基于神經網絡的柴油機故障診斷

楊 志董振良萬金波

（1.華北電力大學機械工程系，河北 保定 071003；2.大唐國際發電股份有限公司張家口發電廠，河北 張家口 075000）

在現代生產過程中，柴油機作為常見的機械設備之一，廣泛應用于動力發電、工程機械等各種領域，其動力性和可靠性的好壞直接影響著整個系統的工作狀況。因此，對柴油機進行故障診斷和狀態監測，及時發現并排除故障，對增加柴油機工作狀態下的安全性與可靠性，減少經濟損失，避免事故發生具有重大的意義。傳統的柴油機故障診斷與處理方法包括潤滑油法、振動噪聲法等，但都是以定期保養和事后維修為主，這些方法缺乏事故預見能力、成本高、效率低[1]。隨著計算機技術、信號分析處理技術、人工智能的迅猛發展，柴油機故障診斷技術的水平也在不斷地提高。以非線性并行分布處理為主的神經網絡為柴油機故障診斷技術的研究開辟了新的途徑[2]。經過對柴油機的故障資料進行分析，柴油機的渦輪增壓系統發生的故障較多，本文只研究柴油機渦輪增壓系統故障的診斷，利用MATLAB神經網絡工具箱，分別基于BP、RBF和Elman網絡進行柴油機的故障診斷，并對三種網絡方法診斷結果的可靠性和適用性進行比較和分析。

1 渦輪增壓系統的故障分析

根據對柴油機工作過程的分析和實際運行經驗，可以確定渦輪增壓系統的出現的工作故障的原因和部位主要有：增壓器效率下降、空冷器傳熱惡化、透平保護格柵阻塞、透平通流部分、空氣濾清器阻塞、空冷器空氣測流阻塞增大和廢熱鍋爐流阻增大。其中后三項故障可以直接由部件特性參數診斷得出，系統的工作狀況和前四項故障原因作為網絡輸出變量由建立的神經網絡進行故障診斷，確定柴油機渦輪增壓系統是否處于安全運行中。柴油機渦輪增壓系統工作狀況下可以得到的征兆變量包括排氣總管溫度、掃氣箱壓力、平均燃燒最大爆發壓力、掃排氣道壓損系數、增壓器轉速、壓氣機出口溫度、掃氣箱溫度、空冷器壓損系數、濾網壓損系數、廢氣鍋爐壓損系數和柴油機工作負荷參數，共11項可以作為網絡的輸入變量。

根據某型號柴油機技術規范要求，可以得到柴油機無故障時的數據，如下所示[3,4]。

● 氣缸排氣溫度： 30K

● 掃氣箱壓力： 0.06MPa

● 最大爆發壓力： 1MPa

● 濾網壓損系數： 0.1

● 增壓器轉速： 1500r/min

● 空冷器壓損系數： 0.1

● 廢氣鍋爐壓損系數：0.1

● 掃排氣道壓損系數：0.06

● 壓氣機出口溫度： 30K

● 掃氣箱溫度： 40K

其中，由于濾網壓損系數、空冷器壓損系數和廢氣鍋爐壓損系數可以作為部件特性系數，直接進行診斷，所以，排氣總管溫度、掃氣箱壓力、最大爆發壓力、增壓器轉速、掃排氣道壓損系數、壓氣機出口溫度、掃氣箱溫度和柴油機負荷作為網絡的輸入變量。由神經網絡診斷出的數據參數上下偏差超過以上數據時，則認為柴油機有故障。

2 神經網絡模型

2.1 BP神經網絡

BP學習算法的基本原理是梯度最快速下降法，通過梯度搜索使網絡的實際輸出值和期望輸出值的誤差均方值為最小。BP神經網絡是誤差反向傳播算法的學習過程，如圖1所示，輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求；傳遞到輸出層各神經元的信息，完成學習的正向傳播處理過程，由輸出層向外界輸出信息處理[5,6]。

圖1 BP神經網絡結構

2.2 RBF神經網絡

RBF神經網絡屬于前向神經網絡類型，如圖2所示。第一層為輸入層，由信號源結點組成；第二層是隱含層，隱含層中神經元的變換函數是非線性函數，傳遞函數為radbas；第三層為輸出層，傳遞函數為線性函數purelin,對輸入模式作出響應[7]。

RBF神經網絡的基本原理是前饋式神經網絡，它具有最佳逼近性能和全局最優特性，并且結構簡單，訓練速度快，在模式識別、非線性函數逼近等領域的神經網絡模型方面應用廣泛[8]。

2.3 Elman神經網絡

Elman神經網絡是一個具有局部記憶單元和反饋連接的局部前向回歸網絡，主要結構是前饋連接，包括輸入層、隱含層、承接層和輸出層，其中承接層從隱含層接收反饋信號，用來記憶隱含層神經元的輸出值，經過延遲和存儲，在輸入到隱含層中，這樣對歷史數據具有敏感性，增強了網絡的動態信息處理能力[9]。

圖2 RBF網絡結構

3 網絡設計

3.1 樣本數據選取與處理

確定正確的訓練樣本集是神經網絡能夠準確故障診斷的一個關鍵環節，柴油機渦輪增壓系統的每一種故障都對應著一個樣本，樣本的目標值取0,0.5和1來表示診斷出故障的嚴重程度。確定訓練樣本，分別取滿負荷運行、90%負荷運行、70%負荷運行和半負荷運行四種狀況下的數據集，現抽取其中的9組數據作為訓練樣本，3組數據作為測試樣本。由于原始數據幅值不同，甚至相差很大，直接在網絡中使用學習速率會變得很慢，無法反應出小的測量值變化，所以要先將訓練樣本進行歸一化處理，處理后的數據對于網絡更容易訓練和學習[10]。歸一化函數如下所示：

式中：Xi表示歸一化后的測試數據，xi表示原始的測試數據，A表示相應的無故障情況下的基準值，B表示最大偏差值的絕對值。

3.2 建立網絡并故障診斷

3.2.1 BP神經網絡

根據試湊法，選取隱含層節點數為12，第一層傳遞函數使用tansig函數，第二層傳遞函數使用logsig函數，訓練函數為trainlm函數，訓練次數3000，訓練目標0.01，學習速率為0.1。

如圖3所示,經過32次訓練后，網絡的性能達到了要求。

圖3 BP網絡訓練結果

利用訓練好的BP網絡對測試樣本進行測試，測試代碼為yi=sim(net,pi)i=0,1,2測試結果為：y1=0.0000 0.9999 0.0000 0.0036 0.0000;y2=0.21050.0000 0.5245 0.0000 0.0059y3=0.0000 0.0014 0.0000 1.0000 0.0000測試結果表明，經過訓練后，網絡可以滿足柴油機渦輪系統故障診斷的要求。

3.2.2 RBF神經網絡

由于樣本數目比較小，將徑向基分布常數設定為1.2，由此，利用MATLAB創建一個RBF神經網絡如下：spread=1.2;net=newrbe(P,T,spread);經過訓練后，對策是樣本進行測試，測試結果如下：y1=0.0000 1.0550-0.189-0.0758 0.0147;y2=0.0000-0.0018 0.5196 0.0055-0.0087;y3 = 0.0000 0.0202 -0.0111 0.9804 0.0028測試結果表明，網絡成功診斷出了所有故障。

3.2.3 Elman神經網絡

創建單隱層的Elman神經網絡，最影響函數性能的是隱含層節點數，通過考慮網絡的速度與性能，將隱含層節點數定為15，創建網絡如下所示：net=newelm(minmax(P),[15,5],{'tansig','logsig'})net.trainParam.epochs =500;net.train－Param.goal=0.01;net=train(net,P,T);

如圖4所示，經過訓練和對數據測試后，結果如下所示：y1=0.0232 0.8539 0.0050 0.2311 0.0021;y2 = 0.0112 0.0291 0.4829 0.0468 0.0447;y3 = 0.0129 0.2031 0.0146 0.7644 0.0204

圖4 Elman神經網絡訓練結果

測試結果雖然誤差較大，但可以測試樣本的故障診斷結果。

4 結語

(1)采用神經網絡建立故障診斷模型，能夠客觀的反映柴油機是否故障及嚴重情況，三種網絡均能夠滿足故障診斷的要求；(2)BP網絡具有很強的非線性映射能力，在柴油機故障診斷中應用很成功，但由于BP網絡是前向的神經網絡，所以收斂速度比較慢，而且有可能收斂到局部極小點；RBF神經網絡收斂速度快，當函數的擴展速度spread越大，函數擬合就越平滑，如果數值過大，會使傳遞函數的作用擴大到全局，喪失了局部收斂的優勢，所以在網絡設計中需要嘗試確定最優解；Elman網絡的訓練誤差曲線比BP網絡要平滑，收斂速度很快，能準確的識別所有故障類型，但相對于BP網絡和RBF網絡，Elman網絡的識別誤差更大，但并沒有影響所建立模型的應用。(3)由于樣本量比較小，對于和訓練數據相差很大的數據，所建立的網絡可能無法正確診斷。在實際應用中要采用大容量的訓練樣本，并對樣本數據進行分析和檢查，如利用小波方法處理非正常的高峰值波動數值等[11]。

[1]張蕾.融合技術在柴油機故障診斷中的應用[J].小型內燃機與摩托車，2002，31（3）：33-36.

[2]汪云，張幽彤.神經網絡在電控柴油機實時的故障診斷[J].汽車工藝與材料，2001，（1）：38-40.

[3]馬旭凱，谷立臣，李世龍.基于SOM神經網絡的柴油機故障診斷 [J].機械制造與研究，726-731.81-83.

[4]丁艷君，吳占松.鍋爐煙氣排放檢測軟件傳感器[N].清華大學學報（自然科學版），2002，42（12）：1636-1638.

[5]李玉峰，劉玫.基于動量BP網絡的柴油機故障診斷[J].控制工程，2007.

[6]傅薈璇，趙紅等.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2010.

[7]朱大奇，史慧.人工神經網絡原理及應用[M].北京：科學出版社，2006.

[8]Luce H，Govind R.Neural network pattern recognizor for detection of failure modes in the SSME[J].AIAA90-1893.

[9]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2006.

[10]張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2009.