复合神经网络在柴油机故障诊断中的应用

白士红，杜新成

（沈阳理工大学 机械工程学院，辽宁 沈阳 110159）

基于神经网络的故障诊断分三步实现.第一步，通过试验获得给定工况在设定故障和无故障状态下的过程参数，经预处理提取故障征兆集数据［1］，归一化为网络输入模式；第二步，建立神经网络系统，用已知故障征兆－故障模式的样本集训练网络，使其达到预设的诊断精度，得出标准故障模式［2－3］；第三步，实时输入故障征兆向量进行测试，获得该状态下的网络输出模式，然后对网络输入进行后处理，再与标准故障模式进行对比，获得诊断结果，即故障类型［4］.

1 SOM神经网络竞争学习原理

Kohonen认为，一个神经网络接受外界输入模式时，将会分为不同的对应区域，各区域对输入模式有不同的响应特征，而这个过程是自动完成的.自组织特征映射神经网络（SOM）模拟大脑神经系统的自组织特征映射功能，是一种无监督竞争式学习的前馈网络在训练中能无监督自组织学习.它通过学习可以提取一组数据中的重要特征或某种内在规律，按离散时间方式进行分类.竞争学习规则的生理学基础是神经细胞的侧抑制现象：当一个神经细胞兴奋后，会对其周围的神经细胞产生抑制作用［5］.最强的抑制作用是竞争获胜的“唯我独兴”，这种做法称为“胜者为王”（Winner－Take－All，WTA）.竞争学习规则就是从神经细胞的侧抑制现象获得的.它的学习步骤为.

1.1 向量归一化

对自组织网络中的当前输入模式向量X、竞争层中各神经元对应的内星权向量Wj（j＝1，2，｜…，m），全部进行归一化处理，得到

式中：X为模式向量X的归一化向量为内星权向量Wj的归一化向量；j为神经元结点，j＝1，2，…，m.

1.2 网络输出与权调整

按WTA学习法则，获胜神经元输出为“1”，其余为0.即

式中：yj为神经元结点j的值；t为迭代次数；j＊为获胜神经元.

只有获胜神经元才有权调整其权量.

式中：Wj（i）为竞争层中j神经元迭代i次时对应的内星权向量，i＝0，1，2，…，t，t＋1，…；ΔWj为获胜神经元的调整权量向量；α为学习率.

其权向量学习调整如下：

学习率α的取值范围为0＜α≤1，α一般随着学习的进展而减小，即调整的程度越来越小，趋于聚类中心.

1.3 重新归一化处理

归一化后的权向量经过调整后，得到的新向量不再是单位向量，因此要对学习调整后的向量重新进行归一化，循环运算，直到学习率α衰减到0.

2 BP神经网络学习原理

BP神经网络是一种神经网络学习算法.其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层.相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值.然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层.此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程.

BP神经网络是误差反向传播神经网络的简称，它由一个输入层，一个或多个隐含层和一个输出层构成，每一次由一定数量的的神经元构成.这些神经元如同人的神经细胞一样是互相关联的.其结构如图1所示.

生物神经元信号的传递是通过突触进行的一个复杂的电化学过程，在人工神经网络中是将其简化模拟成一组数字信号通过一定的学习规则而不断变动更新的过程，这组数字储存在神经元之间的连接权重中.网络的输入层模拟的是神经系统中的感觉神经元，它接收输入样本信号.输入信号经输入层输入，通过隐含层的复杂计算由输出层输出.输出信号与期望输出相比较，若有误差，再将误差信号反向由输出层通过隐含层处理后向输入层传播.在这个过程中，误差通过梯度下降算法，分摊给各层的所有单元，从而获得各单元的误差信号，以此误差信号为依据修正各单元权值，网络权值因此被重新分布.此过程完成后，输入信号再次由输入层输入网络，重复上述过程.这种信号正向传播与误差反向传播的各层权值调整过程周而复始地进行着，直到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止.权值不断调整的过程就是网络的学习训练过程［6］.

图1 BP神经网络模型Fig.1 BP neural network model

3 SOM－BP集成神经网络

神经网络集成可分为串联和并联两种方式，结合以上SOM和BP两种网络在故障诊断中的特点，本研究采用两者串联方式来实现故障诊断.在网络仿真试验中，把SOM网络称为初级网络，BP网络称为次级网络.构建SOM－BP集成网络的基本思想为：SOM网络采用无教师学习的自学习方式，无须在训练或学习过程中预先指明这个训练输入矢量的所属类别，当输入某一类别的矢量时，网络的输出端将会输出相应值，根据最大值的输出端判定故障类型，有效地克服了容差因素对故障定位的影响，实现了故障类型的准确定位.因此SOM网络无需大量的学习样本，这正好弥补了BP网络学习需要大量样本的缺陷.由于SOM网络采用“获胜的神经元对其邻近神经元的影响由近及远、由兴奋逐渐变为抑制”这样的算法，所以，通过仿真试验，将SOM网络竞争得胜的神经元位置作为BP网络的输入，而BP网络在障诊断中能体现出故障程度，所以将SOM，BP二者结合起来，优势互补，是一种可行的诊断方法［7］.

4 利用SOM－BP神经网络进行柴油机燃油系统多故障诊断

燃油系统常见的故障有供油量不足，针阀卡死导致油孔堵塞、针阀泄漏、出油阀失效等几种故障.本文诊断的故障也是基于这几种故障，主要有100%供油量（正常情况 T1）、75%供油量（T2）、25%供油量（T3）、怠速油量（T4）、针阀卡死（小油量T5）、针阀卡死（标定油量T6）、针阀泄漏（T7）、出油阀失效（T8）等8种故障.对输入的数据进行归一化处理.

设X为一组数据中的一个元素，对其做如下处理：

式中：Xmin为这组数据中的最小元素；Xmax为这组数据中的最大元素；X′为处理后的所得值.

将经过处理的X′作为网络输入数据，将每组数据都做归一化处理，同时也对数据进行了无量纲化处理，故障样本如表1所示，检验数据如表2所示.

表1 故障样本Tab.1 Fault samples

表2 检验数据Tab.2 Inspect data

初级网络SOM（net1）输入层神经元个数为参数维数8，竞争层选用6＊6的结构，通过仿真试验，证明竞争层结构选用得当.主要程序如下：

net1＝newsom（minmax（P1），［6 6］）；

net1＝train（net1，P1）.

SOM网络的一个典型特性就是可以在一个二维的处理单元阵列上形成对输入信号的特征拓扑分布，因此在集成网络中，SOM网络又可看成特征提取网络，数据经过初级网络后，对故障模式的聚类结果见表3.

表3 SOM网络仿真聚类结果Tab.3 SOM network simulation clustering results

将表3中故障模式竞争获胜的神经元的位置作为BP网络的输入，并归一化处理，见表4.

次级BP网络主程序如下：

net2＝newff（PR，［10 8］，｛’tansig’，’logsig’｝）；

net2.trainparam.epochs＝1000；

net.trainpsram.goal＝0.05；

net2.train（net2，P2，T）；

表4 诊断结果数字表示Tab.4 Diagnostic results numbers indicate

网络仿真结果如图2所示，由此曲线可以看出，网络训练步骤少，训练度小，精度高.

图2 网络仿真结果Fig.2 Network simulation results

5 结论

提出了SOM－BP网络诊断模型，并通过仿真试验证明了此网络在机械故障诊断中的正确性和精确性，此网络避免了传统神经网络在柴油机故障诊断中需要大量样本或需高度训练的现象，具有一定的工程应用价值.

［1］DOKAS I M，KARRAS D A，PANAGIOTAKOPOULOS D C.Fault tree analysis and fuzzy expert systems：early warning and emergency response of landfill operations［J］.Environmental Modeling and Software，2008，24（1）：8－25.

［2］李晗，萧德云.基于数据驱动的故障诊断方法综述［J］.控制与决策，2011，26（1）：1－9.LI Han，XIAO Deyun.Survey on data driven fault diagnosis methods［J］.Control and Decision，2011，26（1）：1－9.

［3］BAGHERI F，KHALOOZADED H，ABBASZADEH K.Stator fault detection in induction machines by parameter estimation using adaptive kalman filter［C］∥Proc of 27Mediterranean Conf on Control and Automation，Piscataway：IEEE，2007：1－6.

［4］飞思科技产品研发中心.神经网络理论与MATLAB7实现［M］.北京：电子工业出版社，2006.Fly Synopsys R ＆ D Center.Neural network theory and realization of MATLAB7 ［M］.Beijing：Electronic Industry Press，2010.

［5］朱凯，王正林.精通 MATLAB神经网络［M］.北京：电子工业出版社，2010.ZHU Kai.Proficient in MATLAB neural network［M］.Beijing：Electronic Industry Press，2010.

［6］陈廷明，袁丁连.基于模糊模式识别法诊断船艇柴油机燃油系统故障［J］.机电工程技术，2004，33（12）：45－47.CHEN Tingming，YUAN Dinglian.Diagnose faults in fuel injection system of watercraft based on fuzzy and pattern recognition ［J］.Mechanical ＆ Electrical Engineering Technology，2004，33（12）：45－47.

［7］马旭凯，谷立臣，李世龙.基于SOM神经网络的柴油机燃油系统故障诊断［J］.柴油机设计与制造，2008，4（15）：31－34.MA Xukai，GU Lichen，LI Shilong.Diagnosis of diesel engine fuel system based on SOM neural network ［J］.Design ＆ Manufacture of Diesel Engine，2008，4（15）：31－34.