基于BP神經(jīng)網(wǎng)絡(luò)的柴油機燃油系統(tǒng)故障診斷

西安武警工程大學(xué)裝備工程學(xué)院 鄧春澤

西安武警工程大學(xué)信息工程系 楊尚東

石家莊武警士官學(xué)校 丁娜娜

基于BP神經(jīng)網(wǎng)絡(luò)的柴油機燃油系統(tǒng)故障診斷

西安武警工程大學(xué)裝備工程學(xué)院 鄧春澤

西安武警工程大學(xué)信息工程系 楊尚東

石家莊武警士官學(xué)校 丁娜娜

通過設(shè)計BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層，建立了柴油機燃油系統(tǒng)故障診斷的BP神經(jīng)網(wǎng)絡(luò)模型，并對7種柴油機燃油系統(tǒng)的故障進行了診斷，診斷結(jié)果說明該模型可以有效診斷柴油機燃油系統(tǒng)的故障。

故障診斷；BP神經(jīng)網(wǎng)絡(luò)；故障特征

0 引言

柴油機故障診斷技術(shù)，是對柴油機運行狀況進行實時監(jiān)測，不僅能及早發(fā)現(xiàn)故障征兆，防止事故發(fā)生，同時能節(jié)省維修時間、降低維修費用，能夠帶來巨大的軍事、經(jīng)濟效益。BP網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，它的名字源于在網(wǎng)絡(luò)訓(xùn)練中，調(diào)整網(wǎng)絡(luò)權(quán)值的訓(xùn)練算法是誤差反向傳播學(xué)習(xí)算法，即BP學(xué)習(xí)算法。由于它結(jié)構(gòu)簡單，可調(diào)參數(shù)多，訓(xùn)練算法多，可操控性好，因而可以利用BP神經(jīng)網(wǎng)絡(luò)對柴油機燃油系統(tǒng)的故障進行診斷分析。

1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation Network)可在任意希望的精度上對一連續(xù)函數(shù)進行任意逼近。標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)模型由三層組成，如圖1所示，網(wǎng)絡(luò)的最后一層為輸出層，輸入和輸出之間只有一個隱含層。

圖1 標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

BP算法由兩部分組成：信息的正向傳播與誤差的反向傳播。在正向傳播過程中輸入信息從輸入層經(jīng)隱含層逐層計算傳向輸出層。在信號的向前傳遞過程中網(wǎng)絡(luò)的權(quán)值是固定不變的，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層沒有得到期望的輸出，則計算輸出層的誤差變化值，然后轉(zhuǎn)向反向傳播，通過網(wǎng)絡(luò)將誤差信號沿原來的連接通路反傳回來并修改各層神經(jīng)元的權(quán)值和閾值直至達到期望目標(biāo)。

2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計

2.1 輸入層的設(shè)計

2.2 輸出層設(shè)計

輸出層的神經(jīng)元或節(jié)點個數(shù)可根據(jù)具體要求確定。本文診斷的故障類型有七種：正常情況（P1），噴油器開啟壓力降低（P2），高壓油管漏油（P3），噴油泵泄漏（P4），噴油嘴積炭（P5），針閥泄漏（P6），出油閥失效（P7），每一種故障狀態(tài)對應(yīng)一個二進制編碼而成的網(wǎng)絡(luò)期望輸出，可確定輸出層神經(jīng)元個數(shù)為7個。對于某一故障，若一節(jié)點輸出為1，那么這一節(jié)點為該故障的故障輸出點；若為0，則為該故障的非障輸出點。表1列出了故障狀態(tài)及對應(yīng)的網(wǎng)絡(luò)期望輸出。

表1 故障狀態(tài)及網(wǎng)絡(luò)期望輸出

2.3 隱含層設(shè)計

3 網(wǎng)絡(luò)訓(xùn)練和仿真檢驗

調(diào)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newff來創(chuàng)建一個前向型BP神經(jīng)網(wǎng)絡(luò)。常用的調(diào)用格式為：

net=newff(P,T,[S1 S2…s(N-1)],{TF1 TF2…TFN1})

其中：P，T分別為輸入樣本和期望響應(yīng)；Si為網(wǎng)絡(luò)各層的神經(jīng)元數(shù)目；TFi為網(wǎng)絡(luò)各層的傳遞函數(shù)。

隱含層神經(jīng)元的激活函數(shù)選取tansig(S型正切函數(shù))，取值范圍為（-1，1）；輸出層神經(jīng)元則選取logsig（S型對數(shù)函數(shù)），取值范圍為（0，1）；學(xué)習(xí)算法采用隱含層和輸出層的傳遞函數(shù)同樣取tansig和logsig函數(shù)。訓(xùn)練函數(shù)取學(xué)習(xí)速率較快的trainlm，它是利用Levenberg，Marquardt算法對網(wǎng)絡(luò)進行訓(xùn)練的。訓(xùn)練次數(shù)定為1000，系統(tǒng)總誤差設(shè)定為0.005，學(xué)習(xí)步長為0.05。訓(xùn)練中網(wǎng)絡(luò)系統(tǒng)誤差變化曲線如圖2所示。

圖2 BP網(wǎng)絡(luò)訓(xùn)練誤差變化曲線

為檢驗上述訓(xùn)練所得的神經(jīng)網(wǎng)絡(luò)的正確性，在相同的柴油機工況下，每種狀態(tài)各選一個檢驗樣本來測試神經(jīng)網(wǎng)絡(luò)，分別建立檢驗樣本數(shù)據(jù)集，見表2。

表2 神經(jīng)網(wǎng)絡(luò)測試樣本輸入數(shù)據(jù)集（單位：%）

將表2的檢驗樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進行仿真檢驗，結(jié)果如表3。由于神經(jīng)網(wǎng)絡(luò)的輸出有一定誤差，所以輸出結(jié)果不為0或1。處理時，輸出結(jié)果在（0，0.3）內(nèi)，可以近似看成0；在（0.7，1.0）內(nèi)，可以近似看成1。

表3中每一行分別代表一個測試樣本的輸出，且分別對照表1中的各種故障。如序號為3的樣本的特征向量為（36.612 13.175 7.773 8.948 7.316 10.230 7.798 8.148），經(jīng)過網(wǎng)絡(luò)訓(xùn)練后，測試結(jié)果即表3中序號P3的檢測結(jié)果（0.0903 0.1671 0.9005 0.2845 0.0062 0.2107 0.0348），其中只有0.9005接近1，因此可以判斷此故障為高壓油管漏油故障，與實際結(jié)果相符。由表3可以看出，網(wǎng)絡(luò)檢測結(jié)果基本與實際結(jié)果相符，只有序號P5中出現(xiàn)0.3292＞0.3，診斷結(jié)果出現(xiàn)偏差，究其原因是在柴油機實際運行當(dāng)中，噴油嘴積炭與噴油嘴堵塞故障有些偏差。

表3 神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)集

4 結(jié)束語

本文在小波包能量法提取故障特征量的基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進行故障模式識別，并對BP網(wǎng)絡(luò)的輸入層、隱含層和輸出層進行設(shè)計，得到燃油系統(tǒng)故障診斷的BP神經(jīng)網(wǎng)絡(luò)模型。通過網(wǎng)絡(luò)訓(xùn)練和仿真檢驗，該神經(jīng)網(wǎng)絡(luò)的識別結(jié)果精度較高，盡管只是一種估計值，存在一定誤差，但是這種狀態(tài)識別的精度在實際診斷中已經(jīng)足夠了，可以有效進行燃油系統(tǒng)的故障診斷。

[1]張亮,杜海平,史習(xí)智．基于小波分析的柴油機振動信號降噪處理[J]．?dāng)?shù)據(jù)采集與處理,2000,15(4):521-524．

[2]孫穎楷．內(nèi)燃機智能故障診斷系統(tǒng)的研究及應(yīng)用[D]．重慶:重慶大學(xué)博士論文,2001．

[3]Simon Haykin著．葉世偉,史忠植譯．神經(jīng)網(wǎng)絡(luò)原理[M]．北京:機械工業(yè)出版社,2004．

[4]黃強,高世倫,賓鴻贊,劉永長．基于分形和神經(jīng)網(wǎng)絡(luò)的柴油機振動診斷方法[J]．華中科技大學(xué)學(xué)報(自然科學(xué)版),2005,33(9):68-70．

[5]蔣平,賈民平,許飛云等．機械故障診斷中微弱信號處理特征的提取[J]．振動、測試與診斷,2005,25(l)．

[6]朱凱,王正林．精通MATLAB神經(jīng)網(wǎng)絡(luò)[M]．電子工業(yè)出版社,2009．