基于概率神经网络的发动机故障诊断方法研究

肖玉玲，孙丽娜

(河南化工职业学院机械电子系，河南郑州 450042)

基于概率神经网络的发动机故障诊断方法研究

肖玉玲，孙丽娜

(河南化工职业学院机械电子系，河南郑州 450042)

利用概率神经网络对发动机故障进行诊断，建立了发动机故障诊断的概率神经网络模型，利用MATLAB对网络进行训练，并运用测试样本对网络性能进行测试.结果表明，该网络学习速度快、诊断准确率高、泛化能力强，可以对系统进行实时监测和诊断.

概率神经网络;发动机;故障诊断

0 引言

传统的故障模式诊断采用的基本方法是判别函数，即利用判别函数来划分类别.由于在大多数情况下，尤其是线性不可分的复杂决策区域，判别函数的形式格外复杂，而且较为全面的典型参考模式样本也不容易得到.神经网络作为一种自适应模式识别技术，可以充分利用各种状态信息进行训练，从而获得某种映射关系.概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题［1］.本文提出一种基于径向基的概率神经网络模型，用于发动机故障模式的诊断［2－4］.仿真结果表明，该网络学习速度快，诊断准确率高，对样本噪声的鲁棒性强，可以对系统进行实时监测和诊断.

1 概率神经网络

概率神经网络(Probabilistic Neural Networks，PNN)是一种结构简单、训练简洁、具有较强容错能力和结构自适应能力的径向基函数(Radical Basis Function，RBF)神经网络，主要用于模式分类和故障诊断.

1.1 概率神经网络的结构

概率神经网络是一种具有单隐层的三层前向神经网络.输入层将系统提取的特征参数直接传递给隐含层，不做任何处理，因此，输入层仅仅起到传输信号的作用，其神经元的个数与输入样本向量的维数相同.输入层和隐含层之间可以看做权值为1的连接.

隐含层也称为模式层，采用非线性优化策略，对径向基函数(通常为高斯函数)的参数进行调整，得到故障模式的估计概率密度函数.模式层神经元的个数由故障样本数据的多少决定，当故障样本的数量增加时，模式层神经元的个数也将随之增加.

输出层采用线性优化策略，是隐单元输出的线性加权和.输出层神经元的个数与故障模式数相等.输出层神经元是一种竞争神经元，它根据贝叶斯分类规则，将输入向量分到具有最大后验概率密度的类别中，即概率密度最大的神经元输出为1，其他神经元输出全为0.

1.2 概率神经网络的分类过程

概率神经网络的分类过程如下:①对已有历史数据进行处理，得到网络学习与诊断需要的训练样本和诊断输入，处理后直接送入隐含层;②用一定数量的训练样本集训练网络，得到期望的输出;③利用诊断输入对系统进行诊断.基于概率神经网络PNN的诊断系统结构如图1.

2 建立发动机故障诊断的概率神经网络模型

2.1 发动机故障诊断模型

进行发动机故障诊断时，首先要从发动机瞬时转速信号提取相关的特征参数作为故障征兆，然后利用概率神经网络诊断得出故障模式.其诊断模型如图2所示.

2.2 故障征兆集特征参数的提取

在发动机运行过程中，选用特征参数AI(最大加速度指标)、MA(平均加速度指标)、DI(最大减速度指标)、MD(平均减速度指标)、PR(燃爆时上升速度)、TR(扭矩谐波分量比)作为网络的输入.

2.3 故障模式的类别

发动机运行过程中，油路和气路出现故障是最多的.以发动机某一汽缸为例，这里将发动机汽缸故障分为单一故障和复合故障两大类.单一故障包括:油路故障、气门故障、汽缸故障三种模式;复合故障包括:油路—气门故障、油路—汽缸故障、气门—汽缸故障三种故障模式.考虑发动机的正常状态模式，可知发动机故障模式共有7种，分别用A(正常)、B(油路故障)、C(气门故障)、D(汽缸故障)、E(油路—气门故障)、F(油路—汽缸故障)、G(气门—汽缸故障)表示.此7种故障作为概率神经网络的输出，对应的二进制描述如表1所示.由此可知，所设计的概率神经网络输出层应有7个神经元.

表1 故障模式的二进制描述Tab.1Binary description of fault modes

2.4 概率神经网络的拓扑结构

概率神经网络是一种单隐层的前向型神经网络，由输入层、隐含层和输出层组成.其输入层神经元个数与输入样本向量的维数相同，输出层神经元个数等于训练样本数据的总数.由以上分析可知，网络输入层神经元的个数有6个，分别对应发动机运行特征参数:AI、MA、DI、MD、PR、TR.隐含层神经元的个数由故障样本数据的多少决定.这里取12个节点，分别对应6个输入节点的故障和正常中的12种模式.输出层的神经元个数有7个，分别对应发动机汽缸的7种故障模式:A、B、C、D、E、F、G.所设计的概率神经网络的拓扑结构如图3所示.其中，隐含层、输出层分别采用高斯函数、线性函数作为传递函数.

图3 PNN网络的拓扑结构Fig.3Topological structure of PNN

3 概率神经网络的学习过程和性能测试

3.1 概率神经网络的学习过程

概率神经网络的学习算法属于有导师的学习.在训练网络时，网络将训练样本向量不做任何的修改，直接存储为网络的模式样本向量.用于网络学习的样本数据如表2所示.

表2 网络训练样本数据Tab.2Sample data of network training

由于这些数据之间相差不大，因此，不需要进行归一化处理，可以直接对网络进行训练.

在MATLAB提供的软件环境下，应用语句:net=newpnn(P，T，Spread)创建概率神经网络函数，其中，P为网络的输入样本向量，对应表2的故障样本;T为网络的目标向量，对应表2中的预测故障;Spread为径向基函数的分布密度，其默认值为0.1.Spread的取值大小，决定了网络包含的聚类区域的范围大小，对网络的性能有较大的影响.为了更好地分析Spread对网络性能的影响，仿真过程中，分别取Spread=0.1、0.2、0.3、0.4、0.5.

利用上述语句创建概率神经网络的同时，可以自动增加隐含层神经元的个数，直到均方差满足要求为止，也就是说，在用newpnn创建概率神经网络的同时，已经完成了对网络的训练.调用以下语句检验网络在Spread不同取值下对训练样本数据的分类情况.

以上仿真结果表明，此概率神经网络能够成功地将故障分为7种预定的故障模式.学习速度快，诊断准确率高，对Spread小范围内的变化不敏感.

3.2 概率神经网络性能测试

为了检验概率神经网络的泛化能力，运用表3中的测试样本数据对网络进行测试.

表3 网络测试样本数据Tab.3Network test sample data

调用测试语句如下:

网络输出结果与实际运行情况一致，该网络能够有效地对发动机故障进行诊断.当故障样本增加时，隐含层神经元的个数也将随之增加.随着故障知识的不断增多，网络不断横向扩张，故障诊断的准确度将不断提高.

4 结束语

本文基于径向基函数神经网络理论设计了一种可用于发动机故障诊断的网络模型.MATLAB实验表明，概率神经网络可以最大程度地利用故障先验知识，按照贝叶斯最小风险准则对发动机故障进行定性诊断.网络训练速度快，适于对故障的实时监控和诊断;网络泛化能力强，故障诊断准确率高;对样本噪声的鲁棒性强.

［1］张德丰.MATLAB神经网络应用设计［M］.北京:机械工业出版社，2009.

［2］付芹，谷立臣.PNN在旋转机械故障诊断中的应用［J］.煤矿机械，2009，30(11):243－245.

［3］姬东朝，宋笔锋，易华辉.基于概率神经网络的设备故障诊断及仿真分析［J］.火力与指挥控制，2009，34(1):82－85.

［4］谷雷，杨青，王大志.概率神经网络在化工过程故障检测中的应用［J］.控制工程，2008(5):128－130.

Research on Fault Diagnosis of Engines Based on Probabilistic Neural Networks

XIAO Yu-ling，SUN Li-na

(Department of Mechanical and Electronic，Henan Vocational College of Chemical Technology，Zhengzhou 450042，China)

A probabilistic neural network was used in fault diagnosis of engines.The model of probabilistic neural networks was set up and trained by MATLAB.The sample data were tested in the networks.The results showed that this network was rapid，precise and full of powerful generalization ability and ease for the real time detection and fault diagnosis.

probabilistic neural network;engine;fault diagnosis

TP183

A

1007－0834(2012)03－0037－04

10.3969/j.issn.1007－0834.2012.03.012

2012－04－23

河南省教育厅科学技术研究重点项目(12A510009)

肖玉玲(1970—)，女，河南郑州人，河南化工职业学院机械电子系高级讲师.