автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Системный анализ акустических шумовых сигналов автомобильных двигателей для определения их технического состояния

На правах рукописи

Касем Муамар Мохаммед Салех

СИСТЕМНЫЙ АНАЛИЗ АКУСТИЧЕСКИХ ШУМОВЫХ СИГНАЛОВ АВТОМОБИЛЬНЫХ ДВИГАТЕЛЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ ИХ ТЕХНИЧЕСКОГО СОСТОЯНИЯ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические системы)

Автореферат диссертации на соискание ученой степени кандидата технических наук

! 8 да

КУРСК 2009

003472814

Работа выполнена в ГОУ ВПО «Курский государственный технический университет» на кафедре Конструирования и Технологии ЭВС

Научный руководитель: доктор технических наук, профессор

Дрейзин В.Э.

Официальные оппоненты: доктор технических наук, профессор

Филист С. А.

кандидат технических наук, доцент Жмакин А. П.

Ведущая организация: Орловский государственный

технический университет

Защита диссертации состоится «03» июля 2009 года в 14-00 часов в конференц-зале на заседании совета по защите докторских и кандидатских диссертаций Д 212.105.03 при ГОУ ВПО «Курский государственный технический университет» по адресу: 305040, г. Курск, ул. 50 лет Октября, 94.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Курский государственный технический университет»

Автореферат разослан «29» мая 2009 г

Ученый секретарь диссертационного совет! к.ф-м.н., профессор (

Старков Ф.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

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 случаев - частичного разбора двигателя для диагностирования дефектов внутренних деталей. При это»! 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 отдельньгх тестов с использованием различного диагностического оборудования. Oria занимает немало времени и должна проводиться высококвалифицированный 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 дакгатепя. 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 разработке и исследовании метода и 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 (в диагностическом автотехцентре с получением дополнительной информации о фактических неисправностях и дефектах проверяемых двигателей и организация архива полученных данных);

- систематизация 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 информации;

разработана 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 двигателя;

разработаны 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 связей;

предложено 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 состояниями; показаны 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 конференций «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 [2] - теоретические возможности для создания системы диагностики автомобильных двигателей по их акустическому шуму, в [3] - метод и реализующий его алгоритм по выделению минимального подмножества информативных признаков из спектров сигналов обучающей выборки, в [4] - создание обучающей базы данных и методология получения информативных спектральных признаков акустического шума автомобильного двигателя, в [5] - принципы построения системы распознавания состояний автомобильных двигателей с помощью параметризации их спектров и акустических сигналов, в [6] - решение задачи эффективного выбора информативных признаков для системы анализа состояний автомобильного двигателя по акустическому шуму, в [7] - алгоритм отбора оптимальной совокупности информативных признаков, в [8] - использование нейронной сети для диагностирования состояния автомобильных двигателей по акустическому шуму, в [10] - программная модель для предварительной обработки записей шумов автомобильных двигателей с целью построения системы диагностики их состояний, в [9] - 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.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы, определяются цели и задачи исследования, научная новизна и практическая значимость работы.

В первой главе дается обзор методов и средств диагностирования автомобильных двигателей по акустическому шуму, анализируются теоретические и практические предпосылки акустической диагностики автомобильных двигателей и проблемы, возникающие при решении данной проблемы.

Современный двигатель внутреннего сгорания является сложным, многофункциональным объектом, диагностика которого осложняется рядом причин. Во-первых, это значительное время диагностики, связанное со сложностью конструкции и множеством входящих в его состав элементов. Во-вторых, необходимость разбора двигателя для диагностирования дефектов внутренних деталей. В-третьих, качество диагностики во многом определяется опытом мастера-диагноста и зачастую носит субъективный характер. В настоящее время для диагностики состояний автомобильных двигателей применяется множество разнообразных методов, часть из которых требует его частичной разборки и применения

различного контрольно-испытательного оборудования. Для комплексной диагностики необходимо проведение целого ряда достаточно сложных диагностических процедур с применением дорогостоящего диагностического оборудования и привлечением высококвалифицированного персонала. С этих позиций, перспективным методом диагностики представляется акустический метод, основанный на анализе шума работающего двигателя. Однако данный метод требует решения ряда сложных задач.

Источники звуков в работающем автомобильном двигателе весьма многочисленны и разнообразны. Практически все детали двигателя, включая и неподвижные, под действием ударных и периодических механических нагрузок могут вибрировать как на вынужденных, так и на своих резонансных частотах и их гармониках. Все это создает весьма сложную шумовую картину. С одной стороны, это говорит о том, что любое отклонение от нормальной работы двигателя должно обязательно отразиться на его шумовой картине. Но с другой стороны, выделить те изменения в этой картине, которые вызваны определёнными неисправностями, и классифицировать их весьма непросто.

В результате наложения и вынужденных, и собственных колебаний множества этих элементов с меняющейся во времени амплитудой и различными (и также могущими изменяться во времени) периодами, а также происходящей между ними интерференции, сам суммарный сигнал (во временной области) и его спектр получаются нестационарными. Из него сложно выделить устойчивые информативные признаки, по которым можно было бы проводить идентификацию состояний объекта. Поэтому необходимо отыскать такие способы параметризации сигнала, которые при высокой экономичности и устойчивости обеспечивали бы достаточную информативность для решения классификационных задач.

Поскольку общий информативный частотный диапазон акустического сигнала достаточно широк (перекрывает три порядка), то в любом случае вторичное параметрическое пространство будет иметь слишком большую мерность и, при этом, между отдельными информативными признаками могут существовать корреляционные связи, что будет свидетельствовать об избыточности пространства информативных признаков. Ни один из существующих методов не решает проблемы выделения системы информативных признаков (параметров сигналов), пригодной для практического построения системы распознавания при акустической диагностике. Эта проблема является также одним из важных факторов, сдерживающих развитие автоматических акустических систем диагностирования.

Всё это потребует громадных объёмов вычислительной работы, что делает такой подход практически не реализуемым. Поэтому возникает задача минимизации пространства информативных признаков до построения распознающей системы. Для этого должны быть разработаны критерии информативности не только каждого признака в отдельности, но и их различных сочетаний, которые не требовали бы предварительного построения классификатора.

Задача построения детерминированной динамической математической модели работающего двигателя внутреннего сгорания, основанной на физическом механизме его функционирования, которая бы связывала различные отклонения в его техническом состоянии с изменениями спектра его акустического шума, явно невыполнима, ввиду ее колоссальной сложности. Поэтому, остаётся лишь один

возможный путь выявления связей технического состояния двигателя с непосредственно измеряемыми характеристиками его акустического шума - построение классификатора статистическими методами на основе обширной и уже классифицированной с помощью классических методов диагностирования двигателей выборки записей акустического шума работающих автомобильных двигателей, находящихся как в исправном состоянии, так и с различными отклонениями и неисправностями.

В этих условиях построение жёсткого классификатора, с заранее определённым набором информативных признаков, распознаваемых классов и решающих правил не полностью отвечает целям диагностики, поскольку при эксплуатации системы обязательно будут появляться такие состояния, которые не диагностируются данным классификатором. Поэтому конечной целью должна являться разработка системы, способной к обучению и добавлению новых классов неисправностей.

Таким образом, хотя имеются несомненные физические и теоретические предпосылки для создания диагностических систем работающих машин и механизмов, на пути практического построения таких систем имеется целый ряд ещё нерешенных теоретических и практических задач, рассмотрению которых посвящена настоящая диссертационная работа.

Вторая глава посвящена методам обработки и анализа акустических сигналов автомобильного двигателя

Поскольку анализируемый акустический сигнал является весьма сложным по структуре, то необходимо отыскать такие способы его параметризации, которые при высокой экономичности и устойчивости обеспечивали бы достаточную информативность для решения классификационных задач. Поскольку данные сигналы не являются периодическими (хотя периодические составляющие в них обязательно присутствуют), то мгновенный амплитудный спектр, рассчитанный по ограниченному окну анализа, условию устойчивости не удовлетворяет. Более устойчивы усредненный спектр.

Для стационарных случайных сигналов статистические характеристики и того, и другого спектра сходятся к конкретным величинам при увеличении времени экспозиции. Возникает задача определения такого минимального значения времени экспозиции, при котором уже выполняется условие сходимости, поскольку с увеличением времени экспозиции резко возрастает объем вычислительной работы, а значит и длительность процедуры параметризации акустического сигнала. При фиксированной частоте дискретизации частотное разрешение БПФ определяется лишь длительностью окна анализа, т.е. числом N отсчетов дискрети-зованного сигнала в окне анализа. Однако, устойчивость определяемых таким образом параметров сигнала будет зависеть не только от времени экспозиции, но и от ширины частотных полос, по которым происходит усреднение спектральных составляющих. Поэтому эти два вопроса необходимо рассматривать комплексно.

Выбор ширины частотных полос должен определяться желаемой степенью детальности диагностики. Чем шире будут частотные полосы, на которые разделяется весь информативный частотный диапазон сигнала, тем устойчивее будут . их средние интенсивности и тем меньше будет мерность пространства информативных признаков, а значит, и проще будут решающие правила классифицирую-

щей системы. Но, с другой стороны, при слишком широких полосах усреднения будет теряться информация о тонкой структуре спектра, что ухудшит возможности распознавания различных состояний объекта диагностики.

Хотя все записи сигналов обучающей выборки должны производиться при одних и тех же скоростях вращения коленчатого вала, но реально скорость вращения вала нестабильна, и для разных записей, сделанных при одной и той же скорости, и даже во время одной и той же записи, она может варьироваться в пределах, по крайней мере, 5 %, а вместе с ней будут смещаться по шкале частот и некоторые периодические составляющие шума. Чтобы эти составляющие оставались в той же частотной полосе, необходимо выбирать ширину каждой частотной полосы не менее 10 % от средней частоты этой полосы. Отсюда следует, что частотное разрешение БПФ должно быть не ниже абсолютной ширины самой низкочастотной полосы, а ширина всех частотных полос должна быть одинаковой не по абсолютным значениям, а по относительным.

Приняв информативный частотный диапазон сигналов равным примерно от 18 Гц до 18 кГц и минимальную ширину каждой частотной полосы равной примерно 10 % от средней частоты этой полосы, получаем всего 72 сопрягающихся частотных полосы, совместно перекрывающие весь указанный частотный диапазон. Выбор границ частотных полос целесообразно производить таким образом, чтобы границы соответствующих полос, принадлежащих трем децимальным интервалам (18...180 Гц, 180...1800 Гц и 1,8...18 кГц) отличались бы ровно в 10 раз. В соответствии с выбранной верхней границей информативного частотного диапазона частота дискретизации должна выбираться в пределах 36-40 кГц. Чтобы обеспечить возможность такого представления спектра частотное разрешение БПФ должно быть не хуже 1-1,5 Гц (критической здесь является нижняя полоса частот, лежащая в границах 18-20 Гц).

Для получения частотного разрешения БПФ в пределах 1-1,5 Гц ширина окна анализа была выбрана N = 2й = 16384. При этом частотное разрешение составило /д/N = 1,346 Гц, а ширина окна анализа Та = N//¿> = 0,743 с. Спектральные составляющие, попадающие в одну частотную полосу, усреднялись и эти усреднённые значения и составляли первичное признаковое пространство.

Для выявления отклонений формы спектра при вариации времени экспозиции с целью определения оптимального времени экспозиции были проведены исследования на реальных сигналах. При этом усредненные значения интенсивно-стей спектральных составляющих спектров, рассчитанных для времен экспозиции в \®Та, 5Та, 2Та и 1 Та, сопоставлялись с соответствующими значениями спектра того же сигнала, рассчитанного для предельной длительности времени экспозиции в 60Та ~ 45 с и определялись отклонения от этого, принимаемого за эталон, спектра по каждой частотной полосе. Поскольку при указанных значениях времени экспозиции из эталонного сигнала можно выделить соответственно 6, 12, 30 и 60 отрезков, по длительности равных соответствующим значениям времени экспозиции, и для каждого из отрезков отклонения в соответствующих частотных полосах отличаются, то суммарные отличия характеризовались среднеквадрати-ческими отклонениями, найденными по всем этим отрезкам. По результатам этих расчётов были построены диаграммы (приведены в диссертации), иллюстрирующие изменчивость усредненные интенсивности отдельных спектральных полос

при возрастании времени экспозиции от 1 Та до 10Га. Анализ этих диаграмм показывает, что при возрастании времени экспозиции от 1 Та до 10ГЯ отклонения последовательно уменьшаются по величине с 0.5...3 % (для различных спектральных составляющих) до 0,2... 1%. При этом, при увеличении времени экспозиции от 1 Та до 2Та и далее до 5 Та форма спектра меняется довольно существенно, а при дальнейшем увеличении времени экспозиции до 10ГЯ эти изменения уже менее существенны, да и сами отклонения изменяются несущественно. Следовательно, вполне достаточным является время экспозиции в (5...10)Та.

В результате такой параметризации акустических сигналов мы получаем 72 информативных признака для каждой записи. Учитывая, что для одного и того же двигателя должны анализироваться спектры, полученные, как минимум, при двух или трех фиксированных скоростях вращения вала двигателя (1000, 2000 и 4000 об/мин.), мерность первичного признакового пространства получается равной 144 или 216. Это достаточно много для построения распознающей системы, а если учесть, что между отдельными признаками весьма вероятна высокая корреляция, то прежде, чем переходить к построению распознающей системы необходимо избавиться от избыточности признакового пространства.

В третьей главе исследуются критерии и алгоритмы минимизации пространства информативных признаков, а также проверка их эффективности на экспериментальных данных.

Для решения этой задачи предлагается использовать критерии информативности признаков, позволяющие проводить оценивание их полезности до построения классификатора. Для этого они должны основываться только на свойствах распределений разделяемых классов в задаваемом пространстве признаков, что делает их инвариантными относительно используемых в дальнейшем классификаторов.

Если принять гипотезу о компактности классов, то, независимо от закона истинного распределения, можно характеризовать выборочное распределение ка-

(X.)

ждого класса Ач по каждому признаку его средним /2 ' и дисперсией

»

7 (X.)

О . 1 = («).'. (В дальнейшем значок означающий, что данная оценка полу-\ лч

чена по выборке, будем опускать). Тогда расхождение между парой классов Ач и Аг по выбранному признаку X, можно оценивать расстоянием между проекциями центров классов ^ и ^ на координату X,:

(1)

Однако, разделимость этих классов будет зависеть не только от расстояния между их центрами, но и от степени их компактности, которую можно характеризовать их дисперсиями ^л, и иАг ■ Тогда наилучшим критерием их разделимости будет отношение квадрата расстояния между их центрами к усреднённой дисперсии этих классов (квадрат расстояния используется для устранения влияния знака разности и обеспечения безразмерности критерия):

Если известны (или могут быть оценены по обучающей выборке) вероятности классов Р(Ад) и Р(АГ), то усреднение дисперсий классов необходимо проводить с учётом этих вероятностей:

Но если число распознаваемых классов в задаче больше двух, то сумма вероятностей любой пары классов не будет равна единице, а значит, значение критерия будет зависеть от суммарной вероятности данных классов. Чтобы устранить это влияние, среднюю дисперсию двух рассматриваемых классов следует находить, используя вместо абсолютных вероятностей классов их удельные вероятности для выбранной пары:

ди, ПЛЧ) Р(Л) _Р{Лч)Р^ + Р{Аг)Р^

" Р{Ад) + Р{Аг) * Р(Ад)+Р{Ат) Л Р(Ад)+Р(Аг)

Тогда критерий (3) примет вид

_ [м^-М^-Ы^рщ]

Р(Ач)В^)+Р(Аг)^аХг') ' (4)

Теперь возникает вопрос: следует ли стремиться к максимизации этого критерия для пары классов с наихудшей разделимостью (максиминный критерий) или к максимизации усреднённого по всем парам классов критерия? На первом этапе отбора информативных признаков решить этот вопрос однозначно не представляется возможным, поскольку невозможно однозначно связать значения этих критериев с вероятностью ошибок классификации. Поэтому имеет смысл на первом этапе формировать два ранжированных по информативности подмножества информативных признаков: одно по максиминному критерию, второе - по критерию максимизации усреднённого по всем парам классов значения их разделимости.

Для каждого информативного признака в отдельности эти критерии будут иметь вид:

6 = тах

Ж, Р(А^> + Р(Аг)0^ г ' (5)

= щах ^- (6)

....." 1 Е Р(Ад)0^ + Р(АГ)Б^>

Однако, если осуществлять отбор признаков, анализируя каждый признак в отдельности, без учёта взаимного расположения их векторов в многомерном пространстве, а значит и без учёта их взаимной корреляции, то отобранное таким образом подмножество информативных признаков не будет отражать их реальных разделительных свойств при совместном использовании. Чтобы учесть взаимное расположение векторов признаков в многомерном пространстве, необходимо и при подсчёте расстояний между центрами классов, и при расчёте их дисперсий перейти к векторным величинам.

Величиной, характеризующей расстояние между центрами классов в многомерном пространстве любого подмножества признаков X, является евклидово расстояние между ними, определяемое выражением

К = pi ~PiI = J(pî, -¿ijfef, "Pi) , (?)

Внутримножественное рассеяние каждого класса наиболее полно характеризуется матрицей ковариаций С этого класса. Однако, поскольку критерий должен быть численным, вместо матрицы ковариаций необходимо использовать её след trC, равный сумме её диагональных элементов

;=1

Здесь I — мерность пространства используемых информативных признаков.

Чтобы величина этой характеристики не зависела от мерности пространства признаков, необходимо провести усреднение по совокупности выбранных признаков, т.е. разделить эту величину на I.

В итоге можно получить обобщения критериев (5) и (6) на многомерный случай:

ёк)

maxi

toi

/

Ы -Кт\ -pj)\\p(Aq)+p(Ar)} 1

Ä P(Aq)trC4 + P(Ar)trCr j ' (8)

1 Z P(Aq)trCq J

<H

С помощью этих критериев легко оценить информативность любой комбинации исходных информативных признаков. Это даёт возможность, используя метод перебора с последовательным наращиванием числа отбираемых признаков получать два конкурирующих подмножества информативных признаков минимальной мерности в соответствии с критериями (8) и (9).

Алгоритм отбора оптимальной совокупности признаков, использующий данные критерии выглядит следующим образом.

На первом шаге необходимо использовать критерии, определяющие информативность каждого признака^ в отдельности (5) и (6):

Критерий (5) определяет признак, обеспечивающий наилучшее разделение пары классов с наихудшей разделимостью. Критерий (6) определяет признак,

обеспечивающий наилучшее среднее разделение по всем парам классов. Уже на этом шаге при использовании этих критериев мы можем получить различные результаты, т.е. при использовании критерия (5) наилучшим окажется один признак, а при использовании критерия (6) - другой. Поэтому имеет смысл формировать сразу два ранжированных по степени информативности списка признаков.

На втором шаге к отобранному на первом шаге наилучшему признаку по очереди добавляется каждый из оставшихся, и для каждой пары признаков под-считываются значения критериев информативности по совокупности признаков (8) и (9). Таким образом, уже начиная со второго шага, необходимо использовать критерии, оценивающие расходимость классов в многомерном пространстве. Выбираются пары, для которых используемые критерии дают максимальные значения.

Далее необходимо оценить значимость приращения значений этих критериев по сравнению с предыдущим шагом. Если приращения значений критериев на втором шаге по сравнению с их значениями для первого шага значимы, мы отбираем наилучшие пары признаков и переходим к третьему шагу.

Третий и последующие шаги выполняются аналогично второму шагу. Как только при очередном шаге приращение критерия становится незначимым, алгоритм прерывается, и оставляются признаки, отобранные на предыдущем шаге. Таким образом, формируются два подмножества информативных признаков: одно, соответствующее максиминному критерию, второе, соответствующее критерию максимизации средней разделимости всех пар классов.

Для оценки значимости улучшения критерия при очередном шаге наращивания мерности пространства информативных признаков необходимо использовать квадрат среднеквадратической погрешности (выраженной в относительном виде). В итоге получаем для максиминного критерия:

Р(А^С^Р(Аг)1гСг ' (10)

и для критерия, определяющего среднюю разделимость по всем парам классов:

- , (11)

,.1

С использованием полученных критериев формируются два подмножества значимых информативных признаков. Окончательный отбор информативных признаков можно производить уже при построении конкретно выбранного классификатора. При этом опробуются оба сформированных подмножества информативных признаков и выбирается то из них, которое обеспечивает минимум ошибок классификации на обучающей и проверочной выборках.

Классификатор на основе нейронной сети является последним звеном цепочки обработки информации и получения результата. В качестве входных данных нейронная сеть использует отобранные на предыдущем шаге информативные признаки анализируемых состояний, выходными данными являются вероятности

принадлежности состояний к тем или иным классам. Обучение нейронной сети и проверка результативности классификации на тестовых выборках записей позволит нам сделать окончательный вывод о возможностях акустического метода при определении неисправности двигателя.

Проверка работы классификатора производилась в следующем порядке:

1. Была отобрана совокупность записей одного типа двигателя (гтг 406), представленная наибольшим количеством записей. В силу ограниченности объема выборки было решено проверить различение исправных и неисправных двигателей. Класс «1» означает условно исправные двигатели, класс «2» - двигатели с выявленными неисправностями. Объем записей, на которых проводилась проверка - 8 записей для класса «1», 18 записей для класса «2».

2. В каждом из классов было отобрано по одной записи для включения в проверочную выборку. Все остальные записи составили обучающую выборку(рис.1, а).

3. Произведено обучение нейронной сети и проверка на записях контрольной группы.

4. Произведено обучение нейронной сети и проверка различения неисправностей двух классов . Класс «3» означает дефект " засорение инжектора " , класс «4» - неисправность свечей. Объем записей, на которых проводилась проверка - 6 записей для класса «3», 5 записей для класса «4».

5. Затем записи проверочной выборки вошли в обучающую выборку, а для проверки были использованы данные, входившие на первом шаге в обучающую выборку. Аналогичная замена сделана на третьем шаге проверки.

Отбор информативных признаков произведен с помощью программы «Расчет», являющейся составной частью СПО диагностического комплекса. На первом шаге в соответствии с вышеизложенным алгоритмом был проведен расчёт значений критериев информативности каждого признака в отдельности по формуле (2), результаты которого представлены на рис. 1.

Рис. 1. Расчет критерия информативности по каждому информативному признаку в отдельности

Наиболее информативным оказался признак №6. Поскольку классов для первой задачи всего 2, то критерии (8) и (9) неразличимы, при этом вероятности этих классов принимались равными. С учётом этого в результате пошагового отбора должно формироваться только одно оптимальное подмножество информативных признаков.

В результате отбора были дополнительно отобраны признаки № № 46, 44, 45. В результате обучения нейронной сети получены следующие ответы: по классу «1»-0,845; 0,00257 по классу «2» - 0,0331; 0,921. По проверочным реализациям: по классу «1» - 1,0; 0,256 по классу «2» - 0,0002; 0,999

По второй задаче значения критериев информативности каждого признака в отдельности по формуле (2), представлены на рис. 2.

Q =

Рис. 2. Расчет критерия информативности по каждому информативному

признаку в отдельности Наиболее информативным оказался признак №21. Поскольку классов тоже 2, то критерии (8) и (9) неразличимы, при этом вероятности этих классов принимались равными. С учётом этого в результате пошагового отбора должно формироваться только одно оптимальное подмножество информативных признаков.

В результате отбора были дополнительно отобраны признаки № № 38, 35, 43. В результате обучения нейронной сети получены следующие ответы: по классу «1» - 0,945; 0,005 по классу «2» - 0,0034; 0,972. По проверочным реализациям: по классу «1» -1,0; 0,0056 по классу «2» - 0,0004; 0,999

Диапазон значений ответов нейронной сети, соответствующих «да», составлял от 0,84521 до 1. Диапазон значений ответов нейронной сети, соответствующих «нет», составлял от 0.0331 до 0.2565. Поскольку диапазоны не перекрываются, можно сделать вывод об однозначном разделении классов.

Таким образом разделение классов и по обучающей и по проверочной выборке происходит с высокой надёжностью. Это подтверждает эффективность разработанных и примененных алгоритмов. По мере накопления достаточного числа данных по двигателям с различными неисправностями могут быть поставлены задачи по идентификации этих неисправностей.

В четвертой главе разрабатывается структура и алгоритмы функционирования автоматизированной исследовательской системы диагностирования состояния автомобильных двигателей и производится проверка эффективности работы полученного классификатора.

Ii l.lll llllll. Illl iiL. Mäh

D 5 Г0 1 5 20 25 30 35 40 45

Поскольку при обработке полученных данных применяются сложные алгоритмы, наиболее целесообразным представляется построение диагностического комплекса на базе персонального компьютера (ПЭВМ).

Данная конфигурация диагностического комплекса позволяет решать как задачу сбора информации, так и операции хранения, обработки и анализа.

Проанализировав возможные варианты ввода аудиоинформации в компьютер, было решено использовать микрофон, подключаемый непосредственно к звуковой плате компьютера. 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 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.

В данной работе были показаны основные принципы работы системы акустической диагностики на примере фиксированного количества заранее определенных классов. Задача построения системы с возможностью дообучения по мере пополнения имеющейся базы данных будет решаться на следующем этапе исследований.

Рассмотрим теперь структуру программных средств. Общая структура программных средств создаваемого комплекса показана на рис. 3.

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 (8) и (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.

Рис. 3. Структура программных средств диагностического комплекса ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Диссертационное исследование показано, что Одним из перспективных направлений построения автоматизированных систем.'диагностики состояний автомобильных двигателей является использование для этих целей акустических сигналов шума работающих двигателей. В результате выполнения работы получены следующие основные результаты;

1. Обоснован выбор необходимой длительности анализируемого сигнала, выбран 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 методика 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 на СТО.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ Публикации в изданиях, рекомендованных ВАК России

1. Касем, М. М. Акустическая диагностика автомобильных двигателей. Анализ возможностей и теоретические и практические предпосылки [Текст] / В. Э, Дрейзин, М. М. Касем, Д. С. Сабельников // Приборы и системы. Управление, контррль, диагностика, № 4,2009.С.48-56.

Статьи и материалы конференций

2. Касем, М. М. Возможности диагностики автомобильных двигателей путём анализа шума,работающего двигателя [Текст] / В. Э. Дрейзин, М. М. Касем //Известия..Курского государственного технического университета №2(27), 2009.С. 32-35.

..,' 3, Касем, М. М. Диагностика состояний автомобильных двигателей по акустическому шуМу [Текст]/ Д. С. Сабельников //Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2008: Сб. мат-лов VIII Межд. конф./ Курск, гос. техн. ун-т. Курск, 2008.С.190-191.

. 4. Касем, М. М. Создание обучающей базы данных акустических сигналов автомобильных двигателей для целей диагностики их состояний // Информационно-измерительные, диагностические и' управляющие системы. Материалы 1 международной научно-технической конференции, Курск, 2009.С. 161-164.

. , ,5. Касем, М. М. Построение и Предварительная обработка спектров акустических сигналов автомобильных двигателей для целей диагностирования их со-

состояний [Текст] / В. Э. Дрейзин, М. М. Касем, А. Н. Никутин // Информационно-измерительные, диагностические и управляющие системы. Материалы I Международной научно-технической конференции, Курск, 2009.С.177-181.

6. Касем, М. М. Минимизация пространства информативных признаков при акустической диагностике состояний автомобильных двигателей [Текст] / В. Э. Дрейзин, М. М. Касем, А. Н. Никутин // Информационно-измерительные, диагностические и управляющие системы. Материалы I Международной научно-технической конференции, Курск, 2009.С. 138-142.

7. Касем, М. М. Алгоритм отбора оптимального подмножества информативных признаков при минимизации признакового пространства в системах распознавания [Текст] / В. Э. Дрейзин, М. М. Касем, А. Н. Никутин // Информационно-измерительные, диагностические и управляющие системы. Материалы I Международной научно-технической конференции, Курск, 2009.С. 3033.

8. Касем, М. М. Нейросетевой метод диагностирования состояний автомобильных двигателей по акустическому шуму [Текст] / Д. С. Сабельников // Медико-экологические информационные технологии 2008. Материалы IX Междунар. научн.-техн. конф. / Курск, гос. техн. ун-т. Курск, 2008. С.156-157.

9. Касем, М.М. Цифровые фильтры для сжатия и разрешения широкополосных сигналов [Текст] / A.A. Аль-Ядуми, В.И. Иванов // Медико-экологические информационные технологии-2005: сб. материалов VHI международной научно-технической конференции. - Курск. - 2005. - С. 150-153.

Свидетельства о регистрации программ для ЭВМ:

10. Касем, М.М. Программа для предварительной обработки записей шумов автомобильных двигателей с целью построения сигналы диагностики их состояний [Текст] / В. Э. Дрейзин // свидетельство об официальной программ для ЭВМ№ 2009612173. заявл. 10.03.2009; зарегистрировано 49.04.2009.

Подписано в печать 28.05.2009. Формат 60x84 1/16 Печатных листов 1,0. Тираж 100 экз. Заказ

Курский государственный технический университет. Издательско-полиграфический центр Курского государственного технического университета. 305040, г. Курск, ул. 50 лет Октября, 94

ВВЕДЕНИЕ.

Глава 1. АНАЛИЗ ВОЗМОЖНОСТЕЙ ДИАГНОСТИРОВАНИЯ АВТОМОБИЛЬНЫХ ДВИГАТЕЛЕЙ ПО АКУСТИЧЕСКОМУ ШУМУ И ПОСТАНОВКА ЗАДАЧ.

1.1. Обзор методов и средств диагностирования автомобильных двигателей.

1.2. Проблемы и теоретические и практические предпосылки акустического метода диагностирования.

1.5. Развёрнутая формулировка цели и задач диссертационной работы.

Глава 2. МЕТОДЫ ОБРАБОТКИ И АНАЛИЗА АКУСТИЧЕСКИХ СИГНАЛОВ АВТОМОБИЛЬНОГО ДВИГАТЕЛЯ.

2.1. Применение спектрального анализа для исследования структурно сложного акустического сигнала.

2.1.1. Общие положения.

2.1.2. Математический аппарат спектрального анализа.

2.2. Построение спектров шумовых сигналов работающих двигателей и их предварительная обработка.

2.3. Параметризация акустических сигналов.

ГЛАВА 3. ДИАГНОСТИРОВАНИЕ СОСТОЯНИЯ АВТОМОБИЛЬНЫХ ДВИГАТЕЛЕЙ ПОСТРОЕНИЕ КЛАССИФИКАТОРА.

3.1. Критерии отбора информативных признаков и Отбор оптимальной совокупности информативных признаков.

3.2. Отбор оптимальной совокупности информативных признаков и определение информативного диапазона частот.

3.3. Обучение нейронной сети.

3.4. Экспериментальная работа с нейронной сетью. Поиск оптимальной конфигурации сети.

Глава 4. СТРУКТУРА И АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ АВТОМАТИЗИРОВАННОЙ ИССЛЕДОВАТЕЛЬСКОЙ СИСТЕМЫ ДИАГНОСТИРОВАНИЯ СОСТОЯНИЯ ДВИГАТЕЛЕЙ.

4.1. Структура аппаратных средств автоматизированной системы диагностирования двигателей.

4.2. Алгоритмы функционирования и структура программных средств автоматизированной системы диагностирования состояния двигателей .106 4.3 Программное обеспечение автоматизированной исследовательской системы диагностирования состояния автомобильных двигателей.

4.4. Описание работы программы.

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 случаев -частичного 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 данных; систематизация 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 информации; разработана 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 двигателя; разработаны 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 связей; предложено 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 состояниями; показаны 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 подходов -в 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 ~ у- ф

Громкость Громкость Громкость

Г Выбрать Г~ Выбрать F Ёыбраггъ lttd(f) встрой™* 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 в- виде единого приложения -MMS. 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 079521 -0.75523 0.24897 -0.047505 -0.94245; -0.042493 -0 48239 0.031021 1.0976 0.19939; 0.066996 0.90976 -0.032976 -1.0584 -0.11605; 1.8239 1 9.1 84 12.222 0.2851 4 1 8.7806, 0.17596 -26.0987 -16,6613 -0.42562 -27.2339; -1 3656 2.82251.7086 0.071321 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.

1. Дрейзин В. Э., Касем М. М., Сабельников Д. С. Акустическая диагностика автомобильных двигателей. Анализ возможностей и теоретические и практические предпосылки // Приборы и системы. Управление, контроль, диагностика, № 4, 2009.С.48-56.

2. Артоболевский И. И., Болицкий Ю. И., Генкин М. Д. Введение в техническую диагностику машин. М.: Машиностроение, 1979.

3. Авакян В. А. Разработка теоретических положений, внедрение в промышленность методов и средств вибродиагностики роторных машин и станков. Дис. доктора техн. наук. Ереван, 1984.

4. Болотин В. В. Прогнозирование ресурса машин и конструкций. М.: Машиностроение, 1984.

5. Балицкий Ф. Я., Иванова М. А., Соколова А. Г. Виброакустическая диагностика зарождающихся дефектов. М.: Наука, 1984.

6. Барков А.В. Диагностирование и прогнозирование состояния подшипников качения по сигналу вибрации // Судостроение. 1985, № 3.

7. Каменев Н. Г. Разработка автоматизированной системы технической диагностики и прогнозирования механических дефектов объектов роторного типа.// Автореф. дис.канд. техн. наук. Тверь, 1995.

8. Барков А.В. Возможности нового поколения систем мониторинга и диагностики // Металлург. 1998, №11.

9. Суворов В. Н. Многоканальный виброизмерительный комплект К-5101 // Приборы и системы. Управление, контроль, диагностика. 2006, №1.

10. Суворов В. Н. Виртуальные приборы. Применение карманных ПК // Приборы и системы. Управление, контроль, диагностика. 2006, №2.

11. Рыжов С.Н. Средства вибродиагностики технологического оборудования // Датчики и Системы. 2006, № 10.

12. Карелин А. В., Леньков С. В., Молин С. М., Чекунов Д. В. Двухканальная система регистрации и обработки виброакустических иударных сигналов ДАРС // Приборы и системы. Управление, контроль, диагностика. 2008, №1.

13. Гетманов В. Г., Гридин В. Н., Царева Е. Б. Применение технологии обобщенного Фурье-анализа для цифровой обработки структурно-сложных нестационарных колебательных сигналов // Информационные технологии. 2005, № 9.

14. Дмитриев Е. В. Методы аппроксимации и определения естественного спектра коротких процессов, сигналов, функций // Приборы и системы. Управление, контроль, диагностика. 2007, № 5.

15. Дмитриев Е. В. Расчет естественного спектра и тренда процессов, сигналов, функций // Приборы и системы. Управление, контроль, диагностика. 2007, № 10.

16. Прохоренков А. М., Качала Н. М. Информационная система анализа случайных процессов в нестационарных объектах // Приборы и системы. Управление, контроль, диагностика. 2006, № 6.

17. Меркушева А. В. Время-масштабные преобразования для анализа динамики спектра нестационарного сигнала в информационно-измерительных системах // Информационные технологии. 2005, № 2.

18. Рогозов Ю. И., Самойленко А. П., Усенко О. А. Разработка адаптивной системы статистической диагностики по фактическому состоянию неравновесных объектов управления // Приборы и системы. Управление, контроль, диагностика. 2003, №4.

19. Проталинский О. М. Система диагностики предаварийных ситуаций // Приборы и системы. Управление, контроль, диагностика. 2003, № 12.

20. Блинов А. В. Интеллектуализация системы диагностики и прогнозирования // Датчики и Системы. 2005, №9.

21. Мошкин Н. И. Реализация метода постановки диагноза в сложной технической системе с помощью вероятностных оценок в составекомпьютерного диагностического комплекса // Информационные технологии. 2007, №8.

22. Бурдинский Н. Н. Специализированный измерительный комплекс в системе диагностики автомобильного двигателя // Датчики и Системы. 2006, №10.

23. Бурдинский Н. Н. Информационно-измерительный комплекс для исследования характеристик автомобильных двигателей // Приборы и системы. Управление, контроль, диагностика. 2006, № 8.

24. Жернаков С. В. Активная экспертная система комплексного мониторинга и управления эксплуатацией авиационных двигателей // Информационные технологии. 2001, № 12.

25. Жернаков С. В. Активная экспертная система с нейросетевыми базами знаний для определения тренда параметров авиационного газотурбинного двигателя // Приборы и системы. Управление, контроль, диагностика. 2003, № 5.

26. Жернаков С. В. Идентификация параметров авиационного двигателя на основе нейронных сетей // Информационные технологии. 2003, № 12.

27. Жернаков С. В. Идентификация характеристик газотурбинного двигателя на основе нейронных сетей // Приборы и системы. Управление, контроль, диагностика. 2006, №11.

28. Жернаков С. В. Экспертная система контроля и диагностики авиацион-ных двигателей. Часть I // Информационные технологии. 2007, № 1.

29. Жернаков С. В. Экспертная система контроля и диагностики авиацион-ных двигателей. Часть II // Информационные технологии. 2007, № 2.

30. Жернаков С. В. Нейросетевые технологии для диагностики технического состояния авиационных двигателей // Информационные технологии. 2007, № 8. С. 22-29.

31. Суворов В. Н. Многоканальный виброизмерительный комплект К-5101 // Приборы и системы. Управление, контроль, диагностика. 2006, №1.

32. Жернаков С. В. Экспертная система контроля и диагностики авиационных двигателей. Часть I // Информационные технологии. 2007, № 1.

33. Жернаков С. В. Экспертная система контроля и диагностики авиационных двигателей. Часть II // Информационные технологии. 2007, № 2.

34. Баскаков, С.И. Радиотехнические цепи и сигналы: Учебник. Текст./ С.И. Баскаков. М.: Высш. Школа, 1983. 536 с.

35. Рабинер, JI Теория и применение цифровой обработки сигналов Текст./ Л. Рабинер, Б. Гоулд. М.: Мир, 1978. 836 с.

36. Оппенгейм, А.В. Применение цифровой обработки сигналов: Пер. с англ. Текст./ А. В. Оппенгейм. М.: Мир , 1980.

37. Оппенгейм, А.В. Цифровая обработка сигналов Текст./А.В. Оппенгейм, Р.В Шафер: Пер. с англ. М.: Связь , 1979.416с.

38. Гольденберг, Л.М. Цифровая обработка сигналов Справочник Текст./ Л.М. Гольденберг, Б.Д. Матюшкин, М.Н. Поляк. М.:Радио и связь, 1985.312 с.

39. Блейхут, Р. Быстрые алгоритмы цифровой обработки сигналов Текст./ Р. Блейхут. М.: Мир, 1989.448 с.

40. Куприянов, М.С. Техническое обеспечение цифровой обработки сигналов Текст. / М.С. Куприянов , Б.Д. Матющкин.: СПб. «Форт», 2000. 752 с.

41. Рабинер, Л Теория и применение цифровой обработки сигналов Текст./ Л. Рабинер, Б. Гоулд. М.: Мир, 1978. 836 с.

42. Куприянов, М.С. Техническое обеспечение цифровой обработки сигналов Текст./ М.С. Куприянов , Б.Д. Матющкин.: СПб. «Форт», 2000. 752 с.

43. Кинтцель, Т. Руководство программиста по работе со звуком Текст./ Т. Кинтцель. М.: ДМК Пресс, 2000.432 с.

44. Касем, М. М. Программа для предварительной обработки записей шумов автомобильных двигателей с целью построения сигналы диагностики их состояний Текст. / М. М. Касем, В.Э. Дрейзин // свидетельство об официальной программ для ЭВМ № 2009612173.

45. Дрейзин, В.Э. Возможности диагностики автомобильных двигателей путём анализа шума работающего двигателя Текст. / В.Э. Дрейзин , М. М. Касем //Известия Курского государственного технического университета №2(27), 2009.С. 32-35.

46. Фуку нага, К. Введение в статистическую теорию распознавания образов. Текст./К. Фукунага. М.: Наука, 1979. 367 с.

47. Дрейзин, В.Э Разработка и исследование многопараметровых методов и автоматизированной аппаратуры электромагнитного неразрушающего контроля. Текст./ В.Э. Дрейзин: дис. докт. техн. наук. Курский политехнический институт. Курск, 1992.

48. Горелик, A.J1. Некоторые вопросы построения систем распознавания . Текст./ A.JI. Горелик, В.А. Скрипкин. М.: Советское радио, 1974. 223 с.

49. Ту, Дж. Принципы распознавания образов Текст./ Дж. Ту, Р. Гонсалес. М.: Мир, 1978. 412 с.

50. Фу, Т. Методы распознавания образов Текст./Т. Фу. М.: Наука, 1968. 323 с.

51. Патрик, Э.А. Основы теории распознавания образов Текст./ Э.А. Патрик. М.: Советское радио, 1980. 408 с.

52. Вапник, В.Н. Теория распознавания образов. Статистические проблемы обучения Текст./ В.Н. Вапник, А.Я. Червоненкис. М.: Наука, 1974.415 с.

53. Пересада, В.П. Автоматическое распознавание образов Текст./ В.П. Пересада. Л.: Энергия, 1970. 90 с.

54. Дуда, Р., Распознавание образов и анализ сцен Текст./ Р. Дуда, П. Харт. М.: Мир, 1976. 511 с.