基于BP神经网络的4135柴油机故障诊断

陕西西安石油大学 机械工程学院 尚 奇

基于BP神经网络的4135柴油机故障诊断

陕西西安石油大学 机械工程学院 尚 奇

柴油机故障具有诊断对象多、特点不一、关系复杂的特点。柴油机属于往复机械范畴，其运动学、动力学形态相当复杂，而神经网络具有处理复杂多模式及进行联想、推测和记忆的功能，并且具有很强的实时性，因此将神经网络应用于故障诊断系统，可以有效解地决问题。本文，笔者提出一种基于学习率可变的BP网络的柴油机故障诊断模型。仿真结果表明，该算法识别效果较好，适用于柴油机故障诊断系统。

一、学习率可变的BP算法

1. BP神经元及BP网络模型。BP神经元模型见图1。BP神经元与其他神经元类似，不同的是BP神经元的传输函数为非线性函数，最常用的函数是logsig和tansig函数，有的输出层也采用线性函数（purelin）。其输出为：

图1 BP神经元

如果多层BP网络的输出层采用S形传输函数（如logsig），其输出值将会限制在一个较小的范围内（0，1）；而采用线性传输函数则可以取任何值。

2. 学习率可变的BP算法。在最速下降的BP算法和动量BP算法中，其学习率是一个常数，在整个训练的过程中保持不变，学习算法的性能对于学习率的选择非常敏感，学习率过大，算法可能振荡而不稳定；学习率过小，则收敛的速度慢，训练的时间长。而在训练之前，要选择最佳的学习率是不现实的。

自适应调整学习率的梯度下降算法，在训练的过程中，力图使算法稳定，而同时又使学习的步长尽量地大，学习率则是根据局部误差曲面作出相应的调整。当误差以减小的方式趋于目标时，说明修正方向正确，可使步长增加，因此学习率乘以增量因子kinc，学习率增加；而当误差增加超过事先设定值时，说明修正过头，应减小步长，因此学习率乘以减量因子kdec，使学习率减小，同时舍去使误差增加的前一步修正过程，即

二、柴油机故障及其特征参数的描述

实验中共设置了出油阀磨损、供油提前角晚、 供油提前角早、供油压力低、供油压力高和油路泄露6种故障。

1. 实验数据采集。对4135柴油机状态检测和故障诊断的参数采集是利用装在喷油器入口的压力传感器和装在柴油机缸头的加速度传感器来实现的，采样频率f为25kHz，数据长度为10 240。振动传感器选用北戴河无线电一厂生产的YD系列压电式加速度传感器，压力传感器为宝鸡晶体管厂生产的CYG30固态压阻传感器，电荷放大器为北戴河无线电一厂生产的DHF-6系列电荷放大器。

2. 特征提取。为了提高诊断的可靠性，需在检测信号中提取反映故障特征的信息，为此，以提取信号时域波形的动态指标作为特征参数。设x为检测信号，T为观测时间（离散数据点数为N），所采用的动态指标有8个，分别为峰值（xp）、绝对平均值（μ|x|）、均方根值（Ψx）、方根幅值（xr）、波形指标（K）、脉冲指标（I）、峰值指标（G）和裕度指标（L）。

三、诊断实例

该柴油机故障诊断系统采用BP网络，它由输入层、隐层和输出层构成。输入层神经元数为故障诊断系统特征参数个数，故有8个神经元；输出层神经元数就是故障类型数，共有6个：f1出油阀磨损，f2供油提前角晚，f3供油提前角早，f4供油压力低，f5供油压力高，f6油路泄露。则输出目标函数F=[f6，f5，f4，f3，f2，f1]。输入样本见表1，神经网络期望输出见表2，1表示故障存在，0表示故障不存在。表1中输入特征向量由峰值、绝对平均值、均方根值、方根幅值、波形指标、脉冲指标、峰值指标、裕度指标等8个动态指标构成，即X={xp，μ|x|，Ψx，xr，K，I，G，L }。神经网络输出结果见表2。

表1 输入样本

表2 检验结果

四、结论

从表2中可以看出，本文所采用的神经网络算法对柴油机故障诊断的结果是非常准确的，而且精度高。这说明神经网络一旦训练好后，就可用来诊断相应的故障，达到预期的目的，这体现了神经网络具有很强的存贮能力和记忆能力，以及强大的联想能力和推测能力，应用在故障诊断领域是切实可行的，并且具有广阔发展前景。