基于GALSSVM和BP神經網絡的柴油發動機狀態預測方法

摘要： 為提前掌握裝甲車輛發動機運行狀態變化，避免安全運行事故，并為裝備的視情維修提供數據支撐，本文提出一種基于BP神經網絡和GALSSVM的柴油發動機狀態預測方法。采用遺傳算法對最小二乘支持向量機（least squares support vector machine，LSSVM）的懲罰系數C和核函數尋優，對發動機狀態特征信號進行回歸預測，利用BP神經網絡對不同狀態下的運行特征樣本進行訓練，構建柴油發動機狀態評估模型，對發動機狀態預測評估，并通過實例進行分析驗證。驗證結果表明，該算法所需訓練樣本少，預測精度高;該模型對發動機狀態參數變化的預測在3步內具有較高準確性，最大平均誤差為792%，一步預測最大誤差約為169%，具有良好的發動機狀態預測評估效果。該研究對裝甲車發動機的安全運行具有重要意義。

關鍵詞： BP神經網絡; GALSSVM; 柴油發動機; 遺傳算法; 狀態預測

中圖分類號： TP391.1; TK42? ?文獻標識碼： A

近年來，柴油發動機狀態預測主要采用人工神經網絡法[12]、基于實例的推理方法[3]、支持向量回歸法[4]、模糊邏輯專家系統[5]等基于數據驅動的預測方法。在柴油發動機狀態預測研究中，田松柏等人[6]采用動態神經網絡，并結合相空間重構理論，構建了復雜裝備單變量的技術狀態預測模型，取得了良好的效果;雷榮強等人[7]在BP神經網絡的基礎上融合灰色理論系統，提高了預測模型對小樣本數據的預測效果;曹向輝等人[8]采用支持向量機，實現了水泵電機設備狀態的多步預測，并通過多通道時間序列之間的相關性，提高了預測精度;張金忠等人[9]在基于實例推理方法的基礎上，引入云概念隸屬度，建立云推理預測模型，提高了對非等間隔時間序列的預測效果。目前，在對裝甲車輛柴油發動機進行評估與預測過程中，由于受實驗條件的限制，很難獲得大量的數據樣本[10]。基于此，本文選取具有訓練樣本少，預測精度高，且不依賴主觀經驗優點的支持向量機[11]，提出了一種基于GALSSVM和BP神經網絡的柴油發動機狀態預測方法。該方法通過GALSSVM回歸算法，利用遺傳算法優化SVM的懲罰系數及核函數參數，解決了支持向量機在柴油發動機狀態評估預測中核函數參數和懲罰因子難以確定的問題，并構建發動機狀態特征多步回歸預測模型，同時結合BP神經網絡，對預測結果分類識別，評估發動機技術狀況等級，實現了柴油發動機運行狀態定量與定性的綜合預測。該研究為裝備的視情維修提供了理論基礎。