基于概率神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷研究

王志 張杰 晉超

摘要：針對柴油機(jī)故障的人工診斷方法存在診斷難度大、診斷速度慢、干擾因素多等問題，提出了使用概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行柴油機(jī)故障智能診斷的方法。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效應(yīng)用于柴油機(jī)故障診斷中，并在診斷速度、準(zhǔn)確率等方面均優(yōu)于人工診斷方法。

關(guān)鍵詞：柴油機(jī);故障診斷;概率神經(jīng)網(wǎng)絡(luò)

0 引言

隨著現(xiàn)代科技的不斷發(fā)展進(jìn)步，我國工業(yè)化水平不斷提高，以柴油機(jī)為代表的各種動力機(jī)械將機(jī)、電、液集于一體，其自動化程度、結(jié)構(gòu)復(fù)雜程度也越來越高。結(jié)構(gòu)復(fù)雜的柴油機(jī)在長期使用過程中，某個系統(tǒng)或者某個零部件出現(xiàn)故障，導(dǎo)致整個設(shè)備無法正常運(yùn)轉(zhuǎn)的情況時有發(fā)生，造成企業(yè)生產(chǎn)工期延長或者停工，甚至威脅使用人員的人身安全。因此，監(jiān)測柴油機(jī)運(yùn)行狀態(tài)具有重要意義，對柴油機(jī)的日常維護(hù)變得越發(fā)重要。柴油機(jī)故障診斷技術(shù)，是指對柴油機(jī)的日常運(yùn)行狀態(tài)及運(yùn)行參數(shù)進(jìn)行實(shí)時監(jiān)測，采集并分析設(shè)備運(yùn)行數(shù)據(jù)，以期能夠及時發(fā)現(xiàn)柴油機(jī)故障，并有效預(yù)防柴油機(jī)故障的發(fā)生，及時采取有效措施對柴油機(jī)進(jìn)行維護(hù)和保養(yǎng)，減少設(shè)備維修時間和維修費(fèi)用，提高企業(yè)生產(chǎn)效率。

使用傳統(tǒng)的人工經(jīng)驗(yàn)方法對結(jié)構(gòu)復(fù)雜的柴油機(jī)系統(tǒng)進(jìn)行故障診斷與識別是較為困難的，且準(zhǔn)確率較低，因此自動化的診斷系統(tǒng)成為當(dāng)前的研究熱點(diǎn)和重點(diǎn)。目前，已有許多針對柴油機(jī)故障診斷的研究成果。文獻(xiàn)[1]基于BP人工神經(jīng)網(wǎng)絡(luò)和小波理論，對柴油機(jī)的進(jìn)排氣系統(tǒng)進(jìn)行了研究，分析了不同工況下、不同位置的缸蓋振動信號，結(jié)果證明，缸蓋上方的振動信號包含的故障信號較多，對特征表現(xiàn)的描述也最準(zhǔn)確;文獻(xiàn)[2]以柴油機(jī)電控單元的工作原理為基礎(chǔ)，研究分析了柴油機(jī)各子模塊的故障診斷策略;文獻(xiàn)[3]基于EEMD模型，研究總結(jié)了柴油機(jī)振動信號的非線性特性，提出了基于分形維數(shù)的故障診斷模型;文獻(xiàn)[4]以S型函數(shù)變換為基礎(chǔ)，結(jié)合柴油機(jī)燃燒激勵響應(yīng)特性信號，進(jìn)行相關(guān)頻段的總結(jié)研究，以實(shí)際采集的多種常見柴油機(jī)機(jī)型在不同故障狀態(tài)下缸蓋表面振動數(shù)據(jù)信號為條件，進(jìn)行了故障診斷研究，并使用采樣率轉(zhuǎn)換器來提高故障診斷的效率。

本文在總結(jié)分析現(xiàn)有柴油機(jī)故障診斷研究成果的基礎(chǔ)上，進(jìn)一步對柴油機(jī)的故障診斷方法進(jìn)行研究，以收斂速度快、穩(wěn)定性高的概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN）模型為基礎(chǔ)，構(gòu)建柴油機(jī)故障診斷模型。

1 理論方法研究

1.1? ? PNN模型概述

PNN是1989年由Specht博士首先提出，該神經(jīng)網(wǎng)絡(luò)是一種并行計算方法，是以貝葉斯分類規(guī)則和Parzen窗的概率密度函數(shù)為基礎(chǔ)的估計方法。PNN模型由于具備結(jié)構(gòu)簡潔、訓(xùn)練難度小、收斂速度快等優(yōu)點(diǎn)而被廣泛應(yīng)用于各個領(lǐng)域。在使用PNN模型對柴油機(jī)故障進(jìn)行診斷分類時，其主要優(yōu)勢是用線性學(xué)習(xí)算法來完成非線性學(xué)習(xí)算法的模式分類工作，并且模型各層之間的權(quán)值即代表模式樣本的分布情況，不需要額外進(jìn)行網(wǎng)絡(luò)訓(xùn)練，能夠達(dá)到快速分類處理的效果。

PNN模型是一種前饋型神經(jīng)網(wǎng)絡(luò)，當(dāng)分布密度SPREAD值接近零時，其為最近鄰分類器;當(dāng)分布密度SPREAD值較大時，其構(gòu)成幾個訓(xùn)練樣本的近鄰分類器。PNN模型由輸入層、模式層、求和層、輸出層共計4層組成，其基本結(jié)構(gòu)如圖1所示。

輸入層的主要作用是接收訓(xùn)練樣本數(shù)據(jù)，并將提取的特征向量值傳遞給網(wǎng)絡(luò)，其神經(jīng)元數(shù)量和樣本的屬性維度相等。模式層的主要作用是輸入樣本數(shù)據(jù)的特征向量與訓(xùn)練數(shù)據(jù)中各個模式之間的匹配關(guān)系，其神經(jīng)元的個數(shù)等于各個類別訓(xùn)練樣本數(shù)據(jù)之和，每個模式單元的輸出為：

式中：Wi為輸入層與模式層之間的連接權(quán)值;δ為平滑因子。

基于PNN模型的柴油機(jī)故障診斷方法可描述為，假設(shè)有2種故障已知的模式θA、θB，相應(yīng)的故障特征為X=（x1，x2，…，xn），對故障特征進(jìn)行判斷：若hAlA fA（X）>hBlB fB（X），則X∈θA;若hAlA fA（X）

式中：Xai為相應(yīng)故障θA的第i個訓(xùn)練樣本值;m為相應(yīng)的訓(xùn)練樣本數(shù)量;ε為以樣本點(diǎn)為中心的鐘狀曲線寬度的平滑參數(shù)。

1.2? ? 柴油機(jī)故障數(shù)據(jù)分析

為準(zhǔn)確描述柴油機(jī)故障的屬性特征，在使用PNN模型進(jìn)行故障診斷訓(xùn)練時，選用常用的柴油機(jī)第一氣缸為主要研究對象，其對應(yīng)的故障主要有噴油壓力過大、噴油壓力過小、噴油器針閥磨損、油路堵塞、供油提前角提前等，在獲得整體數(shù)據(jù)后需要對其進(jìn)行相應(yīng)的預(yù)處理，從而構(gòu)建合理的PNN模型。

1.3? ? 模型構(gòu)建流程

針對柴油機(jī)故障，使用PNN模型進(jìn)行診斷時的基本流程包括：

（1）收集數(shù)據(jù)。根據(jù)故障類型分析，采用相應(yīng)傳感器進(jìn)行數(shù)據(jù)采集，在原始數(shù)據(jù)采集完成后，進(jìn)行數(shù)據(jù)的去噪聲、歸一化等預(yù)處理操作。

（2）構(gòu)建PNN網(wǎng)絡(luò)。根據(jù)所收集的數(shù)據(jù)，分析獲取樣本數(shù)據(jù)特征，根據(jù)研究對象特征，構(gòu)建相應(yīng)的PNN網(wǎng)絡(luò)，并對網(wǎng)絡(luò)參數(shù)進(jìn)行初始化。

（3）訓(xùn)練網(wǎng)絡(luò)。使用歸一化后的樣本數(shù)據(jù)，進(jìn)行PNN網(wǎng)絡(luò)訓(xùn)練，并通過訓(xùn)練數(shù)據(jù)的回代，初步查看網(wǎng)絡(luò)的分類效果。

（4）網(wǎng)絡(luò)效果測試。使用預(yù)先確定的故障特征值進(jìn)行PNN網(wǎng)絡(luò)的效果測試，并根據(jù)測試的結(jié)果是否達(dá)到預(yù)期要求進(jìn)行相應(yīng)調(diào)整，直至達(dá)到預(yù)期結(jié)果為止。

（5）結(jié)果分析。對獲得的柴油機(jī)故障診斷結(jié)果進(jìn)行分析。

2 實(shí)例驗(yàn)證分析

為了驗(yàn)證本文所提使用PNN模型進(jìn)行柴油機(jī)故障診斷方法的可行性與科學(xué)性，以LR4105型柴油機(jī)為研究對象，采集其相應(yīng)的故障特征樣本數(shù)據(jù)，共計獲得33組樣本數(shù)據(jù)集。選用所獲樣本數(shù)據(jù)的前23組值作為PNN模型的訓(xùn)練樣本，后10組樣本值作為PNN模型的驗(yàn)證樣本。同時，為形象化展示PNN模型訓(xùn)練后的優(yōu)劣情況，使用樣本數(shù)據(jù)與預(yù)測數(shù)據(jù)之間的誤差值作為評判依據(jù)，最終的PNN模型訓(xùn)練與預(yù)測效果圖如圖2所示。

根據(jù)圖2（a）可知，經(jīng)過訓(xùn)練后的PNN模型，將訓(xùn)練數(shù)據(jù)作為輸入數(shù)據(jù)回代入模型后，PNN模型能夠較好地對故障進(jìn)行分類識別，僅有2個樣本出現(xiàn)識別判斷錯誤，故障診斷識別準(zhǔn)確率高達(dá)91.3%，整體誤差較低，且通過增加數(shù)據(jù)樣本等方法，誤差率會進(jìn)一步降低。

根據(jù)圖2（b）可知，在使用PNN模型進(jìn)行實(shí)際效果預(yù)測時，實(shí)際數(shù)據(jù)與預(yù)測數(shù)據(jù)并不能完全重合，使用10組測試樣本進(jìn)行模型檢驗(yàn)時，也僅有2組診斷數(shù)據(jù)出現(xiàn)偏差，故障診斷識別準(zhǔn)確率可達(dá)80%。因此，最終訓(xùn)練得到的PNN模型能夠用于柴油機(jī)的故障診斷，并且隨著診斷樣本數(shù)據(jù)的增多，診斷準(zhǔn)確率可進(jìn)一步提升。

3 結(jié)語

本文針對人工診斷結(jié)構(gòu)復(fù)雜的柴油機(jī)故障時存在難度大、準(zhǔn)確率低等問題，在研究總結(jié)了現(xiàn)有柴油機(jī)故障診斷方法的基礎(chǔ)上，提出了使用概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行柴油機(jī)故障診斷分類識別的方法。該方法根據(jù)選取的柴油機(jī)故障樣本數(shù)據(jù)，分析總結(jié)故障屬性特征，構(gòu)建相應(yīng)的PNN模型，并以實(shí)際值與預(yù)測值之間的誤差作為調(diào)整PNN模型各層連接權(quán)值的評價標(biāo)準(zhǔn)，對模型進(jìn)行訓(xùn)練，最終獲得故障診斷識別準(zhǔn)確率較高的PNN模型。實(shí)驗(yàn)結(jié)果表明，該模型能夠有效應(yīng)用于柴油機(jī)故障診斷，并在診斷速度、準(zhǔn)確率等方面均優(yōu)于人工故障診斷方法。

[參考文獻(xiàn)]

[1] 黃強(qiáng)，焦立，李滟澤.柴油機(jī)故障診斷中振動信號測點(diǎn)位置的研究[J].華中科技大學(xué)學(xué)報（自然科學(xué)版），2007，35（5）：99-101.

[2] 路瓊瓊，申立中，徐勁松，等.高壓共軌柴油機(jī)故障診斷系統(tǒng)控制策略研究[J].內(nèi)燃機(jī)工程，2011，32（3）：37-42.

[3] 王鳳利，段樹林，于洪亮，等.基于EEMD和形態(tài)學(xué)分形維數(shù)的柴油機(jī)故障診斷[J].內(nèi)燃機(jī)學(xué)報，2012，30（6）：557-562.

[4] 紀(jì)少波，程勇，王錫平，等.基于SRC模式識別方法的柴油機(jī)故障診斷研究[J].振動與沖擊，2008（1）：140-142.

收稿日期：2020-07-30

作者簡介：王志（1999—），男，山東菏澤人，研究方向：車輛工程。