基于遗传算法选择优化神经网络的柴油机故障诊断研究.pdfVIP

第四部分 故障诊断 基于遗传算法选择优化神经网络的柴油机 故障诊断研究 王鑫 于洪亮 段树林 宋玉超 , , , （大连海事大学，轮机工程学院，辽宁大连，116026） 摘要：根据柴油机气阀机构运动规律，利用小波包分解提取缸盖振动信号的特征向量；提出最大优化因子 对误差反向传播（BP ）神经网络的权值和阈值使用遗传算法有选择的进行优化。通过在 WD615 柴油机上 的实验检测，证明了该方法的较传统算法诊断准确率更高。 关键字：振动信号，BP 神经网络，故障诊断，选择优化 中图分类号：TK428 文献标识码：A Study On Diesel Engine Fault Diagnosis o based on Optional Optimized Genetic Neural Network Wang Xin, Yu Hongliang, Duan Shulin,Song Yuchao (College of Marine Engineering, Dalian Maritime University, 116026, Dalian, China) Abstract: According to the motion law of diesel engine valve, the characteristic vector of cylinder vibration signal is extracted by wavelet packet decomposition. Weights and threshold of back propagation genetic algorithms is optimized by max optional factor. Experimental results on WD615 diesel engine showed that the method has obvious advantages and better accuracy rate of detection. Key words: Vibration Signal, BP Neural Network, Fault Diagnosis, Optional optimization 柴油机缸盖由于直接受缸内压力及气阀机构的冲击，其振动信号包含丰富的信息。国内 外一直在开展监测缸盖振动信号实现快速无损检测及故障诊断方面的研究。[1]BP 神经网络 法是一种用于故障模式识别较为常见的方法，虽已经应用于各个领域，但仍存在相应的不足。 其中主要包括：收敛速度慢、权值和阈值分配不合理、容易陷入局部极小值等。近年来，很 多学者提出了各种各样的优化算法来解决这些问题，如高宪军等人是用遗传算法来实现神经 网络的训练[2] 。这些方法虽然对网络的权值和阈值做了寻优处理，但实践表明，对权值、域 值进行普遍寻优可能导致网络训练时间复杂度过大，且优化范围过大，使无关紧要的节点仍 存在被赋予过大权重的可能，最终影响诊断结果。 气门机构故障是柴油机最容易发生故障的动力系统故障之一，据统计，其故障率占柴油 [3] 机故障总数的 17.1%。 因此本文通过人工调整气阀间隙模拟柴油机气门机构故障。将实验 采集的柴油机缸盖振动数据，采用小波降噪并经四层小波包分解提取特征值，将不同工况的 特征值按照 1:9 的比例作为神经网络的对BP 网络的测试和训练样本。通过设置最大优化因 子，利用遗传算法，有选择的对神经网络的权值和阈值进行寻优处理，取得了良好效果。 1 理论分析与特征提取 1.1 气阀运动理论分析 动力学模型是柴油机配气机构研究的重要内容之一。研究人员在运动弹性动力学的基础 上，建立了一系列配气机构动力学模型[4] 。根据动力学分析可知，配气机构的顶杆在进、排 气凸轮的驱动下，推动摇臂使气门及时开启，换气完毕后再依靠气门弹簧的弹性，恢复关闭 状态。可将动力学模型简化为图 1 中的单质量模型。 项目基金：辽宁自然科学基金项目（基金编号）中央高校基本科研业务费资助项目 （基金编号：2009QN027 ）