Diagnosi del guasto su motori automobilistici mediante

Diagnosi del guasto su motori automobilistici mediante metodologia Soft
Computing
G. Fargione, A. Geraci, A. Risitano
Dipartimento di Ingegneria Industriale e Meccanica – Università di Catania
Viale A. Doria, 6 – 95125 Catania
e-mail: [email protected]
Keywords: noise, automotive engines, wavelet, neural networks
Sommario
Vengono presentati i risultati preliminari di una nuova metodologia di indagine basata sull'acquisizione e
successiva analisi di misure di segnali acustici al fine di effettuare la diagnostica dei guasti in un
autoveicolo.
La metodologia viene messa a punto sulla base di un certo numero di test effettuati su autoveicoli
in cui era presente un guasto e autoveicoli in cui il guasto era assente.
A tal fine sono stati analizzati i livelli di pressione sonora (SPL) rilevati su motori funzionanti ad
un determinato numero di giri secondo due fasi. Nella prima fase venivano estratti i coefficienti wavelet
con la seguente costruzione dei training set e l'addestramento Kohonen associative memories mediante
tali training set. Nella seconda fase avveniva la classificazione dei guasti associando a ciascun pattern di
ingresso una classe di appartenenza scegliendola, automaticamente, tra quelle che aveva creato durante
la fase di addestramento. Infine, sono state definite delle classi di appartenenza per la classificazione del
tipo di guasto.
I risultati ottenuti mostrano l'affidabilità della metodologia proposta al fine della diagnostica
automatica dei guasti in un autoveicolo.
Abstract
This paper aims to present the preliminary results of a new methodology, based on the analysis of
externally measured acoustic signals, for the early fault diagnosis in autovehicles. the methodology move
from a wide set of exsperimental tests, performed according to specified test conditions, and collecting
acoustic measurements detected on autovehicles presenting no fault as well as autovehicle affected by
specific faults.
The exsperimental sound pressure level (SPL) was analysed through two steps: the exatraction of
the wavelet coefficients, which accounted for time-frequency cheracterisation of each experimental
whole set of test through Kohonen associative memories. The second step, in particular, aimed at
creating clusters of tests having distinct wavelet coefficients (i.e. time frquency behaviours). Finally, the
clusters obtained were compared both with the classes collecting autovehicles affected by faults and with
those collecting functioning autovehicles. Reported results show the ability of the methodology to
address the problem of fault detection.
1.
INTRODUZIONE E SCOPO DEL LAVORO
In letteratura esiste un numero non indifferente di studi sull'argomento [1–3]. Molte aziende hanno rivolto
l'attenzione a problematiche di questo tipo, al fine di realizzare un sistema di monitoraggio dei macchinari
industriali che permettesse l'individuazione di guasti potenziali. Ciò al fine di eliminare l’eventuale anomalia
prima di arrivare alla rottura definita del macchinario ed al blocco della produzione.
Lo scopo del lavoro è quello di definire una metodologia innovativa e uno strumento semplice per la
diagnosi dei guasti in un autoveicolo. L'approccio proposto è basato sull'applicazione della tecnica di softcomputing applicata all' analisi di misure sperimentali. In particolare, in una prima fase del lavoro, sono state
eseguite un consistente numero prove su autoveicoli dello stesso tipo ed è stata acquisito il segnale acustico in
termini di livelli di pressione sonora (SPL) con motore in moto ad un determinato numero di giri. In una seconda
fase al segnale acustico acquisito è stata applicata la decomposizione attraverso la tecnica della Wavelet
Analysis, che consente una più rapida e significativa estrazione dei parametri caratterizzanti i segnali acustici.
Nella fase successiva, l'approccio utilizzato per l'analisi dei segnali estratti, è stato quello della Neural Network
Technology. In particolare, tramite l'utilizzo di reti classificatrici del tipo Kohonen Associative Memory è stata
possibile la caratterizzazione e la classificazione del segnale acquisito.
849
XXX Convegno Nazionale AIAS – Alghero (SS), 12-15 settembre 2001
In quanto segue, per ragioni di spazio, si daranno solo le indicazioni generali sulle varie “function”
adottate nelle varie fasi e diagrammi sintetici sui risultati ottenuti.
La rete neurale è unsupervised essa possiede caratteristiche particolari per il tipo di applicazione in esame
per cui, dopo una fase di addestramento, si è arrivati fino alla classificazione dei guasti. Lo schema logico di
sviluppo della metodologia può essere rappresentato dal seguente diagramma di flusso:
A C Q U IS IZ IO N E
D A T I
A N A L IS I D E L LE
PR O V E
E L A B O R A Z IO N E D E I
D A T I
E S T R A Z IO N E D E I
FEA T U R ES
A D D EST R A M EN T O
D ELLA R ET E
C L A S S IF IC A Z IO N E D E I
G U A ST I
Fig. 1 Diagramma di Flusso
2.
STRUMENTAZIONE UTILIZZATA E IMPOSTAZIONE DELLE PROVE
L'
apparato sperimentale utilizzato per le acquisizioni del segnale acustico consisteva in un fonometro real time
Larson & Davis modello 2900 che misura i livelli di pressione sonora (SPL). Il fonometro in questione consente
la contemporanea misura del livelli di pressione sonora pesati (A), (C) (filtri di pesatura) o lineare, nelle costanti
di tempo Fast, Slow, Peak, LEQ, Impulse. La risposta Fast ha una costante di tempo di 125 millisecondi, e
quindi permette di misurare, con una certa precisione, segnali che oscillano non troppo velocemente.
La risposta Slow ha, invece, una costante di tempo di 1 secondo, permettendo di misurare segnali anche
abbastanza rapidi nelle loro variazioni.
La risposta Impulse, che ha costante di tempo di 35 millisecondi, è adeguata per le misure di rumori
transitori.
I modi di analisi possibili sono quattro:
1. Sound level meter mode
2. Modo di analisi standard
3. Modo di analisi statistica
4. Modo acustica architettonica
La memoria è di tipo CMOS non volatile con capacità di 1,44 MByte.
La memoria è espandibile fino a 4 MB.
In dotazione con il fonometro è fornito il software di decodifica dei dati in formato ASCII. Questo
software, nella versione più recente, fornisce anche una valida interfaccia grafica per la rappresentazione dei
dati.
Il software si chiama Noise & Vibration Works for Windows vers.1.24.
Il microfono utilizzato è un modello preamplificato 900B.
Alcune delle modalità di realizzazione della prova sono dipese da normative vigenti in relazione ai
rilevamenti di tipo acustico effettuati su veicoli a quattro ruote e da normative relative ai rilevamenti di SPL su
macchine sottoposte a prova.
Non esiste una vera e propria normativa per rilevamenti acustici finalizzati al confronto della rumorosità
dei motori degli autoveicoli, ma solo per rilevamenti finalizzati a valutare eventuali danni uditivi in relazione
all’esposizione a rumore, e per la valutazione dell’interferenza con la conversazione[5,6]. In ogni caso sono
state estratte dalle normative esistenti, alcune specifiche applicabili al caso in oggetto. In particolare, in
relazione alla norma UNI 9838 per rilevamenti acustici su autoveicoli, si sono osservati i seguenti punti:
Tutte le letture devono essere fatte con la caratteristica “fast” del fonometro
Occorre assicurarsi che non vi siano dei segnali parassiti all’uscita del microfono indotti da vibrazioni,
accoppiamenti elettromagnetici od altri segnali estranei e che comunque tali segnali siano almeno 10 dB
inferiori ai segnali acustici ottenibili nel corso della prova.
Durante la misura, la distanza tra il veicolo ed oggetti di grande dimensione quali edifici, muri, ecc. deve
essere maggiore di 20m.
850
XXX Convegno Nazionale AIAS – Alghero (SS), 12-15 settembre 2001
In relazione alla normativa UNI EN ISO 11200/1997 è stato poi tenuto conto di quanto prescritto:
"In assenza di una procedura per prove di rumorosità, le misurazioni verranno effettuate in quattro o più
posizioni microfoniche situate alla distanza di 1 m da ciascun lato del parallelepipedo di riferimento descritto
nelle ISO 3744 o ISO 3746, e ad una altezza di 1,55 ± 0,075 metri da terra. Il livello più elevato di pressione
sonora di emissione verrà registrato come livello di pressione sonora di emissione della macchina sottoposta a
prova".
Le acquisizioni sono state realizzate sul campo e precisamente presso alle officine Oscar Auto Fiat di
Misterbianco.
Il rilevatore, (fonometro), è stato posizionato su un treppiedi secondo i criteri e le distanze dal motore,
indicati in precedenza.
Trattandosi di un ambiente lavorativo e, di conseguenza, molto rumoroso, sono stati scelti orari opportuni
per effettuare le prove.
Trattandosi di prove acustiche sul motore a cofano aperto, la posizione ideale del treppiedi, per il
rilevamento, è risultata quella frontale.
Per la giusta catalogazione di ciascuna prova effettuata è stato realizzato un foglio di lavoro, da
compilare ogni qual volta era realizzata un’ acquisizione.
Sul foglio sono state riportate, per ogni prova, i dati caratterizzanti la prova in oggetto:
Data e orario di inizio acquisizione
Le caratteristiche dell’ autoveicolo: modello, cilindrata, Km percorsi, anno d’ immatricolazione
Le caratteristiche dell’ acquisizione: nome della prova (per il recupero dei dati dall’ analizzatore), posizione
dell’ apparecchiatura, durata, intervallo di campionamento
Le specifiche relative ad un eventuale guasto presente sull’ autoveicolo
Le note supplementari sull’ andamento della prova.
Sono state effettuate circa 65 diverse acquisizioni utili su 30 autovetture differenti. I tipi di autoveicolo
erano “ FIAT Punto” con cilindrata 1242 cc e chilometraggio da 1000 a15000 km. Su di esse si sono presentati 4
diversi casi di guasto da analizzare (rottura dell’ albero motore, fusione cuscinetto biella, punterie idrauliche
difettose, candele sporche).
La distanza dalla sorgente al microfono del fonometro è stata di 0.7 m, la frequenza di campionamento
era di 20 Hz, le SPL generate da ogni uno dei 30 autoveicoli ha formato un test grid. Le grandezze
caratteristiche della durata e dell’ intervallo di campionamento, dopo un certo numero di prove preliminari, sono
state standardizzate. La scelta finale è stata un compromesso tra le esigenze in termini di numero di dati
disponibili per ogni prova e la capacità di memoria CMOS dello strumento di acquisizione. Si è scelto un
intervallo T di 0,05 secondi e una durata 240 secondi per ogni prova, per un totale di 4800 dati per acquisizione.
Ciò ha consentito la memorizzazione di 2 acquisizioni differenti di 4 minuti ognuna, per ogni autoveicolo
oggetto di prova, prima di ogni fase di trasferimento dei dati su PC. Il trasferimento dei dati avveniva tramite
collegamento tra le porte seriali dell’ analizzatore e del PC, ed aveva un durata di circa 20 minuti per
acquisizione. I tempi dovuti anche alla caratteristica particolari della strumentazione, hanno rallentato la fase di
acquisizione.
Per una migliore standardizzazione della prova, avendo verificato l’ impossibilità di regolare facilmente il
numero di giri del motore di ciascun autoveicolo ad un valore prefissato (molti autoveicoli, in particolare quelli
appartenenti a segmenti medi, non presentavano neanche il contagiri) e non volendo appesantire il sistema con
ulteriore strumentazione, si è scelto di utilizzare le prove a numero di giri minimo, che, con buona
approssimazione, si può pensare pari a 950 ÷ 1000 rpm. Per ciascuna prova sono stati tracciati i diagrammi
dell’ andamento SPL in funzione del tempo e dello spettro in frequenza calcolata tramite una funzione
opportunamente implementata in MATLAB. In particolare venivano diagrammati: Potenza [db] in funzione del
tempo [s], livello di potenza P [db] in funzione del rapporto f/fc, logP in funzione del rapporto f/fc (f. frequenza,
fc frequenza di campionamento).
3.
ESTRAZIONE DELLE WAVELET FEATURE
L'
estrazione dei features è realizzata attraverso l'
utilizzo della Wavelet Analysis [5–10]. L'
idea di base della
metodologia utilizzata è quella di scegliere una wavelet madre e di calcolare, secondo lo schema classico della
decomposizione tramite Discrete Wavelet Transform 1-D, i coefficienti di dettaglio su più livelli di
decomposizione del segnale.
Tutto ciò permette un’ analisi del segnale sul piano tempo-frequenza molto accurata, con possibilità di
estrarre informazioni sullo spettro che altrimenti andrebbero perdute con una analisi mediante FFT (Fast
Fourier Transform).
Infatti se con l’ utilizzo della FFT, da una parte, sono evidenti, dalla sovrapposizione degli spettri in
frequenza, le differenze degli spettri stessi, dall'
altra, non è altrettanto semplice l’ estrazione di informazioni
numeriche caratterizzanti il segnale in modo automatico. Soprattutto, alle frequenze più basse, la
851
XXX Convegno Nazionale AIAS – Alghero (SS), 12-15 settembre 2001
sovrapposizione degli spettri non è idonea a mostrare con sufficiente chiarezza le informazioni che si desidera
estrarre. Con l’ uso della FFT ci sarebbe, inoltre, il problema di decidere quali frequenze siano quelle interessanti
ai fini diagnostici. Esse, per il tipo di ambiente in cui si opera, potrebbero essere difficilmente distinguibili da
quelle attribuibili al rumore di fondo, di natura tipicamente stocastica e dunque non rilevante ai fini diagnostici.
Peraltro, esse variano sensibilmente al variare del regime di rotazione dell’ albero motore.
L'
utilizzo della decomposizione del segnale, mediante Wavelet Analysis, consente, invece, dei termini di
raffronto più efficaci e permette la completa automazione del sistema di estrazione delle informazioni.
È infatti possibile fare un’ analisi del segnale, strutturalmente simile a quella realizzabile con l’ uso della
FFT ed ugualmente valida, ma più efficace dal punto di vista operativo. Pertanto tutta l’ analisi è stata effettuata
mediante metodologia di tipo wavelet. In particolare si è realizzata una Multilevel Wavelet Decomposition del
segnale, scegliendo un livello massimo di decomposizione e una forma della mother wavelet opportuna secondo
il tipo di informazioni che si desiderano estrarre.
L’ idea su cui si basa la metodologia, implementata per l’ estrazione delle informazioni, è fondata sul
confronto (per identici livelli di dettaglio) dell'
andamento dei coefficienti di dettaglio delle diverse prove. A tale
scopo sono state codificate alcune funzioni che consentono l'
automatica estrazione dei coefficienti di dettaglio
per tutti i livelli. In particolare, la funzione crea un set di vettori dei coefficienti di dettaglio per ciascuna prova.
Il numero dei vettori che compongono il set caratterizzante una prova è pari al massimo valore di dettaglio
scelto. Ogni vettore è a sua volta composto da un numero diverso di elementi, perché questo dipende dalla
risoluzione dell'
analisi tempo-frequenza realizzata. Ad ogni livello di dettaglio è associato un diverso valore del
fattore di scala, da cui dipende l’ ampiezza della mother wavelet di confronto. È evidente, quindi, che se il fattore
di scala cresce, allo stesso tempo diminuisce il numero dei coefficienti e la risoluzione dell’ analisi.
La wavelet utilizzata è di tipo “coif5”(vedi fig. 2). Si tratta di una wavelet della famiglia delle Coiflets
Wavelets. Rispetta le condizioni di Ortogonalità e Biortogonalità ed è a supporto compatto (compactly
supported), vale a dire esiste solo all'
interno di un definito intervallo.
Ampiezza
0.6
0.5
0.4
0.3
0.2
0.1
0
-0.1
0
5
10
15
20
25
30
Fig. 2 Coiflet Wavelet Coif5
La scelta di tale tipo di wavelet è stata guidata dall’ esigenza di estrarre, dal rumore del motore, quelle
informazioni che più rapidamente siano in grado di indirizzare la rete all'
individuazione del guasto. Dato che, in
moltissimi segnali dinamici di tipo meccanico, la presenza di impulsi ripetuti è un chiaro sintomo dell'
insorgere
di un problema, si è scelta una mother wavelet dalla forma caratteristica molto simile a una componente
impulsiva.
La scelta del massimo livello di dettaglio è dipesa, in gran parte, anche, dai risultati ottenuti
dall’ addestramento della rete neurale. Si sarebbe potuto pensare di utilizzare un valore che sia il massimo
possibile per il numero di dati a disposizione per quella data prova, ma è utile considerare, nella scelta, quanto i
valori associati a quel determinato livello di dettaglio incidano effettivamente sull’ addestramento della rete.
La scelta della trasformata wavelet è stata dettata anche dall’ uso della stessa in problemi di analisi di
acustica riscontrabili in letteratura [5,7,9], essa costituisce un valido strumento matematico per lo studio e
l’ analisi dei dati acquisiti sul rumore degli autoveicoli.
L'
estrazione delle informazioni (features) necessarie per la definizione dei trainnig set per la rete neurale,
si è ottenuta decomponendo il segnale tramite DWT 1-D e utilizzando il software Matlab nella versione 5.2, ed
in particolare, le funzioni predefinite della Matlab Wavelet Toolbox. Altre utili funzioni sono state codificate per
facilitare ed automatizzare il processo di decomposizione ed analisi wavelet dei segnali. Nella figura (3) è
mostrato un esempio di applicazione wavelet multi-level decomposition. Per ciascuna prova sono stati tracciati i
diagrammi dell’ andamento del SPL in funzione del tempo e dello spettro in frequenza. Il segnale originale, il
primo in alto, è decomposto secondo una struttura ad albero fino a tre livelli di dettaglio. Questo tipo di
scomposizione è orientata alla individuazione di eventuali componenti in frequenza che risultano alterati dalla
presenza di un guasto. La scelta della frequenza di campionamento fc= 20Hz è stata dettata dalla esigenza, di
852
XXX Convegno Nazionale AIAS – Alghero (SS), 12-15 settembre 2001
non appesantire il sistema di rilevazione e nello stesso tempo di validare le capacità delle wavelet nella presente
applicazione. Infatti, visto l’ obiettivo della ricerca, che aveva lo scopo, in questa fase, di indagare sulle
possibilità del sistema, si è preferito operare con valori di frequenza bassi. In un successivo miglioramento, si
potrebbe operare con strumentazioni più sofisticate e a frequenze più elevate.
Fig. 3 Decomposizione del segnale fino a livello 3
L’ andamento dei coefficienti wavelet, estratti con un procedimento di multi-decomposizione del segnale
simile a questo, è stato applicato in tutte le prove acustiche realizzate. Tutto ciò allo scopo di definire se
attraverso il confronto di informazioni su eventuali segnali differenti caratterizzanti ciascun tipo di prova.
4.
ARCHITETTURA NEURONALE
La rete neurale creata al fine di realizzare una classificazione opportuna dei casi di guasto incontrati è una rete
del tipo Self Organizing Networks. [10,11]
Una rete di questo tipo permette di individuare correlazioni e regolarità negli ingressi forniti nella fase di
addestramento e associa, in accordo con questi, i futuri input alla classe di appartenenza.
Trattandosi di prove sperimentali, si è scelta una rete che abbia un tipo di addestramento non
supervisionato. In primo luogo, infatti, è importante valutare la capacità della rete di suddividere le diverse
prove in classi ben distinte.
Le prove effettuate su autovetture Diesel sono state separate da quelle su auto equipaggiate con motore
benzina. Dei 65 rilievi effettuati, 20 sono stati i casi esaminati di auto con motore Diesel e 45 i casi con motore
benzina.
La rete è stata addestrata separatamente per il caso delle auto diesel rispetto a quello delle auto a benzina,
ma l’ architettura è rimasta la stessa.
853
XXX Convegno Nazionale AIAS – Alghero (SS), 12-15 settembre 2001
Input
Competitive Layer
S×R
IW1,1
S
p
R
S ×1
ndist
R ×1
+
1
b1
n
R×1
C
a
S ×1
S ×1
Fig. 4 Architettura di una rete di tipo competitivo
In un primo momento, delle Self Organizing Networks, si è scelto di utilizzare una rete di tipo
Competitivo (Competitive Layers), come nello schema di fig. (4).
Il numero degli elementi del vettore di ingresso R è 21. Il numero di neuroni sul livello intermedio (S in
figura) è 8. Pertanto il numero di classi possibili è 8, e la legge di apprendimento è del tipo Kohonen Learning
Rule.
Il segnale rilevato veniva caratterizzato da tre parametri statistici (Interquartile range (iqr), Mean
absolute deviation (mad) e Standard deviation (std)) per ciascuno dei sette livelli in cui lo stesso veniva
decomposto. Gli ingressi erano 21 per ciascuna delle prove.
Si è pensato, infatti, di dare in ingresso alla rete tre parametri statistici che fossero in grado di
caratterizzare l’ andamento dei coefficienti wavelet, per ciascuno di sette livelli di dettaglio ottimizzati dalla
decomposizione del segnale.
In questo modo le informazioni raccolte tenevano conto sia della misura del contenuto energetico medio
del segnale, sia della misura dell’ andamento. La scelta dei parametri è stata fatta considerando anche la loro
robustezza ai fattori estranei.
Per quanto prima detto, la matrice degli ingressi, per l’ addestramento della rete, era , nel caso delle prove
su auto Diesel, una matrice A = [21×14] elementi e, nel caso delle prove su auto a benzina, una matrice B = [21× 30]
elementi.
Un certo numero di prove residue (6 per il motore a benzina, 15 per il motore Diesel) venivano utilizzate
per la verifica dei risultati dopo la fase di apprendimento.
Ogni colonna delle due matrici risultava composta dai parametri statistici calcolati sui coefficienti dei
diversi livelli di dettaglio di una prova.
L’ esperienza sull’ uso della rete ha portato ad adottare come numero di cicli di apprendimento applicati
20000 cicli e come valore del learning rate scelto 0,01.
Al fine di accelerare la fase di apprendimento, è stata codificata una funzione per consentire la modifica
dei parametri suddetti e la ripetizione dell’ addestramento.
Al termine della fase di apprendimento la rete possedeva una matrice dei pesi IW = [8× 21] elementi.
Ogni riga della matrice rappresentava una classe creata dalla rete. Le colonne, come prima detto,
rappresentavano i 3 parametri statistici scelti (iqr, mad, std) ai 7 livelli di dettaglio.
5.
RISULTATI DELLE PROVE DOPO ELABORAZIONE
Al fine di visualizzare i risultati, si sono usate rappresentazioni grafiche che meglio possono descrivere la
separazione delle classi realizzata dalla rete e quindi l’ individuazione di quei casi che la rete riconosceva come
“ diversi” .
Nel grafico tridimensionale di fig. (5), gli assi rappresentano rispettivamente, le 21 colonne e le 8 righe
della matrice IW.
854
XXX Convegno Nazionale AIAS – Alghero (SS), 12-15 settembre 2001
Diagramma dei valori della matrice dei pesi
della rete NETB10
0,7
0,6
0,5
Classe 8
Classe 7
Classe 6
Classe 5
Classe 4
Classe 3
0,4
0,3
0,2
0,1
0
Classe 2
1
Classe 1
3
5
Classe 2
7
9 11
13 15 17
19 21
Classe 3
Classe 4
Classe 1
Classe 5
Classe 6
Classe 7
Classe 8
Fig. 5
Sull’ asse verticale è riportato il valore del coefficiente wavelet associato a ciascun elemento della
matrice. Di conseguenza, ogni curva colorata rappresenta un’ intera riga di valori, cioè una classe tra quelle
automaticamente generate dalla rete. Si può facilmente notare come alla classe 1 e alla classe 4 corrispondano
due strisce colorate dall’ andamento assai diverso da quello delle restanti classi. Le due classi sono nettamente
separate da tutte le altre.
Una visione ancora più chiara di quanto detto emerge dal grafico di fig. (6). Non potendo rappresentare
ciascuna classe in uno spazio multidimensionale (21 sono gli elementi di ciascun pattern di ingresso) si sono
scelti i tre elementi che risultano più significativi ai fini della separazione delle classi, ed esattamente gli
elementi con il valore della deviazione standard più alto. Il diagramma di figura è stato costruito considerando le
tre dimensioni corrispondenti a tre colonne della matrice (20, 13, 8) più significative. Due di queste dimensioni
sono riportate come coordinate, la terza dimensione viene rappresentata come raggio di ciascun cerchio.
Grafico bidimensionale "A Bolle" per la rete NETB10
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
Classe 1
0,1
0,2
Classe 2
Classe 3
0,3
0,4
Classe 4
0,5
Classe 5
Classe 6
0,6
0,7
Classe 7
0,8
Classe 8
Fig. 6
Da quest’ ultimo diagramma, risulta ancora più evidente, la capacità della rete a differenziare le classi
ponendo la classe 4 da una parte, e le classi 2 e 3 dall’ altra, separandole da tutte le altre, che, invece, risultano
tra loro contigue.
Analizzando i risultati relativi alla capacità della rete a differenziare, in questa prima fase, per grandi
classi, si è visto che, in tutte le prove su auto a benzina effettuate, la rete ha operato la classificazione utilizzando
soltanto tre delle otto classi definite: la classe 1, la 4 e la 3, classi che, da quanto appena affermato, non risultano
contigue. La rete quindi convergeva, con estrema facilità ad un risultato di netta separazione delle classi,
inserendo le autovetture prive di guasti nella classe 1, e quelle che ritiene “ possibili guaste” nelle classi 3 e 4.
Nel 100 % dei casi esaminati (45 prove su auto a benzina), le auto difettose sono state classificate dalla
rete come “ possibili guaste” , vale a dire nelle classi 3 e 4.
Analogo lavoro è stato eseguito con i dati ricavati dai rilievi effettuati sulle autovetture equipaggiate con
motore diesel
In questo caso, dai grafici delle figure emergono quattro classi che si separano nettamente da tutte le
altre: la classe 3, la 4, la 6 e la 8. Le altre quattro classi, invece, risultano tra loro contigue.
855
XXX Convegno Nazionale AIAS – Alghero (SS), 12-15 settembre 2001
Sia nel caso di motori a benzina che diesel, la convergenza della rete si è avuta dopo 20000 cicli
d’ apprendimento I risultati finali sull’ efficacia della rete per una classificazione esatta all’ interno delle classi di
guasto, hanno mostrato che, già in questa prima formulazione, il sistema nell’ 85% dei casi era in grado di
classificare anche per tipologia di guasto.
Per entrambi i casi, di motore (benzina, diesel), la verifica della stabilità e della capacità della rete veniva
effettuata anche con i dati rilevati dalle autovetture non usate per l’ addestramento
Un successivo miglioramento nel senso della individuazione della tipologia dei guasti si è ottenuto
ottimizzando il sistema per la definizione del guasto. Allo scopo, sono state seguite, parallelamente, le due
seguenti strade:
1. migliorare il risultato, utilizzando la stessa rete codificata in precedenza e cambiando il tipo e il numero di
dati che compongono i pattern di apprendimento.
2. cambiare il tipo di rete neurale utilizzando un apprendimento supervisionato.
Le funzioni codificate hanno permesso di variare con sufficiente rapidità i parametri d’ ingresso della rete
consentendo un certo numero di prove sulla stessa rete di tipo competitive layer creata in precedenza.
Anche in questo caso si è scelto di utilizzare tre parametri statistici (due di essi differenti dai precedenti):
• il valore medio aritmetico, mean è la funzione in Matlab
• la differenza tra massimo e minimo, range
• la deviazione standard, std.
Il massimo livello di dettaglio dei coefficienti è stato 5, di conseguenza, il numero di dati che costituiva
ciascuno dei pattern di ingresso era 15.
Il numero di prove utilizzate per l’ apprendimento è stato 24 nel caso delle auto equipaggiate con motore
a benzina e 14 nel caso delle auto con motore Diesel.
I dati di ogni pattern di ingresso sono stati normalizzati rispetto al relativo valore massimo e minimo.
Il numero di cicli di addestramento per la rete è stato per entrambi i casi (benzina, diesel) pari a 10000.
Di seguito sono riportati i diagrammi relativi a i due casi di motori suddetti (benzina, Diesel).
Utilizzando la stessa rappresentazione grafica dei casi precedenti (figg. 7a, 7b per benzina e figg.8a, 8b
per diesel) si nota, ancora una volta, un’ evidente separazione delle classi.
In particolare nel diagramma “ a bolle” per il caso di motore a benzina (risultato della elaborazione delle
45 acquisizioni) si vedono le 8 classi suddivise in tre zone distinte dello spazio bidimensionale ed emerge
chiaramente come la classe 2 sia molto differente da tutte le altre.
Anche per il caso di motore Diesel la rete, per il cui addestramento è stata costruita (seguendo la
medesima scelta di parametri statistici) una matrice del tipo D = [14 × 15] elementi, è stata in grado di
effettuare, utilizzando 10000 epoche di apprendimento, una adeguata separazioni delle classi. In particolare i
diagrammi delle figg. (9a) e (9b). evidenziano come la classe 7 e la classe 1 sono associabili a due tipologie di
guasto presenti nelle 20 autovetture sottoposte a prova. In questo caso nessuna delle prove oltre quelle prima
dette è stata riconosciuta come prova su auto guasta.
Con le scelte adottate si è avuto un incremento percentuale molto interessante, passando dall’ 85% al 91%
di precisione nella individuazione del tipo dei guasti.
Per tre prove effettuate su una autovettura caratterizzata dalla successiva fusione della biella, la rete è
stata in grado di inserire il tipo di guasto sempre nella classe 2.
Diagramma dei pesi sinattici della rete NETB20
Classe 1
Classe 2
Classe 3
Classe 4
0,4
0,3
Classe 7
0,2
Classe 5
0,1
0
Classe 3
1 3 5
7 9 11
13 15
Classe 1
Fig. 7a
856
Classe 5
Classe 6
Classe 7
Classe 8
XXX Convegno Nazionale AIAS – Alghero (SS), 12-15 settembre 2001
Grafico bidimensionale "A Bolle" della rete NETB20
0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0
0,1
0,2
0,3
Classe 1
Classe 2
Classe 3
Classe 6
Classe 7
Classe 8
0,4
Classe 4
0,5
Classe 5
Fig. 7b
Diagramma dei pesi sinattici della rete NETD2
Classe 1
Classe 2
1
Classe 3
0,8
Classe 8
Classe 7
Classe 6
Classe 5
Classe 4
Classe 3
0,6
0,4
0,2
Classe 4
Classe 5
Classe 6
Classe 7
Classe 2
Classe 8
13
15
9
Classe 1
11
5
7
1
3
0
Fig. 8a
Grafico bidimensionale "A Bolle" della rete NETD2
1,2
1
0,8
0,6
0,4
0,2
0
0
0,2
Classe 1
Classe 2
Classe 7
Classe 8
0,4
Classe 3
0,6
Classe 4
0,8
Classe 5
1
Classe 6
Fig. 8b
La rete, inoltre, ha classificato le prove effettuate su auto guaste in due classi diverse dalle restanti. La
classe 7 e la classe 1 sono facilmente associabili alle due tipologie di guasto presenti nelle 20 prove in oggetto e
visibili nei diagrammi delle figure. Questa volta, nessuna prova, al di fuori di quelle suddette, è stata
riconosciuta come prova su auto guasta.
E’ noto, che è possibile, in generale, ottenere miglioramenti nella individuazione dei guasti mediante
l’ utilizzo di una rete con fase di apprendimento di tipo supervisionato. Ciò comporta, tuttavia, una
classificazione preventiva delle prove a disposizione e addestramento della rete a catalogazione. Per ottenere
risultati attendibili, da un sistema supervisionato, è auspicabile operare, nella fase di addestramento, con
acquisizioni su un numero di guasti (differenti) di gran lunga maggiore di quello a disposizione nel presente
857
XXX Convegno Nazionale AIAS – Alghero (SS), 12-15 settembre 2001
lavoro. Nonostante ciò si è voluto mostrare ulteriormente la validità della metodologia di analisi sviluppata, con
un esempio, costruito con i dati posseduti ma, utilizzando una rete di tipo PNN, Probabilistic Neural Networs.
Senza entrare nei particolari per ragioni di spazio, si precisa che con 21 valori in ingresso, gli stessi della
rete precedente, è stata costruita una matrice di 12 colonne, ognuna delle quali nasceva dai rilievi effettuati su
auto a benzina. Ancora una volta ciascuna colonna è stata normalizzata tra il massimo e il minimo dei suoi
valori. In questo caso, sono state inserite, tra le 12, una prova per ciascuno dei casi di guasto presentatasi (difetto
all’ albero motore; punterie difettose; candela non funzionante).
E’ stata così costruita una matrice di V = [21×12] che rappresentava il validation set della rete.
Tutte le prove, costituenti il validation set, sono state classificate, come ci si aspettava, nel modo
adeguato ovvero con la separazione ed il riconoscimento dei guasti. La tabella 1 riporta il risultato
dell’ esempio. E’ opportuno ricordare, tuttavia, che, quest’ ultimo tentativo, con addestramento supervisionato,
costituisce un esempio applicativo di un ulteriore sviluppo dell’ analisi proposta giustificata dalla acquisizione di
dati su un elevato numero di guasti (almeno 10).
!"
!"
#
$
#
$
$
$
$
" "
Tab. 1 Tabella dei risultati - Validation Set
6.
CONCLUSIONI
Attraverso l’ acquisizione diretta di dati acustici rilevati in officina, è stato realizzato un sistema intelligente per
la diagnosi dei guasti su motori automobilistici.
L’ analisi di tipo wavelet, sul segnale acquisito mediante trasduttore acustico (microfono),
opportunamente posizionato ad una certa distanza dal motore, ha permesso di estrarre le informazioni
caratterizzanti il segnale (features) come parametri statistici.
La successiva classificazione dei guasti mediante reti neurali di tipo Self Organizing Networks, con
addestramento non supervisionato, è risultata idonea alla individuazione dei difetti.
Un esempio di utilizzo di reti con addestramento supervisionato (Probabilistic Neural Networks), ha dato
ulteriori indicazioni sulle possibilità di potenziare la classificazione dettagliata del difetto.
La metodologia di indagine proposta già valida per la classificazione del guasto, può essere ulteriormente
migliorata e aggiornata attraverso l’ acquisizione a frequenze diverse e mediante l’ utilizzo di sistemi di soft
computing più evoluti come CNN e Fuzzy Logic.
Quanto proposto potrebbe essere utilizzato, anche, in sistemi di controllo da ubicare sull’ autoveicolo, in
grado di diagnosticare l’ insorgere di un guasto, o nella fase di controllo della produzione di motori
automobilistici.
Bibliografia
[1] W.J. Wang, P.D.McFadden (1996) Journal of Sound and Vibration, Application of Wavelet to Gearbox Vibration Signals for Fault
Detection - Academic Press.
[2] S. K. Lee, P.R. White (1998) Journal of Sound and Vibration, The Enchancement of Impulse Noise and Vibration Signals for Fault
Detection in Rotating and Reciprocating Machinery - Academic Press.
[3] J. Lin, L. Qu (2000) Journal of Sound and Vibration, Features Extraction Based on Morlet Wavelet and its application for Mechanical
Fault Diagnosis - Academic Press
[4]S. Pittner, S.V. Kamarthi (1999) IEEE Transaction on Pattern Analysis and Machine Intelligence, Feature Extraction from Wavelet
Coefficients for Pattern Recognition Tasks – IEEE
[3] M. Cosa, A. Cocchi, L. Rocco, M. Vicoli, S. Collatino, G. Cosa, (1990) Rumore e vibrazioni, vol.I –Elementi di Acustica applicata,
Maggioli Editore – Rimini
[4] J.P. Snyder, (1987) Map projections –A working manual, US Geological Survey professional Paper 1395, Washington D.C.
858
XXX Convegno Nazionale AIAS – Alghero (SS), 12-15 settembre 2001
[5] S. Mallat, (1989) A theory for multiresolution signal decomposition: the wavelet reprsentation, IEEE Pattern Anal. And Machine Intell.,
vol.II, no.7, pp.674-693
[6] I.Daubechies, (1992) Ten lectures on wavelets, CBMS-NSF conference series in applied mathematics, SIAM ed.
[7] W.J. Wang, P.D.McFadden (1996) Journal of Sound and Vibration, Application of Wavelet to Gearbox Vibration Signals for Fault
Detection - Academic Press.
[8] S. K. Lee, P.R. White (1998) Journal of Sound and Vibration, The Enchancement of Impulse Noise and Vibration Signals for Fault
Detection in Rotating and Reciprocating Machinery - Academic Press.
[9] J. Lin, L. Qu (2000) Journal of Sound and Vibration, Features Extraction Based on Morlet Wavelet and its application for Mechanical
Fault Diagnosis - Academic Press
[10] S. Pittner, S.V. Kamarthi (1999) IEEE Transaction on Pattern Analysis and Machine Intelligence, Feature Extraction from Wavelet
Coefficients for Pattern Recognition Tasks – IEEE
[11] Kohonen T., (1987) Self-organizing and Associative Memory, 2nd Edition, Berlino - Spring-Verlg.
859