基于概率神经网络的柴油机故障诊断研究

王志 张杰 晋超

摘要：针对柴油机故障的人工诊断方法存在诊断难度大、诊断速度慢、干扰因素多等问题，提出了使用概率神经网络模型进行柴油机故障智能诊断的方法。实验结果表明，该方法能够有效应用于柴油机故障诊断中，并在诊断速度、准确率等方面均优于人工诊断方法。

关键词：柴油机;故障诊断;概率神经网络

0 引言

随着现代科技的不断发展进步，我国工业化水平不断提高，以柴油机为代表的各种动力机械将机、电、液集于一体，其自动化程度、结构复杂程度也越来越高。结构复杂的柴油机在长期使用过程中，某个系统或者某个零部件出现故障，导致整个设备无法正常运转的情况时有发生，造成企业生产工期延长或者停工，甚至威胁使用人员的人身安全。因此，监测柴油机运行状态具有重要意义，对柴油机的日常维护变得越发重要。柴油机故障诊断技术，是指对柴油机的日常运行状态及运行参数进行实时监测，采集并分析设备运行数据，以期能够及时发现柴油机故障，并有效预防柴油机故障的发生，及时采取有效措施对柴油机进行维护和保养，减少设备维修时间和维修费用，提高企业生产效率。

使用传统的人工经验方法对结构复杂的柴油机系统进行故障诊断与识别是较为困难的，且准确率较低，因此自动化的诊断系统成为当前的研究热点和重点。目前，已有许多针对柴油机故障诊断的研究成果。文献[1]基于BP人工神经网络和小波理论，对柴油机的进排气系统进行了研究，分析了不同工况下、不同位置的缸盖振动信号，结果证明，缸盖上方的振动信号包含的故障信号较多，对特征表现的描述也最准确;文献[2]以柴油机电控单元的工作原理为基础，研究分析了柴油机各子模块的故障诊断策略;文献[3]基于EEMD模型，研究总结了柴油机振动信号的非线性特性，提出了基于分形维数的故障诊断模型;文献[4]以S型函数变换为基础，结合柴油机燃烧激励响应特性信号，进行相关频段的总结研究，以实际采集的多种常见柴油机机型在不同故障状态下缸盖表面振动数据信号为条件，进行了故障诊断研究，并使用采样率转换器来提高故障诊断的效率。

本文在总结分析现有柴油机故障诊断研究成果的基础上，进一步对柴油机的故障诊断方法进行研究，以收敛速度快、稳定性高的概率神经网络（Probabilistic Neural Network，PNN）模型为基础，构建柴油机故障诊断模型。

1 理论方法研究

1.1    PNN模型概述

PNN是1989年由Specht博士首先提出，该神经网络是一种并行计算方法，是以贝叶斯分类规则和Parzen窗的概率密度函数为基础的估计方法。PNN模型由于具备结构简洁、训练难度小、收敛速度快等优点而被广泛应用于各个领域。在使用PNN模型对柴油机故障进行诊断分类时，其主要优势是用线性学习算法来完成非线性学习算法的模式分类工作，并且模型各层之间的权值即代表模式样本的分布情况，不需要额外进行网络训练，能够达到快速分类处理的效果。

PNN模型是一种前馈型神经网络，当分布密度SPREAD值接近零时，其为最近邻分类器;当分布密度SPREAD值较大时，其构成几个训练样本的近邻分类器。PNN模型由输入层、模式层、求和层、输出层共计4层组成，其基本结构如图1所示。

输入层的主要作用是接收训练样本数据，并将提取的特征向量值传递给网络，其神经元数量和样本的属性维度相等。模式层的主要作用是输入样本数据的特征向量与训练数据中各个模式之间的匹配关系，其神经元的个数等于各个类别训练样本数据之和，每个模式单元的输出为：

式中：Wi为输入层与模式层之间的连接权值;δ为平滑因子。

基于PNN模型的柴油机故障诊断方法可描述为，假设有2种故障已知的模式θA、θB，相应的故障特征为X=（x1，x2，…，xn），对故障特征进行判断：若hAlA fA（X）>hBlB fB（X），则X∈θA;若hAlA fA（X）

式中：Xai为相应故障θA的第i个训练样本值;m为相应的训练样本数量;ε为以样本点为中心的钟状曲线宽度的平滑参数。

1.2    柴油机故障数据分析

为准确描述柴油机故障的属性特征，在使用PNN模型进行故障诊断训练时，选用常用的柴油机第一气缸为主要研究对象，其对应的故障主要有喷油压力过大、喷油压力过小、喷油器针阀磨损、油路堵塞、供油提前角提前等，在获得整体数据后需要对其进行相应的预处理，从而构建合理的PNN模型。

1.3    模型构建流程

针对柴油机故障，使用PNN模型进行诊断时的基本流程包括：

（1）收集数据。根据故障类型分析，采用相应传感器进行数据采集，在原始数据采集完成后，进行数据的去噪声、归一化等预处理操作。

（2）构建PNN网络。根据所收集的数据，分析获取样本数据特征，根据研究对象特征，构建相应的PNN网络，并对网络参数进行初始化。

（3）训练网络。使用归一化后的样本数据，进行PNN网络训练，并通过训练数据的回代，初步查看网络的分类效果。

（4）网络效果测试。使用预先确定的故障特征值进行PNN网络的效果测试，并根据测试的结果是否达到预期要求进行相应调整，直至达到预期结果为止。

（5）结果分析。对获得的柴油机故障诊断结果进行分析。

2 实例验证分析

为了验证本文所提使用PNN模型进行柴油机故障诊断方法的可行性与科学性，以LR4105型柴油机为研究对象，采集其相应的故障特征样本数据，共计获得33组样本数据集。选用所获样本数据的前23组值作为PNN模型的训练样本，后10组样本值作为PNN模型的验证样本。同时，为形象化展示PNN模型训练后的优劣情况，使用样本数据与预测数据之间的误差值作为评判依据，最终的PNN模型训练与预测效果图如图2所示。

根据图2（a）可知，经过训练后的PNN模型，将训练数据作为输入数据回代入模型后，PNN模型能够较好地对故障进行分类识别，仅有2个样本出现识别判断错误，故障诊断识别准确率高达91.3%，整体误差较低，且通过增加数据样本等方法，误差率会进一步降低。

根据图2（b）可知，在使用PNN模型进行实际效果预测时，实际数据与预测数据并不能完全重合，使用10组测试样本进行模型检验时，也仅有2组诊断数据出现偏差，故障诊断识别准确率可达80%。因此，最终训练得到的PNN模型能够用于柴油机的故障诊断，并且随着诊断样本数据的增多，诊断准确率可进一步提升。

3 结语

本文针对人工诊断结构复杂的柴油机故障时存在难度大、准确率低等问题，在研究总结了现有柴油机故障诊断方法的基础上，提出了使用概率神经网络模型进行柴油机故障诊断分类识别的方法。该方法根据选取的柴油机故障样本数据，分析总结故障属性特征，构建相应的PNN模型，并以实际值与预测值之间的误差作为调整PNN模型各层连接权值的评价标准，对模型进行训练，最终获得故障诊断识别准确率较高的PNN模型。实验结果表明，该模型能够有效应用于柴油机故障诊断，并在诊断速度、准确率等方面均优于人工故障诊断方法。

[参考文献]

[1] 黄强，焦立，李滟泽.柴油机故障诊断中振动信号测点位置的研究[J].华中科技大学学报（自然科学版），2007，35（5）：99-101.

[2] 路琼琼，申立中，徐劲松，等.高压共轨柴油机故障诊断系统控制策略研究[J].内燃机工程，2011，32（3）：37-42.

[3] 王凤利，段树林，于洪亮，等.基于EEMD和形态学分形维数的柴油机故障诊断[J].内燃机学报，2012，30（6）：557-562.

[4] 纪少波，程勇，王锡平，等.基于SRC模式识别方法的柴油机故障诊断研究[J].振动与冲击，2008（1）：140-142.

收稿日期：2020-07-30

作者简介：王志（1999—），男，山东菏泽人，研究方向：车辆工程。