WYKORZYSTANIE ANALIZY WPT I SIECI NEURONOWYCH PNN W DIAGNOZOWANIU ZAKŁÓCEŃ W DOPŁYWIE PALIWA DO CYLINDRÓW

Transkrypt

1 PROBLEMY EKSPLOATACJI 17 Piotr CZECH, Henryk MADEJ Wydział Transportu, Politechnika Śląska, Gliwice WYKORZYSTANIE ANALIZY WPT I SIECI NEURONOWYCH PNN W DIAGNOZOWANIU ZAKŁÓCEŃ W DOPŁYWIE PALIWA DO CYLINDRÓW Słowa kluczowe Diagnostyka, silniki spalinowe, analiza WPT. Streszczenie W artykule przedstawiono wyniki badań diagnostycznych silnika spalinowego przy zastosowaniu pakietu analizy falkowej (WPT) i probabilistycznej sieci neuronowej. Obiektem badań był czterocylindrowy silnik spalinowy z zapłonem iskrowym. Głównym celem badań było określenie wpływu symulowanego braku dopływu paliwa do poszczególnych cylindrów na sygnał przyspieszeń drgań kadłuba silnika. Zarejestrowane sygnały przyspieszeń drgań zostały poddane analizie za pomocą WPT w celu określenia entropii sygnału na poszczególnych poziomach dekompozycji. Określona wartość entropii stanowiła podstawę do budowy wzorców stanów pracy silnika przeznaczonych do uczenia sieci neuronowych. Z przeprowadzonych badań wynika, że istnieje możliwość wykorzystania analizy WPT i probabilistycznych sztucznych sieci neuronowych do diagnozowania uszkodzeń silników spalinowych. Wprowadzenie Systemy diagnostyczne wykorzystywane we współczesnych silnikach spalinowych mają na celu lokalizację elementu lub układu, który wskutek natural-

2 18 PROBLEMY EKSPLOATACJI nego zużycia lub uszkodzenia nie może dalej pełnić swojej funkcji określonej przez producenta [7]. Rosnące wymagania co do trwałości i niezawodności silników spalinowych oraz minimalizacji kosztów i niekorzystnego oddziaływania na otoczenie powodują, że istnieje konieczność pozyskiwania informacji o ich stanie podczas eksploatacji. Wprowadzenie obowiązku produkowania pojazdów samochodowych zgodnych z wymogami normy OBDII spowodowało, że istnieją obecnie możliwości dostępu do danych przechowywanych w sterownikach poszczególnych układów. Dzięki temu rozwiązaniu pojawiają się nowe możliwości diagnozowania stanu technicznego tych układów [4]. W badaniach wibroakustycznych silników ważnym zagadnieniem jest odpowiednia interpretacja złożonych sygnałów pomiarowych poprzez zastosowanie coraz doskonalszych metod ich przetwarzania [1 3, 9 11, 13, 16]. Do głównych zadań w diagnozowaniu można zaliczyć: separację użytecznego sygnału wibroakustycznego oraz wybór charakterystycznych cech przetworzonego sygnału wrażliwych na uszkodzenia. W artykule przedstawiono próbę wykrywania braku dopływu paliwa do cylindra poprzez pomiar przyspieszeń drgań kadłuba i budowę na ich podstawie wzorców dla probabilistycznych sztucznych sieci neuronowych [5, 15]. Sposób budowy wzorców braku dopływu paliwa do cylindrów Jednym ze sposobów pozyskiwania informacji diagnostycznej jest pomiar drgań generowanych przez silnik. Silnik spalinowy jest obiektem podlegającym oddziaływaniu wymuszeń wewnętrznych i zewnętrznych [6]. Należą do nich przede wszystkim: ciśnienie spalania, ruch układu tłokowo-korbowego, wymuszenia ze strony układu rozrządu, wymuszenia wynikające z pracy osprzętu silnika, tj. alternatora, sprężarki itp., wymuszenia przenoszone z nadwozia oraz układu przeniesienia napędu. Sygnał drganiowy rejestrowany w dowolnym miejscu na korpusie silnika jest ważoną sumą jej odpowiedzi na wszystkie zdarzenia elementarne, przy czym jako wagi występują tu sploty z impulsowymi funkcjami przejścia od miejsca generacji do odbioru sygnału diagnostycznego [1]. Sygnały wibroakustyczne generowane przez poszczególne pary kinematyczne i osprzęt silnika spalinowego, ze względu na występowanie zjawisk nieliniowych wywołanych m.in. występowaniem luzów, nieliniowości charakterystyk elementów sprężystych, są z reguły niestacjonarne. Charakterystyki częstotliwościowe sygnałów w istotny sposób zależą od transmitancji drogi propagacji sygnałów składowych od źródeł do punktu pomiaru. Drgania mierzone na bloku mają złożony charakter ze względu na nakładanie się sygnałów pochodzących

3 PROBLEMY EKSPLOATACJI 19 z różnych źródeł. Z powyższych względów diagnozowanie uszkodzeń silników jest procesem trudnym. Jednoczesna analiza czasowych i częstotliwościowych własności sygnałów za pomocą transformaty falkowej jest coraz częściej stosowana w diagnostyce silników spalinowych [9, 11, 13, 16]. Analiza falkowa polega na dekompozycji sygnału i przedstawieniu go w postaci liniowej kombinacji funkcji bazowych, zwanych falkami. Cechami odróżniającymi tę metodę analizy sygnału od innych są wielostopniowa dekompozycja sygnału, zmienna rozdzielczość w dziedzinie czasu i częstotliwości oraz możliwość stosowania funkcji bazowych innych niż funkcje harmoniczne. Algorytm wielorozdzielczej dekompozycji sygnału za pomocą pakietów falek (WPT) dokonuje analizy częstotliwościowej sygnału przez iterację dwukanałowego zespołu filtrów składającego się z filtrów dolno- i górnoprzepustowych. Sygnał uzyskany w wyniku filtracji w poprzednim kroku poddawany jest dalszej filtracji. W wyniku każdej iteracji uzyskuje się składową wysokoczęstotliwościową zwaną detalem, oraz składową niskoczęstotliwościową zwaną aproksymacją. Proces dekompozycji sygnału jest procesem iteracyjnym wielopoziomowym, kolejne detale i aproksymacje podlegają dalszej dekompozycji. Algorytm obliczeniowy ma postać zespołu filtrów o strukturze drzewa binarnego, w którym rozwijana jest gałąź dolno- i górnoprzepustowa za pomocą pary tych samych filtrów. Właściwości analizy falkowej powodują, że jest coraz częściej wykorzystywana w diagnostyce silników spalinowych, gdzie mamy do czynienia z przetwarzaniem sygnałów niestacjonarnych ze składowymi impulsowymi. W przeprowadzonych badaniach podjęto próbę wykorzystania analizy WPT w procesie budowy wzorców uszkodzeń w postaci braku dopływu paliwa do cylindra. Obiekt badań stanowił silniki z zapłonem iskrowym o pojemności 1,2 dm 3. Podczas badań rejestrowano przyspieszenia drgań kadłuba silnika oraz prędkość obrotową i położenie wału korbowego w funkcji czasu. Sygnały rejestrowano za pomocą ośmiokanałowej karty akwizycji danych, sterowanej programem opracowanym w środowisku LabView 7.1. Badania przeprowadzono na hamowni podwoziowej. Sygnały przyspieszeń drgań mierzono na czwartym cylindrze w kierunku prostopadłym, na biegu jałowym przy stałej prędkości obrotowej silnika wynoszącej 750 obr./min. Celem badań było określenie wpływu braku dopływu paliwa do poszczególnych cylindrów na charakterystyki sygnału drganiowego. W ramach badań symulowano różne stany pracy silnika, tj.: silnik sprawny, wyłączany cylinder nr 1, wyłączany cylinder nr 2, wyłączany cylinder nr 3, wyłączany cylinder nr 4,

4 20 PROBLEMY EKSPLOATACJI wyłączne parami cylindry nr 1 i 4, wyłączne parami cylindry nr 2 i 3. Dla każdego ze stanów pracy silnika zarejestrowano po dwadzieścia przykładowych sygnałów. Zgodnie z definicją WPT przebieg czasowy drgań możemy rozłożyć na zadaną liczbę poziomów dekompozycji. W przeprowadzonych doświadczeniach sygnały przyspieszeń drgań zostały poddane dekompozycji na czterech poziomach. Przykładowe przebiegi czasowe przyspieszeń drgań oraz ich dekompozycje na składowe nisko- i wysokoczęstotliwościowe zrealizowane z użyciem filtracji falkowej dla jednego cyklu roboczego silnika w przypadku poprawnej pracy silnika oraz wyłączenia dopływu paliwa do cylindrów nr 2 i 3 przedstawiono na rys. 1, 2 i 3. Rys. 1. Przykładowe zarejestrowane przebiegi przyspieszeń drgań dla poprawnej pracy silnika (a) oraz wyłączenia dopływu paliwa do cylindrów nr 2 i 3 Rys. 2. Przykładowe przebiegi aproksymacji przyspieszeń drgań na trzecim poziomie dekompozycji dla poprawnej pracy silnika (a) oraz wyłączenia dopływu paliwa do cylindrów nr 2 i 3

5 PROBLEMY EKSPLOATACJI 21 Rys. 3. Przykładowe przebiegi detali przyspieszeń drgań na trzecim poziomie dekompozycji dla poprawnej pracy silnika (a) oraz wyłączenia dopływu paliwa do cylindrów nr 2 i 3 Po przeprowadzeniu dekompozycji i rekonstrukcji sygnału, na każdym z poziomów osobno, dokonano opisu charakteru zmian amplitudy przebiegów czasowych za pomocą wartości entropii sygnału: gdzie: s l (t) analizowany sygnał. 2 i 2 ( si ( t) ) E = s ( t) log (3) i Przykładowe wyniki uzyskane dla zasymulowanych różnych stanów pracy silnika pokazano na rys. 4. Rys. 4. Przykładowe wartości entropii sygnałów przyspieszeń drgań dla drugiego (a) i czwartego (b) poziomu dekompozycji; silnik sprawny, wyłączany cylinder nr 1, wyłączany cylinder nr 2, + wyłączany cylinder nr 3, * wyłączany cylinder nr 4, wyłączne parami cylindry nr 1 i 4, wyłączne parami cylindry nr 2 i 3

6 22 PROBLEMY EKSPLOATACJI Klasyfikator neuronowy stanu pracy silnika We współczesnej literaturze spotyka się przykłady szerokiego zastosowania systemów wykorzystujących sztuczne sieci neuronowe do rozwiązywania złożonych zadań z różnych dziedzin technicznych, medycznych, czy ekonomicznych [3, 5, 8, 10]. Podstawową cechą sztucznych sieci neuronowych jest możliwość modelowania dowolnych nieliniowości, przy zachowaniu odporności na zakłócenia oraz umiejętności uogólniania wiedzy pozyskiwanej w procesie uczenia do analizy nowych przypadków danego zjawiska [12, 14]. W związku z czym, w niniejszym opracowaniu podjęto próbę wykorzystania sztucznych sieci neuronowych do klasyfikacji różnych stanów pracy silnika w zależności od zakłóceń występujących przy dopływie paliwa do cylindrów. W badaniach wykorzystywano probabilistyczne sieci neuronowe (PNN). Sieci tego typu są używane jako klasyfikatory dzielące zbiór danych na ustaloną liczbę kategorii wyjściowych [5, 15]. Wstępne badania wykazały brak możliwości odseparowania od siebie wszystkich zasymulowanych stanów pracy silnika. W doświadczeniach przyjęto za cel pracy klasyfikatora neuronowego, określenie trzech stanów w postaci: poprawnej pracy silnika, wyłączenia pojedynczego cylindra (nr 1 lub 2 lub 3 lub 4), wyłączenia pary cylindrów (nr 1 i 4 lub 2 i 3). Dlatego też do badań przyjęto w strukturze sieci trzy wyjścia. Sieci probabilistyczne charakteryzują się budową trójwarstwową: warstwa wejściowa ukryta oraz wyjściowa [5, 15]. Warstwa ukryta sieci zbudowana jest z neuronów radialnych, przy czym każdy z nich modeluje funkcję Gaussa wycentrowaną nad jednym wzorcem uczącym. Neurony wejściowe sumują wartości z wyjść neuronów ukrytych należących do klasy odpowiadającej danemu neuronowi wyjściowemu. Wartości wyjść sieci są proporcjonalne do estymatorów jądrowych funkcji gęstości prawdopodobieństwa dla różnych klas. Po zastosowaniu normalizacji zapewniającej sumowanie do jedności stanowią oszacowanie prawdopodobieństwa przynależności do poszczególnych klas [5, 15]. Wykorzystując ten typ sieci należy odpowiednio dobrać współczynnik wygładzający γ. Reprezentuje on odchylenie radialne funkcji Gaussowskich i jest miarą zasięgu neuronów w warstwie ukrytej. Zbyt mała wartość powoduje utratę własności generalizowania wiedzy przez sieć, a zbyt duża uniemożliwia prawidłowy opis szczegółów. Wartość współczynnika γ, podobnie jak w sieciach radialnych, dobiera się na drodze eksperymentalnej. W badaniach za dane wejściowe sieci neuronowych przyjęto wyznaczone wartości entropii aproksymacji i detali sygnału drganiowego. Sprawdzono kilka wariantów zestawów danych wejściowych różniących się przyjętą liczbą poziomów dekompozycji:

7 PROBLEMY EKSPLOATACJI (wariant I), 1 3 (wariant II), 1 2 (wariant III). Liczba wejść sieci neuronowej wynosiła odpowiednio: wariant I: 30, wariant II: 14, wariant III: 6. W eksperymentach mających na celu budowę poprawnie działającego klasyfikatora neuronowego typu PNN sprawdzono działanie sieci dla 86 różnych wartości współczynnika γ. Uzyskane wyniki zależności wpływu współczynnika γ na wartość błędu klasyfikacji przedstawiono na rys Błąd testowania [%] ,0001 0,0010 0,0100 0,1000 1, , , , , , γ licz. dek. = 2 licz. dek. = 3 licz. dek. = 4 Rys. 5. Wpływ wartości współczynnika γ na poprawność klasyfikacji sieci neuronowej PNN

8 24 PROBLEMY EKSPLOATACJI Przeprowadzone doświadczenia pozwoliły na budowę bezbłędnie działającego klasyfikatora neuronowego. Uzyskane wyniki wskazują na niewielką różnicę w poziomie błędu sieci neuronowych uczonych na danych pochodzących z różnej liczby poziomów dekompozycji. Dla wszystkich przypadków wariantów wzorców bezbłędną pracą odznaczały się klasyfikatory neuronowe PNN dla wartości współczynnika γ w zakresie 0,08 0,9. W przypadku stosowania współczynnika γ z innego zakresu wartości, zauważalny był znaczny wzrost popełnianego błędu klasyfikacji. Podsumowanie Przeprowadzone badania potwierdziły możliwość budowy poprawnie działającego klasyfikatora neuronowego rozpoznającego różne stany pracy silnika związane z brakiem dopływu paliwa do cylindra. W pracy zaproponowano wykorzystanie za źródło informacji o stanie obiektu deskryptorów obliczonych na podstawie sygnału przyspieszeń drgań kadłuba silnika. Wyniki potwierdziły skuteczność wykorzystania entropii aproksymacji sygnału uzyskanej za pomocą pakietów falek WPT, jako bazy do budowy wzorców stanów silnika. Użycie probabilistycznej sieci neuronowej z odpowiednio dobraną wartością współczynnika γ pozwoliło uzyskać bezbłędną klasyfikację. Można postawić tezę, że możliwe byłoby zwiększenie efektywności systemów OBD umożliwiających wykrywanie uszkodzeń mechanicznych silnika maskowanych przez elektroniczne urządzenia sterujące współczesnych pojazdów samochodowych, poprzez opracowanie systemów wykorzystujących probabilistyczne sztuczne sieci neuronowe. Bibliografia 1. Batko W., Ziółko M.: Zastosowanie teorii falek w diagnostyce technicznej. AGH, Kraków Cempel C.: Diagnostyka wibroakustyczna maszyn. Państwowe Wydawnictwo Naukowe. Warszawa Czech P., Łazarz B., Wojnar G.: Wykrywanie lokalnych uszkodzeń zębów kół przekładni z wykorzystaniem sztucznych sieci neuronowych i algorytmów genetycznych. Wydawnictwo ITeE, Radom Dąbrowski Z., Madej H.: Masking mechanical damages in the modern control systems of combustion engines, Journal of KONES, Vol. 13, No 3/ Gately E.: Sieci neuronowe. Prognozowanie finansowe i projektowanie systemów transakcyjnych, WIG-Press, Warszawa Heywood J.B.: Internal combustion engines fundamentals, McGraw Hill Inc 1988.

9 PROBLEMY EKSPLOATACJI Isermann R.: Diagnosis methods for electronic controlled vehicles, Vehicle System Dynamics, Vol. 36, No Korbicz J., Kościelny J., Kowalczuk Z., Cholewa W. (praca zbiorowa): Diagnostyka procesów. Modele. Metody sztucznej inteligencji. Zastosowania, Wydawnictwa Naukowo-Techniczne, Warszawa Liu B.: Selection of wavelet packet basis for rotating machinery fault diagnosis. Journal of Sound and Vibration 284(2005), s Madej H., Czech P.: Application the histogram of vibration spectrum of engine block for setting up the clearance model of the piston-cylinder assembly for PNN neural classifier. Scientific Problems of Machines Operation and Maintenance 2(154) Vol , s Madej H., Flekiewicz M., Wojnar G.: Zastosowanie ciągłej transformaty falkowej (CWT) do analizy drgań siników spalinowych. Teka Komisji Motoryzacji PAN, zeszyt nr 33 34, Kraków, s Osowski St., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa Shirazi F.A., Mahjoob M.J.: Application of discrete wavelet transform (DWT) in combustion failure detection of IC engines. 5-th International Symposium on Image and Signal Processing and Analysis, 2007, ISPA Tadeusiewicz R.: Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa Tadeusiewicz R., Lula P.: Wprowadzenie do sieci neuronowych, StatSoft, Kraków Wu J.D., Liu C.H.: Investigation of engine fault diagnosis using discrete wavelet transform and neural network. Expert Systems with Applications, 35 (2008), s Recenzent: Ryszard TADEUSIEWICZ The Application of a wavelet packet transform and PNN neural network for disturbances in the fuel inflow SI engine detection Summary An investigation of a fault diagnostic technique for internal combustion engine using wavelet packet transform (WPT) and probabilistic neural network is presented in this paper. The object of research was a four-cylinder spark ignition engine.

10 26 PROBLEMY EKSPLOATACJI The main purpose of the research was to determine the effect of the lack of fuel inflow to an individual cylinder of the engine block vibration signal. The vibration signals are decomposed by WPT to obtain the approximated and detailed coefficient and to calculate wavelet packet node entropy. The value of entropy was used as a basis in the construction of the states of engine operation intended for teaching probabilistic neural network. The experimental results indicated that the proposed system using the engine block vibration signal is effective and can be used for fault detection of an IC engine.