基于PNN的船舶用柴油機高壓系統節流閥故障診斷分析?

孫立民

（煙臺汽車工程職業學院 煙臺 265500）

1 引言

柴油機對我國工農業生產以及整體經濟的發展起到了重要的推動作用，并不斷朝著更低油耗、更高比功率以及污染排放量更少的方向發展［1～3］。從20世紀90年代末開始，柴油機領域開始出現高壓共軌技術，并且成為了提升柴油機環保性能與降低運行能耗的關鍵措施［4～5］。在柴油機的高壓系統中，節流閥是一種重要的超流量安保閥件，當高壓管路或者電控噴油器出現異常泄漏情況時，可以對高壓燃油起到截斷作用，有效保障柴油機處于安全運行的狀態。所以，對節流閥故障實施在線診斷以獲得節流閥的實時工作狀態信息，對于確保柴油機的穩定、安全運行起到了關鍵作用。由于節流閥的工作環境中充滿高壓燃油，因此無法直接安裝傳感器來檢測閥芯的運動情況，到目前為止還很少有文獻報道節流閥的在線故障診斷內容［6～8］。

本文主要探討了節流閥在工作狀態下發生的故障及失效模式（FMEA），同時分析了節流閥發生的一些典型故障形式。采用概率神經網絡方法來診斷節流閥的故障類型，之后結合平臺測試數據與故障類型模擬結果對該網絡進行了訓練與驗證。

2 模型建立

由于節流閥一直是處于高油壓狀態下進行工作，無法直接通過傳感器來檢測閥芯發生的位移情況，因此需要將壓力傳感器設置在電控噴油器蓄壓腔內來完成對節流閥的故障檢測與判斷。其中，蓄壓腔的壓力受到節流閥、濾芯、噴油器、油管的共同影響，通過蓄壓腔壓力來判斷節流閥是否存在故障時需保證其它部件都是處于正常工作狀態。從圖1中可以看到構建得到的節流閥、管接濾芯、高壓油管以及電控噴油器組成的仿真模型。

圖1 仿真模型

圖2 100%負荷工況

對測試得到的共軌壓力數據實施了降噪處理，并將其作為模型輸入，按照檢測得到的蓄壓腔壓力來標定仿真模型，如圖2所示。結果顯示，處于100%的運行工況下仿真測試結果與臺架試驗結果達到了較高的符合程度，只在怠速階段出現壓力上升時才產生明顯的波動偏差，這是由于和實際系統相比，仿真模型是一種更加簡化的結構，進入怠速工況后，高壓系統處于一種較低的噴油量與壓力狀態，干擾信號更易對蓄壓腔內的壓力產生明顯影響。本文構建的仿真模型在大多數工況下都可以達到較高的精度，能夠滿足對節流閥工作狀態進行研究需要達到的要求。

3 基于PNN的節流閥故障診斷

3.1 PNN模型

概率神經網絡（PNN）是以徑向基函數網絡（RBF）作為基礎，同時結合貝葉斯決策理論與密度函數估計方法得到的結構簡單，可以通過線性學習算法來產生非線性算法功能的一種高效神經網絡，可以實現快速收斂、易于訓練、實時分析的目的，對于許多故障診斷問題都可以發揮重要作用。從圖3中可以看到概率神經網絡包含了輸入層、求和層、隱含層、輸出層共四層結構。

圖3 概率神經網絡的基本結構

第一層是輸入層，其作用是接收由訓練樣本提供的數據，同時把接收到的數據傳遞到隱含層中，神經元的個數對應于輸入向量的維數。

第二層是隱含層，屬于徑向基層，在各隱含層神經元節點上都存在一個中心，來自輸入層的樣本數據將被隱含層接收，之后對輸入向量到中心點距離進行計算并返回標量值。當隱含層接收到向量x后，該層的第i類中第j神經元對應的輸入與輸出關系可以根據式（1）來表示：

上式中，i=1，2，…，M，M是訓練樣本對應的類別總數，φij是第i類第j個神經元對應的隱含層輸出，d是樣本空間維數，xij是第i類樣本第j個中心，σ是平滑因子，選擇何種平滑因子將會對網絡性能產生明顯影響［3］。

第三層是求和層，該層的神經元只和隱含層相應神經元相連，不會和其它神經元建立連接，之后由求和層通過式（2）對隱含層中的同類隱含神經元輸出進行加權平均：

其中，vi代表第i類神經元的輸出，L代表第i類神經元的數量。求和層中的神經元個數等于類別數M。

第四層是輸出層，該層包含競爭神經元，具有和求和層相等的神經元數量，其作者是接收求和層產生的輸出，同時對閾值進行簡單識別，在各輸出層神經元中尋找后驗概率最大的神經元，并將其輸出設定為1，其它神經元的輸出對應為0。

上式中的y是診斷類別輸出。

3.2 節流閥診斷模型建立

對于常規的工程應用而言，只需對節流閥部件進行隔離即可。所以，在診斷節流閥的時候只需對節流閥的故障狀態進行確認，可以將節流閥工作狀態分成正常狀態與故障狀態兩種類型。

本文構建得到了概率神經網絡模型，其網絡輸入的4個故障特征量，網絡輸出是節流閥實際運行狀態。結合歷史故障數據分析結果，對節流閥的故障情況進行了診斷，得到圖4所示的節流閥診斷模型。

圖4 節流閥診斷模型

3.3 PNN模型訓練

從測試臺架上對節流閥在正常工作狀態下的數據進行了采集，總共得到135組數據樣本。各組數據分別對應的4個故障特征量以及節流閥實際工作狀態共同構成的5維向量。以隨機方式分別選擇100組正常數據與100組故障數據作為網絡訓練數據樣本，其余70組數據被用于對該網絡進行驗證分析。

考慮到診斷網絡性能受到平滑因子的顯著影響，因此本文選擇了不同的平滑因子來訓練并驗證該網絡模型，各個平滑因子對應的網絡診斷率見圖5。

從圖5中可以發現，在平滑因子低于0.5的情況下，診斷準確率可以達到95%以上。為了能夠盡量提升診斷準確率，本研究將平滑因子設定在0.1，使診斷準確率達到98%，完全能夠滿足節流閥故障診斷需達到的要求。

經過訓練得到的概率神經網絡模型的輸入層由4個神經元節點組成，其中隱含層含有的神經元節點是200個，同時求和層與輸出層各自對應2個神經元節點。從輸出層中找到擁有最大值的神經元，同時輸出相應的編號，便可以知道節流閥實際工作情況。根據測試結果可以推斷，本文構建的概率神經網絡對限流器故障間診斷的準確率可以達到100%，符合節流閥的故障診斷要求。

圖5 平滑因子和診斷準確率間的關系

4 結語

1）對測試得到的共軌壓力數據實施了降噪處理，并將其作為模型輸入，按照檢測得到的蓄壓腔壓力來標定仿真模型。在此基礎上，構建得到了概率神經網絡模型，其網絡輸入的4個故障特征量，網絡輸出是節流閥實際運行狀態。

2）從測試臺架上對節流閥在正常工作狀態下的數據進行了采集，選擇不同的平滑因子來訓練并驗證該網絡模型，在平滑因子低于0.5的情況下，診斷準確率可以達到95%以上。本研究將平滑因子設定在0.1，使診斷準確率達到98%，完全能夠滿足節流閥故障診斷需達到的要求。