優(yōu)化船舶主機(jī)燃油噴射系統(tǒng)故障診斷的GA-Elman神經(jīng)網(wǎng)絡(luò)

章志浩 林葉錦 劉如磊

(大連海事大學(xué)輪機(jī)工程學(xué)院 遼寧 大連 116026)

0 引 言

主機(jī)(即柴油機(jī))是船舶的心臟，是保障船舶安全航行的關(guān)鍵。船舶柴油機(jī)朝著大功率、高功率和智能化方向發(fā)展，柴油機(jī)故障診斷技術(shù)是船舶實(shí)現(xiàn)智能化的關(guān)鍵技術(shù)之一[1]。目前90%以上的海上航行船舶的動力裝置為柴油機(jī)，其中遠(yuǎn)洋航行船舶中低速二沖程柴油機(jī)扮演著越來越重要的角色[2]。作為陸地上很少使用的大型中低速二沖程柴油機(jī)，與普通柴油機(jī)相比，船舶主機(jī)長期在海上運(yùn)轉(zhuǎn)，根據(jù)海況的不同，工況更加復(fù)雜，工作周期更長，導(dǎo)致故障率更高，維修保養(yǎng)相對困難。同時(shí)，因?yàn)橹赜?HFO)價(jià)格相對較低廉，目前船用柴油機(jī)大部分燃用重油，而在入港時(shí)通常切換成船用柴油[2]。重油分子量大、粘度高，易造成燃油噴射系統(tǒng)噴嘴堵塞等故障，使船用主機(jī)燃油噴射系統(tǒng)工作環(huán)境更加惡劣。研究發(fā)現(xiàn)，近70%的船舶主機(jī)故障由主機(jī)燃油噴射系統(tǒng)引起。所以，船舶離港時(shí)主機(jī)故障更需及時(shí)、準(zhǔn)確發(fā)現(xiàn)并解決，這進(jìn)一步提高了對主機(jī)燃油噴射系統(tǒng)故障診斷的要求。燃油噴射系統(tǒng)的故障體現(xiàn)在主機(jī)的各個(gè)方面，如缸套水溫度、排氣溫度等。因此，根據(jù)主機(jī)相關(guān)的參數(shù)變化可以判別主機(jī)噴射系統(tǒng)相關(guān)故障。

故障診斷問題在本質(zhì)上是一個(gè)模式識別問題，即將診斷對象的狀態(tài)分成正常狀態(tài)和異常狀態(tài)，進(jìn)而將異常狀態(tài)分為各種故障狀態(tài)[3]。神經(jīng)網(wǎng)絡(luò)長期以來一直用于分類目的[4]，因此，本文引入了神經(jīng)網(wǎng)絡(luò)對船舶主機(jī)燃油噴射系統(tǒng)進(jìn)行故障診斷。通用的診斷方法應(yīng)用較多的是前饋型神經(jīng)網(wǎng)絡(luò)，但前饋型神經(jīng)網(wǎng)絡(luò)存在自身的局限性。Elman神經(jīng)網(wǎng)絡(luò)具有適應(yīng)時(shí)變過程的能力，比前饋型神經(jīng)網(wǎng)絡(luò)更適合于在線辨識[5]。以目前較為先進(jìn)的GA-RBF算法為例，RBF作為一種局部逼近網(wǎng)絡(luò)，由于缺乏負(fù)反饋機(jī)制，節(jié)點(diǎn)間關(guān)聯(lián)性不強(qiáng)，導(dǎo)致其應(yīng)用于故障診斷時(shí)存在精度不高、易陷入局部極小等缺點(diǎn)。同時(shí)，RBF模型還對初始中心的選取十分敏感，并且容易受到異常值的影響[6]。在應(yīng)用于船舶主機(jī)燃油噴射系統(tǒng)的故障診斷時(shí)，燃油噴射系統(tǒng)本身的復(fù)雜性以及船況的多變使其缺點(diǎn)尤為明顯。Elman神經(jīng)網(wǎng)絡(luò)作為一種遞歸神經(jīng)網(wǎng)絡(luò)，引入了負(fù)反饋機(jī)制，它的局部負(fù)反饋機(jī)制加強(qiáng)了節(jié)點(diǎn)與節(jié)點(diǎn)間、各個(gè)神經(jīng)網(wǎng)絡(luò)層之間的關(guān)聯(lián)性，與RBF網(wǎng)絡(luò)相比，診斷效果明顯提升。在自組織神經(jīng)網(wǎng)絡(luò)中，PSO-SOM算法是較為熱門的算法之一，它的診斷精度較高、收斂速度較快，但是SOM神經(jīng)網(wǎng)絡(luò)沒有期望輸出層，無法準(zhǔn)確判斷聚類效果的優(yōu)劣[7]。由于結(jié)構(gòu)上相對不完整，這種算法只能將故障樣本聚類，而聚類的結(jié)果無法與具體的故障類型相對應(yīng)。Elman神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上比SOM神經(jīng)網(wǎng)絡(luò)更加完整，在故障診斷方面比SOM神經(jīng)網(wǎng)絡(luò)更加直觀、可靠。它既能夠保證診斷結(jié)果的準(zhǔn)確性，也能夠?qū)⒃\斷結(jié)果與故障類型準(zhǔn)確對應(yīng)。近年來Elman神經(jīng)網(wǎng)絡(luò)越來越多地應(yīng)用到了故障診斷領(lǐng)域，如任聰[8]對于中央空調(diào)系統(tǒng)的故障診斷研究，皮駿等[9]對于航空發(fā)動機(jī)的故障診斷。但在船舶主機(jī)燃油噴射系統(tǒng)故障診斷方面，目前了解到的相關(guān)文獻(xiàn)尚未有改進(jìn)的遺傳算法與Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合的相關(guān)論述。本文針對噴油器噴嘴堵塞、噴油器噴嘴磨損、噴油定時(shí)提前、噴油定時(shí)滯后四種故障模式進(jìn)行了相關(guān)研究，數(shù)據(jù)來源于大連海事大學(xué)輪機(jī)模擬器，主機(jī)型號為MAN B&W 7S80ME-C9.2。對相關(guān)參數(shù)進(jìn)行分析，以這些參數(shù)組成特征向量，利用MATLAB軟件中的工具箱建立船舶主機(jī)燃油噴射系統(tǒng)故障診斷模型。經(jīng)驗(yàn)證，本文模型的準(zhǔn)確性高于RBF神經(jīng)網(wǎng)絡(luò)和普通Elman神經(jīng)網(wǎng)絡(luò)算法，是一種行之有效的診斷船舶主機(jī)噴射燃油系統(tǒng)故障的方法。

1 模型設(shè)計(jì)

1.1 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)的基本模型如圖1所示。

圖1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Elman神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上由輸入層、隱含層、承接層和輸出層組成，分為學(xué)習(xí)和驗(yàn)證兩部分。在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中，相關(guān)數(shù)據(jù)由輸入層輸入，由隱含層處理之后將結(jié)果傳向輸出層。如果結(jié)果與實(shí)際不符合，則將誤差逆向傳播到隱含層，修改相應(yīng)的權(quán)值和閾值。學(xué)習(xí)過程結(jié)束后，則進(jìn)入驗(yàn)證階段，將相關(guān)數(shù)據(jù)輸入，根據(jù)神經(jīng)網(wǎng)絡(luò)得出的結(jié)果與實(shí)際情況比較。而Elman神經(jīng)網(wǎng)絡(luò)與它的區(qū)別是：除了普通的隱含層外，還有一個(gè)稱為承接層(又稱連接層)的特別隱含層。連接層將隱含層的輸出值一步延時(shí)反饋到隱含層的輸入端，使網(wǎng)絡(luò)具有記憶功能，增強(qiáng)了網(wǎng)絡(luò)的全局穩(wěn)定性，能夠適應(yīng)時(shí)變輸入過程而不產(chǎn)生泛化，適用于在線診斷[5]。

Elman神經(jīng)網(wǎng)絡(luò)空間表達(dá)式如下：

Y(k)=g(w3u(k))

(1)

u(k)=q(w1uck)+w2X(k-1)

(2)

uc(k)=u(k-1)

(3)

式中：X(k)是神經(jīng)網(wǎng)絡(luò)的外端輸入；u(k)為隱含層輸出；Y(k)為網(wǎng)絡(luò)的輸出；w1為承接層權(quán)值；w2為隱含層權(quán)值；w3為輸出層權(quán)值；g(·)為輸出層的傳遞函數(shù)；q(·)為隱含層的傳遞函數(shù)。圖2為Elman神經(jīng)網(wǎng)絡(luò)流程。

圖2 Elman神經(jīng)網(wǎng)絡(luò)流程

1.2 遺傳算法模型及其改進(jìn)

遺傳算法(GA)模擬了生命進(jìn)化機(jī)制，即自然選擇和遺傳進(jìn)化中的繁殖、交配和突變。GA中最優(yōu)解是通過任意初始化種群繁殖和進(jìn)化得到的[10]。圖3為遺傳算法的具體流程。

圖3 遺傳算法流程

傳統(tǒng)遺傳算法是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法，但是在處理一些較為復(fù)雜的優(yōu)化問題時(shí)容易陷入到一些局部的極值點(diǎn)[11]。本文針對這種情況對遺傳算法的算子進(jìn)行了改進(jìn)，提出一種自適應(yīng)的遺傳算法。

(1) 選擇算子的改進(jìn)。個(gè)體的選擇直接決定了遺傳算法的收斂速度和精度。通常選擇算子采用隨機(jī)遍歷抽樣法(sus)，在sus中，各個(gè)個(gè)體被選擇的概率與其適應(yīng)度成正比，但是這種選擇算子的方法存在收斂速度慢、易陷入局部最小值的缺點(diǎn)，最終會導(dǎo)致誤差較大。為了使種群模式更加豐富，收斂速度更快，現(xiàn)對選擇算子做如下改進(jìn)。

假設(shè)種群中有m個(gè)個(gè)體，遺傳代數(shù)為n，F(xiàn)(t)={F(n,1),F(n,2),…,F(n,m)},Pi在遺傳算法的前期改進(jìn)為：

(4)

Pi在遺傳算法的中期及后期改進(jìn)為：

(5)

在遺傳算法的初期，進(jìn)化代數(shù)增加的同時(shí)，適應(yīng)度高于平均適應(yīng)度的個(gè)體被選擇的概率減小，低于平均適應(yīng)度的被選擇的概率增加。這樣有效保證了遺傳初期種群的豐富度，防止了過早收斂及陷入局部最小值的情況。在遺傳算法的中期和后期，這個(gè)過程正好相反。這種算法的改進(jìn)有效促進(jìn)了種群的進(jìn)化，大幅度提高了遺傳算法的精度。

(2) 交叉算子的改進(jìn)。在遺傳算法的運(yùn)行過程中，交叉概率同樣是種群豐富度的重要保證。在遺傳初期，為了保證豐富度，便于算法尋優(yōu)，交叉概率較大；在算法運(yùn)行過程中，為保證前期不收斂，交叉概率應(yīng)適當(dāng)減小，對交叉算子做如下改進(jìn)：

(6)

式中：Pc和k3為0到1之間的常數(shù)；fmax為種群最大適應(yīng)度；f′為較大適應(yīng)度的個(gè)體。

(3) 變異算子的改進(jìn)。變異算子是在進(jìn)行交叉操作之后進(jìn)行的，為確保后期算法不陷入局部最小值，對交叉算子作如下改進(jìn)：

(7)

式中：P2及k4均為0到0.05之間的常數(shù)；fm為變異個(gè)體的適應(yīng)度值。

1.3 改進(jìn)GA-Elman神經(jīng)網(wǎng)絡(luò)模型

遺傳算法和Elman神經(jīng)網(wǎng)絡(luò)結(jié)合的算法又稱GA-Elman算法，它的流程如圖4所示。

圖4 改進(jìn)GA-Elman神經(jīng)網(wǎng)絡(luò)流程

該模型包含3個(gè)部分，分別為Elman神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定、遺傳算法對權(quán)值和閾值的優(yōu)化和神經(jīng)網(wǎng)絡(luò)故障診斷3部分，基本步驟如下。

(1) 從輪機(jī)模擬器中采集相關(guān)數(shù)據(jù)及參數(shù)。

(2) 給定神經(jīng)網(wǎng)絡(luò)M組訓(xùn)練樣本、N組測試樣本，并將原始數(shù)據(jù)歸一化。歸一化公式為：

(8)

式中：y是矩陣中每個(gè)元素歸一化后的數(shù)值；[ymin,ymax]為歸一化區(qū)間，ymin通常取值為-1，ymax取值為1；x為歸一化前的原始數(shù)據(jù)中的對應(yīng)元素；xmax為每行元素最大值；xmin為每行元素最小值。

(3) 將Elman神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值編碼為二進(jìn)制表示的個(gè)體，由隱含層權(quán)值、隱含層閾值、承接層權(quán)值、輸出層權(quán)值、輸出層閾值5部分組成。設(shè)定的神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)為8，隱含層神經(jīng)元數(shù)為15，輸出層神經(jīng)元數(shù)為4，將所有權(quán)值和閾值編碼，隱含層權(quán)值為120、閾值為15，承接層權(quán)值為225，輸出層權(quán)值為60、閾值為4。

(4) 將誤差的范數(shù)作為算法的適應(yīng)度函數(shù)，公式如下：

(9)

式中：f為適應(yīng)度函數(shù)；M為樣本數(shù)；N為節(jié)點(diǎn)數(shù)；Pji和Zji分別為第i個(gè)節(jié)點(diǎn)的第j個(gè)神經(jīng)元的理想輸出和實(shí)際輸出。

(5) 在GA-Elman神經(jīng)網(wǎng)絡(luò)中，利用改進(jìn)的遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，利用函數(shù)計(jì)算個(gè)體的適應(yīng)度，通過交叉、變異等操作獲得適應(yīng)度更高的個(gè)體；將優(yōu)化后的結(jié)果賦值給Elman神經(jīng)網(wǎng)絡(luò)部分，訓(xùn)練網(wǎng)絡(luò)并輸出診斷結(jié)果。

遺傳算法的初始相關(guān)參數(shù)設(shè)定如下：種群大小為45，遺傳代數(shù)為40，二進(jìn)制位數(shù)為10，交叉概率為0.75，變異概率為0.02，代溝為0.95。

2 仿真研究

2.1 數(shù)據(jù)獲取

通過仿真數(shù)據(jù)來產(chǎn)生數(shù)據(jù)集來訓(xùn)練算法是故障診斷領(lǐng)域的一種常用做法，因?yàn)樵谄渌I(lǐng)域也難以獲取標(biāo)記數(shù)據(jù)，故本文采用仿真數(shù)據(jù)。樣本取自大連海事大學(xué)輪機(jī)模擬器，船舶類型為VLCC，主機(jī)型號為MAN B&W 7S80ME-C9.2。輪機(jī)模擬器是通過數(shù)學(xué)模型在電腦上模擬機(jī)艙的裝置，在主機(jī)系統(tǒng)中，基于主機(jī)系統(tǒng)的數(shù)學(xué)模型，仿真軟件模擬了船舶主機(jī)的功能并設(shè)有多種故障狀態(tài)，采用的數(shù)據(jù)取自實(shí)際船舶，數(shù)據(jù)真實(shí)性已經(jīng)過驗(yàn)證。輪機(jī)模擬器的主機(jī)仿真模型為零維模型，將主機(jī)本體部分劃分為增壓器、中冷器、掃氣箱等五個(gè)部分。在液壓氣缸單元中計(jì)算燃油泵柱塞下腔壓力變化率、燃油泵柱塞上腔及高壓油管內(nèi)壓力變化率、燃油泵柱塞運(yùn)動方程、噴油器噴油油量，利用計(jì)算結(jié)果對燃油噴射系統(tǒng)進(jìn)行建模[12]。同時(shí)，輪機(jī)模擬器的主機(jī)故障仿真系統(tǒng)采用了融合模型(MG)，MG模型的輸出參數(shù)耦合性強(qiáng)，具有非常好的故障表現(xiàn)能力[13]。

本文選取了主機(jī)的排氣量(x1)、轉(zhuǎn)速(x2)、排氣溫度(x3)、排氣壓力(x4)、缸套水溫度(x5)、高壓油管壓力(x6)、功率(x7)、耗油量(x8)作為參數(shù)，將樣本歸一化后作為輸入?yún)?shù)，所得值作為特征向量X=[x1x2x3x4x5x6x7x8]T。共選取52組故障數(shù)據(jù)，每種故障模式13組數(shù)據(jù)。其中：每種故障十組數(shù)據(jù)用作訓(xùn)練集，三組用作測試集。共40組數(shù)據(jù)組成訓(xùn)練集，12組數(shù)據(jù)組成測試集。由于故障數(shù)據(jù)較多，故選擇展示部分原始數(shù)據(jù)見表1。經(jīng)歸一化后的Elman神經(jīng)網(wǎng)絡(luò)的船舶主機(jī)燃油噴射系統(tǒng)故障診斷部分輸入樣本數(shù)據(jù)見表2，部分測試樣本見表3。

表1 原始數(shù)據(jù)

表2 部分輸入樣本數(shù)據(jù)

表3 部分測試樣本數(shù)據(jù)

續(xù)表3

2.2 結(jié)果分析

分別建立Elman神經(jīng)網(wǎng)絡(luò)、GA-RBF神經(jīng)網(wǎng)絡(luò)、改進(jìn)GA-Elman神經(jīng)網(wǎng)絡(luò)模型。Elman神經(jīng)網(wǎng)絡(luò)輸入層、隱含層、輸出層神經(jīng)元個(gè)數(shù)分別為8、15、4。其中：輸入層8個(gè)神經(jīng)元分別對應(yīng)8個(gè)故障特征值；輸出層4個(gè)神經(jīng)元分別對應(yīng)4種故障模式，即油器噴嘴堵塞(T1)、噴油器噴嘴磨損(T2)、噴油定時(shí)提前(T3)、噴油定時(shí)滯后(T4)，具體如表4所示。

表4 故障類型對應(yīng)的期望輸出

同時(shí)計(jì)算范數(shù)誤差及均方誤差。矩陣中各元素差的平方和的平均值的平方根稱為均方誤差，以此檢測3個(gè)神經(jīng)網(wǎng)絡(luò)模型的優(yōu)劣。遺傳算法的優(yōu)化結(jié)果見圖5。均方誤差的公式如下：

(10)

式中：Ti為測試集輸出的第i個(gè)元素；Pi為測試集的第i個(gè)元素；n為測試集的樣本中元素總數(shù)。

圖5 改進(jìn)后的GA與普通GA對比

可以看出，遺傳算法在迭代過程中誤差范數(shù)不斷減小，表示網(wǎng)絡(luò)的權(quán)值和閾值在不斷地被優(yōu)化。普通遺傳算法在前5代的迭代過程中誤差減小的速度最大，即優(yōu)化的效率最高，但是很快便陷入了局部最小值，算法過早收斂，迭代至23代以后誤差幾乎不變。改進(jìn)后的GA在前期保證了種群的豐富度、收斂速度較慢，避免了陷入局部最小值的問題。精度逐漸提高，在23代以后精度超過普通遺傳算法。故改進(jìn)后的遺傳算法優(yōu)于普通的遺傳算法。

表5、圖6、圖7顯示，Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本范數(shù)誤差及絕對誤差較大，測試樣本范數(shù)誤差略低于GA-RBF神經(jīng)網(wǎng)絡(luò)且實(shí)際輸出的隸屬度較低，第11組數(shù)據(jù)明顯陷入局部最小值，不易判斷故障類型。由圖6的曲線可知，GA-RBF神經(jīng)網(wǎng)絡(luò)比Elman神經(jīng)網(wǎng)絡(luò)隸屬度有所提高，但是個(gè)別故障隸屬度低于Elman神經(jīng)網(wǎng)絡(luò)。在圖7中，GA-RBF神經(jīng)網(wǎng)絡(luò)曲線總體位于Elman神經(jīng)網(wǎng)絡(luò)曲線下方，絕對誤差相對較小。改進(jìn)GA-Elman神經(jīng)網(wǎng)絡(luò)診斷結(jié)果的隸屬度基本位于圖像最上方，除個(gè)別故障點(diǎn)外絕對誤差最小且誤差范數(shù)及均方誤差最小，隸屬度及精度最高。改進(jìn)GA-Elman神經(jīng)網(wǎng)絡(luò)對測試樣本的故障模式診斷只有第7組一處誤判，準(zhǔn)確率達(dá)到91.6%，仿真結(jié)果與測試組實(shí)際情況基本一致，如圖8所示。

表5 3種神經(jīng)網(wǎng)絡(luò)診斷誤差

圖6 隸屬度對比

圖7 絕對誤差百分?jǐn)?shù)對比

圖8 改進(jìn)GA-Elman神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

3 結(jié) 語

本文結(jié)合船舶主機(jī)燃油噴射系統(tǒng)工況復(fù)雜的特點(diǎn)，提出了優(yōu)化船舶主機(jī)燃油噴射系統(tǒng)故障診斷的GA-Elman神經(jīng)網(wǎng)絡(luò)模型，并選取了4種典型的噴射系統(tǒng)故障情況。結(jié)果表明：

(1) 在相同的訓(xùn)練樣本及測試樣本下，對比Elman神經(jīng)網(wǎng)絡(luò)模型、GA-RBF神經(jīng)網(wǎng)絡(luò)模型、改進(jìn)GA-Elman神經(jīng)網(wǎng)絡(luò)模型的故障診斷結(jié)果，證明了改進(jìn)GA-Elman神經(jīng)網(wǎng)絡(luò)模型取得了更好的診斷效果。對于測試集的診斷在誤差上大幅度減小，隸屬度及診斷正確率更高。該模型對船舶主機(jī)燃油噴射系統(tǒng)的故障診斷提供了有效的保障，同時(shí)也為船舶其他系統(tǒng)的故障診斷提供了良好的借鑒。

(2) 通過對相關(guān)算子的改進(jìn)，使改進(jìn)后的遺傳算法比普通遺傳算法前期種群豐富度高、不易陷入局部最小值且精度更高。與Elman神經(jīng)網(wǎng)絡(luò)結(jié)合后，進(jìn)一步提高了診斷的準(zhǔn)確率。