[发明专利]一种基于ANFIS的柴油机多信息融合诊断方法有效

专利信息
申请号: 202010831743.9 申请日: 2020-08-18
公开(公告)号: CN112036079B 公开(公告)日: 2021-12-07
发明(设计)人: 费景洲;韩雨婷;王忠巍;曹云鹏;袁志国 申请(专利权)人: 哈尔滨工程大学
主分类号: G06F30/27 分类号: G06F30/27;G06K9/62;G06N3/04;G06N3/08;G06F119/02
代理公司: 哈尔滨市阳光惠远知识产权代理有限公司 23211 代理人: 刘景祥
地址: 150001 黑龙江*** 国省代码: 黑龙江;23
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 anfis 柴油机 信息 融合 诊断 方法
【权利要求书】:

1.一种基于ANFIS的柴油机多信息融合诊断方法,其特征在于,所述诊断方法包括以下步骤,

步骤1:选取柴油机的典型故障作为输出结果集合F,选取柴油机实际运行中便于测量的动力学、热力学参数作为输入参数集合S;以已知故障参数集合作为模型训练的故障数据库U1

所述步骤1中故障类型包括:正常运行f0、单缸失火f1、排气管泄露f2、压气机污阻f3、空滤器堵塞f4、润滑不良f5

输入参数包括:有效功率s1、燃油消耗率s2、涡前排气温度s3、涡后排气温度s4、涡前排气压力s5、中冷器前温度s6、中冷器后温度s7、中冷器前压力s8、中冷器后压力s9、进口压力s10、缸后平均温度s11

步骤2:将步骤1的输出结果集合F、输入参数集合S和故障数据库U1,对数据集合进行归一化处理;

步骤3:对步骤2归一化处理后的数据集合进行层次分析法处理,得出参数权重值;

步骤4:对步骤3的参数权重值结合应用减法聚类法优化后的ANFIS,生成柴油机故障诊断模型初始规则结构Q0,建立故障诊断初步模型FIS;

步骤5:对步骤4的故障诊断初步模型FIS进行训练,即初始规则结构Q0训练后得到柴油机故障诊断模型规则结构Q1

步骤6:对柴油机故障诊断模型规则结构Q1输入采取归一化处理后的柴油机实际运行参数S集合内特征参数,记为输入参数集合S',对输入参数集合S'进行模糊拟合和规则拟合后,生成输出基于ANFIS的柴油机故障诊断模型;

所述步骤4中柴油机故障诊断模型初始规则结构Q0具体为,设定训练步数、最大误差,运用故障数据库U1对初始结构Q0进行训练,生成训练后柴油机故障诊断模型规则结构Q1

所述减法聚类法优化后的ANFIS,其中s1、s2是输入参数,在多参数输入条件下结构生成条件如下:

第一层为模糊化层,表达式为:

其中Ai、Bi表示模糊集合;和分别是s1,s2的隶属度函数,选择钟型函数的表达式为:

其中,为提前参数集,其值在训练阶段由反馈不断更新,最终形成规则中的结论参数集;

第二层为实现第一层中模糊集的运算,第一层的输出在此层均表现为点,经过该层的计算,输出的是信号的代数积,每个点的输出结果Qi表示为一条规则适用度,表达式为:

Qi=μAi(s1)×μBi(s2),i=1,2 (8)

第三层为将各条规则的激励强度归一化,该层的结点是固定结点,输出为该条规则与全部规则的适用度;表达式为:

第四层的所有结点都是自适应的,以计算出每条规则的输出;表达式为:

其中,f1为单缸失火;

第五层为输出层,该层用以计算所有传来的信号之和作为输出信号;表达式为:

对提前参数修正,寻找一组合适的参数使得,其中,f为实际输出;为模型输出;

所述减法聚类法引用于第一层与第二层中,所述减法聚类为密度算法,用以寻找数据的中心,首先计算每个数据点的密度,得到密度指标:

找到密度指标最大的数据作为第一个聚类中心,除去这个点的密度,计算其他的密度指标;

找到最大的密度指标,并把此点作为聚类中心,依次循环直到满足条件:

其中,δ是设定的一个较小正数。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈尔滨工程大学,未经哈尔滨工程大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010831743.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top