基于BP神经网络的柴油机燃油系统故障诊断

西安武警工程大学装备工程学院 邓春泽

西安武警工程大学信息工程系 杨尚东

石家庄武警士官学校 丁娜娜

基于BP神经网络的柴油机燃油系统故障诊断

西安武警工程大学装备工程学院 邓春泽

西安武警工程大学信息工程系 杨尚东

石家庄武警士官学校 丁娜娜

通过设计BP神经网络的输入层、隐含层和输出层，建立了柴油机燃油系统故障诊断的BP神经网络模型，并对7种柴油机燃油系统的故障进行了诊断，诊断结果说明该模型可以有效诊断柴油机燃油系统的故障。

故障诊断；BP神经网络；故障特征

0 引言

柴油机故障诊断技术，是对柴油机运行状况进行实时监测，不仅能及早发现故障征兆，防止事故发生，同时能节省维修时间、降低维修费用，能够带来巨大的军事、经济效益。BP网络是一种多层前馈神经网络，它的名字源于在网络训练中，调整网络权值的训练算法是误差反向传播学习算法，即BP学习算法。由于它结构简单，可调参数多，训练算法多，可操控性好，因而可以利用BP神经网络对柴油机燃油系统的故障进行诊断分析。

1 BP神经网络模型

BP神经网络(Back-Propagation Network)可在任意希望的精度上对一连续函数进行任意逼近。标准的BP网络模型由三层组成，如图1所示，网络的最后一层为输出层，输入和输出之间只有一个隐含层。

图1 标准BP神经网络的基本结构

BP算法由两部分组成：信息的正向传播与误差的反向传播。在正向传播过程中输入信息从输入层经隐含层逐层计算传向输出层。在信号的向前传递过程中网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来并修改各层神经元的权值和阈值直至达到期望目标。

2 BP神经网络的设计

2.1 输入层的设计

2.2 输出层设计

输出层的神经元或节点个数可根据具体要求确定。本文诊断的故障类型有七种：正常情况（P1），喷油器开启压力降低（P2），高压油管漏油（P3），喷油泵泄漏（P4），喷油嘴积炭（P5），针阀泄漏（P6），出油阀失效（P7），每一种故障状态对应一个二进制编码而成的网络期望输出，可确定输出层神经元个数为7个。对于某一故障，若一节点输出为1，那么这一节点为该故障的故障输出点；若为0，则为该故障的非障输出点。表1列出了故障状态及对应的网络期望输出。

表1 故障状态及网络期望输出

2.3 隐含层设计

3 网络训练和仿真检验

调用MATLAB神经网络工具箱函数newff来创建一个前向型BP神经网络。常用的调用格式为：

net=newff(P,T,[S1 S2…s(N-1)],{TF1 TF2…TFN1})

其中：P，T分别为输入样本和期望响应；Si为网络各层的神经元数目；TFi为网络各层的传递函数。

隐含层神经元的激活函数选取tansig(S型正切函数)，取值范围为（-1，1）；输出层神经元则选取logsig（S型对数函数），取值范围为（0，1）；学习算法采用隐含层和输出层的传递函数同样取tansig和logsig函数。训练函数取学习速率较快的trainlm，它是利用Levenberg，Marquardt算法对网络进行训练的。训练次数定为1000，系统总误差设定为0.005，学习步长为0.05。训练中网络系统误差变化曲线如图2所示。

图2 BP网络训练误差变化曲线

为检验上述训练所得的神经网络的正确性，在相同的柴油机工况下，每种状态各选一个检验样本来测试神经网络，分别建立检验样本数据集，见表2。

表2 神经网络测试样本输入数据集（单位：%）

将表2的检验样本数据输入神经网络进行仿真检验，结果如表3。由于神经网络的输出有一定误差，所以输出结果不为0或1。处理时，输出结果在（0，0.3）内，可以近似看成0；在（0.7，1.0）内，可以近似看成1。

表3中每一行分别代表一个测试样本的输出，且分别对照表1中的各种故障。如序号为3的样本的特征向量为（36.612 13.175 7.773 8.948 7.316 10.230 7.798 8.148），经过网络训练后，测试结果即表3中序号P3的检测结果（0.0903 0.1671 0.9005 0.2845 0.0062 0.2107 0.0348），其中只有0.9005接近1，因此可以判断此故障为高压油管漏油故障，与实际结果相符。由表3可以看出，网络检测结果基本与实际结果相符，只有序号P5中出现0.3292＞0.3，诊断结果出现偏差，究其原因是在柴油机实际运行当中，喷油嘴积炭与喷油嘴堵塞故障有些偏差。

表3 神经网络输出数据集

4 结束语

本文在小波包能量法提取故障特征量的基础上，采用BP神经网络学习算法进行故障模式识别，并对BP网络的输入层、隐含层和输出层进行设计，得到燃油系统故障诊断的BP神经网络模型。通过网络训练和仿真检验，该神经网络的识别结果精度较高，尽管只是一种估计值，存在一定误差，但是这种状态识别的精度在实际诊断中已经足够了，可以有效进行燃油系统的故障诊断。

[1]张亮,杜海平,史习智．基于小波分析的柴油机振动信号降噪处理[J]．数据采集与处理,2000,15(4):521-524．

[2]孙颖楷．内燃机智能故障诊断系统的研究及应用[D]．重庆:重庆大学博士论文,2001．

[3]Simon Haykin著．叶世伟,史忠植译．神经网络原理[M]．北京:机械工业出版社,2004．

[4]黄强,高世伦,宾鸿赞,刘永长．基于分形和神经网络的柴油机振动诊断方法[J]．华中科技大学学报(自然科学版),2005,33(9):68-70．

[5]蒋平,贾民平,许飞云等．机械故障诊断中微弱信号处理特征的提取[J]．振动、测试与诊断,2005,25(l)．

[6]朱凯,王正林．精通MATLAB神经网络[M]．电子工业出版社,2009．