基于神經網絡的柴油機燃油系統故障診斷

佟 剛，郝 旭

（沈陽航空航天大學 遼寧省通用航空重點實驗室，遼寧 沈陽 110136）

0 引言

燃油系統作為汽車柴油機的重要組成部分，其可靠性將直接影響整個汽車柴油機系統的安全運行，決定汽車柴油機的可靠性和經濟性，因此，及時有效地診斷出汽車柴油機燃油系統的故障具有十分重要的意義。對柴油機燃油系統故障的傳統診斷方法有很多，如潤滑油法、性能參數法和振動噪聲法等［1］。但是當柴油機燃油系統處于故障狀態時，其運行過程是一個非常復雜的非線性過程，依靠傳統的檢測手段費時費力，極大地浪費了維修資源。近年來，隨著科技的發展，人工神經網絡技術以其自適應、自學習和對非線性系統超強分析能力等特點得到廣泛的應用，而利用神經網絡技術進行柴油機燃油系統故障診斷被認為是可行的。

1 BP神經網絡及其改進型

人工神經網絡，也稱神經網絡，是模擬生物神經網絡進行信息處理的一種數學模型，其優勢是能處理殘缺信息和龐大數據［2］。因此，神經網絡常常作為一種故障診斷的工具應用于工程實踐中。

神經網絡的模型具有數百種之多，但使用最廣泛的還是BP神經網絡，又稱反向傳播神經網絡，它是一種具有模式識別和分類能力的多層前饋型神經網絡。BP網絡基本的學習過程包括信息的正向傳播與誤差的反向傳播兩部分，通過各神經元權值和偏差的不斷修正，形成合理的拓撲結構，實現網絡實際輸出與期望輸出之間誤差的平方和最小［3］。標準BP網絡的局限性也是非常明顯的，由于訓練中的穩定性要求，學習率為常數且很小，所以標準BP梯度下降學習算法會使得收斂速度很慢，另外局部容易出現極值，隱含層節點個數的確定也比較困難［4］。因此，如果不對標準BP算法進行改進，其在實際應用中的價值就會大大降低。針對標準BP算法存在的不足，本文采用了基于標準BP算法改進而來的LM（Levenberg-Marquardt）算法。

LM算法是為了訓練中等規模的前饋神經網絡而提出的最快速算法，它的修正公式如下：

其中：x（k）為第k次迭代各層之間的連接權值或閥值向量；μ為系數，當μ=0時，上式即為牛頓法；JTe=g為梯度的計算表達式，g為梯度；JTJ=H，H為包含網絡誤差函數對權值和閥值一階導數的雅可比矩陣；e為網絡誤差向量［5］。

LM算法的MATLAB實現相當簡單，改進后的BP算法使得神經網絡的計算精度提高，訓練速度加快，更能滿足工程的需要。

2 網絡特征量的確定

采用人工神經網絡對汽車柴油機燃油系統進行故障診斷的關鍵是確定網絡的輸入模式和輸出模式。網絡輸入就是確定柴油機燃油系統故障的特征量，網絡輸出就是確定具體故障。汽車柴油機燃油系統的常見故障包括針閥卡死A1、針閥泄漏A2、出油閥失效A3、怠速油量A4、25%供油量A5、75%供油量A6六種類型。當An=0（n=1～6）時表示無故障，當An=1時表示存在故障。對于汽車柴油機燃油系統，上述6種故障類型可表現出8種故障征兆，包括最大壓力、次最大壓力、波形幅度、上升沿寬度、波形寬度、最大余波寬度、落座壓力和起噴壓力，共計8個輸入向量。考慮到不同單位和量級的數據不利于計算，所以應該先進行歸一化處理，再輸入到神經網絡中。由于篇幅有限，表1只給出已經歸一化后的12組樣本作為輸入數據，對每個故障分別取2個訓練樣本。

3 網絡的設計與實現

設計的改進型BP網絡分三層，其中輸入層有8個神經元，輸出層有6個神經元。設輸入層神經元數目為m，輸出層神經元數目為p，隱含層神經元數目為h，則依據公式（α為調節常數，取值為1～10）計算得隱含層神經元數目的取值范圍為5～14。通過試驗確定h取11，所以改進型BP網絡采用8-11-6的拓撲結構。

表1 柴油機燃油系統輸入樣本數據

改進型BP網絡學習時采用LM算法，在MATLAB軟件上編程實現設計好的改進型BP網絡，設置學習速率為0.01，學習目標為0.001，最大迭代次數為1 000［6］。輸入層到隱含層的傳遞函數取tansig（雙曲正切S型），隱含層到輸出層的傳遞函數取logsig（S型的對數函數）。經過14次訓練后，網絡性能達到了要求。之后通過表2的6組實際數據對網絡進行測試，驗證網絡能否正確診斷出汽車柴油機燃油系統的故障。然后再計算誤差，得出診斷故障的精確度情況。表3為改進型BP網絡測試結果。

表2 測試數據

表3 改進型BP網絡測試結果

測試結果表明：改進型BP網絡能正確地診斷出汽車柴油機燃油系統的故障情況。按照歐式范數理論的公式進行計算，得出改進型BP網絡的測試誤差分別為0.004 2、0.009 1、0.008 0、0.000 8、0.152 9和0.044 4，測試總誤差為0.159 7，可見改進型BP網絡的誤差還是比較小的。

4 結束語

本文提出的改進型BP神經網絡的方法具有速度快、誤差小的優點，為汽車柴油機燃油系統的故障診斷提供了一種比較有效的方法，能夠實現非拆卸狀態下對柴油機燃油系統的實時監測。

［1］ 楊志，董振良，萬金波.基于神經網絡的柴油機故障診斷［J］.中國新技術新產品，2011（24）：142-143.

［2］ 張德豐.MATLAB神經網絡應用設計［M］.北京：機械工業出版社，2011.

［3］ 陳學峰，趙質良，王金光.基于BP神經網絡的齒輪箱故障模式識別［J］.裝備制造技術，2010（10）：16-27.

［4］ 郭江華，梁述海，梁泳.基于神經網絡的船用柴油機故障診斷［J］.計算機仿真，2003（8）：61-63.

［5］ 傅薈璇，趙紅.MATLAB神經網絡應用設計［M］.北京：機械工業出版社，2010.

［6］ 李玉峰，劉玫.基于動量BP網絡的柴油機故障診斷［J］.控制工程，2007（5）：518-521.