賀子祺 儲(chǔ)江偉 周桓宇

摘 要：針對(duì)森林消防車發(fā)動(dòng)機(jī)電控系統(tǒng)故障診斷問題，本文設(shè)計(jì)了基于數(shù)據(jù)融合的森林消防車電控發(fā)動(dòng)機(jī)故障診斷方法。該方法診斷模型由基于反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation，簡(jiǎn)稱為 BP）的數(shù)據(jù)融合方法、基于概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，簡(jiǎn)稱為PNN）的分類方法和基于DS（Dempster/Shafer，簡(jiǎn)稱為DS）證據(jù)理論的決策融合方法組成。首先，根據(jù)原始數(shù)據(jù)樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)以達(dá)到原始數(shù)據(jù)融合的目的，而后分別對(duì)經(jīng)過數(shù)據(jù)融合的原始數(shù)據(jù)和未經(jīng)數(shù)據(jù)融合的原始數(shù)據(jù)進(jìn)行基于KL（Karhunen Loéve）變換的特征提取。然后，使用特征提取后的數(shù)據(jù)訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)，并使用訓(xùn)練好的網(wǎng)絡(luò)驗(yàn)證測(cè)試樣本。最后，采用DS證據(jù)理論對(duì)初步診斷結(jié)論進(jìn)行決策級(jí)融合。研究結(jié)果表明，基于數(shù)據(jù)融合和概率神經(jīng)網(wǎng)絡(luò)的方法可有效地提高森林消防車電控系統(tǒng)的故障診斷精度。

關(guān)鍵詞：概率神經(jīng)網(wǎng)絡(luò); 數(shù)據(jù)融合; DS證據(jù)理論; 電控發(fā)動(dòng)機(jī); 故障診斷

中圖分類號(hào)：S??? 文獻(xiàn)標(biāo)識(shí)碼：A?? 文章編號(hào)：1006-8023（2021）04-0087-07

Research on Fault Diagnosis Method of Electronic Control System

of Forest Fire Engine

HE Ziqi1， CHU Jiangwei1*， ZHOU Huanyu2

（1.School of Traffic and Transportation， Northeast Forestry University， Harbin 150040， China;

2.College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：Aiming at the problem of fault diagnosis of electronically controlled engine of forest fire truck， this paper designed a fault diagnosis method of electronically controlled engine of forest fire trunk based on data fusion. The diagnosis model of this method consisted of data fusion method with BP neural network， classification method by probabilistic neural network and decision fusion method based on D-S evidence theory. First of all， the BP neural network trained by the data samples was to achieve the purpose of original data fusion. Next， the data with and without data fusion was performed a feature extraction operation by K-L transform. Then， the data after feature extraction was used to train the probabilistic neural network， and the trained network was used to verify the test samples. Finally， the D-S evidence theory was used to fuse the preliminary diagnosis conclusion at the decision level. The simulation results showed that the method based on data fusion and probabilistic neural network can effectively improve the fault diagnosis accuracy of the electronic control system for forest fire truck.

Keywords：Probabilistic neural network; data fusion; D-S evidence theory; electronically controlled engine; fault diagnosis

收稿日期：2021-03-01

基金項(xiàng)目：國(guó)家大學(xué)生創(chuàng)新創(chuàng)業(yè)項(xiàng)目 （202010225172）

*通信作者：儲(chǔ)江偉，博士，教授。 研究方向?yàn)殡娍毓收显\斷。 E-mail： cjw_62@163.com

引文格式：賀子祺，儲(chǔ)江偉，周桓宇. 森林消防車發(fā)動(dòng)機(jī)電控系統(tǒng)故障診斷方法研究[J]. 森林工程，2021，37（4）：87-93.

HE Z Q， CHU J W， ZHOU H Y. Research on fault diagnosis method of electronic control system of forest fire engine[J]. Forest Engineering， 2021，37（4）：87-93.

0 引言

森林火災(zāi)作為四大森林災(zāi)害之首，對(duì)我國(guó)森林保護(hù)及林業(yè)經(jīng)濟(jì)具有潛在的巨大威脅。森林消防車作為當(dāng)前森林滅火的主要工具，確保其運(yùn)行過程中各個(gè)性能指標(biāo)處于正常狀態(tài)，是保證森林火情發(fā)生時(shí)能有效地抑制火情蔓延、減小林業(yè)資源損失的前提。由此可見，有必要使用先進(jìn)而有效的消防車電控發(fā)動(dòng)機(jī)故障診斷技術(shù)，以保障森林消防車安全有效地執(zhí)行森林滅火任務(wù)。本研究借鑒了相關(guān)汽車發(fā)動(dòng)機(jī)故障診斷的實(shí)踐經(jīng)驗(yàn)，對(duì)基于概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，簡(jiǎn)稱為PNN）和數(shù)據(jù)融合理論的森林消防車輛電控發(fā)動(dòng)機(jī)故障診斷方法進(jìn)行研究。目前，電控發(fā)動(dòng)機(jī)故障診斷方法可以分為基于模型驅(qū)動(dòng)的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法。其中，基于模型的故障診斷方法高度依賴于模型的準(zhǔn)確性，具體來說是將模型預(yù)測(cè)值與系統(tǒng)運(yùn)行值進(jìn)行比較，其過程高度依賴數(shù)學(xué)模型的準(zhǔn)確性。然而，對(duì)于較為復(fù)雜的系統(tǒng)，通常很難得到其精確模型。而數(shù)據(jù)驅(qū)動(dòng)方法不需要數(shù)學(xué)模型，僅依賴于一定量的原始數(shù)據(jù)。該方法可以實(shí)時(shí)地監(jiān)測(cè)系統(tǒng)中的信號(hào)，自動(dòng)判斷出發(fā)動(dòng)機(jī)的運(yùn)行狀況。

對(duì)于電控發(fā)動(dòng)機(jī)故障診斷來說，常用的數(shù)據(jù)驅(qū)動(dòng)方法包括反向傳播（Back Propagation，簡(jiǎn)稱為BP）神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（Support Vector Machine，簡(jiǎn)稱為SVM）[1- 2]、徑向基神經(jīng)網(wǎng)絡(luò)（Radial Basis Function，簡(jiǎn)稱為RBF）[3-4]等機(jī)器學(xué)習(xí)方法，以及深度置信網(wǎng)絡(luò)[5-6]、自編碼器[7-8]、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)[9-10]等深度學(xué)習(xí)方法和基于多傳感器數(shù)據(jù)采集的信息融合方法（又稱為數(shù)據(jù)融合）。其中，BP神經(jīng)網(wǎng)絡(luò)是一種基于連接結(jié)構(gòu)的非邏輯、非語言的人工智能方法，具有并行結(jié)構(gòu)、并行處理、分布式存儲(chǔ)、容錯(cuò)性好、自組織和自學(xué)習(xí)等優(yōu)點(diǎn)。例如，使用BP神經(jīng)網(wǎng)絡(luò)結(jié)合自組織映射神經(jīng)網(wǎng)絡(luò) （Self organizing feature Map，簡(jiǎn)稱為SOM）來進(jìn)行混合動(dòng)力汽車的故障診斷[11];基于改進(jìn)粒子群優(yōu)化算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型用于航空發(fā)動(dòng)機(jī)傳感器的故障診斷[12]。BP神經(jīng)網(wǎng)絡(luò)不僅可以作為分類模型，同樣也是一種信息融合方法[13-14]。用PNN作為電控發(fā)動(dòng)機(jī)的故障診斷模型，可將訓(xùn)練好的PNN對(duì)發(fā)動(dòng)機(jī)單缸、雙缸失火進(jìn)行準(zhǔn)確地診斷和定位[15]。此外，在較為復(fù)雜的柴油發(fā)動(dòng)機(jī)故障診斷問題上，作為分類模型的PNN相較于BP神經(jīng)網(wǎng)絡(luò)和人工診斷法常常具有更高的準(zhǔn)確率[16-18]。PNN還被用于船舶燃?xì)廨啓C(jī)的氣路故障檢測(cè)，取得了良好的效果[19]。

DS（Dempster/Shafer，簡(jiǎn)稱為DS）證據(jù)理論是一種比傳統(tǒng)概率論更好地把握問題的不可預(yù)測(cè)性和不確定性的有效方法，作為證據(jù)合成的方法可以對(duì)不同來源的證據(jù)進(jìn)行融合。例如，提取內(nèi)燃機(jī)8種不同氣門狀態(tài)的缸蓋振動(dòng)信號(hào)的時(shí)頻圖像并使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，其輸出結(jié)果作為概率值并通過DS證據(jù)理論得到最終診斷結(jié)果[20];另外，DS證據(jù)理論也被用于發(fā)動(dòng)機(jī)故障診斷結(jié)果準(zhǔn)確性的評(píng)估方法[21]，以及通過改進(jìn)DS證據(jù)理論方法[22]來進(jìn)一步提高燃?xì)廨啓C(jī)故障識(shí)別精度等。

1 發(fā)動(dòng)機(jī)電控系統(tǒng)工作原理

電控發(fā)動(dòng)機(jī)主要包括輸入信號(hào)傳感器、電子控制單元（ECU）和執(zhí)行器3部分，具體如圖1所示。

發(fā)動(dòng)機(jī)電子控制系統(tǒng)是通過各種傳感器和開關(guān)或其他信號(hào)輸入裝置將發(fā)動(dòng)機(jī)運(yùn)行工況的各種信息輸入ECU。發(fā)動(dòng)機(jī)電子控制系統(tǒng)采用的傳感器種類繁多，不同型號(hào)或不同類型的電控系統(tǒng)采用的傳感器的數(shù)量也不同。而且隨著系統(tǒng)控制功能的擴(kuò)展，其傳感器及輸入信號(hào)的數(shù)量也將不斷增加。執(zhí)行器是受ECU控制的具有某項(xiàng)功能的器件或裝置，如電磁噴油器、點(diǎn)火模塊、怠速閥、EGR閥、油泵繼電器、冷卻風(fēng)扇繼電器、空調(diào)壓縮機(jī)繼電器、活性碳罐繼電器和巡航穩(wěn)定裝置等。電子控制單元（ECU）主要由輸入回路、A/D轉(zhuǎn)換器、單片機(jī)和輸出回路等4部分在發(fā)動(dòng)機(jī)控制系統(tǒng)中組成。ECU不僅能完成對(duì)燃油噴射的控制，同時(shí)還可實(shí)現(xiàn)對(duì)點(diǎn)火提前角、怠速、排放量、進(jìn)氣量以及增壓等方面的控制。此外，ECU還有自診斷、失效保護(hù)和備用控制等多項(xiàng)功能。

2 KL（Karhunen Loéve）變換及PNN神經(jīng)網(wǎng)絡(luò)

2.1 基于KL變換的特征提取

特征提取是通過信息壓縮的方法將原始特征中的有用信息投影到少數(shù)幾個(gè)復(fù)合特征變量上，同時(shí)忽略掉冗余不相關(guān)信息。其過程可以用公式表述：

x=Ay。（1）

式中：A為特征提取算子;y為原始模態(tài)向量;x為特征提取后的特征向量。

汽車運(yùn)行工況和技術(shù)狀態(tài)的描述是用一組狀態(tài)特征向量維數(shù)確定的參數(shù)樣本，每個(gè)向量中的每個(gè)維度代表著該樣本的一個(gè)特征。狀態(tài)特征的構(gòu)造和特征參數(shù)的選擇直接影響到識(shí)別方法的準(zhǔn)確度?？紤]到KL變換是在最小均方根誤差意義下的最優(yōu)正交變換，具有去除特征向量間的相關(guān)性并突出各異性的效果。在基于KL變換的特征提取方法中，KL坐標(biāo)軸由原始模態(tài)向量y的概率分布的二階統(tǒng)計(jì)矩陣（類內(nèi)散布矩陣Sw）的特征矢量來定義。而Sw的非相關(guān)性使得由其特征矢量定義的KL坐標(biāo)可有效地辨別y的概率分布的一階統(tǒng)計(jì)信息內(nèi)容。由特征矢量φjj=1，2，…，d確定的特征提取算子A具有最大的信噪比，即滿足：

φTjSBφjλj ≥…≥ φTdSBφdλd 。? （2）

式中：λj是類內(nèi)散布矩陣Sw的相應(yīng)于第j個(gè)特征矢量φj的特征值;SB為總體類間散布矩陣。

Sw的定義如下：

Sw=∑ci=1PwiSi。（3）

式中：Pwi為原始模態(tài)向量y可能屬于的第i 種故障類別wi（i=1，2，…，c）的概率;c為故障類型的總數(shù);Si為第i類內(nèi)散布矩陣，其定義如下：

Si=Ex-Mix-MiT 。（4）

式中：E為期望值;x為特征提取后的特征向量;Mi為第i 類的均值向量。

SB的定義如下：

SB=∑ci=1PwiMi-MMi-MT 。（5）

原始模態(tài)向量y在KL坐標(biāo)系上的投影具有如下性質(zhì)：首先，變換后的向量分量是不相關(guān)的。其次，包含在y中的信息被壓縮到少數(shù)KL軸上。這些性質(zhì)非常適合于特征提取。

2.2 概率神經(jīng)網(wǎng)絡(luò)（PNN）

PNN是在RBF神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，結(jié)合了貝葉斯決策（Bayes Decision Rule）和密度函數(shù)估計(jì)理論，與RBF神經(jīng)網(wǎng)絡(luò)不同，PNN專門應(yīng)用于分類問題[23]。

貝葉斯決策理論是PNN的理論基礎(chǔ)。貝葉斯公式的數(shù)學(xué)表達(dá)式為：

PAi|B=PAiP（B|Ai）∑ni=1PAiP（B|Ai）。（6）

在公式（6）中，所有的事件Ai（i=1，2，…，n）組成一個(gè)完整的樣本空間Ω，且Ai∩Aj=φ，i≠j，φ代表空集，且每個(gè)事件Ai發(fā)生的概率PAi都滿足PAi>0，PAi|B代表在事件B發(fā)生的條件下，事件 Ai發(fā)生的概率，P（B|Ai）同理。

PNN主要由輸入層、隱含層、求和層和決策層組成，如圖2所示。圖2中X1，X2，…，Xd為輸入矢量x的各個(gè)分量，其他數(shù)學(xué)符號(hào)與公式（7）到公式（9）中的描繪是一致的。

PNN的第一層為輸入層，用于接收來自訓(xùn)練樣本的值，將數(shù)據(jù)傳遞給隱含層，神經(jīng)元個(gè)數(shù)與輸入向量維度相等。第二層隱含層是隱層，每一個(gè)隱層的神經(jīng)元節(jié)點(diǎn)擁有一個(gè)中心xij，該層接收輸入層的樣本輸入并計(jì)算輸入向量與中心的距離，最后返回一個(gè)標(biāo)量值Φij（x），神經(jīng)元個(gè)數(shù)與輸入訓(xùn)練樣本個(gè)數(shù)相同。輸入矢量x到隱含層，圖2隱含層中第i類第j個(gè)神經(jīng)元所確定的輸入與輸出關(guān)系由下式定義：

Φijx=1（2π）12σde（x-xij）（x-xij）Tσ2。（7）

式中：i=1，2，…，N，N為訓(xùn)練樣本中總類數(shù);d為樣本空間數(shù)據(jù)的維度;xij為第i類樣本的第j個(gè)中心，σ為概率神經(jīng)網(wǎng)絡(luò)平滑因子，它取值在一定程度上影響著網(wǎng)絡(luò)的最終分類結(jié)果。

求和層對(duì)同一類隱層神經(jīng)元輸出進(jìn)行加權(quán)平均運(yùn)算，如公式（8）所示：

Vi=∑nj=1Φij（x）ni。（8）

式中：Vi為第i類的類別輸出;ni為第i類的神經(jīng)元數(shù)目，求和層的神經(jīng)元個(gè)數(shù)等于類別數(shù)目N。

輸出層取求和層中最大的一個(gè)作為輸出的類別：

y=argmaxVi。（9）

在實(shí)際計(jì)算中，輸入層的向量通常會(huì)先與加權(quán)系數(shù)相乘，再進(jìn)行公式（7）的計(jì)算。

3 基于信息融合的故障診斷模型

3.1 故障診斷模型簡(jiǎn)介

根據(jù)數(shù)據(jù)處理層次，建立由數(shù)據(jù)融合方法、特征提取、分類和決策融合方法的多信息融合的電控發(fā)動(dòng)機(jī)故障診斷模型，如圖3所示。

基于上述模型的故障診斷過程是：首先，在相同的發(fā)動(dòng)機(jī)工況下連續(xù)采集參數(shù)，確保采集到的參數(shù)在時(shí)間上的一致性;然后，利用歸一化方法對(duì)樣本參數(shù)進(jìn)行處理，將結(jié)果輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合，一部分作為訓(xùn)練集，另一部分作為測(cè)試數(shù)據(jù);最后，計(jì)算數(shù)據(jù)融合層分配診斷結(jié)果的可信度，并將其發(fā)送到?jīng)Q策融合層進(jìn)行最終診斷決策。

3.2 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層融合

鑒于神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的聯(lián)想記憶識(shí)別和分類能力，具有復(fù)雜非線性關(guān)系的多輸入多輸出模型可以快速準(zhǔn)確地實(shí)現(xiàn)學(xué)習(xí)和訓(xùn)練，故本研究數(shù)據(jù)融合層算法采用BP神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)通常包含輸入層、隱含層和輸出層，如圖4所示。輸入層和輸出層是單一的簡(jiǎn)單結(jié)構(gòu)，節(jié)點(diǎn)數(shù)量由應(yīng)用特性決定。對(duì)于隱層的層數(shù)，研究人員[24]進(jìn)行了理論分析，發(fā)現(xiàn)在隱層節(jié)點(diǎn)數(shù)目足夠的情況下，單隱層結(jié)構(gòu)可以簡(jiǎn)化非線性函數(shù)逼近。隱層節(jié)點(diǎn)的數(shù)量主要取決于經(jīng)驗(yàn)和試驗(yàn)。BP神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)通常在Sigmoid函數(shù)和雙曲正切函數(shù)之間選擇。輸出層節(jié)點(diǎn)的數(shù)量主要取決于期望輸出的維度。

3.3 基于DS證據(jù)理論的決策層融合

從數(shù)據(jù)層和特征層獲取的診斷結(jié)果的可信度較低，這意味著在某些情況下存在誤診的問題[25]。為了提高診斷的準(zhǔn)確性和可靠性，在決策層將進(jìn)行數(shù)據(jù)融合處理和未經(jīng)數(shù)據(jù)融合處理的診斷結(jié)果進(jìn)行決策融合。本文采用DS證據(jù)理論作為決策層的算法。

DS證據(jù)理論通過對(duì)證據(jù)進(jìn)行分析和結(jié)合，根據(jù)證據(jù)的可信度m（A）得出最終決策?？尚哦萴（A）是指對(duì)既定命題A的信任度。證據(jù)是指客觀特征、人員主觀經(jīng)驗(yàn)以及依賴于被計(jì)算對(duì)象可靠性的知識(shí)。證據(jù)理論的本質(zhì)是確定未知對(duì)象在多大程度上屬于已識(shí)別的框架Θ（表示問題所有可能解的集合，該集合的所有元素都是互斥的）。在本研究中，證據(jù)的可信度是指經(jīng)過BP神經(jīng)網(wǎng)絡(luò)及未經(jīng)神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合及后續(xù)分類處理的結(jié)果可靠程度。集合m：2Θ→0，1是識(shí)別框架Θ中的基本可靠性分配。

根據(jù)DS證據(jù)理論，首先要定義一個(gè)區(qū)間。該區(qū)間的下限稱為置信函數(shù)，其定義為：

BelA=∑BAmB，AΘ（10）

假設(shè)置信函數(shù)Bel1，Bel2，…，Beln被分配在同一識(shí)別框架中。m1，m2，…，mn表示同一識(shí)別任務(wù)Θ中的基本置信度分布函數(shù)。如果Bel1Bel2…Beln存在，則滿足公式（11）。

m（A）=Bel1Bel2…Beln=K

∑m1（A1）…mn（An），Θ≠φ

A1，A2，…，AnΘ

A1∩A2∩…∩An=A

m（A）=Bel1Bel2…Beln=0，

Θ=φ 。（11）

式中K為證據(jù)之間的沖突度。計(jì)算公式如下。

K=11-∑m1A1…mnAn

A1，A2，…，AnΘ

A1∩A2∩…∩An=φ（12）

上述可信度公式的最終可信度是由每個(gè)證據(jù)的置信度函數(shù)得到的，并提供了多個(gè)獨(dú)立證據(jù)主體的綜合合成規(guī)則。在證據(jù)合成過程中，證據(jù)的順序?qū)ψ罱K的合成結(jié)果沒有影響。當(dāng)0

4 發(fā)動(dòng)機(jī)電控系統(tǒng)故障診斷試驗(yàn)

4.1 發(fā)動(dòng)機(jī)技術(shù)狀態(tài)檢測(cè)數(shù)據(jù)

本文所應(yīng)用的數(shù)據(jù)樣本采自6缸電控發(fā)動(dòng)機(jī)，針對(duì)怠速不穩(wěn)定和加速無力等典型故障狀態(tài)。利用OBDII（隨車診斷系統(tǒng)）接口訪問車輛CAN總線，獲取發(fā)動(dòng)機(jī)轉(zhuǎn)速、怠速控制量、空氣流量和燃油修正量等參數(shù)，并將采集的數(shù)據(jù)發(fā)送到數(shù)據(jù)存儲(chǔ)計(jì)算機(jī)。表1和表2分別是模擬噴油器堵塞和某缸失火故障時(shí)的一組檢測(cè)數(shù)據(jù)。試驗(yàn)共采集了500組試驗(yàn)數(shù)據(jù)，取400組作為訓(xùn)練數(shù)據(jù)，其余100組作為測(cè)試數(shù)據(jù)。

表1和表2代表2種不同故障原因的8組數(shù)據(jù)檢測(cè)結(jié)果。 分別計(jì)算表1與表2參數(shù)的均值Mij（i=1，2）、方差mij（i=1，2）以及可分性測(cè)度JMyj可得到表3。其中，可分性測(cè)度按照如下公式計(jì)算：

JMyj=m1j-m2j2v21j-v22j （13）

式中vij（i=1，2）是第i類的協(xié)方差的第j個(gè)對(duì)角元素。

4.2 分類模型的訓(xùn)練

試驗(yàn)使用400組訓(xùn)練數(shù)據(jù)，分別訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)，具體如下。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程分為2個(gè)階段，計(jì)算結(jié)果前向傳播和誤差反向傳播。前向傳播階段中，首先原始樣本數(shù)據(jù)從輸入層發(fā)送到隱藏層進(jìn)行計(jì)算，并在輸出層得到初步故障診斷結(jié)果。如果該結(jié)果與預(yù)期結(jié)果之間的差異不符合設(shè)計(jì)要求，則BP網(wǎng)絡(luò)進(jìn)行（誤差反向傳播階段）工作，反之，BP神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練。本研究解決的是故障分類問題，因此選用交叉熵來作為誤差衡量標(biāo)準(zhǔn)。在誤差反向傳播階段，誤差被分解到每層神經(jīng)元，并且根據(jù)分解值校正每個(gè)神經(jīng)元的權(quán)重和閾值?？紤]到神經(jīng)網(wǎng)絡(luò)輸入有7個(gè)特征參數(shù)，且實(shí)驗(yàn)?zāi)M了2種故障類別，因而BP神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層分別包含7個(gè)和2個(gè)節(jié)點(diǎn)。試驗(yàn)表明，隱藏層節(jié)點(diǎn)取12，且使用Sigmoid函數(shù)作為激活函數(shù)可以在訓(xùn)練數(shù)據(jù)集上取得較好診斷效果。值得注意的一點(diǎn)是，為了有效地進(jìn)行決策層數(shù)據(jù)融合，研究去除了輸出層的激活函數(shù)。

PNN的訓(xùn)練數(shù)據(jù)使用的是經(jīng)KL變換特征提取后的數(shù)據(jù)。以表3中的數(shù)據(jù)舉例，首先根據(jù)公式（4）計(jì)算類內(nèi)散布矩陣Si（i=1，2），隨后根據(jù)公式（3），求得Sw和SB，在這里即為Sw=S1+S2。通過Sw和SB可得到特征向量矩陣φ，及其對(duì)應(yīng)的特征值λ。而后，根據(jù)公式（2）排列出各特征參數(shù)提取準(zhǔn)則的計(jì)算值的大小。最后，研究選取前3個(gè)提取準(zhǔn)則的計(jì)算值對(duì)應(yīng)參數(shù)的特征向量構(gòu)成公式（1）中的特征提取算子A，以公式（1）的輸出結(jié)果作為PNN的輸入。

根據(jù)特征選擇的結(jié)果，3個(gè)特征參數(shù)作為特征向量用作PNN的輸入向量。PNN的訓(xùn)練過程體現(xiàn)在參數(shù)σ的優(yōu)化，經(jīng)多次試錯(cuò)后其最佳取值在0.2附近，在此情況下，在訓(xùn)練數(shù)據(jù)集上能達(dá)到96%的準(zhǔn)確率。

試驗(yàn)使用100組測(cè)試數(shù)據(jù)測(cè)試訓(xùn)練好的故障診斷模型。表4對(duì)比了單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)、基于KL變換和PNN的方法，以及上述2個(gè)方法經(jīng)DS證據(jù)理論決策融合后在測(cè)試數(shù)據(jù)集上的表現(xiàn)。

4.3 發(fā)動(dòng)機(jī)電控系統(tǒng)故障狀態(tài)診斷結(jié)果

可以看到單一的使用基于KL變換特征提取結(jié)合PNN的分類結(jié)果識(shí)別準(zhǔn)確率為92%?；贒S證據(jù)理論進(jìn)行決策融合的實(shí)驗(yàn)結(jié)果準(zhǔn)確率則能夠達(dá)到96%。相較于單一方法的診斷結(jié)果，融合后的診斷結(jié)果具有更低的不確定性和更高的識(shí)別精度。

5 結(jié)論

基于概率神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)融合理論相結(jié)合，研究了基于PNN、BP神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論的森林消防車發(fā)動(dòng)機(jī)電控系統(tǒng)典型故障診斷的方法。首先依據(jù)KL變換對(duì)采集到的原始故障樣本數(shù)據(jù)進(jìn)行特征提取，去除冗余特征;分別將通過BP神經(jīng)網(wǎng)絡(luò)融合數(shù)據(jù)處理及未經(jīng)數(shù)據(jù)融合處理的數(shù)據(jù)樣本進(jìn)行初步診斷。最后使用DS證據(jù)理論對(duì)初步診斷結(jié)果進(jìn)行決策級(jí)融合，得到最終診斷結(jié)果。

試驗(yàn)表明，對(duì)于森林消防車電控系統(tǒng)來說，該方法能有效地減少故障分類識(shí)別過程中的不確定性，同時(shí)具有較高的故障識(shí)別精度和較少的識(shí)別時(shí)間，為森林消防車發(fā)動(dòng)機(jī)電控系統(tǒng)典型故障診斷問題提供了一種新的解決方案。

【參 考 文 獻(xiàn)】

[1]胡超，楊妍，王松濤，等.基于QAPSO-SVM的航空發(fā)動(dòng)機(jī)故障診斷[J].熱能動(dòng)力工程，2020，35（12）：40-46.

HU C， YANG Y， WANG S T， et al. Aeroengine fault diagnosis using quantum adaptive PSO-SVM[J]. Journal of Engineering for Thermal Energy and Power， 2020， 35（12）： 40-46.

[2]祝志超，吳定會(huì)，岳遠(yuǎn)昌.基于監(jiān)督核熵成分分析的發(fā)動(dòng)機(jī)磨損故障診斷[J].系統(tǒng)仿真學(xué)報(bào)：1-8[2021-06-17].http：//kns.cnki.net/kcms/detail/11.3092.V.20201230.1408.008.html.

ZHU Z C， WU D H， YUE Y C. Engine wear fault diagnosis based on supervised kernel entropy component analysis [J]. Journal of System Simulation：1-8 [2021-06-17]. http：//kns.cnki.net/kcms/detail/11.3092.V.20201230. 1408.008.html.

[3]謝春麗，王宇超，張博淋.基于徑向基神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷技術(shù)[J].森林工程，2019，35（6）：61-66.

XIE C L， WANG Y C， ZHANG B L. Engine fault diagnosis technology based on RBF neural network[J]. Forest Engineering， 2019， 35（6）： 61-66.

[4]ZHANG M F， LI Y X， CAI J W， et al. Research on fault diagnosis of diesel engine based on PCA-RBF neural network[J]. Modern Physics Letters B， 2018， 32（34n36）： 1840099.

[5]XU J G， LIU X Y， WANG B B， et al. Deep belief network-based gas path fault diagnosis for turbofan engines[J]. IEEE Access， 2019， 7： 170333-170342.

[6]閆麗萍，董學(xué)智，張永軍，等.基于深度置信網(wǎng)絡(luò)的燃?xì)廨啓C(jī)氣路故障診斷方法[J].工程熱物理學(xué)報(bào)，2020，41（4）：840-844.

YAN L P， DONG X Z， ZHANG Y J， et al. A gas path fault diagnostic method of gas turbine based on deep belief network[J]. Journal of Engineering Thermophysics， 2020， 41（4）： 840-844.

[7]崔建國(guó)，李國(guó)慶，蔣麗英，等.基于深度自編碼網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)故障診斷[J].振動(dòng)測(cè)試與診斷，2021，41（1）：85-89.

CUI J G， LI G Q， JIANG L Y， et al. Aero-engine fault diagnosis based on deep self-coding network[J]. Journal of Vibration， Measurement & Diagnosis， 2021， 41（1）： 85-89.

[8]ZHU X B， CHENG Y Q， WU J J， et al. Steady-state process fault detection for liquid rocket engines based on convolutional auto-encoder and one-class support vector machine[J]. IEEE Access， 2019， 8： 3144-3158.

[9]劉利軍，雷宇，余臻.雙向LSTM模型在航空發(fā)動(dòng)機(jī)氣路故障診斷的應(yīng)用[J].航天控制，2020，38（5）：67-72.

LIU L J， LEI Y， YU Z. The application of bidirectional LSTM model in aero-engine gas path fault diagnosis[J]. Aerospace Control， 2020， 38（5）： 67-72.

[10]JIANG Z N， LAI Y H， ZHANG J J， et al. Multi-factor operating condition recognition using 1D convolutional long short-term network[J]. Sensors， 2019， 19（24）： 5488.

[11]黃瑋.基于FA優(yōu)化SOM-BP神經(jīng)網(wǎng)絡(luò)的混合動(dòng)力汽車故障診斷[D].合肥：合肥工業(yè)大學(xué)，2020.

HUANG W. Fault diagnosis of hybrid vehicles based on FA optimized SOM-BP neural network[D]. Hefei： Hefei University of Technology， 2020.

[12]白杰，張正，王偉，等.基于小波神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)傳感器故障診斷[J].機(jī)床與液壓，2020，48（3）：180-186.

BAI J， ZHANG Z， WANG W， et al. Aeroengine sensor fault diagnosis based on wavelet neural network[J]. Machine Tool & Hydraulics， 2020， 48（3）： 180-186.

[13]王虹，徐佑宇，譚沖，等.基于改進(jìn)粒子群的BP神經(jīng)網(wǎng)絡(luò)WSN數(shù)據(jù)融合算法[J].中國(guó)科學(xué)院大學(xué)學(xué)報(bào)，2020，37（5）：673-680.

WANG H， XU Y Y， TAN C， et al. Information fusion algorithm based on improved particle swarm BP neural network in WSN[J]. Journal of University of Chinese Academy of Sciences， 2020， 37（5）： 673-680.

[14]袁媛，方紅彬，殷忠敏.基于多數(shù)據(jù)融合的電機(jī)故障診斷方法研究[J].電氣傳動(dòng)，2021，51（9）：75-80.

YUAN Y， FANG H B， YIN Z M. Research on motor fault diagnosis method based on multi data fusion[J]. Electric Drive， 2021， 51（9）： 75-80.

[15]王子健，王德軍.基于概率神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動(dòng)機(jī)失火故障診斷[J].吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2016，34（2）：229-236.

WANG Z J， WANG D J. Engine misfire diagnosis based on probabilistic neural network[J]. Journal of Jilin University （Information Science Edition）， 2016， 34（2）： 229-236.

[16]王志，張杰，晉超.基于概率神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷研究[J].機(jī)電信息，2020，20（23）：48-49.

WANG Z， ZHANG J， JIN C. Research on fault diagnosis of diesel engine based on probabilistic Neural Network [J]. Mechanical and Electrical Information， 2020（23）： 48-49.

[17]宋娟，蒙曄.基于神經(jīng)網(wǎng)絡(luò)的柴油發(fā)動(dòng)機(jī)的故障診斷[J].工業(yè)控制計(jì)算機(jī)，2018，31（11）：72-73.

SONG J， MENG Y. Diesel engine fault diagnosis based on neural network[J]. Industrial Control Computer， 2018， 31（11）： 72-73.

[18]劉澤民，葉辰.背負(fù)式森林消防泵故障診斷與分析[J].林業(yè)機(jī)械與木工設(shè)備，2020，48（10）：37-39.

LIU Z M， YE C. Fault diagnosis and analysis of backpack forest fire pumps[J]. Forestry Machinery & Woodworking Equipment， 2020， 48（10）：37-39.

[19]CAO Y P， LV X， HAN G D， et al. Research on gas-path fault-diagnosis method of marine gas turbine based on exergy loss and probabilistic neural network[J]. Energies， 2019， 12（24）： 4701.

[20]牟偉杰，石林鎖，蔡艷平，等.基于振動(dòng)時(shí)頻圖像和D-S證據(jù)理論的內(nèi)燃機(jī)故障診斷[J].武漢科技大學(xué)學(xué)報(bào)，2017，40（3）：223-229.

MU W J， SHI L S， CAI Y P， et al. IC engines fault diagnosis based on vibration time-frequency image and D-S evidence theory[J]. Journal of Wuhan University of Science and Technology， 2017， 40（3）： 223-229.

[21]王鴻飛，劉海斌，鄧鑫洋，等.基于冪均算子和證據(jù)理論的故障診斷方法[J].信息與控制，2019，48（5）：567-572.

WANG H F， LIU H B， DENG X Y， et al. Fault diagnosis method based on power-average operator and evidence theory[J]. Information and Control， 2019， 48（5）： 567-572.

[22]夏飛，孟娟，楊平，等.改進(jìn)D-S證據(jù)理論在振動(dòng)故障診斷中的應(yīng)用[J].電子測(cè)量與儀器學(xué)報(bào)，2018，32（7）：171-179.

XIA F， MENG J， YANG P， et al. Application of improved D-S evidence theory in vibration fault diagnosis[J]. Journal of Electronic Measurement and Instrumentation， 2018， 32（7）： 171-179.

[23]WANG B， KE H W， MA X D， et al. Fault diagnosis method for engine control system based on probabilistic neural network and support vector machine[J]. Applied Sciences， 2019， 9（19）： 4122.

[24]WEI H L， NAN M S， Yu C， et al. Research on the prediction method of centrifugal pump performance based on a double hidden layer BP neural network[J]. Energies， 2019， 12（14）：14.

[25]HU J， HUANG T F， ZHOU J P， et al. Electronic systems diagnosis fault in gasoline engines based on multi-information fusion[J]. Sensors， 2018， 18（9）： 2917.