基于模糊神經網絡的RT-flex柴油機燃油系統故障診斷

張國嶺(大連海事大學 輪機工程學院，遼寧 大連 116026)

維修理論

基于模糊神經網絡的RT-flex柴油機燃油系統故障診斷

張國嶺
(大連海事大學 輪機工程學院，遼寧 大連 116026)

介紹了RT-flex60C柴油機燃油系統的常見故障類型，針對其故障類型提出了以傳統的BP神經網絡為主，利用模糊理論作為補充的一種智能故障診斷方法。建立了基于模糊BP神經網絡的故障診斷模型，并運用MATLAB軟件進行了仿真測試研究，闡明了該方法的有效性。

燃油系統；模糊神經網絡；故障診斷

柴油機燃油系統因其結構比較復雜，故障率較高，英國柴油機工程師與用戶協會提供的資料表明，造成柴油機停機故障的原因中，有27%是燃油系統故障[1]。

近十幾年來，高壓共軌燃油系統受到業界越來越多的青睞,其在降低油耗、改善排放、噴油正時和噴油率優化控制方面占據絕對的優勢[2]。因此，開展共軌柴油機故障診斷的研究也是相當必要，有著重要的意義。

本文提出了基于模糊BP神經網絡的一種智能故障診斷方法。故障診斷系統首先將采集的RT-flex60C型柴油機燃油系統故障征兆參數，進行模糊化處理后作為BP神經網絡的輸入，然后利用BP神經網絡的聯想記憶能力進行燃油系統故障模式識別，輸出層推理出該系統的故障診斷結果。

1 RT-flex60C柴油機燃油系統常見故障分析

本文在故障診斷研究的過程中選擇燃油系統的供給部分和RT-flex系列柴油機特有的共軌系統作為研究對象。

燃油供給單元主要包括燃油供給泵、燃油循環泵、燃油混合桶、霧化加熱器和自清濾器等，它們的相互關系如圖1所示。

RT-flex系列柴油機的電控共軌技術能夠實現對燃油噴射與排氣閥執行機構的智能控制，可以自由選擇噴射壓力、氣閥正時，實現低NOx排放、高燃燒效率以及在所有負荷狀態下無煙運行，最低穩定轉速可低至額定轉速的10%～12%且仍保持無煙運行，還可以設置特殊的氣閥正時，用于緊急停車和快速加載[3]。

RT-flex60C柴油機共軌系統由燃油共軌系統、伺服油共軌系統、控制油系統和WECS9500控制系統組成，其基本結構如圖2所示。在該系統中，取消了凸輪軸裝置， WECS9500控制系統根據曲軸轉角傳感器判斷，通過電磁閥打開相應的汽缸啟動閥，使3.0 MPa啟動空氣進入柴油機汽缸，進行柴油機的啟動。同樣，由圖2可知排氣閥啟閉時刻以及燃油的噴射定時和噴射量的控制也是由WECS9500控制系統通過電磁閥控制20 MPa的伺服液壓油進行相應的控制。

圖2 RT-flex共軌系統基本結構圖

本文中研究的幾個燃油系統常見的故障類型及相應的參數變化如表1所示，其相應的參數變化可以通過各種傳感器測量獲得。

表1 RT-flex60C柴油機燃油系統常見故障類型及參數變化

2 模糊神經網絡故障診斷模型

2.1模糊神經網絡理論

將模糊理論和神經網絡結合起來組成的模糊神經網絡既能處理專家經驗和知識，又能通過自我學習來增加系統的判斷能力。本文中，故障征兆參數經過模糊化處理后輸入到神經網絡中，使網絡輸入參數更加規則，這樣可以克服BP神經網絡本身具有的根本缺陷(當網絡輸入不規則時，可能導致BP神經網絡的收斂速度緩慢，甚至無法收斂)[4]。二者的結合方式如圖3所示的串聯型結合方式。

圖3 串聯型結合圖

在模糊理論的實際應用中，如何確定模糊集的隸屬函數便是我們需要解決的首要問題[5]。在很多情況下，通常用一些常用的分布函數來近似地作為隸屬函數，從而來描述一些模糊變量，這是最簡單有效的方法[6]。本文選擇半梯形分布函數作為故障征兆參數的隸屬度函數。

2.2模糊神經網絡的結構

本文的模糊神經網絡設置為4層，分別為模糊化層、輸入層、中間層和輸出層，其結構如圖4所示。

圖4 模糊BP神經網絡結構圖

2.2.1 模糊化過程

根據采集到的故障征兆參數，建立其隸屬度函數。本文選擇半梯形分布函數作為故障征兆參數的隸屬度函數，對采集到的故障征兆參數進行模糊化處理。所以隸屬度函數為：

(1)

式中：A(x)為模糊化后的值;x為故障征兆變量的原始值；a、b分別為故障征兆變量原始值中的最小值和最大值。

所采集到的燃油系統故障征兆參數如表2，其中P1為供給泵出口壓力，P2為霧化加熱后燃油黏度，P3為霧化加熱后燃油溫度，P4為高壓油泵出口壓力，P5為共軌壓力，P6為啟閥壓力，P7為伺服油泵出口壓力；T1為燃油供給泵故障，T2為霧化加熱器故障(加熱不良)，T3為高壓油泵故障，T4為燃油共軌故障，T5為噴油器故障，T6為伺服油泵故障。

表2 故障征兆參數

經過模糊化處理后的參數結果如表3。

表3 模糊化處理后的結果

2.2.2 輸入層

輸入層神經元個數是根據采集到的故障征兆參數的種類來確定的，本文將采集到的故障征兆參數如前所述，共7個，所以神經網絡的輸入層神經元數為7個。

2.2.3 輸出層

輸出層神經元的個數取決于故障類型的種類，本文采集的故障類型如前所述，共6個，所以BP網絡的輸出層神經元個數為6個。

根據表4中采集到的數據和其對應的故障類型，可得BP神經網絡訓練的期望輸出，即表4中故障征兆參數所對應的故障模式。

表4 故障模式

2.2.4 隱含層

隱含層的節點數由經驗公式來確定，經驗公式如下：

n2=2n1+1，

(2)

式中:n1為輸入層節點數；n2為隱含層節點數。

本文中BP神經網絡輸入層節點數n1為7，所以根據經驗公式可得隱含層神經元個數的初始值為15，本文先以隱含層神經元個數為15進行網絡訓練，觀察網絡訓練效果。

2.3神經網絡的訓練

網絡訓練選擇常用的S型正切函數tansig作為隱含層神經元的傳遞函數，由于經過神經網絡訓練后的輸出應該在0和1之間，然后再根據最大隸屬度原則判斷故障類型，因此，選擇S型對數函數logsig作為輸出層神經元的傳遞函數，這恰好滿足網絡的要求。

網絡的訓練函數通常選取傳統的梯度下降法traingd訓練函數，但是這種傳統的訓練函數往往會造成網絡的收斂過程特別慢，通常需要幾千步、甚至上萬步才能收斂。因此，人們需要找到提高BP神經算法收斂速度的方法，本文采用traingdx訓練函數(有動量和自適應學習速率的梯度下降法)，這樣能在保證網絡收斂精度的同時有效地提高網絡的收斂速度。訓練步長設置為1 000，全局誤差設定為0.001。

運用MATLAB軟件的語句編程進行仿真測試，主要代碼如下：

net=newff(minmax(P),[15,6],{‘tansig’,’logsig’},’traingdx’);

net.trainParam.epochs=1 000;

net.trainParam.goal=0.001;

[net,tr]=train(net,P,T)。

取表3中模糊化后的數據P作為神經網絡的輸入數據，期望輸出數據為T，對網絡進行訓練。

經過198步的訓練后網絡性能達到要求，網絡訓練曲線如圖5所示。

訓練結果表明，本文提出的網絡結構即對采集到的參數進行模糊處理，使輸入參數變的更加規則；同時又對傳統的神經網絡進行改進，采用了有動量和自適應學習速率的traingdx訓練函數，這2種改進措施大大改善了網絡的訓練效果。

圖5 網絡訓練曲線圖

3 模糊BP神經網絡故障診斷

以先用訓練樣本本身數據(如表3所示)送入到訓練完成的網絡中，觀察網絡是否能夠對自身數據進行識別，其識別結果如表5所示，從中我們可以觀察到自身數據檢測正確率為100%。

表5 自身數據識別結果

再取4組實際采集的數據進行測試，如表6所示，4組數據正好對應著4種故障類型。首先對采集的數據進行模糊化處理，處理結果如表7所示，將經過模糊化處理的測試數據送入到訓練好的網絡中，觀察故障的識別效果。

通過MATLAB軟件的仿真測試，測試結果如表8所示。

表6 故障數據

表7 模糊化處理結果

表8 測試結果

診斷數據可以看出，診斷結果已經能夠準確識別4種故障類型，診斷誤差為0.217 7、0.285 4、0.171 3和0.058 2，可以看出診斷誤差已經可以滿足燃油系統故障診斷的實際工作需要了。

4 結束語

本文分析了RT-flex60C柴油機燃油系統的供給部分和共軌系統的常見故障類型和故障征兆參數變化情況。對傳統的神經網絡進行了改進，首先對網絡輸入參數進行模糊處理，使其更加規則，其次采用了有動量和自適應學習速率的traingdx訓練函數進行網絡的訓練，從而提出了模糊神經網絡進行故障診斷的方法，并建立了模糊BP神經網絡故障診斷模型。最后運用MATLAB軟件進行仿真模擬，仿真結果表明本文提出的故障診斷方法和模型具有簡單、快速、準確的特點，是一種實用的智能故障診斷方法。

[1]何俊強，李建勇，江濤濤，等．GASA-SVM改進算法及其在柴油機供油系統故障診斷中的應用[J]．西南科技大學學報，2011,26(2)：44-48．

[2]尹成彬，歐大生，張曉懷，等．船用共軌柴油機燃油噴射系統控制策略研究[J]．柴油機，2012，35(5)：22-26．

[3]周春東．關于柴油機高壓共軌燃油噴射系統評析[J]．武漢航海，2010，5(1)：5-7．

[4]于洪波．船舶燃油供給系統故障診斷研究[D]．大連：大連海事大學，2012．

[5]王生昌，趙永杰，許青杰．基于自適應模糊神經網絡的故障診斷方法[J]．汽車工程，2006，28(4)：398-400．

[6]熊瑞庭．基于模糊神經網絡的電梯故障診斷系統的研究[D]．武漢：武漢理工大學，2010．

The common faults of the engine fuel oil system RT-flex60C were introduced in this paper.According to these faults,an intelligent fault diagnosis method based on fuzzy theory was presented as a supplement to the traditional BP neural network.The fault diagnosis model was established based on the fuzzy BP neural network.At last,the MATLAB software is used to simulate and test,which clarified the validity of this fault diagnosis method.

fuel oil system;fuzzy neural network;fault diagnosis

U672

10.13352/j.issn.1001-8328.2015.02.014

張國嶺(1989-)，男，河北唐山人，在讀碩士研究生，主要從事輪機工程研究。

2014-09-15