论文部分内容阅读
摘 要：本文主要研究基于REF网络进行柴油机的故障诊断。采用newrb函数建立神经网络诊断模型，根据收集的某型号柴油机的样本集采用一个单隐含层的REF网络对样本进行训练。通过测试样本进一步验证该网络对于故障模式的识别准确率，得知基于REF网络对于船用柴油机故障检测方法是可行的。
关键词：REF网络；船用柴油机；故障检测
船用柴油机作为一种常用的动力机械，其动力型与可靠性直接影响到系统的安全运行[1]。而粗船用柴油机结构较为复杂，而且船用柴油机故障原因较为复杂，所以及时有效的发现并排除故障具有十分重大的意义。传统的柴油机诊断方法主要有润滑油法、性能参数法和振动噪声法。
船用柴油机是一个非常复杂的机电系统，倘若采用整机诊断模型将会使得计算变得十分复杂。查阅相关技术资料可知，柴油机的整机分为涡轮增压系统、气缸活塞组件、燃烧系统、燃油系统等子系统。柴油机的故障检测主要可以分为两个层次进行。首先由整机性能参数的退化状态判断故障可能存在的位置，之后结合故障可能存在的位置进行对子系统的进一步诊断分析，由于第一步的诊断过程较为直接，因此不必要采用神经网络模型，在第二步诊断过程采用RBF网络。
1 RBF網络基本原理
系统结构模型。RBF网络是一种三层前向网络，RBF网络的输出是隐单元的线性加权和，学习速率更快[2]。RBF网络隐含层各节点的学习过程主要分为两个阶段。第一阶段，无监督的学习，主要根据所选取输入样本的统计特性决定隐含层各基点的径向基函数的中心向量和宽度参数。第二阶段，有监督学习，在确定中心向量和宽度参数后，根据样本训练集，利用LMS确定隐含层和输入层之间的突触权值。
2 船用柴油机涡轮增压系统的故障诊断
故障样本的选取与设计。根据对船用柴油机的工作过程理论分析和实际运行经验，能够对涡轮增压系统各部件可能出现故障的部位进行诊断，故将其作为故障变量，即输出变量，同时确定用于区别各种故障的征兆变量作为网络的输出变量。
（1）输出变量。输出变量也就是故障变量，主要包括正常工作（F1）、机械效率下降（F2）、空冷器传热恶化（F3）、涡轮保护个格栅阻塞（F4）、涡轮流通部分阻塞（F5）、空气滤清器阻塞（F6）、空冷器空气侧流阻塞增大（F7）、废热锅炉流阻增大（F8）。其中F1到F8的取值范围为[0，1]，0表示没有故障，1表示故障严重。其中网络的输出变量为F1到F5，而F6到F8直接由部件特性参数诊断输出。
（2）输入变量。输入变量主要包括气缸排气温度、扫气箱压力、各缸平均燃烧最大爆发力、增压器转速、滤网压损系数、废热锅炉压损系数扫排气道压损系数、压气机出口温度和扫气箱温度等。
（3）柴油机相关工作参数。根据内燃机原理与船用柴油机技术规范要求，可以得到柴油机的工作参数标准值，如果工作参数上下阀值超过工作参数标准值，则认为柴油机有故障。气缸排气温度为30K（热力学温度）；扫气箱压力为0.06MPa；各缸平均燃烧最大爆发力为1MPa；增压器转速为1500r/min；滤网压损系数为0.1；空冷器压损系数为0.1；废热锅炉压损系数为0.1；扫排气道压损系数为0.06；压气机出口温度为30K；扫气箱温度为40K。
（4）故障样本集的设计。故障样本的正确确定是神经网络准确进行故障诊断的关键环节。由于涡轮增压系统的一个故障对应一个样本，为了进一步诊断故障的严重程度，这里对每个故障选取两个样本，目标值分别为0.5与1。参考温度在288K，在额定负载在100%，90%，75%，50%情况下的9组数据，并利用这9组数据进行网络训练。
RBF网络是一种性能优良的前馈型神经网络，可以以任意的精度逼近任意的非线性函数，并且具有全局逼近能力，在MATLBA神经网络工具箱中提供了newrb，newrbe，newpnn及newgrnn函数用于创建RBF神经网络。本设计主要采用newrb函数进行设计。该函徐设计的RBF神经网络可用于函数逼近，由于本次训练样本较少，在逼近效果误差允许的范围内，扩展速度spread取1.20。结合MATLAB代码创建RBF神经网络，调用格式为net=newrb（P，T，goal，spread）；其中P与T分别对应输入向量和输出向量，goal为传播的径向基函数，默认为1。在使用函数newrbe创建RBF网络的过程中，可以根据需要自动添加隐含层神经元的个数，直到均方差满足要求为止[3]。
3 网络输出设计
为了便于诊断，将故障的严重程度分为一级故障、二级故障和无故障状态。根据网络的输出向量，若0.751.50，则为正常状态，其余条件为二级故障，其中i在1到5之间取值。
4 结论
通过实验可知，对于测试样本有效的诊断了网络故障，说明本设计提出的基于REF网络的船用柴油机故障检测是可行的。但是由于本设计采取的训练数据以及测试样本比较少，训练出来的REF网络还有提升和进步的空间。总之REF网络在船用柴油机故障检测中，准确值较高，诊断速度较快，具有较大的应用前景。
参考文献：
[1]刘贞贤.RBF网络在柴油机故障诊断中的应用[J].科技创新导报，2013（20）：83.
[2]尤文坚，叶雪英，唐仕云.基于径向基神经网络农机数量预测的研究[J].中国农机化学报， 2013（2）：3841.
[3]张晓瑞，方创琳，王振波，等.基于RBF神经网络的城市建成区面积预测研究——兼与BP神经网络和线性回归对比分析[J].长江流域资源与环境，2013，22（6）：691697.
作者简介：张寒，男，河南南阳人，研究生，桂林理工大学，研究方向工业自动化；刘亦薇，女，江西南昌人，研究生，桂林理工大学，研究方向：机械工程技术。
关键词：REF网络；船用柴油机；故障检测
船用柴油机作为一种常用的动力机械，其动力型与可靠性直接影响到系统的安全运行[1]。而粗船用柴油机结构较为复杂，而且船用柴油机故障原因较为复杂，所以及时有效的发现并排除故障具有十分重大的意义。传统的柴油机诊断方法主要有润滑油法、性能参数法和振动噪声法。
船用柴油机是一个非常复杂的机电系统，倘若采用整机诊断模型将会使得计算变得十分复杂。查阅相关技术资料可知，柴油机的整机分为涡轮增压系统、气缸活塞组件、燃烧系统、燃油系统等子系统。柴油机的故障检测主要可以分为两个层次进行。首先由整机性能参数的退化状态判断故障可能存在的位置，之后结合故障可能存在的位置进行对子系统的进一步诊断分析，由于第一步的诊断过程较为直接，因此不必要采用神经网络模型，在第二步诊断过程采用RBF网络。
1 RBF網络基本原理
系统结构模型。RBF网络是一种三层前向网络，RBF网络的输出是隐单元的线性加权和，学习速率更快[2]。RBF网络隐含层各节点的学习过程主要分为两个阶段。第一阶段，无监督的学习，主要根据所选取输入样本的统计特性决定隐含层各基点的径向基函数的中心向量和宽度参数。第二阶段，有监督学习，在确定中心向量和宽度参数后，根据样本训练集，利用LMS确定隐含层和输入层之间的突触权值。
2 船用柴油机涡轮增压系统的故障诊断
故障样本的选取与设计。根据对船用柴油机的工作过程理论分析和实际运行经验，能够对涡轮增压系统各部件可能出现故障的部位进行诊断，故将其作为故障变量，即输出变量，同时确定用于区别各种故障的征兆变量作为网络的输出变量。
（1）输出变量。输出变量也就是故障变量，主要包括正常工作（F1）、机械效率下降（F2）、空冷器传热恶化（F3）、涡轮保护个格栅阻塞（F4）、涡轮流通部分阻塞（F5）、空气滤清器阻塞（F6）、空冷器空气侧流阻塞增大（F7）、废热锅炉流阻增大（F8）。其中F1到F8的取值范围为[0，1]，0表示没有故障，1表示故障严重。其中网络的输出变量为F1到F5，而F6到F8直接由部件特性参数诊断输出。
（2）输入变量。输入变量主要包括气缸排气温度、扫气箱压力、各缸平均燃烧最大爆发力、增压器转速、滤网压损系数、废热锅炉压损系数扫排气道压损系数、压气机出口温度和扫气箱温度等。
（3）柴油机相关工作参数。根据内燃机原理与船用柴油机技术规范要求，可以得到柴油机的工作参数标准值，如果工作参数上下阀值超过工作参数标准值，则认为柴油机有故障。气缸排气温度为30K（热力学温度）；扫气箱压力为0.06MPa；各缸平均燃烧最大爆发力为1MPa；增压器转速为1500r/min；滤网压损系数为0.1；空冷器压损系数为0.1；废热锅炉压损系数为0.1；扫排气道压损系数为0.06；压气机出口温度为30K；扫气箱温度为40K。
（4）故障样本集的设计。故障样本的正确确定是神经网络准确进行故障诊断的关键环节。由于涡轮增压系统的一个故障对应一个样本，为了进一步诊断故障的严重程度，这里对每个故障选取两个样本，目标值分别为0.5与1。参考温度在288K，在额定负载在100%，90%，75%，50%情况下的9组数据，并利用这9组数据进行网络训练。
RBF网络是一种性能优良的前馈型神经网络，可以以任意的精度逼近任意的非线性函数，并且具有全局逼近能力，在MATLBA神经网络工具箱中提供了newrb，newrbe，newpnn及newgrnn函数用于创建RBF神经网络。本设计主要采用newrb函数进行设计。该函徐设计的RBF神经网络可用于函数逼近，由于本次训练样本较少，在逼近效果误差允许的范围内，扩展速度spread取1.20。结合MATLAB代码创建RBF神经网络，调用格式为net=newrb（P，T，goal，spread）；其中P与T分别对应输入向量和输出向量，goal为传播的径向基函数，默认为1。在使用函数newrbe创建RBF网络的过程中，可以根据需要自动添加隐含层神经元的个数，直到均方差满足要求为止[3]。
3 网络输出设计
为了便于诊断，将故障的严重程度分为一级故障、二级故障和无故障状态。根据网络的输出向量，若0.75
4 结论
通过实验可知，对于测试样本有效的诊断了网络故障，说明本设计提出的基于REF网络的船用柴油机故障检测是可行的。但是由于本设计采取的训练数据以及测试样本比较少，训练出来的REF网络还有提升和进步的空间。总之REF网络在船用柴油机故障检测中，准确值较高，诊断速度较快，具有较大的应用前景。
参考文献：
[1]刘贞贤.RBF网络在柴油机故障诊断中的应用[J].科技创新导报，2013（20）：83.
[2]尤文坚，叶雪英，唐仕云.基于径向基神经网络农机数量预测的研究[J].中国农机化学报， 2013（2）：3841.
[3]张晓瑞，方创琳，王振波，等.基于RBF神经网络的城市建成区面积预测研究——兼与BP神经网络和线性回归对比分析[J].长江流域资源与环境，2013，22（6）：691697.
作者简介：张寒，男，河南南阳人，研究生，桂林理工大学，研究方向工业自动化；刘亦薇，女，江西南昌人，研究生，桂林理工大学，研究方向：机械工程技术。