基于BP网络对柴油发动机的故障诊断.docVIP

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。人工神经网络具有人脑功能的基本特征即学习，记忆和归纳。故障诊断的 实质就是对诊断对象的故障模式进行分类和识别，或根据现有的知识和一定的推 理机制推断出其故障的所在部位和严重程度。由于神经网络具有处理复杂模式及 进行联想，推测和记忆的功能，因而它非常适合应用于各种系统的故障诊断。 图1 神经元模型 目前常用故障诊断的神经结构有：误差反向传播网络(BPN)，自适应共振理 论(ART),概率神经网络(PNN),竞争网络(CNN)等。其中BP 网络是一种前馈的， 有导师监督的学习网络，神经元节点通过权连接，可以实现输入与输出的非线性 映射，而从实现模式空间的转换。BP 网络算法成熟，结构简单，获得了广泛应 用。 反向传播模型也称B-P（Back Propagation）模型,是一种用于前向多层神 经网络的反向传播学习算法，由D.Rumelhat 和MeClelland于1985年提出。它 之所以是一种学习方法，就是因为用它可以对组成前向多层网络的各人工神经元 之间的连接权值进行不断修改，从而使该前向多层网络能够将输入它的信息变换 成所期望的输出信息。如果将该多层网络看成一个变换，而网络中各人工神经元 之间的连接权值看成变换中的参数，那么这种学习算法就是要求得这些参数。之 所以将其称作为反向学习算法，是因为在修改各人工神经元的连接权值时，所依 据的是该网络的实际输出与期望的输出之差。将这一差值反向一层一层的向回传 播，来决定连接权值的修改。目前BP算法是研究最多的网络形式之一，是前向 网络得以广泛应用的基础。它包含输入层、隐层、输出层，隐层可以为一层或多 层。其间每层的激发函数要求是可微的，一般选用Sigmoid函数。 图2 神经网络模型 BP神经网络算法进行故障诊断的基本原理是用向量Y表示发动机的故障状 态，向量X表示发动机可测量的特征参数。利用大量的X-Y故障样本对网络进 行训练，将故障特征信息学习并存储到网络神经元之间的连接权值上。诊断时， 根据输入发动机可测量的特征参数即可在网络输出层找到对应的故障识别。 1、样本的建立 所选训练样本的数量和分布情