基于模糊神经网络的发动机故障诊断研究

王彬　李勋章　胡新生　米明辉

摘要：基于模糊神经网络理论，对发动机涡轮增压系统、冷却系统以及润滑系统常见故障进行了研究，在MATLAB环境中，利用常见的故障案例样本，训练BP神经网络，建立涡轮增压系统、冷却系统及润滑系统三大系统的模糊神经网络模型，并通过未参与训练的故障案例样本对模型进行验证，经验证模型的预测误差均在5%以内，可以满足故障诊断的要求。另外，针对各系统的模糊神经网络模型，利用MATLAB GUI建立发动机故障诊断系统，该系统可以根据故障现象，诊断故障原因，并通过实际故障案例验证，诊断结果与实际故障原因相符，说明故障诊断系统具有指导性。

关键词：柴油发动机;BP神经网络;模糊理论;故障诊断

中图分类号：U472.43

文献标识码：A文章编号：10015922（2022）06015607

Research on engine fault diagnosis based onfuzzy neural network

WANG Bin，LI Xunzhang，HU Xinsheng，MI Minghui

（

Qingdao Campus of Naval Aviation University， Qingdao，266041，Shandong China

）

Abstract：Common faults of engine turbocharging system， cooling system and lubricating system are studied based on fuzzy neural network theory. BP neural network is trained by using common fault cases in MATLAB environment， and the fuzzy neural network models of turbocharging system， cooling system and lubricating system are established.  Testifying through fault cases samples that are not in the training，the prediction error of the model is less than 5%， which can meet the requirements of fault diagnosis. In addition， based on the fuzzy neural network model of each system， the engine fault diagnosis system is established by using Matlab GUI. The system can diagnose the fault cause according to the fault phenomenon. Through the verification of actual fault cases， the diagnosis results are consistent with the actual fault cause， which shows that the fault diagnosis system is instructive.

Key words：diesel engine; BP neural network; fuzzy theory; fault diagnosis

發动机是常见的一种动力装置，应用十分广泛，随着科学技术水平的进步，发动机的结构也越来越精细化、复杂化，并且出现的故障也越来越多样化，故障诊断的难度相应地增大。因此，有必要研究一种快速准确便捷的故障诊断方法。神经网络，是利用工程技术模拟人脑神经的结构和功能的技术，用计算机模拟人脑神经元对信息的加工、存储和搜索等活动过程的技术[1-3]，模糊理论近年来在发动机故障诊断广泛应用，本文对人工神经网络和模糊理论进行研究，提出了基于模糊神经网络的故障诊断方法。

1人工神经网络与模糊理论

神经网络，是指利用工程技术模拟人脑神经的结构和功能的技术，用计算机模拟人脑神经元对信息的加工、存储和搜索等活动过程的技术[4-5]。神经网络技术辨识参数间关系的能力很强，适合寻找参数间存在的非线性关系，因此，神经网络可以用于寻找故障现象与故障原因之间的关系[4-5]。BP神经网络是应用比较广泛的一种神经网络，网络结构如图1所示。

在客观世界中的一个系统或事件往往存在随机性和不确定性，即模糊性[6]。例如“老年人”、“温度偏高”、“动力不足”、“振动较大”等现象的描述中“老年”、“偏高”、“不足”、“较大”等概念并不是清晰、界限分明的，所以不能简单地用“是”或“否”来回答，即这些概念存在模糊性[7]。模糊性是指客观事物存在的差异中不分明的过渡状态[8]。

人工神经网络和模糊理论是近年来故障诊断领域发展较好的两种技术[9-10]。两者都是模拟人脑的思维功能，通过建立不精确模型的方式分析和处理问题[11]。但它们之间也有不同的地方，比如系统模型的结构、结果的精度和映射的方式等。神经网络与模糊理论的比较如表1所示。

由表1可以看出，人工神经网络具备处理精度高、人工干预少及自学习等优势和不能处理模糊问题等不足;模糊理论具备对样本要求低、可利用已有的经验知识等优势，但也存在精度低、人工干预多等不足。因此，二者结合可以同时具备人工神经网络自学习的能力和模糊理论利用已有经验和处理模糊问题的能力。这样既可以通过自学习来提高编码语言的精度，还使导入样本的过程更加方便、简单。

2发动机故障诊断模型

发动机一旦发生故障，而故障之间的相互作用非常复杂，发动机的故障现象多种多样，故障原因也十分复杂[12]。因此，如果要针对发动机整体建立一个故障诊断系统，会导致所采用的神经网络规模过于庞大、学习和训练难以完成[13-14]。发动机是由涡轮增压系统、冷却系统、燃油系统、润滑系统等多个分系统组成的，本文分系统对发动机进行建模。

2.1典型系统故障诊断模型

本文建立涡轮增壓系统、冷却系统及润滑系统3个典型系统的故障诊断模型，建模时主要考虑各系统常见的故障。涡轮增压系统常见故障主要包括增压器效率降低、涡轮流道部分堵塞、空气冷却器故障等;冷却系统常见的故障主要包括水温异常、水压异常、流量异常等;润滑系统常见故障主要包括机油压力异常、机油温度异常、油耗偏多等。故障诊断模型建立的主要流程，具体如图2所示。

2.1.1模糊化

实现模糊化，就是将输入参数通过确定其隶属函数从真实论域转变到模糊论域[15]。针对各系统的故障征兆和故障原因利用模糊理论对其进行模糊化处理，其中，确定故障征兆的隶属度很关键，隶属度指的是某元素属于模糊集合的程度，隶属度越接近1，说明该元素属于模糊结合的程度越高;相反，隶属度越接近0，说明该元素属于模糊结合的程度越低，各个故障程度的隶属度分布如表2～ 表4所示。

2.1.2样本划分

将各个系统常见故障案例样本集，对于每一种故障选取其中75%的样本用于训练神经网络，而剩余25%样本用于测试神经网络的准确性，以涡轮增压系统为例，表5为涡轮增压系统训练样本集，表6为涡轮增压系统测试样本集，表中的输入x为“排气总管温度偏高”，x为“进气压力异常”，x为“最大爆发压力偏低”，x为“增压器转速异常”，x为“进排气压损系数偏高”，x为“压气机出口温度异常”，x为“进气温度偏高”。表中的输出y为“正常”，y为“增压器效率下降”，y为“空气冷却器故障”，y为“涡轮端通流部分堵塞”。

2.1.2BP神经网络的设计及训练过程

BP神经网络是一种建立在误差方向的多层前馈网络，是现在使用最多的神经网络模型之一[16]。在使用BP神经网络来进行预测之前要对其进行训练，经过训练调整阈值、权值使网络形成记忆并获得联想预测功能[17]。图3为神经网络算法流程图。

2.1.3模糊神经网络训练结果及验证

涡轮增压系统、冷却系统、润滑系统的神经网络训练结果如图4、图5及图6所示。

由图4～图6可以看出，在BP神经网络分别训练9次、12次、12次后的训练曲线、验证曲线和测试曲线均达到最好（10-2）虚线下方，即达到了规定的0.001的期望误差。

训练结束后，通过未参与训练的测试样本集测试模糊神经网络模型准确性，涡轮增压系统、冷却系统及润滑系统的BP神经网络预测结果与期望误差的比较如图7、图9及图11所示;从图7、图9和图11可以看出，预测输出和期望输出的偏差较小。涡轮增压系统、冷却系统及润滑系统的BP神经网络的预测误差图如图8、图10及图12所示;从图8、图10及图12可以看出，测试的结果与输入期望结果之间的误差在5%以内，神经网络预测结果准确，模型可以用于故障诊断。

3发动机故障诊断系统设计

本文在故障诊断模型的基础上，利用MATLAB GUI设计了发动机的故障诊断系统，如图13所示;故障诊断系统包括涡轮增压系统、冷却系统、润滑系统等故障诊断分系统，以涡轮增压系统为例，图14所示为涡轮增压系统故障诊断界面;随机选择了一故障案例，根据故障现象勾选各项参数所属范围，然后诊断，输出结果为空气冷却器故障，如图15所示。这一结果与实际案例故障原因相符，说明该系统可以用于指导发动机故障诊断。

故障诊断系统的诊断结果与实际情况可能存在偏差，需要不断提升故障诊断系统的准确度;因此，故障诊断系统，具有管理员登录功能，可以用于更新神经网络。神经网络的准备性依赖训练样本的数量，初始训练神经网络的故障案例样本可能数量不够大，存在已经误差。而实际使用中，可以随时添加故障案例样本，重新训练更新神经网络，提高模糊神经网络的准确性，神经网络训练界面如图16所示。

4结语

本文基于模糊神经网络建立涡轮增压系统、冷却系统及润滑系统三大系统的故障诊断模型，并通过未参与训练的故障案例样本对模型进行验证，模型的预测误差在5%以内，可以满足故障诊断的要求。另外，基于各系统的模糊神经网络模型，设计了发动机故障诊断系统，该系统可以根据故障现象，诊断故障原因，可以用于指导对发动机进行故障诊断。

【参考文献】

[1]

章志浩. 基于局部回归神经网络的柴油机燃油喷射系统故障诊断研究[D].大连：大连海事大学，2020.

[2]冯长宝，韩忠伟，孙沫莉.遗传算法和神经网络在船舶柴油机故障诊断中的应用[J].舰船科学技术，2016，38（6）：40-42.

[3]陈涛. 基于神经网络的船舶柴油机故障诊断研究[D].武汉：武汉理工大学，2014.

[4]崔佳.基于模糊神经网络的柴油机故障预警系统研究[D].南京：江苏科技大学硕士学位论文，2019.

[5]刘成海.船艇柴油机故障诊断系统的研究[J].中国水运（下半月），2020，20（6）：83-84.

[6]傅鹤川.基于模糊神经网络的汽车发动机故障诊断系统及其方法研究[D].广州：华南理工大学硕士学位论文，2016.

[7]佘勇，冯银汉，王燕兵.人工神经网络在汽车发动机故障诊断中的运用[J].南方农机，2021，52（13）：114-115.

[8]HE J ， LI X ， ZHAO Y . The Fault diagnosis of diesel fuel supply system based on BP neural network optimized by genetic algorithm[J]. Journal of Physics： Conference Series， 2021， 1 732（1）：012065 （6pp）.

[9] ALIREZA Z H，SAEED A R，SHIRAZ F A ， et al. Fault detection and diagnosis of a 12-cylinder trainset diesel engine based on vibration signature analysis and neural network[J]. ARCHIVE Proceedings of the Institution of Mechanical Engineers Part C Journal of Mechanical Engineering Science 1989-1996 （Vols 203-210）， 2018：095440621877831.

[10] 卜旭東，魏智辉.基于模糊神经网络的涡扇发动机状态监控模型研究[J].工程与试验，2019，59（4）：92-94.

[11]邢娅莉，王筱珍.基于模糊神经网络的游艇柴油发动机故障预测研究[J].机电信息，2018，（4）（21）：58-59.

[12]JING M，  ZHANG X. Research on fault diagnosis of diesel engine based on ART-BP neural network[J]. Mechanical Science and Technology， 2007， 73（4）：615-619.

[13]马继昌，司景萍，牛嘉骅，等.基于自适应模糊神经网络的发动机故障诊断[J].噪声与振动控制，2015，35（2）：165-169.

[14]FENG F，  SI A，  ZHANG H. Research on fault diagnosis of diesel engine based on bispectrum analysis and genetic neural network[J]. Procedia Engineering， 2011，15（1）：2 454-2 458.

[15]高伟冲. 船用柴油机典型故障分析与诊断技术研究[D].哈尔滨：哈尔滨工程大学，2016.

[16]林传喜. 基于粗糙集和模糊神经网络的柴油机健康管理系统研究[D].南京：江苏科技大学，2020.

[17]张国岭.基于模糊神经网络的RT-flex柴油机燃油系统故障诊断[J].中国修船，2015，28（2）：45-49.