基于GALSSVM和BP神經(jīng)網(wǎng)絡(luò)的柴油發(fā)動機(jī)狀態(tài)預(yù)測方法

摘要： 為提前掌握裝甲車輛發(fā)動機(jī)運行狀態(tài)變化，避免安全運行事故，并為裝備的視情維修提供數(shù)據(jù)支撐，本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)和GALSSVM的柴油發(fā)動機(jī)狀態(tài)預(yù)測方法。采用遺傳算法對最小二乘支持向量機(jī)（least squares support vector machine，LSSVM）的懲罰系數(shù)C和核函數(shù)尋優(yōu)，對發(fā)動機(jī)狀態(tài)特征信號進(jìn)行回歸預(yù)測，利用BP神經(jīng)網(wǎng)絡(luò)對不同狀態(tài)下的運行特征樣本進(jìn)行訓(xùn)練，構(gòu)建柴油發(fā)動機(jī)狀態(tài)評估模型，對發(fā)動機(jī)狀態(tài)預(yù)測評估，并通過實例進(jìn)行分析驗證。驗證結(jié)果表明，該算法所需訓(xùn)練樣本少，預(yù)測精度高;該模型對發(fā)動機(jī)狀態(tài)參數(shù)變化的預(yù)測在3步內(nèi)具有較高準(zhǔn)確性，最大平均誤差為792%，一步預(yù)測最大誤差約為169%，具有良好的發(fā)動機(jī)狀態(tài)預(yù)測評估效果。該研究對裝甲車發(fā)動機(jī)的安全運行具有重要意義。

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò); GALSSVM; 柴油發(fā)動機(jī); 遺傳算法; 狀態(tài)預(yù)測

中圖分類號： TP391.1; TK42? ?文獻(xiàn)標(biāo)識碼： A

近年來，柴油發(fā)動機(jī)狀態(tài)預(yù)測主要采用人工神經(jīng)網(wǎng)絡(luò)法[12]、基于實例的推理方法[3]、支持向量回歸法[4]、模糊邏輯專家系統(tǒng)[5]等基于數(shù)據(jù)驅(qū)動的預(yù)測方法。在柴油發(fā)動機(jī)狀態(tài)預(yù)測研究中，田松柏等人[6]采用動態(tài)神經(jīng)網(wǎng)絡(luò)，并結(jié)合相空間重構(gòu)理論，構(gòu)建了復(fù)雜裝備單變量的技術(shù)狀態(tài)預(yù)測模型，取得了良好的效果;雷榮強等人[7]在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上融合灰色理論系統(tǒng)，提高了預(yù)測模型對小樣本數(shù)據(jù)的預(yù)測效果;曹向輝等人[8]采用支持向量機(jī)，實現(xiàn)了水泵電機(jī)設(shè)備狀態(tài)的多步預(yù)測，并通過多通道時間序列之間的相關(guān)性，提高了預(yù)測精度;張金忠等人[9]在基于實例推理方法的基礎(chǔ)上，引入云概念隸屬度，建立云推理預(yù)測模型，提高了對非等間隔時間序列的預(yù)測效果。目前，在對裝甲車輛柴油發(fā)動機(jī)進(jìn)行評估與預(yù)測過程中，由于受實驗條件的限制，很難獲得大量的數(shù)據(jù)樣本[10]?；诖耍疚倪x取具有訓(xùn)練樣本少，預(yù)測精度高，且不依賴主觀經(jīng)驗優(yōu)點的支持向量機(jī)[11]，提出了一種基于GALSSVM和BP神經(jīng)網(wǎng)絡(luò)的柴油發(fā)動機(jī)狀態(tài)預(yù)測方法。該方法通過GALSSVM回歸算法，利用遺傳算法優(yōu)化SVM的懲罰系數(shù)及核函數(shù)參數(shù)，解決了支持向量機(jī)在柴油發(fā)動機(jī)狀態(tài)評估預(yù)測中核函數(shù)參數(shù)和懲罰因子難以確定的問題，并構(gòu)建發(fā)動機(jī)狀態(tài)特征多步回歸預(yù)測模型，同時結(jié)合BP神經(jīng)網(wǎng)絡(luò)，對預(yù)測結(jié)果分類識別，評估發(fā)動機(jī)技術(shù)狀況等級，實現(xiàn)了柴油發(fā)動機(jī)運行狀態(tài)定量與定性的綜合預(yù)測。該研究為裝備的視情維修提供了理論基礎(chǔ)。