基于模糊神經(jīng)網(wǎng)絡的發(fā)動機故障診斷研究

王彬　李勛章　胡新生　米明輝

摘要：基于模糊神經(jīng)網(wǎng)絡理論，對發(fā)動機渦輪增壓系統(tǒng)、冷卻系統(tǒng)以及潤滑系統(tǒng)常見故障進行了研究，在MATLAB環(huán)境中，利用常見的故障案例樣本，訓練BP神經(jīng)網(wǎng)絡，建立渦輪增壓系統(tǒng)、冷卻系統(tǒng)及潤滑系統(tǒng)三大系統(tǒng)的模糊神經(jīng)網(wǎng)絡模型，并通過未參與訓練的故障案例樣本對模型進行驗證，經(jīng)驗證模型的預測誤差均在5%以內(nèi)，可以滿足故障診斷的要求。另外，針對各系統(tǒng)的模糊神經(jīng)網(wǎng)絡模型，利用MATLAB GUI建立發(fā)動機故障診斷系統(tǒng)，該系統(tǒng)可以根據(jù)故障現(xiàn)象，診斷故障原因，并通過實際故障案例驗證，診斷結(jié)果與實際故障原因相符，說明故障診斷系統(tǒng)具有指導性。

關鍵詞：柴油發(fā)動機;BP神經(jīng)網(wǎng)絡;模糊理論;故障診斷

中圖分類號：U472.43

文獻標識碼：A文章編號：10015922（2022）06015607

Research on engine fault diagnosis based onfuzzy neural network

WANG Bin，LI Xunzhang，HU Xinsheng，MI Minghui

（

Qingdao Campus of Naval Aviation University， Qingdao，266041，Shandong China

）

Abstract：Common faults of engine turbocharging system， cooling system and lubricating system are studied based on fuzzy neural network theory. BP neural network is trained by using common fault cases in MATLAB environment， and the fuzzy neural network models of turbocharging system， cooling system and lubricating system are established.? Testifying through fault cases samples that are not in the training，the prediction error of the model is less than 5%， which can meet the requirements of fault diagnosis. In addition， based on the fuzzy neural network model of each system， the engine fault diagnosis system is established by using Matlab GUI. The system can diagnose the fault cause according to the fault phenomenon. Through the verification of actual fault cases， the diagnosis results are consistent with the actual fault cause， which shows that the fault diagnosis system is instructive.

Key words：diesel engine; BP neural network; fuzzy theory; fault diagnosis

發(fā)動機是常見的一種動力裝置，應用十分廣泛，隨著科學技術水平的進步，發(fā)動機的結(jié)構(gòu)也越來越精細化、復雜化，并且出現(xiàn)的故障也越來越多樣化，故障診斷的難度相應地增大。因此，有必要研究一種快速準確便捷的故障診斷方法。神經(jīng)網(wǎng)絡，是利用工程技術模擬人腦神經(jīng)的結(jié)構(gòu)和功能的技術，用計算機模擬人腦神經(jīng)元對信息的加工、存儲和搜索等活動過程的技術[1-3]，模糊理論近年來在發(fā)動機故障診斷廣泛應用，本文對人工神經(jīng)網(wǎng)絡和模糊理論進行研究，提出了基于模糊神經(jīng)網(wǎng)絡的故障診斷方法。

1人工神經(jīng)網(wǎng)絡與模糊理論

神經(jīng)網(wǎng)絡，是指利用工程技術模擬人腦神經(jīng)的結(jié)構(gòu)和功能的技術，用計算機模擬人腦神經(jīng)元對信息的加工、存儲和搜索等活動過程的技術[4-5]。神經(jīng)網(wǎng)絡技術辨識參數(shù)間關系的能力很強，適合尋找參數(shù)間存在的非線性關系，因此，神經(jīng)網(wǎng)絡可以用于尋找故障現(xiàn)象與故障原因之間的關系[4-5]。BP神經(jīng)網(wǎng)絡是應用比較廣泛的一種神經(jīng)網(wǎng)絡，網(wǎng)絡結(jié)構(gòu)如圖1所示。

在客觀世界中的一個系統(tǒng)或事件往往存在隨機性和不確定性，即模糊性[6]。例如“老年人”、“溫度偏高”、“動力不足”、“振動較大”等現(xiàn)象的描述中“老年”、“偏高”、“不足”、“較大”等概念并不是清晰、界限分明的，所以不能簡單地用“是”或“否”來回答，即這些概念存在模糊性[7]。模糊性是指客觀事物存在的差異中不分明的過渡狀態(tài)[8]。

人工神經(jīng)網(wǎng)絡和模糊理論是近年來故障診斷領域發(fā)展較好的兩種技術[9-10]。兩者都是模擬人腦的思維功能，通過建立不精確模型的方式分析和處理問題[11]。但它們之間也有不同的地方，比如系統(tǒng)模型的結(jié)構(gòu)、結(jié)果的精度和映射的方式等。神經(jīng)網(wǎng)絡與模糊理論的比較如表1所示。

由表1可以看出，人工神經(jīng)網(wǎng)絡具備處理精度高、人工干預少及自學習等優(yōu)勢和不能處理模糊問題等不足;模糊理論具備對樣本要求低、可利用已有的經(jīng)驗知識等優(yōu)勢，但也存在精度低、人工干預多等不足。因此，二者結(jié)合可以同時具備人工神經(jīng)網(wǎng)絡自學習的能力和模糊理論利用已有經(jīng)驗和處理模糊問題的能力。這樣既可以通過自學習來提高編碼語言的精度，還使導入樣本的過程更加方便、簡單。

2發(fā)動機故障診斷模型

發(fā)動機一旦發(fā)生故障，而故障之間的相互作用非常復雜，發(fā)動機的故障現(xiàn)象多種多樣，故障原因也十分復雜[12]。因此，如果要針對發(fā)動機整體建立一個故障診斷系統(tǒng)，會導致所采用的神經(jīng)網(wǎng)絡規(guī)模過于龐大、學習和訓練難以完成[13-14]。發(fā)動機是由渦輪增壓系統(tǒng)、冷卻系統(tǒng)、燃油系統(tǒng)、潤滑系統(tǒng)等多個分系統(tǒng)組成的，本文分系統(tǒng)對發(fā)動機進行建模。

2.1典型系統(tǒng)故障診斷模型

本文建立渦輪增壓系統(tǒng)、冷卻系統(tǒng)及潤滑系統(tǒng)3個典型系統(tǒng)的故障診斷模型，建模時主要考慮各系統(tǒng)常見的故障。渦輪增壓系統(tǒng)常見故障主要包括增壓器效率降低、渦輪流道部分堵塞、空氣冷卻器故障等;冷卻系統(tǒng)常見的故障主要包括水溫異常、水壓異常、流量異常等;潤滑系統(tǒng)常見故障主要包括機油壓力異常、機油溫度異常、油耗偏多等。故障診斷模型建立的主要流程，具體如圖2所示。

2.1.1模糊化

實現(xiàn)模糊化，就是將輸入?yún)?shù)通過確定其隸屬函數(shù)從真實論域轉(zhuǎn)變到模糊論域[15]。針對各系統(tǒng)的故障征兆和故障原因利用模糊理論對其進行模糊化處理，其中，確定故障征兆的隸屬度很關鍵，隸屬度指的是某元素屬于模糊集合的程度，隸屬度越接近1，說明該元素屬于模糊結(jié)合的程度越高;相反，隸屬度越接近0，說明該元素屬于模糊結(jié)合的程度越低，各個故障程度的隸屬度分布如表2～ 表4所示。

2.1.2樣本劃分

將各個系統(tǒng)常見故障案例樣本集，對于每一種故障選取其中75%的樣本用于訓練神經(jīng)網(wǎng)絡，而剩余25%樣本用于測試神經(jīng)網(wǎng)絡的準確性，以渦輪增壓系統(tǒng)為例，表5為渦輪增壓系統(tǒng)訓練樣本集，表6為渦輪增壓系統(tǒng)測試樣本集，表中的輸入x為“排氣總管溫度偏高”，x為“進氣壓力異?！?，x為“最大爆發(fā)壓力偏低”，x為“增壓器轉(zhuǎn)速異常”，x為“進排氣壓損系數(shù)偏高”，x為“壓氣機出口溫度異?！?，x為“進氣溫度偏高”。表中的輸出y為“正?！?，y為“增壓器效率下降”，y為“空氣冷卻器故障”，y為“渦輪端通流部分堵塞”。

2.1.2BP神經(jīng)網(wǎng)絡的設計及訓練過程

BP神經(jīng)網(wǎng)絡是一種建立在誤差方向的多層前饋網(wǎng)絡，是現(xiàn)在使用最多的神經(jīng)網(wǎng)絡模型之一[16]。在使用BP神經(jīng)網(wǎng)絡來進行預測之前要對其進行訓練，經(jīng)過訓練調(diào)整閾值、權值使網(wǎng)絡形成記憶并獲得聯(lián)想預測功能[17]。圖3為神經(jīng)網(wǎng)絡算法流程圖。

2.1.3模糊神經(jīng)網(wǎng)絡訓練結(jié)果及驗證

渦輪增壓系統(tǒng)、冷卻系統(tǒng)、潤滑系統(tǒng)的神經(jīng)網(wǎng)絡訓練結(jié)果如圖4、圖5及圖6所示。

由圖4～圖6可以看出，在BP神經(jīng)網(wǎng)絡分別訓練9次、12次、12次后的訓練曲線、驗證曲線和測試曲線均達到最好（10-2）虛線下方，即達到了規(guī)定的0.001的期望誤差。

訓練結(jié)束后，通過未參與訓練的測試樣本集測試模糊神經(jīng)網(wǎng)絡模型準確性，渦輪增壓系統(tǒng)、冷卻系統(tǒng)及潤滑系統(tǒng)的BP神經(jīng)網(wǎng)絡預測結(jié)果與期望誤差的比較如圖7、圖9及圖11所示;從圖7、圖9和圖11可以看出，預測輸出和期望輸出的偏差較小。渦輪增壓系統(tǒng)、冷卻系統(tǒng)及潤滑系統(tǒng)的BP神經(jīng)網(wǎng)絡的預測誤差圖如圖8、圖10及圖12所示;從圖8、圖10及圖12可以看出，測試的結(jié)果與輸入期望結(jié)果之間的誤差在5%以內(nèi)，神經(jīng)網(wǎng)絡預測結(jié)果準確，模型可以用于故障診斷。

3發(fā)動機故障診斷系統(tǒng)設計

本文在故障診斷模型的基礎上，利用MATLAB GUI設計了發(fā)動機的故障診斷系統(tǒng)，如圖13所示;故障診斷系統(tǒng)包括渦輪增壓系統(tǒng)、冷卻系統(tǒng)、潤滑系統(tǒng)等故障診斷分系統(tǒng)，以渦輪增壓系統(tǒng)為例，圖14所示為渦輪增壓系統(tǒng)故障診斷界面;隨機選擇了一故障案例，根據(jù)故障現(xiàn)象勾選各項參數(shù)所屬范圍，然后診斷，輸出結(jié)果為空氣冷卻器故障，如圖15所示。這一結(jié)果與實際案例故障原因相符，說明該系統(tǒng)可以用于指導發(fā)動機故障診斷。

故障診斷系統(tǒng)的診斷結(jié)果與實際情況可能存在偏差，需要不斷提升故障診斷系統(tǒng)的準確度;因此，故障診斷系統(tǒng)，具有管理員登錄功能，可以用于更新神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡的準備性依賴訓練樣本的數(shù)量，初始訓練神經(jīng)網(wǎng)絡的故障案例樣本可能數(shù)量不夠大，存在已經(jīng)誤差。而實際使用中，可以隨時添加故障案例樣本，重新訓練更新神經(jīng)網(wǎng)絡，提高模糊神經(jīng)網(wǎng)絡的準確性，神經(jīng)網(wǎng)絡訓練界面如圖16所示。

4結(jié)語

本文基于模糊神經(jīng)網(wǎng)絡建立渦輪增壓系統(tǒng)、冷卻系統(tǒng)及潤滑系統(tǒng)三大系統(tǒng)的故障診斷模型，并通過未參與訓練的故障案例樣本對模型進行驗證，模型的預測誤差在5%以內(nèi)，可以滿足故障診斷的要求。另外，基于各系統(tǒng)的模糊神經(jīng)網(wǎng)絡模型，設計了發(fā)動機故障診斷系統(tǒng)，該系統(tǒng)可以根據(jù)故障現(xiàn)象，診斷故障原因，可以用于指導對發(fā)動機進行故障診斷。

【參考文獻】

[1]

章志浩. 基于局部回歸神經(jīng)網(wǎng)絡的柴油機燃油噴射系統(tǒng)故障診斷研究[D].大連：大連海事大學，2020.

[2]馮長寶，韓忠偉，孫沫莉.遺傳算法和神經(jīng)網(wǎng)絡在船舶柴油機故障診斷中的應用[J].艦船科學技術，2016，38（6）：40-42.

[3]陳濤. 基于神經(jīng)網(wǎng)絡的船舶柴油機故障診斷研究[D].武漢：武漢理工大學，2014.

[4]崔佳.基于模糊神經(jīng)網(wǎng)絡的柴油機故障預警系統(tǒng)研究[D].南京：江蘇科技大學碩士學位論文，2019.

[5]劉成海.船艇柴油機故障診斷系統(tǒng)的研究[J].中國水運（下半月），2020，20（6）：83-84.

[6]傅鶴川.基于模糊神經(jīng)網(wǎng)絡的汽車發(fā)動機故障診斷系統(tǒng)及其方法研究[D].廣州：華南理工大學碩士學位論文，2016.

[7]佘勇，馮銀漢，王燕兵.人工神經(jīng)網(wǎng)絡在汽車發(fā)動機故障診斷中的運用[J].南方農(nóng)機，2021，52（13）：114-115.

[8]HE J ， LI X ， ZHAO Y . The Fault diagnosis of diesel fuel supply system based on BP neural network optimized by genetic algorithm[J]. Journal of Physics： Conference Series， 2021， 1 732（1）：012065 （6pp）.

[9] ALIREZA Z H，SAEED A R，SHIRAZ F A ， et al. Fault detection and diagnosis of a 12-cylinder trainset diesel engine based on vibration signature analysis and neural network[J]. ARCHIVE Proceedings of the Institution of Mechanical Engineers Part C Journal of Mechanical Engineering Science 1989-1996 （Vols 203-210）， 2018：095440621877831.

[10] 卜旭東，魏智輝.基于模糊神經(jīng)網(wǎng)絡的渦扇發(fā)動機狀態(tài)監(jiān)控模型研究[J].工程與試驗，2019，59（4）：92-94.

[11]邢婭莉，王筱珍.基于模糊神經(jīng)網(wǎng)絡的游艇柴油發(fā)動機故障預測研究[J].機電信息，2018，（4）（21）：58-59.

[12]JING M，? ZHANG X. Research on fault diagnosis of diesel engine based on ART-BP neural network[J]. Mechanical Science and Technology， 2007， 73（4）：615-619.

[13]馬繼昌，司景萍，牛嘉驊，等.基于自適應模糊神經(jīng)網(wǎng)絡的發(fā)動機故障診斷[J].噪聲與振動控制，2015，35（2）：165-169.

[14]FENG F，? SI A，? ZHANG H. Research on fault diagnosis of diesel engine based on bispectrum analysis and genetic neural network[J]. Procedia Engineering， 2011，15（1）：2 454-2 458.

[15]高偉沖. 船用柴油機典型故障分析與診斷技術研究[D].哈爾濱：哈爾濱工程大學，2016.

[16]林傳喜. 基于粗糙集和模糊神經(jīng)網(wǎng)絡的柴油機健康管理系統(tǒng)研究[D].南京：江蘇科技大學，2020.

[17]張國嶺.基于模糊神經(jīng)網(wǎng)絡的RT-flex柴油機燃油系統(tǒng)故障診斷[J].中國修船，2015，28（2）：45-49.