基于BP神经网络与时间序列分析的柴油机故障诊断
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
基于神经网络的柴油机故障诊断
基于神经网络的柴油机故障诊断作者：杨志董振良万金波来源：《中国新技术新产品》2011年第24期摘要：传统的柴油机故障诊断与处理方法主要都是以定期保养和事后维修为主，缺乏针对事故的预见能力，且效率比较低，成本较高。
这就为人工智能技术在柴油机故障诊断上的应用开辟了广阔的空间。
本文主要以非线性并行分布处理为主的神经网络为研究理论，通过对建立的BP网络模型，RBF网络模型和Elman网络模型进行了比较，发现这三种网络虽然各有特点和优势，但均适用于特定条件下的故障诊断要求。
关键词：涡轮增压系统；故障诊断；BP神经网络；RBF神经网络；Elman神经网络中图分类号：U472 文献标识码：A在现代生产过程中，柴油机作为常见的机械设备之一，广泛应用于动力发电、工程机械等各种领域，其动力性和可靠性的好坏直接影响着整个系统的工作状况。
因此，对柴油机进行故障诊断和状态监测，及时发现并排除故障，对增加柴油机工作状态下的安全性与可靠性，减少经济损失，避免事故发生具有重大的意义。
传统的柴油机故障诊断与处理方法包括润滑油法、振动噪声法等，但都是以定期保养和事后维修为主，这些方法缺乏事故预见能力、成本高、效率低[1]。
随着计算机技术、信号分析处理技术、人工智能的迅猛发展，柴油机故障诊断技术的水平也在不断地提高。
以非线性并行分布处理为主的神经网络为柴油机故障诊断技术的研究开辟了新的途径[2]。
经过对柴油机的故障资料进行分析，柴油机的涡轮增压系统发生的故障较多，本文只研究柴油机涡轮增压系统故障的诊断，利用MATLAB神经网络工具箱，分别基于BP、RBF和Elman网络进行柴油机的故障诊断，并对三种网络方法诊断结果的可靠性和适用性进行比较和分析。
1 涡轮增压系统的故障分析根据对柴油机工作过程的分析和实际运行经验，可以确定涡轮增压系统的出现的工作故障的原因和部位主要有：增压器效率下降、空冷器传热恶化、透平保护格栅阻塞、透平通流部分、空气滤清器阻塞、空冷器空气测流阻塞增大和废热锅炉流阻增大。
基于BP神经网络的柴油发动机故障诊断
作 者 简 介 ： 松 华 （ ９０一 ． ， 南 新 化 人 ， 南 工 学 院 电气 与 信 息 工 程 系 讲 师 ， 张 １ ８ ）女 湖 湖 主要 从 事 通 信 ， 子信 息 ， ａ Ｖ Ｅ 电 Ｌ ｂ Ｉ Ｗ
虚 拟 平 台 建 设 ， 经 网络 应 用 等 研 究 ． 神
７ ０
一
厂（ 叫 ・ ， ｌ） ｉ ，， ； ｌ∑ １ Ｐ ＋ｂｉ 一１２…
Ｊ＝１
ｊ１
一
ｆ（ ２∑ 撕． ＋ｂ ） ｉ ，， 一１２…， ２
ｌ １ 一 ’
（） １
其中： ｗ 为第 Ｊ个输入 层 神经元 到第 ｉ 隐层神 经元 的权值 ； 个
为第 ｉ 隐层神 经元 到第 是个 输 出层神 个
… ；１ 志 ＝ １ ２， ， ； Ｓ； ， … Ｓ Ｊ＝ １ ２ … ， ． ２ ， ， ｒ
图 １ 单 隐层 Ｂ Ｐ神 经 网络 结 构
神经 网络 的学 习过程 由信 息 的正 向传 递 、 差计 算和误 差 的反 向传 播 过程组 成 ， 以单 隐层 网络 为例 误 现 介绍 Ｂ Ｐ网络 的学 习过程 ． （ ）信息 正 向传递 过程． １ 网络 的输入 向量 为 （ ， “， ， ， 隐层 和输 出层输 入分别 为 ： Ｐ Ｐ ）则
错 性 和 自学 习能 力 ， 常适合 于机 器或 工程 系统 的故 障诊 断． 者 采用 单 隐层 的 Ｂ 非 笔 Ｐ神经 网 络对 提 取 的故 障样本 先进行 网络的训 练 学 习 ， 将 训 练 后 的 网络 应 用 于某 型 号 柴 油发 动 机 的故 障诊 断 ］通 过 ＭＡ 再 ， Ｔ—
中图 分 类 号 ： ＴＫ４ １ ８ ２ ． 文献 标 志码 ： Ａ
柴 油发动 机是 一种重 要 的动力 来源 ， 一旦 产 生故 障 就可 能 发 生严 重 的后 果 ， 因此 ， 如何 准 确而 又快 速 的分析 发生故 障 的原 因 ， 并进 行故 障类 型 的有 效 判断 ， 有 重要 的现 实意 义 ． 统 的故 障诊 断 方 法有 很 多 具 传 种， 如润 滑油 法 、 能参 数法 和振动 噪声 法等 Ｉ ． 性 １ 人工 神 经 网络 以大 规模并 行处 理 为特 色 ， 有非 常 强 的容 ］ 具
基于神经网络的柴油机故障诊断研究
基于神经网络的柴油机故障诊断研究[摘要]本文给出了神经网络模型在预测过程中的学习算法和改进的神经网络的训练算法，并用于柴油发动机运行中的故障预测，经过多种柴油机的试验证明试验结果满意，对故障的实时检测有重要意义，具有良好的应用前景。
[关键词]神经网络柴油发动机故障诊断一、柴油机的主要结构柴油机的结构非常复杂，而且不同用途的柴油机结构也不尽相同，下面以机车柴油机为例，简单介绍其主要结构：（1）固定件：包括机体、气缸盖、气缸套等，它是柴油机的骨架和所有零部件的安装基础；（2）运动件：包括活塞、连杆、曲轴等，是实现能量转换的重要部件；（3）配气机构：主要由凸轮轴、气门等组成，它控制着进、排气管道的开启和关闭；（4）进、排气系统：主要由增压器、中冷器、滤清器及进、排气管道等组成，完成换气；（5）燃油系统：是柴油机的重要组成部分，其工作状态直接影响着柴油机的工作性能。
其中喷油泵、喷油器及高压油管是其重要结构；（6）调控系统：以调速器为核心，实现对柴油机供油量的调节；（7）机油系统：为运动摩擦表面提供充足的润滑油，保证柴油机的正常工作；（8）冷却系统：适时地降低零部件的温度，保证柴油机的正常工作；（9）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故障诊断技术，是指在发动机不解体或局部解体的情况下确定其技术状况，查明其故障部位及原因的检查方法。
该技术是运用现代测试设备和计算机技术来确定发动机的技术状况和故障的科学分析方法，是在传统的人工检验的基础上随着社会的进步和科学技术的提高而逐步发展起来的。
下面介绍几种典型的对柴油机进行故障诊断的方法。
1.振动分析法2.应用铁谱和光谱技术监测柴油机磨损状况3.热力参数分析法4.油液分析法5.基于灰色系统理论的故障诊断方法6.基于神经网络的故障诊断法7.基于专家系统的智能化诊断方法8.基于支持向量机的柴油机故障诊断方法9.基于模式识别对柴油机故障进行诊断三、基于BP神经网络的柴油机故障诊断的深入研究1.人工神经网络概述人工神经网络（ANN）是一类非常有效的预测技术。
基于改进的BP神经网络的柴油发动机故障诊断
基于改进的BP神经网络的柴油发动机故障诊断巴寅亮;王书提;谢鑫【摘要】Diesel engine with high pressure common rail fuel injection technology, improves the com-prehensive performance of diesel engine, but the high pressure common rail diesel engine electronic con-trolled system is more complex, increasing the difficulty of diesel engine fault diagnosis. This paper intro-duce the BP neural network and LM algorithm, and carry on the research on fault diagnosis of engine e-lectronic controlled system based on improved BP neural network. Taking the Great Wall Harvard GW 2. 8TC engine as the experimental object, keeping the engine at idle speed condition, setting up some fault assumption for the engine, collecting the failure data flow of the engine by kinder KT600 fault diag-nosis instrument, using improved BP neural network to establish diagnosis model. The diagnosis results show that the convergence rate of improved BP neural network is quickly, it is effective to diagnose elec-tronic controlled system fault of diesel engine by improved BP neural network.%柴油发动机采用高压共轨燃油喷射技术，提高了柴油机的综合性能，但高压共轨柴油机电控系统比较复杂，增大了柴油机故障诊断的难度。
基于BP网络对柴油发动机的故障诊断
题目：基于BP网络对柴油发动机的故障诊断学院：机电工程学院专业班级：2010级研（3）班专业：机械工程指导教师：王益轩教授学生姓名：赵军学号：2010096基于BP网络对柴油发动机的故障诊断随着 20 世纪科技的进步，柴油发动机的工作性能大幅度提高，而且对可靠性和可维护性的要求更高，更全面。
在重、大型工程运载车辆、船舶动力，城市公共交通，长途运输车辆，挖掘机械，农用拖拉机，农用汽车中大量应用，各种柴油发动机领域，可维护性。
对于保证运输安全，提高经济具有特殊的重要。
现代的维修思想已从早期的定期维护过渡到主动的视情维护策略，而促使这一转变的基础是发动机普遍采用了单元体结构化设计和发动机健康监视和故障诊断系统(EMS)的应用。
目前EMS已经成为船舶安全控制系统中的不可缺少的组成部分，广泛应用于船舶公司的维护工作中。
EMS对提高发动机可靠性，保证航行安全，延长发动机寿命，降低维修成本等方面具有重要作用。
故障诊断技术是EMS 系统的核心内容。
故障诊断的目的在于根据系统测量的特征来判断系统的健康状态，并识别故障的可能类型。
故障诊断技术的关键在于找到特征空间与状态空间向量之间的映射关系。
在航海公司发动机故障诊断技术中，气路参数分析技术具有重要地位。
目前大多数航海公司的发动机状态监视系统都采用了气路参数趋势分析方法。
根据巡航状态所记录的配气机构、曲柄连杆机构、燃油供给系统等气动参数随时间的变化趋势，结合发动机厂家提供的故障纸印图和发动机工作原理，由专业人员分析可能发生的故障。
该方法简便，实用，但人员素质要求高，故故障诊断精度较低，而且只能定性诊断。
近年来，随着人工智能理论，特别是人工神经网络模式识别技术的发展，为解决传统的发动机气路分析法的线性化问题，多解问题，提高EMS 的故障诊断能力和适应性，提供了前景光明的新途径。
人工神经网络(Artificial Network ANN) 简称为神经网络（NN），是由大量的神经处理单元广泛的相互联结而形成的复杂网络，它是人脑神经的简化，抽象和模拟。
基于BP神经网络的故障诊断方法
基于BP神经网络的故障诊断方法《智能控制基础》研究生课程设计报告题目基于BP神经网络的故障诊断方法学院机械与汽车工程学院专业班级车辆工程学号************学生姓名李跃轩指导教师武晓莉完成日期2016年12月10日目录1 设计概述 (2)1.1研究对象介绍 (2)1.2设计内容及目标 (2)2 设计原理、方法及步骤 (3)2.1基于BP算法的神经网络模型 (3)2.2 神经网络信息融合故障诊断步骤 (4)3 结果及分析 (6)3.1数据仿真 (6)3.2 结果分析 (9)4 设计小结 (10)参考文献 (10)附录程序 (11)1 设计概述1.1研究对象介绍信息融合是多源信息综合处理的一项新技术，是将来自某一目标(或状态)的多源信息加以智能化合成，产生比单一信息源更精确、更完全的估计和判决。
信息融合所处理的多传感器信息具有更为复杂的形式，可以在不同的信息层次上出现。
多传感器信息融合的优点突出地表现在信息的冗余性、容错性、互补性、实时性和低成本性。
神经网络是由大量互联的处理单元连接而成，它是基于现代神经生物学以及认知科学在信息处理领域应用的研究成果。
它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，从而可以替代复杂耗时的传统算法，使信号处理过程更接近人类思维活动。
柴油机故障具有相似性，故障与征兆的关系不明确，具有较强的模糊性，故障特征相互交织，柴油机故障诊断是一个复杂的问题。
综合柴油机故障的特点以及神经网络的优势，采用基于BP神经网络的多传感器信息融合技术对柴油机机械故障进行诊断。
1.2设计内容及目标设计内容：针对传统故障诊断方法存在的诊断准确性不高的问题，提出了BP神经网络信息融合的方法，实现对柴油机的机械故障诊断。
由多个传感器采集信号，分别经过快速傅里叶变换后获得故障频域特征值，再经BP神经网络对柴油机进行故障局部诊断，能够对相应传感器的不同故障类型做出一个准确地分类，最终完成对汽轮机机械故障的准确诊断。
基于遗传算法的BP神经网络在柴油机故障诊断中的应用
Science &Technology Vision科技视界柴油机缸盖振动信号中包含着丰富的工作状态信息,在对其现代诊断技术中,基于振动信号分析的诊断方法显示出了其优越性,利用缸盖振动信号诊断柴油机故障是一种有效方法。
故障特征的提取和故障类型的识别是利用振动信号分析法在对柴油机进行故障诊断过程中两个最为重要的过程。
根据提取的故障特征识别柴油机的故障类型是一个典型的模式识别问题,对柴油机故障类型识别采用恰当的模式识别方法就尤为重要。
神经网络作为一种自适应的模式识别技术,其通过自身的学习机制自动形成所要求的决策区域,而不需要预先给出有关模式的经验知识和判断函数;它可以充分利用状态信息,对来自于不同状态的信息逐一进行训练而获得某种映射关系。
鉴于其自身特性,在故障模式识别领域中有着越来越广泛的应用。
而据统计,有80%~90%的神经网络模型都是采用了BP 网络或者是它的变形。
BP 网络是前向网络的核心部分,是神经网络中最精华、最完美的部分。
但是它也存在一些缺陷,例如学习收敛速度、不能保证收敛到全局最小点、网络结构不易确定。
遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法。
其基本操作是选择、交叉和变异,核心内容是参数编码、初始群体的设定、适应度函数的设计、遗传操作设计和控制参数的设定。
遗传算法通过种群随机搜索,对数据进行并行处理,将结果收敛到全局最优解。
因此,将遗传算法与BP 神经网络结合应用于柴油机故障诊断中,可以提高网络的性能,避免网络陷入局部极小解,进而实现对设备故障的识别。
1BP 神经网络1.1BP 神经元模型在柴油机故障诊断中的应用BP 神经网络是一种多层前馈型神经网络,其神经元的传递是S 型函数,输出量为0至1之间的连续量,它可以实现从输入到输出的任意非线性映射。
由于权值的调整采用反向传播学习算法,因此也称为其为BP 网络。
图1BP 神经元模型上图给出一个基本的BP 神经元模型,它具有R 个输入,每个输入都通过一个适当的权值和ω下一层相连,网络输入可表示为:a=f (wp+b )f 就是表示输入/输出关系的传递函数。
基于神经网络的柴油机燃油系统故障诊断
人 工神 经 网络 ， 也称 神经 网络 ， 是模 拟 生物 神经 网 络进 行信 息 处理 的 一 种数 学 模 型 ， 其 优 势 是 能 处 理 残 缺信 息 和庞 大 数 据［ ２ ］ 。因此 ， 神 经 网络 常 常 作 为 一 种 故 障诊 断 的工具 应用 于工 程 实践 中 。 神 经 网络 的模 型具 有 数 百 种 之 多 ， 但 使 用 最 广 泛 的还是 Ｂ Ｐ神 经 网络 ， 又称反 向传 播 神经 网络 ， 它 是 一 种 具有模 式 识别 和 分 类 能力 的多 层 前 馈 型 神 经 网络 。 Ｂ Ｐ网络 基本 的学 习 过 程包 括信 息 的正 向传 播 与 误 差 的反 向传 播 两部 分 ， 通 过各 神 经 元 权 值 和 偏 差 的不 断 修正 ， 形 成 合理 的拓 扑结 构 ， 实现 网络 实际输 出与期 望
基 于 神 经 网络 的柴 油机 燃 油 系统 故 障诊 断
佟 刚 ，郝 旭
（ 沈 阳 航 空 航 天 大 学 辽 宁 省通 用航 空 重 点 实 验 室 ，辽 宁 沈阳 １ １ ０ １ ３ ６ ）
摘 要 ：柴 油 机 燃 油 系统 是 汽 车 柴 油机 的 重 要 组 成 部 分 ，其 工作 状 态 的 好 坏 将 直 接 影 响 汽 车柴 油机 运 行 的 安 全
行的。 １ Ｂ Ｐ神 经 网络及 其 改进 型
Ｂ Ｐ算法 改进而来 的 Ｌ Ｍ（ Ｌ ｅ ｖ ｅ ｎ ｂ ｅ ｒ ｇ － Ｍａ ｒ ｑ ｕ ａ ｒ ｄ ｔ ） 算法 。 Ｌ Ｍ 算 法是 为 了训 练 中等规 模 的前 馈神 经 网络而 提 出 的最快 速算 法 ， 它 的修 正 公式如 下 ：
基于改进BP神经网络的柴油机故障诊断研究
柴油发动机是结构复杂、运动部件多、多种干扰激励源的系统。
输入与输出变量之间、故障与征兆之间关系不明显，具有不确定性，同时恶劣的工作环境容易导致信号失真等等，这些都大大增加了对柴油发动机进行故障诊断难度。
神经网络具有输入输出非线性映射和并行处理等特点，特别是其高度的自组织和自学习能力，使其成为故障诊断的一种有效方法和手段［1］。
BP （BackPropagation ）神经网络是各个领域中应用最广泛的一类网络，但也有不足之处。
例如，在网络训练中要求有足够的样本量，网络也易形成局部极小而得不到全局最优；训练次数多使得学习效率低，收敛速度慢；当故障模式较多时，网络结构较为复杂，尤其是遇到复合故障时，分辨效果很差。
本文采用了一种经过改进的BP 算法对神经网络进行训练，可以有效地改善其性能。
同时，根据柴油机燃油系故障与燃油压力波形的特点，将改进后的BP 神经网络运用于柴油机燃油系故障诊断。
经过实验得知，预测故障效果较好。
1BP 神经网络BP 神经网络，也就是采用BP 算法的多层感知器神经网络［2］。
而感知器是一种前馈型网络结构，具有非线性映射、泛化和容错能力。
BP 神经网络包括输入层、隐层和输出层。
理论分析证明，单隐层感知器可以映射所有连续函数，且映射所有非连续函数最多只需两个隐层而已。
单隐层BP 神经网络模型如图1所示。
BP 算法的学习过程，由信号的正向传播与误差的反向传播两个过程组成，图2为BP 网络学习算法流程图。
图1三层BP 神经网络结构模型收稿日期：2008-09-06基于改进BP 神经网络的柴油机故障诊断研究黄勇，郭晓平（大连理工大学内燃机研究所，大连116024）摘要：根据柴油发动机故障与征兆之间关系来建立一种采用BP 算法前馈型神经网络结构，然而采用标准BP 算法对神经网络训练进行训练，但存在收敛速度慢等问题。
因此，又采用添加动量项和自适应学习速率两种方法对标准BP 算法进行改进，并将改进的BP 算法运用于神经网络训练，结果表明改进的BP 神经网络能够改善收敛速度慢的缺点，而且预测故障效果较好。
基于神经网络的柴油机故障诊断的研究
基于神经网络的柴油机故障诊断的研究柴油机作为一种常见的内燃机，广泛应用于交通运输、建筑机械等领域。
然而，长期以来，柴油机故障诊断一直是一个具有挑战性的问题。
传统的故障诊断方法需要依靠专业技术人员的经验和大量的试验数据，无法实时准确地诊断故障。
近年来，神经网络作为一种强大的机器学习工具，已经在柴油机故障诊断领域取得了显著的研究进展。
神经网络是一种模拟人脑神经元系统的计算模型。
它由许多连接器节点组成，每个节点通过加权响应函数将输入传递给后续节点。
神经网络通过学习进行模式识别和数据建模，能够从输入数据中提取有用的特征并进行分类预测。
在柴油机故障诊断研究中，神经网络可以通过学习大量的柴油机工作数据来识别不同的故障模式。
例如，通过记录柴油机传感器的实时数据，如水温、油温、气缸压力等，可以构建一个训练数据集。
然后，将这些数据输入到神经网络中进行训练，使神经网络能够学习到不同故障模式下的特征表示。
研究表明，神经网络在柴油机故障诊断中的应用效果非常显著。
一方面，相比传统的故障诊断方法，神经网络能够实现实时、准确的故障诊断。
另一方面，神经网络可以通过持续学习和优化来提高诊断精度，并能够识别出更加复杂的故障模式。
然而，神经网络在柴油机故障诊断中还面临一些挑战。
首先，柴油机的故障模式非常多样化，需要大量的训练数据来覆盖不同的故障情况。
其次，神经网络的训练和优化过程需要大量的时间和计算资源。
最后，神经网络的可解释性较差，难以解释模型的决策过程，因此在实际应用中可能存在一定的风险。
为了克服上述挑战，研究人员正在积极探索新的方法和技术。
一方面，他们正在尝试使用更复杂的神经网络模型，如卷积神经网络（CNN）和循环神经网络（RNN），以提高模型的表达能力和泛化能力。
另一方面，他们还在努力构建更大规模的柴油机故障数据集，以提供更多的训练样本。
此外，研究人员还在考虑将神经网络与其他故障诊断方法相结合，以实现故障诊断的更高精度和可靠性。
基于神经网络的柴油机故障诊断的研究
基于神经网络的柴油机故障诊断的研究柴油机是目前使用广泛的内燃机之一，其主要特点是高效率、可靠性强和经济性好。
然而，由于柴油机的复杂性和长期运行的磨损，故障会时常发生。
及时准确地诊断和解决柴油机故障是保证柴油机性能和寿命的重要环节。
基于神经网络的柴油机故障诊断技术是近年来备受关注的研究方向之一基于神经网络的柴油机故障诊断技术通过将柴油机的工作状态输入到神经网络中，通过神经网络的训练和预测能力，实现对柴油机故障的自动诊断。
神经网络是一种模拟人类大脑学习和处理信息的机制的数学模型。
它通过大量的训练样本来学习输入与输出之间的映射关系，从而能够通过输入来推断输出。
在柴油机故障诊断中，神经网络可以通过训练样本来学习柴油机故障的模式和特征，然后根据柴油机的实时工作信息来预测是否存在故障，并诊断出具体的故障类型。
基于神经网络的柴油机故障诊断技术的核心是构建适合柴油机故障诊断的神经网络模型。
一般而言，柴油机的输入包括各种传感器获取的温度、压力、振动等工作状态参数，输出为柴油机的故障状态。
基于神经网络的柴油机故障诊断技术的研究主要包括以下几个方面：首先是选择合适的神经网络结构。
常用的神经网络结构包括前馈神经网络、循环神经网络、多层感知器等。
根据柴油机故障诊断的特点，选择合适的神经网络结构非常重要。
其次是获取标注样本和进行神经网络的训练。
标注样本是指已知故障类型的柴油机工作状态数据。
通过将标注样本输入到神经网络中进行训练，使得神经网络能够学习到柴油机故障的模式和特征。
然后是对神经网络进行验证和评估。
通过将未知故障类型的柴油机工作状态数据输入到已训练好的神经网络中预测故障类型，并与实际的故障类型进行比较，评估神经网络的性能和准确度。
最后是对柴油机故障进行诊断。
通过已训练好的神经网络模型，输入柴油机的实时工作状态数据，可以实时预测柴油机是否存在故障，并诊断出具体的故障类型。
这对于柴油机维护和保养非常重要。
总的来说，基于神经网络的柴油机故障诊断技术具有快速、准确、自动化等优势，可以提高柴油机故障诊断的效率和可靠性。
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
基于神经网络的柴油机故障诊断的研究
式中:spread为径向基函数的扩展系数，默认值为1.0。合理选择spread是很重要的，其值应该足够大，使径向基神经元能够对输入向量所覆盖的区间都产生响应，但也不要求大到所有的径向基神经元都如此，只要部分径向基神经元能够对输入向量所覆盖的区间产生响应就足够了。spread的值越大，其输出结果越光滑；若在设计网络时，出现“Rank deficient”警告时，应考虑减少spread的值，重新进行设计。
1.3 RBF的创建与学习过程
当RBF网络的径向基层采用高斯函数时，网络的训练从理论上应可以确定高斯函数的数学期望、方差及隐层和输出层神经元的权值与阈值。
1.newrbe创建径向基网络的过程
以newrbe创建径向基网络的步骤：
1）径向基神经元数目等于输入样本数，其权值等于输入向量的转置：
(1-1)
所以径向基神经元的阈值为
为了保证柴油机各系统能稳定而可靠的工作，对其进行实时无损故障诊断和先期预测非常必要。由于柴油机工作过程复杂，把人工神经网络技术应用到故障诊断中来，利用BP和RBF网络两种方法来诊断柴油机故障。
二、主体
1.1人工神经网络
1.1.1人工神经网络的概述
人工神经网络（Artificial Neural Networks，ANNs），也简称为神经网络（NNs），是模拟生物神经网络进行信息处理的一种数学模型。它以对大脑的生理研究成果为基础，其目的在于模拟大脑的某些机理与机制，实现算能力，而且还具有处理知识的思维、学习和记忆能力[1]。
1.1.2人工神经网络的特点和领域
神经网络的基本属性反映了神经网络特点，主要表现在：
1.并行分布式处理
神经网络具有高度的并行结构和并行实现能力，具有高速寻找优化解的方法，能够发挥计算机的高速运算能力，可很快找到优化解。
基亏改进神经网络的柴油机系统故障诊断
位， 并 且 具 有 良好 的 稳 定 性 。
关 键 词 ：柴油 机 系统 ； 故 障诊 断定 位 ； Ｂ Ｐ神 经 网 络 ；燃 油喷 射 系统 ； ＭＡ Ｔ Ｌ Ａ Ｂ
中图 分 类 号 ： ＴＰ １ ８ ３ 文献标识码 ： Ａ 文 章 编 号 ：１ ６ ７ ４ — ６ ２ ３ ６（ ２ ０１ ３） １ ８ — ０ １ ０ ８ — ０ ４
王树 东 ．石 齐 亚
（ 兰 州理 工 大 学 电 气工 程 与 信 息 工 程 学 院 ， 甘肃 兰州 ７ ３ ０ ０ ５ ０ ）
摘要 ： Ｂ Ｐ神 经 网络 可 以利 用其 高度 的非 线性 映射 和 自组 织 能 力 有 效 解 决 柴 油机 系统 的 故 障诊 断 定 位 问题 但 是 标 准的 Ｂ Ｐ网 络 有 自身 无 法克 服 的一 系列 问题 ， 因此 对 标 准 Ｂ Ｐ 网络 的 学 习方 法做 出 改进 ． 并 以 此 理 论 建 立 柴 油机 系统
基于BP神经网络的故障诊断研究
基于BP神经网络的故障诊断研究故障诊断是工业生产中的重要环节，能够有效地保障生产设备的运转，减少设备的损坏和停机时间，提高工业生产效率和经济效益。
近年来，随着神经网络技术的发展和应用，基于BP神经网络的故障诊断方法受到了广泛关注和研究。
本文将从问题阐述、方法研究和应用展望三个方面来探讨基于BP神经网络的故障诊断研究。
一、问题阐述故障诊断是指在生产设备日常运作过程中，通过对设备的监测、检测和分析，及时、准确地判断设备状态，发现和分析故障根源，提出改进措施，防止和减少故障的发生和影响。
故障诊断包括多种方法和技术，如信号处理、统计分析、机器学习等。
其中，基于BP神经网络的故障诊断方法备受重视。
BP神经网络是一种基于误差逆传播算法的多层前馈网络，适合于非线性、强耦合、复杂的系统建模和预测。
在故障诊断中，BP神经网络可以通过监测信号的输入和输出，建立故障诊断模型，判断设备的健康状况和故障类型，提高故障诊断的准确性和可靠性。
然而，BP神经网络的应用也存在一些问题和挑战，如训练样本的获取和处理、网络结构的优化和选择等。
因此，基于BP神经网络的故障诊断研究面临着如何建立有效的模型、如何提高诊断准确性、如何提高网络可靠性等问题和挑战。
二、方法研究基于BP神经网络的故障诊断方法主要由三个步骤构成：数据采集与预处理、网络模型建立与训练、故障诊断与分析。
其中，数据采集与预处理是基础，网络模型建立与训练是关键，故障诊断与分析是应用。
下面将对这三个步骤进行详细介绍。
1. 数据采集与预处理数据采集是获取设备监测信号的过程，通常使用传感器和数据采集卡等设备来完成。
收集到的数据包括设备的各种信号，如电流、电压、温度、振动等。
预处理是对所采集到的数据进行滤波、降采样、归一化和特征提取等处理，目的是消除干扰和噪声、降低数据维度、提高特征有效性和区分度。
2. 网络模型建立与训练网络模型建立是指根据所采集到的数据，利用BP神经网络建立故障诊断模型。
基于BP神经网络的柴油机排气门故障诊断
的目 数， 标函
学 习的 目的是使 Ｅ 最 小 ， 是 网络所 有权 值 和 阈
值及 输入 向量 的 函数 。 经过 上 述两 个 过程 ， 随着 误差 的逆 向传播 ， 断 不
调整 网络 内部 的连 接 权 值及 阈值 ， 网络 的 误 差 函 使
输 入 层 隐 含 层 输 出层
要 的现 实意义 。本 文将 Ｂ Ｐ神 经 网 络用 于 柴 油机 排 气 门故 障诊 断 。
１ Ｂ Ｐ神 经 网 络 的 结 构 及 算 法
１１ Ｂ ． Ｐ神 经 网 络 的 结 构
Ｂ Ｐ网络是 一 种 多 层 （ ３层 或 ３层 以上 ） 向神 前 经 网络 ， 括输 入层 、 包 中间层 （ 隐层 ） 和输 出 层 。３层 Ｂ Ｐ神经 网络的 结 构 如 图 １所 示 。上 下层 之 间 实 现 全连接 ， 而每层 神 经 元 之 间无 连 接 。可 以分 为 两 个
Hale Waihona Puke １ ）信息 正 向 传播 。神 经 元 的 激 活 值从 输 入 层
经 中间层 向输 出层 传 播 ， 出层 的各 神 经 元 获 得 网 输 络 的输 入 响应 ， 实现 “ 作 信 号 正 向传 播 ” 工 。这 一过
程 可 由第 ｋ层 第 个 神 经 元 的 输 入 输 出 关 系 来
适 应 分 类 识 别 ， 而 实现 故 障 诊 断 。 实 验表 明 ， 方 法 可行 、 用 。 从 该 适 关 键 词 ：汽车 ；Ｂ Ｐ神 经 网络 ；故 障诊 断 ；Ｂ Ｐ算 法 中图 分 类 号 ： ７． Ｕ４ ２ ９ 文献标识码 ： Ａ 文 章 编 号 ：６ １ ６ ８ ２０ ）４ ０ ２ －０ １ ７ —２ ６ （０ ７ ０ － ０ ５ ２
基于BP网络的柴油机故障诊断方法研究
Ｂ Ｐ网络 的每个输 入节 点对 应样本 一个 特征 ， 每
个 输 出节点 对应 一 个故 障类 别 ， 出层 节 点数 等 于 输
故 障类 别数 。在 训 练 阶段 ， 如果 输 入 训 练样 本 的 类
别 号是 ， 期望输 出第 ｉ 则 个节 点 的输 出为 １ 其余 节 ， 点输 出均为 ０ 。在识别 阶段 ， 当一 个未 知类别 的样 本
简单 ， 其在实 际应用 中还存 在着 收敛速度 慢 、 在 但 存
望输 出之 差 ， 以根据 此误 差调 节权值 。
在处 理 多元信 息 中 已显 示 出很多 优点 ： 并行 性 ； 自学
习 与 自组 织 性 ； 强 的 学 习 、 忆 、 想 和 识 别 功 能 ； 较 记 联
很强 的容错 性 。人 工神 经 网络作 为一种 自适 应模 式 识别 技术 可充分 利 用 各 种 特 征信 息 ， 来 自不 同源 对 的信 息逐一 进行 训练 而 获取某 种 映射关 系 。 由于这 种特性 ， 人工 神 经 网络 在 机 械设 备故 障诊 断 方 面 有
套 磨 损 故 障 进 行 了诊 断 ， 断 结 果表 明 该 方 法 还 存 在 一 定 不 足 ； 出 了基 于组 合 式 Ｂ 诊 提 Ｐ网络 的 故 障 诊 断 方 法 ， 断 诊 结 果表 明 ， 用组 合 式 Ｂ 采 Ｐ网 络 的 故 障 诊 断 方 法 可 有 效 地 提 高 柴 油机 气缸 套 磨 损 故 障诊 断 的 准 确性 和有 效性 。
小， 则作 出拒绝决策 。Ｂ Ｐ网络 的训 练过程见 图 ２ 。
１ Ｂ Ｐ网 络 故 障诊 断 方 法
１ １ Ｂ 网 络 结 构 ． Ｐ
Ｂ Ｐ网络 即多层前 馈式 反 向传播 神经 网络 ， 是 它
基于bp神经网络的柴油机振动故障诊断
基于BP神经网络的柴油发动机故障诊断
基于BP神经网络的柴油发动机故障诊断张松华;陆秀令【期刊名称】《吉首大学学报（自然科学版）》【年(卷),期】2012(033)004【摘要】阐述了BP神经网络模型及原理,提出了基于BP神经网络的发动机故障诊断分析方法,在理论分析的基础上,对发动机故障的检测和分析进行了MATLAB 仿真,仿真结果表明,利用BP神经网络对发动机故障进行检侧具有检测精度高、速度快的特点.%System of diesel engine failure diagnosis and diagnosis method base t on BP neural network are explained in this paper. According to the theoretical analysis,test and aralysis of engine failure are simu- lated by MATLAB. Simulation result proves that this method can improve the fault diagnosis accuracy and convergence rale.【总页数】3页(P69-71)【作者】张松华;陆秀令【作者单位】湖南工学院电气与信息工程系,湖南衡阳421002;湖南工学院电气与信息工程系,湖南衡阳421002【正文语种】中文【中图分类】TK421.8【相关文献】1.基于声信号和BP神经网络的柴油发动机故障诊断 [J], 曾荣;曾锐利;梅检民;张帅;丁雷2.基于改进的BP神经网络的柴油发动机故障诊断 [J], 巴寅亮;王书提;谢鑫3.基于GA-LSSVM和BP神经网络的柴油发动机状态预测方法 [J], 谷广宇;刘建敏;刘会英;陈财森4.基于BP神经网络的柴油发动机特性建模 [J], 李洪涛;许家俊;张明柱;王建华5.基于1DCNN与双通道信息融合的柴油发动机故障诊断 [J], 白雲杰;贾希胜;梁庆海;马云飞;白华军因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
D iesel eng i n e fault d ia gnosis ba sed on BP neura l network and ti m e ser ies ana lysis
ZHU J ianyuan
(M erchant M arine College, Shanghai M aritim e Univ . , Shanghai 200135, China)
基于 BP神经网络与时间序列分析的柴油机故障诊断
朱建元
(上海海事大学 商船学院 ,上海 200135 )
摘 要 : 将时间序列分析和神经网络相结合应用于柴油机振动故障诊断 . 从时间序列分析的结果中 提取柴油机故障的特征参数 ,然后以此建立相应的神经网络 ,识别柴油机的运行故障 ,大大提高诊 断的准确性 . 讨论柴油机气阀间隙异常的诊断和柴油机负荷状态的识别 ,并给出振动特征参数与柴 油机工作状态之间的关系 . 关键词 : 神经网络 ; 柴油机 ; 故障诊断 ; 时间序列分析 中图分类号 : TK423. 2; TP306 文献标志码 : A
n ) 模型可表示为 Xt =
2
θ( B ) a φ (B ) t
( 9)
24
2
上 海 海 事 大 学 学 报
m
第 27 卷
式中 , φ ( B ) = 1 - φ1 B - φ2 B - … - φ m B , θ( B ) =
1 -θ - … -θ 1B -θ 2B nB .
m n i t- i
按照梯度下降法 , 隐含层与输出层间权值的变 [ 2, 3 ] 化可表示为 5yk Δvk i = - η 5E = - η 5E ・ 5vk i 5yk 5vk i
( 5)
[ 6, 7 ]
,即
t- j
Xt -
φX ∑
i =1
= at 2
θa ∑
j j =1
( 8)
式中 ,Δvk i为从第 i个输入到第 k 个输出的权值的变 化 ;η为学习率 . 输入层与隐含层间权值变化可表示 为 5yk 5ai Δw ij = - η 5E = - η 5E ・ ・ ( 6) 5w ij 5yk 5ai 5w ij 式中 ,Δw ij为从第 j个输入到第 i个输出的权值的变 化. 梯度下降法存在自身的局限与不足 , 主要表现 在其训练时间过长并易陷入局部极小值 . 传统的标
Abstract: An investigation on diesel engine vibration fault diagnosis is conducted based on the combina2 tion of neural network and ti m e series analysis . The characteristic parameters obtained from tim e series analysis are used to build a suitable B P neural net work in order to detect the engine operating faults and i m p rove the diagnosis accuracy . The diagnoses of variations in valve clearances and engine cylinder loads are discussed. The relationship s bet w een vibration characteristics and engine working conditions are p res2 ented. Key words: neural network; diesel engine; fault diagnosis; ti m e series analysis
准梯度下降法在求解实际问题时常因收敛速度太慢 而影响求解质量 .
[ 4, 5 ]
为加快训练速度 ,避免陷入局
部极小值 ,本文采用附加动量法和自适应学习速率 法相结合的改进算法 . 附加动量法使网络在修正其权值时 , 不仅考虑 误差在梯度上的作用 , 而且考虑在误差曲面上变化 趋势的影响 ,它允许忽略网络上的微小变化特性 . 在 没有附加动量时 ,网络可能陷入浅的局部极小 ,利用 附加动量的作用则有可能滑过这些极小值 . 附加动 量法的实质是将最后一次权值变化的影响 , 通过一 个动量因子来传递 . 当动量因子取值为 0 时 ,权值的 变化仅根据梯度下降法产生 . 当动量因子取值为 1 时 ,新权值变化设置为最后一次权值的变化 ,而由梯 度产生的变化部分则被忽略 . 神经网络设计中采用自适应学习速率的方法 . 学习速率调节准则为 : 检查权值的修正值是否真正 降低了误差函数 ,若确实如此 ,则说明所选取的学习 速率值偏小 ,可对其增加一个值 ; 若非如此 , 而产生 过调 ,则应减小学习速率的值 . 当新误差超过旧误差 一定倍数时 ,学习速率将减小 ; 当新误差小于旧误差
收稿日期 : 2006 2 06 2 27; 修回日期 : 2006 2 09 2 29 基金项目 : 上海市教委科技基金 ( 03 IK12)
即故障发生的位置及其严重程度 , 以提供作进一步 处理的依据 . 时间序列分析法用于柴油机的故障诊断具有独 特的优势 ,尤其是用于柴油机振动信号的短样本分 析 . 时间序列模型中可用以表达系统动态特征的参 数有 : 模型阶数 、 模型参数 、 残差方差 、 模型的特征根 以及时序模型频谱等 . 本文在用时间序列分析对柴 [1] 油机的振动特性进行研究 的基础上 , 从时间序列 分析的结果中提取柴油机故障的特征参数 , 然后以
第 27 卷 第 4 期 2006 年 12 月
上 海 海 事 大 学 学 报 JOURNAL OF SHANGHA IMAR ITI M E UN I V ERSITY
Vol . 27 No. 4 Dec. 2006
文章编号 : 1672 2 9498 ( 2006 ) 04 2 0022 2 06
2
n
若θ j 全为 0, 而 φ i 不全为 0, 则式 ( 9 ) 变为
m
Xt -
φX ∑
i i =1
t- i
= at
( 10 )
气阀落座角提前 ,落座速度增大 ,导致冲击力和激励 能量增大 . 故可利用气阀落座段缸盖振动信号能量 参数进行气阀间隙异常诊断 . 试验表明 , 气阀落座冲击柴油机缸盖振动响应 时间约为 10 m s,因此截取对应的样本长度为 140 个 点进 行 AR 谱 分 析 . 图 1 为 90% 负 荷 、 转 速 386 r/m in 时不同气阀间隙下排气阀阀壳处的振动 AR 谱及其时域信号图 .
3 测试装置和方法
试验在 6260ZC 型船用柴油机上进行 . 该机为 6 缸直列式增压 4 冲程机 ,缸径 260 mm ,活塞行程 340 mm ,额定转速 400 r/m in,额定功率 370 kW , 正车发 火顺序为 1 —5 —3 —6 —2 —4. 配气正时 (以曲柄转 角计 ) : 进气阀上止点前 73 ° 开 , 下止点后 37 ° 关 ;排 气阀下止点前 45 ° 开 ,上止点后 65 ° 关. 试验中分别用 YD 系列加速度传感器测取气缸 盖上近进气阀处 、 排气阀阀壳处的垂向振动及机身 的横向振动加速度信号 , 配用 DFH 型电荷放大器 . 采样频率为 14 kHz, 采样 长度为 16 383 点 . 利 用
式 ( 10 )为 m 阶自回归模型的表达式 , 简称 AR ( autoregressive )模型 . 若 φi 全为 0, 而 θ j 不全为 0, 则式 ( 9 ) 变为
n
X t = at -
θa ∑
j j
t- j
( 11 )
式 ( 11 ) 为 n 阶滑动平均模型的表达式 , 简称 MA ( moving average ) 模型 . ARMA 模型或 MA 模型 都可用高阶 AR 模型来逼近 . 由于 AR 模型的估计 得到的是线性方程 , 在计算上 AR 比 ARMA 以及 MA 模型有明显优点 , 而实际物理系统也往往可简 化为全极点系统 ,因此 AR 模型的应用更为广泛 . 本 文采用 AR 模型来分析气缸盖的振动特性 . 信号的功率谱可通过时间序列模型的参数估计 获得 . 另外 ,还可以用带中功率与带中功率比来描述 信号特征 . 带中功率主要用以分析某一频带内的总 能量 ,带中功率比主要用以在整个功率谱范围内考 查能量在某一频带内的集中程度 . 带中功率 Δp12定 义为所选频段内的信号能量和 , 带中功率比 δ 为带 中功率与信号总能量的比值 .
at ～ N ID ( 0,δ a )
式 ( 8 ) 即为 m 阶自回归 、 n 阶滑动平均模型的 表达式 , 简称 ARMA 模型 . φi ( i = 1, 2, . . . , m ) 为自 回归系数 ;θ j ( j = 1, 2, . . . , n ) 为滑动平均系数 . { a t } 为 n 个相互独立的白噪声输入 ,δ a 为其方差 . 引入后移算子 B , 即 B X t + 1 = X t , 则 ARMA ( m ,
( 7)
∑v
i =1
ki
ai ) , k = 1, 2, …, N
N
( 3)
定义误差函数为
E ( w , v) =
1 2
k =1
∑( t
k
- yk )
2
( 4)
式中 , w ij为隐含层内第 i个神经元与输入层第 j个神 经元之间的连接权值 , vk i为输出层第 k 个神经元与 隐含层第 i个神经元之间的连接权值 , tk 为神经网 络期望输出 .
0 引 言
对柴油机进行振动状态监测可提高其运行可靠 性和设备利用率 . 基于神经网络的故障诊断 ,首先对 柴油机工作过程进行仿真计算或测试 , 获得给定工 况在故障下的过程参数 ,经预处理提取征兆集数据 , 归一化为网络输入模式 ; 然后用已知的样本集训练 网络 ,再输入征兆向量进行测试 ,获得该工况网络输 出模式 ; 最后对网络输出进行后处理获得诊断结果 ,