基于BP神經網絡的4135柴油機故障診斷

陜西西安石油大學 機械工程學院 尚 奇

基于BP神經網絡的4135柴油機故障診斷

陜西西安石油大學 機械工程學院 尚 奇

柴油機故障具有診斷對象多、特點不一、關系復雜的特點。柴油機屬于往復機械范疇，其運動學、動力學形態相當復雜，而神經網絡具有處理復雜多模式及進行聯想、推測和記憶的功能，并且具有很強的實時性，因此將神經網絡應用于故障診斷系統，可以有效解地決問題。本文，筆者提出一種基于學習率可變的BP網絡的柴油機故障診斷模型。仿真結果表明，該算法識別效果較好，適用于柴油機故障診斷系統。

一、學習率可變的BP算法

1. BP神經元及BP網絡模型。BP神經元模型見圖1。BP神經元與其他神經元類似，不同的是BP神經元的傳輸函數為非線性函數，最常用的函數是logsig和tansig函數，有的輸出層也采用線性函數（purelin）。其輸出為：

圖1 BP神經元

如果多層BP網絡的輸出層采用S形傳輸函數（如logsig），其輸出值將會限制在一個較小的范圍內（0，1）；而采用線性傳輸函數則可以取任何值。

2. 學習率可變的BP算法。在最速下降的BP算法和動量BP算法中，其學習率是一個常數，在整個訓練的過程中保持不變，學習算法的性能對于學習率的選擇非常敏感，學習率過大，算法可能振蕩而不穩定；學習率過小，則收斂的速度慢，訓練的時間長。而在訓練之前，要選擇最佳的學習率是不現實的。

自適應調整學習率的梯度下降算法，在訓練的過程中，力圖使算法穩定，而同時又使學習的步長盡量地大，學習率則是根據局部誤差曲面作出相應的調整。當誤差以減小的方式趨于目標時，說明修正方向正確，可使步長增加，因此學習率乘以增量因子kinc，學習率增加；而當誤差增加超過事先設定值時，說明修正過頭，應減小步長，因此學習率乘以減量因子kdec，使學習率減小，同時舍去使誤差增加的前一步修正過程，即

二、柴油機故障及其特征參數的描述

實驗中共設置了出油閥磨損、供油提前角晚、 供油提前角早、供油壓力低、供油壓力高和油路泄露6種故障。

1. 實驗數據采集。對4135柴油機狀態檢測和故障診斷的參數采集是利用裝在噴油器入口的壓力傳感器和裝在柴油機缸頭的加速度傳感器來實現的，采樣頻率f為25kHz，數據長度為10 240。振動傳感器選用北戴河無線電一廠生產的YD系列壓電式加速度傳感器，壓力傳感器為寶雞晶體管廠生產的CYG30固態壓阻傳感器，電荷放大器為北戴河無線電一廠生產的DHF-6系列電荷放大器。

2. 特征提取。為了提高診斷的可靠性，需在檢測信號中提取反映故障特征的信息，為此，以提取信號時域波形的動態指標作為特征參數。設x為檢測信號，T為觀測時間（離散數據點數為N），所采用的動態指標有8個，分別為峰值（xp）、絕對平均值（μ|x|）、均方根值（Ψx）、方根幅值（xr）、波形指標（K）、脈沖指標（I）、峰值指標（G）和裕度指標（L）。

三、診斷實例

該柴油機故障診斷系統采用BP網絡，它由輸入層、隱層和輸出層構成。輸入層神經元數為故障診斷系統特征參數個數，故有8個神經元；輸出層神經元數就是故障類型數，共有6個：f1出油閥磨損，f2供油提前角晚，f3供油提前角早，f4供油壓力低，f5供油壓力高，f6油路泄露。則輸出目標函數F=[f6，f5，f4，f3，f2，f1]。輸入樣本見表1，神經網絡期望輸出見表2，1表示故障存在，0表示故障不存在。表1中輸入特征向量由峰值、絕對平均值、均方根值、方根幅值、波形指標、脈沖指標、峰值指標、裕度指標等8個動態指標構成，即X={xp，μ|x|，Ψx，xr，K，I，G，L }。神經網絡輸出結果見表2。

表1 輸入樣本

表2 檢驗結果

四、結論

從表2中可以看出，本文所采用的神經網絡算法對柴油機故障診斷的結果是非常準確的，而且精度高。這說明神經網絡一旦訓練好后，就可用來診斷相應的故障，達到預期的目的，這體現了神經網絡具有很強的存貯能力和記憶能力，以及強大的聯想能力和推測能力，應用在故障診斷領域是切實可行的，并且具有廣闊發展前景。