基于神经网络的柴油机燃油系统故障诊断

佟 刚，郝 旭

（沈阳航空航天大学 辽宁省通用航空重点实验室，辽宁 沈阳 110136）

0 引言

燃油系统作为汽车柴油机的重要组成部分，其可靠性将直接影响整个汽车柴油机系统的安全运行，决定汽车柴油机的可靠性和经济性，因此，及时有效地诊断出汽车柴油机燃油系统的故障具有十分重要的意义。对柴油机燃油系统故障的传统诊断方法有很多，如润滑油法、性能参数法和振动噪声法等［1］。但是当柴油机燃油系统处于故障状态时，其运行过程是一个非常复杂的非线性过程，依靠传统的检测手段费时费力，极大地浪费了维修资源。近年来，随着科技的发展，人工神经网络技术以其自适应、自学习和对非线性系统超强分析能力等特点得到广泛的应用，而利用神经网络技术进行柴油机燃油系统故障诊断被认为是可行的。

1 BP神经网络及其改进型

人工神经网络，也称神经网络，是模拟生物神经网络进行信息处理的一种数学模型，其优势是能处理残缺信息和庞大数据［2］。因此，神经网络常常作为一种故障诊断的工具应用于工程实践中。

神经网络的模型具有数百种之多，但使用最广泛的还是BP神经网络，又称反向传播神经网络，它是一种具有模式识别和分类能力的多层前馈型神经网络。BP网络基本的学习过程包括信息的正向传播与误差的反向传播两部分，通过各神经元权值和偏差的不断修正，形成合理的拓扑结构，实现网络实际输出与期望输出之间误差的平方和最小［3］。标准BP网络的局限性也是非常明显的，由于训练中的稳定性要求，学习率为常数且很小，所以标准BP梯度下降学习算法会使得收敛速度很慢，另外局部容易出现极值，隐含层节点个数的确定也比较困难［4］。因此，如果不对标准BP算法进行改进，其在实际应用中的价值就会大大降低。针对标准BP算法存在的不足，本文采用了基于标准BP算法改进而来的LM（Levenberg-Marquardt）算法。

LM算法是为了训练中等规模的前馈神经网络而提出的最快速算法，它的修正公式如下：

其中：x（k）为第k次迭代各层之间的连接权值或阀值向量；μ为系数，当μ=0时，上式即为牛顿法；JTe=g为梯度的计算表达式，g为梯度；JTJ=H，H为包含网络误差函数对权值和阀值一阶导数的雅可比矩阵；e为网络误差向量［5］。

LM算法的MATLAB实现相当简单，改进后的BP算法使得神经网络的计算精度提高，训练速度加快，更能满足工程的需要。

2 网络特征量的确定

采用人工神经网络对汽车柴油机燃油系统进行故障诊断的关键是确定网络的输入模式和输出模式。网络输入就是确定柴油机燃油系统故障的特征量，网络输出就是确定具体故障。汽车柴油机燃油系统的常见故障包括针阀卡死A1、针阀泄漏A2、出油阀失效A3、怠速油量A4、25%供油量A5、75%供油量A6六种类型。当An=0（n=1～6）时表示无故障，当An=1时表示存在故障。对于汽车柴油机燃油系统，上述6种故障类型可表现出8种故障征兆，包括最大压力、次最大压力、波形幅度、上升沿宽度、波形宽度、最大余波宽度、落座压力和起喷压力，共计8个输入向量。考虑到不同单位和量级的数据不利于计算，所以应该先进行归一化处理，再输入到神经网络中。由于篇幅有限，表1只给出已经归一化后的12组样本作为输入数据，对每个故障分别取2个训练样本。

3 网络的设计与实现

设计的改进型BP网络分三层，其中输入层有8个神经元，输出层有6个神经元。设输入层神经元数目为m，输出层神经元数目为p，隐含层神经元数目为h，则依据公式（α为调节常数，取值为1～10）计算得隐含层神经元数目的取值范围为5～14。通过试验确定h取11，所以改进型BP网络采用8-11-6的拓扑结构。

表1 柴油机燃油系统输入样本数据

改进型BP网络学习时采用LM算法，在MATLAB软件上编程实现设计好的改进型BP网络，设置学习速率为0.01，学习目标为0.001，最大迭代次数为1 000［6］。输入层到隐含层的传递函数取tansig（双曲正切S型），隐含层到输出层的传递函数取logsig（S型的对数函数）。经过14次训练后，网络性能达到了要求。之后通过表2的6组实际数据对网络进行测试，验证网络能否正确诊断出汽车柴油机燃油系统的故障。然后再计算误差，得出诊断故障的精确度情况。表3为改进型BP网络测试结果。

表2 测试数据

表3 改进型BP网络测试结果

测试结果表明：改进型BP网络能正确地诊断出汽车柴油机燃油系统的故障情况。按照欧式范数理论的公式进行计算，得出改进型BP网络的测试误差分别为0.004 2、0.009 1、0.008 0、0.000 8、0.152 9和0.044 4，测试总误差为0.159 7，可见改进型BP网络的误差还是比较小的。

4 结束语

本文提出的改进型BP神经网络的方法具有速度快、误差小的优点，为汽车柴油机燃油系统的故障诊断提供了一种比较有效的方法，能够实现非拆卸状态下对柴油机燃油系统的实时监测。

［1］ 杨志，董振良，万金波.基于神经网络的柴油机故障诊断［J］.中国新技术新产品，2011（24）：142-143.

［2］ 张德丰.MATLAB神经网络应用设计［M］.北京：机械工业出版社，2011.

［3］ 陈学峰，赵质良，王金光.基于BP神经网络的齿轮箱故障模式识别［J］.装备制造技术，2010（10）：16-27.

［4］ 郭江华，梁述海，梁泳.基于神经网络的船用柴油机故障诊断［J］.计算机仿真，2003（8）：61-63.

［5］ 傅荟璇，赵红.MATLAB神经网络应用设计［M］.北京：机械工业出版社，2010.

［6］ 李玉峰，刘玫.基于动量BP网络的柴油机故障诊断［J］.控制工程，2007（5）：518-521.