謝春麗，張繼洲

（東北林業(yè)大學(xué)交通學(xué)院，黑龍江哈爾濱150040）

基于遺傳BP神經(jīng)網(wǎng)絡(luò)的電控發(fā)動機(jī)故障診斷研究

謝春麗，張繼洲

（東北林業(yè)大學(xué)交通學(xué)院，黑龍江哈爾濱150040）

為提高發(fā)動機(jī)故障診斷的正確率與精確度，提出遺傳算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷模型。將發(fā)動機(jī)部分尾氣信息和傳感器數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)診斷模型的輸入變量，利用遺傳算法的全局搜索能力優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)建立發(fā)動機(jī)故障的診斷模型。實驗結(jié)果表明該診斷模型可提高發(fā)動機(jī)故障診斷的正確率。

BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；故障診斷

汽車發(fā)動機(jī)的性能直接影響整車的工作狀況，在不解體的情況下對發(fā)動機(jī)的工作狀況做出準(zhǔn)確快速的判斷，不僅能夠保證車輛運行的安全性和經(jīng)濟(jì)性，還能降低檢修成本。如何能夠在發(fā)動機(jī)不解體的情況下判斷發(fā)動機(jī)是否存在故障并且判斷故障類型是學(xué)術(shù)界的一大研究課題。在研究領(lǐng)域和使用領(lǐng)域，最新的診斷方法主要有基于數(shù)學(xué)模型的方法、基于信號處理的方法和基于人工智能的方法等，其中人工智能是一種比較有前途的方法。

在故障診斷方法中，BP（Error Back Propagtion，誤差反向傳播）神經(jīng)網(wǎng)絡(luò)是一種最常見的人工智能診斷方法，但是普通BP神經(jīng)網(wǎng)絡(luò)故障診斷模型具有收斂速度慢、易陷入局部極值的缺點。針對上述缺點，研究者們引入多種方法與普通BP神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行故障診斷，并且取得良好結(jié)果。文獻(xiàn)［1］中，作者在普通BP神經(jīng)網(wǎng)絡(luò)中引入量子算法，以量子比特的方式表示神經(jīng)網(wǎng)絡(luò)的輸入和傳遞函數(shù)，在收斂速度、分類正確率方面取得良好效果；文獻(xiàn)［2］中，作者利用經(jīng)驗?zāi)B(tài)分析法（EMD）選擇故障特征，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練特征來診斷滾動軸承的故障，取得較好的分類效果；文獻(xiàn)［3］中，作者在BP神經(jīng)網(wǎng)絡(luò)中引入螢火蟲算法對網(wǎng)絡(luò)參數(shù)進(jìn)行選取，在訓(xùn)練效果和故障識別方面取得良好效果。遺傳算法（Genetic Algorithm，GA）是模擬生物界的遺傳機(jī)制而形成的一種自適應(yīng)優(yōu)化算法，具有強(qiáng)大的局部搜索能力。文獻(xiàn)［4］中，作者利用遺傳算法對變速器的故障特征進(jìn)行提取，獲得了滿足故障診斷需求的特征數(shù)據(jù)，約簡了診斷數(shù)據(jù)；文獻(xiàn)［5］中，作者利用遺傳算法對故障特征參數(shù)進(jìn)行自動優(yōu)化，然后運用逐次診斷理論對滾動軸承復(fù)合故障進(jìn)行診斷。鑒于遺傳算法的局部尋優(yōu)能力，將遺傳算法引入BP神經(jīng)網(wǎng)絡(luò)中，可以對神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，從而加快神經(jīng)網(wǎng)絡(luò)的收斂速度、降低訓(xùn)練誤差。文獻(xiàn)［6］中，作者在BP神經(jīng)網(wǎng)絡(luò)中引入遺傳算法優(yōu)化反向傳播網(wǎng)絡(luò)權(quán)值，結(jié)果表明預(yù)測精度得到很大提高。鑒于BP神經(jīng)網(wǎng)絡(luò)在引入遺傳算法后訓(xùn)練精度確實得到極大提高［7-9］，本文中提出在發(fā)動機(jī)故障診斷中引入遺傳算法，對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，建立遺傳BP神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)動機(jī)故障診斷。結(jié)果表明，GABP有效地提高了發(fā)動機(jī)故障診斷的準(zhǔn)確率。

1　GABP神經(jīng)網(wǎng)絡(luò)診斷模型

1.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使得BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。X1，X2，…Xn是BP神經(jīng)網(wǎng)絡(luò)的輸入值；Y1，Y2，…Ym是BP神經(jīng)網(wǎng)絡(luò)預(yù)測值；ωij和ωjk是BP神經(jīng)網(wǎng)絡(luò)權(quán)值。從圖1可以看出：BP神經(jīng)網(wǎng)絡(luò)可以看成一個非線性函數(shù)，網(wǎng)絡(luò)輸入值和預(yù)測值分別為該函數(shù)的自變量和因變量。當(dāng)輸入節(jié)點數(shù)為n、輸出節(jié)點數(shù)為m時，BP神經(jīng)網(wǎng)絡(luò)就表達(dá)了從n個自變量到m個因變量的函數(shù)映射關(guān)系。

圖1　BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

1.2GABP神經(jīng)網(wǎng)絡(luò)診斷模型

GABP神經(jīng)網(wǎng)絡(luò)模型是根據(jù)遺傳算法優(yōu)化網(wǎng)絡(luò)初始權(quán)值和閾值來建立BP神經(jīng)網(wǎng)絡(luò)的。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的要素包括種群初始化、確定適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作。GABP神經(jīng)網(wǎng)絡(luò)算法流程如圖2所示。

圖2　算法流程圖

1）種群初始化個體編碼采用實數(shù)編碼的方法，每個個體均為一個實數(shù)串，由輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值和輸出層閾值組成。

2）確定適應(yīng)度函數(shù)根據(jù)初始權(quán)值和閾值，BP神經(jīng)網(wǎng)絡(luò)利用訓(xùn)練數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)后預(yù)測系統(tǒng)輸出，把預(yù)測輸出與期望輸出之間的誤差絕對值之和E作為遺傳算法的個體適應(yīng)度F：

式中：n為網(wǎng)絡(luò)的輸出節(jié)點數(shù)；yi為BP神經(jīng)網(wǎng)絡(luò)的第i個節(jié)點的期望輸出；oi為第i個節(jié)點的預(yù)測輸出；k為系數(shù)。

3）選擇操作從種群中選擇若干個體作為雙親用于繁殖后代，采用輪盤賭法進(jìn)行選擇操作，即基于適應(yīng)度比例的選擇策略，適應(yīng)度高的個體遺傳到下一代的概率較大，適應(yīng)度低的個體遺傳到下一代的概率則較小。每個個體i的選擇概率pi為

式中：Fi為個體i的適應(yīng)度值；N為種群個體數(shù)目。

4）交叉操作種群初始化過程中個體采用實數(shù)編碼，交叉操作采用實數(shù)交叉法，第k個染色體ak和第l個染色體al在j位的交叉操作方法如下：

式中：b是［0，1］區(qū)間的隨機(jī)數(shù)。

5）變異操作選取第i個個體的第j個基因aij進(jìn)行變異，變異操作方法如下：

式中：amax為基因aij的上界；amin為基因aij的下界；為一個隨機(jī)數(shù)；g為當(dāng)前迭代次數(shù)；Gmax為最大進(jìn)化次數(shù)；r為［0，1］間的隨機(jī)數(shù)。

6）計算適應(yīng)度值計算得出的適應(yīng)度值若滿足結(jié)束條件，則輸出最優(yōu)權(quán)值閾值；若不滿足結(jié)束條件，則返回第3）步重新選擇。

7）訓(xùn)練神經(jīng)網(wǎng)絡(luò)將遺傳算法優(yōu)化后的權(quán)值和閾值作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)。

8）檢驗用樣本檢驗診斷模型的泛化能力。

2　基于GABP神經(jīng)網(wǎng)絡(luò)模型的故障診斷試驗

2.1數(shù)據(jù)采集

本試驗涉及到的測試儀器有X-431開放式汽車故障診斷儀、AUTO5-1型尾氣分析儀還有電腦，測試車輛采用韓國原產(chǎn)現(xiàn)代診斷測試車，該車專門用作故障診斷的測試研究，利用數(shù)控板設(shè)置了不同系統(tǒng)的故障設(shè)置單元，包括電控發(fā)動機(jī)故障設(shè)置單元、ABS故障設(shè)置單元、制動系統(tǒng)故障設(shè)置單元等。該電控發(fā)動機(jī)故障設(shè)置單元可以設(shè)置傳感器故障及不同的執(zhí)行器故障，通過控制相關(guān)的電控系統(tǒng)來設(shè)置相應(yīng)的故障狀態(tài)。參考相關(guān)研究［10-13］，本文中選取10種特征參數(shù)：CO排放體積分?jǐn)?shù)值、CO2排放體積分?jǐn)?shù)值、O2排放體積分?jǐn)?shù)值、HC排放體積分?jǐn)?shù)值、NOX排放體積分?jǐn)?shù)值、發(fā)動機(jī)轉(zhuǎn)速、節(jié)氣門開度、空氣流量計開度、氧傳感器值和空氣溫度值作為神經(jīng)網(wǎng)絡(luò)故障征兆樣本集，在6種常見故障類型即正常狀態(tài)、空氣流量傳感器故障、節(jié)氣門位置傳感器故障、氧傳感器故障、點火線圈故障和噴油器故障分別存在的情況下測試特征參數(shù)值，每種故障原因選取30組數(shù)據(jù)樣本組成神經(jīng)網(wǎng)絡(luò)輸入樣本集，輸入輸出參量定義如表1所示。

表1　參量定義

2.2確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

采用常見的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來構(gòu)建故障診斷模型，由樣本數(shù)據(jù)集可知，該神經(jīng)網(wǎng)絡(luò)模型有10個輸入節(jié)點、6個輸出節(jié)點，在多次試驗后，發(fā)現(xiàn)隱含層節(jié)點數(shù)為19時網(wǎng)絡(luò)誤差最小，故確定神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)為19，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為10-19-6。BP神經(jīng)網(wǎng)絡(luò)隱含層函數(shù)選擇Logsig函數(shù)，輸出層采用Purelin線性函數(shù)。

2.3確定BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)

訓(xùn)練參數(shù)對神經(jīng)網(wǎng)絡(luò)非常重要，期望誤差設(shè)定為0.01，學(xué)習(xí)速率設(shè)定為0.1，訓(xùn)練次數(shù)設(shè)定為1 000次。

2.4遺傳算法優(yōu)化

構(gòu)建10-19-6的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，引入遺傳算法對訓(xùn)練過程中神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，設(shè)定種群規(guī)模為10，進(jìn)化次數(shù)為50次，交叉概率為0.4，變異概率為0.2。本文中對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行編碼，利用遺傳算法程序求解，在獲得最優(yōu)解后將其作為BP神經(jīng)網(wǎng)絡(luò)的最初權(quán)值和閾值。

2.5模型訓(xùn)練

在輸入的總共180組數(shù)據(jù)中，每種故障隨機(jī)選取5組數(shù)據(jù)作為測試數(shù)據(jù)，剩下的總共150組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)。經(jīng)過訓(xùn)練得到最優(yōu)個體適應(yīng)度曲線和最佳適應(yīng)度（圖3），GABP神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型達(dá)到收斂時所需步長如圖4～5所示。

從圖3可以看出，最優(yōu)個體適應(yīng)度曲線在110代之后達(dá)到穩(wěn)定，說明優(yōu)化到110代之后網(wǎng)絡(luò)已經(jīng)獲得最優(yōu)個體。從圖4～5可以看出，GABP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練進(jìn)入第7個循環(huán)時達(dá)到收斂，收斂時均方誤差為0.061 648，未達(dá)到預(yù)期誤差值0.01，但相比單獨BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果要大大改善，單獨BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程進(jìn)入第9個循環(huán)時達(dá)到收斂，收斂時均方誤差為0.243 02。圖4和圖5對比表明：經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值可以改善神經(jīng)網(wǎng)絡(luò)的性能，訓(xùn)練收斂時的均方誤差減小了74.63%，極大地提升了神經(jīng)網(wǎng)絡(luò)預(yù)測精度，降低了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練收斂時間。

圖3　最優(yōu)個體適應(yīng)度曲線　

圖5　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

2.6故障測試

將輸入數(shù)據(jù)中的剩下30組數(shù)據(jù)（表2）作為測試數(shù)據(jù)輸入訓(xùn)練過后的神經(jīng)網(wǎng)絡(luò)進(jìn)行測試（由于篇幅限制，僅列出30組測試數(shù)據(jù)中的11組）。在表2中，每組數(shù)據(jù)對應(yīng)的實際故障類型記為1，其他故障類型記為0，如第1組數(shù)據(jù)的實際故障類型為y1，故期望輸出記為100000。

利用表2所給出的數(shù)據(jù)進(jìn)行故障測試，所得診斷結(jié)果和誤差見圖6（由于篇幅原因，僅給出每組數(shù)據(jù)在預(yù)期故障下的診斷結(jié)果與誤差）。

表2　測試數(shù)據(jù)與期望輸出

圖6　診斷結(jié)果及誤差

在診斷結(jié)果方面，GABP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度比單獨BP神經(jīng)網(wǎng)絡(luò)模型要高，單獨BP神經(jīng)網(wǎng)絡(luò)模型對第10、18、19組數(shù)據(jù)的診斷結(jié)果出現(xiàn)誤判，第10組數(shù)據(jù)實際故障為y2，診斷結(jié)果為y6故障，第18組數(shù)據(jù)的實際故障為y4，診斷結(jié)果為y3和y6故障混合，第19組數(shù)據(jù)實際故障為y4，診斷結(jié)果為y3和y6故障混合；GABP神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果未出現(xiàn)誤判，但是對第3、10組數(shù)據(jù)的故障類型識別精度不高。在診斷誤差方面，單獨BP神經(jīng)網(wǎng)絡(luò)模型對預(yù)期故障的診斷誤差波動范圍較大，且誤差值較高；GABP神經(jīng)網(wǎng)絡(luò)模型對預(yù)期故障的診斷誤差波動范圍較小，而且誤差值基本維持在10%以內(nèi)，這說明GABP神經(jīng)網(wǎng)絡(luò)診斷模型比單獨BP神經(jīng)網(wǎng)絡(luò)診斷模型的泛化能力強(qiáng)。

定義平均絕對百分比誤差（Mean Absolute Per?cent Error，MAPE）：

式中：M為樣本個數(shù)；ope（output_expected）為期望輸出；ops（output_simulink）為仿真測試輸出。GABP神經(jīng)網(wǎng)絡(luò)模型與單獨BP神經(jīng)網(wǎng)絡(luò)模型的診斷誤差比較如表3所示。

通過GABP神經(jīng)網(wǎng)絡(luò)模型與單獨BP神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果與誤差比較，本文中建立的GABP神經(jīng)網(wǎng)絡(luò)模型提高了故障診斷的精確度，具有更優(yōu)越的診斷性能。

表3　BP與GABP神經(jīng)網(wǎng)絡(luò)模型診斷誤差比較

3　結(jié)論

采用BP神經(jīng)網(wǎng)絡(luò)與遺傳算法聯(lián)合進(jìn)行電控發(fā)動機(jī)故障診斷，使用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，建立GABP神經(jīng)網(wǎng)絡(luò)故障診斷模型。在搭建的試驗平臺上進(jìn)行故障數(shù)據(jù)采集，利用故障數(shù)據(jù)對本文中提出的故障診斷模型進(jìn)行驗證。驗證結(jié)果表明：該診斷模型能夠有效地進(jìn)行故障診斷，使用遺傳算法的全局搜索能力對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，可以有效避免BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值的缺點，極大地降低了故障診斷誤差，提高了故障診斷的精確度。

［1］李勝，張培林，李兵，李琛.量子BP神經(jīng)網(wǎng)絡(luò)在發(fā)動機(jī)故障診斷中的應(yīng)用［J］.中國機(jī)械工程，2014，25（16）：2159-2163.

［2］Jaouher Ben Ali，Nader Fnaiech，Lotfi Saidi.Application of Empirical Mode Decomposition and Artificial Neural Network for Automatic Bearing Fault Diagnosis Based on Vibration Signals［J］.Applied Acoustics，2015，89：16-27.

［3］李巍華，翁勝龍，張紹輝.一種螢火蟲神經(jīng)網(wǎng)絡(luò)及在軸承故障診斷中的應(yīng)用［J］.機(jī)械工程學(xué)報，2015，51（7）：99-106.

［4］Wenli Shang，Xiaofeng Zhou，Jie Yuan.An Intelligent Fault Diagnosis System for Newly Assembled Transmis?sion［J］.Expert Systems with Applications，2014，41：4060-4072.

［5］駱志高，陳保磊，龐朝利，等.基于遺傳算法的滾動承復(fù)合故障診斷研究［J］.振動與沖擊，2010（6）：174-177+243.

［6］謝延敏，王新寶，王智，等.基于灰色理論和GA-BP的拉延筋參數(shù)反求［J］.機(jī)械工程學(xué)報，2013，49（4）：44-50.

［7］羅戎蕾，劉紹華，蘇晨.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)服裝銷售預(yù)測方法［J］.北京郵電大學(xué)學(xué)報，2014，37（4）：39-43.

［8］鄧召學(xué)，鄭玲，郭敏敏，等.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的磁流變懸置模型辨識［J］.電子科技大學(xué)學(xué)報，2014，43 （6）：955-960.

［9］莊家俊，劉瓊.自適應(yīng)遺傳優(yōu)化BP網(wǎng)絡(luò)的研究與應(yīng)用［J］.北京郵電大學(xué)學(xué)報，2012，35（5）：41-45.

［10］畢曉君，柳長源，盧迪.基于PSO-RVM算法的發(fā)動機(jī)故障診斷［J］.哈爾濱工程大學(xué)學(xué)報，2014，35（2）：245-249.

［11］高陽，李國璋.基于尾氣分析和免疫原理的內(nèi)燃機(jī)故障診斷法［J］.車用發(fā)動機(jī)，2011（3）：83-85+89.

［12］孫毅剛，劉靜雅，趙珍.基于極限學(xué)習(xí)機(jī)的航空發(fā)動機(jī)傳感器故障診斷［J］.傳感器與微系統(tǒng)，2014（8）：23-26.

［13］姜潔，李秋紅，張高錢，等.航空發(fā)動機(jī)燃油系統(tǒng)執(zhí)行機(jī)構(gòu)及其傳感器故障診斷［J］.航空動力學(xué)報，2015 （6）：1529-1536.

［14］謝春麗，張東興，朱志飛.電控發(fā)動機(jī)故障診斷屬性約簡算法應(yīng)用研究［J］.湖北汽車工業(yè)學(xué)院學(xué)報，2014，28（1）：54-58+70.

Fault Diagnosis of Electronic Control Engine Based on Genetic BP Neural Network

Xie Chunli，Zhang Jizhou
（Traffic College，Northeast Forestry University，Harbin 150040，China）

To improve the correctness and accuracy of the engine fault diagnosis，a fault diagnosis model based on BP neural network combining genetic algorithm was proposed.With the engine emissions in?formation and sensors data as the input variables of BP neural network diagnosis model，BP neural net?work，s initial weights and thresholds were optimized using the global search ability of genetic algo?rithm.A model of engine fault diagnosis was built by the optimized BP neural network.The simulation results show that the proposed method can improve the accuracy of engine fault diagnosis.

BP neural network；genetic algorithm；fault diagnosis

U472.42；TP206+.3

A

1008-5483（2016）02-0018-05

10.3969/j.issn.1008-5483.2016.02.005

2015-12-25

黑龍江省自然科學(xué)基金項目（E2015053）；中央高校基本科研業(yè)務(wù)費專項資金資助（DL13CB14）

謝春麗（1978-），女，吉林鎮(zhèn)賚人，副教授，工學(xué)博士，從事故障診斷、人工智能等方面的研究。E-mail：xcl08@126.com