神经网络在发动机燃油系统故障诊断中的研究
飞机燃油系统故障分析
飞机燃油系统故障分析摘要：近年来随着科技的不断进步，航空工业的发展日益成熟，航空机械、电子、计算机、自动控制等多个领域发展迅速。
因此，飞机结构和系统的复杂性逐渐提高，系统故障涉及到的专业知识范围增大，飞机故障诊断变得更加困难。
通常在飞机上进行故障诊断的过程时间有限，因此需要不断提高故障诊断技术以适应航空产品的发展。
近几年来，我国领土周边局势紧张，军用飞机使用频率增高，给飞机维修维护工作带来巨大挑战。
燃油系统作为关键系统，其故障排除工作变得更为重要。
关键词：飞机燃油系统；故障分析；诊断方法1元件级故障分析1.1燃油泵类故障：故障模式为输出压力值低在飞机降落阶段，由于油箱内燃油量较低，加上飞机姿态受气流影响抖动，燃油泵出口的压力会下降，因此油泵的低压指示灯就会闪烁。
但是，在这个阶段飞机能够正常地飞行，这是因为在这个系统中，有一个抽吸模式的供油；如果油箱中所有的升压都低于规定的压力，那么飞机的引擎功率就会下降，因此需要进行相应的处理。
1.2插板开关类故障：故障模式为开关控制失效断路器的故障主要由反馈信号来判定。
插板开关通常具有外部切换的反馈信号，当控制器发出开启命令时，其开启反馈信号显示为高，而不是显示为低。
1.3压力加油控制活门类故障：故障模式为压力加油控制活门不能控制开关压力加油控制阀的失效取决于在压力加油过程中，油箱中的油面变化，如果阀门不能打开，则在系统中不能正常供给燃油，而且油量不会发生改变；如果阀门不能关闭，则耗油顺序和重心控制会失去控制。
1.4油量传感器类故障：故障模式为开路、短路、漂移、冲击、偏置等电容式油量传感器具有结构简单、分辨率高、灵敏度高、动态响应好等优点，在航空领域得到了广泛的应用，但由于其工作过程中易受外界环境的影响，工作稳定性差，工作性能受 EMI影响。
油压传感器有冲击故障、偏置故障、漂移故障、短路故障、断路故障等故障类型。
1.5油量表指示器：故障模式为油量表指示误差大油量指示偏差产生的来源主要是燃油油面振动、信号传递装置的磨擦等。
一种基于神经网络的汽车故障诊断方法
喷 油 器 高压 油 管 振 动 减 弱 ，波 形 幅 开 启 压 力 降 低 ， 大 油 压 也 最
弹簧折断 值明显减小 ， 变化平缓。
２信 号 特 征 提取 ．
降低 。
如 表 １所示
ｎｔｎｗ （１ ｍ ｘｐ，１， ｔ ｓ ＇ｏｓ ’ａｎｄ ’ ｅ ｅ ｆ 『ｉ ａ （） ３４ ａ ｉ ， ｇｉ ） ｒｉｇｘ； ＝ ｌｎ ［ ｎ ｇ＇ ｇ ， ｌ ｔ ） ％定 义神 经 网
络
表 １故 障名称及其对应的特征
振 动 波 形 油 压 波 形
针 阀磨损 高压油管压力减弱 ，波形振 最大油压降低 ， 喷射 时间缩 动减 弱， 幅值减小 。 短。
喷 油 嘴 高 压 油 管 压 力 升 高 ，波 形 幅 总 喷 射 面 积 减 小 ， 大 油 压 最 积碳 值 明 显增 大 ， 形 振 动 频 繁 。 上 升 ， 射 时 间 延 长 。 波 喷
ｎｔｒｉＰ ｒｍ． ｏｈ＝ ５ ０％最 大训练次数 ｅｔ ｎ ａａ ｅ ｃ ｓ １０ ； ．ａ ｐ ｎｔｒｉＰ ｒｍ． ａ＝ ．１ ）练要求精度 ｅｔ ｎ ａａ ｇ ｌ００ ； ｌ ．ａ ｏ ％ｉｌ ｎｔｒｉＰ ｒｍ．＝ ．１％学 习率 ｅｔ ｎ ａａ １ ００ ； ．ａ ｒ ｎ ｔ ｒ ｉ Ｐａ ａ １ ｉ ＝ ． ； ｅ． ａｎ ｒ ｍ． ｎ １ ５ ｔ ｒ ｅ ０ ％学习率 ｌ增长 比 ｒ ｎｔｒｉＰ ｒｍ． ｅ＝ ．； ｅｔ ｎ ａａ １ ｄ ｃ０７％学习率 ｌ下降 比 ．ａ ｒ ｒ ｎｔｒｉＰ ｒｍ．ｅ ０９％动 量 因子 ｅｔ ｎ ａａ ｍ ＝ ．： ．ａ ｎｔｔ ｉ（ｅ，ｔ％对 网格进行训练 ｅ ｒ ｎｎｔ ，； ＝ａ Ｐ） 可调用 ｓ （ｅ，１命令查看对样本 ｐ ｉ ｎｔ ） ａ ｒ ｐ １的诊断决策情况。 可调用 ｇ ｓ （ ｔ １ ｅｉｎ，） ｎ ｍ ｅ 一 命令查看网格结构。 源程序设 置训 练次数为 ｌＯ ＯＯ次 ， 但网格在不到 ２ ０次的时候就收 ５ 敛， 达到设 定的精度要求 。整个训练过程的误差变化如图 ２ 所示 。
基于PSOBP神经网络的民航发动机VSV故障诊断
2020年12月Dec. ,2020第36卷第6期Vol. 36 , No. 6滨州学院学报Journal of Binzhou University【航空科学与工程研究】基于PSO BP 神经网络的 民航发动机VSV 故障诊断阚玉祥(滨州学院飞行学院，山东滨州256603)摘要：现代民航发动机大多使用VSV 系统来提高发动机工作稳定性和避免发动机失速或喘振。
为了诊断VSV 系统故障，提出了 一种基于PSO-BP 神经网络对VSV 位置进行监控 的方法，当PSO-BP 神经网络模型的预测值与实际值的偏差超过一定值时，则判断VSV 系统故障。
利用发动机健康状态的QAR 数据，基于PSO 算法优化的BP 神经网络建立了发动机 VSV 在飞机下降段的调节规律模型，同时建立BP 神经网络模型。
经过对比分析，通过PSO -BP 神经网络建立的VSV 调节规律模型的诊断精度，高于传统的BP 神经网络模型，可为民航发 动机状态监控和故障诊断提供依据，具有一定的工程实用价值。
关键词：民航发动机；VSV ；故障诊断；PSO 算法；BP 神经网络中图分类号：TP 183 文献标识码：A DOI ： 10.13486/j. cnki. 1673 - 2618. 2020. 06. 0010引言民航发动机VSV(VariaUle Stator Vane )系统的工作状态对发动机的工作性能至关重要在发动机 需要时调节VSV 开度，可以达到提高转子转速裕度，减小机械负荷的目的閃。
由于VSV 需要随着发动 机工况的变化不断调节，极易造成VSV 系统故障，使静子叶片的实际位置偏离指令位置，偏离过大时使气流攻角过大，从而诱发喘振。
严重时会导致机件损伤、空中停车等故障因此监控VSV 的位置，及 时发现VSV 系统故障有助于发动机安全高效的运行％以发动机实际运行的大量数据为基础，神经网络、支持向量机等一系列算法在故障诊断和性能预测方面得到了广泛应用。
基于神经网络专家系统的柴油机故障诊断系统
的专家 系统 在 故 障诊 断 方 面 虽 然取 得 了飞 速 发 展 ，
但 一 直存 在 一些 问题 不 能解 决 ， 如“ 匹配冲突” 及“ 无
第ｉ 个 隐层 点 的输 出 ， 则 神经 网络 的输 出为
此时把采集到的数 据送 到信号处理系统 ， 通过一 系列
的运算 、 分析、 提取， 把 得 到 的特 征 参 数 输送 到神 经 网 络， 由神 经 网络 做 出 定 量 诊 断最 后 给 出最 终 的诊 断 结 果； 另一 种是 根 据 专 家 系 统 的定 性 诊 断得 出柴 油 机 的 各种 性 能参数 都 在 规 定 的范 围之 内 ， 说 明柴 油 机 运 行
以提 高诊 断效 率 。
本 系统 对 柴油 机 的启 动 性 能 参 数 、 进 排 气 系 统 性 能参数 、 燃 油 供 给系统 性 能 参 数 、 振 动 信 号 进 行 测试 ， 具 体 工作 流 程见 图 １所示 。
种新 的故 障诊 断 系统 ， 将专 家 系统 和 Ｒ Ｂ Ｆ神经 网络 相
２ ０ １ ３年 ６月
农 机 化 研 究
第 ６期
基 于 神 经 网 络 专 家 系 统 的 柴 油 机 故 障 诊 断 系 统
陈会 莲 ，郑艳 博
（ 唐 山科 技 职业 技 术学 院 ，河北 唐 山 摘 ０ ６ ３ ０ ０ １ ）
要 ： 柴 油 机在 农 业 机械 中被广 泛 应 用 ， 由于运 行 状况 复 杂 ， 故 障类 型 和部 位 种类 繁多 。为 此 ， 提 出 了将 神 经
神经网络在汽车控制系统中的应用研究
神经网络在汽车控制系统中的应用研究一、引言汽车控制系统是现代汽车中至关重要的一部分，它负责控制和管理车辆的各种功能和行为，包括引擎控制、刹车系统、安全气囊等。
随着汽车技术的不断发展，神经网络作为一种强大的技术工具，被广泛应用于汽车控制系统中。
本文将探讨神经网络在汽车控制系统中的应用研究，详细介绍其原理、方法和优势。
二、神经网络的基本原理神经网络是一种模仿人类神经系统的计算模型，它由大量的神经元以及相互连接的权重和阈值组成。
通过训练和学习，神经网络能够自动地调整权重和阈值，从而实现输入与输出之间的映射关系。
神经网络的基本原理包括了感知器、反向传播算法、激活函数等。
三、神经网络在汽车控制系统中的应用1. 发动机控制：神经网络可以通过学习和训练，根据驾驶员的需求和当前的道路状况，自动调整发动机的工作参数，实现最佳的动力输出和燃油利用率。
2. 刹车系统：神经网络可以通过学习刹车系统的工作原理和车辆的运动状态，实时判断是否需要进行刹车，并调整刹车力度和时间，提高刹车的安全性和稳定性。
3. 转向系统：神经网络可以通过学习车辆的转向角度和路面的状况，自动调整转向系统的参数，保持车辆的稳定性和操控性。
4. 安全气囊：神经网络可以通过学习车辆的撞击力和碰撞部位，判断是否需要触发安全气囊，并根据撞击力的大小和碰撞部位的位置，自动调整安全气囊的充气程度，保护驾驶员和乘客的安全。
四、神经网络在汽车控制系统中的优势1. 自适应性：神经网络可以通过学习和训练，自动地调整参数和权重，适应不同驾驶条件和道路状况，提高汽车的性能和安全性。
2. 实时性：神经网络的计算速度快，能够在极短的时间内对输入数据进行处理和分析，实现实时的控制和反馈。
3. 鲁棒性：神经网络可以容忍输入数据的噪声和干扰，具有较强的鲁棒性和稳定性，能够在复杂的驾驶环境中正常工作。
4. 自学习能力：神经网络可以通过学习和训练，自动地提取特征和规律，不需要人为地定义规则和设置参数，减少了人工干预的成本和工作量。
基于RBF神经网络发动机失火故障的诊断研究
ｌｔ ｎ ｈｐ ｂ ｔ ｅ ｈ ｓ ｒ ｎ ｈ ｅ ｓｔ ｓｏ ａｉ ｓ ｉ ｅｗｅ ｎ ｔ ｅ ｍｉｆ ｅ ａ ｄ ｔ ｅｄ ｎ ｉ ｅ ｆＨＣ，ＣＯ ｎ ２ｉ ｈ ｘ ａ ｓ ｓａ ｌ ｈ ｄ ｂ ｓ ｄ Ｏ Ｔ Ｎ ｕ ａ ｅ－ ｏ ｉ ｉ ２ａ ｄ Ｏ ｔ ｅ ｅ ｈ ｕ ｔ ｓｅ ｔ ｂｉ ｅ ａ ｅ Ｎ ＲＢ ｅ ｒ ｌＮ ｔ ｎ ｉ ｓ
发 动机 工 作 循 环 失 火 ，是 指 混合 气 燃 烧 过程 中燃 烧速 度 为 零 时 火 焰 不 能传 播 的现 象 ，造 成 循 环 混合气 在燃 烧 过程 中完 全 不 能 燃烧 或 部 分 不 能 燃烧 ，从 而使 发 动机 输 出功 率 下 降 、燃 油 消耗 增 加 、废气排 放 急 剧 增 加 。 由于 发 动 机 是 一 个 非 线
； （ ） 利 用发 动 机 废 气 排放 体 积 分 ２
数值进 行诊 断 Ｊ 。发 动机 排 气 中各 成 分 体 积 分 数 值 含有 大 量 燃 烧 过 程 的 信 息 ， 当发 动 机 失 火 时 ， 其废气 排放体 积分 数值 会 出现 相 应 的变 化 ，然 而 ，
烧 ；当 Ｓ＝ ０—１ 间时 ，为部分失 火状况 。 即 ｓ值 之
基于虚拟仪器和神经网络的汽车发动机故障诊断方法的研究
杨 旭 志 廖 巾文 ： 于虚 拟 仪 器 和 神 经 网络 的 汽 车 发 动机 故 障 诊 断 方 法 的研 究 基
１ ｌ
ｆ１ 油 堵 塞 故 障 ４喷
度 ｉＤ Ｉ１ Ｌ发 动 机 ， 案 流 程 如 图 １ 示 ｌ － Ｓ ． ３ 方 所 ３ １ 。
电 喷 发 动 机 的 汽 油 雾 化 ， 似 于 柴 油 机 的 高 压 喷 类
Ｖｉｔ ｌＩ ｔｕｍ ｅ ｔａ ｕｒ ｌ ｎｅ ｗｏ ｋ ｒ ｕａ ｎｓｒ ｎ ｎｄ Ｎｅ ａ － ｔ ｒ
杨旭 志 廖 中 文
（ 东农工 商职 业技 术学 院） 广
［ 要 ］ 对发动机 电控 系统故 障的 多样性 和 复杂性特 征 ， 了便 于汽车检修 人 员更便 捷的检 摘 针 为
１ 电 喷 发 动 机 的 常 见 故 障 部 位 分 析
尽管 电子 控制燃 油喷射 系统有 不同 的结 构特点 和分 类特 性 ， 是 ， 其常 见故 障而 言 ， 但 就 有其 相 同 的 或相 似的 问题 。下 面就 电喷发 动机 常见故 障的共性 问题进行 分析 。
（ ） 子 控 制 单 元 （ Ｃ 常 见 故 障 １电 Ｅ Ｕ）
如 当电动燃 油泵 电路 开关 的接头 接触不 良时 ．便 会 导致发 动机起 动 困难 ，如果 是喷 油嘴 的电源插件 松 脱， 便会 造成发 动机缺 缸故 障。
ｆ） ３传感 器故 障 汽 车所 用传 感 器虽结 构 不尽 相 同 ， 大致是 以 但 下 几 种类 型 ， 如热 敏 电 阻 式 、 空 压 力式 、 真 电磁 式 、 机械 传 动式 等 。如果 传感 器 中 的易 损 零 件损 坏 ， 如
所 有 的电器元件 上 。当机器使 用时 间过长便 会使插
基于BP网络的飞机燃油系统故障诊断方法研究
络方法 Байду номын сангаас现 的 在 线 故 障诊 断专 家 系统 设 计 的 基 本
过程 。该 系 统 能 够 在 飞机 燃 油 系统 附件 发 生 故 障 时， 迅速 而 准 确 地 诊 断 ， 系统 的运 行 状 态 和故 障 对 诊 断过程 能进 行较 准确地 解 释 ， 并提 供 功能 重构 的
２ 神 经 网 络 专 家 系 统 在 飞 机 燃 油 系
系统设 置 一 个神 经 网络 服务 器 作 为 其 知识 库” 将 ， 传统专 家 系统 的 基 于 符 号 的推 理 变 成 基 于 数 值 计
算的推理， 以提 高专 家 系统 的执 行 效 率 ， 决 专 家 解 系统 的 自学 习问题 。其基 本结 构 图如 图 １ 示 ， 所 其 中 ， 经 网络 结 构 知识 模 块 ， 神 实际 上 也 是一 个 知 识 库， 主要用 于定 义诊 断对 象 的常 用术语 或名 称 ， ： 如 定义 输入 、 隐含 、 出神 经元 的物理 意义 。 输
１ 基 于 人 工 神 经 网 络 的故 障 诊 断 专
家 系 统基 本 原 理
大 部分 基于 知识 的方 法都 是可 以互 相 结合 的。 比如 ， 经 网络 和专 家 系统 就可 以结 合 起 来 ， 用 神 应
于工业 领域 。
专 家 系统 的优 点 是 其模 拟 人 类 在 解 决 故 障 诊 断问题 时 进 行 推 理 的 能 力 ， 点 是 知 识 获 取 的 瓶 弱 颈 。而 神经 网络 的 优 点 是 其 基 于训 练 样 本 的模 式 识别 能力 ， 点是 缺乏对 结 果进 行解 释 的能力 。用 弱 神经 网络 改 进专 家 系统 的最 直 接的方 法 是 “ 专家 为
基于SOM神经网络的柴油机燃油系统故障诊断
网络的输入输出非线性映射特性 、信息的分 布存
组织和 自 学习能力 。使其成为故障诊断的一种有效
方法和手段ｌ 。 ２ 神经网络故障诊断方法 ２１ Ｓ ． ＯＭ 网络 的结构
特 征 映射 （ｅｆＯ Ｓｌ — ｉ Ｆａ 】 ｐ ｒ ｅ臼ｒ Ｍａ ，也 曙 ｅ
称 Ｋ ｈ ｎ ｎ映射）神经 网络 ，简称 Ｓ Ｍ 神经 网 ｏｏ ｅ ０ 络 ，是由 Ｋ ｈ ｎ ｎ教授 提出的对神经 网络的数值 ００ ｅ 模拟方法 ，这种方法是人工神经 网络的重要分支之
ｓ ｎ Ｏ ．Ｔ ｅ ｐ ． ｓ Ｉ ｈ ｐ ｓ ａ ｙ ｅ Ｉ Ｉ ｅ ｄ ｍ ａ ａ ｄ ｐ ｓ ｕ ｅ ｓ ａ ｅ ｃ ａ “ ｒｉ ｘ ｅ ｓ ｒ ｈ １ ｓ １ ． ｓ ａ ｅ ｉ ｎ Ｉｚ ｄ ｉ ｅ ｌｅ ｌ石 ｎ ｏ 嘶 ｎ ｓ ｒ ｈ ｐ ｈ ≥ ｓ ｅ 一
Ａｂｔ ｃ：ｓ Ｍ ｅ ｏｋｉ ｐ ｌ ｄ ｔ ａ ｄ ｏｉ ｆｄｅｅ ｎ －ｅｂ ｎ ｏ ｕ ｅｒ ｓｒ ｔ Ｏ ｎ 栅 ｒ 暑ａ ｐｉ ｏｆ１ 啦 ａ ！ ｅ 血 ｓ ０ ｉｓｌｅｇ ｙ ｓ ｍ ｇｎ ｎ ｎ ａ
ｍ锄）缸 ０ ｅ 】 Ｉ ０ ｋ趾 ｄ ｉ １ｕ ０ ｉｈ ｄ ｇ ｅ ｆ ｅｆ ｏ ｎｚ ． ｎ狃 ｄ ｓ ｌ ｌ锄ｍ— ｐ ｆ ｕ ｌ ｎ ｎ栅 ｓａ ｉ锣 ｆ ｇ ｅ ｒｅｏ １ 玛ａ ｉａ ０ ｔ ） ｈ ｓ — 廿 ｅｆ ｅ —
ｗｏ ｋ ｒ ｄ ｅ ｅ ；ｎ 硼 ｔｄｌ ）ｉ ｓ、 ｒｆｅ ｙ ｓＨ ａｉ ｎ ｅ ＇ｎｍ ｅ ｔ Ｉ ｓ】 ｓ ｓ、 ｒ也 ａ ｉｓ ｌｅ ｉ ｅ ｆ ｉ 训 ｓｓ ｉ ｒ ｉ｜ｄ ｂ ｊ ｅ ｌ ｅ ０ ｎ ｌ １ ｔ ｌ ｌ ｔ
基于神经网络的航空发动机诊断技术研究
基于神经网络的航空发动机诊断技术研究随着工业的快速发展，航空发动机在现代社会中起着至关重要的作用。
发动机的故障可能会导致灾难性后果，例如飞机失事。
因此，及时发现并解决发动机问题非常重要。
为了实现这个目标，科学家们发明了一种基于神经网络的航空发动机诊断技术，该技术能够通过监控发动机性能并分析数据以发现故障。
本文将探讨这项新技术。
一、发动机故障的危害和现有技术的问题航空发动机是一种复杂的机器，发动机故障会对飞行安全产生严重影响。
为了确保发动机在飞行过程中正常运行，每一次飞行前或者间歇时间都要对其进行检查和维修。
尽管现在有很多传统的方法能够检测发动机的性能，例如检查发动机的温度、燃油消耗量等，但这些方法往往依赖于经验和专业知识，受到人为因素和主观因素的影响。
因此，现有技术并没有完全解决这个问题。
二、基于神经网络的航空发动机诊断技术的优势基于神经网络的航空发动机诊断技术是基于计算机科学中的人工智能技术发展而来的。
这项技术能够通过数据收集和分析来判断发动机是否正常运行。
在监测发动机性能时，该技术可以通过记录数十个性能指标来检测是否有故障。
这些指标包括飞行速度、燃油消耗量、发动机转速、油压、发动机温度等参数。
通过监测这些指标数据并对其进行分析，我们可以通过神经网络的技术能够实现快速准确地检测发动机的故障。
三、基于神经网络的航空发动机诊断技术的实施方法基于神经网络的航空发动机诊断技术需要建立完善的系统以逐步实现该技术的应用。
这个系统主要由硬件和软件两个重要部分构成。
具体来说，它包括发动机性能监测装置、数据采集系统、数据处理及分析模块和故障诊断系统。
其中，发动机性能监测装置可以获取发动机的性能数据以监测发动机是否被正常使用。
数据采集系统则可以把性能信号转化为数字信号，以便计算机系统进行处理。
数据处理及分析模块负责对收集到的数据进行分析、预处理和建模。
通过将数据转换为数字信号，然后输入神经网络系统进行训练和学习，以及诊断发动机是否存在故障。
基于改进BP网络的柴油机燃油故障诊断的应用
隐层节点 ， 出为 ： 输
０ ：ｆ（ｅｊ ＝１［＋ｅｐ一 ｅｊ］ ｎｔ ） ／ ｘ （ｎ ｔ １ ）
式中， ｗ， 为隐层节点 ， 与阈 ； 为非 ０， 值 厂 线性Ｓｍ ｉ函 ｉｏ ｇ ｄ
ｄｓｅｔ ｔｏ ｆｈ ａｄｒ Ｐａ ｏｉ ｍ ａ ｈｆｒｈ ｐｉ ｌｎ ｔ ｒ ｏ ｎ ｃｏ ｉ ｔ Ｔ ｅ ｕｌ￣ ｃｏ ｅｃｎ ｍｅ ｄｏ ｅ ｔ ａｄＢ ｌ ｒｈ ｔ ｓ ｒ ｅｏ ｔ ｅ ｈ ｔ ｓｎ ｇ ｔ ｏｅｃ ｏｔ ｍａ ｗｏｋｃｎ ｅｔ ｎｗｅ ｈｓ ｈ ｅｉ ｅｔ ｎ ｉ ｇ ． ｆ ｉ ｓｓ ｍ ｅｃｒ ａ ｆ ｉｓ ｎ ｎ ， ｏｅｗｏｋｎ ｏ ｄｔ ｎｄｒｃｙａ ｅｔ ｈ ｅ ｐｏ ｅｓ ｎ ｅｆｒ ｎｅｏ ｙｔ ｉ ｔ ｏｅ ｒ ｏ ｅｅ ｅｇ ｅ ｗｈ ｓ ｅ ｓｈ ｐｔ ｄ ｌ ｉ ｒｉｇｃｎ ｉｏ ｉ ｔ ｆｃ ｅｆ ｌ ｒｃｓ ａｄｐ ｒ ｍａｃ ｆ ｉ ｅｌ ｔ ｕ ｏ ｄｅ ｌｎ ｎ． ｈ ｒｖｄＢ ｇ ｒｈ ｉｕｅ ｅａｌｄａｎ ｓ ｆ ｉ ｅ ｅｇｎ ｅ Ｓ ｌ ｏ ｐｒ ｎ ａ ｉ ｅ ｅｇ ｅ Ｔ ｅｍｐｏ ｅ Ｐａ ｏｉ ｍ ｓｄｉ ｔ ｕｔ ｉ ｏｉｏ ｅ ｌｎ ｅｕ １ ｉ ａ ｎｅ ｅｍｅｔ ｓ ｓ ｉ ｉ ｌ ｔ ｓ ｎ ｈ ｆ ｇ ｓ ｄ ｓ ｉ ｆ ． ｍｕ ｔ ｉ ｘ ｉ ｈ
２ １年 ８旯 ０１ 簟 ８期
电 子 测
试
Ａｕ ２０１ ｇ． １ Ｎｏ． ８
ＥＬＥｃＴＲ０Ｎ ｜ ｃ ＴＥｓＴ
基于改进Ｂ Ｐ网络 的柴油机燃 油故障诊 断的应用★
顾秀江 ，姚竹亭， 王洁 ，刘勇锋 ，秦新红 （ 中北大学 ，机械工程与 自动化学 院，山西 ，太原 ，００ ５ ） ３０１ 摘要 ：针对标准Ｂ 神经网络收敛速度较 慢的问题 ，本文对所建立 的Ｂ 网络的学 习算法进行了改进 ，采用Ｌ Ｐ Ｐ Ｍ最
基于小波神经网络的车辆发动机故障诊断
摘
要 ： 为有 效诊 断车辆发动机的柴油系统故障 ，本文将小 波变换与Ｂ 神经网络相结合 ， Ｐ 用小 波变换 来抽取故 障的特征 向量 ，以此作为Ｂ 神经 网络 的输入参 数 ，从而构建 了小波神经 网络 。该方 Ｐ
法依 据小波变换模极 大值 来研究油 管中柴油压力信号 的奇异性来抽取故 障特征向量 ， 先利 首 用故 障采 集数据来获得学习样本 ，然后根据 网络训ｌ 来构建起Ｂ 神经网络输 出与输人 间的非 练 Ｐ 线性映射 ，从 而依据特征向量输入进Ｂ 神经 网络进 行诊 断故障。通过实验我们发现 该方 法有 Ｐ 较好的的诊断效果 。 关键词 ： 小波分析 ；故障诊断 ；Ｂ 神经网络 Ｐ
２ 小波分析提取故障信号的特征 向量
小 波 分 析 是 当今 发 展 最 为 迅 猛 的 学 科 之 一 ， 它被 比喻为 “ 学显微镜 ” 数 。在 数 学 中 ，我 们 将
的和 不确 定 的 ’。人 工 神 经 网络 （ ＮＮ ） 以进 Ａ ｓ可
行 分 布 式 存 储 、并 行 处 理 、 自适 应 、 自组 织 和 自
的 奇异 可分 成 两种 ：一 种 是信 号 ．（ 厂 在 某个 时 刻 ， 它 的 幅 度 发 生突 变 ，从 而 导 致 信 号 的 不连 续 ，其 幅 度 的 突变 点就 是 第 一 种 间 断 点 ；另一 种 是 信 号
厂 ｆ在其 外观 上看 起来很 光 滑 ，它的 幅也 没有 突变 （ ）
故障 （８。 Ｔ ）
燃 油 系统 运 行 状 态 和 故 障 信 息 可 以通 过 燃 油 的 压 力 信 号 表 现 出来 ， 当燃 油 系 统 发 生 故 障 时 ，
系统 的供 油 状 态 将 会 随之 变 化 ，从 而 引 起 燃 油 的
基于PNN的发动机PT燃油系统故障诊断
Ｆａ ｕｌ ｔ Ｄｉ ａ ｇ ｎｏｓ ｉ ｓ ｏ ｆ ＰＴ Ｆｕｅ ｌ Ｓ ｙｓ ｔ ｅ ｍ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｐｒ ｏ ｂａ ｂｉ ｌ ｉ ｓ ｔ ｉ ｃ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗ ｏｒ ｋ
邓士杰 ， 崔 翔 ， 王 东，
ＤＥ ＮＧ Ｓ ｈ ｉ 一 ＿ ｉ ｉ ｅ ， ＣＵ Ｉ Ｘ ｉ ａ ｎ ｇ ， Ｗ ＡＮＧ Ｄ ｏ ｎ ｇ 。
Ｎｅｔ ｗ ｏｒ ｋ
【 关键 词 】 概率 神 经 网络 ； 燃油 系 统 ； 故 障诊 断 ； 模 式 识 别 【 Ｋ ｅ ｙ ｗｏ ｒ ｄ ｓ】 Ｐ ｒ ｏ ｂ ａ ｂ ｉ ｌ ｉ ｓ ｔ ｉ ｃ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗｏ ｒ ｋ ； ｆ ｕ ｅ ｌ ｓ ｙ ｓ ｔ ｅ ｍ； ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ； ｐ ａ ｔ ｔ ｅ ｒ ｎ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ
【 摘
要】 针对 传 统故 障诊 断 方 法 的局 限 性 ， 提 出了基 于 Ｐ Ｎ Ｎ的故 障诊 断 方法 ， 并 以发 动机 的Ｐｒ 燃 油 系 统 为例 ， 进行
复合神经网络在柴油机故障诊断中的应用
基 于 神 经 网 络 的故 障诊 断 分 三 步 实 现 ． 第 一 过学 习 可 以提 取 一 组 数 据 中的 重 要 特 征 或某 种 内 步， 通 过试 验获 得 给定工 况 在设 定 故 障 和无 故 障 状 在规 律 ， 按离 散 时 间方 式 进 行 分 类 ． 竞 争 学 习规 则 态下 的 过 程 参 数 ， 经 预 处 理 提 取 故 障 征 兆 集 数 的生 理 学基础 是 神经 细胞 的侧 抑 制 现象 ： 当一 个 神 据口 Ｊ ， 归 一化 为 网络输 入模 式 ； 第二 步 ， 建 立 神 经 网 经细 胞兴 奋后 ， 会 对其 周 围 的神经 细 胞产 生 抑 制作 ５ ］ ． 最 强 的抑 制 作 用 是 竞 争 获 胜 的“ 唯我独兴” ， 络 系统 ， 用 已知 故 障 征 兆一 故 障模 式 的样 本 集 训 练 用 ｌ
第 １ ２卷第 １ 期
２ ０ １ ４年 ２月
中
国
工
程
机
械
学
报
Ｖｏ １ ． １ ２ Ｎｏ． １
Ｃ ＨＩ Ｎ Ｅ Ｓ Ｅ Ｊ Ｏ Ｕ Ｒ Ｎ Ａ１ Ｏ Ｆ Ｃ Ｏ Ｎ Ｓ Ｔ Ｒ Ｕ Ｃ Ｔ Ｉ Ｏ Ｎ ＭＡＣ ＨＩ Ｎ Ｅ Ｒ Ｙ
Ｆ ｅ ｂ ． ２ ０１ ４
复 合 神 经 网络在 柴 油 机 故 障诊 断 中 的应 用
基于神经网络的柴油机故障诊断研究
图
所 示 的为 三 层
网 络 诊断模 型
。
将故 障
, ,
基于 灰色系 统理论 的故 障诊 断方法
基 于 神经 网络 的故 障诊 断 法 基 于 专家系 统的智 能 化诊 断 方法 基于 支 持向
三 基于
,
、
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 用 型 函数 设第
。 。
气管 道 等组成 完成换气
图
,
为直接逆建
,
状态 直 接影 响着 柴油 机的 工 作 性 能 重要 结构 《 《
其中 喷 油 泵 喷油 器 及 高 压 油管 是 其
,
从 原理 上说 这 是 一 种 最 简
, ,
调 控 系 统 以调 速器 为核心 实现对柴 油机供 油最 的调 节
,
单的方法
型
。
。
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
讨是 第
。
层 的第 个神
个神经 元 的 总输 入
, 、
每个 神 经 元 的非线 性
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 网 络 作为函 数通 近 器 对机组 工 况 的某参数进行拟合预 测 二 是 考
。 , , , , 。
,
作
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 工 作
二 柴油机故障诊断 的方 法
,
不 正确 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
燃油系统模糊神经网络故障诊断专家系统研究
…
，
ｎ 的具体变化趋势和其极 限值 ， ） 应用模糊理论… ， 确
定 隶 属 函数 为哥西分 布 函数 ， 述 描 的语 义 值 的模
很好的效果 。
关键词 ： 神经 网络 ； 模糊量化 ； 专家系统 中图分类号 ： Ｋ ０ Ｔ ４８ 文献标识码 ： Ａ 文章编号 ：００ ａ ４ ２￣ ） —１２ １０ 一ｔ ９ （０ ０ １ ５—０ ３ ０ ３
Ｆ ｕ ｔＤｉｇ ｏ ｉ ｐ ｒ ｙ ｔ ｍ ｏ ｅ ｅ ｕ ｌＳ ｓｅ ａ ｌ ａ ｎ ｓ Ｅｘ ｅ ｔＳ ｓｅ ｆ ｒＤ ｓ ｌＦ ｅ ｙ ｔｍ ｓ ｉ
Ｂａ ｅ ｐ ｎ Ｆｕ ｚ ｓ ｄ ｎ－ Ｋｕ ＯＵ ＹＡＮＧ ａ ｇ—ｙ ｏ Ｇｕ ｎ ａ
（ ｏ ｅ Ｅ ｇ ｏ ｅｅＮ ｖｌ ｎ ． ｆ ｎｉｅｒ ｇ Ｗｕ ａ ３０ ３ Ｃ ｉ ） Ｐ ｗ ｒ ｎ ．Ｃ ｌｇ 。 ａａ Ｕ ｉ ｏ ｇ ｅｉ 。 ｈｎ４０ ３ 。 ｈｎ ｌ ｖ Ｅ ｎ ｎ ａ
结合 ， 建立 隶属 函数 和 Ａ Ｎ Ａｔ ｃ ｅｒ ｅ ｏ ， Ｎ （ ｒｆｉ Ｎ ｕａ Ｎｔ ｒ ｉ ａ ｉｌ ｌ ｗ ｋ
得 了很好的预期效果 ， 目前该系统 已成为产品应用
于工程 实 际 中 ， 反馈 良好 。
ｌ 模糊知识表 示
设 由系统测试信号构成的征兆域向量 Ｋ＝［ ． Ｋ， ］考虑征兆域 向量中分量 （ ＝１２ …， ， ｑ ，，
摘要 ： 专家 系统前景广 阔 ， 前人在该领域 的理论 和实践方 面已做 了大量 的工 作 ， 传统 的 专家 系统存 在许 多缺陷 ， 但 因此欲使其得到进一步发展就必须 引入其 它先进技 术。为解决传统 专家 系统 知识 获取 和经验 性知识 的不 确定性 等“ 瓶颈 ” 问题 ， 出将模糊 神经网络技术引入到专家系统 中。 提 介绍 了基 于模 糊神经网络 的专 家系统构 成的 原理 、 方 法 、 和实现技 术。将基 于模糊 多层感知器构成的专家 系统 应用于柴 油机燃 油系统 故 障的 分类 诊 断中 ， 结构 收到 了
粗糙集与神经网络在发动机故障诊断中的融合应用
故障诊断 问题实际上是一个模式识别的问题．
电喷 发动 机是 一个 复 杂 的 动态 系统 ， 以表 达其 运 用
信息表的列表示属性 ， 行表示对象 ， 如事件或实例 ．
１２ 不 可分 辨关 系与 近 似
＝
提出的一种新 的处理模糊和不确定知识 的数学工
具， 其主要思想就是在保持分类能力不变的前提下 ，
通过知识约简 ， 出问题的决策或分类规则 ． 导 目前 ， 该理论已成 功应用 于机器学习 、 策分析、 程控 决 过 制、 模式识别与数据挖掘等领域 ． １１ 信息表 达 ．
信息的表达在智能数据处理 中占有 十分重要的 地位 ． 信息表达系统的基本成分是研究对象的集合 ，
文献标识码 ： Ｂ 文章编号 ：０ １ １Ｘ【０６ Ｏ－１ ０ １０． ６ ２Ｉ ）６０３ ５ ７ Ｄ 中图分类号 ：Ｋ １ Ｔ４８
１ 粗糙集理论简介
粗糙 集理 论是 波 兰数 学 家 Ｚ ｐａｌ ．ｌ ａ ｗ ｋ于 １８ ９２年
定义 ２对于信息系统 Ｓ＝（ ， ）若 Ｐ［ Ａ， ： ＵＡ ， 且 Ｐ ≠ ≠ 则 Ｐ中全 部等价 关 系的交 集称 为 Ｐ上 的 ，
维普资讯
第 ６期
傅晓林 ， ： 等 粗糙集与神 经网络在发动机故障诊断中的融合应用
１１ ３
数字量有 ： 转速 ， 喷油脉宽 ． 故障类 别为 ： 正常 ； １ ～ ２ 水温高 ； 空气流量计损坏 ；＿ 喷油器故障 ； － ３ 一 ４
５ 点火故障． 一 信息表如表 １ 所示 ．
维普资讯
第２ 卷 ５
第６ 期
关于柴油机故障诊断的总结
关于柴油机故障诊断的总结关于柴油机故障诊断的阐发关于柴油机故障诊断的总结柴油发动机应用广泛，处在所属产业链的相对核心的位置。
其高速运行运行状态的好坏直接关系到成套设备的工作状态。
因此，对柴油机运行状态进行监测和故障诊断，确保其处于安全、可靠、高效率的组织工作状态，对提高整套设备的劳动效率，提高产品质量，降低生产成本和能耗具有历史性的意义。
柴油机故障诊断和其它类型的机械一样，首先作出必须对故障机理进行研究，以故障信号的检测技术及信号处理技术为基本，以故障信号处理和特征提取理论为基本理论，以基于信号处理和特征提取方法故障类型识别方法为基本的。
近年来，随着科学技术的健康发展，柴油机故障诊断技术也经历着从最初的事后维修到定时检测，再到现代故障诊断技术的视情维修。
传统的诊断方法虽然简单易行，但是由于其信息量小，精确度不高，成本较高且容易发生误判，故难以满足现代的需求。
20世纪80年代，邓聚龙教授提出了灰色系统理论，为研究少数据、贫信息不确定性问题提供了新方法，不足之处很好地解决了传统性方法的不足之处。
进入90年代后，随着人工智能技术的发展，柴油机故障诊断技术进入了智能化的阶段。
检测项目增强，软件功能增强，诊断的准确性大为提高。
基于专家系统和可视化的智能化诊断方法为柴油机故障诊断技术监视系统的发展提供了新的方向。
一、传统的故障诊断技术传统的柴油机故障诊断技术主要包括热力参数分析法、声振监测、磨粒监测分析法。
热力参数分析法中又可以分为通过测定柴油机工作过程的示功图对柴油机工作过程做综合性的监测的第十四条示功图法和利用瞬时转速波动信号对柴油机进行监测和故障诊断的方式。
1、热力参数分析法热力参数分析法是利用柴油机工作时热力参数的变化来判断其工作状态的。
这些参数包括气缸压力示功图、排气温度、转速、滑油温度、冷却水进出口温度及排放等。
由于这些参数能够很好的非常积极水解柴油机的工作情况以及故障特征，具有关联性强、直观且便于分析等缺点，因此此种方法得到了广泛的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ 该规则 中表 达式刀 的具体表达 式为某 隐含 层神 经元 的输 出为１ ，结论 的具体 形式为诊断对象 具有 故障原 因 ）。 （ 对 于每一 个从第２表 中提 取的隐含层神 ４） 经元 ，仿照（）进行操 作形成 规则： ３
２基于神 经 网络 的故障诊 断 人工 神经 网络处 理信 息不需要 建立故 障模 式 的数学模型 ， 不用数学方法精 密的计算 ， 而是通过
具有 自动提取 故障特征能力学习 的网络 ， 其信息 使
图 １ 单 层 网 络 的 Ｂ 算 法 Ｐ
单 层 网络Ｂ 算 法 如 图 １ 示 。设 共 有Ｐ 模式 Ｐ 所 个
一 ： 一 ） 圭 （ 一 ’
表 中，计算 ｃ ＝
，比较 ｃ Ｃ ，若 Ｃ＞Ｃ 成立 ， 与 ０ ０
则表 中清除的所有元素转（） ３，否则返 回（） ２ 再执行 。 （ ）形成规则 １ ３ 。规则 １ 的表示 形式是：
Ｉ Ｆ表 达式１ Ｎ 表达 式２ Ｎ …Ａ Ｄ 表达 式 Ａ Ｄ Ａ Ｄ Ｎ 刀Ｔ Ｅ 结论 。 Ｈ Ｎ
为 ｌ｜ 。定义误 差信号 项为 ６ ‘ 厂 ） （ 一一
有： ＝ ＝
，则
、 ，故 △ ’ ， ＝ １ 。 １ ６
可以证明，只要转移函数 ．（ 是连续的，就有 ， 厂． ）
６
一
． ．
专 （ 一 （ ， ， Ｙ ） 本例取转移函数为单 ，
层 次的神经元之 间没有连接 。 其基本思想 是 ： 习 学 过 程 由信 号 的正 向传 播与误 差 的逆 向传播 两个过
．
ｑ ｔ一 ’Ｌ （ ， （ ， ／ ） ， ）
（ 一 （一Ｙ ） ， Ｊ ） 』１ ｊ一 ，
式 中，——为 学习率 。 ７
３ 网络 Ｂ 算法 的拓 扑结构 如 图２ 示 ，依单 层 Ｐ 所 层Ｂ 算法 可直 接写 出Ａ ｊ： Ｐ Ｗｋ ， 中 Ｚ 为 隐层 其
和学 习 ， 用分布在神经 网络 中的连接权值来 表达所
出层第 ．个单 元 净输 入 为 ， ＝∑ Ｈｊ． ￣￣，其 输 出 －
学 习的故 障诊 断知识 ， 有对 故障联想记忆 、 具 模式 批匹配 和相 似归纳等能力 ， 以实 现故 障与征兆之 可
间的复 杂 的非线 性映射关 系 。 Ｂ 网络 由三 神经元层 次组成 ，即输入 层 、隐 Ｐ 含层 和输 出层 ， 各层次之间形成全互联连接 ， 同一
维普资讯
《 Ｉ 术 》２ ０ 机 披 ０ ６年 第 ３期
（ １ ÷ 即隐层转移函数的偏微分Ｓｇ法 ． ： Ｐ（ 从上表 中取 出排在最前 面的隐层神经元 ２） 七 并将这个神经元 从该表 中删除 ， 其放于第２个 ， 将
积 误 累 差为： 一 ，
的并行处理 、 分布式存储 、 信息 的处 理与存储 合二 对 ， 当第ｐ 个模式作用 时 ， 出层 的误差逐渐减少 到 输 为一 ， 避免 了复杂 的数学 推导 ， 在样本 缺损 和参数 可 接受 的程度 为止 。 漂移 的情况下 ， 仍能保证稳定 的输 出。目前 ， 神经 网络 的模型 已达数百种 。Ｂ 神经 网络 由于具 有大 Ｐ 规模并行性 、 冗余性 、容错性 、 本质 的非线性及 自
文献标识码 ：Ａ
１前言 燃 油系统是发动 机的一个重要组成部分 ， 其工
作状 态直接影 响到发 动机 的性 能 ，在燃烧过程 中 ，
逆 向传播 的各层 权矩 阵修改 过程 是周 而复始地 进 行着 ， 直到网络输 出的误 差逐渐减少 到可接受 的程
度为 止 。
发动机 气缸 内气体 的喷油压 力 、 喷油 时间等 ， 发 对
动机 的功率等工作性 能起着 决定性 的作用 。因此 ， 对 燃油 系统进 行检 测与故 障诊断对 保持 柴油机 良
好 工作性能有 重要 意义 。 本文 旨在通过对燃 油系统
２１学 习算法 ．
常见故障进行分 析处 理 ， 提取有效 特征向量 ， 用 应 基 于神经 网络 的专家系统 ，进 行在线故 障诊 断。
网络 结构 。经实验 验证表 明 ：该燃 油故障诊 断 系统 具有 较高 的准确性 ，并且 易于 操作 和使用 。 关键 词 ：发 动机 故 障诊断 神 经 网络
文章编 号： １ ７ — ４ ０ （ ０ ６ Ｏ — Ｏ Ｏ ６２ ８ １ ２０ ） ３ ２— ３
中图分类 号：Ｔ ４ Ｋ２
组织 、自学 习、自适应能力而被广泛应用 于机械故
Ｅ ＝ ∑ （ Ｙ， ， 一 ， ）
二 １
式中 卜 期望输 出 ｙ＿ ＿ ＿ 网络输出‘（ ‘（ 厂． 厂． ） ）
图中 一 调整权值 一 网络输 入量 ＝ ， 输 调整权值 原则应使耳 变小 ， Ｐ ａ
障诊断领域 。 它通过对故 障实例及诊 断经 验的训练
程组成 。 向传播 时 ， 正 模式作 用于输入层经隐含层 处 理后传 至输 出层 。若 输 出层未能 得到期 望 的输 出， 则转入误 差的逆 向传播 阶段 ， 将输 出误差按某 种形式通 过隐含层 向输入层逐层返 回 ， 并分配给各
极性函数， ）＿Ｉ （ 一
这样单层 Ｂ 算 法最终 形式为 ： Ｐ
维普资讯
汁算 机 技 术 用
神经网络在发动机燃油系统故障诊断中的研究
朱 惠莲
ｆ 建漳 州职业 技术学 院 福 漳州 ３ ３ｏ ） ６ ０ ｏ
摘
要 ：文 中提 出了一 种基于人工神 经网络 的发 动机故障诊断方法 ，建立 了发 动机燃油 系统故 障诊断系统 的Ｂ Ｐ
层 的所 有单 元 ， 而各层单元获得误差信 号 ， 从 以作 为修改 各单元 权值 的依据 。权值不 断修改的过程 ， 也就是 网络 的学习过程 。 这种 信号正 向传播与误差
神经 元ｋ的输 出。 于隐层 ， 对 可推导 出最佳 调整量 ， Ａ ＝１ ）， 、 式 中 ６ ＝，一 ｌ ＇ （ ∑６… ＋ Ｌ Ｗｔ 、 （ ， ｌＹ） — ｊ。