嚴?？?，周鳳星，張 偉

(武漢科技大學信息科學與工程學院，湖北武漢 430081)

?

基于遺傳PNN神經網絡的真空閥自動調試系統(tǒng)

嚴?？担茗P星，張 偉

(武漢科技大學信息科學與工程學院，湖北武漢 430081)

針對真空閥檢測中可能出現(xiàn)的故障情形及相應的調試方法，提出一種基于遺傳PNN神經網絡的真空閥自動調試系統(tǒng)。將不同占空比電源驅動下出氣口的壓力作為故障特征值，并利用PNN網絡進行故障分類，結合機械手臂進行相應的調試，從而實現(xiàn)故障自動檢測與調試。在樣本數有限的情況下，PNN神經網絡通過遺傳算法獲得模式層最佳節(jié)點數目及相應的平滑參數，降低了網絡的冗余度并提高了網絡的精度，再將通過PNN分類并調試成功的數據加入到樣本集中重新訓練網絡，直到網絡精度增長率達到一定范圍，使得網絡的精度和模式層節(jié)點數達到最優(yōu)值。測試結果表明，該方法能夠有效的對真空閥進行故障分類與調試，能大幅提高檢測的自動化程度和精度。

真空閥；PNN神經網絡；故障分類；自動調試；遺傳算法

0 引言

發(fā)動機的有害排放物是造成大氣污染的一個重要來源，隨著環(huán)境保護的重要性日益增加，降低發(fā)動機有害排放物成為當今世界上發(fā)動機發(fā)展的一個重要方向。廢氣再循環(huán)系統(tǒng)(Exhaust Gas Recirculation，EGR)通過將內燃機產生的廢氣的一部分再送回氣缸使其再度燃燒，可以降低排放氣體中的氮氧化物并提高燃料消費率，因此，EGR閥成了機動車的關鍵部件[1]。

隨著工況不同，EGR閥的進氣量也需要相應地調整，低負荷選擇小進氣量，高負荷選擇大進氣量，EGR閥的開度大小可通過脈沖電源驅動的真空閥進行調節(jié)[2-3]。因此，真空閥的性能指標直接影響著EGR閥的性能，于是，真空閥的性能檢測就成為了真空閥生產中不可缺少的環(huán)節(jié)。

由于真空閥故障現(xiàn)象的多樣性、配件參數的非一致性以及裝配過程的不確定性，使得真空閥故障檢測技術還未廣泛使用。隨著生產線自動化程度的提高，部分企業(yè)使用了真空閥質量自動檢測系統(tǒng)[4]，在很大程度上提高了質檢的效率，但是也一次性否決了所有不合格產品，而事實上，部分不合格產品是由裝配的誤差造成了，可以通過調整滿足合格要求。而目前，針對這類不合格產品的處理方法是人工進行配件的微調并單步進行調試使其滿足合格條件，雖然提高了產品的合格率，卻嚴重制約了檢測效率。因此，如何檢測出不合格產品并自動調試成功是本文研究的重點。

概率神經網絡(probabilistic neural networks，PNN)是一種學習規(guī)則簡單、訓練速度快且能保持非線性高精度的算法[5]。針對真空閥性能檢測過程中特征值與調整角度的關系特點，文中設計了基于PNN網絡的真空閥自動檢測與調試系統(tǒng)。首先，構造檢測特征值與調整角度之間的故障關聯(lián)模型；再將各調整角度對應的特征值組成特征向量，經過PNN網絡訓練，形成多種征兆與多個故障的映射關系；最后，結合訓練好的PNN網絡，對真空閥進行性能檢測并進行故障預測。同時，在調試過程中，不斷加入新的訓練樣本，逐漸完善PNN網絡，進一步提高真空閥的自動檢測與自動調試系統(tǒng)的精確度。

1 VS52真空閥工作原理

VS52真空閥是EGR系統(tǒng)中的關鍵部件，能在不同占空比脈沖電源的驅動下調節(jié)不同大小的開度，從而控制EGR閥中廢氣的進氣量，其機構圖如圖1所示。

進氣口與穩(wěn)壓的負壓真空筒連接，為VS52閥提供穩(wěn)定的負壓環(huán)境；出氣口與EGR進氣口相連，調整好流量的廢氣從該口進入EGR閥；勵磁線圈和磁極鐵芯組成電磁鐵，磁極鐵芯和勵磁線圈為中空的，與廢氣相通；電源端為VS52閥提供不同占空比的脈沖電壓；防塵塞用來過濾進入廢氣中的微塵顆粒。

圖1 VS52真空閥結構圖

不通電時，由于進氣口接的負壓環(huán)境，鐵片會在壓力差的作用下克服彈簧的彈力封住圖1中進氣口與出氣口的連接處，此時，出氣口與廢氣進氣口相通，達到最大流量；給閥接通脈沖電源，由勵磁線圈和磁極鐵芯組成的電磁鐵會產生磁力吸引鐵片，鐵片在周期性磁力、壓力和彈簧彈力的三重作用下處于一個穩(wěn)定的振蕩狀態(tài)，從而輸出穩(wěn)定流量的廢氣，在磁力和彈力完全克服壓力的情況下，出氣口與廢氣進氣口隔開，達到零流量。

圖2所示為VS52真空閥在EGR系統(tǒng)中的工作流程圖。

圖2 VS52真空閥工作流程圖

2 故障檢測方法設計

2．1 故障分類及產生機理

由于VS52真空閥的作用是在不同占空比電源的驅動下輸出特定流量的廢氣，因此對圖1中鐵片的吸合程度控制需要十分精確。根據第1節(jié)中提到的VS52真空閥結構可知，影響鐵片吸合的因素有：穩(wěn)壓筒負壓、彈簧彈力、電磁鐵磁力、結構的密封性。其中，在檢測中穩(wěn)壓筒負壓能提供恒定的負壓環(huán)境，對鐵片的吸合影響可以忽略；彈簧在出廠時特性已經無法改變，結構的密封性在檢測前也是固定，因此，若這兩項是造成故障的原因，則閥需要更換相應配件；電磁鐵磁力可以通過調節(jié)磁極鐵芯進入線圈的位置進行改變，由磁力引起的故障通?？梢圆挥酶鼡Q配件，直接調節(jié)磁極鐵芯就能滿足條件，除非線圈斷路。因此故障可分為以下幾類：

(1)彈簧彈力不合格。彈力太弱，鐵片無法正常復位，電磁鐵在電源占空比較小時無法與鐵片吸合，導致檢測的出口流量值過大；彈力太強，電磁鐵與鐵片吸合程度太大，導致檢測的出口流量值過小。

(2)結構密封性不合格。結構不密封，廢氣會從縫隙進入出氣口，進而導致檢測的出口流量值整體偏大。

(3)線圈斷路。電磁鐵是由電流產生磁力，線圈斷路，電磁鐵無法產生磁力與鐵片吸合。

(4)磁極鐵芯位置偏差。鐵芯的位置影響磁力的大小，進而影響檢測的出氣口流量值。

2．2 故障檢測原理

真空閥在穩(wěn)定環(huán)境下工作，其出氣口流量與壓力成正比，因此，可將不同占空比下的出氣口壓力作為性能特征值進行故障判斷。在2．1節(jié)中描述的4類故障中：第1類和第4類故障都會對出氣口壓力產生影響，壓力特征值比較接近，且在一定范圍內，均可通過調節(jié)磁極鐵芯位置解決故障；第2類故障，可通過檢測接通直流電源情況下的出口壓力進行判斷，因為在結構密封性良好時，接通直流電源，由于鐵片與電磁鐵緊密吸合，出氣口壓力應與真空穩(wěn)壓筒壓力相等；第3類故障，則可直接檢測線圈在接通直流電源下的電流進行判斷，線圈斷路，電流為零。為避免檢測工作的重復，故障檢測與調試的流程如圖3所示。

圖3 故障檢測與調試流程圖

其中，PNN網絡故障分類與鐵芯位置調試是文中研究的重點。鐵芯的位置直接決定電磁鐵與鐵片的吸合程度，進而影響出氣口的壓力值，因此，可將不同占空比下出氣口壓力作為檢測的輸入特征值，鐵芯調整幅度作為故障輸出等級。首先，根據各類不同等級故障的樣本建立概率神經網絡模型，待檢測的數據經過該模型即可判斷出故障等級，進而根據相應的調整幅度調節(jié)鐵芯位置。

3 遺傳PNN網絡故障診斷方法

3．1 概率神經網絡

概率神經網絡(PNN)是1990年由Specht提出的，是一種基于Bayes分類規(guī)則與Parzen窗的概率密度函數估計方法發(fā)展而來的算法[5]。PNN模型由輸入層、模式層、求和層、輸出層共4層組成，其基本結構如圖3所示。

圖3 PNN網絡基本結構

算法描述為，故障模式為Y=[y1，y2，…，ym]，要判斷的測量集為X=[x1，x2，…，xn]，基于貝葉斯決策來判斷d(x)∈yi的狀態(tài)為：

hilifi(X)>hklkfk(X)，k≠i

(1)

式中：hi和hk分別為yi和yk的先驗概率；li為將本屬于yi類而被錯分為其他類的代價因子；lk為將本屬于yk類而被錯分為其他類的代價因子；fi(X)和fk(X)分別為yi和yk的概率密度函數，通?？梢愿鶕F(xiàn)有的訓練樣本求其統(tǒng)計值，如式(2)所示。

(2)

式中：d為待分類的向量X及訓練向量的維數；Ni為故障模式i的訓練樣本的數量；Xij為故障模式i的第j個訓練向量；σ為平滑參數[5]。

3．2 遺傳概率神經網絡

平滑參數σ越接近于0，根據公式(2)估計的概率密度函數越逼近原概率密度函數，因此，只要樣本數目足夠多，訓練結果就會很精確。但在實際工程中，樣本數不可能無窮大，σ也不會為0，用相同的σ表示每個神經元的平滑參數雖然大幅降低了計算復雜度大，但同時也降低了分類的精確度。因此，需要使用公式(3)計算概率密度函數。

(3)

通過優(yōu)化平滑參數的值可以提高PNN網絡的分類精確度，如基于異方差的PNN訓練算法[6]、基于Gap的平滑參數估計算法[7]、基于遺傳算法的PNN網絡[8]等。文中將采用遺傳PNN算法，在優(yōu)化σ的同時，也對輸入樣本進行優(yōu)化，從而減少模式層的節(jié)點數，提高算法精度的同時提高了算法的效率。

3．2．1 染色體編碼

染色體編碼是遺傳算法的基本要素，將待優(yōu)化的參數表示成一組固定結構的染色體[9]。針對PNN網絡，染色體可表示成C={C1，C2，…，CM}，M為訓練樣本總類別數，Ci為染色體C的第i個片段，且

(4)

3．2．2 適應度函數

適應度函數是遺傳算法過程中的評估函數，取決于網絡的分類誤差和模式層的節(jié)點數目，定義為：

Fit=α·Error+(1-α)·Size

(5)

式中：α為權值；Error為分類誤差；Size為模式層的節(jié)點數。

通過適應度函數，可使網絡在獲取最小分類誤差的同時，刪除對網絡影響不大的冗余節(jié)點[10]。

3．2．3 選擇操作

為了讓每一代中最優(yōu)秀的基因不被破壞，將適應度最高的個體不經過交叉或變異，直接復制到下一代。通常采用精英策略或者二元競爭策略，精英策略的操作流程為：將適應度較高的部分基因直接復制到下一代；二元競爭策略的操作流程為：在樣本中隨機選擇2個個體，將其中適應度高的復制到下一代。

3．2．4 交叉操作

交叉操作是從父代個體中選擇兩個個體，隨機選擇這兩個個體染色體中的一點或多點位置進行交換，從而產生新的優(yōu)秀個體。交叉操作如圖4所示。

圖4 交叉操作

3．2．5 變異操作

變異操作是從父代個體中選擇一個個體，然后隨機選擇個體中染色體的一點進行變異以產生更優(yōu)秀的個體，如式(6)所示。

(6)

3．2．6 刪除操作

刪除操作是為了減少PNN網絡的冗余節(jié)點，以一定的刪除概率選擇并刪除染色體中的某些片段。如圖5所示。

圖5 刪除操作

3．3 遺傳PNN算法步驟

步驟1：設置算法精度值增長率α、總進化次數G、種群大小N、個體長度l、交叉概率pc、變異概率pm、刪除概率pd、選擇概率ps；置當前進化次數i=0；隨機生成N個長度為l的個體，每個個體中包含訓練樣本特征值變量和對應的平滑參數；計算所有個體的適應度值。

步驟2：通過選擇操作、交叉操作、變異操作和消除操作產生下一代。

步驟3：計算新種群中所有個體的適應度值。

步驟4：輸出適應度值最高的個體，并組成對應的PNN網絡。

步驟5：待檢測的故障數據經過步驟4訓練的PNN網絡進行故障分類并進行相應的調試；調試后數據進行合格驗證并對故障數據進行分類；統(tǒng)計經過組Nv數據驗證后的精度增長率αt，若αt<α，將正確分類后的故障數據合并到訓練樣本，重新進行以上所有步驟。

步驟6：輸出滿足以上步驟的個體所對應的PNN網絡。

步驟5的作用是在訓練樣本數不夠的情況下，通過增加正確分類的檢測數據作為樣本，進而提高算法的精度，同時精度增長率α的設定可以使PNN精度和節(jié)點數達到最優(yōu)值。

4 實驗結果及分析

為了驗證算法在真空閥自動檢測與調試系統(tǒng)中的有效性，針對真空閥的不同故障類型進行如下實驗。

真空穩(wěn)壓筒負壓為-50 kPa，脈沖電源的占空比分別為5%、10%、20%、30%、40%、50%、60%、70%、80%、90%、99%這11個值，分別采集不同占空比下真空閥出氣口的壓力值，將這11個壓力值作為檢測的特征值輸入到PNN網絡。PNN故障輸出分為8個等級，分別對應鐵芯調整角度為-4T、-3T、-2T、-1T、1T、2T、3T、4T，T代表一個螺紋周期，即360°，角度的正負代表旋轉方向，正表示順時針，負表示逆時針。性能合格檢測函數為區(qū)間函數，超過區(qū)間上下限即為不合格。

每個故障等級有100組數據，其中70組作為首次訓練樣本，30組作為網絡的測試樣本。對于遺傳算法，設定進化次數G=100，種群大小N=50，交叉概率pc=0.2，變異概率pm=0.1，刪除概率pd=0.01，精度增長率為α=0.001。

圖6所示為不同故障等級和合格的特征值，從圖6可以看出，故障1～4由于鐵芯進入尺寸過多，磁力太強，故特征值在低占空比會超出標準上限，而在高占空比變化不大；故障5～8由于鐵芯進入尺寸不足，磁力太弱，故特征值會超出標準下限。

圖6 故障特征值

圖7所示為首次訓練，即只使用已知訓練樣本數據訓練時，使用檢測樣本得到的故障分類誤差隨遺傳進化次數變化的曲線?？梢钥闯鲭S著進化次數的增加，其分類誤差呈現(xiàn)減少的趨勢，在進化到80次左右，沒出現(xiàn)明顯變化。

圖8所示為首次訓練時模式層的最優(yōu)節(jié)點數隨遺傳進化次數變化的曲線。由于訓練樣本中存在的冗余樣本信息，使得最優(yōu)節(jié)點數隨著遺傳進化逐漸減少，最后基本停留在170個節(jié)點左右。

圖7 首次訓練分類誤差隨進化次數變化曲線

圖8 首次訓練節(jié)點數目隨進化次數變化曲線

在首次訓練好的遺傳PNN網絡中，隨著檢測數據的不斷增加，可以將正確分類故障的部分檢測數據加入要訓練樣本中，重新訓練PNN網絡，從而完善網絡的訓練樣本類型，彌補初始訓練樣本不足的缺陷。從每次訓練好的遺傳PNN網絡檢測數據中，選取80組數據與當前最優(yōu)訓練樣本一起作為新的訓練樣本，重新訓練網絡，從而得到圖9所示最優(yōu)節(jié)點數隨訓練次數變化的曲線以及圖10所示分類誤差隨訓練次數變化的曲線。從圖9和圖10中均可以看出，隨著訓練次數不斷增加，最優(yōu)節(jié)點數會達到一個飽和狀態(tài)，而且分類誤差也會停滯不前，此時的網絡即可作為最優(yōu)的遺傳PNN網絡。

圖9 最優(yōu)節(jié)點數目隨訓練次數變化曲線

圖10 分類誤差隨訓練次數變化曲線

從最后的結果可以看出，模式層的最優(yōu)節(jié)點數為312，此時分類誤差僅為2．4%，在保證高精度故障分類的同時，大幅度減少了模式層的節(jié)點數。

5 結論

針對VS52真空閥提出的基于PNN神經網絡的真空閥自動檢測與調試系統(tǒng)，通過PNN網絡將故障等級進行分類，并結合機械手對不同故障程度進行相應的調試，實現(xiàn)了真空閥性能檢測的自動化，提高了生產線的效率。同時通過遺傳算法對PNN網絡中的模式層節(jié)點數和對應的平滑參數進行優(yōu)化，在提高了系統(tǒng)精度的同時，降低了系統(tǒng)的復雜度。最后，由于新檢測樣本的增加，更加豐富了網絡的訓練樣本信息，并進一步提高網絡的精度。

[1] 李向榮，魏镕，孫柏剛．內燃機燃燒科學與技術．北京：北京航空航天大學出版社，2012：358-429．

[2] 鄭偉，張振東，胡大志，等．具有自動控制功能的柴油機EGR系統(tǒng)的研制．內燃機工程，2010，31(5)：52-57．

[3] 平銀生，張逸敏，蔡東波，等．利用EGR降低柴油機排放的研究．內燃機工程，2000，21(4)：6-10．

[4] 周鳳星，孟志華，楊君，等．一種用于真空閥的質量檢測平臺．中國：CN201010200800．X，2010．11．10．

[5] SPECHT D F．Probalilistic neural networks．Neural Networks，1990，3(1)：109-118．

[6] 連遠鋒，李國和，吳發(fā)林，等．基于遺傳PNN網絡的組合導航故障診斷研究．儀器儀表學報，2012，33(1)：120-126．

[7] 王金甲，王成儒．基于異方差的PNN訓練算法的研究．儀器儀表學報，2004，25(6)：709-713．

[8] ZHONG M，COGGESHALLl D，GHANEIE E．Gap-based estimation：choosing the smoothing parameters for probabilistic and general regression neural networks．International Joint Conference on Neural Networks，2006：1870-1877．

[9] MIGUEZ R，GEORGIOPULOS M，KAYLANI A.G-PNN：A genetically engineered probabilistic neural network．Nonlinear Analysis，2010，73(6)：1783-1791．

[10] GOLDBERG D E，HOLLAND J H．Genetic Algorithms and Machine Learning．Machine learning，1988，3(3)：95-99．

Automatic Debugging System for Vacuum Valve Based on Genetic PNN

Yan Bao-kang，Zhou Feng-xing，Zhang Wei

(School of Information Science and Engineering，Wuhan University of Science and Technology，Wuhan 430081，China)

The automatic debugging system based on genetic PNN was proposed for the fault and corresponding debugging method of vacuum valve. The pressure of the outlet port under the power with varying duty ratio can be extracted as the input for PNN for fault classification, and then debugged with manipulator to achieve automatic diagnosis and debugging. As the training samples were restricted, the PNN improved with genetic algorithm firstly get the optimum nodes of the pattern layer and corresponding smoothing parameters, then added the correct testing data through the trained PNN into the training samples, and trained the PNN again till the accuracy satisfied certain value. Thus, the accuracy and nodes of the PNN can be optimal. The results show that this method can not only diagnose and solve the fault for vacuum valve, but also improve the accuracy and automaticity of the system.

vacuum valve；PNN；fault classification；automatic debugging；genetic algorithm

齊建虹(1990—)，碩士研究生，研究領域為生物醫(yī)療設備的自動控制。E-mail：qi．jianhong@163．com； 蔡錦達(1963—)，教授，碩士，研究領域為嵌入式系統(tǒng)開發(fā)，生物醫(yī)療設備的研發(fā)。E-mail：cjd6309@126．com；

國家自然科學基金資助項目(61174106)

2014-01-08 收修改稿日期：2014-11-08

TP277

A

1002-1841(2015)01-0060-05