改进的BP算法在柴油机故障诊断中的应用研究

职教

(海军工程大学动力工程学院，湖北武汉430033 )。

摘要：利用改进BP算法的神经网络对柴油机进行故障诊断。 首先研究其训练算法，然后确定了用于柴油机故障诊断的特征参数和故障种类，提出了特征参数数据的归一化公式，最后给出了6以- 135ZC柴油机为例，将实验数据输入网络进行验证。 结果表明，神经网络对柴油机故障的识别率较高应用于高、柴油机故障诊断领域是切实可行的。关键词：柴油发动机； 神经网络； 故障诊断； BP算法中图分类编号： TK42文献识别代码： a

柴油机作为一种动力机械，结构复杂，工作条件差，故障可能性大。 舰船柴油机故障诊断无论是断气、降低维护成本、提高舰船开航率、变定期维护为情境式维护、提高管理水平、实现柴油发动机操纵自动化和正常发挥舰船战的技术性能具有十分重要的意义对于柴油机这样大型复杂的机械设备系统，人们目前还不能全面准确地了解其故障发生的机理，难度较大建立足够准确的模型来描述这种系统，传统的识别手段难以解决这一问题。 近年来，人工神由于互联网理论的发展，为解决这一问题提供了一种很有前景的方法[ 1，2 ] .本文将人工神经网络技术引入柴油机在机械故障诊断中，针对相关问题展开讨论和研究。图1典型神经网络的拓扑图1一种改进的BP算法！ 传统的BP算法

为了解释BP网络，以图1为例，描述第一层(层)有m个神经元，第二层(隐藏单元层)有n个神经原本，第三层(输出层)中有p个神经元，定义以下变量。第1层输出数据向量：y

(1)=[ y ]1]1，y(1) ) ) )。2，…，y(1) ) ) )。

m ]T=[x1，x2，…xm]T这里y

(1) ) ) )。m等于初始输入数据xm输入第二层第I个神经元：^y

(2) ) ) )。i='m

=1w

(1) ) ) )。i y(1) ) ) )。-！(1) ) ) )。I其中，w

(1) ) ) )。

I是第一层神经元和第二层神经元的权重！(1) ) ) )。I是第二层神经元的阈值。第二层非线性输出：y

(2)=[ y ]2]1，y(2) ) ) )。2，…，y(2) ) ) )。

I ) t=[(f ) ]y

(2) ) ) )。1 )、) f ^y(2) ) ) )。2 )、…、(f ^y

(2) ) ) )。I ) ) t 36 总第93期海军工程大学学报

journalofnavaluniversityofengineering 2000年第4期！

！ 作者简介：王悦民(1969 -)，男，工程师，硕士受理日期： 1999 - 09 - 27其中，(f xI )=II e - axi，a是改变(f-x )的形状平滑度的系数。第三层神经元输入：

^y

(3)=[^y

(3) ) )。I，^y

(3) ) )。2，…，^y

(3) ) )。p ) t=w(2) ) ) )。y(I ) -！ (2) ) ) )。第3层非线性输出：y

(3)=[ y ]3]I，y(3) ) )。2，…，y(3) ) )。

p ) t=[(f ) ]y(3) ) )。

I () ) f ^y(3) ) )。

2 )、…、(f ^y

(3) ) )。p ) ) t期望输出I和实际输出y

在(3)之间定义误差向量(^ ) (2) )。' ^(2)=i - y(3) ) )。

其中，' ^(2)=['^(2)2]I，' ^(2)，…'^ )2) p ) t将平方误差函数EP定义为EP=I2】p

i=I

(ii - y(3) ) )。I ) 2

中专技校

(2) ) ) )。寻求l指导：aEPaw

(2) ) ) )。lk=aEPay

(3) ) )。lay

(3) ) )。la^y

(3) ) )。lay^y

(3) ) )。law

(2) ) ) )。lk=-(il-y(3) ) )。

l () f ) ) %%%%%%%%%%%。y(3) ) )。l ) y

(2) ) ) )。k=-'(2) y )2) taEPA！

(2) ) ) )。l=aEPay

(3) ) )。lay

(3) ) )。la^y

(3) ) )。la^y

(3) ) )。lA！

(2) ) ) )。l

=-(il-y(3) ) )。

l () f ) ) %%%%%%%%%%%。y(2) ) ) )。l ()-I )=A' '

(2) ) ) )。

这样，第三层误差梯度矩阵由输出误差向量的外部积和第三层的输入向量给出：' '(2)='^ )2) )。 f () ^y

(3) )

可以同样求出： aEPaw(I ) ) )。lk、aEPA！

(I ) ) )。LL，

、' ^(I )、'(I )的值

在一个多层网络中，它们之间的所有连接权重值不能立即求出，需要反复迭代计算，每个接下来求出的误差大小将继续调整连接权重值，直到输出误差减小到规定的较小值为止。！' 一种改进的BP算法误差反馈算法的不足来源于求梯度时误差反馈过程中的内在病态性[3] .前馈网络神经元的特性函数y=I

I e - x在求解梯度时生成导数。y'=(y I - y )

在误差的反馈过程中，每次求导时，都产生了该因子y(I-y )。 随着误差的反向传播，在偏导式中这个因子的次数越来越高，直至输入层。 为了y(I - y )=y - y2=I4--(I4-y2 )=I4-) I2-y ) 2<

I4

且y(I-y ) >； 0

因此，在误差反馈过程中涉及一个因子y(I-y )，在各层分别不超过I4，II6、I64

、…、计算不同

的权重系数偏导数时，各层间的差异非常大，会引起问题的病情，从图2中也可以看出对算法的效率有很大的影响。为了解决这一病态问题，改进了误差BP算法，利用尺度变换，引入了补偿疾病发生的增益因子r状态，分别使用r、r2、r3，乘以来自输出层的各层的微分，经过许多计算，r取1个固定值6。2柴油机故障及其特征参数描述

选择合适的参数对柴油机进行故障诊断是非常重要的。 本文采用柴油机热性能参数进行故障诊断由于性能参数直接反映柴油机工作状况，受外界干扰影响小，信息质量好，可用性高，便于扩大诊疗断故障的范围。 但描述柴油机工作过程的热性能参数有几十个，有些还很难在线监测，必须必须优化选择，提取与柴油机故障密切相关的特征参数。 这里主要采用I3性能参数，它们分别是排气总第九十三期海军工程大学学报2000年第四期37温度Tr、进气管压力PS、进气管温度TS、最高爆炸压力PZmax、最高爆炸温度TZmax、最高爆炸压力相位s，图2曲线变化趋势图

燃料消耗量Ge，加油开始角度！ oi，加油结束角度！ oe、增压器转速ITC、最大供油压力Pfmax，平均指示压力Pi，指示功Ni .本文按6 - 135增压柴油机以机械为研究对象，高压油管漏油、压气机后漏气、发动机起动压力变化、压气机出口堵塞、喷射器喷射孔堵塞、压缩机入口堵塞、涡轮出口堵塞7个故障进行仿真，测量上述参数，并对其数据进行相应的处理。柴油机性能参数的变化与其故障状态密切相关，但存在一个关联度的模糊性。为了恰当地反映这种相关性的定量关系，本文采用了模糊性数学中隶属函数定量描述参数变化与故障的相关关系。另外一方面，神经网络特性函数输出处于[ 0，1 ]区间； 另一方面，隶属度函数是在[ 0，1 ]之间取值的函数，取值的大小反映了事物属于某个模糊概念的可能性的大小。 所以样本输入归一化为(0，1 )区间，且由于输入参数过多，存在一些相邻信息，在归一化的同时将样本进行了特征提取。

职业教育诊改网

A！ x 6表示x位于偏离正常值区域内一(六！ x表示x在正常值范围内i - xi -() ) cI

C！ x i表示x位于偏离正常值区域内0 i！ x表示x错误值

(1) ) ) )。

说明： (1) x表示各种参数值； 6、C、a、I表示相应的正常或故障程度阈值。) I为曲线上升平滑度系数. I的取值根据实际情况决定。3特征参数数据归一化

从上述分析可知，尽管提供了归一化函数，但函数中许多变量是未知的，其值是可变的中选择所需的族。 要获得归一化结果，必须分配具体值。 很难确定这些变量的值，也就是说不固定对于6 - 135增压柴油发动机，模式可以遵循各个性能参数的变化范围，即阈值(对柴油发动机的故障)的确定也没有统一的标准，只能通过大量的实验，不断地计算、检验和论证来获得由于柴油机热性能参数的变化与环境温度及转速的变化密切相关，参数的变化范围根据案例点的不同也应该不同。 也就是说，函数a(x )的变量a、6、c、I必须是柴油发动机转速I和环境温度t的函数数.即：

a，6，c，i ' (f I，t )

另外，对6 - 135增压柴油机进行仿真时，这些性能参数均由各种传感器测量，测量本身也有误差，考虑到该误差要因s，变量a、6、c、I应该考虑三个要因影响的关系可以用函数表示。a，6，c，i ' (f I，t，s )

基于上述思想，程序中变量a、6、c、I的定义的具体表现如下。a=' gp (I ) )。6=(1-s ) y(t ) ) )。c=(1s ) y(t ) ) )。i=2y(t )-)大奖赛I

）

(2) ) ) )。其中，"1"表示可靠性.

38no.4，2000 journalofnavaluniversityofengineeringsmno.93(2) gp ) I )表示不同转速下各参数故障值的平均值(请注意去掉一个最大值和最小值，主要为了测量偏差而考虑)，即：gp(I )=1p - 2！p-2

i=1xi

p为样本数，xi为参数故障值。(3) s表示误差因子。)4) y ) t )表示不同转速、不同环境温度下各参数的正常值。

因此，通过将各参数变量值代入式(2)，计算出a、6、c、I的值，接着将a、6、c、I的值代入式(1)可以得到各参数原始数据的归一化值.4神经网络训练

为了利用神经网络诊断柴油发动机的故障，需要训练(学习)神经网络。神经网络是人脑、人脑的智力活动是通过训练(学习)“习惯自然”形成的。其次，利用6 - 135增压柴油机的实验数据进行上一节的归一化处理，即为输入神经网络的训练样本由于本柴油机工况点较多，训练样本选择多样，相应的输出目标模式也可自由设定。这里举个例子来说明如何训练神经网络，其他方法都是一样的。 例如，选择柴油发动机转速I=1300r/min时，参数为1以数据为训练样本，对应的输出目标模式如表1所示表1柴油机转速I=1300r/min时的训练样本故障的种类

输入训练样本(标准化的参数数据)

Tr Ps Ts Pzmax Tzmax s Ge！ oi！ oe ITC Pfmax Pi Ni输出模式

压缩机后漏气0.701.00.660.740.501.001.001.501.000.221000000压缩机出口堵塞0.830.00.320.70.541.001.001.001.001.000.270.270100000压缩机入口堵塞1.00.00.00.59.471.00.00.91.000.89.000.240.240010000高压油管漏油0.00.00.580.00.201.00.901.000.850.00.730.30.3000001000启动排放压力变化0.750.00.60.80.681.00.501.001.000.00.90.460.4600000100喷射器喷孔堵塞0.30.001.00.56、0.38、1.00.70、0.80、1.00、1.00、0.14、0000010汽轮机出口堵塞0.850.00.560.770.601.001.001.001.651.00.30.300000001在故障诊断中，三层网络可以实现从I维到m维包含一个隐层的三层网络的任意功能，从而满足了要求维度的函数映射[ 4，5 ] .输入层单元数对应13个特征参数，输出层单元数对应7个故障，隐含单元数为从式I1='m I a中选择[4]。 这里，m是输入神经元数，I是输出神经元数，a是1 ~ 10间整数数.为了提高网络联想和归纳能力，学习因子为'=0. 3，运动量因子为#=0. 7.迭代次数，求隐藏单元数与系统误差的关系，选择了不同的隐层单元数进行了大量的计算。 以表1的训练样本为例进行计算结果如表2所示。表2迭代次数、隐层单元数与系统误差的对应表迭代次数

隐层单元数

H=7 H=8 H=9 H=10 H=11 H=12 H=13 H=145001.261.160.550.70.750.430.60.831000.880.410.290.390.360.290.270.331500.360.340.250.330.30.270.230.312000.30.320.230.30.290.250.220.30由上表可知，隐层单元数优选为9、12、13，在训练中隐层的单元数也过少则训练速度快，但误差下降慢，精度不高；隐身单元数量过多则误差下降幅度大，但训练速度很平缓，精度不是很高。 也就是说，隐藏层的数量不能太小也不能太大。 应该根据具体情况决定。 隐层之单只有在元数选择合适的情况下，才能克服上述两种情况的不足。 从表中可以看出，当重复次数达到一定数值时总第九十三期海军工程大学学报2000年第四期39的情况下，系统误差基本稳定。 应用训练有素的神经网络诊断柴油机故障。5柴油机故障诊断

利用前一节神经网络训练的权值，将需要识别的故障数据输入神经网络运行，验证神经网络故障诊断的正确性[6] .验证数据如表3所示，诊断结果如表4所示。钟表！ 数据验证识别数据

Tr Ps Ts PZmax TZmax s Ce！ oi！ oe nTC Pfmax Pi Ni故障的种类

0.50.60.78.80.70.950.l0l.00.90.70.90.30识别对象0.70.050.430.8 l 0.60.970.00.96 l.000.97 l.00.30识别对象0.930.l0.l 0.40.50.90.00.97.90 l.00.950.27.26识别对象0.20.00.60.540.40 l.00.90.980.980.040.980.20识别对象0.30.00.540.650.52 l.00.770.90 l.000.00.970.l4等待识别0.90.050.70.850.6 l0. 970.00 l.000.90.70.970.35识别对象表“诊断结果”识别结果与故障对应

压缩0.8020.4490.0 L 0.0020.0 L 0.0 L 6压缩机后漏气0.08 L0.9550.0330.0670.00 L0.00 L0.l07压缩机出口堵塞0.0570.0840.9 L 60.0550.00 L 0.00 L 0.002压缩机入口堵塞0.030.0520.0 l 50.9290.0640.0420.000高压油管漏油0.026.00 L 0.0370.0520.9470.04 L 0.052喷油压力变化0.036.00 L0.0050.20 L0.3520.6420.0 L5喷射器喷孔堵塞0.059.0760.0 L80.0020.0360.0840.934汽轮机出口堵塞表中可以看出，利用神经网络算法对柴油机进行故障诊断的结果非常准确，精度较高说明神经网络具有较强的记忆和记忆能力，以及较强的联想能力和猜测能力，经过训练后可以完成用于诊断合适的故障，实现预期目的。6结论

以上实际数据验证结果表明，利用神经网络诊断柴油机故障，效果满意。

从实际应用的角度看，还有许多工作要做，许多问题还需要进一步深入研究。 如柴油发动机故障细分、培训等样品的完备性和多样性等。 但神经网络应用于故障诊断领域是切实可行的，投入现场应用具有较高的价格的双曲正切值。参考文献：

[l] Hoskins J C，kaliyurkm.himmelblaudm.faultdiagnosisincomplexchemicalplantsusingartificialneuralnetwork [ SJ ]。AIChE J. l99l，3(7L )。[2] Venkatasubramanian V，Vaidyanathan R，yamamoto y.processfaultdetectionanddiagnosisusingneuralnetworks-I。steady-state proces [ SJ ].computers chem.engin.l990，L(4)7) L2。[3]张运耀，杜文瑞.优化方法[M] .武汉：海军工程学院，l984 .[4]张立明.人工神经网络的模型及其应用[M] .上海：复旦大学出版社，l993 .[5]施鸿宝.神经网络及其应用[M] .西安：西安交通大学出版社，l993 .

[6]王悦民.神经网络在柴油机故障诊断中的应用研究[D] .武汉：海军工程学院，l997.(至第48页) ) ) ) )。40no.4，2000 journalofnavaluniversityofengineeringsumno.93pppgthefaultdiagnosisofdieselengine王月- min，OIAN Wei - jian

(CoIIege of Power Eng .NavaI Univ. of Engineering，Wuhan 430033，China )abstract:appiicationofneurainetworkstodiagnosethefauitofdieseienginesbyusingimprovedbpaigorithmisstudied. First，theimprovedbpaigorithmisdiscussed，then，thediagnosisparametersandthekindsofdiagnosisusedbydiagnosingdieseienginefauitaregiven.in addition，thebestfitcurveeguationsoffeatureparametersarepresented. At Iast，6-l 35 zcdieseiengineisexampiedforthis，andtheneurainetworksisverifiedbyusingthefauitdataofdieseiengine.experimentairesuitdemonstratesthattheresuitofdiagnosistodieseienginefauitisofgreat accuracy，theappiicationofneurainetworkstothisfieidisusefuiandreiiabie。 neuraI networks； 故障诊断； BP AIgorithm改进的BP算法在柴油机故障诊断中的应用研究作者：王悦民，潜伟建，王月-民，前卫-建

作者单位：海军工程大学动力工程学院，湖北，武汉，430033刊名：海军工程大学学报

英文刊名： journalofnavaluniversityofengineering年，卷(期) 2000(4)4)被引用次数： 10次参考文献(第6条)。

1 .张立明人工神经网络的模型及其应用19932 .张运模杜文瑞优化方法1984

3.Venkatasubramanian V； Vaidyanathan R； yamamotoyprocessfaultdetectionanddiagnosisusingneural networks---I.steady-state process [外文期刊]1990(07 )。4 .王悦民神经网络在柴油机故障诊断中的应用研究[学位论文] 19975 .施鸿宝神经网络及其应用1993

6.Hoskins J C； Kaliyur K M； himmelblaudmfaultdiagnosisincomplexchemicalplantsusingartificial neural networks[外文期刊]1991(01 )。引用文献(第10条)

1 .张文胜.龚涛.胡亮基于D-S证据理论的直流电机故障诊断研究[ J ]——中国舰船研究2010(4)。

2 .马志.甄彤.张秋闻BP基于神经网络和D-S证据理论的粮食情况评价研究([期刊论文]-粮食加工2009(4) ) ) ) ) ) ) ) ) )3 .吴晓平.叶清.刘玲艳基于改进BP网络的D-S证据理论及其应用[期刊论文]——武汉理工大学学报2007(8)。4 .嵇斗.基于王向军D-S证据理论和BP算法的直流电机故障诊断研究([期刊论文]-船电技术2007(4) ) ) ) ) ) ) ) )。5 .叶清.吴晓平.刘玲艳基于BP神经网络的D-S证据理论及其应用[期刊论文]——海军工程大学学报2007(2) )。6 .朱建元基于BP神经网络和时间序列分析的柴油机故障诊断([期刊论文]-上海海事大学学报2006(4) ) ) ) ) ) )。7 .叶清.吴晓平.宋业新基于D-S证据理论和AHP的故障诊断方法研究[期刊论文]——海军工程大学学报2006(4)。8 .吴兴伟多传感器信息融合在车载故障诊断中的应用研究[学位论文]硕士20069 .基于周强模糊神经网络和遗传算法的故障诊断方法研究[学位论文]硕士2005

10 .基于郭江华.梁述海.梁泳神经网络的船用柴油机故障诊断[期刊论文]-计算机模拟2003(8) )。

本文链接： http://d.g.wanfang data.com.cn/periodical _ hjgcdxxb 200004008.aspx