肖玉玲，孫麗娜

(河南化工職業(yè)學(xué)院機(jī)械電子系，河南鄭州 450042)

基于概率神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷方法研究

肖玉玲，孫麗娜

(河南化工職業(yè)學(xué)院機(jī)械電子系，河南鄭州 450042)

利用概率神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)動(dòng)機(jī)故障進(jìn)行診斷，建立了發(fā)動(dòng)機(jī)故障診斷的概率神經(jīng)網(wǎng)絡(luò)模型，利用MATLAB對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并運(yùn)用測(cè)試樣本對(duì)網(wǎng)絡(luò)性能進(jìn)行測(cè)試.結(jié)果表明，該網(wǎng)絡(luò)學(xué)習(xí)速度快、診斷準(zhǔn)確率高、泛化能力強(qiáng)，可以對(duì)系統(tǒng)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和診斷.

概率神經(jīng)網(wǎng)絡(luò);發(fā)動(dòng)機(jī);故障診斷

0 引言

傳統(tǒng)的故障模式診斷采用的基本方法是判別函數(shù)，即利用判別函數(shù)來(lái)劃分類(lèi)別.由于在大多數(shù)情況下，尤其是線(xiàn)性不可分的復(fù)雜決策區(qū)域，判別函數(shù)的形式格外復(fù)雜，而且較為全面的典型參考模式樣本也不容易得到.神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)模式識(shí)別技術(shù)，可以充分利用各種狀態(tài)信息進(jìn)行訓(xùn)練，從而獲得某種映射關(guān)系.概率神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則簡(jiǎn)單、訓(xùn)練速度快、避免局部極小和反復(fù)訓(xùn)練的問(wèn)題［1］.本文提出一種基于徑向基的概率神經(jīng)網(wǎng)絡(luò)模型，用于發(fā)動(dòng)機(jī)故障模式的診斷［2－4］.仿真結(jié)果表明，該網(wǎng)絡(luò)學(xué)習(xí)速度快，診斷準(zhǔn)確率高，對(duì)樣本噪聲的魯棒性強(qiáng)，可以對(duì)系統(tǒng)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和診斷.

1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Networks，PNN)是一種結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練簡(jiǎn)潔、具有較強(qiáng)容錯(cuò)能力和結(jié)構(gòu)自適應(yīng)能力的徑向基函數(shù)(Radical Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)，主要用于模式分類(lèi)和故障診斷.

1.1 概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

概率神經(jīng)網(wǎng)絡(luò)是一種具有單隱層的三層前向神經(jīng)網(wǎng)絡(luò).輸入層將系統(tǒng)提取的特征參數(shù)直接傳遞給隱含層，不做任何處理，因此，輸入層僅僅起到傳輸信號(hào)的作用，其神經(jīng)元的個(gè)數(shù)與輸入樣本向量的維數(shù)相同.輸入層和隱含層之間可以看做權(quán)值為1的連接.

隱含層也稱(chēng)為模式層，采用非線(xiàn)性?xún)?yōu)化策略，對(duì)徑向基函數(shù)(通常為高斯函數(shù))的參數(shù)進(jìn)行調(diào)整，得到故障模式的估計(jì)概率密度函數(shù).模式層神經(jīng)元的個(gè)數(shù)由故障樣本數(shù)據(jù)的多少?zèng)Q定，當(dāng)故障樣本的數(shù)量增加時(shí)，模式層神經(jīng)元的個(gè)數(shù)也將隨之增加.

輸出層采用線(xiàn)性?xún)?yōu)化策略，是隱單元輸出的線(xiàn)性加權(quán)和.輸出層神經(jīng)元的個(gè)數(shù)與故障模式數(shù)相等.輸出層神經(jīng)元是一種競(jìng)爭(zhēng)神經(jīng)元，它根據(jù)貝葉斯分類(lèi)規(guī)則，將輸入向量分到具有最大后驗(yàn)概率密度的類(lèi)別中，即概率密度最大的神經(jīng)元輸出為1，其他神經(jīng)元輸出全為0.

1.2 概率神經(jīng)網(wǎng)絡(luò)的分類(lèi)過(guò)程

概率神經(jīng)網(wǎng)絡(luò)的分類(lèi)過(guò)程如下:①對(duì)已有歷史數(shù)據(jù)進(jìn)行處理，得到網(wǎng)絡(luò)學(xué)習(xí)與診斷需要的訓(xùn)練樣本和診斷輸入，處理后直接送入隱含層;②用一定數(shù)量的訓(xùn)練樣本集訓(xùn)練網(wǎng)絡(luò)，得到期望的輸出;③利用診斷輸入對(duì)系統(tǒng)進(jìn)行診斷.基于概率神經(jīng)網(wǎng)絡(luò)PNN的診斷系統(tǒng)結(jié)構(gòu)如圖1.

2 建立發(fā)動(dòng)機(jī)故障診斷的概率神經(jīng)網(wǎng)絡(luò)模型

2.1 發(fā)動(dòng)機(jī)故障診斷模型

進(jìn)行發(fā)動(dòng)機(jī)故障診斷時(shí)，首先要從發(fā)動(dòng)機(jī)瞬時(shí)轉(zhuǎn)速信號(hào)提取相關(guān)的特征參數(shù)作為故障征兆，然后利用概率神經(jīng)網(wǎng)絡(luò)診斷得出故障模式.其診斷模型如圖2所示.

2.2 故障征兆集特征參數(shù)的提取

在發(fā)動(dòng)機(jī)運(yùn)行過(guò)程中，選用特征參數(shù)AI(最大加速度指標(biāo))、MA(平均加速度指標(biāo))、DI(最大減速度指標(biāo))、MD(平均減速度指標(biāo))、PR(燃爆時(shí)上升速度)、TR(扭矩諧波分量比)作為網(wǎng)絡(luò)的輸入.

2.3 故障模式的類(lèi)別

發(fā)動(dòng)機(jī)運(yùn)行過(guò)程中，油路和氣路出現(xiàn)故障是最多的.以發(fā)動(dòng)機(jī)某一汽缸為例，這里將發(fā)動(dòng)機(jī)汽缸故障分為單一故障和復(fù)合故障兩大類(lèi).單一故障包括:油路故障、氣門(mén)故障、汽缸故障三種模式;復(fù)合故障包括:油路—?dú)忾T(mén)故障、油路—汽缸故障、氣門(mén)—汽缸故障三種故障模式.考慮發(fā)動(dòng)機(jī)的正常狀態(tài)模式，可知發(fā)動(dòng)機(jī)故障模式共有7種，分別用A(正常)、B(油路故障)、C(氣門(mén)故障)、D(汽缸故障)、E(油路—?dú)忾T(mén)故障)、F(油路—汽缸故障)、G(氣門(mén)—汽缸故障)表示.此7種故障作為概率神經(jīng)網(wǎng)絡(luò)的輸出，對(duì)應(yīng)的二進(jìn)制描述如表1所示.由此可知，所設(shè)計(jì)的概率神經(jīng)網(wǎng)絡(luò)輸出層應(yīng)有7個(gè)神經(jīng)元.

表1 故障模式的二進(jìn)制描述Tab.1Binary description of fault modes

2.4 概率神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

概率神經(jīng)網(wǎng)絡(luò)是一種單隱層的前向型神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成.其輸入層神經(jīng)元個(gè)數(shù)與輸入樣本向量的維數(shù)相同，輸出層神經(jīng)元個(gè)數(shù)等于訓(xùn)練樣本數(shù)據(jù)的總數(shù).由以上分析可知，網(wǎng)絡(luò)輸入層神經(jīng)元的個(gè)數(shù)有6個(gè)，分別對(duì)應(yīng)發(fā)動(dòng)機(jī)運(yùn)行特征參數(shù):AI、MA、DI、MD、PR、TR.隱含層神經(jīng)元的個(gè)數(shù)由故障樣本數(shù)據(jù)的多少?zèng)Q定.這里取12個(gè)節(jié)點(diǎn)，分別對(duì)應(yīng)6個(gè)輸入節(jié)點(diǎn)的故障和正常中的12種模式.輸出層的神經(jīng)元個(gè)數(shù)有7個(gè)，分別對(duì)應(yīng)發(fā)動(dòng)機(jī)汽缸的7種故障模式:A、B、C、D、E、F、G.所設(shè)計(jì)的概率神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖3所示.其中，隱含層、輸出層分別采用高斯函數(shù)、線(xiàn)性函數(shù)作為傳遞函數(shù).

圖3 PNN網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)Fig.3Topological structure of PNN

3 概率神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程和性能測(cè)試

3.1 概率神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程

概率神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法屬于有導(dǎo)師的學(xué)習(xí).在訓(xùn)練網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)將訓(xùn)練樣本向量不做任何的修改，直接存儲(chǔ)為網(wǎng)絡(luò)的模式樣本向量.用于網(wǎng)絡(luò)學(xué)習(xí)的樣本數(shù)據(jù)如表2所示.

表2 網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)Tab.2Sample data of network training

由于這些數(shù)據(jù)之間相差不大，因此，不需要進(jìn)行歸一化處理，可以直接對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.

在MATLAB提供的軟件環(huán)境下，應(yīng)用語(yǔ)句:net=newpnn(P，T，Spread)創(chuàng)建概率神經(jīng)網(wǎng)絡(luò)函數(shù)，其中，P為網(wǎng)絡(luò)的輸入樣本向量，對(duì)應(yīng)表2的故障樣本;T為網(wǎng)絡(luò)的目標(biāo)向量，對(duì)應(yīng)表2中的預(yù)測(cè)故障;Spread為徑向基函數(shù)的分布密度，其默認(rèn)值為0.1.Spread的取值大小，決定了網(wǎng)絡(luò)包含的聚類(lèi)區(qū)域的范圍大小，對(duì)網(wǎng)絡(luò)的性能有較大的影響.為了更好地分析Spread對(duì)網(wǎng)絡(luò)性能的影響，仿真過(guò)程中，分別取Spread=0.1、0.2、0.3、0.4、0.5.

利用上述語(yǔ)句創(chuàng)建概率神經(jīng)網(wǎng)絡(luò)的同時(shí)，可以自動(dòng)增加隱含層神經(jīng)元的個(gè)數(shù)，直到均方差滿(mǎn)足要求為止，也就是說(shuō)，在用newpnn創(chuàng)建概率神經(jīng)網(wǎng)絡(luò)的同時(shí)，已經(jīng)完成了對(duì)網(wǎng)絡(luò)的訓(xùn)練.調(diào)用以下語(yǔ)句檢驗(yàn)網(wǎng)絡(luò)在Spread不同取值下對(duì)訓(xùn)練樣本數(shù)據(jù)的分類(lèi)情況.

以上仿真結(jié)果表明，此概率神經(jīng)網(wǎng)絡(luò)能夠成功地將故障分為7種預(yù)定的故障模式.學(xué)習(xí)速度快，診斷準(zhǔn)確率高，對(duì)Spread小范圍內(nèi)的變化不敏感.

3.2 概率神經(jīng)網(wǎng)絡(luò)性能測(cè)試

為了檢驗(yàn)概率神經(jīng)網(wǎng)絡(luò)的泛化能力，運(yùn)用表3中的測(cè)試樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試.

表3 網(wǎng)絡(luò)測(cè)試樣本數(shù)據(jù)Tab.3Network test sample data

調(diào)用測(cè)試語(yǔ)句如下:

網(wǎng)絡(luò)輸出結(jié)果與實(shí)際運(yùn)行情況一致，該網(wǎng)絡(luò)能夠有效地對(duì)發(fā)動(dòng)機(jī)故障進(jìn)行診斷.當(dāng)故障樣本增加時(shí)，隱含層神經(jīng)元的個(gè)數(shù)也將隨之增加.隨著故障知識(shí)的不斷增多，網(wǎng)絡(luò)不斷橫向擴(kuò)張，故障診斷的準(zhǔn)確度將不斷提高.

4 結(jié)束語(yǔ)

本文基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)理論設(shè)計(jì)了一種可用于發(fā)動(dòng)機(jī)故障診斷的網(wǎng)絡(luò)模型.MATLAB實(shí)驗(yàn)表明，概率神經(jīng)網(wǎng)絡(luò)可以最大程度地利用故障先驗(yàn)知識(shí)，按照貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則對(duì)發(fā)動(dòng)機(jī)故障進(jìn)行定性診斷.網(wǎng)絡(luò)訓(xùn)練速度快，適于對(duì)故障的實(shí)時(shí)監(jiān)控和診斷;網(wǎng)絡(luò)泛化能力強(qiáng)，故障診斷準(zhǔn)確率高;對(duì)樣本噪聲的魯棒性強(qiáng).

［1］張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］.北京:機(jī)械工業(yè)出版社，2009.

［2］付芹，谷立臣.PNN在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用［J］.煤礦機(jī)械，2009，30(11):243－245.

［3］姬東朝，宋筆鋒，易華輝.基于概率神經(jīng)網(wǎng)絡(luò)的設(shè)備故障診斷及仿真分析［J］.火力與指揮控制，2009，34(1):82－85.

［4］谷雷，楊青，王大志.概率神經(jīng)網(wǎng)絡(luò)在化工過(guò)程故障檢測(cè)中的應(yīng)用［J］.控制工程，2008(5):128－130.

Research on Fault Diagnosis of Engines Based on Probabilistic Neural Networks

XIAO Yu-ling，SUN Li-na

(Department of Mechanical and Electronic，Henan Vocational College of Chemical Technology，Zhengzhou 450042，China)

A probabilistic neural network was used in fault diagnosis of engines.The model of probabilistic neural networks was set up and trained by MATLAB.The sample data were tested in the networks.The results showed that this network was rapid，precise and full of powerful generalization ability and ease for the real time detection and fault diagnosis.

probabilistic neural network;engine;fault diagnosis

TP183

A

1007－0834(2012)03－0037－04

10.3969/j.issn.1007－0834.2012.03.012

2012－04－23

河南省教育廳科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目(12A510009)

肖玉玲(1970—)，女，河南鄭州人，河南化工職業(yè)學(xué)院機(jī)械電子系高級(jí)講師.