基于遺傳PNN神經(jīng)網(wǎng)絡(luò)的真空閥自動(dòng)調(diào)試系統(tǒng)

嚴(yán)?？?，周鳳星，張 偉

(武漢科技大學(xué)信息科學(xué)與工程學(xué)院，湖北武漢 430081)

?

基于遺傳PNN神經(jīng)網(wǎng)絡(luò)的真空閥自動(dòng)調(diào)試系統(tǒng)

嚴(yán)保康，周鳳星，張 偉

(武漢科技大學(xué)信息科學(xué)與工程學(xué)院，湖北武漢 430081)

針對(duì)真空閥檢測(cè)中可能出現(xiàn)的故障情形及相應(yīng)的調(diào)試方法，提出一種基于遺傳PNN神經(jīng)網(wǎng)絡(luò)的真空閥自動(dòng)調(diào)試系統(tǒng)。將不同占空比電源驅(qū)動(dòng)下出氣口的壓力作為故障特征值，并利用PNN網(wǎng)絡(luò)進(jìn)行故障分類，結(jié)合機(jī)械手臂進(jìn)行相應(yīng)的調(diào)試，從而實(shí)現(xiàn)故障自動(dòng)檢測(cè)與調(diào)試。在樣本數(shù)有限的情況下，PNN神經(jīng)網(wǎng)絡(luò)通過遺傳算法獲得模式層最佳節(jié)點(diǎn)數(shù)目及相應(yīng)的平滑參數(shù)，降低了網(wǎng)絡(luò)的冗余度并提高了網(wǎng)絡(luò)的精度，再將通過PNN分類并調(diào)試成功的數(shù)據(jù)加入到樣本集中重新訓(xùn)練網(wǎng)絡(luò)，直到網(wǎng)絡(luò)精度增長率達(dá)到一定范圍，使得網(wǎng)絡(luò)的精度和模式層節(jié)點(diǎn)數(shù)達(dá)到最優(yōu)值。測(cè)試結(jié)果表明，該方法能夠有效的對(duì)真空閥進(jìn)行故障分類與調(diào)試，能大幅提高檢測(cè)的自動(dòng)化程度和精度。

真空閥；PNN神經(jīng)網(wǎng)絡(luò)；故障分類；自動(dòng)調(diào)試；遺傳算法

0 引言

發(fā)動(dòng)機(jī)的有害排放物是造成大氣污染的一個(gè)重要來源，隨著環(huán)境保護(hù)的重要性日益增加，降低發(fā)動(dòng)機(jī)有害排放物成為當(dāng)今世界上發(fā)動(dòng)機(jī)發(fā)展的一個(gè)重要方向。廢氣再循環(huán)系統(tǒng)(Exhaust Gas Recirculation，EGR)通過將內(nèi)燃機(jī)產(chǎn)生的廢氣的一部分再送回氣缸使其再度燃燒，可以降低排放氣體中的氮氧化物并提高燃料消費(fèi)率，因此，EGR閥成了機(jī)動(dòng)車的關(guān)鍵部件[1]。

隨著工況不同，EGR閥的進(jìn)氣量也需要相應(yīng)地調(diào)整，低負(fù)荷選擇小進(jìn)氣量，高負(fù)荷選擇大進(jìn)氣量，EGR閥的開度大小可通過脈沖電源驅(qū)動(dòng)的真空閥進(jìn)行調(diào)節(jié)[2-3]。因此，真空閥的性能指標(biāo)直接影響著EGR閥的性能，于是，真空閥的性能檢測(cè)就成為了真空閥生產(chǎn)中不可缺少的環(huán)節(jié)。

由于真空閥故障現(xiàn)象的多樣性、配件參數(shù)的非一致性以及裝配過程的不確定性，使得真空閥故障檢測(cè)技術(shù)還未廣泛使用。隨著生產(chǎn)線自動(dòng)化程度的提高，部分企業(yè)使用了真空閥質(zhì)量自動(dòng)檢測(cè)系統(tǒng)[4]，在很大程度上提高了質(zhì)檢的效率，但是也一次性否決了所有不合格產(chǎn)品，而事實(shí)上，部分不合格產(chǎn)品是由裝配的誤差造成了，可以通過調(diào)整滿足合格要求。而目前，針對(duì)這類不合格產(chǎn)品的處理方法是人工進(jìn)行配件的微調(diào)并單步進(jìn)行調(diào)試使其滿足合格條件，雖然提高了產(chǎn)品的合格率，卻嚴(yán)重制約了檢測(cè)效率。因此，如何檢測(cè)出不合格產(chǎn)品并自動(dòng)調(diào)試成功是本文研究的重點(diǎn)。

概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural networks，PNN)是一種學(xué)習(xí)規(guī)則簡單、訓(xùn)練速度快且能保持非線性高精度的算法[5]。針對(duì)真空閥性能檢測(cè)過程中特征值與調(diào)整角度的關(guān)系特點(diǎn)，文中設(shè)計(jì)了基于PNN網(wǎng)絡(luò)的真空閥自動(dòng)檢測(cè)與調(diào)試系統(tǒng)。首先，構(gòu)造檢測(cè)特征值與調(diào)整角度之間的故障關(guān)聯(lián)模型；再將各調(diào)整角度對(duì)應(yīng)的特征值組成特征向量，經(jīng)過PNN網(wǎng)絡(luò)訓(xùn)練，形成多種征兆與多個(gè)故障的映射關(guān)系；最后，結(jié)合訓(xùn)練好的PNN網(wǎng)絡(luò)，對(duì)真空閥進(jìn)行性能檢測(cè)并進(jìn)行故障預(yù)測(cè)。同時(shí)，在調(diào)試過程中，不斷加入新的訓(xùn)練樣本，逐漸完善PNN網(wǎng)絡(luò)，進(jìn)一步提高真空閥的自動(dòng)檢測(cè)與自動(dòng)調(diào)試系統(tǒng)的精確度。

1 VS52真空閥工作原理

VS52真空閥是EGR系統(tǒng)中的關(guān)鍵部件，能在不同占空比脈沖電源的驅(qū)動(dòng)下調(diào)節(jié)不同大小的開度，從而控制EGR閥中廢氣的進(jìn)氣量，其機(jī)構(gòu)圖如圖1所示。

進(jìn)氣口與穩(wěn)壓的負(fù)壓真空筒連接，為VS52閥提供穩(wěn)定的負(fù)壓環(huán)境；出氣口與EGR進(jìn)氣口相連，調(diào)整好流量的廢氣從該口進(jìn)入EGR閥；勵(lì)磁線圈和磁極鐵芯組成電磁鐵，磁極鐵芯和勵(lì)磁線圈為中空的，與廢氣相通；電源端為VS52閥提供不同占空比的脈沖電壓；防塵塞用來過濾進(jìn)入廢氣中的微塵顆粒。

圖1 VS52真空閥結(jié)構(gòu)圖

不通電時(shí)，由于進(jìn)氣口接的負(fù)壓環(huán)境，鐵片會(huì)在壓力差的作用下克服彈簧的彈力封住圖1中進(jìn)氣口與出氣口的連接處，此時(shí)，出氣口與廢氣進(jìn)氣口相通，達(dá)到最大流量；給閥接通脈沖電源，由勵(lì)磁線圈和磁極鐵芯組成的電磁鐵會(huì)產(chǎn)生磁力吸引鐵片，鐵片在周期性磁力、壓力和彈簧彈力的三重作用下處于一個(gè)穩(wěn)定的振蕩狀態(tài)，從而輸出穩(wěn)定流量的廢氣，在磁力和彈力完全克服壓力的情況下，出氣口與廢氣進(jìn)氣口隔開，達(dá)到零流量。

圖2所示為VS52真空閥在EGR系統(tǒng)中的工作流程圖。

圖2 VS52真空閥工作流程圖

2 故障檢測(cè)方法設(shè)計(jì)

2．1 故障分類及產(chǎn)生機(jī)理

由于VS52真空閥的作用是在不同占空比電源的驅(qū)動(dòng)下輸出特定流量的廢氣，因此對(duì)圖1中鐵片的吸合程度控制需要十分精確。根據(jù)第1節(jié)中提到的VS52真空閥結(jié)構(gòu)可知，影響鐵片吸合的因素有：穩(wěn)壓筒負(fù)壓、彈簧彈力、電磁鐵磁力、結(jié)構(gòu)的密封性。其中，在檢測(cè)中穩(wěn)壓筒負(fù)壓能提供恒定的負(fù)壓環(huán)境，對(duì)鐵片的吸合影響可以忽略；彈簧在出廠時(shí)特性已經(jīng)無法改變，結(jié)構(gòu)的密封性在檢測(cè)前也是固定，因此，若這兩項(xiàng)是造成故障的原因，則閥需要更換相應(yīng)配件；電磁鐵磁力可以通過調(diào)節(jié)磁極鐵芯進(jìn)入線圈的位置進(jìn)行改變，由磁力引起的故障通?？梢圆挥酶鼡Q配件，直接調(diào)節(jié)磁極鐵芯就能滿足條件，除非線圈斷路。因此故障可分為以下幾類：

(1)彈簧彈力不合格。彈力太弱，鐵片無法正常復(fù)位，電磁鐵在電源占空比較小時(shí)無法與鐵片吸合，導(dǎo)致檢測(cè)的出口流量值過大；彈力太強(qiáng)，電磁鐵與鐵片吸合程度太大，導(dǎo)致檢測(cè)的出口流量值過小。

(2)結(jié)構(gòu)密封性不合格。結(jié)構(gòu)不密封，廢氣會(huì)從縫隙進(jìn)入出氣口，進(jìn)而導(dǎo)致檢測(cè)的出口流量值整體偏大。

(3)線圈斷路。電磁鐵是由電流產(chǎn)生磁力，線圈斷路，電磁鐵無法產(chǎn)生磁力與鐵片吸合。

(4)磁極鐵芯位置偏差。鐵芯的位置影響磁力的大小，進(jìn)而影響檢測(cè)的出氣口流量值。

2．2 故障檢測(cè)原理

真空閥在穩(wěn)定環(huán)境下工作，其出氣口流量與壓力成正比，因此，可將不同占空比下的出氣口壓力作為性能特征值進(jìn)行故障判斷。在2．1節(jié)中描述的4類故障中：第1類和第4類故障都會(huì)對(duì)出氣口壓力產(chǎn)生影響，壓力特征值比較接近，且在一定范圍內(nèi)，均可通過調(diào)節(jié)磁極鐵芯位置解決故障；第2類故障，可通過檢測(cè)接通直流電源情況下的出口壓力進(jìn)行判斷，因?yàn)樵诮Y(jié)構(gòu)密封性良好時(shí)，接通直流電源，由于鐵片與電磁鐵緊密吸合，出氣口壓力應(yīng)與真空穩(wěn)壓筒壓力相等；第3類故障，則可直接檢測(cè)線圈在接通直流電源下的電流進(jìn)行判斷，線圈斷路，電流為零。為避免檢測(cè)工作的重復(fù)，故障檢測(cè)與調(diào)試的流程如圖3所示。

圖3 故障檢測(cè)與調(diào)試流程圖

其中，PNN網(wǎng)絡(luò)故障分類與鐵芯位置調(diào)試是文中研究的重點(diǎn)。鐵芯的位置直接決定電磁鐵與鐵片的吸合程度，進(jìn)而影響出氣口的壓力值，因此，可將不同占空比下出氣口壓力作為檢測(cè)的輸入特征值，鐵芯調(diào)整幅度作為故障輸出等級(jí)。首先，根據(jù)各類不同等級(jí)故障的樣本建立概率神經(jīng)網(wǎng)絡(luò)模型，待檢測(cè)的數(shù)據(jù)經(jīng)過該模型即可判斷出故障等級(jí)，進(jìn)而根據(jù)相應(yīng)的調(diào)整幅度調(diào)節(jié)鐵芯位置。

3 遺傳PNN網(wǎng)絡(luò)故障診斷方法

3．1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(PNN)是1990年由Specht提出的，是一種基于Bayes分類規(guī)則與Parzen窗的概率密度函數(shù)估計(jì)方法發(fā)展而來的算法[5]。PNN模型由輸入層、模式層、求和層、輸出層共4層組成，其基本結(jié)構(gòu)如圖3所示。

圖3 PNN網(wǎng)絡(luò)基本結(jié)構(gòu)

算法描述為，故障模式為Y=[y1，y2，…，ym]，要判斷的測(cè)量集為X=[x1，x2，…，xn]，基于貝葉斯決策來判斷d(x)∈yi的狀態(tài)為：

hilifi(X)>hklkfk(X)，k≠i

(1)

式中：hi和hk分別為yi和yk的先驗(yàn)概率；li為將本屬于yi類而被錯(cuò)分為其他類的代價(jià)因子；lk為將本屬于yk類而被錯(cuò)分為其他類的代價(jià)因子；fi(X)和fk(X)分別為yi和yk的概率密度函數(shù)，通?？梢愿鶕?jù)現(xiàn)有的訓(xùn)練樣本求其統(tǒng)計(jì)值，如式(2)所示。

(2)

式中：d為待分類的向量X及訓(xùn)練向量的維數(shù)；Ni為故障模式i的訓(xùn)練樣本的數(shù)量；Xij為故障模式i的第j個(gè)訓(xùn)練向量；σ為平滑參數(shù)[5]。

3．2 遺傳概率神經(jīng)網(wǎng)絡(luò)

平滑參數(shù)σ越接近于0，根據(jù)公式(2)估計(jì)的概率密度函數(shù)越逼近原概率密度函數(shù)，因此，只要樣本數(shù)目足夠多，訓(xùn)練結(jié)果就會(huì)很精確。但在實(shí)際工程中，樣本數(shù)不可能無窮大，σ也不會(huì)為0，用相同的σ表示每個(gè)神經(jīng)元的平滑參數(shù)雖然大幅降低了計(jì)算復(fù)雜度大，但同時(shí)也降低了分類的精確度。因此，需要使用公式(3)計(jì)算概率密度函數(shù)。

(3)

通過優(yōu)化平滑參數(shù)的值可以提高PNN網(wǎng)絡(luò)的分類精確度，如基于異方差的PNN訓(xùn)練算法[6]、基于Gap的平滑參數(shù)估計(jì)算法[7]、基于遺傳算法的PNN網(wǎng)絡(luò)[8]等。文中將采用遺傳PNN算法，在優(yōu)化σ的同時(shí)，也對(duì)輸入樣本進(jìn)行優(yōu)化，從而減少模式層的節(jié)點(diǎn)數(shù)，提高算法精度的同時(shí)提高了算法的效率。

3．2．1 染色體編碼

染色體編碼是遺傳算法的基本要素，將待優(yōu)化的參數(shù)表示成一組固定結(jié)構(gòu)的染色體[9]。針對(duì)PNN網(wǎng)絡(luò)，染色體可表示成C={C1，C2，…，CM}，M為訓(xùn)練樣本總類別數(shù)，Ci為染色體C的第i個(gè)片段，且

(4)

3．2．2 適應(yīng)度函數(shù)

適應(yīng)度函數(shù)是遺傳算法過程中的評(píng)估函數(shù)，取決于網(wǎng)絡(luò)的分類誤差和模式層的節(jié)點(diǎn)數(shù)目，定義為：

Fit=α·Error+(1-α)·Size

(5)

式中：α為權(quán)值；Error為分類誤差；Size為模式層的節(jié)點(diǎn)數(shù)。

通過適應(yīng)度函數(shù)，可使網(wǎng)絡(luò)在獲取最小分類誤差的同時(shí)，刪除對(duì)網(wǎng)絡(luò)影響不大的冗余節(jié)點(diǎn)[10]。

3．2．3 選擇操作

為了讓每一代中最優(yōu)秀的基因不被破壞，將適應(yīng)度最高的個(gè)體不經(jīng)過交叉或變異，直接復(fù)制到下一代。通常采用精英策略或者二元競(jìng)爭策略，精英策略的操作流程為：將適應(yīng)度較高的部分基因直接復(fù)制到下一代；二元競(jìng)爭策略的操作流程為：在樣本中隨機(jī)選擇2個(gè)個(gè)體，將其中適應(yīng)度高的復(fù)制到下一代。

3．2．4 交叉操作

交叉操作是從父代個(gè)體中選擇兩個(gè)個(gè)體，隨機(jī)選擇這兩個(gè)個(gè)體染色體中的一點(diǎn)或多點(diǎn)位置進(jìn)行交換，從而產(chǎn)生新的優(yōu)秀個(gè)體。交叉操作如圖4所示。

圖4 交叉操作

3．2．5 變異操作

變異操作是從父代個(gè)體中選擇一個(gè)個(gè)體，然后隨機(jī)選擇個(gè)體中染色體的一點(diǎn)進(jìn)行變異以產(chǎn)生更優(yōu)秀的個(gè)體，如式(6)所示。

(6)

3．2．6 刪除操作

刪除操作是為了減少PNN網(wǎng)絡(luò)的冗余節(jié)點(diǎn)，以一定的刪除概率選擇并刪除染色體中的某些片段。如圖5所示。

圖5 刪除操作

3．3 遺傳PNN算法步驟

步驟1：設(shè)置算法精度值增長率α、總進(jìn)化次數(shù)G、種群大小N、個(gè)體長度l、交叉概率pc、變異概率pm、刪除概率pd、選擇概率ps；置當(dāng)前進(jìn)化次數(shù)i=0；隨機(jī)生成N個(gè)長度為l的個(gè)體，每個(gè)個(gè)體中包含訓(xùn)練樣本特征值變量和對(duì)應(yīng)的平滑參數(shù)；計(jì)算所有個(gè)體的適應(yīng)度值。

步驟2：通過選擇操作、交叉操作、變異操作和消除操作產(chǎn)生下一代。

步驟3：計(jì)算新種群中所有個(gè)體的適應(yīng)度值。

步驟4：輸出適應(yīng)度值最高的個(gè)體，并組成對(duì)應(yīng)的PNN網(wǎng)絡(luò)。

步驟5：待檢測(cè)的故障數(shù)據(jù)經(jīng)過步驟4訓(xùn)練的PNN網(wǎng)絡(luò)進(jìn)行故障分類并進(jìn)行相應(yīng)的調(diào)試；調(diào)試后數(shù)據(jù)進(jìn)行合格驗(yàn)證并對(duì)故障數(shù)據(jù)進(jìn)行分類；統(tǒng)計(jì)經(jīng)過組Nv數(shù)據(jù)驗(yàn)證后的精度增長率αt，若αt<α，將正確分類后的故障數(shù)據(jù)合并到訓(xùn)練樣本，重新進(jìn)行以上所有步驟。

步驟6：輸出滿足以上步驟的個(gè)體所對(duì)應(yīng)的PNN網(wǎng)絡(luò)。

步驟5的作用是在訓(xùn)練樣本數(shù)不夠的情況下，通過增加正確分類的檢測(cè)數(shù)據(jù)作為樣本，進(jìn)而提高算法的精度，同時(shí)精度增長率α的設(shè)定可以使PNN精度和節(jié)點(diǎn)數(shù)達(dá)到最優(yōu)值。

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證算法在真空閥自動(dòng)檢測(cè)與調(diào)試系統(tǒng)中的有效性，針對(duì)真空閥的不同故障類型進(jìn)行如下實(shí)驗(yàn)。

真空穩(wěn)壓筒負(fù)壓為-50 kPa，脈沖電源的占空比分別為5%、10%、20%、30%、40%、50%、60%、70%、80%、90%、99%這11個(gè)值，分別采集不同占空比下真空閥出氣口的壓力值，將這11個(gè)壓力值作為檢測(cè)的特征值輸入到PNN網(wǎng)絡(luò)。PNN故障輸出分為8個(gè)等級(jí)，分別對(duì)應(yīng)鐵芯調(diào)整角度為-4T、-3T、-2T、-1T、1T、2T、3T、4T，T代表一個(gè)螺紋周期，即360°，角度的正負(fù)代表旋轉(zhuǎn)方向，正表示順時(shí)針，負(fù)表示逆時(shí)針。性能合格檢測(cè)函數(shù)為區(qū)間函數(shù)，超過區(qū)間上下限即為不合格。

每個(gè)故障等級(jí)有100組數(shù)據(jù)，其中70組作為首次訓(xùn)練樣本，30組作為網(wǎng)絡(luò)的測(cè)試樣本。對(duì)于遺傳算法，設(shè)定進(jìn)化次數(shù)G=100，種群大小N=50，交叉概率pc=0.2，變異概率pm=0.1，刪除概率pd=0.01，精度增長率為α=0.001。

圖6所示為不同故障等級(jí)和合格的特征值，從圖6可以看出，故障1～4由于鐵芯進(jìn)入尺寸過多，磁力太強(qiáng)，故特征值在低占空比會(huì)超出標(biāo)準(zhǔn)上限，而在高占空比變化不大；故障5～8由于鐵芯進(jìn)入尺寸不足，磁力太弱，故特征值會(huì)超出標(biāo)準(zhǔn)下限。

圖6 故障特征值

圖7所示為首次訓(xùn)練，即只使用已知訓(xùn)練樣本數(shù)據(jù)訓(xùn)練時(shí)，使用檢測(cè)樣本得到的故障分類誤差隨遺傳進(jìn)化次數(shù)變化的曲線?？梢钥闯鲭S著進(jìn)化次數(shù)的增加，其分類誤差呈現(xiàn)減少的趨勢(shì)，在進(jìn)化到80次左右，沒出現(xiàn)明顯變化。

圖8所示為首次訓(xùn)練時(shí)模式層的最優(yōu)節(jié)點(diǎn)數(shù)隨遺傳進(jìn)化次數(shù)變化的曲線。由于訓(xùn)練樣本中存在的冗余樣本信息，使得最優(yōu)節(jié)點(diǎn)數(shù)隨著遺傳進(jìn)化逐漸減少，最后基本停留在170個(gè)節(jié)點(diǎn)左右。

圖7 首次訓(xùn)練分類誤差隨進(jìn)化次數(shù)變化曲線

圖8 首次訓(xùn)練節(jié)點(diǎn)數(shù)目隨進(jìn)化次數(shù)變化曲線

在首次訓(xùn)練好的遺傳PNN網(wǎng)絡(luò)中，隨著檢測(cè)數(shù)據(jù)的不斷增加，可以將正確分類故障的部分檢測(cè)數(shù)據(jù)加入要訓(xùn)練樣本中，重新訓(xùn)練PNN網(wǎng)絡(luò)，從而完善網(wǎng)絡(luò)的訓(xùn)練樣本類型，彌補(bǔ)初始訓(xùn)練樣本不足的缺陷。從每次訓(xùn)練好的遺傳PNN網(wǎng)絡(luò)檢測(cè)數(shù)據(jù)中，選取80組數(shù)據(jù)與當(dāng)前最優(yōu)訓(xùn)練樣本一起作為新的訓(xùn)練樣本，重新訓(xùn)練網(wǎng)絡(luò)，從而得到圖9所示最優(yōu)節(jié)點(diǎn)數(shù)隨訓(xùn)練次數(shù)變化的曲線以及圖10所示分類誤差隨訓(xùn)練次數(shù)變化的曲線。從圖9和圖10中均可以看出，隨著訓(xùn)練次數(shù)不斷增加，最優(yōu)節(jié)點(diǎn)數(shù)會(huì)達(dá)到一個(gè)飽和狀態(tài)，而且分類誤差也會(huì)停滯不前，此時(shí)的網(wǎng)絡(luò)即可作為最優(yōu)的遺傳PNN網(wǎng)絡(luò)。

圖9 最優(yōu)節(jié)點(diǎn)數(shù)目隨訓(xùn)練次數(shù)變化曲線

圖10 分類誤差隨訓(xùn)練次數(shù)變化曲線

從最后的結(jié)果可以看出，模式層的最優(yōu)節(jié)點(diǎn)數(shù)為312，此時(shí)分類誤差僅為2．4%，在保證高精度故障分類的同時(shí)，大幅度減少了模式層的節(jié)點(diǎn)數(shù)。

5 結(jié)論

針對(duì)VS52真空閥提出的基于PNN神經(jīng)網(wǎng)絡(luò)的真空閥自動(dòng)檢測(cè)與調(diào)試系統(tǒng)，通過PNN網(wǎng)絡(luò)將故障等級(jí)進(jìn)行分類，并結(jié)合機(jī)械手對(duì)不同故障程度進(jìn)行相應(yīng)的調(diào)試，實(shí)現(xiàn)了真空閥性能檢測(cè)的自動(dòng)化，提高了生產(chǎn)線的效率。同時(shí)通過遺傳算法對(duì)PNN網(wǎng)絡(luò)中的模式層節(jié)點(diǎn)數(shù)和對(duì)應(yīng)的平滑參數(shù)進(jìn)行優(yōu)化，在提高了系統(tǒng)精度的同時(shí)，降低了系統(tǒng)的復(fù)雜度。最后，由于新檢測(cè)樣本的增加，更加豐富了網(wǎng)絡(luò)的訓(xùn)練樣本信息，并進(jìn)一步提高網(wǎng)絡(luò)的精度。

[1] 李向榮，魏镕，孫柏剛．內(nèi)燃機(jī)燃燒科學(xué)與技術(shù)．北京：北京航空航天大學(xué)出版社，2012：358-429．

[2] 鄭偉，張振東，胡大志，等．具有自動(dòng)控制功能的柴油機(jī)EGR系統(tǒng)的研制．內(nèi)燃機(jī)工程，2010，31(5)：52-57．

[3] 平銀生，張逸敏，蔡?hào)|波，等．利用EGR降低柴油機(jī)排放的研究．內(nèi)燃機(jī)工程，2000，21(4)：6-10．

[4] 周鳳星，孟志華，楊君，等．一種用于真空閥的質(zhì)量檢測(cè)平臺(tái)．中國：CN201010200800．X，2010．11．10．

[5] SPECHT D F．Probalilistic neural networks．Neural Networks，1990，3(1)：109-118．

[6] 連遠(yuǎn)鋒，李國和，吳發(fā)林，等．基于遺傳PNN網(wǎng)絡(luò)的組合導(dǎo)航故障診斷研究．儀器儀表學(xué)報(bào)，2012，33(1)：120-126．

[7] 王金甲，王成儒．基于異方差的PNN訓(xùn)練算法的研究．儀器儀表學(xué)報(bào)，2004，25(6)：709-713．

[8] ZHONG M，COGGESHALLl D，GHANEIE E．Gap-based estimation：choosing the smoothing parameters for probabilistic and general regression neural networks．International Joint Conference on Neural Networks，2006：1870-1877．

[9] MIGUEZ R，GEORGIOPULOS M，KAYLANI A.G-PNN：A genetically engineered probabilistic neural network．Nonlinear Analysis，2010，73(6)：1783-1791．

[10] GOLDBERG D E，HOLLAND J H．Genetic Algorithms and Machine Learning．Machine learning，1988，3(3)：95-99．

Automatic Debugging System for Vacuum Valve Based on Genetic PNN

Yan Bao-kang，Zhou Feng-xing，Zhang Wei

(School of Information Science and Engineering，Wuhan University of Science and Technology，Wuhan 430081，China)

The automatic debugging system based on genetic PNN was proposed for the fault and corresponding debugging method of vacuum valve. The pressure of the outlet port under the power with varying duty ratio can be extracted as the input for PNN for fault classification, and then debugged with manipulator to achieve automatic diagnosis and debugging. As the training samples were restricted, the PNN improved with genetic algorithm firstly get the optimum nodes of the pattern layer and corresponding smoothing parameters, then added the correct testing data through the trained PNN into the training samples, and trained the PNN again till the accuracy satisfied certain value. Thus, the accuracy and nodes of the PNN can be optimal. The results show that this method can not only diagnose and solve the fault for vacuum valve, but also improve the accuracy and automaticity of the system.

vacuum valve；PNN；fault classification；automatic debugging；genetic algorithm

齊建虹(1990—)，碩士研究生，研究領(lǐng)域?yàn)樯镝t(yī)療設(shè)備的自動(dòng)控制。E-mail：qi．jianhong@163．com； 蔡錦達(dá)(1963—)，教授，碩士，研究領(lǐng)域?yàn)榍度胧较到y(tǒng)開發(fā)，生物醫(yī)療設(shè)備的研發(fā)。E-mail：cjd6309@126．com；

國家自然科學(xué)基金資助項(xiàng)目(61174106)

2014-01-08 收修改稿日期：2014-11-08

TP277

A

1002-1841(2015)01-0060-05