基于Petri网和萤火虫神经网络的柴油机故障诊断

卓宏明,徐 鹏,毛攀峰

(浙江国际海运职业技术学院 船舶工程学院,浙江 舟山 316021)

传统的故障诊断方法难以进行高效准确的故障诊断,目前普遍采用神经网络诊断系统,充分利用收集到的信息进行相应的训练,得出与收集到信息相关的映射关系[1-4].但基本的神经网络都存在训练数据提取盲目、训练时间长、精度低等缺点.如何通过改善神经网络来高效判别柴油机故障诊断,成为当下急需解决的问题[4-7].

本文采用Petri网建模归纳出柴油机所有故障模式,提取神经网络的训练数据,解决训练数据盲目性问题.在此基础上建立BP神经网络的柴油机故障诊断模型,通过萤火虫算法来训练BP神经网络.仿真实验表明,本文所提出的Petri网和BP神经网络故障诊断方法，可对柴油机故障进行高效判别,并且萤火虫算法来训练BP神经网络的收敛速度和精度都优于其他BP神经网络算法.

1 Petri网模型

柴油机结构复杂其本身为一个独立的系统,又由各个子系统组成,系统故障及其故障原因具有多样性、模糊性及偶然性的特点.Petri网可以方便对系统故障模型进行描述,图形化的建模可以简单明了地表达系统故障的各个层次以及各故障原因与现象的关系.柴油机系统主要有涡轮增压系统、燃油系统、进排气系统、润滑系统、冷却系统等子系统组成.通过分析柴油机的结构组成及故障原因,建立了柴油机典型故障的模型,如图1所示.图中:P表示故障库所,各故障库所之间都为“或门”规则.各个库所的具体含义如表1所示.

图1 柴油机故障Petri网Fig.1 Diesel engine fault Petri net表1 各个库所的含义Tab.1 The meaning of each place

库所含义库所含义Pa柴油机故障P8活塞缸套副过度磨损Pb1增压系统故障P9排气阀提前关闭Pb2燃油系统故障P10排气阀延时关闭Pb3进排气系统故障P11排气阀故障Pb4润滑系统故障P12凸轮轴磨损Pb5冷却系统故障P13滑油滤器脏堵P1增压器效率下降P14滑油泵故障P2空冷器传热恶化P15润滑油变质P3透平保护格栅堵塞P16滑油冷却器故障P4透平流通部分格栅堵塞P17冷却水泵故障P5喷油过早P18冷却水流道结垢过厚P6喷油延后P19冷却水流道阻塞P7喷油器故障

2 BP神经网络

通过所建立的柴油机典型故障Petri网模型,可以归纳出柴油机所有故障模式.该故障库所之间都为“或门”规则,所有故障模式即P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P11,P12,P13,P14,P15,P16,P17,P18,P19.柴油机废气涡轮增压子系统工作环境恶劣,故障率高,进而引起整个柴油机故障.现以涡轮增压的故障诊断为例,具体说明Petri网与BP神经网络的故障诊断方法.故障样本数据为船用涡轮增压柴油机的涡轮增压系统的故障数[8].输入变量为故障征兆,共7个,其中:x1为排气总管温度;x2为扫气箱压力;x3为最大爆发压力;x4为增压器转速;x5为扫排气道压损系数;x6为压气机出口温度;x7为扫气箱温度.输出变量为故障原因即故障模式,共4个,其中:y1为增压器效率下降;y2为空冷器传热恶化;y3为透平保护格栅堵塞;y4为透平流通部分格栅堵塞.神经网络的训练样本共48组,每种故障各12组训练样本,部分训练样本如表2所示,故障数据都为经过归一化处理并进行了无量纲化.

采用3层网络的BP网络模型结构,网络的输入神经元个数为7个,输出层神经元个数为4个,根据经验并经过反复试验确定隐含层神经元的个数为15个,隐含层和输出层的激发函数为非线性Sigmoid函数,误差因子为0.000 1,最大循环训练次数为3 000次,初始学习速率为0.1,训练函数采用traingd.把样本数据输入到已经设好的神经网络并对其训练,图2为常规BP算法对该网络训练过程中的误差变化曲线.可以看出,常规BP算法迭代3 000次后的误差为0.011 3,离目标误差0.000 1还有很大距离,存在收敛速度慢、精度低等问题.

图2 常规BP算法误差变化曲线Fig.2 Error curve of conventional BP algorithm

3 萤火虫神经网络

BP神经网络算法存在学习过程收敛速度慢、鲁棒性不好以及网络性能差等缺点[9].萤火虫算法(Firefly Algorithm,FA)通过模拟萤火虫在觅食、择偶等生活习性中产生的相互因光而吸引移动的合作行为来解决最优问题,具有结构简单、调节参数少、收敛速度快、易于操作实现等特点[10-11].

萤火虫算法优化BP神经网络的基本思想是:利用萤火虫算法训练BP神经网络的权值和阈值,以解决BP神经网络算法初始权值、阈值的选择随机性.充分利用萤火虫算法的全局最优化和启发式寻优特征,对BP网络权值阈值进行优化得到一个初始的权值和阈值,再用BP训练算法得到最终的神经网络结构.优化算法的基本流程如下.

步骤1创建BP神经网络,设置网络参数,初始化权值和阈值.

步骤2设置萤火虫算法参数,包括萤火虫数目n,光吸收强度系数γ,步长因子α,最大吸引度β0,最大迭代次数maxt,适应阀值.

步骤3在可行域内随机初始化所有萤火虫位置.

步骤4计算萤火虫的适应度值,也就是计算目标函数值.BP网络训练的过程是迭代计算时误差值即均方误差小于所设定的误差界值,则认为学习完成,停止计算,输出结果.由于萤火虫算法求的是极大值,因此,需要把极小值转化为求极大值,适应值函数为BP神经网络的均方误差函数的倒数,即

(1)

其中

(2)

式中:f为目标函数值;E为BP神经网络的均方误差;N为输出的节点数;Di为第i个输出节点的目标值;Yi为第i个输出节点的实际值.

步骤5计算相对亮度和吸引度,确定移动方向.

近年来，心血管疾病的发病率越来越高，在进行病床和护理人员安排的过程中，坚持平均分配的原则，提高安排的合理性。根据科室的具体情况，对病床进行分组，每组的病床数量具有相同性，然后为每一组病床分配1名护理人员参与床边责任护理。在分配的过程中，需要注意，参与床边责任护理的人员，不应在参与夜班护理工作，一方面，提高护理工作的人性化，另一方面，提高护理工作配合的合理性，提升护理的效果。另外，科室根据自身的实际情况，合理安排床边责任护理人员的数量，提高床边责任制护理工作的质量。

萤火虫的相对萤光亮度为

I=I0e-γrij

(3)

式中:I0为萤火虫的最大萤光亮度;γ为光强吸收系数;rij为萤火虫i和j之间的空间距离.

萤火虫的吸引度为

(4)

式中:β0为最大吸引度，即光源处的吸引度.

步骤6随机扰动最佳位置的萤火虫,再更新萤火虫的位置.

萤火虫i被萤火虫j吸引而向其移动的位置更新公式为

xi=xi+β(xj-xi)+α(rand-1/2)

(5)

步骤7检查更新后的萤火虫的位置是否超出可行域,如果超出范围,则用边界值作为更新后的萤火虫的位置.

步骤8迭代次数加1.判断是否满足终止条件,满足则停止迭代,输出权值和阈值,否则转到步骤4.

步骤9用步骤8输出权值和阈值对神经网络进行训练.

4 仿真实验与分析

对基于萤火虫算法优化的BP神经网络进行训练,参数设置与常规BP算法一致.图3为萤火虫算法优化的BP神经网络训练过程中的误差变化曲线.由图可见,萤火虫优化算法迭代9次后的误差为4.809 5×10-5,已小于目标误差0.000 1.

图3 萤火虫优化的 BP 神经网络误差变化曲线Fig.3 Error curve of BP neural networkoptimized by firefly

完成网络的建立和训练后,对网络进行测试.测试样本如表2所示.

分别采用常规BP算法和萤火虫算法优化的BP神经网络，对测试样本进行诊断，结果如表3和表4所示.

从表3和表4的输出结果来看,BP神经算法诊断输出与期望输出的最大正负绝对误差为0.068 0,而萤火虫神经网络诊断输出与期望输出的最大正负绝对误差为0.017 5.可见萤火虫神经网络得到的诊断输出能够更好地逼近期望输出.

表2 柴油机涡轮增压系统测试样本Tab.2 Diesel engine turbocharger system test sample

表3 BP神经算法诊断样本实际输出Tab.3 BP neural algorithm for real output of diagnostic samples

表4 萤火虫神经网络诊断样本实际输出Tab.4 The real output of the diagnostic samples of firefly neural network

为了更好地对比网络性能,分别对常规BP神经网络、有动量的梯度下降法的神经网络和萤火虫算法优化的BP神经网络各进行100次仿真试验,在相同的环境、相同的参数设定下,分别计算测试样本网络输出的最大、最小均方差.网络性能对比如表5所示.

表5 网络性能比较Tab.5 Network performance comparison

由表5可知:在100次仿真试验中,萤火虫BP神经网络的输出最大均方差和最小均方差都小于常规BP神经网络及采用有动量的梯度下降法的神经网络,并且平均运行时间更短,可见经过萤火虫算法优化的BP神经网络对柴油机故障诊断的精度更高,网络性能更好.

5 结论

(1) 通过分析柴油机的结构组成及故障原因,采用Petri网建立柴油机典型故障的Petri网模型.

(2) 建立BP神经网络的柴油机故障诊断模型来提取神经网络的训练数据,采用Petri网与BP神经网络的故障诊断方法对柴油机涡轮增压系统进行故障诊断.

参考文献:

[1] 李岩,袁惠群,梁明轩,等.基于CPSO-BP神经网络的柴油机排气门间隙故障诊断[J].中国工程机械学报,2014,12(1):56-61.

LI Y,YUAN H Q,LIANG M X,et al.CPSO-BP neutral network based fault diagnose on diesel engine valve clearances[J].Chinese Journal of Construction Machinery,2014,12(1):56-61.

[2] 白士红,杜新成.复合神经网络在柴油机故障诊断中的应用[J].中国工程机械学报,2014,12(1):73-75.

BAI S H,DU X C.Application of compound neural networks for diesel-engine fault diagnosis[J].Chinese Journal of Construction Machinery,2014,12(1):73-75.

[3] 孙彬,曾凡明.基于神经网络的柴油机混合建模方法研究[J].船海工程,2007,36(2):48-50.

SUN B,ZENG F M.On the hybrid modeling method for the diesel engine based on neural network[J].Ship Ocean Engineering,2007,36(2):48-50.

[4] 冯长宝,韩忠伟,孙沫莉.遗传算法和神经网络在船舶柴油机故障诊断中的应用[J].舰船科学技术,2016,38(3A):40-42.

FENG C B,HAN Z W,SUN M L.Genetic algorithm and neural network application in marine diesel engine fault diagnosis[J].Ship Science and Technology,2016,38(3A):40-42.

[5] 占惠文.基于模糊神经网络的船舶柴油机故障诊断系统研究[D].武汉:武汉理工大学,2009.

ZHAN H W.Study on fault diagnosis system of the marine diesel based on fuzzy neural network[D].Wuhan:Wuhan University of Technology,2009.

[6] 邱晗.基于故障树和油液检测的柴油机的故障诊断与研究[D].大连:大连海事大学,2010.

QIU H.Study on diesel engine fault diagnosis technology based on fault tree analysis and oil detection[D].Dalian:Dalian Maritime University,2010.

[7] 吕传文.基于蚁群神经网络船舶发电机故障诊断[J].科学技术与工程,2010,10(22):5595-5598.

LÜ C W.Fault diagnosis of ship generator based on ant colony algorithm and neural network[J].Science Technology and Engineering,2010,10(22):5595-5598.

[8] 马宝琛.基于神经网络的柴油机故障诊断技术的研究[D].大连:大连海事大学,2008.

MA B C.Study on diesel engine fault diagnosis technology based on neural network[D].Dalian:Dalian Maritime University,2008.

[9] 龙泉,刘永前,杨勇平.基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法[J].太阳能学报,2012,33(1):120-125.

LONG Q,LIU Y Q,YANG Y P.Fault diagnosis method of wind turbine gearbox based on BP neural network trained by particle swarm optimization algorithm[J].Acta Energiae Solaris Sinica,2012,33(1):120-125.

[10] YANG X S.Nature-inspired metaheuristic algorithms[M].Beckington:Luniver Press,2008:81-96.

[11] YANG X S.Firefly algorithms for multimodal optimization[C]// LNCS 5792:Proceedings of the 5th International Conference on Stochastic Algorithms:Foundation and Applications,Sapporo,Japan.Berlin,Heidelberg:Springer,2009:169-178.