基于神經網絡的柴油機故障診斷研究

[摘要]本文給出了神經網絡模型在預測過程中的學習算法和改進的神經網絡的訓練算法，并用于柴油發動機運行中的故障預測，經過多種柴油機的試驗證明試驗結果滿意，對故障的實時檢測有重要意義，具有良好的應用前景。

[關鍵詞]神經網絡 柴油發動機 故障診斷

一、柴油機的主要結構

柴油機的結構非常復雜，而且不同用途的柴油機結構也不盡相同，下面以機車柴油機為例，簡單介紹其主要結構：

（1）固定件：包括機體、氣缸蓋、氣缸套等，它是柴油機的骨架和所有零部件的安裝基礎；（2）運動件：包括活塞、連桿、曲軸等，是實現能量轉換的重要部件；（3）配氣機構：主要由凸輪軸、氣門等組成，它控制著進、排氣管道的開啟和關閉；（4）進、排氣系統：主要由增壓器、中冷器、濾清器及進、排氣管道等組成，完成換氣；（5）燃油系統：是柴油機的重要組成部分，其工作狀態直接影響著柴油機的工作性能。其中噴油泵、噴油器及高壓油管是其重要結構；（6）調控系統：以調速器為核心，實現對柴油機供油量的調節；（7）機油系統：為運動摩擦表面提供充足的潤滑油，保證柴油機的正常工作；（8）冷卻系統：適時地降低零部件的溫度，保證柴油機的正常工作；（9）其他輔助系統：包括啟動系統、靜液壓系統等，協助柴油機完成正常工作。

二、柴油機故障診斷的方法

故障診斷技術，是指在發動機不解體或局部解體的情況下確定其技術狀況，查明其故障部位及原因的檢查方法。該技術是運用現代測試設備和計算機技術來確定發動機的技術狀況和故障的科學分析方法，是在傳統的人工檢驗的基礎上隨著社會的進步和科學技術的提高而逐步發展起來的。下面介紹幾種典型的對柴油機進行故障診斷的方法。

1.振動分析法

2.應用鐵譜和光譜技術監測柴油機磨損狀況

3.熱力參數分析法

4.油液分析法

5.基于灰色系統理論的故障診斷方法

6.基于神經網絡的故障診斷法

7.基于專家系統的智能化診斷方法

8.基于支持向量機的柴油機故障診斷方法

9.基于模式識別對柴油機故障進行診斷

三、基于BP神經網絡的柴油機故障診斷的深入研究

1.人工神經網絡概述

人工神經網絡（ANN）是一類非常有效的預測技術。ANN模擬人的直觀性思維，特色在于信息的分布式存儲和并行協同處理，具有集體運算和自適應學習的能力。

故障預測的神經網絡主要以兩種方式實現預測功能，一是以神經網絡（如BP網絡）作為函數逼近器，對機組工況的某參數進行擬合預測；二是考慮輸入輸出間的動態關系，用帶饋連接的動態神經網絡對過程或工況參數建立動態模型而進行故障預測。動態神經網絡的預測是一個對動態時序建模的過程。人們已經提出了許多有效的網絡結構，其中包括全連接網絡以及各種具有局部信息反饋結構的網絡模型等，這些網絡一個共同的特點是其輸出不僅取決于當前輸入，還依賴于網絡過去的狀態，網絡本身具有相應的動態結構，其預測是動態預測，因而在實際的非線性動態系統的建模和預測中得到了成功的應用。但是動態神經網絡在結構上遠比前饋網絡結構復雜，其樣本訓練也較困難，因此合理地降低網絡結構的復雜性，簡化網絡的學習算法將是實際應用中需要研究解決的問題。

2.基于神經網絡的預測原理

（1）正向建模。

正向建模是指訓練一個神經網絡表達系統正向動態的過程，這一過程建立的神經網絡模型稱為正向模型。正向模型的結構如圖1所示，其中神經網絡與待辨識的系統并聯，兩者的輸出誤差用做網絡的訓練信號。顯然，這是一個典型的有教師學習問題，實際系統作為教師，向神經網絡提供算法所需的期望輸出。當系統是被控對象或傳統控制器時，神經網絡多采用多層前向網絡的形式，可直接選用BP網絡或它的各種變形。而當系統為性能評價器時，則可選擇再勵學習算法，這時網絡既可以采用具有全局逼近能力的網絡，如多層感知器，也可選用具有局部逼近能力的網絡，如小腦模型關節控制器（CMAC）等。

（2）逆向建模。

建立動態系統的逆模型，在神經網絡控制中起著關鍵作用，并且得到了特別廣泛的應用。圖2為直接逆建模的模型結構。從原理上說，這是一種最簡單的方法。由圖可見，逆預報的系統輸出作為網絡的輸入，網絡輸出與系統輸入比較，相應的輸入誤差用于訓練，因此網絡將通過學習建立系統的逆模型。但是如果所辨識的非線性系統是不可逆的，利用上述方法，將得到一個不正確的逆模型。因此，在建立系統逆模型時，可逆性應該事先有所保證。

為了獲得良好的逆動力學特性，應妥善選擇網絡訓練所需的樣本集，使其比未知系統的實際運行范圍更大。但實際工作時的輸入信號很難事先給定，因為控制目標是使系統輸出具有期望的運動，對于未知被控系統期望輸入不可能給出。另一方面，在系統預報中，為保證參數估計算法的一致收斂，必須使用一定的持續激勵的輸入信號。

（3）神經網絡預測模型。

一個單隱層BP網絡可以實現任意的n維到m維的非線性映射，而且當各節點均采用S型函數時，一個隱含層就足以實現任意判決分類問題。圖1所示的為三層BP網絡診斷模型。將故障征兆作為輸入層節點，故障原因作為輸出層節點，利用隱層實現輸入到輸出的非線性映射關系。輸入層至隱層以及隱層至輸出層的傳輸函數，均選用S型函數tansig。

四、柴油發動機故障預測實例

柴油機故障預測在實時控制和保證動力系統可靠運行方面起著重要的作用，它已經成為動力系統中現代性能管理系統的一個主要組成部分。在發動機不解體的情況下，若能及時預測并正確判斷故障部位和原因，將大大提高動力系統的使用可靠性和安全性，減少修理盲目性，縮短修理時間。柴油發動機具有非線性傳遞特性，其運行時的振動信號已被證明是非平穩隨機過程，利用其進行故障預測，是目前行之有效的預測方法。

1.BP網絡設計

BP網絡是系統預測中應用特別廣泛的一種網絡形式，因此，采用BP網絡對柴油發動機故障進行預測。根據BP網絡的設計網絡，一般的預測問題都可以通過單隱層的BP網絡實現。由于輸入向量有7個元素，所以網絡輸入層的神經元有7個，根據Kolmogorov定理，可知網絡中間層的神經元可以取10個。而輸出向量有3個，所以輸出層中的神經元應該有3個。網絡中間層的神經元傳遞函數采用S型正切函數tansig

輸出層神經元傳遞函數采用S型對數函數logsig。這是因為函數的輸出位于區間［0，1］中，正好滿足網絡輸出的要求。

2.網絡訓練及實驗結果

神經網絡按這樣的方式進行訓練：一個網絡對一個通道的傳遞函數進行建模。在系統不正常的情況下，受訓網絡提前就不正常。預測網絡的輸出與實際系統相比較，根據比較的結果，通過模糊推理實行仿人的決策。誤差信息（即偏離正常狀態）和該誤差信號的歷史（即誤差的變化）可以成為模糊元件輸入的一部分。例如，以前診斷的結果是“不正常”，誤差和誤差變化在增加，則我們可以證實系統的性能在變壞。



神經網絡訓練曲線如圖3.5-3所示。當在給出誤差精確度為10-12級的時候，BP神經網絡在29步的時候就完成了訓練。此圖表說明了BP神經網絡的仿真效果明顯。網絡經過訓練后才可以用于柴油機故障預測的實際應用。經過實際運行，神經網絡得到某4個時刻柴油發動機的故障特征預測表如表3所示。T1表明柴油發動機高壓油泵發生故障。經實際運行，高壓油泵果然出現故障。檢查發現高壓油泵不供油。進一步診斷判斷，是高壓油泵花鍵接盤與傳動齒輪的兩個固定螺絲松脫造成的。T2為進氣量少，T3為高壓油泵故障，T4也為高壓油泵故障。經檢查果然如此。

通過上述學習訓練，網絡獲取了診斷柴油機故障知識，這些知識是以分布在網絡內部的連接權值隱性表達。網絡根據輸入值分析部分結果表明：對于已學習的樣本知識，網絡輸出與期望結果相等，說明網絡能夠正確診斷故障。對于輸入稍微偏離的樣本，其輸出表現接近樣本輸入的傾向，說明網絡具有一定的容錯能力。因此，只要樣本正確，用此網絡征兆可以較好地診斷出故障的類別。

五、總結

本文給出了神經網絡模型在預測過程中的學習算法和改進的神經網絡的訓練算法，并用于柴油發動機運行中的故障預測，經過多種柴油機的試驗證明試驗結果滿意，對故障的實時檢測有重要意義，具有良好的應用前景。

但是在人工神經網絡信號處理的模式識別方面，仍有很多工作要做，除BP網絡外，自適應濾波網絡，小波神經網絡，狀態記憶網絡等都在柴油機振動信號處理方面有著良好的應用前景。對這些網絡的進一步研究將為柴油機故障診斷提供更廣泛的手段。最近，人們開始試圖將人工神經網絡與專家系統、模糊邏輯等結合，不斷地改進人工神經網絡的算法，以期更有效地進行柴油機故障監測與診斷。

參考文獻：

［1］齊明俠.大型柴油機故障診斷系統智能化的研究［D］.博士學位論文，石油大學（北京），1999.

［2］曹龍漢，曹長修，孫穎楷等.柴油機故障診斷技術的現狀及展望［D］.重慶大學學報，2001，24（6）：45-48.

［3］曹龍漢.柴油機智能化故障診斷技術［M］.北京：國防工業出版社，2005，1：11-13.

［4］張維新，張俊峰.柴油機故障診斷技術趨向分析［J］.天津航海.

（作者單位：浙江理工大學機械與控制學院）

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。