执行元件会损害其他元件, 或者导致汽车出现严重的故障时, 那么就要对症下药, 把这个部分的执行元件检测出来, 然后及时解决问题, 故障自诊断系统能自动的处理好这一点, 自动采取安全措施, 停止这一功能的运行, 为汽车的正常运行保驾护航。例如, 当点火器出现故障的时候, 故障自诊断模块就会切断燃油喷射系统电源, 停止喷油, 防止排油系统爆炸。

3.3当汽车的电子控制系统出现故障时, 故障自诊断系统自动开启备用控制回路对汽车进行简单的控制, 确保汽车在出现故障之后还是可以运行一段时间, 让车主可以开到汽车修理站进行维修。

3.4当汽车传感器出现异常或者无信号时, 而且持续时间较长, 而ECU便以稳定的形式将预先设置好的故障代码存储到RAM中, 并通过指示灯的闪烁来起到警示的作用,

4故障自诊断系统之故障代码

4.1故障代码的设定。故障代码是代表汽车故障的类型和故障部位的信息, 使自诊断系统记录相应的故障点时只要通过数字或字母表示。故障代码的设定方法有很多种, 主要包括值域判定法、时域判定法、功能判定法、逻辑判定法等。

4.2故障代码的测试模式。在故障自诊断系统中, 故障代码主要有静态测试模式和动态测试模式两种。静态模式就是在发动机停止运转时, 从存储器读出故障代码, 利用机内已存在的电子控制系统对故障代码进行诊断;而动态模式却在是在发动机正常运行中完成的, 利用自诊断系统和诊断模式检测出故障代码。

4.3故障代码的种类。故障代码又分成硬码和软码两大类型。它的分类主要是与故障灯的状态是息息相关的, 如在运行中, 故障灯一直是亮的状态即硬码, 如在发动机运转时, 故障灯先亮后熄即软码。软码是间歇性的故障代码, 有可能是线路接触不良而引起的。可以对线路进行检测。

4.4故障代码的读取和清除。随着车载网络在汽车电子技术中运用, 在排除汽车故障之后, 存储器内部的故障代码就必须要清除, 以免造成再出现新的故障时, 系统把旧代码一齐输入, 导致不能及时的发现故障。

5如何更好的把故障自诊断系统应用到汽车维修工作中去

虽然故障自诊断系统已经逐渐应用到汽车维修中去, 但是还存在很多盲区, 在其以后的发展过程中应注意以下几个方面:

5.1完善故障定位功能。故障定位功能是为了能及时的找到电子控制单元中的故障元件, 以防在维修中盲目维修, 节约成本, 故障自诊断系统应完善电子控制单元内部各项元件的定位功能。

5.2准确的记录故障参数。故障参数是为了分析故障原因, 自诊断系统应及时记录各项故障情况, 并逐一核对, 以确保故障参数的准确性。

5.3优化故障预警功能。故障预警是通过各项数据处理技术使自诊断系统能预告系统可能出现的故障, 提醒车主提前防范, 及时维修。

5.4强化驾驶员知情功能。让驾驶员可以了解到故障情况, 提高了在车辆维修中的公平性。

结束语

综上所述, 通过对汽车自诊断系统的深入了解, 认识到汽车故障自诊断系统的使用不仅可以减轻维修人员的负担, 也给车主带来了便利。

参考文献

[1]丁奎华.浅析汽车维修中的“故障自诊断”[J].现代企业文化, 2010 (9) .

[2]倪桂荣.浅析发动机电控系统故障码故障的诊断技术[J].汽车维修与保养, 2012 (8) .

故障自诊断 篇8

一、燃油喷射系统组成

M112 型发动机目前搭载在奔驰多款车型上, 该款发动机采用V型6 缸布置, 每缸有2 进1 排共3 个气门。使用双点火系统, 每缸有2 个火花塞。左右2 列气缸采用的都是单顶置凸轮轴设计, 在进气系统中采用了带有进气温度传感器的空气流量传感器和带转换阀的可变进气管等部件, 还配置了二次空气泵, 以达到改善发动机排放的目的。

整个发动机电控系统包含发动机控制单元、点火系统、燃油系统、进气系统[1]。在其中的燃油系统中, 采用的是无回路供油管路, 系统主要部件见图1。

二、 故障自诊断功能分析

该发动机采用螺旋轴式燃油泵, 安装在燃油箱附近[2]。为了避免油压过高, 燃油泵内安装有限压阀, 同时还设计有单向阀, 能有效防止燃油通过油泵回流燃油箱。喷油器通过O型圈和卡扣安装在燃油导轨上, 燃油导轨同时还安装有油压测量接头[3]。发动机控制单元通过控制喷油器的通电时间, 实现对喷油量的控制[4]。

当节气门出现故障时, 发动机的控制单元会通过停止喷油器工作从而限制发动机的转速, 当车身受到猛烈的撞击时, 发动机的控制单元会中断燃油泵的工作。燃油系统出现故障时, 可通过检查读取故障码。具体操作为, 接通点火开关, 不须起动发动机, 摁住诊断接头上的按键一段时间后松开, 就会发现诊断接头上指示灯闪亮, 指示灯的闪亮次数, 这就代表了故障码。每一次的按键按压再放开后可显示1 组故障码[5]。具体故障码以及故障原因见表1。

如果汽车在减速模式之下, 当冷却液超过50℃、发动机转速超过1350r/min、节气门以及巡航控制关闭, 发动机的控制单元就会将喷油器关闭, 停止供油。

如果出现发动机起动后严重抖动, 反复起动之后再次出现故障, 应该先用专用的故障诊断仪对车辆进行检测, 观察发动机控制系统动态数据流。针对存在故障症状但是无故障码的车辆, 需要采用由简到繁、由易到难的方式进行故障排除。

参考文献

[1]张光磊, 刘堂胜.汽车发动机故障诊断与检修[J].装备制造技术, 2015, 13 (08) :248-250.

[2]王书提, 巴寅亮, 谢鑫.基于LVQ神经网络的柴油发动机故障诊断[J].电子设计工程, 2015, 19 (17) :158-160+163.

[3]宋广辉.汽车数据流分析在电控发动机故障诊断中的应用[J].轻工科技, 2015, 23 (10) :63-64.

[4]高伟新, 焦玉斌, 孙建中.柴油发动机电控系统故障诊断研究[J].山东工业技术, 2015, 29 (22) :203.

故障自诊断 篇9

随着现代航空、航天、航海等技术的不断发展, 导航定位系统作为各类系统的核心部件, 对系统的定位精度及可靠性要求也越来越高。常规的导航传感器主要包括惯性传感器、磁罗盘、雷达、气压高度表、空速表、星体跟踪器、六分仪、无线电信号接收机等。各类导航传感器均存在各自的优势和缺陷, 因而若仅采用某种单一导航系统将无法满足全系统工程性能需要[1]。组合导航技术则是通过利用计算机技术将上述多种导航方式有机的组合在一起, 采用多源数据融合技术实现数据处理, 发挥各导航方式各自特点, 扬长避短, 从而不断提高系统的导航能力、定位精度及系统的可靠性[2]。

随着现代组合导航系统中各导航传感器的种类及数量的不断增加, 系统的复杂度及故障发生的概率也随之不断增加。若系统中某子系统或传感器出现故障, 其余子系统也将存在被污染风险, 从而使得整个导航系统性能严重下降甚至失效[3]。

采用故障诊断技术, 对系统故障进行及时、有效的检测、分离、系统重构及隔离, 可快速有效保障系统的工作性能, 提高系统的可靠性。传统方法是在组合导航数据融合过程中设置系统状态观测器, 通过实时在线检测系统的状态误差来判别系统是否发生了故障[4]。由于组合导航在数据融合过程中存在多种不确定性非线性误差, 如有色噪声, 截断误差等, 而建立状态观测器则要求系统已知其精确的数学模型, 这在工程实际中很难实现。

BP神经网络一种具有自学习、自组织、自适应等特性非线性智能算法, 其通过对样本数据训练和学习完成对网络中各神经元间的连接权值和阈值的自适应, 最终实现对非线性系统各特性有效预测。BP神经网络具有较强的非线性映射能力、自学习能力、非泛化能力及容错能力, 因而在各领域得到了广泛的应用[5]。然而, BP神经网络也存在学习训练收敛时间长、易陷入局极小值以及网络结构不确定等缺陷, 给算法的有效实现带来诸多不确定性[6]。

本文针对BP神经网络的结构不确定性缺陷, 引入遗传算法, 实现BP神经网络结构的参数自适应调整, 最终完成组合导航系统故障诊断, 提高系统故障诊断的准确性和可靠性。仿真试验结果有效验证了本文算法的有效性。

1 SINS/GPS/DVL组合导航系统故障诊断模型

SINS/GPS/DVL组合导航系统是目前水面船舶及水下UUV常用的组合导航方式。捷联惯导系统 (SINS) 作为高精度的测量传感系统, 其在设计与生产的过程都进行了充分的容错设计, 因此, 本文假设SINS不会产生故障。而在组合过程中, 考虑系统状态的容错性及计算的复杂度, 本文采用联邦卡尔曼滤波器将SINS/GPS/DVL组合导航系统分解为SINS/GPS与SINS/DVL两个子系统, 在各子系统进行信息输入时, 首先对其该信息进行故障检测, 确认无故障后再进行滤波, 最后再将两个子系统的输出信息通过主滤波器融合。当各子系统在故障检测过程中发现故障, 则算法将对该子滤波器进行故障隔离, 以其他滤波器不受该故障的污染。算法工作的原理框图如图1所示。

选择SINS/GPS子系统进行建模, 选择二者在测量载体位置、速度和姿态上的误差值以及在三轴方向上陀螺仪和加速度计的漂移误差值作为系统的状态向量, 即Xk=[δB, δL, δH, δve, δvn, δvu, δr, δy, δdx, δdy, δdz, δbx, δby, δbz], 建立载体离散运动方程为:

其中:ϕk, k-1表示系统从k-1时刻到k时刻的状态转移矩阵;Xk和Xk-1则分别表示载体在k时刻和k-1时刻状态向量;Wk表示系统误差, 其协方差阵为P (k) 。

因此, 系统的预测向量及其协方差矩阵为:

式中是k-1时刻的状态向量估计值。

定义地球的子午圈曲率半径为M, 卯酉圈曲率半径为N, 载体在k时刻其位置的纬度值为B, 经度值为L, 高度值为H, 建立SINS与GPS在东北天坐标系输出的位置和速度之差构造系统观测方程为:

其中:veSINS, veGPS, vnSINS, vnGPS, vuSINS, vuGPS分别为k时刻的SINS与GPS分别在东北天三方向上速度信息值。

将式 (4) 改写为矩阵向量方程形式:

其中:Z (k) 为系统的在k时刻时的量测向量;X (k) 为状态向量;H (k) 为量测矩阵;V (k) 为量测噪声, 其协方差矩阵为R (k) 。假设r (k) 表示系统在k时刻时的量测残差向量, 则系统误差方程为:

则子系统1的离散系统Kalman滤波解为:

系统量测残差向量r (k) 和相应的协方差矩阵R (k) 分别为:

同理, 也可获得基于SINS/DVL子系统故障诊断建模。

2 基于状态检测的故障特征信息提取

当组合导航系统中存在故障时, 系统中的某些量 (可观测或不可观测) 将会表现出与正常状态不同的特性, 利用这种差异充分挖掘各导航系统中故障的特征信息, 从而实现组合导航系统故障的检测与隔离。

考虑该组合导航系统故障诊断模型中的离散系统模型, 定义ρ是随机向量, 用于表示故障的大小, 则定义分段函数:

采用系统状态χ2对组合导航系统故障进行检测, 采用卡尔曼滤波器对量测信息Z (k) 进行估计, 获得向量, 同时, 采用先验信息对进行递推。由于向量是通过测量信息估计获得, 因此, 当系统出现故障时, 必然会发生相应变化, 而由于的估计与系统的量测无关, 因此该估计向量不受故障影响, 因此, 利用之间的量测差异实现对该组合导航系统故障进行检测和隔离。

及其协方差为:

定义系统状态估计误差值为:

同时定义向量β为:

因为估计误差e1 (k) 和e2 (k) 均为零均值的高斯随机向量, 因此β (k) 为均值为零的随机向量, 其方差为:

当系统发生故障时, 由于估计与量测信息Z (k) 无关, 即为无偏估计值;而因受故障影响, 其估计值为有偏估计。

因此, 可通过检验变量β (k) 的均值以判别该组合导航系统是否存在故障。

定义系统无故障和有故障两种状态下β (k) 为:

H0 (无故障) :

H1 (有故障) :

其概率密度函数为:

式中“|.|”表示行列式值。

pr (β|H1) 和pr (β|H0) 的对数似然比为:

其极大似然估计为:

因此, 系统故障检测函数为:

由于β (k) 是高斯随机向量, 因此向量λ (k) 服从自由度为n的χ2分布。

故障判断准则为:

其中λα是预先设置的门限, 它决定了故障检测的性能。当变量β (k) 过大, 即估计传感器和系统误差的状态向量值过大, 因此可以判断系统故障是由于传感器故障引起的, 而当系统状态估计协方差T (k) 太小, 即可判断系统软件故障。因此, 采用状态χ2检验法既可以检验硬故障又可以检验软故障。

3 基于自适应神经网络的SINS/GPS/DVL组合导航故障诊断

3.1 神经网络结构设计

虽然状态χ2检验法在组合导航系统故障诊断过程中具有较好特性, 但其要求系统精确的函数模型。实际上, 由于组合导航在数据融合过程中存在多种不确定性非线性误差, 如有色噪声, 截断误差等, 而建立状态观测器则要求系统已知其精确的数学模型, 这在工程实际中很难实现。

BP神经网络的算法是一种误差反向传播的智能优化算法。算法是基于误差的梯度下降, 采用正向传播和反向误差传播两个学习过程完成对系统各类非线性特性进行逼近。网络首先通过输入已知学习样本, 采用正向传播方式, 逐层进行计算, 当获得最后的输出信息值, 再将实际输出与理想输出信息值进行比较, 获得误差值, 反向传递给网络, 适当调整各层的权值和阈值, 最终实现网络的实际输出与理想输出误差在容许范围之内。

BP神经网络模型结构如图2所示, 包括输入层, 输出层, 以及可能的多个隐层, 考虑组合导航系统中状态信息的维数对算法复杂度的影响及状态信息对检测故障的能力, 在子系统1中选择系统的位置分量误差值作为输入变量, 在子系统2中选择载体三轴速度方向误差值作为输入变量, 建立神经网络, 选择网络中各层节点数关系如下:

选择BP神经网络的隐层节点数为10, 而输出层则根据系统的故障模式确定, 如表1所示。选择双曲正切函数作为隐层各神经元之间的激活函数, 选择Sigmoid函数作为输出层神经元的激活函数, 定义输出的期望误差为10-4, 获得系统误差训练曲线图如图3所示。

采用部分测试样本对网络模型进行测试, 测试样本的输入信息、理想输出信息及实际输出信息如表1所示。当网络输出信息值大于0.9时, 即认为该系统存在故障;当网络输出信息值小于0.1即表示系统处于正常工作状态, 不存在任何故障。

从检测结果分析, 在该组合导航系统故障诊断中, 通过神经网络的信号进行反复的正向传播和误差反向传播, 最终实现神经网络权值和阈值的自调整, 使得使网络的实际输出逐步逼近理想输出值, 实现对计算机网络安全的有效评估。

3.2 基于遗传算法的神经网络自适应

由于在构建组合导航系统故障诊断的神经网络过程中, BP神经网络容易陷入局部极小值而失去对全局极小值的搜索能力, 进而使得神经网络无法快速、有效地完成对非线性特征值的逼近, 限制算法的推广与应用。

遗传算法是遗传算法 (Genetic Algorithm, GA) 是一种基于启发式群体型概率性迭代式的全局收敛搜索算法。其采用适者生存、优胜劣汰的进化原则可有效解决BP神经网络的局部极小值问题和网络隐层结构确定性问题。因此, 本文选自采用遗传算法对BP神经网络进行进一步的自适应处理。

选择将BP神经网络中各层参数值作为遗传算法的一条染色体U={C1, C2, ⋯, CM}, 其中M表示网络训练样本中总类别数, Ci为染色体第i个染色体片段, , Xki表示神经网络在第i次训练样本时第k个隐层状态向量, 其对应的平滑因子为σki, 第i类训练网络的样本总数为Ni, 如图4所示。

建立各神经元的适应度函数为:

式中:α为权值;error为网络分类误差;size为隐层结点数。以该适应度函数为种群搜索依据, 最终获得染色体的适应度值最高适应度满足要求时的染色体, 即为目标染色体。在染色体的搜索过程中, 常采用锦标赛选择策略从当前群体中选择个体进行遗传, 即反复利用交叉算子、变异算子及基因消去算子等对各染色体进行变换, 产生下一代染色体。操作原则就是保证适应值高的个体将被选择成为生成下一代的父个体。

采用交叉算子对染色体进行遗传过程如图5所示, 当父染色体Um (t) 和Un (t) 以交叉概率pc进行单点随机交叉, 获得子染色体Um (t+1) 和Un (t+1) 。

而当需要采用变异算子进行遗传操作时, 假设变异概率pm, 则父染色体U采用下式进行基因σji的遗传:

其中:F (U (t) ) 为具有最小适应度的染色体从初始父代到t平方误差累计值;rand为0~1区间的随机常数值。

当染色体采用基因消去算子进行遗传操作时, 若定义消去概率pd, 则父染色体U将以pd选择一个基因σji, 并将σji及对应的系统状态向量Xji从染色体上消去。

通过上述三种遗传操作方式, 反复迭代, 直至染色体的最高适应度满足设置要求, 最终获得适应度值最高的染色体, 该染色体即全局最优的BP神经网络的结构参数值。

取遗传算法对神经网络的自适应迭代次数为G=100, 染色体的交叉概率pc=0.6, 其变异概率pm=0.01, 消去概率pd=0.01, 染色体种群大小M=80, 采用Matlab对3.1中训练的70组训练样本进行基于遗传算法的自适应训练, 获得误差与训练次数的变化曲线如图6所示。

将上述学习后的网络输入部分测试样本, 获得理想输出信息及实际输出信息如表2所示。

通过比较将上述输出信息与基于神经网络的组合导航故障诊断输出信息, 可以明显发现, 基于遗传算法的自适应神经网络在组合导航系统故障诊断过程中, 网络的训练速度及训练精度都得到了明显的提升, 从而有效提高了该组合导航系统故障诊断效率及可靠性能。

4 结论

本文以SINS/GPS/DVL组合导航为研究对象, 首先通过对组合导航故障诊断进行数学建模分析, 并根据数学建模获取故障诊断所需故障信息, 然后采用传统BP神经网络及基于遗传算法自适应的神经网络分别对故障信息进行处理和分析。仿真实验表明本文基于遗传算法自适应神经网络在SINS/GPS/DVL组合导航系统故障诊断过程中相比较传统BP神经网络收敛速度更快, 准确度更高。

摘要：针对传统组合导航故障诊断算法对系统模型精度要求较高, 对非线性组合导航系统处理能力有限的问题, 提出了自适应神经网络的SINS/GPS/DVL组合导航系统故障诊断。算法首先对组合导航故障诊断进行数学建模和故障信息提取, 然后再采用遗传算法对基于BP神经网络进行故障诊断过程中容易遇到的局部极小值问题和网络结构进行自适应优化处理, 有效提高了BP神经网络在进行组合导航故障诊断时的执行速度和效率, 同时, 也增强了系统故障诊断的准确性和可靠性。仿真试验有效验证了算法的有效性。

关键词：组合导航,神经网络,遗传算法,自适应算法

参考文献

[1]钱华明, 姜波, 夏全喜.基于LM算法的组合导航系统的故障诊断[J].中国造船, 2009 (4) :102-107.

[2]张华强, 赵剡, 连远峰.基于自适应概率神经网络的SINS/GPS组合导航系统故障诊断方法[J].中国惯性技术学报, 2012 (6) :749-753.

[3]高为广, 杨元喜.神经网络辅助的GPS/INS组合导航故障检测算法[J].测绘学报, 2008 (4) :403-409.

[4]连远锋, 李国和, 吴发林, 等.基于遗传PNN网络的组合导航故障诊断研究[J].仪器仪表学报, 2012 (1) :120-126.

[5]夏琳琳.故障检测与诊断技术在组合导航系统中的应用研究[D].哈尔滨:哈尔滨工程大学, 2006.

故障自诊断 篇10

根据我国电网互联目标的逐年实施和深入,保证当今庞大智能化互联电网能够在复杂的变电、输电、配电环境中安全稳定运行就显得尤为重要。其中,核心电气设备电力变压器对智能化互联电网建设运行有着举足轻重的作用。电力变压器作为电力系统的关键设备之一[1],其工作状况会影响整个智能化电网供电的可靠性和连续性。据资料统计表明,因对变压器状况的检修维护大大减少了电网运行事故的发生。在2004年度国家电网单位的电力变压器(100KV及以上电压等级)试验超标达到188台次,各类故障达到了370台次,合计558台次,占运行变压器总台数的4.2%[2]。如若电力变压器出现安全事故问题很可能会导致整个电网运行的瘫痪和造成难以估量的损失,乃至对社会经济生活带来巨大不良影响。

由此可见,为保证电力系统的正常运行,必须及时、有效地监视变压器的运行状态,诊断变压器的潜伏性故障[3]。同时,研究电力变压器故障诊断方法,对于预防和降低电力变压器故障的发生,提高变压器长期安全稳定地供电水平和智能化互联电网建设具有十分重要的现实意义。

2 变压器故障诊断模型

作为我国现行的变压器故障诊断方法,油中溶解气体分析法(dissolved gas analysis,DGA)[4],其是电力变压器故障现场诊断应用的最直接和最广泛的方法。但是,电力变压器油中溶解性故障特征气体数据采集设备全部存在传感器的采集精确性和稳定性不高等缺点,并且气相色谱柱也不能完全适应复杂的现场在线监视环境。考虑到电力变压器故障识别所具有的一定的模糊性,现有的传统油中溶解性气体故障诊断法不能够完全地反映变压器故障征兆与故障类型之间的对应关系。为了能够充分地反映出变压器油中溶解性气体与变压器故障之间的非线性映射关系,神经网络这种具有自组织与自学习能力的强大数学工具被广泛地应用于变压器故障模式识别诊断中。

因此,在全面了解电力变压器故障情况和故障诊断相关技术背景的基础上[5,6],本文提出将模糊理论知识和自组织竞争神经网络应用于电力变压器故障识别可以很好地改善变压器故障诊断的精准度。基于模糊关系和自组织竞争网络的变压器故障诊断模型框图如图1所示。

3 变压器故障数据模糊处理

电力变压器油中各种溶解性故障特征气体的成分及含量的多少均与变压器故障的性质及严重程度有着直接的关联,数学上存在着某种不同的映射关系。同时,电力变压器故障产气机理复杂,油中气体含量之间的分布特性很难推测[7]。不同运行环境下的电力变压器故障气体组分及浓度与故障类型间存在着较为复杂的映射,因此根据以往某一环境条件下的变压器故障数据就很难总结得出故障特征与故障类型间的对应关系。

基于上述两点,深入分析电力变压器故障诊断实践所统计的大量故障样本数据后发现,变压器每种故障类型所对应的油中五种主要溶解特征气体H2、CH4、C2H6、C2H4、C2H2隶属度值向量均不同。即电力变压器某一确定故障必定与五种特征气体中的三种以上气体浓度相关,当对这些气体浓度进行隶属度函数处理后,就会得到不同的介于区间[0,1]的隶属度值,由五种特征气体隶属度值构成了变压器故障特征输入向量T。

故障数据处理中选取钟形隶属度函数,其数学式子为:

式中,c决定函数的中心位置;a,b决定函数的形状。

对华北某变电站收集的大量电力变压器故障样本数据进行处理,利用钟形隶属度函数对6种变压器故障数据模糊处理后,使得没有规律的故障数据全部映射到区间[0,1]内。由此得到变压器故障类型与变压器故障特征气体含量的模糊关系S,表1列出了变压器故障类型与变压器故障特征气体含量的模糊关系S。

其中,低温过热故障类型特征向量如:T=(0.32,0.44,0.46,0.27,0.16),对应的H2含量隶属度值介于区间(0.3,0.4),CH4含量隶属度值介于区间(0.4,0.5),C2H6含量隶属度值介于区间(0.4,0.5),C2H4含量隶属度值介于区间(0.2,0.3),C2H2含量隶属度值介于区间(0.1,0.2);其它故障类型特征气体含量隶属度值如表1所示,构成不同的变压器故障类型特征向量T。

4 自组织竞争网络结构

该神经元网络为单层网络,其输入和输出节点间为完全互联模式体系。因为网络在学习中的竞争特性表现在输出层上,所以在竞争网络中把输出层又称为竞争层,而与输入节点相连的权值及其输入合称为输入层[8]。自组织竞争网络包括一输入层和一竞争层,其结构如图2所示。

竞争层神经元j的参数值按下式计算:

其中,xi为输入样本向量的第i个元素。根据竞争规则,竞争层所有神经元中具有最大加权值的神经元k赢得胜利,输出为:

竞争后的权值按照如下权值公式进行调整,对于所有的i,有:

其中,a为学习参数,0<a<<1,一般取为0.01-0.03;m为输入层中输出为1的神经元个数。

权值调整公式中的xi/m项表示当xi为1时,权值增加;而当xi为0时权值减小。即当xi兴奋时,其所对应的第i个权值就适当增加,相反则适当减小。

网络竞争层各神经元竞争对输入模式的响应机会,最后仅有一个神经元成为竞争的获胜者[9]。该获胜神经元即为最后的模式输出结果。

5 自组织竞争网络学习训练及测试

5.1 网络的学习训练

根据以上步骤将收集到的包含6种电力变压器故障类型和无故障类型的150组样本数据进行模糊处理,得到150组相对应的故障数据样本向量。将经过处理后的变压器故障样本向量输入构建好的神经网络模型,利用MATLAB仿真软件进行学习训练。

自组织竞争神经网络是一种无监督、自学习和无预期输出的人工智能网络。该模型在学习过程中无需设定训练停止的有效误差项,只需设定相关的模型训练具体次数。设定该模型学习训练循环迭代次数为200次,学习速率设定为0.1,自组织竞争神经网络的学习训练是在模型达到最大循环迭代次数后停止。通过对学习训练数据输出结果与原始样本分类结果的比较可知,网络分类结果完全吻合。自组织竞争网络学习训练结果如表2所示,在此只列出了其中的14组。

5.2 实际故障测试分析

在华北某变电站的电力变压器故障数据记录中,随机挑选出包含6种变压器故障类型和无故障类型的共100组测试数据,构成100组故障特征输入向量,将其导入自组织竞争神经网络模型进行变压器故障诊断,并且将其与变压器故障数据未经模糊关系处理,而直接构成特征向量导入自组织竞争网络模型诊断的结果进行了比较,实际故障诊断比较结果如图3所示。

通过统计比较,经模糊关系处理后的变压器故障数据被自组织竞争网络正确地分为了7类,其分类诊断结果与实际故障结果完全吻合,而未经模糊关系处理的变压器故障数据被自组织竞争网络只分为了3类,出现了故障诊断错误情况,不符合故障实际结果。

6 结束语

利用自组织竞争神经网络所具有的自组织、自学习特点,可以较好地实现电力变压器故障实时在线诊断,具有一定的理论和现实意义。通过模糊理论中隶属度函数知识,得到变压器故障类型与变压器故障特征气体含量之间的模糊关系S,为基于自组织竞争网络的变压器故障诊断进行了数据预处理,将故障特征气体含量值全部映射到区间[0,1],构成易于网络识别判断的输入数据。其很好地避免了自组织竞争网络因对大量无规律、突变冗余的变压器故障数据学习训练时出现的网络振荡发散问题,更有利于电力变压器故障的实时在线诊断和高可靠性识别。

摘要：在当前变压器故障诊断研究现状基础上,综合变压器故障的传统诊断方法和人工智能网络诊断方法 ,构建了基于自组织竞争网络模型的电力变压器故障诊断方法。为实现变压器故障的实时在线诊断和高可靠性诊断提供了一种新的可行性思路。同时在针对变压器故障状态等级划分与特征参数提取,及故障状态数据模糊性和故障状态信息不完全所导致的不确定性问题,采用模糊理论中隶属度函数来对故障特征数据进行处理,得到电力变压器故障类型与故障数据的模糊关系。从模糊关系中提取出故障特征向量输入自组织竞争网络进行诊断分类,其提高了自组织竞争网络的故障分类性能和对故障数据的泛化能力。

关键词：变压器,自组织竞争网络,模糊关系,故障诊断

参考文献

[1]蔡红梅,陈剑勇,苏浩益.基于灰云模型的电力变压器故障诊断[J].电力系统保护与控制,2012,40(12):151-155.

[2]曾利平.油浸式电力变压器故障诊断的研究[D].长沙:中南大学,2011.

[3]廖建文,张艳,孙鸿.变压器故障诊断中的神经网络技术发展[J].宜宾学院学报,2015,15(12):10-14.

[4]国家能源局.DL/T 722-2014变压器油中溶解气体分析和判断导则[M].北京:中国电力出版社,2015.

[5]PAYDARNIA H,HAJIAGHASI S,ABBASZADEH K.Improved structure of PNN using PCA in transformer fault diagnostic[J].Arabian Journal for Science and Eng ineering,2014,39(6):445-485.

[6]BHALLA D,BANSAL R K,GUPTA H O.Integrat ing AI based on DGA fault diagnosis using dempstershafer theory[J].International Journal of Electrical Power and Energy Systems,2013,48(6):31-38.

[7]尹金良.基于相关向量机的油浸式电力变压器故障诊断方法研究[D].北京:华北电力大学,2013.

[8]张德丰.MATLAB神经网络编程[M].北京:化学工业出版社,2011.