利用BP神經網絡進行柴油機磨損故障監測

胡浩帆

（中遠海運特種運輸股份有限公司，廣州 510623）

1 前言

由于柴油機運轉部件表面之間的相對運動，將不可避免地導致部件的磨損，并且磨損量將隨著時間而逐漸增加，對柴油發動機部件的磨損狀況進行監測和預報，可提高其運行可靠性。《油液分析在船用動力系統狀態監測中的應用》中，描述了油液分析技術對船用動力系統進行狀態監測的方法；《基于光譜-鐵譜分析的航空發動機磨損故障診斷應用研究》中，提出了通過對滑油進行光譜分析能夠發現監測油樣中的超標元素，對滑油光譜分析與機械故障間的關系進行了研究。但是尚未有結合滑油成分含量統計數據，對柴油機零件的磨損狀況進行分析的理論與方法。本文基于對柴油機潤滑油的光譜分析法，通過工神經網絡來分析柴油機零件的磨損狀況。

2 基于滑油效能的磨損監測技術

潤滑油帶有大量的柴油機內部零部件磨損信息，通過對滑油效能的分析可以間接的判斷零部件的磨損狀況，監控和預測其磨損故障；針對零部件磨損問題的油液分析，可以采用滑油光譜分析、自動磨粒分析、滑油鐵譜分析以及掃描電子顯微鏡—能譜分析，這些方法各具優缺點。

磨損監測框圖，如圖1所示。

圖1 磨損監測功能圖

3 柴油機磨損故障診斷神經網絡

3.1 BP神經網絡算法

采用三層BP神經網絡作為例子。網絡輸入一個長度為N的向量，經過加乘權值后輸出一個長度為J的向量；每一層的輸入和輸出用x和y表示，輸入層第一個神經元的輸入可以表示為x1N，網絡的輸出為：

3.2 故障診斷流程及原理

采用BP人工神經網絡對滑油數據進行分析。診斷柴油機磨損故障的關鍵，是對神經網絡的訓練。其訓練過程為：利用已知數據訓練神經網絡，在達到設定值后訓練結束，構建故障向量與其特征值之間非線性映射，完成對神經網絡的訓練；然后將待測數據經處理后輸入到已訓練好的網絡中，得出一組輸出向量，再與不同故障的特征向量對比分析，可實現對故障類型的診斷。故障診斷流程圖，如圖2所示。

圖2 故障診斷流程圖

3.3 神經網絡結構設計

（1）在設計BP神經網絡模型前，需首先確定網絡的基本結構，該問題尚未有明確的選擇方法或選擇體系。但已知，任何區間上的連續函數，均可通過單隱含層的BP網絡構建擬合模型，單隱含層的三層BP神經網絡即可完成X維到Y維映射的功能。

樣本數量十分龐大，增加一個隱含層對縮減神經網絡的規模會有十分顯著的效果。精準對柴油機磨損故障的診斷，樣本數量應適中，本文選擇構建單一隱含層的三層神經網絡。

（2）輸入層節點數往往由輸入向量的維數決定，與網絡所解決的實際問題密切相關。本文通過神經網絡構建滑油效能數據與柴油機運行狀況的非線性映射，由于輸入的每個向量都由19個元素構成，所以得出的特征向量均為19維向量，由此可確定神經網絡的輸入層節點數為19。

輸出層神經元的個數同樣依賴于對實際問題的分析。在模式分類中，輸出神經元個數通常與類別數量相同，故本文中輸出神經元個數設為1。

（3）隱含層節點數的確定

隱含層節點數選擇的合理性，對BP人工神經網絡性能的影響十分巨大。較多的隱含層節點數，可以顯著的提高神經網絡的準度，但同時會使網絡訓練時間加長；節點數較少，其診斷則誤差較大。

確定隱含層節點數的方法，是依靠經驗公式得出一個估計值，在一定范圍內進行反復測試，確定可以使神經網絡達到理想準度的節點數。本文選用的經驗公式為：

根據公式（12），歸一化處理后可將待輸入數據限定在[0,1]之間。

（5）網絡構建函數的選擇

針 對newff、feedforwardnet、newcf、cascadeforwardnet四種函數，分別構建神經網絡模型并進行模擬，得到四組不同的收斂過程和收斂曲線，比較四種函數所構成神經網絡的迭代次數以及誤差。

為保證四種函數訓練所得網絡的可比性，均采用同一組訓練數據，訓練函數均采用trainbfg函數、學習函數為learngdm、性能函數采用mse函數，最大迭代次數為500次，誤差值設為0.000 1、學習率為0.01。比較結果，如表1所列。

表1 不同構建函數對應訓練數據

根據表1中四種函數來看，本文選用feedforwardnet函數構建神經網絡。

3.4 神經網絡的訓練

圖3 網絡結構圖

圖4 誤差分析

3.5 BP神經網絡故障診斷

利用一系列數據，檢驗本文設計的BP神經網絡的實際診斷效果。根據診斷結果，經神經網絡預測診斷后，決定系數R均在0.85以上，證明本文所構建的BP神經網絡，可以較精確地依據滑油效能數據診斷柴油機磨損故障。

4 柴油機磨損故障診斷模擬系統

4.1 轉化Simulink

為了實現神經網絡以及仿真過程的可視化，將Matlab中訓練成功的神經網絡在Simulink中以模塊的形式輸出。

4.2 系統的構建

利用Simulink中Random Number模塊模擬真實滑油效能數據，組成一個有19個元素構成的向量作為待測數據，這19個向量分別對應滑油中Fe、Cr、Pb以及水分等元素的含量.在構建Random Number模塊時，設置各種元素含量在正常范圍內。

采用GUI構建系統界面。為保證系統可對某一元素超出正常范圍進行模擬，在Random Number模塊前插入constant值改變輸出值，將界面按鈕與模塊連接，實現GUI對Simulink模塊中的constant的參數控制，達到模擬故障數據的目的。

5 結束語

基于滑油效能對柴油機零件磨損狀況進行研究，依據基于效能數據結合人工神經網絡，通過監測診斷柴油機運行狀況對其零件磨損狀況做出判斷，利用BP神經網絡可以較精確地依據滑油效能數據診斷柴油機磨損故障，構建柴油機零件磨損情況診斷模擬系統，對通過滑油效能研究柴油機零件磨損情況的仿真模擬提供幫助。