基于模糊神經(jīng)網(wǎng)絡(luò)的游艇柴油發(fā)動機故障預(yù)測研究

邢婭莉 王筱珍

（廣東交通職業(yè)技術(shù)學(xué)院機電工程學(xué)院，廣東廣州510800）

0 引言

故障預(yù)測是指在故障未出現(xiàn)之前對其進(jìn)行預(yù)測，便于及時處理問題，減小故障發(fā)生率，從而提高系統(tǒng)的可靠性，降低設(shè)備的維修和保養(yǎng)費用，是安全技術(shù)研究中的新興領(lǐng)域。隨著控制技術(shù)的發(fā)展，多種智能算法逐漸應(yīng)用于系統(tǒng)故障預(yù)測，如采用基本灰色系統(tǒng)和神經(jīng)網(wǎng)絡(luò)進(jìn)行故障預(yù)測模型的方法，具有操作簡便、易于使用的優(yōu)點，但同時存在算法簡單、魯棒性差、評價指標(biāo)單一等缺點?；趯＜蚁到y(tǒng)的故障預(yù)測可以模擬人類推理和決策過程解決復(fù)雜問題，但是在專家知識的獲取、知識的表達(dá)和推理機制的建立等方面又存在種種困難[1-4]。模糊神經(jīng)網(wǎng)絡(luò)吸收了模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)的優(yōu)點，具備神經(jīng)網(wǎng)絡(luò)的逼近能力，既具有神經(jīng)網(wǎng)絡(luò)的低層次學(xué)習(xí)、計算能力，也具有模糊系統(tǒng)的高層次推理、決策能力。文獻(xiàn)表明，該算法用于燃煤鍋爐事故預(yù)測的研究，具有較好的實時性和準(zhǔn)確性[5-6]。

柴油機作為游艇的核心部件，其結(jié)構(gòu)復(fù)雜，故障具有非線性、多參數(shù)等特點。從國內(nèi)外相關(guān)資料可知，其故障預(yù)測研究還處于起步階段。本文以某游艇用柴油機為研究對象，因其熱力參數(shù)含有大量的故障信息，且不易受外界干擾、信息質(zhì)量高、可用性強，選取柴油機熱力參數(shù)為故障監(jiān)測量。通過資料收集和試驗數(shù)據(jù)比對，總結(jié)出柴油機運行時發(fā)生的典型部件故障和原因，并將其作為模糊神經(jīng)網(wǎng)絡(luò)故障判據(jù)，通過建立模糊神經(jīng)網(wǎng)絡(luò)，將柴油機非線性系統(tǒng)的故障預(yù)測問題轉(zhuǎn)換為多變量輸出條件下的故障預(yù)測問題，同時構(gòu)建故障預(yù)測目標(biāo)函數(shù)，實現(xiàn)神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值的更新。試驗結(jié)果表明，該方法能較準(zhǔn)確地預(yù)測部件故障[7]。

1 游艇柴油機的故障選取

游艇柴油機結(jié)構(gòu)較復(fù)雜，按照功能可分為燃油系統(tǒng)、冷卻系統(tǒng)、潤滑系統(tǒng)、傳動系統(tǒng)、渦輪增壓系統(tǒng)等子系統(tǒng)。本文主要針對結(jié)構(gòu)最復(fù)雜的燃油系統(tǒng)進(jìn)行研究，其主要故障是噴油器故障和噴油泵故障，故障主要表現(xiàn)為排氣支管溫度過高、排氣閥漏氣、霧化不良、噴油器損壞、噴油提前角過小、柱塞和套管過度磨損、噴油泵柱塞漏油和燃燒惡化等。故障發(fā)生時柴油機熱力學(xué)參數(shù)處在一定的值域范圍內(nèi)，這就為故障發(fā)生與監(jiān)測性能參數(shù)建立了關(guān)系。

2 基于模糊神經(jīng)網(wǎng)絡(luò)的故障預(yù)測推理

選取4組故障判斷力強的熱力參數(shù)：渦輪后排氣溫度Tout（K）、平均有效壓力Pg（bar）、爆發(fā)壓力Pz（MPa）、最大壓力升高比λmax與已知在相同工況和大氣溫度下的標(biāo)準(zhǔn)值的相對差，作為故障監(jiān)測量。通過收集以往燃油系統(tǒng)的故障征兆、故障現(xiàn)象等信息，利用模糊神經(jīng)網(wǎng)絡(luò)強大的學(xué)習(xí)能力，將柴油機燃油系統(tǒng)的故障整合為一個知識庫，利用該知識庫，操作人員只需要輸入影響系統(tǒng)運行的工作參數(shù)，即可預(yù)知其運行狀態(tài)[8]。

神經(jīng)網(wǎng)絡(luò)有自適應(yīng)和學(xué)習(xí)功能，但它對建立的模型解釋能力差；模糊系統(tǒng)由于以規(guī)則形式表現(xiàn)系統(tǒng)的行為，有較強的解釋推理功能，但不能自主學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)和模糊技術(shù)相結(jié)合突出了二者的優(yōu)勢，模糊系統(tǒng)建模中模糊規(guī)則產(chǎn)生、模糊推理、模糊化以及非模糊化都是一種函數(shù)映射關(guān)系，這些函數(shù)映射可以用神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。這樣的網(wǎng)絡(luò)不僅保持著模糊系統(tǒng)的知識表達(dá)及推理能力，同時可以進(jìn)行學(xué)習(xí)和并行計算，這就使整個系統(tǒng)功能大大加強。模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，分為4層。

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

在神經(jīng)網(wǎng)絡(luò)中，熱力學(xué)參數(shù)為輸入神經(jīng)元，故障類型為輸出神經(jīng)元。在診斷實現(xiàn)的這一過程中，此系統(tǒng)網(wǎng)絡(luò)的訓(xùn)練一定要選擇足夠多的故障樣本，用來確定參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)。訓(xùn)練完成以后，再通過一組給定的實際熱力學(xué)參數(shù)來給故障模式進(jìn)行分類，以達(dá)到參數(shù)與故障集之間的非線性映射關(guān)系。具體過程如下：

（1）輸入變量直接輸入層。選取故障判斷能力強的渦輪后排氣溫度Tout（K）、平均有效壓力Pg（bar）、爆發(fā)壓力Pz（MPa）、最大壓力升高比λmax等熱力學(xué)參數(shù)與已知在相同工況和大氣溫度下的標(biāo)準(zhǔn)值的相對差作為輸入變量，即：

（2）模糊化層：該層的每個節(jié)點代表規(guī)則的前提部分，其輸入是第一層輸出變量，通過模糊隸屬度函數(shù)將輸入量映射到模糊集區(qū)間內(nèi)，隸屬度函數(shù)選取高斯函數(shù)，表達(dá)式如下：

G（x，μ，σ）=exp（-（x-μ）2/2σ2）

由均值μ和均方差σ決定其隸屬度。

（3）模糊推理層：采用if-then規(guī)則形式，模糊推理是在已知系統(tǒng)模糊規(guī)則和系統(tǒng)輸入的前提下求得系統(tǒng)的輸出。

（4）解模糊層：采用重心非模糊化的方法。神經(jīng)模糊網(wǎng)絡(luò)的學(xué)習(xí)算法是在標(biāo)準(zhǔn)BP算法基礎(chǔ)上采用了動態(tài)的學(xué)習(xí)率和慣性因子來提高學(xué)習(xí)效率。

3 算法仿真

本文在Matlab平臺分別對BP神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)故障預(yù)測模型進(jìn)行仿真實驗，不同模型的最終預(yù)測值及誤差比較如表1所示。

表1 預(yù)測模型預(yù)測值及誤差比較

結(jié)果表明，采用模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型得到的預(yù)測結(jié)果精度要比單BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果高。原因在于：模糊神經(jīng)網(wǎng)絡(luò)的節(jié)點和權(quán)值可用隸屬度函數(shù)和模糊規(guī)則來解釋，依據(jù)專家的經(jīng)驗建立的模糊規(guī)則對網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行了優(yōu)化，優(yōu)化后的誤差補償對預(yù)測值有一個校正和優(yōu)化，提高了模型的預(yù)測精度。

4 結(jié)語

本文采用柴油機熱力參數(shù)作為故障預(yù)測的判據(jù)，樣本便于獲得，適用于游艇用柴油機的動態(tài)監(jiān)測。該算法可對柴油機故障進(jìn)行先期預(yù)測，能有效減小故障發(fā)生率，降低維修成本，提高產(chǎn)品競爭力。