基于模糊神经网络的RT-flex柴油机燃油系统故障诊断

张国岭(大连海事大学 轮机工程学院，辽宁 大连 116026)

维修理论

基于模糊神经网络的RT-flex柴油机燃油系统故障诊断

张国岭
(大连海事大学 轮机工程学院，辽宁 大连 116026)

介绍了RT-flex60C柴油机燃油系统的常见故障类型，针对其故障类型提出了以传统的BP神经网络为主，利用模糊理论作为补充的一种智能故障诊断方法。建立了基于模糊BP神经网络的故障诊断模型，并运用MATLAB软件进行了仿真测试研究，阐明了该方法的有效性。

燃油系统；模糊神经网络；故障诊断

柴油机燃油系统因其结构比较复杂，故障率较高，英国柴油机工程师与用户协会提供的资料表明，造成柴油机停机故障的原因中，有27%是燃油系统故障[1]。

近十几年来，高压共轨燃油系统受到业界越来越多的青睐,其在降低油耗、改善排放、喷油正时和喷油率优化控制方面占据绝对的优势[2]。因此，开展共轨柴油机故障诊断的研究也是相当必要，有着重要的意义。

本文提出了基于模糊BP神经网络的一种智能故障诊断方法。故障诊断系统首先将采集的RT-flex60C型柴油机燃油系统故障征兆参数，进行模糊化处理后作为BP神经网络的输入，然后利用BP神经网络的联想记忆能力进行燃油系统故障模式识别，输出层推理出该系统的故障诊断结果。

1 RT-flex60C柴油机燃油系统常见故障分析

本文在故障诊断研究的过程中选择燃油系统的供给部分和RT-flex系列柴油机特有的共轨系统作为研究对象。

燃油供给单元主要包括燃油供给泵、燃油循环泵、燃油混合桶、雾化加热器和自清滤器等，它们的相互关系如图1所示。

RT-flex系列柴油机的电控共轨技术能够实现对燃油喷射与排气阀执行机构的智能控制，可以自由选择喷射压力、气阀正时，实现低NOx排放、高燃烧效率以及在所有负荷状态下无烟运行，最低稳定转速可低至额定转速的10%～12%且仍保持无烟运行，还可以设置特殊的气阀正时，用于紧急停车和快速加载[3]。

RT-flex60C柴油机共轨系统由燃油共轨系统、伺服油共轨系统、控制油系统和WECS9500控制系统组成，其基本结构如图2所示。在该系统中，取消了凸轮轴装置， WECS9500控制系统根据曲轴转角传感器判断，通过电磁阀打开相应的汽缸启动阀，使3.0 MPa启动空气进入柴油机汽缸，进行柴油机的启动。同样，由图2可知排气阀启闭时刻以及燃油的喷射定时和喷射量的控制也是由WECS9500控制系统通过电磁阀控制20 MPa的伺服液压油进行相应的控制。

图2 RT-flex共轨系统基本结构图

本文中研究的几个燃油系统常见的故障类型及相应的参数变化如表1所示，其相应的参数变化可以通过各种传感器测量获得。

表1 RT-flex60C柴油机燃油系统常见故障类型及参数变化

2 模糊神经网络故障诊断模型

2.1模糊神经网络理论

将模糊理论和神经网络结合起来组成的模糊神经网络既能处理专家经验和知识，又能通过自我学习来增加系统的判断能力。本文中，故障征兆参数经过模糊化处理后输入到神经网络中，使网络输入参数更加规则，这样可以克服BP神经网络本身具有的根本缺陷(当网络输入不规则时，可能导致BP神经网络的收敛速度缓慢，甚至无法收敛)[4]。二者的结合方式如图3所示的串联型结合方式。

图3 串联型结合图

在模糊理论的实际应用中，如何确定模糊集的隶属函数便是我们需要解决的首要问题[5]。在很多情况下，通常用一些常用的分布函数来近似地作为隶属函数，从而来描述一些模糊变量，这是最简单有效的方法[6]。本文选择半梯形分布函数作为故障征兆参数的隶属度函数。

2.2模糊神经网络的结构

本文的模糊神经网络设置为4层，分别为模糊化层、输入层、中间层和输出层，其结构如图4所示。

图4 模糊BP神经网络结构图

2.2.1 模糊化过程

根据采集到的故障征兆参数，建立其隶属度函数。本文选择半梯形分布函数作为故障征兆参数的隶属度函数，对采集到的故障征兆参数进行模糊化处理。所以隶属度函数为：

(1)

式中：A(x)为模糊化后的值;x为故障征兆变量的原始值；a、b分别为故障征兆变量原始值中的最小值和最大值。

所采集到的燃油系统故障征兆参数如表2，其中P1为供给泵出口压力，P2为雾化加热后燃油黏度，P3为雾化加热后燃油温度，P4为高压油泵出口压力，P5为共轨压力，P6为启阀压力，P7为伺服油泵出口压力；T1为燃油供给泵故障，T2为雾化加热器故障(加热不良)，T3为高压油泵故障，T4为燃油共轨故障，T5为喷油器故障，T6为伺服油泵故障。

表2 故障征兆参数

经过模糊化处理后的参数结果如表3。

表3 模糊化处理后的结果

2.2.2 输入层

输入层神经元个数是根据采集到的故障征兆参数的种类来确定的，本文将采集到的故障征兆参数如前所述，共7个，所以神经网络的输入层神经元数为7个。

2.2.3 输出层

输出层神经元的个数取决于故障类型的种类，本文采集的故障类型如前所述，共6个，所以BP网络的输出层神经元个数为6个。

根据表4中采集到的数据和其对应的故障类型，可得BP神经网络训练的期望输出，即表4中故障征兆参数所对应的故障模式。

表4 故障模式

2.2.4 隐含层

隐含层的节点数由经验公式来确定，经验公式如下：

n2=2n1+1，

(2)

式中:n1为输入层节点数；n2为隐含层节点数。

本文中BP神经网络输入层节点数n1为7，所以根据经验公式可得隐含层神经元个数的初始值为15，本文先以隐含层神经元个数为15进行网络训练，观察网络训练效果。

2.3神经网络的训练

网络训练选择常用的S型正切函数tansig作为隐含层神经元的传递函数，由于经过神经网络训练后的输出应该在0和1之间，然后再根据最大隶属度原则判断故障类型，因此，选择S型对数函数logsig作为输出层神经元的传递函数，这恰好满足网络的要求。

网络的训练函数通常选取传统的梯度下降法traingd训练函数，但是这种传统的训练函数往往会造成网络的收敛过程特别慢，通常需要几千步、甚至上万步才能收敛。因此，人们需要找到提高BP神经算法收敛速度的方法，本文采用traingdx训练函数(有动量和自适应学习速率的梯度下降法)，这样能在保证网络收敛精度的同时有效地提高网络的收敛速度。训练步长设置为1 000，全局误差设定为0.001。

运用MATLAB软件的语句编程进行仿真测试，主要代码如下：

net=newff(minmax(P),[15,6],{‘tansig’,’logsig’},’traingdx’);

net.trainParam.epochs=1 000;

net.trainParam.goal=0.001;

[net,tr]=train(net,P,T)。

取表3中模糊化后的数据P作为神经网络的输入数据，期望输出数据为T，对网络进行训练。

经过198步的训练后网络性能达到要求，网络训练曲线如图5所示。

训练结果表明，本文提出的网络结构即对采集到的参数进行模糊处理，使输入参数变的更加规则；同时又对传统的神经网络进行改进，采用了有动量和自适应学习速率的traingdx训练函数，这2种改进措施大大改善了网络的训练效果。

图5 网络训练曲线图

3 模糊BP神经网络故障诊断

以先用训练样本本身数据(如表3所示)送入到训练完成的网络中，观察网络是否能够对自身数据进行识别，其识别结果如表5所示，从中我们可以观察到自身数据检测正确率为100%。

表5 自身数据识别结果

再取4组实际采集的数据进行测试，如表6所示，4组数据正好对应着4种故障类型。首先对采集的数据进行模糊化处理，处理结果如表7所示，将经过模糊化处理的测试数据送入到训练好的网络中，观察故障的识别效果。

通过MATLAB软件的仿真测试，测试结果如表8所示。

表6 故障数据

表7 模糊化处理结果

表8 测试结果

诊断数据可以看出，诊断结果已经能够准确识别4种故障类型，诊断误差为0.217 7、0.285 4、0.171 3和0.058 2，可以看出诊断误差已经可以满足燃油系统故障诊断的实际工作需要了。

4 结束语

本文分析了RT-flex60C柴油机燃油系统的供给部分和共轨系统的常见故障类型和故障征兆参数变化情况。对传统的神经网络进行了改进，首先对网络输入参数进行模糊处理，使其更加规则，其次采用了有动量和自适应学习速率的traingdx训练函数进行网络的训练，从而提出了模糊神经网络进行故障诊断的方法，并建立了模糊BP神经网络故障诊断模型。最后运用MATLAB软件进行仿真模拟，仿真结果表明本文提出的故障诊断方法和模型具有简单、快速、准确的特点，是一种实用的智能故障诊断方法。

[1]何俊强，李建勇，江涛涛，等．GASA-SVM改进算法及其在柴油机供油系统故障诊断中的应用[J]．西南科技大学学报，2011,26(2)：44-48．

[2]尹成彬，欧大生，张晓怀，等．船用共轨柴油机燃油喷射系统控制策略研究[J]．柴油机，2012，35(5)：22-26．

[3]周春东．关于柴油机高压共轨燃油喷射系统评析[J]．武汉航海，2010，5(1)：5-7．

[4]于洪波．船舶燃油供给系统故障诊断研究[D]．大连：大连海事大学，2012．

[5]王生昌，赵永杰，许青杰．基于自适应模糊神经网络的故障诊断方法[J]．汽车工程，2006，28(4)：398-400．

[6]熊瑞庭．基于模糊神经网络的电梯故障诊断系统的研究[D]．武汉：武汉理工大学，2010．

The common faults of the engine fuel oil system RT-flex60C were introduced in this paper.According to these faults,an intelligent fault diagnosis method based on fuzzy theory was presented as a supplement to the traditional BP neural network.The fault diagnosis model was established based on the fuzzy BP neural network.At last,the MATLAB software is used to simulate and test,which clarified the validity of this fault diagnosis method.

fuel oil system;fuzzy neural network;fault diagnosis

U672

10.13352/j.issn.1001-8328.2015.02.014

张国岭(1989-)，男，河北唐山人，在读硕士研究生，主要从事轮机工程研究。

2014-09-15