基于优化的BP神经网络柴油机燃料系故障诊断仿真研究

【摘 要】神经网络具有并行处理能力、自学习能力，自适应能力和可以逼近任意的非线性函数等特点，是解决非线性、多变量、不确定的复杂诊断问题的一条有效的途径，神经网络的这些特点使得它在故障谚断领域应用越来越广泛。本文利用LM改进学习算法训练所建立的BP神经网络，然后利用训练好的神经网络进行柴油机故障诊断，得出诊断结果，使故障诊断具有人工智能化。

【关键词】BP神经网络;优化;故障诊断;仿真

Based on Optimized BP Neural Network Simulation Study on Fault Diagnosis of Diesel Engine Fuel System

WANG Shi-wu

（Dept.of Equipment，Bengbu Automobile NCO Academy，Bengbu Anhui 233000，China）

【Abstract】The neural network has many abilities：parallel proeessing self-leaning and self-adapting， approaching any nonlinear function etc， it is an effective way to deal with complex diagnosis problem of nonlinear multivariable and uncertainty，Neural network of these characteristics makes it apply more and more extensive in the field of the fault diagnosis.In this paper，uses the LM improvement study algorithm，use the well-trained nerve network to carries on the diesel engine fault diagnosis and drawn the result，also enable the fault diagnosis to have the artificial intellectualization.

【Key words】BP nerve netwok;Optimize;Fault diagnosis;Simulation

1 BP神经网络

BP神经网络是多层前馈神经网络，它的名字源于网络权值的调整规则，采用的是后向传播学习算法，既BP算法。BP网络是目前应用最广的神经网络之一，BP网络是由一个输人层，一个或多个隐层以及一个输出层组成，如图1所示，上下层之间实现全连接，而每层神经元之间无连接。网络的学习过程包括正向传播和反向传播。在正向传播进程中，输入信息从输入层经隐层加权处理传向输出层，经功能函数运算后得到的输出值与期望值进行比较，若有误差，则误差反向传播，沿原先的连接通道返回，通过逐层修改各层的权重系数，减小误差。随着这种误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。

图1 三层BP模型神经网络

研究表明，带有两个隐层的BP网络能形成任何形状的决策区域。当BP网用作非线性映射时，允许网络实现输入到输出之间的任意映射关系，即可建立故障征兆空间与故障空间的某种映射关系，每当给出一个实测的故障征兆矢量，网络即能通过状态演化（前传和联想）收敛到与其最相近的模式，从而诊断其故障原因。典型的基于神经网络模式识别的故障诊断系统结构如图2所示。

图2 基于神经网络模式识别功能的故障诊断系统结构

2 BP神经网络的不足

BP神经网络模型虽然在各方面都具有重要意义，而且应用也很广泛，但它也存在一些不足。从数学上看，它是一个非线性优化问题，不可避免的存在局部极小点，学习算法的收敛速度慢，网络隐层单元数选取带有很大的盲目性和经验性，新加入的样本要影响已学完的样本等。

具体来说，BP算法对样本进行逐个学习时，常会发生“学了新的，忘了旧的”的遗忘现象。故此值得对样本不断循环重复，这样一来其学习时间必然延长。为了克服这个缺点，将逐个学习改为批量学习，即对所有样本都进行学习后将其误差相加，然后用这个误差之和来对网络的权系数进行调整。但是这样一来，在误差求和时，这些误差有可能互相抵消，这就降低了算法的调整能力，也就是延长了学习的时间。所以，按批量学习其收敛速度也会很慢。同时，批量学习方法还有可能产生新的局部极小点。比如各误差不为零，但其总和为零，这种情况发生后算法就稳定在这个状态上，造成新的局部极小点。

3 BP神经网络学习算法的优化

为了提高神经网络算法的学习效率及稳定性，在反向传播（BP）算法中可以引入基于非线性最小二乘法的Levenberg-Marquart（LM）最优算法，替代原BP算法中的梯度下降法寻找最佳网络连接权值。

LM算法是一种优良的非线性最小二乘优化方法，这种方法的一般模型为：

F（x）=■f■■（x），x∈Rn   m≥n

其中m为训练样本数，n相当于神经网络两层之间的权值个数。

令：

f （x）=f■xf■x…f■x

其目标函数还可写为F（x）= fT （x） f （x）

则F（x）的梯度为：

grad F（x）=2■f■x■2■f■x■…2■f■x■=f■f■…f■f■f■…f■…f■f■…f■=f■f■…f■=AT f=▽f （x）

其中，fi= fi（x）;fij=■;A=（fij）m×n

常称A为雅可比矩阵;fi（x）称为残量函数定义为：i（x）=di-yi（x）

其中d i为目标函数，y i为神经网络输出。其Hessian矩阵为：

G（x）=■[▽fi（x）▽fi（x）T+ fi（x）▽2fi（x）]=A（x）TA（x）+S（x）

LM算法是二阶收敛的Newton算法的变形，又称变尺度法。牛顿法的权值调整算法如下：

x （k+1）=x（k）-[G（x（k））]-1▽x（k）= x（k）-（ATA+S）-1 ·f （x（k））

若高阶项S可省略的话，则变为Gauss-Newton法：

x （k+1）= x（k）-（ATA）-1 ·f （x（k））

在Gauss-Newton法中，我们要求A是满秩的。遗憾的是在实际情况中，A为奇异的情况经常发生，使得算法常常收敛到非驻点。这样造成的结果是线性搜索得不到进一步下降，从而无法找到最优点。LM算法通过引入一个可变因子μ，将一个对角阵μI加到ATA上去，改变了原矩阵的特征值结构□使其变成满秩正定矩阵，从而确保线性搜索的方向为下降的方向。其权值调整规则为：

x （k+1）= x（k）-（ATA+μI）-1 ·f （x（k））

我们可以利用μ来控制迭代，μ可以在一较大的范围内进行调整。μ较小时即为Gauss-Newton法;μ较大时即为最速下降法。μ参数的引入，以及在迭代过程中μ参数的可调节性，极大地改善了算法收敛的稳定性。

采用LM最优化算法训练神经网络，替代原BP算法中的梯度下降法寻找最佳网络连接权值。仿真试验证明，这种学习算法提高了BP网络算法的学习效率及稳定性，并提高了网络的收敛速度，更好的实现了对柴油机燃油压力信号的故障诊断。

4 基于优化的BP神经网络柴油机燃料系故障诊断

4.1 确定故障特征信息

柴油机燃油系统的状态信息主要体现在高压油管的压力波形中，当某处发生故障时，必然使原有供油状态发生变化，燃油流动的压力和流速等参数会有相应的改变，反映在压力波形上将导致波形形态和波形参数值的变化。因此利用压力传感器测取高压油管的燃油压力波形，并对波形进行分析、提取出故障特征，再利用人工神经网络模型对特征值进行模式识别就可达到故障诊断的目的。图3、图4分别为100%和25%供油量喷油压力波形图。

图3 100% 供油量喷油压力波形图

图4 25%供油量喷油压力波形图

4.2 提取特征参数

特征参数的提取是模式识别过程中的重要环节，它关系到模式识别效果的准确性。由于燃油压力波形是一种规则波形，任一压力波形都标志着柴油机燃油系统的一种工作状态。压力波形的状态信息主要体现在波形的结构形态上，可以直接从其时域波形上提取波形的结构特征，并表示为便于计算的特征空间。根据分析和试验，对于燃油压力波形来说，最大压力、起喷压力、落座压力、次最大压力、波形幅度、上升沿宽度、波形宽度、最大余波宽度等特征最能表现出柴油机运行时的状况。为了获得最佳诊断效果，我们选用这八种参数构成特征向量空间，如图5所示。

图5 波形特征

4.3 BP神经网络的建立及故障诊断过程

4.3.1 数据样本采集

柴油机燃料系故障主要是供油量不足，主要表现为针阀卡死、针阀泄漏、出油阀失效等。在发动机800r/min时，用传感器分别采集正常油量、针阀卡死、针阀泄漏、出油阀失效四种状态的燃油压力数据，绘制出不同状态下的燃油压力波形，对每个波形手动提取出最大压力、启喷压力、落座压力、次最大压力、波形幅度、上升沿宽度、波形宽度、最大余波宽度这8个特征值。一般情况下，每个状态至少采集提取5个实际样本，每个样本都包括以上8个特征值，用来建立网络，训练网络，并进行故障诊断。

4.3.2 BP神经网络的建立和训练

新建BP神经网络NewNet，如图6所示，网络设计采用三层BP网络，网络的输入层个数为8个，输出层的个数为4个，隐含层的个数并不是固定的，经过实际训练的检验和不断的调整，确定隐含层的个数近似遵循下列关系n2=2n1+1。其中n1为输入层个数，n2为隐含层个数，因此隐含层个数为17个。

图6 NewNet网络结构

四种故障模式可以用如下形式表示输出：

正常油量（1，0，0，0）;针阀卡死（0，1，0，0）;针阀泄漏（0，0，1，0）;出油阀失效（0，0，0，1）。

输入层至隐层的连接权Wij、隐层至输出层的连接权Vjt、隐层各单元的输出阈值θj、输出层各单元的输出阈值γj ，都选取为（-1～1）之间的随机数，然后按照BP网络的学习步骤进行学习。网络输入层的传递函数采用双曲正切S型传递函数Tansig，第二层传递函数采用S型对数函数Logsig，利用基于非线性最小二乘法的LM最优算法，替代原BP算法中的梯度下降法训练神经网络，求出最佳网络连接权值和阈值。

利用所采集数据样本，作为网络训练的原始样本，确定初始连接值和阈值后利用Matlab编程，训练的速度为0.1，训练误差精度为0.01，对网络训练9000次，得出最终的各个连接权值和阈值，训练结束。

4.3.3 故障诊断过程及结果

网络训练结束后，将表1中的测试数据输入训练好地BP网络。

经过运算后，网络输出层得出如下的诊断结果：

Y=      0.9957      0.0042     0.0600      0.0768

0.0002      0.9995     0.0014      0.0015

0.0846      0.0088     0.9965      0.0211

0.0202      0.0133     0.0003      0.9620

从测试结果可以看出，诊断结果与实测值具有良好的一致性，诊断误差分别为0.0043、0.0005、0.0035和0.0380可见诊断误差非常小，因此可以判定，该BP神经网络完全可以满足柴油机燃油系常见故障的诊断要求。

5 结束语

仿真试验表明，基于优化的BP神经网络的故障诊断结果与实测值具有良好的一致性，只要选择足够典型的原始故障样本训练BP神经网络，网络的容错性和稳定性就较好。针对设备运行的复杂性，仅选用单一的诊断参数往往会做出错误的判断，而基于神经网络的故障模式识别方法能充分利用信息特征，实现输人与输出之间的映射关系，得出准确的诊断结果。

【参考文献】

[1]黄丽.BP神经网络算法改进及应用研究[D].重庆师范大学，2008：6-15.

[2]孙即祥.现代模式识别[M].国防科技大学出版社，2001，5.

[3]李国勇.智能控制及其MATLAB实现[M].电子工业出版社，2005，5.

[4]李焕良，等.基于BP神经网络的电气系统故障诊断[J].起重运输机械，2005，6：55-56.

[5]王俊生.柴油发动机燃油系统的故障分析研究[J].山西建筑，2003，4：250.

[6]董学刚.燃油压力波检测在机车柴油机故障判断上的应用[J].内燃机车，2002，7：25-27.

[7]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].电子工业出版社，2005，3.

[责任编辑：薛俊歌]

推荐访问:神经网络 柴油机 仿真 燃料 故障诊断