未来智讯 > 神经网络论文 > 基于神经网络的柴油机故障诊断研讨

基于神经网络的柴油机故障诊断研讨

发布时间:2019-01-11 01:06:01 文章来源:未来智讯    
    基于神经网络的柴油机故障诊断研讨作者:未知   [摘要]本文给出了神经网络模型在预测过程中的学习算法和改进的神经网络的训练算法,并用于柴油发动机运行中的故障预测,经过多种柴油机的试验表明试验结果如意,对故障的实时检测有重要意义,具有良好的应用前景。��
  [关键词]神经网络 柴油发动机 故障诊断
  
  一、柴油机的主要结构��
  
  柴油机的结构相当复杂,而且不同用途的柴油机结构也不尽相同,下面以机车柴油机为例,大略介绍其主要结构:��
  (1)固定件:包括机体、气缸盖、气缸套等,它是柴油机的骨架和所有零部件的安装基础;(2)运动件:包括活塞、连杆、曲轴等,是实现能量转换的重要部件;(3)配气机构:主要由凸轮轴、气门等组成,它抑制着进、排气管道的开启和关闭;(4)进、排气系统:主要由增压器、中冷器、滤清器及进、排气管道等组成,完成换气;(5)燃油系统:是柴油机的重要组成局部,其事务状态直接影响着柴油机的事务本能。其中喷油泵、喷油器及高压油管是其重要结构;(6)调控系统:以调速器为核心,实现对柴油机供油量的调节;(7)机油系统:为运动摩擦表面提供充足的润滑油,保证柴油机的正常事务;(8)冷却系统:适时地降低零部件的温度,保证柴油机的正常事务;(9)其他辅助系统:包括启动系统、静液压系统等,协助柴油机完成正常事务。��
  
  二、柴油机故障诊断的方法��
  
  故障诊断技能,是指在发动机不解体或部分解体的情况下确定其技能状况,查明其故障部位及原因的检查方法。该技能是运用现代测试设备和计算机技能来确定发动机的技能状况和故障的科学分析方法,是在传统的人工检验的基础上随着社会的进步和科学技能的提高而逐渐发展起来的。下面介绍几种典型的对柴油机进行故障诊断的方法。��
  1.振动分析法��
  2.应用铁谱和光谱技能监测柴油机磨损状况��
  3.热力参数分析法��
  4.油液分析法��
  5.基于灰色系统理论的故障诊断方法��
  6.基于神经网络的故障诊断法��
  7.基于专家系统的智能化诊断方法��
  8.基于支持向量机的柴油机故障诊断方法��
  9.基于模式识别对柴油机故障进行诊断��
  
  三、基于BP神经网络的柴油机故障诊断的深入研讨��
  
  1.人工神经网络概括��
  人工神经网络(ANN)是一类相当有效的预测技能。ANN模拟人的直观性思想,特色在于信息的分布式存储和并行协同处理,具有集体运算和自适应学习的能力。��
  故障预测的神经网络主要以两种方式实现预测功能,一是以神经网络(如BP网络)作为函数逼近器,对机组工况的某参数进行拟合预测;二是考虑输入输出间的动态关系,用带馈连接的动态神经网络对过程或工况参数建立动态模型而进行故障预测。动态神经网络的预测是一个对动态时序建模的过程。人们已经提出了许多有效的网络结构,其中包括全连接网络以及各种具有部分信息反馈结构的网络模型等,这些网络一个共同的特点是其输出不但取决于当前输入,还依赖于网络过去的状态,网络本身具有相应的动态结构,其预测是动态预测,因而在实际的非线性动态系统的建模和预测中得到了成功的应用。然而动态神经网络在结构上远比前馈网络结构复杂,其样本训练也较困难,因此合理地降低网络结构的复杂性,简化网络的学习算法将是实际应用中需要研讨解决的问题。��
  2.基于神经网络的预测原理��
  (1)正向建模。
  正向建模是指训练一个神经网络表达系统正向动态的过程,这一过程建立的神经网络模型称为正向模型。正向模型的结构如图1所示,其中神经网络与待辨识的系统并联,两者的输出误差用做网络的训练信号。显然,这是一个典型的有教师学习问题,实际系统作为教师,向神经网络提供算法所需的期望输出。当系统是被控对象或传统抑制器时,神经网络多选取多层前向网络的形式,可直接选用BP网络或它的各种变形。而当系统为本能评价器时,则可选择再励学习算法,这时网络既能够选取具有全局逼近能力的网络,如多层感知器,也可选用具有部分逼近能力的网络,如小脑模型关节抑制器(CMAC)等。��
  
  (2)逆向建模。
  建立动态系统的逆模型,在神经网络抑制中起着关键作用,并且得到了特别广泛的应用。图2为直接逆建模的模型结构。从原理上说,这是一种最大略的方法。由图可见,逆预报的系统输出作为网络的输入,网络输出与系统输入对照,相应的输入误差用于训练,因此网络将通过学习建立系统的逆模型。然而如果所辨识的非线性系统是不可逆的,利用上述方法,将得到一个不准确的逆模型。因此,在建立系统逆模型时,可逆性应该事先有所保证。��
  为了获得良好的逆动力学特性,应妥善选择网络训练所需的样本集,使其比未知系统的实际运行范围更大。但实际事务时的输入信号很难事先给定,因为抑制指标是使系统输出具有期望的运动,对于未知被控系统期望输入不可能给出。另一方面,在系统预报中,为保证参数估计算法的一致收敛,必须使用一定的持续激励的输入信号。��
  
  (3)神经网络预测模型。
  一个单隐层BP网络能够实现任意的n维到m维的非线性映射,而且当各节点均选取S型函数时,一个隐含层就足以实现任意判决分类问题。图1所示的为三层BP网络诊断模型。将故障征兆作为输入层节点,故障原因作为输出层节点,利用隐层实现输入到输出的非线性映射关系。输入层至隐层以及隐层至输出层的传输函数,均选用S型函数tansig。��
  
  四、柴油发动机故障预测实例��
  
  柴油机故障预测在实时抑制和保证动力系统可靠运行方面起着重要的作用,它已经成为动力系统中现代本能管理系统的一个主要组成局部。在发动机不解体的情况下,若能准时预测并准确判断故障部位和原因,将大大提高动力系统的使用可靠性和平安性,削减修理盲目性,缩短修理时间。柴油发动机具有非线性传递特性,其运行时的振动信号已被表明是非平稳随机过程,利用其进行故障预测,是目前行之有效的预测方法。��
  1.BP网络设计��
  BP网络是系统预测中应用特别广泛的一种网络形式,因此,选取BP网络对柴油发动机故障进行预测。根据BP网络的设计网络,一般的预测问题都能够通过单隐层的BP网络实现。由于输入向量有7个元素,所以网络输入层的神经元有7个,根据Kolmogorov定理,可知网络中间层的神经元能够取10个。而输出向量有3个,所以输出层中的神经元应该有3个。网络中间层的神经元传递函数选取S型正切函数tansig
  输出层神经元传递函数选取S型对数函数logsig。这是因为函数的输出位于区间[0,1]中,正好满足网络输出的要求。��
  2.网络训练及实验结果��
  神经网络按这样的方式进行训练:一个网络对一个通道的传递函数进行建模。在系统不正常的情况下,受训网络提前就不正常。预测网络的输出与实际系统相对照,根据对照的结果,通过模糊推理实行仿人的决策。误差信息(即偏离正常状态)和该误差信号的历史(即误差的变化)能够成为模糊元件输入的一局部。例如,从前诊断的结果是“不正常”,误差和误差变化在增加,则我们能够证实系统的本能在变坏。��
  ��
  神经网络训练曲线如图3.5-3所示。当在给出误差精确度为10-12级的时候,BP神经网络在29步的时候就完成了训练。此图表说明了BP神经网络的仿真效果明显。网络经过训练后才能够用于柴油机故障预测的实际应用。经过实际运行,神经网络得到某4个时刻柴油发动机的故障特征预测表如表3所示。T1证明柴油发动机高压油泵发生故障。经实际运行,高压油泵果然出现故障。检查发现高压油泵不供油。进一步诊断判断,是高压油泵花键接盘与传动齿轮的两个固定螺丝松脱造成的。T2为进气量少,T3为高压油泵故障,T4也为高压油泵故障。经检查果然如此。��
  通过上述学习训练,网络获取了诊断柴油机故障知识,这些知识是以分布在网络内部的连接权值隐性表达。网络根据输入值分析局部结果证明:对于已学习的样本知识,网络输出与期望结果相等,说明网络可以准确诊断故障。对于输入稍微偏离的样本,其输出表现接近样本输入的倾向,说明网络具有一定的容错能力。因此,只要样本准确,用此网络征兆能够较好地诊断出故障的类别。��
  
  五、归纳��
  
  本文给出了神经网络模型在预测过程中的学习算法和改进的神经网络的训练算法,并用于柴油发动机运行中的故障预测,经过多种柴油机的试验表明试验结果如意,对故障的实时检测有重要意义,具有良好的应用前景。��
  然而在人工神经网络信号处理的模式识别方面,仍有很多事务要做,除BP网络外,自适应滤波网络,小波神经网络,状态记忆网络等都在柴油机振动信号处理方面有着良好的应用前景。对这些网络的进一步研讨将为柴油机故障诊断提供更广泛的手段。近来,人们起初试图将人工神经网络与专家系统、模糊逻辑等联合,不时地改进人工神经网络的算法,以期更有效地进行柴油机故障监测与诊断。��
  
  参考文献:��
  [1]齐明侠.大型柴油机故障诊断系统智能化的研讨[D].博士学位论文,石油大学(北京),1999.��
  [2]曹龙汉,曹长修,孙颖楷等.柴油机故障诊断技能的现状及展望[D].重庆大学学报,2001,24(6):45-48.��
  [3]曹龙汉.柴油机智能化故障诊断技能[M].北京:国防工业出版社,2005,1:11-13.��
  [4]张维新,张俊峰.柴油机故障诊断技能趋向分析[J].天津航海.��
  (作者单位:浙江理工大学机械与抑制学院)
  
  注:本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0111/78728/
 与本篇相关的热门内容: