基于BP神經網絡的柴油機燃油系統故障診斷

西安武警工程大學裝備工程學院 鄧春澤

西安武警工程大學信息工程系 楊尚東

石家莊武警士官學校 丁娜娜

基于BP神經網絡的柴油機燃油系統故障診斷

西安武警工程大學裝備工程學院 鄧春澤

西安武警工程大學信息工程系 楊尚東

石家莊武警士官學校 丁娜娜

通過設計BP神經網絡的輸入層、隱含層和輸出層，建立了柴油機燃油系統故障診斷的BP神經網絡模型，并對7種柴油機燃油系統的故障進行了診斷，診斷結果說明該模型可以有效診斷柴油機燃油系統的故障。

故障診斷；BP神經網絡；故障特征

0 引言

柴油機故障診斷技術，是對柴油機運行狀況進行實時監測，不僅能及早發現故障征兆，防止事故發生，同時能節省維修時間、降低維修費用，能夠帶來巨大的軍事、經濟效益。BP網絡是一種多層前饋神經網絡，它的名字源于在網絡訓練中，調整網絡權值的訓練算法是誤差反向傳播學習算法，即BP學習算法。由于它結構簡單，可調參數多，訓練算法多，可操控性好，因而可以利用BP神經網絡對柴油機燃油系統的故障進行診斷分析。

1 BP神經網絡模型

BP神經網絡(Back-Propagation Network)可在任意希望的精度上對一連續函數進行任意逼近。標準的BP網絡模型由三層組成，如圖1所示，網絡的最后一層為輸出層，輸入和輸出之間只有一個隱含層。

圖1 標準BP神經網絡的基本結構

BP算法由兩部分組成：信息的正向傳播與誤差的反向傳播。在正向傳播過程中輸入信息從輸入層經隱含層逐層計算傳向輸出層。在信號的向前傳遞過程中網絡的權值是固定不變的，每一層神經元的狀態只影響下一層神經元的狀態。如果輸出層沒有得到期望的輸出，則計算輸出層的誤差變化值，然后轉向反向傳播，通過網絡將誤差信號沿原來的連接通路反傳回來并修改各層神經元的權值和閾值直至達到期望目標。

2 BP神經網絡的設計

2.1 輸入層的設計

2.2 輸出層設計

輸出層的神經元或節點個數可根據具體要求確定。本文診斷的故障類型有七種：正常情況（P1），噴油器開啟壓力降低（P2），高壓油管漏油（P3），噴油泵泄漏（P4），噴油嘴積炭（P5），針閥泄漏（P6），出油閥失效（P7），每一種故障狀態對應一個二進制編碼而成的網絡期望輸出，可確定輸出層神經元個數為7個。對于某一故障，若一節點輸出為1，那么這一節點為該故障的故障輸出點；若為0，則為該故障的非障輸出點。表1列出了故障狀態及對應的網絡期望輸出。

表1 故障狀態及網絡期望輸出

2.3 隱含層設計

3 網絡訓練和仿真檢驗

調用MATLAB神經網絡工具箱函數newff來創建一個前向型BP神經網絡。常用的調用格式為：

net=newff(P,T,[S1 S2…s(N-1)],{TF1 TF2…TFN1})

其中：P，T分別為輸入樣本和期望響應；Si為網絡各層的神經元數目；TFi為網絡各層的傳遞函數。

隱含層神經元的激活函數選取tansig(S型正切函數)，取值范圍為（-1，1）；輸出層神經元則選取logsig（S型對數函數），取值范圍為（0，1）；學習算法采用隱含層和輸出層的傳遞函數同樣取tansig和logsig函數。訓練函數取學習速率較快的trainlm，它是利用Levenberg，Marquardt算法對網絡進行訓練的。訓練次數定為1000，系統總誤差設定為0.005，學習步長為0.05。訓練中網絡系統誤差變化曲線如圖2所示。

圖2 BP網絡訓練誤差變化曲線

為檢驗上述訓練所得的神經網絡的正確性，在相同的柴油機工況下，每種狀態各選一個檢驗樣本來測試神經網絡，分別建立檢驗樣本數據集，見表2。

表2 神經網絡測試樣本輸入數據集（單位：%）

將表2的檢驗樣本數據輸入神經網絡進行仿真檢驗，結果如表3。由于神經網絡的輸出有一定誤差，所以輸出結果不為0或1。處理時，輸出結果在（0，0.3）內，可以近似看成0；在（0.7，1.0）內，可以近似看成1。

表3中每一行分別代表一個測試樣本的輸出，且分別對照表1中的各種故障。如序號為3的樣本的特征向量為（36.612 13.175 7.773 8.948 7.316 10.230 7.798 8.148），經過網絡訓練后，測試結果即表3中序號P3的檢測結果（0.0903 0.1671 0.9005 0.2845 0.0062 0.2107 0.0348），其中只有0.9005接近1，因此可以判斷此故障為高壓油管漏油故障，與實際結果相符。由表3可以看出，網絡檢測結果基本與實際結果相符，只有序號P5中出現0.3292＞0.3，診斷結果出現偏差，究其原因是在柴油機實際運行當中，噴油嘴積炭與噴油嘴堵塞故障有些偏差。

表3 神經網絡輸出數據集

4 結束語

本文在小波包能量法提取故障特征量的基礎上，采用BP神經網絡學習算法進行故障模式識別，并對BP網絡的輸入層、隱含層和輸出層進行設計，得到燃油系統故障診斷的BP神經網絡模型。通過網絡訓練和仿真檢驗，該神經網絡的識別結果精度較高，盡管只是一種估計值，存在一定誤差，但是這種狀態識別的精度在實際診斷中已經足夠了，可以有效進行燃油系統的故障診斷。

[1]張亮,杜海平,史習智．基于小波分析的柴油機振動信號降噪處理[J]．數據采集與處理,2000,15(4):521-524．

[2]孫穎楷．內燃機智能故障診斷系統的研究及應用[D]．重慶:重慶大學博士論文,2001．

[3]Simon Haykin著．葉世偉,史忠植譯．神經網絡原理[M]．北京:機械工業出版社,2004．

[4]黃強,高世倫,賓鴻贊,劉永長．基于分形和神經網絡的柴油機振動診斷方法[J]．華中科技大學學報(自然科學版),2005,33(9):68-70．

[5]蔣平,賈民平,許飛云等．機械故障診斷中微弱信號處理特征的提取[J]．振動、測試與診斷,2005,25(l)．

[6]朱凱,王正林．精通MATLAB神經網絡[M]．電子工業出版社,2009．