基于神经网络专家系统的柴油机排气温度异常诊断方法

1.本发明涉及的是一种柴油机故障诊断方法，具体地说是柴油机排气温度诊断方法。


背景技术：

2.柴油机是目前各种动力机械中应用最为广泛的机型，柴油机技术的发展对我国工农业、交通运输、国防建设等各方面具有重要影响。柴油机排气温度异常是柴油机内部故障发生时的具体征兆，可能涉及单系统单故障、单系统多故障与多系统多故障，具有复杂的耦合关系，若不及时进行诊断维修则会导致柴油机机械效率降低，功率降低，影响设备和系统的安全运行，甚至会影响操作人员的人身安全，因此展开排气温度异常诊断研究，对保障柴油机安全高效运行有重要意义。
3.文献《瓦锡兰副机排烟温度异常故障实例》(《航海技术》，2020)针对瓦锡兰柴油机排烟温度异常进行了诊断，检查扫气温度、涡轮转速等参数，拆解检查调速器至高压油泵齿条之间相关部件，并查阅检修记录簿，最终确定故障为气缸油门减小。该文献所用诊断方法处于事后维修阶段，其不足之处在于诊断周期长，步骤繁琐，诊断手段落后，而且可能会在排查检修的过程中破坏柴油机的最佳工作状态。文献《mtu396柴油机排温差异大故障分析及排除》(《内燃机》，2021)针对a、b列排温差异大的问题，拆解了进气管封盖、排期连接管、a1～a4与b1～b4的8个喷油器等相关部件，在调整喷油提前角并复位相关部件后，仍存在故障，再次拆解喷油泵、喷油器试验后，确定故障点为回油管路止回阀阀芯卡死。该文献所用诊断方法重复拆卸故障相关部件，并在故障存在情况下进行了多次实验，对柴油机损伤及大，排查故障过程复杂繁琐，技术手段落后。


技术实现要素：

4.本发明的目的在于提供能克服诊断过程中，专家系统知识获取周期长与神经网络推理过程及结果不易理解等缺点的基于神经网络专家系统的柴油机排气温度异常诊断方法。
5.本发明的目的是这样实现的：
6.本发明基于神经网络专家系统的柴油机排气温度异常诊断方法，其特征是：
7.(1)针对柴油机排气温度异常的问题，获取相关运行数据，将数据集划分为两份，其中一份作为训练数据tr，另一份份作为测试数据te；
8.(2)将步骤(1)中的训练数据tr与测试数据te均描述为知识系统∑＝(f，s)，其中输出结果集f＝{f1，f2，
…
，fn}为柴油机典型状态，输入参数集s＝{s1，s2，
…
，sk}为柴油机实际运行中的参数，根据训练数据tr建立训练故障特征矩阵rr(∑)＝(r
ij
)n×k，以备训练神经网络；根据测试数据te建立测试故障特征矩阵re(∑)＝(r
ij
)n×k，以备在神经网络专家系统建立完成后，对其进行测试，其中r
ij
为柴油机实际运行中相关参数si的值，i的取值范围为{i∈z|1≤i≤n}，j的取值范围为{j∈z|1≤j≤k}；
9.(3)对步骤(2)中的故障特征矩阵rr(∑)与re(∑)进行归一化处理，得到归一化后的故障特征矩阵r
′r(∑)＝(r
′
ij
)n×k与r
′e(∑)＝(r
′
ij
)n×k，其中r
′
ij
为柴油机实际运行中相关参数si归一化后的值，其取值范围为[0，1]，依据故障特征矩阵建立训练例与测试例；
[0010]
(4)建立bp神经网络并使用步骤(3)中的训练例训练bp神经网络，使用粒子群算法加速连接权值ρ
jm
、与输出阈值θm、的寻优过程，得到最优连接权值ρ
jm
、与输出阈值θm、输出bp神经网络模型；
[0011]
(5)基于步骤(4)中得到bp神经网络，建立其与专家系统之间的联系，即以bp神经网络的输出结果建立专家知识库，并建立推理机、解释器专家系统结构，输出神经网络专家系统模型；
[0012]
(6)使用步骤(5)中得到的神经网络专家系统模型和步骤(3)中的测试例进行测试，验证模型精度。
[0013]
本发明还可以包括：
[0014]
1、步骤(1)中获取相关运行数据包括获取7组相关测点的运行数据，分别是柴油机正常运行时的数据，与分别存在下述某一种故障时的运行数据：故障类型为增压器损坏故障、喷油异常、进气管堵塞故障、排气阀损坏故障、淡水系统异常与高压油管泄露故障。
[0015]
2、步骤(2)中的输出结果集f包括：正常运行状态f1以及故障状态，包括增压器损坏f2、喷油异常f3、进气管堵塞f4、排气阀损坏f5、淡水系统异常f6、高压油管泄露f7，即f＝{f1，f2，f3，f4，f5，f6，f7}；
[0016]
输入参数集s包括：排气温度s1、增压器转速s2、喷油状态信号s3、空冷器出口空气压力s4、排气阀状态信号s5、淡水进口压力s6、高压燃油管漏油液位s7，即s＝{s1，s2，s3，s4，s5，s6，s7}；
[0017]
故障特征矩阵rr(∑)与re(∑)的形式均为：
[0018][0019]
其中行表示柴油机系统可能出现的7种典型状态，列表示可监测的柴油机的7项相关运行参数。
[0020]
3、步骤(3)中对故障特征矩阵rr(∑)与re(∑)进行归一化处理，即对故障特征矩阵rr(∑)与re(∑)的每一列用最大最小法进行归一化处理：
[0021][0022]
其中，i(i＝1，
…
，7)为状态类型标识，j(j＝1，
…
，7)为参数类型标识，归一化后数值r
′
ij
处于[0，1]，喷油状态信号s3与排气阀状态信号s5在正常状态时值为1，异常时值为0；
[0023]
建立训练例或测试例，即取归一化后故障特征矩阵的某一行，作为训练例或测试例的第1维，即输入向量，将该行对应的状态置为1，其余状态置为0，构成训练例或测试例的第2维，即预期输出向量，共建立7个训练例；以进气管堵塞故障f4为例，其训练例与测试例形式均如下：
[0024]
(x4，y4)＝((r
′
41
，r
′
42
，r
′
43
，r
′
44
，r
′
45
，r
′
46
，r
′
47
)
t
，(0，0，0，1，0，0，0)
t
)。
[0025]
4、步骤(4)中使用粒子群算法优化bp神经网络包括以下步骤：
[0026]
(a)初始化bp神经网络模型：
[0027]
采用含有一层隐含层的神经网络结构，输入层神经元个数k，输出层神经元个数n，隐含层神经元个数q由下式确定：
[0028][0029]
其中，t为常数，t∈[0，10]；
[0030]
设置隐含层第m(1≤m≤q)个神经元节点输入为：
[0031][0032]
其中ρ
jm
为输入层第j个神经元节点与隐含层第m个神经元节点的连接权值，r
′
ij
为状态i下第j个输入参数归一化后的值；
[0033]
设置隐含层第m个神经元节点输出为：
[0034][0035]
其中为隐含层第m个神经元节点的输出阈值；
[0036]
设置输出层第i个神经元节点，即输出向量中第i个分向量的输入为：
[0037][0038]
其中为隐含层第m个神经元节点与输出层第i个神经元节点的连接权重，bh为第m个隐含层神经元节点的输出；
[0039]
设置输出层第i个神经元节点，即输出向量中第i个分向量的值为：
[0040][0041]
其中θi为输出层第i个神经元节点的输出阈值；
[0042]
(b)初始化粒子群。
[0043]
设置两个粒子群停止迭代条件，第一个为迭代次数上限，第二个是bp神经网络置信度达到95％：
[0044]
设置每个粒子的速度与位置更新公式为：
[0045][0046][0047]
其中为第k+1代粒子u的速度在第d维的上的分量，为第k代粒子u的个体极值在第d维的分量，为第k代粒子的全局极值在第d维的分量，为第k代粒子u的位置在第d维的上的分量，c1与c2均为学习因子，ω为惯性权重，ζ和η为(0，1)上随机数；
[0048]
设置惯性权重为：
[0049][0050]
k为迭代次数，k
max
为最大迭代次数，初始状态下ω＝ω
max
＝1，ω
min
＝0.4；
[0051]
设置粒子的适应度函数为：
[0052][0053]
其中，x为粒子群中某粒子的位置，n为训练例个数，表示该粒子在第i个训练例下的输出结果，yi为预期输出结果；
[0054]
初始化粒子速度，取值为[v
min
，v
max
]之间的均匀分布的随机数，本发明取为[-0.05，0.05]。以bp神经网络中的连接权值ρ
ij
、与输出阈值θm、作为粒子群中每个粒子的位置分量，粒子群中第u个粒子位置为：
[0055][0056]
其中，x
us
为第u个粒子的第s个位置分量，取值范围为[x
min
，x
max
]，当某一位置分量超过上界或下界值时，将该分量近似取为边界值，s的取值范围为{s∈z|1≤s≤q(k+n+1)+n}，即s的取值范围为{s∈z|1≤s≤67}；
[0057]
(c)如果该粒子的当前适应度函数值比个体历史最优值好，则将粒子当前的位置更新为个体历史最优位置；如果粒子的个体历史最优位置优于全局最优位置，则将粒子的全局最优更新为当前的个体历史最优；
[0058]
(d)根据粒子群算法更新各个粒子的位置和速度；
[0059]
(e)若满足任意一个停止迭代条件，则停止迭代，得到bp网络最优初始权值和阈值，输出训练好的bp神经网络。
[0060]
5、步骤(5)中基于bp神经网络模型，建立其与专家系统之间联系的方法为：
[0061]
考察指向bp神经网络输出结果的隐含层神经元，找出输出层的正带权输入值，即具有以下特征：
[0062][0063]
同时考察指向此隐含层神经元的输入层神经元，同样找出其正带权输入值，形成规则：
[0064]
if表达式1 and表达式2 and
…
and表达式n then结论
[0065]
规则中表达式n的具体形式为某输入层神经元的输出为正，也即具有某种征兆，规则中结论的具体形式是故障类型；针对柴油机排气温度异常得到以下规则：
[0066]
if排气温度＞550℃and增压器转速减小then增压器损坏
[0067]
if排气温度＞550℃and空冷器出口压力减小then进气管堵塞
[0068]
if排气温度＞550℃and喷油异常标识＝1 then喷油异常
[0069]
if排气温度＞550℃and排气阀损坏标识＝1 then排气阀损坏
[0070]
if排气温度＞550℃and淡水进口压力减小then淡水系统异常
[0071]
if排气温度偏低and高压燃油管漏油液位升高then高压油管泄露
[0072]
将此类规则存入知识库，形成神经网络专家系统的知识库，并根据此知识库建立专家系统。
[0073]
6、步骤(6)中测试神经网络专家系统流程为：
[0074]
(i)接收柴油机排气温度异常报警信号；
[0075]
(ii)专家系统的推理机参照知识库，针对关联测点的异常数据进行故障诊断，并调用神经网络模块；
[0076]
(iii)神经网络的诊断结果置信度大于0.95，则将其作为神经网络专家系统最终诊断结果，并由专家系统对诊断结果进行解释；
[0077]
(iv)若神经网络的输出置信度不大于0.95，则输出专家系统的诊断结果；
[0078]
(v)若专家系统与神经网络均不能对故障进行诊断，即出现现阶段无法确立征兆和原因对应关系的故障，则将数据打包，启动神经网络专家系统的学习模式，由专家对故障进行命名，调整神经网络拓扑结构，增加输出节点，并用打包的离线数据对神经网络进行训练，并将训练好的神经网络更新给神经网络专家系统。
[0079]
本发明的优势在于：
[0080]
1、本发明可以对柴油机排气温度异常进行准确诊断；
[0081]
2、解决了专家系统知识获取周期长与神经网络推理过程及结果不易理解的问题；
[0082]
3、本发明应用粒子群算法优化了bp神经网络模型中两个关键参数：连接权值ρ
jm
、与输出阈值θm、这提高了模型的分类精度和计算时间。
附图说明
[0083]
图1为本发明的结构示意图；
[0084]
图2为本发明的流程示意图。
具体实施方式
[0085]
下面结合附图举例对本发明做更详细地描述：
[0086]
结合图1-2，本发明一种针对柴油机排气温度异常的神经网络专家系统故障诊断方法，包括以下步骤：
[0087]
步骤1：针对柴油机排气温度异常的问题，获取相关运行数据，将数据集划分为两份，其中一份作为训练数据tr，另一份份作为测试数据te；
[0088]
步骤2：将步骤1中的训练数据tr与测试数据te均描述为知识系统∑＝(f，s)，其中输出结果集f＝{f1，f2，
…
，fn}为柴油机典型状态，输入参数集s＝{s1，s2，
…
，sk}为柴油机实际运行中的相关参数，根据训练数据tr建立训练故障特征矩阵rr(∑)＝(r
ij
)n×k，以备训练神经网络；根据测试数据te建立测试故障特征矩阵re(∑)＝(r
ij
)n×k，以备在神经网络专家系统建立完成后，对其进行测试，其中r
ij
为柴油机实际运行中相关参数si的值，i的取值范围为{i∈z|1≤i≤n}，j的取值范围为{j∈z|1≤j≤k}；
[0089]
步骤3：对步骤2中的故障特征矩阵rr(∑)与re(∑)进行归一化处理，得到归一化后的故障特征矩阵r
′r(∑)＝(r
′
ij
)n×k与r
′e(∑)＝(r
′
ij
)n×k，其中r
′
ij
为柴油机实际运行中相关参数si归一化后的值，其取值范围为[0，1]，依据故障特征矩阵建立训练例与测试例；
[0090]
步骤4：建立bp神经网络并使用步骤3中的训练例训练bp神经网络，使用粒子群算法加速连接权值ρ
jm
、与输出阈值θm、的寻优过程，得到最优连接权值ρ
jm
、与输出阈值θm、输出bp神经网络模型；
[0091]
步骤5：基于步骤4中得到bp神经网络，建立其与专家系统之间的联系，即以bp神经网络的输出结果建立专家知识库，并建立推理机，解释器等专家系统结构，输出神经网络专家系统模型；
[0092]
步骤6：使用步骤5中得到的神经网络专家系统模型和步骤3中的测试例进行测试，验证模型精度。
[0093]
步骤1中建立数据集需要获取7组相关测点的运行数据，分别是柴油机正常运行时的数据，与分别存在下述某一种故障时的运行数据，故障类型为增压器损坏故障、喷油异常、进气管堵塞故障、排气阀损坏故障、淡水系统异常与高压油管泄露故障；
[0094]
步骤2中的输出结果集f包括：正常运行状态f1，以及故障状态，包括增压器损坏f2，喷油异常f3，进气管堵塞f4，排气阀损坏f5，淡水系统异常f6，高压油管泄露f7，即f＝{f1，f2，f3，f4，f5，f6，f7}；
[0095]
输入参数集s包括：排气温度s1，增压器转速s2，喷油状态信号s3，空冷器出口空气压力s4，排气阀状态信号s5，淡水进口压力s6，高压燃油管漏油液位s7，即s＝{s1，s2，s3，s4，s5，s6，s7}。
[0096]
故障特征矩阵rr(∑)与re(∑)的形式均为：
[0097][0098]
其中行表示柴油机系统可能出现的7种典型状态，列表示可监测的柴油机的7项相关运行参数。
[0099]
进行多参数选取有利于全方位判断柴油机运行状况，使诊断结果更为精准，由于参考参数多样化，也使故障诊断模型能综合分析柴油机多参数信息，提高诊断精度和可靠性。
[0100]
步骤3中对故障特征矩阵rr(∑)与re(∑)进行归一化处理，即对故障特征矩阵rr(∑)与re(∑)的每一列用最大最小法进行归一化处理：
[0101][0102]
其中，i(i＝1，
…
，7)为状态类型标识，j(j＝1，
…
，7)为参数类型标识，归一化后数值r
′
ij
处于[0，1]，喷油状态信号s3与排气阀状态信号s5在正常状态时值为1，异常时值为0。归一化处理可以消除指标之间的量纲和数量级差异的影响。
[0103]
建立训练例或测试例，即取归一化后故障特征矩阵的某一行，作为训练例或测试例的第1维，即输入向量，将该行对应的状态置为1，其余状态置为0，构成训练例或测试例的第2维，即预期输出向量，共建立7个训练例。以进气管堵塞故障f4为例，其训练例与测试例形式均如下：
[0104]
(x4，y4)＝((r
′
41
，r
′
42
，r
′
43
，r
′
44
，r
′
45
，r
′
46
，r
′
47
)
t
，(0，0，0，1，0，0，0)
t
)
[0105]
步骤4中使用粒子群算法优化bp神经网络包括以下步骤：
[0106]
(1)初始化bp神经网络模型。
[0107]
本发明采用含有一层隐含层的神经网络结构，输入层神经元个数k，输出层神经元个数n，隐含层神经元个数q由下式确定：
[0108][0109]
其中，t为常数，t∈[0，10]，本发明n＝7，k＝7，调节数t＝0，故隐含层神经元格式q近似取为4。
[0110]
设置隐含层第m(1≤m≤q)个神经元节点输入为：
[0111][0112]
其中ρ
jm
为输入层第j个神经元节点与隐含层第m个神经元节点的连接权值，r
′
ij
为状态i下第j个输入参数归一化后的值。
[0113]
设置隐含层第m个神经元节点输出为：
[0114][0115]
其中为隐含层第m个神经元节点的输出阈值。
[0116]
设置输出层第i个神经元节点，即输出向量中第i个分向量的输入为：
[0117][0118]
其中为隐含层第m个神经元节点与输出层第i个神经元节点的连接权重，bh为第m个隐含层神经元节点的输出。
[0119]
设置输出层第i个神经元节点，即输出向量中第i个分向量的值为：
[0120][0121]
其中θi为输出层第i个神经元节点的输出阈值。
[0122]
(2)初始化粒子群。
[0123]
设置两个粒子群停止迭代条件。第一个为迭代次数上限，第二个是bp神经网络置信度达到95％。
[0124]
设置每个粒子的速度与位置更新公式为：
[0125][0126][0127]
其中为第k+1代粒子u的速度在第d维的上的分量，为第k代粒子u的个体极值在第d维的分量，为第k代粒子的全局极值在第d维的分量，为第k代粒子u的位置
在第d维的上的分量，c1与c2均为学习因子，ω为惯性权重，ζ和η为(0，1)上随机数。
[0128]
设置惯性权重为：
[0129][0130]
k为迭代次数，k
max
为最大迭代次数，初始状态下ω＝ω
max
＝1，ω
min
＝0.4。
[0131]
设置粒子的适应度函数为：
[0132][0133]
其中，x为粒子群中某粒子的位置，n为训练例个数，表示该粒子在第i个训练例下的输出结果，yi为预期输出结果。
[0134]
初始化粒子速度，取值为[v
min
，v
max
]之间的均匀分布的随机数，本发明取为[-0.05，0.05]。以bp神经网络中的连接权值ρ
ij
、与输出阈值θm、作为粒子群中每个粒子的位置分量，粒子群中第u个粒子位置为：
[0135][0136]
其中，x
us
为第u个粒子的第s个位置分量，取值范围为[x
min
，x
max
]，本发明取为[-1，1]，当某一位置分量超过上界或下界值时，需将该分量近似取为边界值，s的取值范围为{s∈z|1≤s≤q(k+n+1)+n}，即s的取值范围为{s∈z|1≤s≤67}。
[0137]
(3)如果该粒子的当前适应度函数值比个体历史最优值好，则将粒子当前的位置更新为个体历史最优位置；如果粒子的个体历史最优位置优于全局最优位置，则将粒子的全局最优更新为当前的个体历史最优。
[0138]
(4)根据粒子群算法更新各个粒子的位置和速度。
[0139]
(5)若满足任意一个停止迭代条件，则停止迭代，得到bp网络最优初始权值和阈值，输出训练好的bp神经网络。
[0140]
步骤5中基于bp神经网络模型，建立其与专家系统之间联系的方法为：
[0141]
考察指向bp神经网络输出结果的隐含层神经元，找出输出层的正带权输入值，即具有以下特征：
[0142][0143]
同时考察指向此隐含层神经元的输入层神经元，同样找出其正带权输入值，形成规则：
[0144]
if表达式1 and表达式2 and
…
and表达式n then结论
[0145]
规则中表达式n的具体形式为某输入层神经元的输出为正，也即具有某种征兆，规则中结论的具体形式是故障类型。针对柴油机排气温度异常可以得到以下规则：
[0146]
if排气温度＞550℃and增压器转速减小then增压器损坏
[0147]
if排气温度＞550℃and空冷器出口压力减小then进气管堵塞
[0148]
if排气温度＞550℃and喷油异常标识＝1 then喷油异常
[0149]
if排气温度＞550℃and排气阀损坏标识＝1 then排气阀损坏
[0150]
if排气温度＞550℃and淡水进口压力减小then淡水系统异常
[0151]
if排气温度偏低and高压燃油管漏油液位升高then高压油管泄露
[0152]
将此类规则存入知识库，形成神经网络专家系统的知识库，并根据此知识库建立专家系统。
[0153]
步骤6中测试神经网络专家系统流程为：
[0154]
(1)接收柴油机排气温度异常报警信号；
[0155]
(2)专家系统的推理机参照知识库，针对关联测点的异常数据进行故障诊断，并调用神经网络模块；
[0156]
(3)神经网络的诊断结果置信度大于0.95，则将其作为神经网络专家系统最终诊断结果，并由专家系统对诊断结果进行解释；
[0157]
(4)若神经网络的输出置信度不大于0.95，则输出专家系统的诊断结果；
[0158]
(5)若专家系统与神经网络均不能对故障进行诊断，即出现现阶段无法确立征兆和原因对应关系的故障，则将数据打包，启动神经网络专家系统的学习模式，由专家对故障进行命名，调整神经网络拓扑结构，增加输出节点，并用打包的离线数据对神经网络进行训练，并将训练好的神经网络更新给神经网络专家系统。