Актуальность работы. Одной из сфер, играющих важную роль в социально-экономической жизни страны, является транспортная сфера, обеспечивающая как сообщение между удаленными регионами грузоперевозки, так и ежедневную доставку пассажиров от дома до места работы и обратно.
Однако большая часть используемого в настоящее время автопарка значительно изношена. В этих условиях нередки поломки, приводящие к вынужденным простоям транспорта и значительным экономическим убыткам.
Эксплуатационная надежность, экономичность, активная безопасность и экологические качества автомобиля в значительной степени определяются работой его двигателя. Поэтому поддержание работоспособности двигателя и своевременное обнаружение неисправностей является важной задачей.
Современный двигатель внутреннего сгорания является сложным, многофункциональным объектом, диагностика которого достаточно сложна, что определяется сложностью конструкции и множеством входящих в его состав элементов. Во многих случаях она требует применения достаточно сложного и дорогого диагностического оборудования, а в ряде случаевчастичного разбора двигателя для диагностирования дефектов внутренних деталей. При этом качество диагностики во многом определяется опытом и знаниями мастера-диагноста и зачастую носит субъективный характер.
Поэтому поиск и исследование новых методов диагностирования, позволяющих быстро, максимально просто и достоверно обнаруживать неисправности является актуальной задачей. Простота идентификации неисправностей означает, во-первых, отсутствие высоких требований к квалификации и опыту мастера-диагноста, когда на первый план выходит не опыт человека, а технические возможности самой диагностирующей системы, а, во-вторых, минимальное число необходимых измерений и низкая трудоёмкость их проведения.
В настоящее время существуют различные инструментальные методы диагностирования двигателей внутреннего сгорания. Большинство из них специализировано для диагностики определенных узлов двигателя. Поэтому для комплексной диагностики необходимо проведение целого ряда отдельных тестов с использованием различного диагностического оборудования. Она занимает немало времени и должна проводиться высококвалифицированным персоналом.
В данной работе исследуются возможности диагностики состояний двигателей по акустическому шуму. Данный метод позволяет преодолеть указанные сложности, значительно сокращая время и трудоёмкость диагностики. Определение скрытых дефектов становится возможным без разбора двигателя. Фактически, опытные автомеханики-диагносты уже давно используют на практике акустический метод диагностики, определяя целый ряд дефектов двигателя «на слух» по характерным шумам при его работе. Однако, этот метод, не будучи подкреплён современными инструментальными средствами анализа, остаётся скорее искусством, чем научно обоснованным методом. Поэтому задачей настоящей работы является предложить инструментальные методы анализа шумового сигнала работающего двигателя, базирующиеся на его спектральном анализе с последующей компьютерной обработкой с целью исключения субъективности оценки действительного состояния двигателя и повышения её достоверности.
Спектр шумового сигнала работающего двигателя можно рассматривать как интегральную характеристику его состояния. При возникновении отклонений в работе какой-либо детали изменяется общая спектральная картина шумового сигнала двигателя. Основной проблемой является извлечение из него полезной информации, необходимой для обнаружения конкретной неисправности.
Перспективно применение предложенного метода и для обнаружения зарождающихся дефектов и предсказания возникновения неисправностей путем отслеживания изменений во времени спектральной картины шума исправного двигателя. Таким образом, цель настоящей работы может быть сформулирована следующим образом.
Цель работы состоит в исследовании метода, алгоритмов обработки и анализа акустических шумовых сигналов автомобильных двигателей для создания автоматизированной исследовательской системы определения состояний двигателей по акустическому шуму.
Задачи, решаемые в работе:
— отработка методики записей шумов двигателей на реальных объектах (непосредственно на компьютер с помощью звуковой карты с частотой дискретизации не менее 40 кГц или с помощью звукозаписывающей аппаратуры с полосой пропускания от 15−20 Гц до 20 кГц), проведение записей шумов двигателей в диагностическом автотехцентре с получением дополнительной информации о фактических неисправностях и дефектах проверяемых двигателей и организация архива полученных данныхсистематизация акустических сигналов автомобильных двигателей по определяемым экспертным путем (механиками) состояниям, в которых они находятся, для формирования обучающей выборки;
— исследование и разработка методов и алгоритмов параметризации сигналов (выделения измеримых информативных признаков) и отбора их оптимальной совокупности, необходимой для эффективного распознавания заданного множества состояний двигателей;
— исследование и разработка методов построения решающих правил (классификатора состояний) для распознавания состояний двигателей по выделенным информативным признакам;
— проверка эффективности классификатора на всем архиве записей и определение достоверности диагностики;
— разработка структуры аппаратных и программных средств автоматизированной исследовательской системы, на базе которой реализуются методы и алгоритмы диагностирования состояния двигателей по акустическому шуму.
Методы исследования. Для решения поставленных в работе задач применялись методы теории случайных процессов и математической статистики, спектрального анализа, теории распознавания образов и искусственных нейронных сетей. Научная новизна работы: разработаны метод и соответствующий алгоритм предварительной обработки акустических сигналов автомобильных двигателей, базирующиеся на их спектральном анализе, отличающиеся определением оптимальных характеристик быстрого преобразования Фурье (БПФ) для спектрального разложения шумовых сигналов работающего автомобильного двигателя и расчёта усреднённого спектра, что позволяет повысить устойчивость и достоверность извлекаемой из шумовых сигналов информацииразработана методика параметризации (выделения измеримых информативных признаков из усредненного амплитудного спектра) акустических сигналов двигателей, отличающаяся тем, что весь информативный частотный диапазон усреднённого спектра разделяется на узкие частотные полосы одинаковой относительной ширины и вычисляются усредненные спектральные плотности на этих узких полосах, что обеспечивает устойчивость получаемых информативных признаков при небольших вариациях числа оборотов двигателяразработаны методика и алгоритм определения оптимальной совокупности информативных признаков из их первоначального избыточного множества, базирующиеся на. критериях информативности, не требующих предварительного построения решающих правил, что позволяет ещё до построения классификатора минимизировать пространство информативных признаков с учётом их взаимных корреляционных связейпредложено использование искусственной нейронной сети (ИНС) для классификации состояний диагностируемого двигателя в многомерном пространстве отобранных информативных признаков и отработана методика оптимизации её структуры и обучения на предъявляемой обучающей выборке реализаций шумовых сигналов двигателей с уже классифицированными состояниямипоказаны её преимущества по сравнению с другими статистическими методами распознавания классов в многомерном пространстве.
Практическая ценность работы.
Разработанные методы и алгоритмы будут использованы в качестве основного функционального ядра программного обеспечения автоматизированной системы диагностирования состояний автомобильных двигателей по акустическому шуму. Данная система может быть применена как для диагностики автомобилей в автотехцентрах, так и в научно-исследовательских целях.
Реализация и внедрение.
Результаты, полученные в диссертационной работе, используются в учебном процессе в Курском государственном техническом университете в рамках дисциплин «Техническая диагностика электронных средств» и «Распознавание образов», что подтверждается соответствующими актами.
Апробация работы. Основные положения диссертационной работы докладывались на следующих научно-технических конференциях: одиннадцатой международной научно-техническая конференции «Медико-экологический информационные технологии-2005» (Курск, 2005), восьмой международной научно-технической конференции «Распознавание-2008» (Курск, 2008), одиннадцатой международной научно-технической конференции «Медико-экологические информационные технологии-2008» (Курск, 2008), I Международной научно-технической конференции.
Информационно-измерительные, диагностические и управляющие системы. Диагностика 2009″ (Курск, 2009).
Публикации. Основные результаты диссертации отражены в 10 печатных работах. Среди них 1 статья, опубликованная в рецензируемом научном журнале, входящем в перечень журналов и изданий, рекомендуемый ВАК РФ. Получено свидетельство об официальной регистрации программы для ЭВМ. В работах, опубликованных в соавторстве, лично соискателем предложены: в [1] — предпосылки и постановка задач по созданию системы диагностики автомобильных двигателей по акустическому шуму, в [45] -теоретические возможности для создания системы диагностики автомобильных двигателей по их акустическому шуму, в [52] - метод и реализующий его алгоритм по выделению минимального подмножества информативных признаков из спектров сигналов обучающей выборки, в [61].
— создание обучающей базы данных и методология получения информативных спектральных признаков акустического шума автомобильного двигателя, в [47] — принципы построения системы распознавания состояний автомобильных двигателей с помощью параметризации их спектров и акустических сигналов, в [46] — решение задачи эффективного выбора информативных признаков для системы анализа состояний автомобильного двигателя по акустическому шуму, в [51] алгоритм отбора оптимальной совокупности информативных признаков, в [59] - использование нейронной сети для диагностирования состояния автомобильных двигателей по акустическому шуму, в [44] — программная модель для предварительной обработки записей шумов автомобильных двигателей с целью построения системы диагностики их состояний, в [60] — структура согласованного фильтра и алгоритм сжатия и разрешения широкополосных сигналов.
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 61 наименований, 2 приложений, изложена на 144 страницах и поясняется 44 рисунками и 3 таблицами.
Выводы:
1. При анализе сложного акустического сигнала, которым является шум работающего двигателя, необходимо выделить устойчивые информативные признаки. При этом применять анализ сигнала во временной области нецелесообразно, поскольку он вызван наложением колебанием различных деталей с меняющейся амплитудой и периодом. В этом случае необходимо анализировать сигнал в частотной области, т. е. строить его спектр. Как было показано, существуют различные виды спектров, статистически устойчивым и удовлетворяющим условию сходимости является усредненный по множествам блоков спектр.
2. В качестве инструмента для проведения спектрального анализа сигнала и обработки полученных была создана программа MMS.
3. Выполнена оценка времени экспозиции, при котором погрешность расчета спектра не превышает допустимого значения. Было выяснено, что погрешность зависит не только от интервала времени расчета спектра, но и от выбранного спектрального разрешения. В зависимости от разрешения минимальное время записи составляет 4 секунды.
4. В условиях многократной избыточности разделительных признаков необходимо отобрать набор наиболее информативных признаков, позволяющих построить компактный классификатор. Для этого были использованы критерии оценки разделительных свойств каждого признака в отдельности и критерии, позволяющие оценивать разделимость каждой пары классов по любой совокупности информативных признаков (с учетом их взаимной корреляции). На основе этих критериев разработан алгоритм отбора оптимальной совокупности информативных признаков.
5. Показано, что при отборе оптимального подмножества информативных признаков целесообразно формировать два таких подмножества: одно с использованием критерия, максимизирующего «среднюю разделимость» всех пар классов, второе — с использованием критерия, максимизирующего разделимость пары классов с наихудшей разделимостью.
6. Обоснован выбор в качестве классификатора искусственной нейронной сети и показаны основные преимущества такого подхода.
7. Для проведения исследовательской работы выбран один из таких пакетов — Neural Networks Toolbox в составе Mathlab v. 6.5.
8. Для проверки эффективности предлагаемого метода диагностики была экспериментально собрана обширная база данных по записям шумов различных двигателей, содержащая записи для более 80 двигателей. Однако среди них были двигатели различных типов. Максимальное число записей (28) оказалось для двигателя типа zmz 406, среди которых 8 записей принадлежало автомобилям с исправными двигателями и 18 — с неисправными. Причём среди неисправных двигателей 6 двигателей были с засорёнными инжекторами и 5 с неисправностью свечей. Остальные двигатели имели Различные другие неисправности. Поэтому на первом шаге была решена задача разделения исправных и неисправных двигателей, а на втором шаге задача разделения указанных двух видов дефектов. В обоих случаях обученная на данных выборках нейронная сеть уверенно распознавала эти классы.
Глава 4. СТРУКТУРА И АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ АВТОМАТИЗИРОВАННОЙ ИССЛЕДОВАТЕЛЬСКОЙ СИСТЕМЫ ДИАГНОСТИРОВАНИЯ СОСТОЯНИЯ ДВИГАТЕЛЕЙ.
4.1. Структура аппаратных средств автоматизированной системы диагностирования двигателей.
Основными задачами автоматизированной исследовательской системы диагностирования состояния двигателей по акустическому шуму являются:
— сбор и регистрация акустических данных;
— преобразование полученных данных;
— хранение полученных данных;
— обработка и анализ данных;
— отображение результатов. 1.
Поскольку при обработке полученных данных применяются сложные алгоритмы, наиболее целесообразным представляется построение диагностического комплекса на базе персонального компьютера (ПЭВМ). В этом случае мы получаем систему, в которой большинство из перечисленных задач решаются программными средствами. Тогда остаётся лишь выбор средств ввода акустических данных и разработка программного обеспечения системы диагностики.
Под сбором данных подразумевается преобразование акустических сигналов в электрические и передача их в ПЭВМ в реальном масштабе времени. В качестве преобразователя используются, получившие широкое распространение в технике акустических измерений конденсаторные или электретные микрофоны. Для обслуживания удаленных объектов наиболее удобным средством регистрации данных являются магнитофоны. Под регистрацией понимается процесс записи акустических данных для последующего ввода в ПЭВМ (при помощи звуковой карты или коммуникационных цифровых портов) и их анализа. Таким образом, программное обеспечение системы должно поддерживать возможность обработки, как при сборе, так и при регистрации (с магнитофона).
Рассмотрим данные варианты более подробно. Для передачи данных в ПЭВМ в реальном масштабе времени возможно применение двух подходовв цифровом и аналоговом виде.
Прием данных должен обеспечиваться при помощи стандартных коммуникационных портов ПЭВМ. Таким образом, необходимо обеспечить совместимость передаваемых от микрофона данных с интерфейсом порта. Прием данных от магнитофона должен осуществляться при помощи стандартной звуковой карты ПЭВМ. Хранение данных должно осуществляться на жестком диске ПЭВМ в виде стандартных звуковых файлов.
Неотъемлемой частью любого современного компьютера является наличие звуковой платы с возможностью оцифровки внешнего аналогового сигнала. В этом случае можно осуществить простейшее сопряжение микрофона и компьютера посредством звукового кабеля (рис. 4.1), Микрофон с помощью кабеля подключен к звуковой плате компьютера.
Работающий двигатель.
Рис. 4,1. Передача акустических данных в ПК в аналоговом виде.
Поскольку данные передаются в аналоговом виде, необходимо позаботиться о максимальном снижении уровня помех. Ситуация осложняется тем, что сам работающий двигатель является источником помех (например, помехи, вызванные искровыми разрядами в прерывателе-распределителе и цилиндрах). Следовательно, при указанной реализации необходимо придерживаться следующих правил:
— кабель, соединяющий микрофон и компьютер, должен иметь минимально достаточную длину, т.к. при увеличении его длины усиливается влияние помех на слабый сигнал, поступающий от микрофона;
— необходимо применение экранированного кабеля, для снижения проникающих извне помех.
Применение указанного варианта дает возможность удобно настроить уровень чувствительности входа звуковой карты (рис. 4.2). Настройка чувствительности осуществляется в широком диапазоне значений.
Общее правило при осуществлении оцифровки аналогового сигнала: чувствительность входа должна быть максимальной для обеспечения максимального уровня записи, но не приводящей к срезу сигнала.
Еще одной рекомендацией при применении указанного подхода является применение микрофона с усилителем, установленным непосредственно в корпусе микрофона, В этом случае будет обеспечиваться минимальное расстояние линии передачи слабого сигнала, на которую влияют внешние помехи. После усиления сигнала влияние помех резко снижается, поэтому данный вариант является предпочтительным. Конечно, при применении усилителя уровень чувствительности звуковой карты ПК должен быть соответственно снижен, чтобы избежать среза сигнала. иижшцр 11 |G|x|.
Оарапвтры Справка.
Компакт-дне*. Лин ехав. Микрофон.
Баланс Баланс Баланс в>-—j— 3> -J- <0 р ~ уф.
Громкость Громкость Громкость.
Г Выбрать Г~ Выбрать F Ёыбраггъ lttd (f) встрой&trade-* аудиоустрой.
Рис. 4.2. Настройка уровня записи.
Применение настольного компьютера целесообразно лишь в случае стационарной установки диагностического комплекса, например, на станции техобслуживания. При реализации комплекса на базе ноутбука предоставляется возможность мобильной акустической экспресс-диагностики двигателя (рис. 4.3).
Рис. 4.3. Реализация диагностического комплекса на базе ноутбука с передачей аналоговых данных в ПК в аналоговом виде.
Работающий двигатель.
Современные ноутбуки обладают производительностью, сопоставимой с производительностью настольного компьютера. Следовательно, данный вариант построения комплекса диагностики не уступает по своим возможностям системе на базе настольного ПК. Единственным ограничивающим фактором является цена такого решения, поскольку стоимость ноутбука в 1,5−2 раза выше.
Еще более мобильным является вариант удаленной записи акустического сигнала работающего двигателя с последующим переносом полученной звуковой информации на компьютер диагностического комплекса. Для этого требуется применение промежуточных устройств звукозаписи.
В качестве такого устройства может выступать портативная звукозаписывающая аппаратура. При этом аппаратура звукозаписи может быть как аналоговой, так и цифровой. Примером аналоговой аппаратуры звукозаписи является портативный кассетный магнитофон. В этом случае процесс диагностики разбивается на два этапа {рис. 4.4):
Рис. 4.4. Применение промежуточной аналоговой звукозаписывающей аппаратуры для удаленной диагностики.
1) удаленная от диагностического комплекса запись звука работающего двигателя;
2) последующий перенос полученной информации, его анализ и выдача результата.
Работающий двигатель.
Передача аналогового сигнала с магнитофона на компьютер с последующей оцифровкой производится аналогично рассмотренной ранее передаче сигнала напрямую с микрофона.
Однако здесь необходимо обратить внимание на очень важную вещь. Любые вмешательства в характеристики цепи передачи звука в аналоговом виде (например, замена микрофона или звуковой карты ПК), а также добавление промежуточных элементов в виде магнитофона, промежуточного усилителя и т. д. приводит к изменению АЧХ тракта звукзаписи. Поэтому при любых изменениях в этих элементах, а также в случае одновременного использования нескольких типов аппаратуры (например, как непосредственное получение сигнала с микрофона, подключенного к ПК, так и получение записи с магнитофона для удаленной диагностики) требуется измерение, А ЧХ применяемой аппаратуры и пересчет полученных данных с целью получения сигнала, не зависящего от используемой аппаратуры ввода звуковых данных.
В качестве звукозаписывающей аппаратуры может быть также применена цифровая техника, например, цифровой диктофон. При использовании цифровой техники записи необходимо обратить внимание на следующие параметры:
1. Частота дискретизации — является одной из основных характеристик, определяющих частотный диапазон записи, поскольку максимальная частота оцифрованного звука составляет не более половины частоты дискретизации. Поэтому применение цифрового диктофона, обеспечивающего работу только в режиме Voice (голос) с частотой дискретизации 8−11 кГц недопустимо, в аудиозаписи не будет частот выше 45 кГц.
2. Формат файла. При цифровой звукозаписи оцифрованные данные могут не подвергаться никакой обработке и сразу сохраняться в память, либо подвергаться сжатию с использованием стандартных алгоритмов компрессии аудиоданных. Примером несжатого формата хранения аудиоинформации является PCM WAV. Данные с выхода АЦП непосредственно заносятся в память в виде значений амплитуды, соответствующей каждому отсчету. В этом случае информация не теряется. Сжатие, в свою очередь, может быть как с потерями, так и без. Сжатие без потерь обеспечивается т.н. lossless-кодеками, после сжатия возможно точное восстановление исходных данных. Примером lossless-кодека является FLAC, обеспечивающий сжатие до 2-х раз по сравнению с PCM WAV. Сжатие с потерями ведет к изменению информации, т. е. при обратном преобразовании не происходит восстановления точной копии первоначальных данных. Поэтому данные алгоритмы вносят искажения в исходный материал, удаляя информацию, которая слабо воспринимается человеком в связи с особенностями его восприятия, но может быть очень важна в процессе диагностики. Примеры форматов с потерями: МРЗ, WMA, AMR и др. Поэтому, при использовании цифрового диктофона необходимо использование записи без сжатия или со сжатием без потерь и недопустимо применение алгоритмов сжатия с потерями.
Процесс удаленной диагностики с использованием цифровой аппаратуры звукозаписи показан на рис 4.5. Поскольку цифровые устройства записи информации сохраняют данные в файл, при подключении их к комплексу диагностики требуется передача уже готового файла с использованием стандартных коммуникационных портов, поддерживаемых аппаратурой. Для большинства устройств стандартом является синхронизация с использованием USB-порта. Возможен также вариант запись информации на карту памяти с последующим считыванием данных с помощью карт-ридера.
Работающий двигатель 1.
Рис. 4.5. Применение промежуточной цифровой звукозаписывающей аппаратуры для удаленной диагностики.
4.2. Алгоритмы функционирования и структура программных средств автоматизированной системы диагностирования состояния двигателей.
Под обработкой и анализом данных подразумевается программная реализация алгоритмов, представленных во 2 и 3 главах диссертации. Сюда относится предварительная обработка акустических сигналов, построение оптимального набора признаков и решающих правил для обучающей выборки реализаций сигналов, характеризующих состояния двигателей, диагностирование состояний на основе уже имеющегося и обученного классификатора.
Поскольку данные вычисления производятся на ПЭВМ, наиболее эффективной будет реализация специального программного обеспечения (СПО) на языках высокого уровня-.
Одно из важных требований, предъявляемых к автоматизированной системе диагностирования состояний двигателей, — это то, что она должна быть адаптивной. В данной работе были показаны основные принципы работы системы акустической диагностики на примере фиксированного количества заранее определенных классов.
Однако при решении задачи распознавания состояний сложного объекта (автомобильный двигатель) необходимо учитывать, что априорно практически невозможно выделить все его возможные состояния. Чаще всего речь идёт об отделении нормального состояния от критических, вызываемых какими-либо нарушениями функционирования. Но, во-первых, критических состояний может быть много, ибо они могут определяться разными причинами и факторами. А, во-вторых, существует множество переходных состояний (между нормальным и критическими), а также множество критических состояний, вызываемых не одним, а различными совокупностями факторов.
В этих условиях построение системы диагностики с жестким заданием диагностируемых состояний на этапе разработки представляется нецелесообразным. Необходимо построение системы с возможностью дообучения и изменения имеющейся базы данных.
Следующее важное требование к системе — универсальность, т. е. возможность применения к различным моделям автомобилей и моделям двигателей. Поскольку разные двигатели имеют изначально различные звуковые характеристики работы, для построения универсальной системы необходимо накопление обучающей выборки отдельно по каждому типу двигателя. Следовательно, такая система будет включать в себя множество отдельных подсистем, объединенных одной программной оболочкой и хранящихся в одной базе данных.
Кроме зависимости от модели двигателя, звук его работы определяется дополнительными характеристиками двигателя: пробегом, видом топлива и системой подачи топлива, другими конструктивными особенностями, в число которых могут входить изменения в конструкции и комплектации, отличные от заводских.
Таким образом, характеристики двигателя необходимы для того, чтобы разделить все записи звуков работы двигателей на группы так, что внутри каждой группы различия в звуке работы двигателей были вызваны только отклонениями в работе самого двигателя.
Деление Группа записей 1.
Архив —> на группы по ~^ Группа записей 2 записеи храктеристикам —>. двигателя у Группа записей п.
Рис. 4.6. Деление архива записей на группы по нормативным параметрам.
Над каждой группой записей проводятся операции, подобные выполненным в настоящей работе: от предварительной обработки до обучения нейронной сети. Данные операции повторяются с целью нахождения оптимальных параметров обработки для каждой группы (рис. 4.7).
Рис. 4.7. Нахождение оптимальных параметров для каждой группы записей.
Целью такой работы является получение параметров обработки каждой группы записей, а также получение обученной нейронной сети для распознавания состояний (неисправностей) внутри каждой группы. Данная процедура проводится при первоначальной настройке диагностической системы, а также при добавлении новых групп, неисправностей и перенастройке системы по новым данным.
В процессе диагностики путем установки параметров двигателя мы получаем оптимальные параметры обработки сигнала, найденные на этапе обучения. Далее процесс обработки данных идет в соответствии с разработанным алгоритмом. Схематично процесс диагностики показан на рис. 4.8.
Рис. 4.8. Схема процесса диагностики.
Поскольку качество диагностики напрямую определяется представительностью обучающей выборки, целесообразно использовать диагностируемые состояния для пополнения базы данных. Конечно, сделать это можно только после подтверждения экспертом выявленной неисправности. Поэтому .рис. 4.9 можно дополнить добавлением аудиозаписей в архив (рис. 4.9).
Рис. 4.9. Обновление базы данных после диагностики.
Таким образом, база данных системы диагностики является полностью реконфигурируемой, что дает возможность построения гибкой системы с возможностью добавления новых групп, неисправностей, а также улучшения качества диагностики путем накопления более представительной выборки.
Рассмотрим теперь структуру программных средств. Поскольку данные вычисления производятся на ПЭВМ, наиболее эффективной будет реализация специального программного обеспечения (СПО) на языках высокого уровня, которая совместит в себе возможности использованных программных средств. Большинство из представленных алгоритмов обработки звуковых данных относительно просто реализуются программно, их математические алгоритмы хорошо известны и формализованы. Поэтому вся предварительная обработка, реализуется ввиде единого приложенияMMS. Описание работы программы дано в разделе 2.3. Выходными данными программы является' ранжированная в порядке убывания информативности совокупность информативных признаков и спектры сигналов. Эти же данные являются входными для нейронной сети.
Для реализации нейронной сети был использован пакет расширения Neural Networks Toolbox в составе Mathlab. Данный пакет представляет собой законченное решение, и использует довольно сложные алгоритмы обучения нейронных сетей. Поэтому существуют сложности в интеграции данного пакета в разрабатываемое СПО, либо в повторении его функций. В качестве решения данной проблемы предлагается использовать следующий подход. Функции предварительной обработки сигнала решаются разрабатываемым ПО, а построение и обучение нейронной сети — средствами Neural Networks Toolbox. Такой подход оправдан тем, что обучение системы происходит только на первоначальном этапе обучения, а также при последующих дообучениях, т. е. довольно редко. В то же время, сама нейронная сеть описывается простыми формулами (3.3) — (3.5), поэтому симуляцию работы уже обученной сети можно реализовать в том же СПО. Neural Networks позволяет просматривать и копировать полученные в результате обучения веса (рис. 4.10). Если же задана конфигурация сети и ее веса, то реализовать пересчет входного вектора в выходной довольно просто.
View j initialize ] Simulate | Train | Adapt Weights | Seiecttheweightorbiastoview: |lw{2,1}-Weight to layer 79 521 -0.75 523 0.24 897 -0.47 505 -0.94 245- -0.42 493 -0 48 239 0.31 021 1.0976 0.19 939- 0.66 996 0.90 976 -0.32 976 -1.0584 -0.11 605- 1.8239 1 9.1 84 12.222 0.2851 4 1 8.7806, 0.17 596 -26.0987 -16,6613 -0.42 562 -27.2339- -1 3656 2.82 251.7086 0.71 321 4,35).
Рис. 4.10. Просмотр весов обученной нейронной сети.
Использование пакета Neural Networks Toolbox осуществляется только на этапе обучения нейронной сети. Далее из него берутся рассчитанные веса обученной нейронной сети (которые при заданной конфигурации полностью ее описывают) и заносятся в базу данных (рис. 4.8). Расчет работы нейронной сети реализуется средствами СПО комплекса, поэтому пакет Neural Networks Toolbox в процессе диагностики не используется (рис. 4.1 I).
Рассмотрим теперь структуру программных средств. Общая структура программных средств создаваемого комплекса показана на рис. 4.11.
Результат диагностики.
Рис. 4.11. Структура программных средств диагностического комплекса.
Она включает два программных блока: специальное программное обеспечение (СПО) и стандартный программный комплекс Neural Networks Toolbox в составе Mathlab. СПО также состоит из двух частей. Первая часть «Анализ» выполняет функции записи (дискретизации) аудиосигналов, формирование базы данных, спектральный анализ (БПФ) этих сигналов с вычислением усреднённого по заданному времени экспозиции спектра и вычислением средних спектральных плотностей на заданном множестве узких спектральных полос, которые и представляют собой начальное множество информативных признаков. Вторая часть «Расчёт» производит отбор двух оптимальных подмножеств информативных признаков по изложенному выше алгоритму с использованием предлагаемых критериев информативности (3.8) и (3.9). Выходными данными программы являются два оптимальных подмножества информативных признаков, используемых далее для построения классификатора. Эти же данные являются входными для нейронной сети, которая и выполняет функции классификатора. Но для этого она должна быть обучена на обучающей выборке записей акустических сигналов, а достоверность распознавания должна быть проверена на экзаменационной выборке записей. После обучения нейронной сети можно предъявлять на вход системы новые сигналы и диагностировать по ним состояние двигателя.
Перенос функций по моделированию работы сети в ядро программы дает еще одно преимущество — возможность представить выходные данные наглядно, с легкой интерпретацией результата, поскольку выходные данные программы Neural Networks Toolbox представлены в виде матрицы и их интерпретация затруднена.
4.3. Программное обеспечение автоматизированной исследовательской системы диагностирования состояния автомобильных двигателей.
Специальное программное обеспечение работает в двух основных режимах: режим обработки информации, занесенной в ПЭВМ при помощи звуковой карты или коммуникационных портов (режим 1) и режим диагностирования состояний автомобильных двигателей (режим 2).
Данные, имеющие отношение к мультимедиа (звук, видео и т. п.), хранятся в файлах в так называемом RIFF-формате (Resource Interchange File Format — формат файла для обмена ресурсами). Как wav-файлы, содержащие звук, так и avi-файлы, содержащие видеоинформацию, имеют формат RIFF.
Файл в формате RIFF содержит вложенные фрагменты (chunk's). Внешний фрагмент состоит из заголовка и области данных (табл. 4.1).
ЗАКЛЮЧЕНИЕ
.
Разработка и широкое внедрение новой, более совершенной и гибкой системы определения технического состояния автомобилей на базе современного контрольно-диагностического оборудования и высокопроизводительных средств ВТ могла бы серьезно повысить эффективность диагностики неисправностей. Своевременное и достоверное определение состояния автомобильных двигателей напрямую влияет на экономическую эффективность использования автопарка. Проведенные исследования показали, что решение данной задачи может быть основано на связи между неисправностью двигателя и структурой сигналов акустического шума при его работе.
В предлагаемой диссертационной работе разработаны научные основы и реализация компьютерной диагностической системы состояния автомобильных двигателей по акустическому шуму. Проведенные экспериментальные исследования подтвердили высокие потенциальные возможности данного метода и правильность теоретических положений, разработанных в диссертации. Конечно, говорить о создании диагностической системы, пригодной для практического использования ещё рано. Однако, все принципиальные вопросы необходимые для создания такой системы решены.
Показано, что одним из перспективных направлений построения автоматизированных систем диагностики состояний автомобильных двигателей является использование для этих целей акустических сигналов шума работающих двигателей. Рассмотрены научные предпосылки и современное состояние проблемы диагностирования машин и механизмов по акустическому шуму, что позволило сформулировать конкретные задачи данного исследования.
1. Обоснован выбор необходимой длительности анализируемого сигнала, наиболее информативный частотный диапазон шумовых сигналов работающего двигателя и определены оптимальные параметры БПФ (частота дискретизации, ширина окна анализа и время экспозиции) для вычисления усреднённого амплитудного спектра, что позволило повысить устойчивость и достоверность извлекаемой из шумовых сигналов информации о конкретном состоянии данного двигателя.
2. Предложено в качестве информативных признаков для построения распознающей системы ввести усредненные по узким полосам частот с одинаковой относительной шириной спектральные плотности, вычисляемые по усреднённому амплитудному спектру и совместно перекрывающие весь информативный частотный диапазон. Обоснован выбор ширины узких полос частот, по которым производится усреднение спектральной плотности. Использование в качестве информативных признаков спектральной плотности, определяемой по полосам частот с одинаковой относительной (а не абсолютной) шириной позволило обеспечить их устойчивость при небольших (в пределах 5−8%) вариациях числа оборотов двигателя при записи его шума.
3. Разработаны метод и алгоритм построения оптимального набора информативных признаков из их первоначальной избыточной совокупности с использованием критериев информативности, не требующих предварительного построения классификатора и позволяющих оценивать разделительные способности как каждого признака в отдельности, так и их произвольной совокупности (с учетом их взаимной корреляции).
4. Предложено использование искусственной нейронной сети в качестве классификатора и обоснованы ее преимущества по сравнению с другими статистическими методами.
5. Проведены экспериментальные исследования по накопленному массиву записей акустических сигналов работы двигателей. Проверка функционирования исследовательской системы на реальных записях подтвердила правильность теоретических положений, разработанных в диссертации.
6. На основе разработанных методов, критериев и алгоритмов разработаны структуры программных средств для ПЭВМ, реализующие задачи предварительной обработки акустических сигналов, построения их спектров, выделения из них информативных признаков, отбора оптимального подмножества информативных признаков, обеспечивающего максимум критерия разделимости классов, и построения классификатора. Система может применяться не только в исследовательских целях, но и в качестве подсистемы диагностирования состояний двигателей по акустическому шуму в автоматизированном комплексе диагностики.
