楊 志董振良萬金波

（1.華北電力大學機械工程系，河北 保定 071003；2.大唐國際發(fā)電股份有限公司張家口發(fā)電廠，河北 張家口 075000）

在現(xiàn)代生產(chǎn)過程中，柴油機作為常見的機械設備之一，廣泛應用于動力發(fā)電、工程機械等各種領域，其動力性和可靠性的好壞直接影響著整個系統(tǒng)的工作狀況。因此，對柴油機進行故障診斷和狀態(tài)監(jiān)測，及時發(fā)現(xiàn)并排除故障，對增加柴油機工作狀態(tài)下的安全性與可靠性，減少經(jīng)濟損失，避免事故發(fā)生具有重大的意義。傳統(tǒng)的柴油機故障診斷與處理方法包括潤滑油法、振動噪聲法等，但都是以定期保養(yǎng)和事后維修為主，這些方法缺乏事故預見能力、成本高、效率低[1]。隨著計算機技術、信號分析處理技術、人工智能的迅猛發(fā)展，柴油機故障診斷技術的水平也在不斷地提高。以非線性并行分布處理為主的神經(jīng)網(wǎng)絡為柴油機故障診斷技術的研究開辟了新的途徑[2]。經(jīng)過對柴油機的故障資料進行分析，柴油機的渦輪增壓系統(tǒng)發(fā)生的故障較多，本文只研究柴油機渦輪增壓系統(tǒng)故障的診斷，利用MATLAB神經(jīng)網(wǎng)絡工具箱，分別基于BP、RBF和Elman網(wǎng)絡進行柴油機的故障診斷，并對三種網(wǎng)絡方法診斷結果的可靠性和適用性進行比較和分析。

1 渦輪增壓系統(tǒng)的故障分析

根據(jù)對柴油機工作過程的分析和實際運行經(jīng)驗，可以確定渦輪增壓系統(tǒng)的出現(xiàn)的工作故障的原因和部位主要有：增壓器效率下降、空冷器傳熱惡化、透平保護格柵阻塞、透平通流部分、空氣濾清器阻塞、空冷器空氣測流阻塞增大和廢熱鍋爐流阻增大。其中后三項故障可以直接由部件特性參數(shù)診斷得出，系統(tǒng)的工作狀況和前四項故障原因作為網(wǎng)絡輸出變量由建立的神經(jīng)網(wǎng)絡進行故障診斷，確定柴油機渦輪增壓系統(tǒng)是否處于安全運行中。柴油機渦輪增壓系統(tǒng)工作狀況下可以得到的征兆變量包括排氣總管溫度、掃氣箱壓力、平均燃燒最大爆發(fā)壓力、掃排氣道壓損系數(shù)、增壓器轉(zhuǎn)速、壓氣機出口溫度、掃氣箱溫度、空冷器壓損系數(shù)、濾網(wǎng)壓損系數(shù)、廢氣鍋爐壓損系數(shù)和柴油機工作負荷參數(shù)，共11項可以作為網(wǎng)絡的輸入變量。

根據(jù)某型號柴油機技術規(guī)范要求，可以得到柴油機無故障時的數(shù)據(jù)，如下所示[3,4]。

● 氣缸排氣溫度： 30K

● 掃氣箱壓力： 0.06MPa

● 最大爆發(fā)壓力： 1MPa

● 濾網(wǎng)壓損系數(shù)： 0.1

● 增壓器轉(zhuǎn)速： 1500r/min

● 空冷器壓損系數(shù)： 0.1

● 廢氣鍋爐壓損系數(shù)：0.1

● 掃排氣道壓損系數(shù)：0.06

● 壓氣機出口溫度： 30K

● 掃氣箱溫度： 40K

其中，由于濾網(wǎng)壓損系數(shù)、空冷器壓損系數(shù)和廢氣鍋爐壓損系數(shù)可以作為部件特性系數(shù)，直接進行診斷，所以，排氣總管溫度、掃氣箱壓力、最大爆發(fā)壓力、增壓器轉(zhuǎn)速、掃排氣道壓損系數(shù)、壓氣機出口溫度、掃氣箱溫度和柴油機負荷作為網(wǎng)絡的輸入變量。由神經(jīng)網(wǎng)絡診斷出的數(shù)據(jù)參數(shù)上下偏差超過以上數(shù)據(jù)時，則認為柴油機有故障。

2 神經(jīng)網(wǎng)絡模型

2.1 BP神經(jīng)網(wǎng)絡

BP學習算法的基本原理是梯度最快速下降法，通過梯度搜索使網(wǎng)絡的實際輸出值和期望輸出值的誤差均方值為最小。BP神經(jīng)網(wǎng)絡是誤差反向傳播算法的學習過程，如圖1所示，輸入層各神經(jīng)元負責接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負責信息變換，根據(jù)信息變化能力的需求；傳遞到輸出層各神經(jīng)元的信息，完成學習的正向傳播處理過程，由輸出層向外界輸出信息處理[5,6]。

圖1 BP神經(jīng)網(wǎng)絡結構

2.2 RBF神經(jīng)網(wǎng)絡

RBF神經(jīng)網(wǎng)絡屬于前向神經(jīng)網(wǎng)絡類型，如圖2所示。第一層為輸入層，由信號源結點組成；第二層是隱含層，隱含層中神經(jīng)元的變換函數(shù)是非線性函數(shù)，傳遞函數(shù)為radbas；第三層為輸出層，傳遞函數(shù)為線性函數(shù)purelin,對輸入模式作出響應[7]。

RBF神經(jīng)網(wǎng)絡的基本原理是前饋式神經(jīng)網(wǎng)絡，它具有最佳逼近性能和全局最優(yōu)特性，并且結構簡單，訓練速度快，在模式識別、非線性函數(shù)逼近等領域的神經(jīng)網(wǎng)絡模型方面應用廣泛[8]。

2.3 Elman神經(jīng)網(wǎng)絡

Elman神經(jīng)網(wǎng)絡是一個具有局部記憶單元和反饋連接的局部前向回歸網(wǎng)絡，主要結構是前饋連接，包括輸入層、隱含層、承接層和輸出層，其中承接層從隱含層接收反饋信號，用來記憶隱含層神經(jīng)元的輸出值，經(jīng)過延遲和存儲，在輸入到隱含層中，這樣對歷史數(shù)據(jù)具有敏感性，增強了網(wǎng)絡的動態(tài)信息處理能力[9]。

圖2 RBF網(wǎng)絡結構

3 網(wǎng)絡設計

3.1 樣本數(shù)據(jù)選取與處理

確定正確的訓練樣本集是神經(jīng)網(wǎng)絡能夠準確故障診斷的一個關鍵環(huán)節(jié)，柴油機渦輪增壓系統(tǒng)的每一種故障都對應著一個樣本，樣本的目標值取0,0.5和1來表示診斷出故障的嚴重程度。確定訓練樣本，分別取滿負荷運行、90%負荷運行、70%負荷運行和半負荷運行四種狀況下的數(shù)據(jù)集，現(xiàn)抽取其中的9組數(shù)據(jù)作為訓練樣本，3組數(shù)據(jù)作為測試樣本。由于原始數(shù)據(jù)幅值不同，甚至相差很大，直接在網(wǎng)絡中使用學習速率會變得很慢，無法反應出小的測量值變化，所以要先將訓練樣本進行歸一化處理，處理后的數(shù)據(jù)對于網(wǎng)絡更容易訓練和學習[10]。歸一化函數(shù)如下所示：

式中：Xi表示歸一化后的測試數(shù)據(jù)，xi表示原始的測試數(shù)據(jù)，A表示相應的無故障情況下的基準值，B表示最大偏差值的絕對值。

3.2 建立網(wǎng)絡并故障診斷

3.2.1 BP神經(jīng)網(wǎng)絡

根據(jù)試湊法，選取隱含層節(jié)點數(shù)為12，第一層傳遞函數(shù)使用tansig函數(shù)，第二層傳遞函數(shù)使用logsig函數(shù)，訓練函數(shù)為trainlm函數(shù)，訓練次數(shù)3000，訓練目標0.01，學習速率為0.1。

如圖3所示,經(jīng)過32次訓練后，網(wǎng)絡的性能達到了要求。

圖3 BP網(wǎng)絡訓練結果

利用訓練好的BP網(wǎng)絡對測試樣本進行測試，測試代碼為yi=sim(net,pi)i=0,1,2測試結果為：y1=0.0000 0.9999 0.0000 0.0036 0.0000;y2=0.21050.0000 0.5245 0.0000 0.0059y3=0.0000 0.0014 0.0000 1.0000 0.0000測試結果表明，經(jīng)過訓練后，網(wǎng)絡可以滿足柴油機渦輪系統(tǒng)故障診斷的要求。

3.2.2 RBF神經(jīng)網(wǎng)絡

由于樣本數(shù)目比較小，將徑向基分布常數(shù)設定為1.2，由此，利用MATLAB創(chuàng)建一個RBF神經(jīng)網(wǎng)絡如下：spread=1.2;net=newrbe(P,T,spread);經(jīng)過訓練后，對策是樣本進行測試，測試結果如下：y1=0.0000 1.0550-0.189-0.0758 0.0147;y2=0.0000-0.0018 0.5196 0.0055-0.0087;y3 = 0.0000 0.0202 -0.0111 0.9804 0.0028測試結果表明，網(wǎng)絡成功診斷出了所有故障。

3.2.3 Elman神經(jīng)網(wǎng)絡

創(chuàng)建單隱層的Elman神經(jīng)網(wǎng)絡，最影響函數(shù)性能的是隱含層節(jié)點數(shù)，通過考慮網(wǎng)絡的速度與性能，將隱含層節(jié)點數(shù)定為15，創(chuàng)建網(wǎng)絡如下所示：net=newelm(minmax(P),[15,5],{'tansig','logsig'})net.trainParam.epochs =500;net.train－Param.goal=0.01;net=train(net,P,T);

如圖4所示，經(jīng)過訓練和對數(shù)據(jù)測試后，結果如下所示：y1=0.0232 0.8539 0.0050 0.2311 0.0021;y2 = 0.0112 0.0291 0.4829 0.0468 0.0447;y3 = 0.0129 0.2031 0.0146 0.7644 0.0204

圖4 Elman神經(jīng)網(wǎng)絡訓練結果

測試結果雖然誤差較大，但可以測試樣本的故障診斷結果。

4 結語

(1)采用神經(jīng)網(wǎng)絡建立故障診斷模型，能夠客觀的反映柴油機是否故障及嚴重情況，三種網(wǎng)絡均能夠滿足故障診斷的要求；(2)BP網(wǎng)絡具有很強的非線性映射能力，在柴油機故障診斷中應用很成功，但由于BP網(wǎng)絡是前向的神經(jīng)網(wǎng)絡，所以收斂速度比較慢，而且有可能收斂到局部極小點；RBF神經(jīng)網(wǎng)絡收斂速度快，當函數(shù)的擴展速度spread越大，函數(shù)擬合就越平滑，如果數(shù)值過大，會使傳遞函數(shù)的作用擴大到全局，喪失了局部收斂的優(yōu)勢，所以在網(wǎng)絡設計中需要嘗試確定最優(yōu)解；Elman網(wǎng)絡的訓練誤差曲線比BP網(wǎng)絡要平滑，收斂速度很快，能準確的識別所有故障類型，但相對于BP網(wǎng)絡和RBF網(wǎng)絡，Elman網(wǎng)絡的識別誤差更大，但并沒有影響所建立模型的應用。(3)由于樣本量比較小，對于和訓練數(shù)據(jù)相差很大的數(shù)據(jù)，所建立的網(wǎng)絡可能無法正確診斷。在實際應用中要采用大容量的訓練樣本，并對樣本數(shù)據(jù)進行分析和檢查，如利用小波方法處理非正常的高峰值波動數(shù)值等[11]。

[1]張蕾.融合技術在柴油機故障診斷中的應用[J].小型內(nèi)燃機與摩托車，2002，31（3）：33-36.

[2]汪云，張幽彤.神經(jīng)網(wǎng)絡在電控柴油機實時的故障診斷[J].汽車工藝與材料，2001，（1）：38-40.

[3]馬旭凱，谷立臣，李世龍.基于SOM神經(jīng)網(wǎng)絡的柴油機故障診斷 [J].機械制造與研究，726-731.81-83.

[4]丁艷君，吳占松.鍋爐煙氣排放檢測軟件傳感器[N].清華大學學報（自然科學版），2002，42（12）：1636-1638.

[5]李玉峰，劉玫.基于動量BP網(wǎng)絡的柴油機故障診斷[J].控制工程，2007.

[6]傅薈璇，趙紅等.MATLAB神經(jīng)網(wǎng)絡應用設計[M].北京：機械工業(yè)出版社，2010.

[7]朱大奇，史慧.人工神經(jīng)網(wǎng)絡原理及應用[M].北京：科學出版社，2006.

[8]Luce H，Govind R.Neural network pattern recognizor for detection of failure modes in the SSME[J].AIAA90-1893.

[9]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡理論與MATLAB7實現(xiàn)[M].北京：電子工業(yè)出版社，2006.

[10]張德豐.MATLAB神經(jīng)網(wǎng)絡應用設計[M].北京：機械工業(yè)出版社，2009.