基于REF網絡的船用柴油機故障檢測

張寒 劉亦薇

摘 要：本文主要研究基于REF網絡進行柴油機的故障診斷。采用newrb函數建立神經網絡診斷模型，根據收集的某型號柴油機的樣本集采用一個單隱含層的REF網絡對樣本進行訓練。通過測試樣本進一步驗證該網絡對于故障模式的識別準確率，得知基于REF網絡對于船用柴油機故障檢測方法是可行的。

關鍵詞：REF網絡；船用柴油機；故障檢測

船用柴油機作為一種常用的動力機械，其動力型與可靠性直接影響到系統的安全運行[1]。而粗船用柴油機結構較為復雜，而且船用柴油機故障原因較為復雜，所以及時有效的發現并排除故障具有十分重大的意義。傳統的柴油機診斷方法主要有潤滑油法、性能參數法和振動噪聲法。

船用柴油機是一個非常復雜的機電系統，倘若采用整機診斷模型將會使得計算變得十分復雜。查閱相關技術資料可知，柴油機的整機分為渦輪增壓系統、氣缸活塞組件、燃燒系統、燃油系統等子系統。柴油機的故障檢測主要可以分為兩個層次進行。首先由整機性能參數的退化狀態判斷故障可能存在的位置，之后結合故障可能存在的位置進行對子系統的進一步診斷分析，由于第一步的診斷過程較為直接，因此不必要采用神經網絡模型，在第二步診斷過程采用RBF網絡。

1 RBF網絡基本原理

系統結構模型。RBF網絡是一種三層前向網絡，RBF網絡的輸出是隱單元的線性加權和，學習速率更快[2]。RBF網絡隱含層各節點的學習過程主要分為兩個階段。第一階段，無監督的學習，主要根據所選取輸入樣本的統計特性決定隱含層各基點的徑向基函數的中心向量和寬度參數。第二階段，有監督學習，在確定中心向量和寬度參數后，根據樣本訓練集，利用LMS確定隱含層和輸入層之間的突觸權值。

2 船用柴油機渦輪增壓系統的故障診斷

故障樣本的選取與設計。根據對船用柴油機的工作過程理論分析和實際運行經驗，能夠對渦輪增壓系統各部件可能出現故障的部位進行診斷，故將其作為故障變量，即輸出變量，同時確定用于區別各種故障的征兆變量作為網絡的輸出變量。

（1）輸出變量。輸出變量也就是故障變量，主要包括正常工作（F1）、機械效率下降（F2）、空冷器傳熱惡化（F3）、渦輪保護個格柵阻塞（F4）、渦輪流通部分阻塞（F5）、空氣濾清器阻塞（F6）、空冷器空氣側流阻塞增大（F7）、廢熱鍋爐流阻增大（F8）。其中F1到F8的取值范圍為[0，1]，0表示沒有故障，1表示故障嚴重。其中網絡的輸出變量為F1到F5，而F6到F8直接由部件特性參數診斷輸出。

（2）輸入變量。輸入變量主要包括氣缸排氣溫度、掃氣箱壓力、各缸平均燃燒最大爆發力、增壓器轉速、濾網壓損系數、廢熱鍋爐壓損系數掃排氣道壓損系數、壓氣機出口溫度和掃氣箱溫度等。

（3）柴油機相關工作參數。根據內燃機原理與船用柴油機技術規范要求，可以得到柴油機的工作參數標準值，如果工作參數上下閥值超過工作參數標準值，則認為柴油機有故障。氣缸排氣溫度為30K（熱力學溫度）；掃氣箱壓力為0.06MPa；各缸平均燃燒最大爆發力為1MPa；增壓器轉速為1500r/min；濾網壓損系數為0.1；空冷器壓損系數為0.1；廢熱鍋爐壓損系數為0.1；掃排氣道壓損系數為0.06；壓氣機出口溫度為30K；掃氣箱溫度為40K。

（4）故障樣本集的設計。故障樣本的正確確定是神經網絡準確進行故障診斷的關鍵環節。由于渦輪增壓系統的一個故障對應一個樣本，為了進一步診斷故障的嚴重程度，這里對每個故障選取兩個樣本，目標值分別為0.5與1。參考溫度在288K，在額定負載在100%，90%，75%，50%情況下的9組數據，并利用這9組數據進行網絡訓練。

RBF網絡是一種性能優良的前饋型神經網絡，可以以任意的精度逼近任意的非線性函數，并且具有全局逼近能力，在MATLBA神經網絡工具箱中提供了newrb，newrbe，newpnn及newgrnn函數用于創建RBF神經網絡。本設計主要采用newrb函數進行設計。該函徐設計的RBF神經網絡可用于函數逼近，由于本次訓練樣本較少，在逼近效果誤差允許的范圍內，擴展速度spread取1.20。結合MATLAB代碼創建RBF神經網絡，調用格式為net=newrb（P，T，goal，spread）；其中P與T分別對應輸入向量和輸出向量，goal為傳播的徑向基函數，默認為1。在使用函數newrbe創建RBF網絡的過程中，可以根據需要自動添加隱含層神經元的個數，直到均方差滿足要求為止[3]。

3 網絡輸出設計

為了便于診斷，將故障的嚴重程度分為一級故障、二級故障和無故障狀態。根據網絡的輸出向量，若0.751.50，則為正常狀態，其余條件為二級故障，其中i在1到5之間取值。

4 結論

通過實驗可知，對于測試樣本有效的診斷了網絡故障，說明本設計提出的基于REF網絡的船用柴油機故障檢測是可行的。但是由于本設計采取的訓練數據以及測試樣本比較少，訓練出來的REF網絡還有提升和進步的空間。總之REF網絡在船用柴油機故障檢測中，準確值較高，診斷速度較快，具有較大的應用前景。

參考文獻：

[1]劉貞賢.RBF網絡在柴油機故障診斷中的應用[J].科技創新導報，2013（20）：83.

[2]尤文堅，葉雪英，唐仕云.基于徑向基神經網絡農機數量預測的研究[J].中國農機化學報， 2013（2）：3841.

[3]張曉瑞，方創琳，王振波，等.基于RBF神經網絡的城市建成區面積預測研究——兼與BP神經網絡和線性回歸對比分析[J].長江流域資源與環境，2013，22（6）：691697.

作者簡介：張寒，男，河南南陽人，研究生，桂林理工大學，研究方向工業自動化；劉亦薇，女，江西南昌人，研究生，桂林理工大學，研究方向：機械工程技術。