王志 張杰 晉超

摘要：針對柴油機故障的人工診斷方法存在診斷難度大、診斷速度慢、干擾因素多等問題，提出了使用概率神經網絡模型進行柴油機故障智能診斷的方法。實驗結果表明，該方法能夠有效應用于柴油機故障診斷中，并在診斷速度、準確率等方面均優(yōu)于人工診斷方法。

關鍵詞：柴油機;故障診斷;概率神經網絡

0 引言

隨著現(xiàn)代科技的不斷發(fā)展進步，我國工業(yè)化水平不斷提高，以柴油機為代表的各種動力機械將機、電、液集于一體，其自動化程度、結構復雜程度也越來越高。結構復雜的柴油機在長期使用過程中，某個系統(tǒng)或者某個零部件出現(xiàn)故障，導致整個設備無法正常運轉的情況時有發(fā)生，造成企業(yè)生產工期延長或者停工，甚至威脅使用人員的人身安全。因此，監(jiān)測柴油機運行狀態(tài)具有重要意義，對柴油機的日常維護變得越發(fā)重要。柴油機故障診斷技術，是指對柴油機的日常運行狀態(tài)及運行參數進行實時監(jiān)測，采集并分析設備運行數據，以期能夠及時發(fā)現(xiàn)柴油機故障，并有效預防柴油機故障的發(fā)生，及時采取有效措施對柴油機進行維護和保養(yǎng)，減少設備維修時間和維修費用，提高企業(yè)生產效率。

使用傳統(tǒng)的人工經驗方法對結構復雜的柴油機系統(tǒng)進行故障診斷與識別是較為困難的，且準確率較低，因此自動化的診斷系統(tǒng)成為當前的研究熱點和重點。目前，已有許多針對柴油機故障診斷的研究成果。文獻[1]基于BP人工神經網絡和小波理論，對柴油機的進排氣系統(tǒng)進行了研究，分析了不同工況下、不同位置的缸蓋振動信號，結果證明，缸蓋上方的振動信號包含的故障信號較多，對特征表現(xiàn)的描述也最準確;文獻[2]以柴油機電控單元的工作原理為基礎，研究分析了柴油機各子模塊的故障診斷策略;文獻[3]基于EEMD模型，研究總結了柴油機振動信號的非線性特性，提出了基于分形維數的故障診斷模型;文獻[4]以S型函數變換為基礎，結合柴油機燃燒激勵響應特性信號，進行相關頻段的總結研究，以實際采集的多種常見柴油機機型在不同故障狀態(tài)下缸蓋表面振動數據信號為條件，進行了故障診斷研究，并使用采樣率轉換器來提高故障診斷的效率。

本文在總結分析現(xiàn)有柴油機故障診斷研究成果的基礎上，進一步對柴油機的故障診斷方法進行研究，以收斂速度快、穩(wěn)定性高的概率神經網絡（Probabilistic Neural Network，PNN）模型為基礎，構建柴油機故障診斷模型。

1 理論方法研究

1.1? ? PNN模型概述

PNN是1989年由Specht博士首先提出，該神經網絡是一種并行計算方法，是以貝葉斯分類規(guī)則和Parzen窗的概率密度函數為基礎的估計方法。PNN模型由于具備結構簡潔、訓練難度小、收斂速度快等優(yōu)點而被廣泛應用于各個領域。在使用PNN模型對柴油機故障進行診斷分類時，其主要優(yōu)勢是用線性學習算法來完成非線性學習算法的模式分類工作，并且模型各層之間的權值即代表模式樣本的分布情況，不需要額外進行網絡訓練，能夠達到快速分類處理的效果。

PNN模型是一種前饋型神經網絡，當分布密度SPREAD值接近零時，其為最近鄰分類器;當分布密度SPREAD值較大時，其構成幾個訓練樣本的近鄰分類器。PNN模型由輸入層、模式層、求和層、輸出層共計4層組成，其基本結構如圖1所示。

輸入層的主要作用是接收訓練樣本數據，并將提取的特征向量值傳遞給網絡，其神經元數量和樣本的屬性維度相等。模式層的主要作用是輸入樣本數據的特征向量與訓練數據中各個模式之間的匹配關系，其神經元的個數等于各個類別訓練樣本數據之和，每個模式單元的輸出為：

式中：Wi為輸入層與模式層之間的連接權值;δ為平滑因子。

基于PNN模型的柴油機故障診斷方法可描述為，假設有2種故障已知的模式θA、θB，相應的故障特征為X=（x1，x2，…，xn），對故障特征進行判斷：若hAlA fA（X）>hBlB fB（X），則X∈θA;若hAlA fA（X）

式中：Xai為相應故障θA的第i個訓練樣本值;m為相應的訓練樣本數量;ε為以樣本點為中心的鐘狀曲線寬度的平滑參數。

1.2? ? 柴油機故障數據分析

為準確描述柴油機故障的屬性特征，在使用PNN模型進行故障診斷訓練時，選用常用的柴油機第一氣缸為主要研究對象，其對應的故障主要有噴油壓力過大、噴油壓力過小、噴油器針閥磨損、油路堵塞、供油提前角提前等，在獲得整體數據后需要對其進行相應的預處理，從而構建合理的PNN模型。

1.3? ? 模型構建流程

針對柴油機故障，使用PNN模型進行診斷時的基本流程包括：

（1）收集數據。根據故障類型分析，采用相應傳感器進行數據采集，在原始數據采集完成后，進行數據的去噪聲、歸一化等預處理操作。

（2）構建PNN網絡。根據所收集的數據，分析獲取樣本數據特征，根據研究對象特征，構建相應的PNN網絡，并對網絡參數進行初始化。

（3）訓練網絡。使用歸一化后的樣本數據，進行PNN網絡訓練，并通過訓練數據的回代，初步查看網絡的分類效果。

（4）網絡效果測試。使用預先確定的故障特征值進行PNN網絡的效果測試，并根據測試的結果是否達到預期要求進行相應調整，直至達到預期結果為止。

（5）結果分析。對獲得的柴油機故障診斷結果進行分析。

2 實例驗證分析

為了驗證本文所提使用PNN模型進行柴油機故障診斷方法的可行性與科學性，以LR4105型柴油機為研究對象，采集其相應的故障特征樣本數據，共計獲得33組樣本數據集。選用所獲樣本數據的前23組值作為PNN模型的訓練樣本，后10組樣本值作為PNN模型的驗證樣本。同時，為形象化展示PNN模型訓練后的優(yōu)劣情況，使用樣本數據與預測數據之間的誤差值作為評判依據，最終的PNN模型訓練與預測效果圖如圖2所示。

根據圖2（a）可知，經過訓練后的PNN模型，將訓練數據作為輸入數據回代入模型后，PNN模型能夠較好地對故障進行分類識別，僅有2個樣本出現(xiàn)識別判斷錯誤，故障診斷識別準確率高達91.3%，整體誤差較低，且通過增加數據樣本等方法，誤差率會進一步降低。

根據圖2（b）可知，在使用PNN模型進行實際效果預測時，實際數據與預測數據并不能完全重合，使用10組測試樣本進行模型檢驗時，也僅有2組診斷數據出現(xiàn)偏差，故障診斷識別準確率可達80%。因此，最終訓練得到的PNN模型能夠用于柴油機的故障診斷，并且隨著診斷樣本數據的增多，診斷準確率可進一步提升。

3 結語

本文針對人工診斷結構復雜的柴油機故障時存在難度大、準確率低等問題，在研究總結了現(xiàn)有柴油機故障診斷方法的基礎上，提出了使用概率神經網絡模型進行柴油機故障診斷分類識別的方法。該方法根據選取的柴油機故障樣本數據，分析總結故障屬性特征，構建相應的PNN模型，并以實際值與預測值之間的誤差作為調整PNN模型各層連接權值的評價標準，對模型進行訓練，最終獲得故障診斷識別準確率較高的PNN模型。實驗結果表明，該模型能夠有效應用于柴油機故障診斷，并在診斷速度、準確率等方面均優(yōu)于人工故障診斷方法。

[參考文獻]

[1] 黃強，焦立，李滟澤.柴油機故障診斷中振動信號測點位置的研究[J].華中科技大學學報（自然科學版），2007，35（5）：99-101.

[2] 路瓊瓊，申立中，徐勁松，等.高壓共軌柴油機故障診斷系統(tǒng)控制策略研究[J].內燃機工程，2011，32（3）：37-42.

[3] 王鳳利，段樹林，于洪亮，等.基于EEMD和形態(tài)學分形維數的柴油機故障診斷[J].內燃機學報，2012，30（6）：557-562.

[4] 紀少波，程勇，王錫平，等.基于SRC模式識別方法的柴油機故障診斷研究[J].振動與沖擊，2008（1）：140-142.

收稿日期：2020-07-30

作者簡介：王志（1999—），男，山東菏澤人，研究方向：車輛工程。