孫立民

（煙臺汽車工程職業(yè)學(xué)院 煙臺 265500）

1 引言

柴油機對我國工農(nóng)業(yè)生產(chǎn)以及整體經(jīng)濟的發(fā)展起到了重要的推動作用，并不斷朝著更低油耗、更高比功率以及污染排放量更少的方向發(fā)展［1～3］。從20世紀90年代末開始，柴油機領(lǐng)域開始出現(xiàn)高壓共軌技術(shù)，并且成為了提升柴油機環(huán)保性能與降低運行能耗的關(guān)鍵措施［4～5］。在柴油機的高壓系統(tǒng)中，節(jié)流閥是一種重要的超流量安保閥件，當高壓管路或者電控噴油器出現(xiàn)異常泄漏情況時，可以對高壓燃油起到截斷作用，有效保障柴油機處于安全運行的狀態(tài)。所以，對節(jié)流閥故障實施在線診斷以獲得節(jié)流閥的實時工作狀態(tài)信息，對于確保柴油機的穩(wěn)定、安全運行起到了關(guān)鍵作用。由于節(jié)流閥的工作環(huán)境中充滿高壓燃油，因此無法直接安裝傳感器來檢測閥芯的運動情況，到目前為止還很少有文獻報道節(jié)流閥的在線故障診斷內(nèi)容［6～8］。

本文主要探討了節(jié)流閥在工作狀態(tài)下發(fā)生的故障及失效模式（FMEA），同時分析了節(jié)流閥發(fā)生的一些典型故障形式。采用概率神經(jīng)網(wǎng)絡(luò)方法來診斷節(jié)流閥的故障類型，之后結(jié)合平臺測試數(shù)據(jù)與故障類型模擬結(jié)果對該網(wǎng)絡(luò)進行了訓(xùn)練與驗證。

2 模型建立

由于節(jié)流閥一直是處于高油壓狀態(tài)下進行工作，無法直接通過傳感器來檢測閥芯發(fā)生的位移情況，因此需要將壓力傳感器設(shè)置在電控噴油器蓄壓腔內(nèi)來完成對節(jié)流閥的故障檢測與判斷。其中，蓄壓腔的壓力受到節(jié)流閥、濾芯、噴油器、油管的共同影響，通過蓄壓腔壓力來判斷節(jié)流閥是否存在故障時需保證其它部件都是處于正常工作狀態(tài)。從圖1中可以看到構(gòu)建得到的節(jié)流閥、管接濾芯、高壓油管以及電控噴油器組成的仿真模型。

圖1 仿真模型

圖2 100%負荷工況

對測試得到的共軌壓力數(shù)據(jù)實施了降噪處理，并將其作為模型輸入，按照檢測得到的蓄壓腔壓力來標定仿真模型，如圖2所示。結(jié)果顯示，處于100%的運行工況下仿真測試結(jié)果與臺架試驗結(jié)果達到了較高的符合程度，只在怠速階段出現(xiàn)壓力上升時才產(chǎn)生明顯的波動偏差，這是由于和實際系統(tǒng)相比，仿真模型是一種更加簡化的結(jié)構(gòu)，進入怠速工況后，高壓系統(tǒng)處于一種較低的噴油量與壓力狀態(tài)，干擾信號更易對蓄壓腔內(nèi)的壓力產(chǎn)生明顯影響。本文構(gòu)建的仿真模型在大多數(shù)工況下都可以達到較高的精度，能夠滿足對節(jié)流閥工作狀態(tài)進行研究需要達到的要求。

3 基于PNN的節(jié)流閥故障診斷

3.1 PNN模型

概率神經(jīng)網(wǎng)絡(luò)（PNN）是以徑向基函數(shù)網(wǎng)絡(luò)（RBF）作為基礎(chǔ)，同時結(jié)合貝葉斯決策理論與密度函數(shù)估計方法得到的結(jié)構(gòu)簡單，可以通過線性學(xué)習(xí)算法來產(chǎn)生非線性算法功能的一種高效神經(jīng)網(wǎng)絡(luò)，可以實現(xiàn)快速收斂、易于訓(xùn)練、實時分析的目的，對于許多故障診斷問題都可以發(fā)揮重要作用。從圖3中可以看到概率神經(jīng)網(wǎng)絡(luò)包含了輸入層、求和層、隱含層、輸出層共四層結(jié)構(gòu)。

圖3 概率神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

第一層是輸入層，其作用是接收由訓(xùn)練樣本提供的數(shù)據(jù)，同時把接收到的數(shù)據(jù)傳遞到隱含層中，神經(jīng)元的個數(shù)對應(yīng)于輸入向量的維數(shù)。

第二層是隱含層，屬于徑向基層，在各隱含層神經(jīng)元節(jié)點上都存在一個中心，來自輸入層的樣本數(shù)據(jù)將被隱含層接收，之后對輸入向量到中心點距離進行計算并返回標量值。當隱含層接收到向量x后，該層的第i類中第j神經(jīng)元對應(yīng)的輸入與輸出關(guān)系可以根據(jù)式（1）來表示：

上式中，i=1，2，…，M，M是訓(xùn)練樣本對應(yīng)的類別總數(shù)，φij是第i類第j個神經(jīng)元對應(yīng)的隱含層輸出，d是樣本空間維數(shù)，xij是第i類樣本第j個中心，σ是平滑因子，選擇何種平滑因子將會對網(wǎng)絡(luò)性能產(chǎn)生明顯影響［3］。

第三層是求和層，該層的神經(jīng)元只和隱含層相應(yīng)神經(jīng)元相連，不會和其它神經(jīng)元建立連接，之后由求和層通過式（2）對隱含層中的同類隱含神經(jīng)元輸出進行加權(quán)平均：

其中，vi代表第i類神經(jīng)元的輸出，L代表第i類神經(jīng)元的數(shù)量。求和層中的神經(jīng)元個數(shù)等于類別數(shù)M。

第四層是輸出層，該層包含競爭神經(jīng)元，具有和求和層相等的神經(jīng)元數(shù)量，其作者是接收求和層產(chǎn)生的輸出，同時對閾值進行簡單識別，在各輸出層神經(jīng)元中尋找后驗概率最大的神經(jīng)元，并將其輸出設(shè)定為1，其它神經(jīng)元的輸出對應(yīng)為0。

上式中的y是診斷類別輸出。

3.2 節(jié)流閥診斷模型建立

對于常規(guī)的工程應(yīng)用而言，只需對節(jié)流閥部件進行隔離即可。所以，在診斷節(jié)流閥的時候只需對節(jié)流閥的故障狀態(tài)進行確認，可以將節(jié)流閥工作狀態(tài)分成正常狀態(tài)與故障狀態(tài)兩種類型。

本文構(gòu)建得到了概率神經(jīng)網(wǎng)絡(luò)模型，其網(wǎng)絡(luò)輸入的4個故障特征量，網(wǎng)絡(luò)輸出是節(jié)流閥實際運行狀態(tài)。結(jié)合歷史故障數(shù)據(jù)分析結(jié)果，對節(jié)流閥的故障情況進行了診斷，得到圖4所示的節(jié)流閥診斷模型。

圖4 節(jié)流閥診斷模型

3.3 PNN模型訓(xùn)練

從測試臺架上對節(jié)流閥在正常工作狀態(tài)下的數(shù)據(jù)進行了采集，總共得到135組數(shù)據(jù)樣本。各組數(shù)據(jù)分別對應(yīng)的4個故障特征量以及節(jié)流閥實際工作狀態(tài)共同構(gòu)成的5維向量。以隨機方式分別選擇100組正常數(shù)據(jù)與100組故障數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)樣本，其余70組數(shù)據(jù)被用于對該網(wǎng)絡(luò)進行驗證分析。

考慮到診斷網(wǎng)絡(luò)性能受到平滑因子的顯著影響，因此本文選擇了不同的平滑因子來訓(xùn)練并驗證該網(wǎng)絡(luò)模型，各個平滑因子對應(yīng)的網(wǎng)絡(luò)診斷率見圖5。

從圖5中可以發(fā)現(xiàn)，在平滑因子低于0.5的情況下，診斷準確率可以達到95%以上。為了能夠盡量提升診斷準確率，本研究將平滑因子設(shè)定在0.1，使診斷準確率達到98%，完全能夠滿足節(jié)流閥故障診斷需達到的要求。

經(jīng)過訓(xùn)練得到的概率神經(jīng)網(wǎng)絡(luò)模型的輸入層由4個神經(jīng)元節(jié)點組成，其中隱含層含有的神經(jīng)元節(jié)點是200個，同時求和層與輸出層各自對應(yīng)2個神經(jīng)元節(jié)點。從輸出層中找到擁有最大值的神經(jīng)元，同時輸出相應(yīng)的編號，便可以知道節(jié)流閥實際工作情況。根據(jù)測試結(jié)果可以推斷，本文構(gòu)建的概率神經(jīng)網(wǎng)絡(luò)對限流器故障間診斷的準確率可以達到100%，符合節(jié)流閥的故障診斷要求。

圖5 平滑因子和診斷準確率間的關(guān)系

4 結(jié)語

1）對測試得到的共軌壓力數(shù)據(jù)實施了降噪處理，并將其作為模型輸入，按照檢測得到的蓄壓腔壓力來標定仿真模型。在此基礎(chǔ)上，構(gòu)建得到了概率神經(jīng)網(wǎng)絡(luò)模型，其網(wǎng)絡(luò)輸入的4個故障特征量，網(wǎng)絡(luò)輸出是節(jié)流閥實際運行狀態(tài)。

2）從測試臺架上對節(jié)流閥在正常工作狀態(tài)下的數(shù)據(jù)進行了采集，選擇不同的平滑因子來訓(xùn)練并驗證該網(wǎng)絡(luò)模型，在平滑因子低于0.5的情況下，診斷準確率可以達到95%以上。本研究將平滑因子設(shè)定在0.1，使診斷準確率達到98%，完全能夠滿足節(jié)流閥故障診斷需達到的要求。