張國嶺(大連海事大學(xué) 輪機工程學(xué)院，遼寧 大連 116026)

維修理論

基于模糊神經(jīng)網(wǎng)絡(luò)的RT-flex柴油機燃油系統(tǒng)故障診斷

張國嶺
(大連海事大學(xué) 輪機工程學(xué)院，遼寧 大連 116026)

介紹了RT-flex60C柴油機燃油系統(tǒng)的常見故障類型，針對其故障類型提出了以傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)為主，利用模糊理論作為補充的一種智能故障診斷方法。建立了基于模糊BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型，并運用MATLAB軟件進(jìn)行了仿真測試研究，闡明了該方法的有效性。

燃油系統(tǒng)；模糊神經(jīng)網(wǎng)絡(luò)；故障診斷

柴油機燃油系統(tǒng)因其結(jié)構(gòu)比較復(fù)雜，故障率較高，英國柴油機工程師與用戶協(xié)會提供的資料表明，造成柴油機停機故障的原因中，有27%是燃油系統(tǒng)故障[1]。

近十幾年來，高壓共軌燃油系統(tǒng)受到業(yè)界越來越多的青睞,其在降低油耗、改善排放、噴油正時和噴油率優(yōu)化控制方面占據(jù)絕對的優(yōu)勢[2]。因此，開展共軌柴油機故障診斷的研究也是相當(dāng)必要，有著重要的意義。

本文提出了基于模糊BP神經(jīng)網(wǎng)絡(luò)的一種智能故障診斷方法。故障診斷系統(tǒng)首先將采集的RT-flex60C型柴油機燃油系統(tǒng)故障征兆參數(shù)，進(jìn)行模糊化處理后作為BP神經(jīng)網(wǎng)絡(luò)的輸入，然后利用BP神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶能力進(jìn)行燃油系統(tǒng)故障模式識別，輸出層推理出該系統(tǒng)的故障診斷結(jié)果。

1 RT-flex60C柴油機燃油系統(tǒng)常見故障分析

本文在故障診斷研究的過程中選擇燃油系統(tǒng)的供給部分和RT-flex系列柴油機特有的共軌系統(tǒng)作為研究對象。

燃油供給單元主要包括燃油供給泵、燃油循環(huán)泵、燃油混合桶、霧化加熱器和自清濾器等，它們的相互關(guān)系如圖1所示。

RT-flex系列柴油機的電控共軌技術(shù)能夠?qū)崿F(xiàn)對燃油噴射與排氣閥執(zhí)行機構(gòu)的智能控制，可以自由選擇噴射壓力、氣閥正時，實現(xiàn)低NOx排放、高燃燒效率以及在所有負(fù)荷狀態(tài)下無煙運行，最低穩(wěn)定轉(zhuǎn)速可低至額定轉(zhuǎn)速的10%～12%且仍保持無煙運行，還可以設(shè)置特殊的氣閥正時，用于緊急停車和快速加載[3]。

RT-flex60C柴油機共軌系統(tǒng)由燃油共軌系統(tǒng)、伺服油共軌系統(tǒng)、控制油系統(tǒng)和WECS9500控制系統(tǒng)組成，其基本結(jié)構(gòu)如圖2所示。在該系統(tǒng)中，取消了凸輪軸裝置， WECS9500控制系統(tǒng)根據(jù)曲軸轉(zhuǎn)角傳感器判斷，通過電磁閥打開相應(yīng)的汽缸啟動閥，使3.0 MPa啟動空氣進(jìn)入柴油機汽缸，進(jìn)行柴油機的啟動。同樣，由圖2可知排氣閥啟閉時刻以及燃油的噴射定時和噴射量的控制也是由WECS9500控制系統(tǒng)通過電磁閥控制20 MPa的伺服液壓油進(jìn)行相應(yīng)的控制。

圖2 RT-flex共軌系統(tǒng)基本結(jié)構(gòu)圖

本文中研究的幾個燃油系統(tǒng)常見的故障類型及相應(yīng)的參數(shù)變化如表1所示，其相應(yīng)的參數(shù)變化可以通過各種傳感器測量獲得。

表1 RT-flex60C柴油機燃油系統(tǒng)常見故障類型及參數(shù)變化

2 模糊神經(jīng)網(wǎng)絡(luò)故障診斷模型

2.1模糊神經(jīng)網(wǎng)絡(luò)理論

將模糊理論和神經(jīng)網(wǎng)絡(luò)結(jié)合起來組成的模糊神經(jīng)網(wǎng)絡(luò)既能處理專家經(jīng)驗和知識，又能通過自我學(xué)習(xí)來增加系統(tǒng)的判斷能力。本文中，故障征兆參數(shù)經(jīng)過模糊化處理后輸入到神經(jīng)網(wǎng)絡(luò)中，使網(wǎng)絡(luò)輸入?yún)?shù)更加規(guī)則，這樣可以克服BP神經(jīng)網(wǎng)絡(luò)本身具有的根本缺陷(當(dāng)網(wǎng)絡(luò)輸入不規(guī)則時，可能導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)的收斂速度緩慢，甚至無法收斂)[4]。二者的結(jié)合方式如圖3所示的串聯(lián)型結(jié)合方式。

圖3 串聯(lián)型結(jié)合圖

在模糊理論的實際應(yīng)用中，如何確定模糊集的隸屬函數(shù)便是我們需要解決的首要問題[5]。在很多情況下，通常用一些常用的分布函數(shù)來近似地作為隸屬函數(shù)，從而來描述一些模糊變量，這是最簡單有效的方法[6]。本文選擇半梯形分布函數(shù)作為故障征兆參數(shù)的隸屬度函數(shù)。

2.2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

本文的模糊神經(jīng)網(wǎng)絡(luò)設(shè)置為4層，分別為模糊化層、輸入層、中間層和輸出層，其結(jié)構(gòu)如圖4所示。

圖4 模糊BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2.1 模糊化過程

根據(jù)采集到的故障征兆參數(shù)，建立其隸屬度函數(shù)。本文選擇半梯形分布函數(shù)作為故障征兆參數(shù)的隸屬度函數(shù)，對采集到的故障征兆參數(shù)進(jìn)行模糊化處理。所以隸屬度函數(shù)為：

(1)

式中：A(x)為模糊化后的值;x為故障征兆變量的原始值；a、b分別為故障征兆變量原始值中的最小值和最大值。

所采集到的燃油系統(tǒng)故障征兆參數(shù)如表2，其中P1為供給泵出口壓力，P2為霧化加熱后燃油黏度，P3為霧化加熱后燃油溫度，P4為高壓油泵出口壓力，P5為共軌壓力，P6為啟閥壓力，P7為伺服油泵出口壓力；T1為燃油供給泵故障，T2為霧化加熱器故障(加熱不良)，T3為高壓油泵故障，T4為燃油共軌故障，T5為噴油器故障，T6為伺服油泵故障。

表2 故障征兆參數(shù)

經(jīng)過模糊化處理后的參數(shù)結(jié)果如表3。

表3 模糊化處理后的結(jié)果

2.2.2 輸入層

輸入層神經(jīng)元個數(shù)是根據(jù)采集到的故障征兆參數(shù)的種類來確定的，本文將采集到的故障征兆參數(shù)如前所述，共7個，所以神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)為7個。

2.2.3 輸出層

輸出層神經(jīng)元的個數(shù)取決于故障類型的種類，本文采集的故障類型如前所述，共6個，所以BP網(wǎng)絡(luò)的輸出層神經(jīng)元個數(shù)為6個。

根據(jù)表4中采集到的數(shù)據(jù)和其對應(yīng)的故障類型，可得BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的期望輸出，即表4中故障征兆參數(shù)所對應(yīng)的故障模式。

表4 故障模式

2.2.4 隱含層

隱含層的節(jié)點數(shù)由經(jīng)驗公式來確定，經(jīng)驗公式如下：

n2=2n1+1，

(2)

式中:n1為輸入層節(jié)點數(shù)；n2為隱含層節(jié)點數(shù)。

本文中BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)n1為7，所以根據(jù)經(jīng)驗公式可得隱含層神經(jīng)元個數(shù)的初始值為15，本文先以隱含層神經(jīng)元個數(shù)為15進(jìn)行網(wǎng)絡(luò)訓(xùn)練，觀察網(wǎng)絡(luò)訓(xùn)練效果。

2.3神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

網(wǎng)絡(luò)訓(xùn)練選擇常用的S型正切函數(shù)tansig作為隱含層神經(jīng)元的傳遞函數(shù)，由于經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的輸出應(yīng)該在0和1之間，然后再根據(jù)最大隸屬度原則判斷故障類型，因此，選擇S型對數(shù)函數(shù)logsig作為輸出層神經(jīng)元的傳遞函數(shù)，這恰好滿足網(wǎng)絡(luò)的要求。

網(wǎng)絡(luò)的訓(xùn)練函數(shù)通常選取傳統(tǒng)的梯度下降法traingd訓(xùn)練函數(shù)，但是這種傳統(tǒng)的訓(xùn)練函數(shù)往往會造成網(wǎng)絡(luò)的收斂過程特別慢，通常需要幾千步、甚至上萬步才能收斂。因此，人們需要找到提高BP神經(jīng)算法收斂速度的方法，本文采用traingdx訓(xùn)練函數(shù)(有動量和自適應(yīng)學(xué)習(xí)速率的梯度下降法)，這樣能在保證網(wǎng)絡(luò)收斂精度的同時有效地提高網(wǎng)絡(luò)的收斂速度。訓(xùn)練步長設(shè)置為1 000，全局誤差設(shè)定為0.001。

運用MATLAB軟件的語句編程進(jìn)行仿真測試，主要代碼如下：

net=newff(minmax(P),[15,6],{‘tansig’,’logsig’},’traingdx’);

net.trainParam.epochs=1 000;

net.trainParam.goal=0.001;

[net,tr]=train(net,P,T)。

取表3中模糊化后的數(shù)據(jù)P作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，期望輸出數(shù)據(jù)為T，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

經(jīng)過198步的訓(xùn)練后網(wǎng)絡(luò)性能達(dá)到要求，網(wǎng)絡(luò)訓(xùn)練曲線如圖5所示。

訓(xùn)練結(jié)果表明，本文提出的網(wǎng)絡(luò)結(jié)構(gòu)即對采集到的參數(shù)進(jìn)行模糊處理，使輸入?yún)?shù)變的更加規(guī)則；同時又對傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，采用了有動量和自適應(yīng)學(xué)習(xí)速率的traingdx訓(xùn)練函數(shù)，這2種改進(jìn)措施大大改善了網(wǎng)絡(luò)的訓(xùn)練效果。

圖5 網(wǎng)絡(luò)訓(xùn)練曲線圖

3 模糊BP神經(jīng)網(wǎng)絡(luò)故障診斷

以先用訓(xùn)練樣本本身數(shù)據(jù)(如表3所示)送入到訓(xùn)練完成的網(wǎng)絡(luò)中，觀察網(wǎng)絡(luò)是否能夠?qū)ψ陨頂?shù)據(jù)進(jìn)行識別，其識別結(jié)果如表5所示，從中我們可以觀察到自身數(shù)據(jù)檢測正確率為100%。

表5 自身數(shù)據(jù)識別結(jié)果

再取4組實際采集的數(shù)據(jù)進(jìn)行測試，如表6所示，4組數(shù)據(jù)正好對應(yīng)著4種故障類型。首先對采集的數(shù)據(jù)進(jìn)行模糊化處理，處理結(jié)果如表7所示，將經(jīng)過模糊化處理的測試數(shù)據(jù)送入到訓(xùn)練好的網(wǎng)絡(luò)中，觀察故障的識別效果。

通過MATLAB軟件的仿真測試，測試結(jié)果如表8所示。

表6 故障數(shù)據(jù)

表7 模糊化處理結(jié)果

表8 測試結(jié)果

診斷數(shù)據(jù)可以看出，診斷結(jié)果已經(jīng)能夠準(zhǔn)確識別4種故障類型，診斷誤差為0.217 7、0.285 4、0.171 3和0.058 2，可以看出診斷誤差已經(jīng)可以滿足燃油系統(tǒng)故障診斷的實際工作需要了。

4 結(jié)束語

本文分析了RT-flex60C柴油機燃油系統(tǒng)的供給部分和共軌系統(tǒng)的常見故障類型和故障征兆參數(shù)變化情況。對傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，首先對網(wǎng)絡(luò)輸入?yún)?shù)進(jìn)行模糊處理，使其更加規(guī)則，其次采用了有動量和自適應(yīng)學(xué)習(xí)速率的traingdx訓(xùn)練函數(shù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，從而提出了模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的方法，并建立了模糊BP神經(jīng)網(wǎng)絡(luò)故障診斷模型。最后運用MATLAB軟件進(jìn)行仿真模擬，仿真結(jié)果表明本文提出的故障診斷方法和模型具有簡單、快速、準(zhǔn)確的特點，是一種實用的智能故障診斷方法。

[1]何俊強，李建勇，江濤濤，等．GASA-SVM改進(jìn)算法及其在柴油機供油系統(tǒng)故障診斷中的應(yīng)用[J]．西南科技大學(xué)學(xué)報，2011,26(2)：44-48．

[2]尹成彬，歐大生，張曉懷，等．船用共軌柴油機燃油噴射系統(tǒng)控制策略研究[J]．柴油機，2012，35(5)：22-26．

[3]周春東．關(guān)于柴油機高壓共軌燃油噴射系統(tǒng)評析[J]．武漢航海，2010，5(1)：5-7．

[4]于洪波．船舶燃油供給系統(tǒng)故障診斷研究[D]．大連：大連海事大學(xué)，2012．

[5]王生昌，趙永杰，許青杰．基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J]．汽車工程，2006，28(4)：398-400．

[6]熊瑞庭．基于模糊神經(jīng)網(wǎng)絡(luò)的電梯故障診斷系統(tǒng)的研究[D]．武漢：武漢理工大學(xué)，2010．

The common faults of the engine fuel oil system RT-flex60C were introduced in this paper.According to these faults,an intelligent fault diagnosis method based on fuzzy theory was presented as a supplement to the traditional BP neural network.The fault diagnosis model was established based on the fuzzy BP neural network.At last,the MATLAB software is used to simulate and test,which clarified the validity of this fault diagnosis method.

fuel oil system;fuzzy neural network;fault diagnosis

U672

10.13352/j.issn.1001-8328.2015.02.014

張國嶺(1989-)，男，河北唐山人，在讀碩士研究生，主要從事輪機工程研究。

2014-09-15