基于Petri網(wǎng)和螢火蟲(chóng)神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷

卓宏明,徐 鵬,毛攀峰

(浙江國(guó)際海運(yùn)職業(yè)技術(shù)學(xué)院 船舶工程學(xué)院,浙江 舟山 316021)

傳統(tǒng)的故障診斷方法難以進(jìn)行高效準(zhǔn)確的故障診斷,目前普遍采用神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng),充分利用收集到的信息進(jìn)行相應(yīng)的訓(xùn)練,得出與收集到信息相關(guān)的映射關(guān)系[1-4].但基本的神經(jīng)網(wǎng)絡(luò)都存在訓(xùn)練數(shù)據(jù)提取盲目、訓(xùn)練時(shí)間長(zhǎng)、精度低等缺點(diǎn).如何通過(guò)改善神經(jīng)網(wǎng)絡(luò)來(lái)高效判別柴油機(jī)故障診斷,成為當(dāng)下急需解決的問(wèn)題[4-7].

本文采用Petri網(wǎng)建模歸納出柴油機(jī)所有故障模式,提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù),解決訓(xùn)練數(shù)據(jù)盲目性問(wèn)題.在此基礎(chǔ)上建立BP神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷模型,通過(guò)螢火蟲(chóng)算法來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò).仿真實(shí)驗(yàn)表明,本文所提出的Petri網(wǎng)和BP神經(jīng)網(wǎng)絡(luò)故障診斷方法，可對(duì)柴油機(jī)故障進(jìn)行高效判別,并且螢火蟲(chóng)算法來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的收斂速度和精度都優(yōu)于其他BP神經(jīng)網(wǎng)絡(luò)算法.

1 Petri網(wǎng)模型

柴油機(jī)結(jié)構(gòu)復(fù)雜其本身為一個(gè)獨(dú)立的系統(tǒng),又由各個(gè)子系統(tǒng)組成,系統(tǒng)故障及其故障原因具有多樣性、模糊性及偶然性的特點(diǎn).Petri網(wǎng)可以方便對(duì)系統(tǒng)故障模型進(jìn)行描述,圖形化的建?？梢院?jiǎn)單明了地表達(dá)系統(tǒng)故障的各個(gè)層次以及各故障原因與現(xiàn)象的關(guān)系.柴油機(jī)系統(tǒng)主要有渦輪增壓系統(tǒng)、燃油系統(tǒng)、進(jìn)排氣系統(tǒng)、潤(rùn)滑系統(tǒng)、冷卻系統(tǒng)等子系統(tǒng)組成.通過(guò)分析柴油機(jī)的結(jié)構(gòu)組成及故障原因,建立了柴油機(jī)典型故障的模型,如圖1所示.圖中:P表示故障庫(kù)所,各故障庫(kù)所之間都為“或門(mén)”規(guī)則.各個(gè)庫(kù)所的具體含義如表1所示.

圖1 柴油機(jī)故障Petri網(wǎng)Fig.1 Diesel engine fault Petri net表1 各個(gè)庫(kù)所的含義Tab.1 The meaning of each place

庫(kù)所含義庫(kù)所含義Pa柴油機(jī)故障P8活塞缸套副過(guò)度磨損Pb1增壓系統(tǒng)故障P9排氣閥提前關(guān)閉Pb2燃油系統(tǒng)故障P10排氣閥延時(shí)關(guān)閉Pb3進(jìn)排氣系統(tǒng)故障P11排氣閥故障Pb4潤(rùn)滑系統(tǒng)故障P12凸輪軸磨損Pb5冷卻系統(tǒng)故障P13滑油濾器臟堵P1增壓器效率下降P14滑油泵故障P2空冷器傳熱惡化P15潤(rùn)滑油變質(zhì)P3透平保護(hù)格柵堵塞P16滑油冷卻器故障P4透平流通部分格柵堵塞P17冷卻水泵故障P5噴油過(guò)早P18冷卻水流道結(jié)垢過(guò)厚P6噴油延后P19冷卻水流道阻塞P7噴油器故障

2 BP神經(jīng)網(wǎng)絡(luò)

通過(guò)所建立的柴油機(jī)典型故障Petri網(wǎng)模型,可以歸納出柴油機(jī)所有故障模式.該故障庫(kù)所之間都為“或門(mén)”規(guī)則,所有故障模式即P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P11,P12,P13,P14,P15,P16,P17,P18,P19.柴油機(jī)廢氣渦輪增壓子系統(tǒng)工作環(huán)境惡劣,故障率高,進(jìn)而引起整個(gè)柴油機(jī)故障.現(xiàn)以渦輪增壓的故障診斷為例,具體說(shuō)明Petri網(wǎng)與BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法.故障樣本數(shù)據(jù)為船用渦輪增壓柴油機(jī)的渦輪增壓系統(tǒng)的故障數(shù)[8].輸入變量為故障征兆,共7個(gè),其中:x1為排氣總管溫度;x2為掃氣箱壓力;x3為最大爆發(fā)壓力;x4為增壓器轉(zhuǎn)速;x5為掃排氣道壓損系數(shù);x6為壓氣機(jī)出口溫度;x7為掃氣箱溫度.輸出變量為故障原因即故障模式,共4個(gè),其中:y1為增壓器效率下降;y2為空冷器傳熱惡化;y3為透平保護(hù)格柵堵塞;y4為透平流通部分格柵堵塞.神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本共48組,每種故障各12組訓(xùn)練樣本,部分訓(xùn)練樣本如表2所示,故障數(shù)據(jù)都為經(jīng)過(guò)歸一化處理并進(jìn)行了無(wú)量綱化.

采用3層網(wǎng)絡(luò)的BP網(wǎng)絡(luò)模型結(jié)構(gòu),網(wǎng)絡(luò)的輸入神經(jīng)元個(gè)數(shù)為7個(gè),輸出層神經(jīng)元個(gè)數(shù)為4個(gè),根據(jù)經(jīng)驗(yàn)并經(jīng)過(guò)反復(fù)試驗(yàn)確定隱含層神經(jīng)元的個(gè)數(shù)為15個(gè),隱含層和輸出層的激發(fā)函數(shù)為非線性Sigmoid函數(shù),誤差因子為0.000 1,最大循環(huán)訓(xùn)練次數(shù)為3 000次,初始學(xué)習(xí)速率為0.1,訓(xùn)練函數(shù)采用traingd.把樣本數(shù)據(jù)輸入到已經(jīng)設(shè)好的神經(jīng)網(wǎng)絡(luò)并對(duì)其訓(xùn)練,圖2為常規(guī)BP算法對(duì)該網(wǎng)絡(luò)訓(xùn)練過(guò)程中的誤差變化曲線.可以看出,常規(guī)BP算法迭代3 000次后的誤差為0.011 3,離目標(biāo)誤差0.000 1還有很大距離,存在收斂速度慢、精度低等問(wèn)題.

圖2 常規(guī)BP算法誤差變化曲線Fig.2 Error curve of conventional BP algorithm

3 螢火蟲(chóng)神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)算法存在學(xué)習(xí)過(guò)程收斂速度慢、魯棒性不好以及網(wǎng)絡(luò)性能差等缺點(diǎn)[9].螢火蟲(chóng)算法(Firefly Algorithm,FA)通過(guò)模擬螢火蟲(chóng)在覓食、擇偶等生活習(xí)性中產(chǎn)生的相互因光而吸引移動(dòng)的合作行為來(lái)解決最優(yōu)問(wèn)題,具有結(jié)構(gòu)簡(jiǎn)單、調(diào)節(jié)參數(shù)少、收斂速度快、易于操作實(shí)現(xiàn)等特點(diǎn)[10-11].

螢火蟲(chóng)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的基本思想是:利用螢火蟲(chóng)算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,以解決BP神經(jīng)網(wǎng)絡(luò)算法初始權(quán)值、閾值的選擇隨機(jī)性.充分利用螢火蟲(chóng)算法的全局最優(yōu)化和啟發(fā)式尋優(yōu)特征,對(duì)BP網(wǎng)絡(luò)權(quán)值閾值進(jìn)行優(yōu)化得到一個(gè)初始的權(quán)值和閾值,再用BP訓(xùn)練算法得到最終的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).優(yōu)化算法的基本流程如下.

步驟1創(chuàng)建BP神經(jīng)網(wǎng)絡(luò),設(shè)置網(wǎng)絡(luò)參數(shù),初始化權(quán)值和閾值.

步驟2設(shè)置螢火蟲(chóng)算法參數(shù),包括螢火蟲(chóng)數(shù)目n,光吸收強(qiáng)度系數(shù)γ,步長(zhǎng)因子α,最大吸引度β0,最大迭代次數(shù)maxt,適應(yīng)閥值.

步驟3在可行域內(nèi)隨機(jī)初始化所有螢火蟲(chóng)位置.

步驟4計(jì)算螢火蟲(chóng)的適應(yīng)度值,也就是計(jì)算目標(biāo)函數(shù)值.BP網(wǎng)絡(luò)訓(xùn)練的過(guò)程是迭代計(jì)算時(shí)誤差值即均方誤差小于所設(shè)定的誤差界值,則認(rèn)為學(xué)習(xí)完成,停止計(jì)算,輸出結(jié)果.由于螢火蟲(chóng)算法求的是極大值,因此,需要把極小值轉(zhuǎn)化為求極大值,適應(yīng)值函數(shù)為BP神經(jīng)網(wǎng)絡(luò)的均方誤差函數(shù)的倒數(shù),即

(1)

其中

(2)

式中:f為目標(biāo)函數(shù)值;E為BP神經(jīng)網(wǎng)絡(luò)的均方誤差;N為輸出的節(jié)點(diǎn)數(shù);Di為第i個(gè)輸出節(jié)點(diǎn)的目標(biāo)值;Yi為第i個(gè)輸出節(jié)點(diǎn)的實(shí)際值.

步驟5計(jì)算相對(duì)亮度和吸引度,確定移動(dòng)方向.

近年來(lái)，心血管疾病的發(fā)病率越來(lái)越高，在進(jìn)行病床和護(hù)理人員安排的過(guò)程中，堅(jiān)持平均分配的原則，提高安排的合理性。根據(jù)科室的具體情況，對(duì)病床進(jìn)行分組，每組的病床數(shù)量具有相同性，然后為每一組病床分配1名護(hù)理人員參與床邊責(zé)任護(hù)理。在分配的過(guò)程中，需要注意，參與床邊責(zé)任護(hù)理的人員，不應(yīng)在參與夜班護(hù)理工作，一方面，提高護(hù)理工作的人性化，另一方面，提高護(hù)理工作配合的合理性，提升護(hù)理的效果。另外，科室根據(jù)自身的實(shí)際情況，合理安排床邊責(zé)任護(hù)理人員的數(shù)量，提高床邊責(zé)任制護(hù)理工作的質(zhì)量。

螢火蟲(chóng)的相對(duì)螢光亮度為

I=I0e-γrij

(3)

式中:I0為螢火蟲(chóng)的最大螢光亮度;γ為光強(qiáng)吸收系數(shù);rij為螢火蟲(chóng)i和j之間的空間距離.

螢火蟲(chóng)的吸引度為

(4)

式中:β0為最大吸引度，即光源處的吸引度.

步驟6隨機(jī)擾動(dòng)最佳位置的螢火蟲(chóng),再更新螢火蟲(chóng)的位置.

螢火蟲(chóng)i被螢火蟲(chóng)j吸引而向其移動(dòng)的位置更新公式為

xi=xi+β(xj-xi)+α(rand-1/2)

(5)

步驟7檢查更新后的螢火蟲(chóng)的位置是否超出可行域,如果超出范圍,則用邊界值作為更新后的螢火蟲(chóng)的位置.

步驟8迭代次數(shù)加1.判斷是否滿(mǎn)足終止條件,滿(mǎn)足則停止迭代,輸出權(quán)值和閾值,否則轉(zhuǎn)到步驟4.

步驟9用步驟8輸出權(quán)值和閾值對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.

4 仿真實(shí)驗(yàn)與分析

對(duì)基于螢火蟲(chóng)算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,參數(shù)設(shè)置與常規(guī)BP算法一致.圖3為螢火蟲(chóng)算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的誤差變化曲線.由圖可見(jiàn),螢火蟲(chóng)優(yōu)化算法迭代9次后的誤差為4.809 5×10-5,已小于目標(biāo)誤差0.000 1.

圖3 螢火蟲(chóng)優(yōu)化的 BP 神經(jīng)網(wǎng)絡(luò)誤差變化曲線Fig.3 Error curve of BP neural networkoptimized by firefly

完成網(wǎng)絡(luò)的建立和訓(xùn)練后,對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試.測(cè)試樣本如表2所示.

分別采用常規(guī)BP算法和螢火蟲(chóng)算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，對(duì)測(cè)試樣本進(jìn)行診斷，結(jié)果如表3和表4所示.

從表3和表4的輸出結(jié)果來(lái)看,BP神經(jīng)算法診斷輸出與期望輸出的最大正負(fù)絕對(duì)誤差為0.068 0,而螢火蟲(chóng)神經(jīng)網(wǎng)絡(luò)診斷輸出與期望輸出的最大正負(fù)絕對(duì)誤差為0.017 5.可見(jiàn)螢火蟲(chóng)神經(jīng)網(wǎng)絡(luò)得到的診斷輸出能夠更好地逼近期望輸出.

表2 柴油機(jī)渦輪增壓系統(tǒng)測(cè)試樣本Tab.2 Diesel engine turbocharger system test sample

表3 BP神經(jīng)算法診斷樣本實(shí)際輸出Tab.3 BP neural algorithm for real output of diagnostic samples

表4 螢火蟲(chóng)神經(jīng)網(wǎng)絡(luò)診斷樣本實(shí)際輸出Tab.4 The real output of the diagnostic samples of firefly neural network

為了更好地對(duì)比網(wǎng)絡(luò)性能,分別對(duì)常規(guī)BP神經(jīng)網(wǎng)絡(luò)、有動(dòng)量的梯度下降法的神經(jīng)網(wǎng)絡(luò)和螢火蟲(chóng)算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)各進(jìn)行100次仿真試驗(yàn),在相同的環(huán)境、相同的參數(shù)設(shè)定下,分別計(jì)算測(cè)試樣本網(wǎng)絡(luò)輸出的最大、最小均方差.網(wǎng)絡(luò)性能對(duì)比如表5所示.

表5 網(wǎng)絡(luò)性能比較Tab.5 Network performance comparison

由表5可知:在100次仿真試驗(yàn)中,螢火蟲(chóng)BP神經(jīng)網(wǎng)絡(luò)的輸出最大均方差和最小均方差都小于常規(guī)BP神經(jīng)網(wǎng)絡(luò)及采用有動(dòng)量的梯度下降法的神經(jīng)網(wǎng)絡(luò),并且平均運(yùn)行時(shí)間更短,可見(jiàn)經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)柴油機(jī)故障診斷的精度更高,網(wǎng)絡(luò)性能更好.

5 結(jié)論

(1) 通過(guò)分析柴油機(jī)的結(jié)構(gòu)組成及故障原因,采用Petri網(wǎng)建立柴油機(jī)典型故障的Petri網(wǎng)模型.

(2) 建立BP神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷模型來(lái)提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù),采用Petri網(wǎng)與BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法對(duì)柴油機(jī)渦輪增壓系統(tǒng)進(jìn)行故障診斷.

參考文獻(xiàn):

[1] 李巖,袁惠群,梁明軒,等.基于CPSO-BP神經(jīng)網(wǎng)絡(luò)的柴油機(jī)排氣門(mén)間隙故障診斷[J].中國(guó)工程機(jī)械學(xué)報(bào),2014,12(1):56-61.

LI Y,YUAN H Q,LIANG M X,et al.CPSO-BP neutral network based fault diagnose on diesel engine valve clearances[J].Chinese Journal of Construction Machinery,2014,12(1):56-61.

[2] 白士紅,杜新成.復(fù)合神經(jīng)網(wǎng)絡(luò)在柴油機(jī)故障診斷中的應(yīng)用[J].中國(guó)工程機(jī)械學(xué)報(bào),2014,12(1):73-75.

BAI S H,DU X C.Application of compound neural networks for diesel-engine fault diagnosis[J].Chinese Journal of Construction Machinery,2014,12(1):73-75.

[3] 孫彬,曾凡明.基于神經(jīng)網(wǎng)絡(luò)的柴油機(jī)混合建模方法研究[J].船海工程,2007,36(2):48-50.

SUN B,ZENG F M.On the hybrid modeling method for the diesel engine based on neural network[J].Ship Ocean Engineering,2007,36(2):48-50.

[4] 馮長(zhǎng)寶,韓忠偉,孫沫莉.遺傳算法和神經(jīng)網(wǎng)絡(luò)在船舶柴油機(jī)故障診斷中的應(yīng)用[J].艦船科學(xué)技術(shù),2016,38(3A):40-42.

FENG C B,HAN Z W,SUN M L.Genetic algorithm and neural network application in marine diesel engine fault diagnosis[J].Ship Science and Technology,2016,38(3A):40-42.

[5] 占惠文.基于模糊神經(jīng)網(wǎng)絡(luò)的船舶柴油機(jī)故障診斷系統(tǒng)研究[D].武漢:武漢理工大學(xué),2009.

ZHAN H W.Study on fault diagnosis system of the marine diesel based on fuzzy neural network[D].Wuhan:Wuhan University of Technology,2009.

[6] 邱晗.基于故障樹(shù)和油液檢測(cè)的柴油機(jī)的故障診斷與研究[D].大連:大連海事大學(xué),2010.

QIU H.Study on diesel engine fault diagnosis technology based on fault tree analysis and oil detection[D].Dalian:Dalian Maritime University,2010.

[7] 呂傳文.基于蟻群神經(jīng)網(wǎng)絡(luò)船舶發(fā)電機(jī)故障診斷[J].科學(xué)技術(shù)與工程,2010,10(22):5595-5598.

Lü C W.Fault diagnosis of ship generator based on ant colony algorithm and neural network[J].Science Technology and Engineering,2010,10(22):5595-5598.

[8] 馬寶琛.基于神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷技術(shù)的研究[D].大連:大連海事大學(xué),2008.

MA B C.Study on diesel engine fault diagnosis technology based on neural network[D].Dalian:Dalian Maritime University,2008.

[9] 龍泉,劉永前,楊勇平.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷方法[J].太陽(yáng)能學(xué)報(bào),2012,33(1):120-125.

LONG Q,LIU Y Q,YANG Y P.Fault diagnosis method of wind turbine gearbox based on BP neural network trained by particle swarm optimization algorithm[J].Acta Energiae Solaris Sinica,2012,33(1):120-125.

[10] YANG X S.Nature-inspired metaheuristic algorithms[M].Beckington:Luniver Press,2008:81-96.

[11] YANG X S.Firefly algorithms for multimodal optimization[C]// LNCS 5792:Proceedings of the 5th International Conference on Stochastic Algorithms:Foundation and Applications,Sapporo,Japan.Berlin,Heidelberg:Springer,2009:169-178.