基于BP神经网络的柴油发动机故障诊断

张松华，陆秀令

（湖南工学院电气与信息工程系，湖南衡阳 421002）

基于BP神经网络的柴油发动机故障诊断

张松华，陆秀令

（湖南工学院电气与信息工程系，湖南衡阳 421002）

阐述了BP神经网络模型及原理，提出了基于BP神经网络的发动机故障诊断分析方法，在理论分析的基础上，对发动机故障的检测和分析进行了MATLAB仿真，仿真结果表明，利用BP神经网络对发动机故障进行检侧具有检测精度高、速度快的特点.

发动机；神经网络；故障诊断

柴油发动机是一种重要的动力来源，一旦产生故障就可能发生严重的后果，因此，如何准确而又快速的分析发生故障的原因，并进行故障类型的有效判断，具有重要的现实意义.传统的故障诊断方法有很多种，如润滑油法、性能参数法和振动噪声法等［1］.人工神经网络以大规模并行处理为特色，具有非常强的容错性和自学习能力，非常适合于机器或工程系统的故障诊断.笔者采用单隐层的BP神经网络对提取的故障样本先进行网络的训练学习，再将训练后的网络应用于某型号柴油发动机的故障诊断［2］，通过MATLAB仿真结果分析，可以获得很好的故障诊断准确率和效率.

1 BP神经网络模型及原理

图1 单隐层BP神经网络结构

BP神经网络是一种单向传播的多层神经网络，一般包括输入层、隐层、输出层和前向的相互连接.输入层和输出层的神经元个数由待求的实际问题和样本的表示方式确定，一个单隐层BP网络可以完成任意的n维到m维的映射，而隐层的神经元个数一般与问题的要求和输入输出神经元个数有关.单隐层BP神经网络结构如图1所示.其中：i＝1，2，…；s1；k＝1，2，…，s2；j＝1，2，…，r.

神经网络的学习过程由信息的正向传递、误差计算和误差的反向传播过程组成，现以单隐层网络为例介绍BP网络的学习过程.

（1）信息正向传递过程.网络的输入向量为（p1，p2，…，pr），则隐层和输出层输入分别为：

其中：W1ij为第j个输入层神经元到第i个隐层神经元的权值；Vjn为第i个隐层神经元到第k个输出层神经元的权值；b1i和b2k是隐层和输出层对应神经元的阈值.

（3）误差反向传递过程.根据（1）式中所计算出的实际误差值与设定的网络目标误差进行比较，按照减少目标误差输出的方向，从输出层反向逐层修正各层权值调整.具体的权值修正计算过程如下：输出层的权值修正，其中δki＝（tka2k）·f′2＝ek·f′2，ek＝tk－a2k；输出层的阈值修正＝η·δki；隐层的权值修正η·δij·pj，其中δij＝ei·；隐层的阈值修正，Δb1i＝η·δij.

综上所述，BP算法将实际问题中的输入向量与输出向量之间的非线性优化问题转换为求解神经网络中的权值，主要根据输入、输出，利用梯度下降法迭代求得各层节点之间的权值，直到达到目标误差，然后就可以使用训练收敛后的网络识别各种待诊断的故障类型.

2 BP神经网络在发动机故障诊断中的应用

大型的柴油发动机是非常复杂的机电系统，若采用神经网络对整机进行故障诊断，网络结构将非常复杂和庞大，因此根据故障的层次性特点，可以将整机分为涡轮增压系统、燃烧系统、燃油系统和汽缸活塞组件等子系统.笔者以其中的涡轮增压系统故障诊断为例进行分析.

2.1 故障样本的采集与设计

根据对柴油机中的涡轮增压系统工作过程的分析，确定其中涡轮增压各部件可能出现故障的位置，作为网络的输出变量，同时确定用于区分以上故障的特征变量作为网络输入变量［3－4］.

（1）输入变量.涡轮增压系统中可以区分故障的主要因素可以包括汽缸排气温度、各缸平均燃烧最大爆发压力、扫气箱压力、扫气箱温度等10个工作参数，选择其中主要的7个参数外加1个柴油机负荷参数，一共8个网络输入变量.所选的7个工作参数的标准值如下：汽缸排气温度30 K；扫气箱压0.06 MPa；最大爆发压力1 MPa；增压器转速1 500 r／min；压气机出口温度30 K；扫气箱温度40 K；扫排气管压损系数0.06.若上述7个工作参数误差超过表中数据，则可判断机器有故障.

（2）输出变量.输出变量即系统要识别的故障类型变量，包括：正常工况（无故障）F1；增压器效率下降（压气机、透平或机械效率下降等）F2；空冷器传热F3；透平保护格栅阻塞F4；透平通流部分阻塞F5.其取值范围为［0，1］，0表示无此故障，0.5表示故障中等，1表示该故障严重.其中网络的输出变量包括F1到F5.表1给出了环境温度为288 K时的9组故障样本数据.

表1 故障样本数据

2.2 网络训练与诊断测试

根据上述确定的输入变量和输出变量，用于诊断的BP网络输入层神经元8个，输出层神经元5个，隐含层的神经元似于17个，隐含层的神经元数目可以通过实际训练的检验来不断调整.系统利用以下代码来创建所设计的网络：

Threshold＝［0 1；0 1；0 1；0 1；0 1；0 1；0 1；0 1］%确定网络输入向量范围

net＝newff（threshold，［17，5］｛‘tansig’，’logsig’｝，’traingda’）%设计需要的BP网络

利用以下代码来训练和测试网络：

net＝train（net，P，T）；%训练网络

Y＝sim（net，P＿test）；%测试网络

2.3 网络训练与诊断测试结果

采用MATLAB对所设计的系统进行仿真，网络的训练误差收敛曲线如图2所示.图2曲线表明：所设计的网络经过160步后达到目标误差，并且整个过程收敛性能良好，收敛速度较快.

系统通过3组新的实际数据对已训练好的网络进行诊断测试，测试网络是否可以准确判断系统故障.测试样本数据如表2所示，故障理想输出和网络的测试结果

如表3所示.

从表2，3中网络的测试结果可以看出：3组测试样本对

应的故障类型分别是F2有严重故障，F3有中等故障，F4有

严重故障，与理想输出所对应的故障类型完全一致.因此，采

用所设计的网络可以进行柴油机涡轮增压系统的实际故障诊

断，能达到了很高的故障诊断精度.

表2 测试样本

图2 诊断网络的训练误差截图

表3 诊断结果

［1］ 李 涛，李艾华，徐 斌，等.统计模拟在气阀机构故障诊断中的应用［J］.内然机工程，2005，26（2）：72－75.

［2］ 绍向潮，何永强，蔡 娟，等.基于RBF神经网络的温度传感器故障诊断［J］.吉首大学学报：自然科学版，2010，31（2）：79－82.

［3］ 刘建敏，李晓磊，乔新勇.基于工作参数的柴油机故障诊断方法［J］.数据采集与处理，2009，24（10）：196－199.

［4］ 飞思科技产品研发中心.MATLAB6.5辅助神经网络分析与设计［M］.北京：电子工业出版社，2003.

Diagnosis of Diesel Engine Failures Based on BP Neural Network Based on BP Neural Network

ZHANG Song－hua，LU Xiu－ling
（Department of Electrical and Information Engineering，Hunan Institute of Technology，Hengyang 421002，Hunan China）

System of diesel engine failure diagnosis and diagnosis method based on BP neural network are explained in this paper.According to the theoretical analysis，test and analysis of engine failure are simulated by MATLAB.Simulation result proves that this method can improve the fault diagnosis accuracy and convergence rate.

engine；neural network；failure diagnosis

book=69,ebook=171

TK421.8

A

10.3969／j.issn.1007－2985.2012.04.015

（责任编辑 陈炳权）

1007－2985（2012）04－0069－03

2012－03－26

湖南省教育厅科学研究项目（08C245）；湖南省教育厅教研教改项目（湘教通［2010］243）；衡阳市科学技术

发展项目（2010KG056）；湖南工学院科学研究项目（HY10008）；湖南工学院质量工程建设项目（A1125）

张松华（1980－），女，湖南新化人，湖南工学院电气与信息工程系讲师，主要从事通信，电子信息，Lab VIEW

虚拟平台建设，神经网络应用等研究.