基于灰色理论与神经网络的柴油机相继增压系统故障预测与诊断.docVIP

基于灰色理论与神经网络的柴油机相继增压系统故障预测与诊断（中文版） 杜剑维，王银燕 摘 要：增压柴油机是一个具有不确定性的复杂系统，灰色理论是一种处理不确定性的理论。为了保证柴油机的可靠运行，使用灰色预测理论与神经网络技术对柴油机相继增压系统进行了故障预测与诊断。采用MATLAB语言编制了灰色预测程序并训练了神经网络，训练好的神经网络具有良好的泛化性。采用GM(1,1)模型对相继增压柴油机运行参数进行预测，对于波动数据，使用改进GM(1,1)模型进行预测，预测参数与实验数据的相对误差均在5%以内。预测参数送入已培训好的神经网络中，对柴油机相继增压系统可能发生的故障进行预测与诊断。 关键词：相继增压；柴油机；故障预测诊断；灰色理论；神经网络 引言灰色理论是一种处理贫信息不确定性系统的理论[1]。在灰色理论中，根据信息多少将系统分为三类：如果系统信息全部已知，则称该系统为白色系统；如果系统信息全部未知，则称该系统为黑色系统；系统信息部分已知则称该系统为灰色系统[2]。灰色系统的定义是包含有以灰色数或灰色变量表征的不确定信息的系统[3]。 柴油机在各种热能动力机械中油耗最低、热效率最高、功率范围宽广、运行安全、维修方便，在国民经济和国防建设中得到广泛应用[7]。相继增压技术由德国MTU公司在上个世纪七十年代末最先采用[8]。该技术是指使用根据柴油机运行工况的不同，使用不同数量的增压器与柴油机匹配运行。这项技术可以降低柴油机低负荷的油耗率并提高低负荷时的扭矩范围。柴油机是一个复杂系统，在运行过程中受机械负荷、热负荷、摩擦损失等多种物理和化学作用，同时还受环境温度、压力等使用条件及维护方法等的影响[9]。我们研究柴油机时，只能采集到其部分参数，无法获得柴油机的所有参数，因此柴油机是一个较为典型的灰色系统。 灰色理论已经有许多在柴油机中应用的例子，例如灰色预测理论被用于预测柴油机部件的磨损情况[9]-[12]。然而之前的应用多是对数据进行离线处理离线应用，本文应用灰色理论对相继增压柴油机性能进行实时在线的预测。本文主要工作是使用灰色理论预测相继增压柴油机的主要运行参数，然后使用神经网络对相继增压系统相关的故障进行诊断。以往的故障诊断系统多是在故障发生后予以警示，加入了灰色预测的故障诊断系统可以在故障发生之前对故障予以预测，起到“事前预防”的效果。MATLAB语言可以被Labview调用[16]，因此灰色预测程序的编写以及故障诊断用神经网络的训练均采用MATLAB语言。 1 灰色预测理论 1.1 灰色理论 灰色理论是1982由邓聚龙教授提出的一种研究少数据、贫信息不确定性问题的新方法[3]。灰色理论的内容主要包括五部分：灰色预测、灰关联分析、灰色决策、灰色规划、灰色控制[4]。 1.2 灰色预测理论 传统预测方法，如马尔科夫模型法、时间序列预测方法等，是基于统计学的方法，需要大量的数据作为预测的基础[17]。灰色预测方法是一种新的预测方法，仅需要很少的系统信息即可实现预测。 1.3 GM(1,1)模型 GM（1，N）模型适合于建立系统的状态方程，适合于各变量动态关联分析，也适用于为高阶系统提供建模基础。 考虑有x1，x2，…，xn等n个变量，每个变量共有N个数剧列，其中x1为系统主行为： （1） （2） （3） 可建立白化形式的微分方程： （4） 这是一阶N个变量的微分方程模型，即GM（1，N）模型。记模型中的参数列为，则有： （5） 在最小二乘准则下，有： （6） 其中，B为数组矩阵，yN为数据向量，即： （7） （8） 数组矩阵B中： （9） 至此，GM（1，N）模型建立完成。 GM（1，1）模型是GM（1，N）模型在N=1时的特例，用于预测时GM（1，N）模型精度较低，因此，预测时常使用单个参数模型也就是GM（1，1）模型。此时模型中的参数列为： （10） 则灰微分方程可写为： （11） 时，GM（1，1）的指数响应形式为： （12） 将得到的数据进行累减生成： （13） 在灰色模型建立后首先要对其精度进行检验，常用的方法为后验差检验法。设原始数据的均方误差为S1和残差的均方误差为S2，C称为后验差比值，P称为小误差频率： ? （14） 由C与P两个指标，可综合评定预测模型的精度。模型精度等级参见表1。 表1 模型精度等级 模型等级 很好 好 一般 差 P 0.95 0.80 0.70 0.70 C 0.35 0.50 0.65 0.65 MATLAB基于矩阵计算并能与Labview软件无缝连接，因此使用MATLAB语言编写了GM(1,1)模型的程序