基于優(yōu)化概率神經(jīng)網(wǎng)絡(luò)法船舶柴油機(jī)燃油系統(tǒng)故障檢測

關(guān)鍵詞：柴油機(jī)；概率神經(jīng)網(wǎng)絡(luò)；遺傳算法；船舶

中圖分類號： U672 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號： 1673-8462（2023）04-0095-05

0 引言

目前大部分船舶的動(dòng)力系統(tǒng)由柴油機(jī)構(gòu)成，［1］柴油機(jī)是船舶推進(jìn)系統(tǒng)的核心組成部分，其運(yùn)行工況良好是船舶海上航行的關(guān)鍵因素。柴油機(jī)運(yùn)行環(huán)境惡劣，結(jié)構(gòu)異常復(fù)雜，故障種類較多，傳統(tǒng)的故障檢測方法是依賴工人檢修，［2］檢修工人根據(jù)個(gè)人經(jīng)驗(yàn)進(jìn)行維修，但由于柴油機(jī)故障類型原因較多，且不同類型故障有許多相似的故障現(xiàn)象，因此要排查故障僅僅依靠人工經(jīng)驗(yàn)需耗費(fèi)的時(shí)間較長，此過程嚴(yán)重影響了船舶航行，更甚者可能會(huì)危及海船人員生命安全。近年來模式識(shí)別和人工智能技術(shù)的發(fā)展對柴油機(jī)故障診斷帶來了新的發(fā)展，克服了柴油機(jī)復(fù)雜的故障模型的描述和非線性特征，大大降低了柴油估計(jì)檢測的時(shí)間。［3-8］文獻(xiàn)［9］通過建立神經(jīng)網(wǎng)絡(luò)模型并對深度學(xué)習(xí)算法的改進(jìn)，實(shí)現(xiàn)對柴油機(jī)氣缸狀況的監(jiān)視，實(shí)現(xiàn)對柴油機(jī)故障檢測。文獻(xiàn)［10］針對失火故障，建立基于貝葉斯網(wǎng)絡(luò)模型，通過輸入故障信息對多節(jié)點(diǎn)觸發(fā)提高故障診斷率。文獻(xiàn)［11］利用深度學(xué)習(xí)分析不同柴油機(jī)故障建立基于卷積神經(jīng)網(wǎng)絡(luò)模型，對故障進(jìn)行可視化分析，相對于傳統(tǒng)故障診斷正確率更高。

為縮短人工排查故障時(shí)長，克服故障類型多樣化、故障特征信息相似化、多樣化，文章提出一種基于概率神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合實(shí)現(xiàn)優(yōu)化檢測的方法，概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN），主要是針對錯(cuò)誤分類實(shí)現(xiàn)風(fēng)險(xiǎn)最小，在多維空間輸入進(jìn)行分離決策，在模式分類方面具有顯著的優(yōu)勢。遺傳算法（Genetic Algorithm，GA）是一種搜索算法，用于優(yōu)化概率神經(jīng)網(wǎng)絡(luò)參數(shù)以減小檢測誤差。文章選取燃油系統(tǒng)常見的8 種故障類型作為檢測對象，建立以徑向基與概率密度估計(jì)相結(jié)合的概率神經(jīng)網(wǎng)絡(luò)，通過種群初始化、適應(yīng)度函數(shù)映射、選擇、交叉、變異等操作實(shí)現(xiàn)參數(shù)優(yōu)化，輸入16 組樣本數(shù)據(jù)進(jìn)行訓(xùn)練以得出效果較好的網(wǎng)絡(luò)模型，輸入8 組數(shù)據(jù)樣本進(jìn)行檢測，對比分析模型優(yōu)化前后檢測效果，最后進(jìn)行模型評價(jià)。

1 PNN 算法流程

PNN 檢測算法流程如圖1 所示，主要分為優(yōu)化部分和PNN 部分，首先從數(shù)據(jù)庫中篩選數(shù)據(jù)樣本，然后建立PNN 網(wǎng)絡(luò)模型，根據(jù)訓(xùn)練模型確定目標(biāo)函數(shù)，將目標(biāo)函數(shù)轉(zhuǎn)化為適應(yīng)度函數(shù)，依次進(jìn)行種群初始化、選擇、交叉、變異等操作，不斷重復(fù)此過程直到滿足優(yōu)化要求，將故障數(shù)據(jù)樣本輸入模型進(jìn)行訓(xùn)練以得到最佳模型，最后輸入預(yù)測數(shù)據(jù)分析檢測結(jié)果。

1.1 樣本數(shù)據(jù)選取

燃油系統(tǒng)作為柴油機(jī)最重要的組成部分，其能否正常工作將影響柴油機(jī)的啟動(dòng)、調(diào)速、效率等。且燃油系統(tǒng)故障是柴油機(jī)主要故障源之一，［5］因此選取燃油系統(tǒng)故障作為樣本數(shù)據(jù)。常見燃油系統(tǒng)故障有輸油泵20% 供油量（不足）、100% 供油量（不足）、100% 供油量（供油質(zhì)量不良）、正時(shí)不準(zhǔn)確、噴油器噴油質(zhì)量不良、閥門卡死、油孔堵塞、出油閥失效、供油量低、針閥漏油、怠速油量等，其對應(yīng)的故障特征信息多變且相似，主要包括燃油壓力波形幅度、寬度、上升沿寬度、余波最大寬度、最大壓力、次壓力等。在神經(jīng)網(wǎng)絡(luò)建模中輸入特征量必須能夠正確地反映故障問題的特征才能保障故障檢測的準(zhǔn)確性，若選取的故障特征所包含待識(shí)別信息匱乏或未能提取反映故障特征的信息，則診斷結(jié)果往往會(huì)受到很大的影響。為能準(zhǔn)確分出故障類別選取燃油系統(tǒng)8 種常見的故障類別進(jìn)行檢測，其對應(yīng)的8 個(gè)故障特征信息作為輸入量。將故障樣本數(shù)據(jù)按公式（1）進(jìn)行歸一化處理，L? 表示歸一化后所得輸出數(shù)值，L、L_min、L_max分別表示樣本輸入、最小值、最大值，故障樣本數(shù)據(jù)如表1 所示。

1.4 訓(xùn)練測試

建立PNN 網(wǎng)絡(luò)模型后，根據(jù)給定的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練得出最佳的網(wǎng)絡(luò)模型，文章選取24 組故障樣本數(shù)作為備用，其中16 組作為模型測試訓(xùn)練數(shù)據(jù)，8 組作為預(yù)測樣本。設(shè)置訓(xùn)練步長為1.5，縱坐標(biāo)為故障類型，橫坐標(biāo)為故障樣本編號，PNN 網(wǎng)絡(luò)訓(xùn)練結(jié)果及PNN 網(wǎng)絡(luò)訓(xùn)練誤差結(jié)果分別為圖3、圖4 所示，PNN 網(wǎng)絡(luò)訓(xùn)練結(jié)果顯示網(wǎng)絡(luò)模型能精確的辨別出燃油系統(tǒng)8 種常見故障，且PNN 網(wǎng)絡(luò)訓(xùn)練誤差中8類故障誤差均為0，說明訓(xùn)練效果較好、模型較合適。

1.5 結(jié)果分析

將數(shù)據(jù)樣本（表2）分別輸入優(yōu)化前和優(yōu)化后的概率神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測，PNN 表示優(yōu)化前的神經(jīng)網(wǎng)絡(luò)，GA-PNN 表示優(yōu)化后的神經(jīng)網(wǎng)絡(luò)，由表2 和圖5可知PNN 網(wǎng)絡(luò)優(yōu)化前只可識(shí)別故障類別3 和7，其他故障類型均出現(xiàn)誤判，經(jīng)遺傳算法優(yōu)化后可識(shí)別故障類別為1、2、3、5、6、7、8 等7 類，其中預(yù)測樣本編號4 出現(xiàn)誤判，錯(cuò)將故障類型4 誤判為類型1，故障檢測準(zhǔn)確類型提高了5 類，正確率相對于優(yōu)化前提高了62.5%。

1.6 模型評價(jià)

誤差分析函數(shù)使用高斯誤差函數(shù)ERF，定義式：

誤差分析如圖6 所示，模型優(yōu)化前有5 類故障出現(xiàn)誤判，誤差值分別為：-0.15262、-0.00468、-1.53743、-0.17604、-0.15730、0、0、0。模型優(yōu)化后只有1 類故障出現(xiàn)誤判，其中第4 類故障誤判，其誤差值為-0.157299192，其他7 類故障誤差值均為0，說明模型優(yōu)化后測試故障誤差減小。

2 結(jié)語

針對柴油機(jī)工作環(huán)境較差，故障復(fù)雜多樣具有非線性特征，文章選取柴油機(jī)常見的故障數(shù)據(jù)作為數(shù)據(jù)庫，抽取燃油系統(tǒng)常見的8 類故障數(shù)據(jù)作為檢測樣本，通過建立基于PNN 網(wǎng)絡(luò)模型進(jìn)行測試，采用遺傳算法進(jìn)行優(yōu)化，經(jīng)仿真驗(yàn)證，對比優(yōu)化前后概率神經(jīng)網(wǎng)絡(luò)檢測結(jié)果可知優(yōu)化后神經(jīng)網(wǎng)絡(luò)檢測故障正確率較高，說明優(yōu)化后的PNN 神經(jīng)網(wǎng)絡(luò)模型對精確柴油機(jī)故障檢測有一定的參考價(jià)值。

［責(zé)任編輯 蘇琴］