基于神經(jīng)網(wǎng)絡(luò)的柴油機遙控系統(tǒng)故障智能診斷研究

，

(上海交通大學(xué) 船舶海洋與建筑工程學(xué)院，上海 200030)

船舶主機遙控系統(tǒng)是實現(xiàn)船舶機艙高度自動化的前提，一般由執(zhí)行器、控制器、傳感器、齒輪箱驅(qū)動器、連接電纜等部分組成，其中控制器是主機控制系統(tǒng)的核心部分[1]。所以對主機遙控系統(tǒng)特別是控制器的各類故障現(xiàn)象進行迅速準確的分析并及時排除有著非常重大的現(xiàn)實意義。傳統(tǒng)模擬電路故障診斷方法，如故障字典法，、參數(shù)識別法等，由于自身的局限性和工作量過大等問題，其診斷效果并不理想。為了實現(xiàn)更加快速準確地模擬電路智能故障診斷，必須尋求其它方法。人工神經(jīng)網(wǎng)絡(luò)憑借其無需建立診斷對象的精確數(shù)學(xué)模型、非線性映射、高速的自組織和自學(xué)習(xí)推理能力等特性[2]，成為故障診斷的一種有效方法和手段，在模擬電路故障診斷中也己獲得較成功的應(yīng)用。

1 人工神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用

反向傳播神經(jīng)網(wǎng)絡(luò)簡稱BP神經(jīng)網(wǎng)絡(luò)，是一種典型的前向式神經(jīng)網(wǎng)絡(luò)，是迄今為止應(yīng)用最普遍的一種神經(jīng)網(wǎng)絡(luò)，在模擬電路故障診斷中目前也是以BP網(wǎng)絡(luò)為主。圖1為采用簡化符號來表示的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，每層都有自己的權(quán)值矩陣W、偏置值向量b、凈輸入向量n和一個

圖1 三層神經(jīng)網(wǎng)絡(luò)的簡化表示

輸出向量a，各變量的維數(shù)均直接標出，這樣就可以不必費心去猜變量的類型或維數(shù)，一目了然。這里引入了額外的符號來區(qū)分這些層次，即每個變量都附加一個上標來表示其所處層次。這樣，第一層的權(quán)值矩陣記為W1，第二層的權(quán)值矩陣記為W2，以此類推[3]。它的工作方式是一種有教師的學(xué)習(xí)算法，即它必須已知每種輸入模式的精確輸出結(jié)果。

基于人工神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷系統(tǒng)主要包括兩個過程:學(xué)習(xí)(訓(xùn)練)過程和診斷(測試)過程，每個過程都包括數(shù)據(jù)預(yù)處理和特征提取兩部分。模擬電路故障診斷的過程是把癥狀空間的向量映射到故障空間，即實現(xiàn)故障特征空間到分類(識別)空間的映射。如何快速、有效提取優(yōu)質(zhì)的模擬電路故障特征，是進行電路故障診斷和測試的難點和關(guān)鍵所在。

用BP網(wǎng)絡(luò)進行電路故障診斷的步驟為:①測前，將電路的正常狀態(tài)及各種故障狀態(tài)所對應(yīng)的理論值求出，并作為樣本輸入給BP網(wǎng)絡(luò)，訓(xùn)練好BP網(wǎng)絡(luò)；②加測試激勵，將實際狀態(tài)測出，經(jīng)過一定預(yù)處理后把數(shù)據(jù)提供給訓(xùn)練好的BP網(wǎng)絡(luò)進行測試。訓(xùn)練好的網(wǎng)絡(luò)不僅能識別已經(jīng)訓(xùn)練過的樣本，而且能通過聯(lián)想推理，識別未出現(xiàn)過的樣本，這正是神經(jīng)網(wǎng)絡(luò)智能性的體現(xiàn)[4]。

2 遙控系統(tǒng)故障智能診斷的實現(xiàn)

本文所述柴油機遙控系統(tǒng)主控制器主要由24個單獨的模塊組成。在對24個模塊的線路板的具體工作原理進行仔細分析后，通過系統(tǒng)管理軟件控制數(shù)據(jù)采集卡、專用電源、控制板向被測模塊相關(guān)引腳輸入一定的激勵信號，并通過采集卡各數(shù)字和模擬輸入通道采集各引腳的響應(yīng)信號，由神經(jīng)網(wǎng)絡(luò)模型分析線路板性能，進行故障判斷并提示故障點位置及其故障類型，并給出維修提示。診斷時，首先將大規(guī)模電路按照某種原則撕裂為若干個小網(wǎng)絡(luò),再利用 BP 網(wǎng)絡(luò)的診斷原理分別對每一個子網(wǎng)絡(luò)進行診斷。M6P3作為柴油機遙控系統(tǒng)24個模塊中屬于比較簡單的一個模塊，以此模塊為例進行故障診斷。電路原理見圖2。

圖2 柴油機遙控系統(tǒng)模塊M6P3電路原理

如圖2所示，這個模塊面板上有5個接插件X1,X2,…,X5，通過連線與測試控制板相連，然后運行系統(tǒng)軟件里對每個模塊單獨編制的測試進程程序，通過控制采集卡、控制板上的單片機和繼電器等元件來控制模塊各引腳和采集卡對應(yīng)通道間的通斷，實現(xiàn)對模塊各引腳激勵信號輸入和對應(yīng)引腳響應(yīng)信號采集的過程自動化，再通過訓(xùn)練好的故障診斷神經(jīng)網(wǎng)絡(luò)來診斷故障并給出維修提示，這樣就大大減少了診斷過程的復(fù)雜性，并實現(xiàn)了測試的智能性。

在此模塊中，全部的可能故障可分為三大類：①接插件各引腳連線故障；②繼電器故障，各開關(guān)不能有效動作；③電容短路故障。通過仔細分析，為了減少神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性及考慮到采集卡輸入輸出通道數(shù)目的有限性，將測試過程分成9個獨立的小階段。這9個階段因故障類型均為硬故障，故采用同一個訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。原理闡述如下。

從圖2中可以看到X5：A1與X2：b0～b9，X5：A2與X1：b0～b9，X5：A3與X4：a0～a9，X5：A4與X3：a0～a9，X5：Б1與X4:c0～c9，X5：B2與X3:c0～c9各腳均互連，另還有14組諸如X1：a8與X1:a9兩兩互連的引腳，9個開關(guān)和3個電容(只檢測電容有無短路)，據(jù)此分為9個檢測階段，每個階段均采取10輸入10輸出的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，10輸出編號為0～9，在每一檢測階段每一編號對應(yīng)某一特定的故障?，F(xiàn)以第一檢測階段即檢測X5:A1與X2:b0～b9連線故障來具體闡述其實現(xiàn)過程：通過采集卡對X5:A1施加直流+5 V電壓激勵，通過采集卡數(shù)字端口檢測X2:b0～b910個引腳的電平情況，即這里采取的神經(jīng)網(wǎng)絡(luò)故障特征提取方法是根據(jù)CMOS電平來確定的，高為1，低為0，然后作為神經(jīng)網(wǎng)絡(luò)的輸入，經(jīng)過訓(xùn)練好的BP網(wǎng)絡(luò)處理后，10個輸出中若有某編號(在這階段編號0～9對應(yīng)X2:b0～b9)如3號輸出為0，說明X2:b3與X5：A1有斷線故障，若輸出為1則表示正常。

需特別說明的是，對繼電器各開關(guān)進行故障檢測時，各繼電器均上電，對應(yīng)于常閉開關(guān)的編號輸出為1，表示故障，輸出為0則正常，與常開開關(guān)相反。

3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定方法

關(guān)于BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用主要包括:確定網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練BP網(wǎng)絡(luò)、測試訓(xùn)練過的BP網(wǎng)絡(luò)。確定網(wǎng)絡(luò)結(jié)構(gòu)包括確定網(wǎng)絡(luò)的隱層數(shù)及各隱層的單元數(shù)。對于網(wǎng)絡(luò)的層數(shù),不少學(xué)者做了理論上的研究。Lippmann提出,有2個隱層的神經(jīng)網(wǎng)絡(luò)可以解決任何形式的分類問題[5]。之后,Robert Hecht Nielson從理論上證明,對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用具有一個隱層的BP網(wǎng)絡(luò)來逼近,因而一個三層的BP網(wǎng)絡(luò)可以完成任意的M維到m維的映射[6]。這一理論在設(shè)計BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)時可以作為一個基本原則。實際上,增加層數(shù)的目的是找到輸入輸出變量之間的映射關(guān)系,進一步降低誤差,提高學(xué)習(xí)精度,但另一方面,這樣做也使得網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜化,從而增加了網(wǎng)絡(luò)權(quán)值的訓(xùn)練時間。

本文用于故障診斷的BP神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)，除輸入和輸出層外只有一個隱性層，而通過隱層單元數(shù)的設(shè)置來調(diào)節(jié)誤差。眾所周知，隱層節(jié)點數(shù)必須設(shè)置合適，否則若節(jié)點數(shù)過少,學(xué)習(xí)的容量有限,不足以存儲訓(xùn)練樣本中蘊含的所有規(guī)律；節(jié)點數(shù)過多會增加網(wǎng)絡(luò)的訓(xùn)練時間,且會將樣本中非規(guī)律性的內(nèi)容存儲進去,反而降低泛化能力。對此，除了許多學(xué)者提出不少經(jīng)驗公式外，也有人提出試湊法, 即初始放入足夠多的隱層單元, 然后把學(xué)習(xí)后那些不起作用的隱層單元逐步去掉, 一直減少到不可收縮為止或者初始時放入比較少的隱層單元, 學(xué)習(xí)一定的次數(shù)后, 不成功再增加隱層單元數(shù), 一直達到比較合理的隱層單元數(shù)為止[7]。本文通過經(jīng)驗公式首先將隱層單元數(shù)確定在一個范圍中,然后通過試湊法將此范圍稍加擴大,比較這些模型的仿真結(jié)果,以此確定網(wǎng)絡(luò)的結(jié)構(gòu)。根據(jù)第二部分的輸入輸出數(shù)和某經(jīng)驗公式,初步確定隱層單元數(shù)的范圍在 6～15之間，而為了體現(xiàn)出隱層單元數(shù)對模型精度、訓(xùn)練速度的影響,在仿真中,將這個范圍稍微放大將隱層單元數(shù)取在 6～20之間,仿真并比較各結(jié)果。

4 算法優(yōu)化及仿真驗證

BP網(wǎng)絡(luò)通過調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值建立起了輸入與輸出之間的隱含數(shù)學(xué)關(guān)系，實現(xiàn)了對學(xué)習(xí)樣本的記憶，從而具有分類的功能。但是傳統(tǒng)的BP算法自身仍有缺陷和不足，比如收斂速度慢，再如，由于采用梯度下降訓(xùn)練算法，因此有可能陷入局部極小。這些缺陷和不足都將導(dǎo)致對電路故障診斷效率不能達到最優(yōu)。針對這一點，考慮了一些改進網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練的算法，包括動量方法和Levenberg-Marquardt數(shù)值優(yōu)化算法。反向傳播的動量改進(MOBP)公式如下[8]：

ΔWm(k)=γΔWm(k-1)-(1-γ)αsm(am-1)T
Δbm(k)=γΔbm(k-1)-(1-γ)αsm

(1)

F(x)——均方誤差函數(shù)。

加入動量因子γ的動量方法有助于減少訓(xùn)練過程中振蕩的數(shù)目，可以加速收斂。Levenberg-Marquardt算法主要優(yōu)點是算法的每次迭代都能減少平方誤差和。其權(quán)重和閾值更新公式為

X(k+1)=X(k)-(JTJ+μI-1)JTe

(2)

式中：J——誤差對權(quán)值微分的雅可比矩陣；

e——誤差向量。

最后通過上述介紹的經(jīng)驗公式和試湊法，確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為10-20-10，采用反向傳播的動量改進(MOBP)的學(xué)習(xí)方法和Levenberg-Marquardt算法的訓(xùn)練方法，網(wǎng)絡(luò)圴方誤差MSE=1×10-10。訓(xùn)練結(jié)果見圖3。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果顯示

從圖3中可以看出，1 min 02 s后，神經(jīng)網(wǎng)絡(luò)就能訓(xùn)練達到所要求的精度。接下來通過隨機生成一組模擬輸入向量(共200個)，并用訓(xùn)練好的網(wǎng)絡(luò)來產(chǎn)生其輸出結(jié)果，試驗結(jié)果表明網(wǎng)絡(luò)的實際輸出跟理論輸出幾乎一致，從而能達到所訓(xùn)網(wǎng)絡(luò)診斷故障的目的。

5 結(jié)論

改進的算法能有效加快網(wǎng)絡(luò)的收斂速度，縮短訓(xùn)練時間，而且對系統(tǒng)電路的硬故障診斷準確率極高，能真正實現(xiàn)快速自動智能的故障檢測功能。但是應(yīng)該指出的是，就一些元器件的軟故障，如電阻、電容或三極管參數(shù)偏離正常值等，用BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)這類故障類型的判斷有著一定的欠缺。

[1] 陳鴻瓔.船舶柴油機主機遙控[M].北京：人民交通出版社，1996.

[2] 王 承.基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[D].電子科技大學(xué),2005.

[3] Hagan Martin T, Demuth Howard B, Beale Mark H.神經(jīng)網(wǎng)絡(luò)設(shè)計[M].戴葵，譯.北京：機械工業(yè)出版社，2002.

[4] 譚陽紅，何怡剛，陳洪云，等.大規(guī)模電路故障診斷神經(jīng)網(wǎng)絡(luò)方法[J].電路與系統(tǒng)學(xué)報,2001,6(4):25-28.

[5] Lippmann R P.An introduction to computing with neural nets[J].IEEE ASSP Magazine,1988,16(1):4-22

[6] Nielson R H.Theory of the backpropagation neural network[C]∥Washington,DC,OSA: International Joint Conference on Neural Net Works, 1989.

[7] 張立明.人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[M].上海:復(fù)旦大學(xué)出版社,1995.

[8] 丁士圻，郭麗華.人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)[M].哈爾濱:哈爾濱工程大學(xué)出版社，2008.