復(fù)合神經(jīng)網(wǎng)絡(luò)在柴油機(jī)故障診斷中的應(yīng)用

白士紅，杜新成

（沈陽(yáng)理工大學(xué) 機(jī)械工程學(xué)院，遼寧 沈陽(yáng) 110159）

基于神經(jīng)網(wǎng)絡(luò)的故障診斷分三步實(shí)現(xiàn).第一步，通過試驗(yàn)獲得給定工況在設(shè)定故障和無(wú)故障狀態(tài)下的過程參數(shù)，經(jīng)預(yù)處理提取故障征兆集數(shù)據(jù)［1］，歸一化為網(wǎng)絡(luò)輸入模式；第二步，建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)，用已知故障征兆－故障模式的樣本集訓(xùn)練網(wǎng)絡(luò)，使其達(dá)到預(yù)設(shè)的診斷精度，得出標(biāo)準(zhǔn)故障模式［2－3］；第三步，實(shí)時(shí)輸入故障征兆向量進(jìn)行測(cè)試，獲得該狀態(tài)下的網(wǎng)絡(luò)輸出模式，然后對(duì)網(wǎng)絡(luò)輸入進(jìn)行后處理，再與標(biāo)準(zhǔn)故障模式進(jìn)行對(duì)比，獲得診斷結(jié)果，即故障類型［4］.

1 SOM神經(jīng)網(wǎng)絡(luò)競(jìng)爭(zhēng)學(xué)習(xí)原理

Kohonen認(rèn)為，一個(gè)神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時(shí)，將會(huì)分為不同的對(duì)應(yīng)區(qū)域，各區(qū)域?qū)斎肽Ｊ接胁煌捻憫?yīng)特征，而這個(gè)過程是自動(dòng)完成的.自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM）模擬大腦神經(jīng)系統(tǒng)的自組織特征映射功能，是一種無(wú)監(jiān)督競(jìng)爭(zhēng)式學(xué)習(xí)的前饋網(wǎng)絡(luò)在訓(xùn)練中能無(wú)監(jiān)督自組織學(xué)習(xí).它通過學(xué)習(xí)可以提取一組數(shù)據(jù)中的重要特征或某種內(nèi)在規(guī)律，按離散時(shí)間方式進(jìn)行分類.競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則的生理學(xué)基礎(chǔ)是神經(jīng)細(xì)胞的側(cè)抑制現(xiàn)象：當(dāng)一個(gè)神經(jīng)細(xì)胞興奮后，會(huì)對(duì)其周圍的神經(jīng)細(xì)胞產(chǎn)生抑制作用［5］.最強(qiáng)的抑制作用是競(jìng)爭(zhēng)獲勝的“唯我獨(dú)興”，這種做法稱為“勝者為王”（Winner－Take－All，WTA）.競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則就是從神經(jīng)細(xì)胞的側(cè)抑制現(xiàn)象獲得的.它的學(xué)習(xí)步驟為.

1.1 向量歸一化

對(duì)自組織網(wǎng)絡(luò)中的當(dāng)前輸入模式向量X、競(jìng)爭(zhēng)層中各神經(jīng)元對(duì)應(yīng)的內(nèi)星權(quán)向量Wj（j＝1，2，｜…，m），全部進(jìn)行歸一化處理，得到

式中：X為模式向量X的歸一化向量為內(nèi)星權(quán)向量Wj的歸一化向量；j為神經(jīng)元結(jié)點(diǎn)，j＝1，2，…，m.

1.2 網(wǎng)絡(luò)輸出與權(quán)調(diào)整

按WTA學(xué)習(xí)法則，獲勝神經(jīng)元輸出為“1”，其余為0.即

式中：yj為神經(jīng)元結(jié)點(diǎn)j的值；t為迭代次數(shù)；j＊為獲勝神經(jīng)元.

只有獲勝神經(jīng)元才有權(quán)調(diào)整其權(quán)量.

式中：Wj（i）為競(jìng)爭(zhēng)層中j神經(jīng)元迭代i次時(shí)對(duì)應(yīng)的內(nèi)星權(quán)向量，i＝0，1，2，…，t，t＋1，…；ΔWj為獲勝神經(jīng)元的調(diào)整權(quán)量向量；α為學(xué)習(xí)率.

其權(quán)向量學(xué)習(xí)調(diào)整如下：

學(xué)習(xí)率α的取值范圍為0＜α≤1，α一般隨著學(xué)習(xí)的進(jìn)展而減小，即調(diào)整的程度越來(lái)越小，趨于聚類中心.

1.3 重新歸一化處理

歸一化后的權(quán)向量經(jīng)過調(diào)整后，得到的新向量不再是單位向量，因此要對(duì)學(xué)習(xí)調(diào)整后的向量重新進(jìn)行歸一化，循環(huán)運(yùn)算，直到學(xué)習(xí)率α衰減到0.

2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)原理

BP神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法.其由輸入層、中間層、輸出層組成的階層型神經(jīng)網(wǎng)絡(luò)，中間層可擴(kuò)展為多層.相鄰層之間各神經(jīng)元進(jìn)行全連接，而每層各神經(jīng)元之間無(wú)連接，網(wǎng)絡(luò)按有教師示教的方式進(jìn)行學(xué)習(xí)，當(dāng)一對(duì)學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值.然后按減小希望輸出與實(shí)際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層.此過程反復(fù)交替進(jìn)行，直至網(wǎng)絡(luò)的全局誤差趨向給定的極小值，即完成學(xué)習(xí)的過程.

BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)稱，它由一個(gè)輸入層，一個(gè)或多個(gè)隱含層和一個(gè)輸出層構(gòu)成，每一次由一定數(shù)量的的神經(jīng)元構(gòu)成.這些神經(jīng)元如同人的神經(jīng)細(xì)胞一樣是互相關(guān)聯(lián)的.其結(jié)構(gòu)如圖1所示.

生物神經(jīng)元信號(hào)的傳遞是通過突觸進(jìn)行的一個(gè)復(fù)雜的電化學(xué)過程，在人工神經(jīng)網(wǎng)絡(luò)中是將其簡(jiǎn)化模擬成一組數(shù)字信號(hào)通過一定的學(xué)習(xí)規(guī)則而不斷變動(dòng)更新的過程，這組數(shù)字儲(chǔ)存在神經(jīng)元之間的連接權(quán)重中.網(wǎng)絡(luò)的輸入層模擬的是神經(jīng)系統(tǒng)中的感覺神經(jīng)元，它接收輸入樣本信號(hào).輸入信號(hào)經(jīng)輸入層輸入，通過隱含層的復(fù)雜計(jì)算由輸出層輸出.輸出信號(hào)與期望輸出相比較，若有誤差，再將誤差信號(hào)反向由輸出層通過隱含層處理后向輸入層傳播.在這個(gè)過程中，誤差通過梯度下降算法，分?jǐn)偨o各層的所有單元，從而獲得各單元的誤差信號(hào)，以此誤差信號(hào)為依據(jù)修正各單元權(quán)值，網(wǎng)絡(luò)權(quán)值因此被重新分布.此過程完成后，輸入信號(hào)再次由輸入層輸入網(wǎng)絡(luò)，重復(fù)上述過程.這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程周而復(fù)始地進(jìn)行著，直到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止.權(quán)值不斷調(diào)整的過程就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程［6］.

圖1 BP神經(jīng)網(wǎng)絡(luò)模型Fig.1 BP neural network model

3 SOM－BP集成神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)集成可分為串聯(lián)和并聯(lián)兩種方式，結(jié)合以上SOM和BP兩種網(wǎng)絡(luò)在故障診斷中的特點(diǎn)，本研究采用兩者串聯(lián)方式來(lái)實(shí)現(xiàn)故障診斷.在網(wǎng)絡(luò)仿真試驗(yàn)中，把SOM網(wǎng)絡(luò)稱為初級(jí)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)稱為次級(jí)網(wǎng)絡(luò).構(gòu)建SOM－BP集成網(wǎng)絡(luò)的基本思想為：SOM網(wǎng)絡(luò)采用無(wú)教師學(xué)習(xí)的自學(xué)習(xí)方式，無(wú)須在訓(xùn)練或?qū)W習(xí)過程中預(yù)先指明這個(gè)訓(xùn)練輸入矢量的所屬類別，當(dāng)輸入某一類別的矢量時(shí)，網(wǎng)絡(luò)的輸出端將會(huì)輸出相應(yīng)值，根據(jù)最大值的輸出端判定故障類型，有效地克服了容差因素對(duì)故障定位的影響，實(shí)現(xiàn)了故障類型的準(zhǔn)確定位.因此SOM網(wǎng)絡(luò)無(wú)需大量的學(xué)習(xí)樣本，這正好彌補(bǔ)了BP網(wǎng)絡(luò)學(xué)習(xí)需要大量樣本的缺陷.由于SOM網(wǎng)絡(luò)采用“獲勝的神經(jīng)元對(duì)其鄰近神經(jīng)元的影響由近及遠(yuǎn)、由興奮逐漸變?yōu)橐种啤边@樣的算法，所以，通過仿真試驗(yàn)，將SOM網(wǎng)絡(luò)競(jìng)爭(zhēng)得勝的神經(jīng)元位置作為BP網(wǎng)絡(luò)的輸入，而BP網(wǎng)絡(luò)在障診斷中能體現(xiàn)出故障程度，所以將SOM，BP二者結(jié)合起來(lái)，優(yōu)勢(shì)互補(bǔ)，是一種可行的診斷方法［7］.

4 利用SOM－BP神經(jīng)網(wǎng)絡(luò)進(jìn)行柴油機(jī)燃油系統(tǒng)多故障診斷

燃油系統(tǒng)常見的故障有供油量不足，針閥卡死導(dǎo)致油孔堵塞、針閥泄漏、出油閥失效等幾種故障.本文診斷的故障也是基于這幾種故障，主要有100%供油量（正常情況 T1）、75%供油量（T2）、25%供油量（T3）、怠速油量（T4）、針閥卡死（小油量T5）、針閥卡死（標(biāo)定油量T6）、針閥泄漏（T7）、出油閥失效（T8）等8種故障.對(duì)輸入的數(shù)據(jù)進(jìn)行歸一化處理.

設(shè)X為一組數(shù)據(jù)中的一個(gè)元素，對(duì)其做如下處理：

式中：Xmin為這組數(shù)據(jù)中的最小元素；Xmax為這組數(shù)據(jù)中的最大元素；X′為處理后的所得值.

將經(jīng)過處理的X′作為網(wǎng)絡(luò)輸入數(shù)據(jù)，將每組數(shù)據(jù)都做歸一化處理，同時(shí)也對(duì)數(shù)據(jù)進(jìn)行了無(wú)量綱化處理，故障樣本如表1所示，檢驗(yàn)數(shù)據(jù)如表2所示.

表1 故障樣本Tab.1 Fault samples

表2 檢驗(yàn)數(shù)據(jù)Tab.2 Inspect data

初級(jí)網(wǎng)絡(luò)SOM（net1）輸入層神經(jīng)元個(gè)數(shù)為參數(shù)維數(shù)8，競(jìng)爭(zhēng)層選用6＊6的結(jié)構(gòu)，通過仿真試驗(yàn)，證明競(jìng)爭(zhēng)層結(jié)構(gòu)選用得當(dāng).主要程序如下：

net1＝newsom（minmax（P1），［6 6］）；

net1＝train（net1，P1）.

SOM網(wǎng)絡(luò)的一個(gè)典型特性就是可以在一個(gè)二維的處理單元陣列上形成對(duì)輸入信號(hào)的特征拓?fù)浞植?，因此在集成網(wǎng)絡(luò)中，SOM網(wǎng)絡(luò)又可看成特征提取網(wǎng)絡(luò)，數(shù)據(jù)經(jīng)過初級(jí)網(wǎng)絡(luò)后，對(duì)故障模式的聚類結(jié)果見表3.

表3 SOM網(wǎng)絡(luò)仿真聚類結(jié)果Tab.3 SOM network simulation clustering results

將表3中故障模式競(jìng)爭(zhēng)獲勝的神經(jīng)元的位置作為BP網(wǎng)絡(luò)的輸入，并歸一化處理，見表4.

次級(jí)BP網(wǎng)絡(luò)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 診斷結(jié)果數(shù)字表示Tab.4 Diagnostic results numbers indicate

網(wǎng)絡(luò)仿真結(jié)果如圖2所示，由此曲線可以看出，網(wǎng)絡(luò)訓(xùn)練步驟少，訓(xùn)練度小，精度高.

圖2 網(wǎng)絡(luò)仿真結(jié)果Fig.2 Network simulation results

5 結(jié)論

提出了SOM－BP網(wǎng)絡(luò)診斷模型，并通過仿真試驗(yàn)證明了此網(wǎng)絡(luò)在機(jī)械故障診斷中的正確性和精確性，此網(wǎng)絡(luò)避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在柴油機(jī)故障診斷中需要大量樣本或需高度訓(xùn)練的現(xiàn)象，具有一定的工程應(yīng)用價(jià)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，蕭德云.基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述［J］.控制與決策，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］飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)［M］.北京：電子工業(yè)出版社，2006.Fly Synopsys R ＆ D Center.Neural network theory and realization of MATLAB7 ［M］.Beijing：Electronic Industry Press，2010.

［5］朱凱，王正林.精通 MATLAB神經(jīng)網(wǎng)絡(luò)［M］.北京：電子工業(yè)出版社，2010.ZHU Kai.Proficient in MATLAB neural network［M］.Beijing：Electronic Industry Press，2010.

［6］陳廷明，袁丁連.基于模糊模式識(shí)別法診斷船艇柴油機(jī)燃油系統(tǒng)故障［J］.機(jī)電工程技術(shù)，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］馬旭凱，谷立臣，李世龍.基于SOM神經(jīng)網(wǎng)絡(luò)的柴油機(jī)燃油系統(tǒng)故障診斷［J］.柴油機(jī)設(shè)計(jì)與制造，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.