基于神经网络的柴油机故障诊断的研究

漳州师范学院毕业论文（设计）文献综述题目：基于神经网络的柴油机故障诊断的研究姓名：朱勇彬学号：070505114系别：物理与电子信息工程系专业：电气工程及其自动化年级：07级指导教师：闫玉莲2010年10月15日文献综述一、前言随着柴油机技术的发展与进步，人类对柴油机的需求也逐渐增加，与之相应的对柴油工作的稳定性、可靠性的要求也越来越高，所以在柴油机故障诊断的研究领域不断出现新的理论和新的方法，目前这一研究方向也成为国内外研究的热点。我国是目前世界上拥有和使用柴油机最多的国家之一，因此对柴油机进行状态检验和故障诊断可以极大的提高其运行的可靠性，具有较高的经济效益。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（ArtificialNeuralNetworks，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，实现一些特定的功能。它不但具有处理数值数据的一般计算能力，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。2.非线性处理人脑的思维是非线性的，故神经网络模拟人的思维也应是非线性的。这一特性有助于处理非线性问题。3.具有自学习功能通过对过去的历史数据的，训练出一个具有归纳全部数据的特定的神经网络，自学习功能对于预测有特别重要的意义。4.神经网络的硬件发现要使人工神经网络更快、更有效地解决更大规模的问题，关键在于其超大规模集成电路（VLSI）硬件的实现，即把神经元和连接制作在一块芯片上构成ANN。神经网络的VLSI设计今年来发展很快，硬件实现已成为ANN的一个重要分支[1]。神经网络的领域:近些年来神经网络在众多领域得到了广泛的运用。在民用应用领域的应用，如语言识别、图像识别与理解、计算机视觉、智能机器人故障检测、实时语言翻译、企业管理、市场分析、决策优化、物资调运、自适应控制、专家系统、智能接口、神经生理学、心理学和认知科学研究等；在军用应用领域的应用，如雷达、声纳的多目标识别与跟踪、战场管理和决策支持系统、军用机器人控制各种情况、信息的快速录取、分类与查询、导弹的智能引导、保密通信、航天器的姿态控制等[2]。1.2BP网络的设计1.2.1BP网络层数的选取(1)输入、输出层的设计输入的神经元可以根据需要求解的问题和数据表示方式确定。在故障诊断中，输入层神经元个数一般等于每个样本中包含的特征值的个数。输出层的维数可根据设计者的要求确定，在故障诊断中，如果将BP网络用作分类器，类别模式一共有m个，则输出层神经元的个数为m或log2m。(2)隐层的设计对于BP网络，有一个非常重要的定理：即对于任何在闭区间内的一个连续函数都可以用单层的BP网络逼近，因而一个三层的BP网络就可以完成任意的n维到m维的映射。隐层的神经元个数选择是一个较为复杂的问题，往往需要设计者的经验和多次试验来确定，因而不存在一个理想的解析式来表示。隐层单元的数目与问题的要求、输入/输出单元的数目都有着直接关系。隐层单元个数太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、因此一定存在一个最佳的隐层单元数。以下三个公式可作为选择最佳隐层单元数时的参考公式：1）n2=2n1+1，其中n1是输入层神经元数，n2是隐层神经元数。2）amnn1，其中，m是输出神经元数，n是输入神经元数，a是[1,10]之间的常数。3）n1=log2n，其中n是输入神经元数。其他确定隐层单元数的方法为：首先是隐层单元的数目可变，或者放入足够多的隐层单元，通过学习将那些不起作用的隐层单元剔除，直到不可收缩为止[3]。1.2.2初始值的选取由于系统是非线性的，初始值对于学习能否达到局部最小和是否能够收敛的结果关系很大。一个重要的要求是：初始权值在输入累加时使每一个神经元的状态值接近于零，权值一般取随机数，要比较小。输入样本也同样希望进行归一化处理，使那些比较大的输入仍然落在传递函数梯度大的地方。1.2.3BP网络的不足BP网络模型虽然在各方面都具有重要意义，而且应用也很广泛，但它也存在一些不足。从数学上看，它是一个非线性优化问题，不可避免的存在局部极小点；学习算法的收敛速度慢；网络隐层单元数选取带有很大的盲目性和经验性，尚无理论上的指导；新加入的样本要影响已学完的样本等。具体来说：BP算法对样本进行逐个学习时，常会发生“学了新的，忘了旧的”的遗忘现象。故此值得对样本不断循环重复，这样一来其学习时间必然延长。为了克服这个缺点，将逐个学习改为批量学习，即对所有样本都进行学习后将其误差相加，然后用这个误差之和来对网络的权系数进行调整。但是这样一来，在误差求和时，这些误差有可能互相抵消，这就降低了算法的调整能力，也就是延长了学习的时间。所以，按批量学习其收敛速度也会很慢。同时，批量学习方法还有可能产生新的局部极小点。比如各误差不为零。，但其总和为零，这种情况发生后算法就稳定在这个状态上，这就是新的局部极小点[4]。1.3RBF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：TPIW(1-1)所以径向基神经元的阈值为spreadb/)5log(.21(1-2)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“Rankdeficient”警告时，应考虑减少spread的值，重新进行设计。2）以径向基神经元的输出作为线性网络层神经元的输入，确定线性层神经元的权值和阈值，使之满足TonesAbW;12;1,2(1-3)2．newrb创建径向基网络的过程当以newrb创建径向基网络时，开始是没有径向基神经元的，可通过以下步骤，逐渐增加径向基神经元的数目：1）以所有的输入样本对网络进行仿真。2）找到误差最大的一个输入样本。3)增加一个径向基神经元，其权值等于该样本输入向量的转置；阈值spreadb/)5log(.21,spread的选择与newrb一样。4）以径向基神经元输出的点积作为线性网络层神经元的输入，重新设计线性网络层，使其误差最小。5）当均方误差未达到规定的误差性能指标，且神经元的数目未达到规定的上限值时，重复以上步骤，直至网络的均方误差达到规定的误差性能指标，或神经元的数目达到规定的上限值为止。可以看出，创建径向基网络时，newrb是逐渐增加径向基神经元数的，所以可以获得比newrb更小规模的径向基网络。1.3应用BP网络和RBF对柴油机燃油系统进行故障诊断1.3.1神经网络仿真模型的建立下面结构框图为基于神经网络模式识别功能的故障诊断系统结构：图3-3故障诊断系统结构图3-3中，基于神经网络的诊断过程分为两步。首先，基于一定数量的训练样本集(通常称为“征兆——故障”数据集)对神经网络进行训练，得到期望的诊断网络；其次，根据当前诊断输入对系统进行诊断，诊断的过程即为利用神经网络进行前向计算的过程。在学习和诊断之前，通常需要对诊断原始数据和训练样本数据进行适当地处理，包括预处理和特征选取、提取等，目的是为诊断网络提供合适的诊断输入和训练样本。此外，尽管神经网络和传统的故障诊断是两种不同的诊断方法，但两者是紧密联系在一起的[6]。1.3.2利用BP和RBF神经网络模型进行柴油机燃油系统故障的诊断诊断原始数据训练样本数据预处理预处理特征选取特征选取学习训练诊断神经网络诊断结果利用MATLAB仿真训练所设计的BP网络和RBF网络，柴油机的供油量不足、燃油系统常见的几种故障（针阀卡死至油孔堵塞、针阀泄露和出油阀失效）分别通过BP和RBF网络的故障诊断把它反映出来[9]。利用传感器测出燃油压力信号，并且提取出特征参数，再将这些特征参数当作BP和RBF神经网络的输入样本，然后利用训练好的神经网络进行柴油机故障诊断，得出诊断结果[10]。三、总结本论文通过对故障检测技术的发展做了一个初步的分析，重点分析了神经网络技术与故障诊断的结合，通过对柴油机故障仿真得到：基于神经网络的故障诊断结果与实测值具有良好的一致性，而且误差很小，表明了BP和RBF神经网络是两种有效的诊断方法。由于利用神经网络进行柴油机状态监测和故障诊断是一个新的课题，涉及到很多门的内容，再加上时间较紧、水平有限，本论文还存在很多问题和不足，通过对本课题的学习和研究，作者对神经网络的一些基本理论及BP和RBF网络的算法有了较深刻地认识和了解，并熟练的掌握了BP和RBF神经网络的建立和训练技巧，以及Matlab7.0软件的编程使用，锻炼和提高了独立科研能力，为今后的工作打下了更为坚实的基础。四、参考文献[1]张良均，曹晶，蒋世忠.神经网络实用教程[M].北京：机械工业出版社，2008：31-34.[2]侯媛彬，杜京义，汪梅.神经网络[M].西安：西安电子科技大学出版社，2007[3]周开利，康耀红，神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005:89-92.[4]董长虹，Matlab神经网络与应用[M].北京：国防工业出版社，2007.9:89-90.[5]飞思科技产品研发中心，神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2005.3：246-250.[6]刘建敏，骆清国，郑晓江，尹胜波．柴油机燃油喷射系统技术状况不解体检测仪的研制．内燃机工程，2000,1.[7]田有为，沈沉，张西振．柴油机故障诊断系统．辽宁省交通高等专科学校学报，2004,9：48-49.[8]龚金科，刘孟祥，刘湘玲．柴油机工作过程数学模拟．移动电源与车辆，2002,2:11-13.[9]王俊生,柴油发动机燃油系统的故障分析研究．山西建筑，2003，4：250[10]吴波，吴功平．柴油机喷油系统压力波形的特征抽取及描述方法．震动工程学报，1992，3：34～40