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

關鍵詞：柴油機；概率神經(jīng)網(wǎng)絡；遺傳算法；船舶

中圖分類號： U672 文獻標識碼： A 文章編號： 1673-8462（2023）04-0095-05

0 引言

目前大部分船舶的動力系統(tǒng)由柴油機構成，［1］柴油機是船舶推進系統(tǒng)的核心組成部分，其運行工況良好是船舶海上航行的關鍵因素。柴油機運行環(huán)境惡劣，結構異常復雜，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)個人經(jīng)驗進行維修，但由于柴油機故障類型原因較多，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)驗需耗費的時間較長，此過程嚴重影響了船舶航行，更甚者可能會危及海船人員生命安全。近年來模式識別和人工智能技術的發(fā)展對柴油機故障診斷帶來了新的發(fā)展，克服了柴油機復雜的故障模型的描述和非線性特征，大大降低了柴油估計檢測的時間。［3-8］文獻［9］通過建立神經(jīng)網(wǎng)絡模型并對深度學習算法的改進，實現(xiàn)對柴油機氣缸狀況的監(jiān)視，實現(xiàn)對柴油機故障檢測。文獻［10］針對失火故障，建立基于貝葉斯網(wǎng)絡模型，通過輸入故障信息對多節(jié)點觸發(fā)提高故障診斷率。文獻［11］利用深度學習分析不同柴油機故障建立基于卷積神經(jīng)網(wǎng)絡模型，對故障進行可視化分析，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)絡與遺傳算法相結合實現(xiàn)優(yōu)化檢測的方法，概率神經(jīng)網(wǎng)絡（Probabilistic Neural Network，PNN），主要是針對錯誤分類實現(xiàn)風險最小，在多維空間輸入進行分離決策，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相結合的概率神經(jīng)網(wǎng)絡，通過種群初始化、適應度函數(shù)映射、選擇、交叉、變異等操作實現(xiàn)參數(shù)優(yōu)化，輸入16 組樣本數(shù)據(jù)進行訓練以得出效果較好的網(wǎng)絡模型，輸入8 組數(shù)據(jù)樣本進行檢測，對比分析模型優(yōu)化前后檢測效果，最后進行模型評價。

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)絡模型，根據(jù)訓練模型確定目標函數(shù)，將目標函數(shù)轉(zhuǎn)化為適應度函數(shù)，依次進行種群初始化、選擇、交叉、變異等操作，不斷重復此過程直到滿足優(yōu)化要求，將故障數(shù)據(jù)樣本輸入模型進行訓練以得到最佳模型，最后輸入預測數(shù)據(jù)分析檢測結果。

1.1 樣本數(shù)據(jù)選取

燃油系統(tǒng)作為柴油機最重要的組成部分，其能否正常工作將影響柴油機的啟動、調(diào)速、效率等。且燃油系統(tǒng)故障是柴油機主要故障源之一，［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）、正時不準確、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確性，若選取的故障特征所包含待識別信息匱乏或未能提取反映故障特征的信息，則診斷結果往往會受到很大的影響。為能準確分出故障類別選取燃油系統(tǒng)8 種常見的故障類別進行檢測，其對應的8 個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 訓練測試

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

1.5 結果分析

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)絡進行檢測，PNN 表示優(yōu)化前的神經(jīng)網(wǎng)絡，GA-PNN 表示優(yōu)化后的神經(jīng)網(wǎng)絡，由表2 和圖5可知PNN 網(wǎng)絡優(yōu)化前只可識別故障類別3 和7，其他故障類型均出現(xiàn)誤判，經(jīng)遺傳算法優(yōu)化后可識別故障類別為1、2、3、5、6、7、8 等7 類，其中預測樣本編號4 出現(xiàn)誤判，錯將故障類型4 誤判為類型1，故障檢測準確類型提高了5 類，正確率相對于優(yōu)化前提高了62.5%。

1.6 模型評價

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 結語

針對柴油機工作環(huán)境較差，故障復雜多樣具有非線性特征，文章選取柴油機常見的故障數(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)絡模型進行測試，采用遺傳算法進行優(yōu)化，經(jīng)仿真驗證，對比優(yōu)化前后概率神經(jīng)網(wǎng)絡檢測結果可知優(yōu)化后神經(jīng)網(wǎng)絡檢測故障正確率較高，說明優(yōu)化后的PNN 神經(jīng)網(wǎng)絡模型對精確柴油機故障檢測有一定的參考價值。

［責任編輯 蘇琴］