優化船舶主機燃油噴射系統故障診斷的GA-Elman神經網絡

章志浩 林葉錦 劉如磊

(大連海事大學輪機工程學院 遼寧 大連 116026)

0 引 言

主機(即柴油機)是船舶的心臟，是保障船舶安全航行的關鍵。船舶柴油機朝著大功率、高功率和智能化方向發展，柴油機故障診斷技術是船舶實現智能化的關鍵技術之一[1]。目前90%以上的海上航行船舶的動力裝置為柴油機，其中遠洋航行船舶中低速二沖程柴油機扮演著越來越重要的角色[2]。作為陸地上很少使用的大型中低速二沖程柴油機，與普通柴油機相比，船舶主機長期在海上運轉，根據海況的不同，工況更加復雜，工作周期更長，導致故障率更高，維修保養相對困難。同時，因為重油(HFO)價格相對較低廉，目前船用柴油機大部分燃用重油，而在入港時通常切換成船用柴油[2]。重油分子量大、粘度高，易造成燃油噴射系統噴嘴堵塞等故障，使船用主機燃油噴射系統工作環境更加惡劣。研究發現，近70%的船舶主機故障由主機燃油噴射系統引起。所以，船舶離港時主機故障更需及時、準確發現并解決，這進一步提高了對主機燃油噴射系統故障診斷的要求。燃油噴射系統的故障體現在主機的各個方面，如缸套水溫度、排氣溫度等。因此，根據主機相關的參數變化可以判別主機噴射系統相關故障。

故障診斷問題在本質上是一個模式識別問題，即將診斷對象的狀態分成正常狀態和異常狀態，進而將異常狀態分為各種故障狀態[3]。神經網絡長期以來一直用于分類目的[4]，因此，本文引入了神經網絡對船舶主機燃油噴射系統進行故障診斷。通用的診斷方法應用較多的是前饋型神經網絡，但前饋型神經網絡存在自身的局限性。Elman神經網絡具有適應時變過程的能力，比前饋型神經網絡更適合于在線辨識[5]。以目前較為先進的GA-RBF算法為例，RBF作為一種局部逼近網絡，由于缺乏負反饋機制，節點間關聯性不強，導致其應用于故障診斷時存在精度不高、易陷入局部極小等缺點。同時，RBF模型還對初始中心的選取十分敏感，并且容易受到異常值的影響[6]。在應用于船舶主機燃油噴射系統的故障診斷時，燃油噴射系統本身的復雜性以及船況的多變使其缺點尤為明顯。Elman神經網絡作為一種遞歸神經網絡，引入了負反饋機制，它的局部負反饋機制加強了節點與節點間、各個神經網絡層之間的關聯性，與RBF網絡相比，診斷效果明顯提升。在自組織神經網絡中，PSO-SOM算法是較為熱門的算法之一，它的診斷精度較高、收斂速度較快，但是SOM神經網絡沒有期望輸出層，無法準確判斷聚類效果的優劣[7]。由于結構上相對不完整，這種算法只能將故障樣本聚類，而聚類的結果無法與具體的故障類型相對應。Elman神經網絡在結構上比SOM神經網絡更加完整，在故障診斷方面比SOM神經網絡更加直觀、可靠。它既能夠保證診斷結果的準確性，也能夠將診斷結果與故障類型準確對應。近年來Elman神經網絡越來越多地應用到了故障診斷領域，如任聰[8]對于中央空調系統的故障診斷研究，皮駿等[9]對于航空發動機的故障診斷。但在船舶主機燃油噴射系統故障診斷方面，目前了解到的相關文獻尚未有改進的遺傳算法與Elman神經網絡相結合的相關論述。本文針對噴油器噴嘴堵塞、噴油器噴嘴磨損、噴油定時提前、噴油定時滯后四種故障模式進行了相關研究，數據來源于大連海事大學輪機模擬器，主機型號為MAN B&W 7S80ME-C9.2。對相關參數進行分析，以這些參數組成特征向量，利用MATLAB軟件中的工具箱建立船舶主機燃油噴射系統故障診斷模型。經驗證，本文模型的準確性高于RBF神經網絡和普通Elman神經網絡算法，是一種行之有效的診斷船舶主機噴射燃油系統故障的方法。

1 模型設計

1.1 Elman神經網絡

Elman神經網絡的基本模型如圖1所示。

圖1 Elman神經網絡結構

Elman神經網絡在結構上由輸入層、隱含層、承接層和輸出層組成，分為學習和驗證兩部分。在BP神經網絡的學習過程中，相關數據由輸入層輸入，由隱含層處理之后將結果傳向輸出層。如果結果與實際不符合，則將誤差逆向傳播到隱含層，修改相應的權值和閾值。學習過程結束后，則進入驗證階段，將相關數據輸入，根據神經網絡得出的結果與實際情況比較。而Elman神經網絡與它的區別是：除了普通的隱含層外，還有一個稱為承接層(又稱連接層)的特別隱含層。連接層將隱含層的輸出值一步延時反饋到隱含層的輸入端，使網絡具有記憶功能，增強了網絡的全局穩定性，能夠適應時變輸入過程而不產生泛化，適用于在線診斷[5]。

Elman神經網絡空間表達式如下：

Y(k)=g(w3u(k))

(1)

u(k)=q(w1uck)+w2X(k-1)

(2)

uc(k)=u(k-1)

(3)

式中：X(k)是神經網絡的外端輸入；u(k)為隱含層輸出；Y(k)為網絡的輸出；w1為承接層權值；w2為隱含層權值；w3為輸出層權值；g(·)為輸出層的傳遞函數；q(·)為隱含層的傳遞函數。圖2為Elman神經網絡流程。

圖2 Elman神經網絡流程

1.2 遺傳算法模型及其改進

遺傳算法(GA)模擬了生命進化機制，即自然選擇和遺傳進化中的繁殖、交配和突變。GA中最優解是通過任意初始化種群繁殖和進化得到的[10]。圖3為遺傳算法的具體流程。

圖3 遺傳算法流程

傳統遺傳算法是一種通過模擬自然進化過程搜索最優解的方法，但是在處理一些較為復雜的優化問題時容易陷入到一些局部的極值點[11]。本文針對這種情況對遺傳算法的算子進行了改進，提出一種自適應的遺傳算法。

(1) 選擇算子的改進。個體的選擇直接決定了遺傳算法的收斂速度和精度。通常選擇算子采用隨機遍歷抽樣法(sus)，在sus中，各個個體被選擇的概率與其適應度成正比，但是這種選擇算子的方法存在收斂速度慢、易陷入局部最小值的缺點，最終會導致誤差較大。為了使種群模式更加豐富，收斂速度更快，現對選擇算子做如下改進。

假設種群中有m個個體，遺傳代數為n，F(t)={F(n,1),F(n,2),…,F(n,m)},Pi在遺傳算法的前期改進為：

(4)

Pi在遺傳算法的中期及后期改進為：

(5)

在遺傳算法的初期，進化代數增加的同時，適應度高于平均適應度的個體被選擇的概率減小，低于平均適應度的被選擇的概率增加。這樣有效保證了遺傳初期種群的豐富度，防止了過早收斂及陷入局部最小值的情況。在遺傳算法的中期和后期，這個過程正好相反。這種算法的改進有效促進了種群的進化，大幅度提高了遺傳算法的精度。

(2) 交叉算子的改進。在遺傳算法的運行過程中，交叉概率同樣是種群豐富度的重要保證。在遺傳初期，為了保證豐富度，便于算法尋優，交叉概率較大；在算法運行過程中，為保證前期不收斂，交叉概率應適當減小，對交叉算子做如下改進：

(6)

式中：Pc和k3為0到1之間的常數；fmax為種群最大適應度；f′為較大適應度的個體。

(3) 變異算子的改進。變異算子是在進行交叉操作之后進行的，為確保后期算法不陷入局部最小值，對交叉算子作如下改進：

(7)

式中：P2及k4均為0到0.05之間的常數；fm為變異個體的適應度值。

1.3 改進GA-Elman神經網絡模型

遺傳算法和Elman神經網絡結合的算法又稱GA-Elman算法，它的流程如圖4所示。

圖4 改進GA-Elman神經網絡流程

該模型包含3個部分，分別為Elman神經網絡拓撲結構的確定、遺傳算法對權值和閾值的優化和神經網絡故障診斷3部分，基本步驟如下。

(1) 從輪機模擬器中采集相關數據及參數。

(2) 給定神經網絡M組訓練樣本、N組測試樣本，并將原始數據歸一化。歸一化公式為：

(8)

式中：y是矩陣中每個元素歸一化后的數值；[ymin,ymax]為歸一化區間，ymin通常取值為-1，ymax取值為1；x為歸一化前的原始數據中的對應元素；xmax為每行元素最大值；xmin為每行元素最小值。

(3) 將Elman神經網絡中的權值和閾值編碼為二進制表示的個體，由隱含層權值、隱含層閾值、承接層權值、輸出層權值、輸出層閾值5部分組成。設定的神經網絡輸入層神經元數為8，隱含層神經元數為15，輸出層神經元數為4，將所有權值和閾值編碼，隱含層權值為120、閾值為15，承接層權值為225，輸出層權值為60、閾值為4。

(4) 將誤差的范數作為算法的適應度函數，公式如下：

(9)

式中：f為適應度函數；M為樣本數；N為節點數；Pji和Zji分別為第i個節點的第j個神經元的理想輸出和實際輸出。

(5) 在GA-Elman神經網絡中，利用改進的遺傳算法優化Elman神經網絡的權值和閾值，利用函數計算個體的適應度，通過交叉、變異等操作獲得適應度更高的個體；將優化后的結果賦值給Elman神經網絡部分，訓練網絡并輸出診斷結果。

遺傳算法的初始相關參數設定如下：種群大小為45，遺傳代數為40，二進制位數為10，交叉概率為0.75，變異概率為0.02，代溝為0.95。

2 仿真研究

2.1 數據獲取

通過仿真數據來產生數據集來訓練算法是故障診斷領域的一種常用做法，因為在其他領域也難以獲取標記數據，故本文采用仿真數據。樣本取自大連海事大學輪機模擬器，船舶類型為VLCC，主機型號為MAN B&W 7S80ME-C9.2。輪機模擬器是通過數學模型在電腦上模擬機艙的裝置，在主機系統中，基于主機系統的數學模型，仿真軟件模擬了船舶主機的功能并設有多種故障狀態，采用的數據取自實際船舶，數據真實性已經過驗證。輪機模擬器的主機仿真模型為零維模型，將主機本體部分劃分為增壓器、中冷器、掃氣箱等五個部分。在液壓氣缸單元中計算燃油泵柱塞下腔壓力變化率、燃油泵柱塞上腔及高壓油管內壓力變化率、燃油泵柱塞運動方程、噴油器噴油油量，利用計算結果對燃油噴射系統進行建模[12]。同時，輪機模擬器的主機故障仿真系統采用了融合模型(MG)，MG模型的輸出參數耦合性強，具有非常好的故障表現能力[13]。

本文選取了主機的排氣量(x1)、轉速(x2)、排氣溫度(x3)、排氣壓力(x4)、缸套水溫度(x5)、高壓油管壓力(x6)、功率(x7)、耗油量(x8)作為參數，將樣本歸一化后作為輸入參數，所得值作為特征向量X=[x1x2x3x4x5x6x7x8]T。共選取52組故障數據，每種故障模式13組數據。其中：每種故障十組數據用作訓練集，三組用作測試集。共40組數據組成訓練集，12組數據組成測試集。由于故障數據較多，故選擇展示部分原始數據見表1。經歸一化后的Elman神經網絡的船舶主機燃油噴射系統故障診斷部分輸入樣本數據見表2，部分測試樣本見表3。

表1 原始數據

表2 部分輸入樣本數據

表3 部分測試樣本數據

續表3

2.2 結果分析

分別建立Elman神經網絡、GA-RBF神經網絡、改進GA-Elman神經網絡模型。Elman神經網絡輸入層、隱含層、輸出層神經元個數分別為8、15、4。其中：輸入層8個神經元分別對應8個故障特征值；輸出層4個神經元分別對應4種故障模式，即油器噴嘴堵塞(T1)、噴油器噴嘴磨損(T2)、噴油定時提前(T3)、噴油定時滯后(T4)，具體如表4所示。

表4 故障類型對應的期望輸出

同時計算范數誤差及均方誤差。矩陣中各元素差的平方和的平均值的平方根稱為均方誤差，以此檢測3個神經網絡模型的優劣。遺傳算法的優化結果見圖5。均方誤差的公式如下：

(10)

式中：Ti為測試集輸出的第i個元素；Pi為測試集的第i個元素；n為測試集的樣本中元素總數。

圖5 改進后的GA與普通GA對比

可以看出，遺傳算法在迭代過程中誤差范數不斷減小，表示網絡的權值和閾值在不斷地被優化。普通遺傳算法在前5代的迭代過程中誤差減小的速度最大，即優化的效率最高，但是很快便陷入了局部最小值，算法過早收斂，迭代至23代以后誤差幾乎不變。改進后的GA在前期保證了種群的豐富度、收斂速度較慢，避免了陷入局部最小值的問題。精度逐漸提高，在23代以后精度超過普通遺傳算法。故改進后的遺傳算法優于普通的遺傳算法。

表5、圖6、圖7顯示，Elman神經網絡的訓練樣本范數誤差及絕對誤差較大，測試樣本范數誤差略低于GA-RBF神經網絡且實際輸出的隸屬度較低，第11組數據明顯陷入局部最小值，不易判斷故障類型。由圖6的曲線可知，GA-RBF神經網絡比Elman神經網絡隸屬度有所提高，但是個別故障隸屬度低于Elman神經網絡。在圖7中，GA-RBF神經網絡曲線總體位于Elman神經網絡曲線下方，絕對誤差相對較小。改進GA-Elman神經網絡診斷結果的隸屬度基本位于圖像最上方，除個別故障點外絕對誤差最小且誤差范數及均方誤差最小，隸屬度及精度最高。改進GA-Elman神經網絡對測試樣本的故障模式診斷只有第7組一處誤判，準確率達到91.6%，仿真結果與測試組實際情況基本一致，如圖8所示。

表5 3種神經網絡診斷誤差

圖6 隸屬度對比

圖7 絕對誤差百分數對比

圖8 改進GA-Elman神經網絡診斷結果

3 結 語

本文結合船舶主機燃油噴射系統工況復雜的特點，提出了優化船舶主機燃油噴射系統故障診斷的GA-Elman神經網絡模型，并選取了4種典型的噴射系統故障情況。結果表明：

(1) 在相同的訓練樣本及測試樣本下，對比Elman神經網絡模型、GA-RBF神經網絡模型、改進GA-Elman神經網絡模型的故障診斷結果，證明了改進GA-Elman神經網絡模型取得了更好的診斷效果。對于測試集的診斷在誤差上大幅度減小，隸屬度及診斷正確率更高。該模型對船舶主機燃油噴射系統的故障診斷提供了有效的保障，同時也為船舶其他系統的故障診斷提供了良好的借鑒。

(2) 通過對相關算子的改進，使改進后的遺傳算法比普通遺傳算法前期種群豐富度高、不易陷入局部最小值且精度更高。與Elman神經網絡結合后，進一步提高了診斷的準確率。