基于神經網絡的柴油機故障診斷的研究

漳州師范學院畢業(yè)論文（設計）

文獻綜述

題目：基于神經網絡的柴油機故障診斷的研究姓名：朱勇彬學號：070505114系別：物理與電子信息工程系專業(yè)：電氣工程及其自動化年級：07級指導教師：閆玉蓮

201*年10月15日

文獻綜述一、前言隨著柴油機技術的發(fā)展與進步，人類對柴油機的需求也逐漸增加，與之相應的對柴油工作的穩(wěn)定性、可靠性的要求也越來越高，所以在柴油機故障診斷的研究領域不斷出現新的理論和新的方法，目前這一研究方向也成為國內外研究的熱點。我國是目前世界上擁有和使用柴油機最多的國家之一，因此對柴油機進行狀態(tài)檢驗和故障診斷可以極大的提高其運行的可靠性，具有較高的經濟效益。為了保證柴油機各系統(tǒng)能穩(wěn)定而可靠的工作，對其進行實時無損故障診斷和先期預測非常必要。由于柴油機工作過程復雜，把人工神經網絡技術應用到故障診斷中來，利用BP和RBF網絡兩種方法來診斷柴油機故障。二、主體1.1人工神經網絡1.1.1人工神經網絡的概述人工神經網絡（ArtificialNeuralNetworks，ANNs），也簡稱為神經網絡（NNs），是模擬生物神經網絡進行信息處理的一種數學模型。它以對大腦的生理研究成果為基礎，其目的在于模擬大腦的某些機理與機制，實現一些特定的功能。它不但具有處理數值數據的一般計算能力，而且還具有處理知識的思維、學習和記憶能力[1]。1.1.2人工神經網絡的特點和領域神經網絡的基本屬性反映了神經網絡特點，主要表現在：1.并行分布式處理神經網絡具有高度的并行結構和并行實現能力，具有高速尋找優(yōu)化解的方法，能夠發(fā)揮計算機的高速運算能力，可很快找到優(yōu)化解。2.非線性處理人腦的思維是非線性的，故神經網絡模擬人的思維也應是非線性的。這一特性有助于處理非線性問題。3.具有自學習功能通過對過去的歷史數據的，訓練出一個具有歸納全部數據的特定的神經網絡，自學習功能對于預測有特別重要的意義。4.神經網絡的硬件發(fā)現要使人工神經網絡更快、更有效地解決更大規(guī)模的問題，關鍵在于其超大規(guī)模集成電路（VLSI）硬件的實現，即把神經元和連接制作在一塊芯片上構成ANN。神經網絡的VLSI設計今年來發(fā)展很快，硬件實現已成為ANN的一個重要分支[1]。神經網絡的領域:近些年來神經網絡在眾多領域得到了廣泛的運用。在民用應用領域的應用，如語言識別、圖像識別與理解、計算機視覺、智能機器人故障檢測、實時語言翻譯、企業(yè)管理、市場分析、決策優(yōu)化、物資調運、自適應控制、專家系統(tǒng)、智能接口、神經生理學、心理學和認知科學研究等；在軍用應用領域的應用，如雷達、聲納的多目標識別與跟蹤、戰(zhàn)場管理和決策支持系統(tǒng)、軍用機器人控制各種情況、信息的快速錄取、分類與查詢、導彈的智能引導、保密通信、航天器的姿態(tài)控制等[2]。1.2BP網絡的設計1.2.1BP網絡層數的選取(1)輸入、輸出層的設計輸入的神經元可以根據需要求解的問題和數據表示方式確定。在故障診斷中，輸入層神經元個數一般等于每個樣本中包含的特征值的個數。輸出層的維數可根據設計者的要求確定，在故障診斷中，如果將BP網絡用作分類器，類別模式一共有m個，則輸出層神經元的個數為m或log2m。(2)隱層的設計對于BP網絡，有一個非常重要的定理：即對于任何在閉區(qū)間內的一個連續(xù)函數都可以用單層的BP網絡逼近，因而一個三層的BP網絡就可以完成任意的n維到m維的映射。隱層的神經元個數選擇是一個較為復雜的問題，往往需要設計者的經驗和多次試驗來確定，因而不存在一個理想的解析式來表示。隱層單元的數目與問題的要求、輸入/輸出單元的數目都有著直接關系。隱層單元個數太多會導致學習時間過長、誤差不一定最佳，也會導致容錯性差、因此一定存在一個最佳的隱層單元數。以下三個公式可作為選擇最佳隱層單元數時的參考公式：1）n2=2n1+1，其中n1是輸入層神經元數，n2是隱層神經元數。2）n1nma，其中，m是輸出神經元數，n是輸入神經元數，a是[1,10]之間的常數。3）n1=log2n，其中n是輸入神經元數。其他確定隱層單元數的方法為：首先是隱層單元的數目可變，或者放入足夠多的隱層單元，通過學習將那些不起作用的隱層單元剔除，直到不可收縮為止[3]。1.2.2初始值的選取由于系統(tǒng)是非線性的，初始值對于學習能否達到局部最小和是否能夠收斂的結果關系很大。一個重要的要求是：初始權值在輸入累加時使每一個神經元的狀態(tài)值接近于零，權值一般取隨機數，要比較小。輸入樣本也同樣希望進行歸一化處理，使那些比較大的輸入仍然落在傳遞函數梯度大的地方。1.2.3BP網絡的不足BP網絡模型雖然在各方面都具有重要意義，而且應用也很廣泛，但它也存在一些不足。從數學上看，它是一個非線性優(yōu)化問題，不可避免的存在局部極小點；學習算法的收斂速度慢；網絡隱層單元數選取帶有很大的盲目性和經驗性，尚無理論上的指導；新加入的樣本要影響已學完的樣本等。具體來說：BP算法對樣本進行逐個學習時，常會發(fā)生“學了新的，忘了舊的”的遺忘現象。故此值得對樣本不斷循環(huán)重復，這樣一來其學習時間必然延長。為了克服這個缺點，將逐個學習改為批量學習，即對所有樣本都進行學習后將其誤差相加，然后用這個誤差之和來對網絡的權系數進行調整。但是這樣一來，在誤差求和時，這些誤差有可能互相抵消，這就降低了算法的調整能力，也就是延長了學習的時間。所以，按批量學習其收斂速度也會很慢。同時，批量學習方法還有可能產生新的局部極小點。比如各誤差不為零。，但其總和為零，這種情況發(fā)生后算法就穩(wěn)定在這個狀態(tài)上，這就是新的局部極小點[4]。1.3RBF的創(chuàng)建與學習過程當RBF網絡的徑向基層采用高斯函數時，網絡的訓練從理論上應可以確定高斯函數的數學期望、方差及隱層和輸出層神經元的權值與閾值。1.newrbe創(chuàng)建徑向基網絡的過程以newrbe創(chuàng)建徑向基網絡的步驟：1）徑向基神經元數目等于輸入樣本數，其權值等于輸入向量的轉置：IWPT所以徑向基神經元的閾值為blog(.5)/spread12(1-1)(1-2)式中:spread為徑向基函數的擴展系數，默認值為1.0。合理選擇spread是很重要的，其值應該足夠大，使徑向基神經元能夠對輸入向量所覆蓋的區(qū)間都產生響應，但也不要求大到所有的徑向基神經元都如此，只要部分徑向基神經元能夠對輸入向量所覆蓋的區(qū)間產生響應就足夠了。spread的值越大，其輸出結果越光滑；若在設計網絡時，出現“Rankdeficient”警告時，應考慮減少spread的值，重新進行設計。2）以徑向基神經元的輸出作為線性網絡層神經元的輸入，確定線性層神經元的權值和閾值，使之滿足W2,1;b2A1;onesT(1-3)2．newrb創(chuàng)建徑向基網絡的過程當以newrb創(chuàng)建徑向基網絡時，開始是沒有徑向基神經元的，可通過以下步驟，逐漸增加徑向基神經元的數目：1）以所有的輸入樣本對網絡進行仿真。2）找到誤差最大的一個輸入樣本。3)增加一個徑向基神經元，其權值等于該樣本輸入向量的轉置；閾值12blog(.5)/spread,spread的選擇與newrb一樣。4）以徑向基神經元輸出的點積作為線性網絡層神經元的輸入，重新設計線性網絡層，使其誤差最小。5）當均方誤差未達到規(guī)定的誤差性能指標，且神經元的數目未達到規(guī)定的上限值時，重復以上步驟，直至網絡的均方誤差達到規(guī)定的誤差性能指標，或神經元的數目達到規(guī)定的上限值為止�？梢钥闯�，創(chuàng)建徑向基網絡時，newrb是逐漸增加徑向基神經元數的，所以可以獲得比newrb更小規(guī)模的徑向基網絡。1.3應用BP網絡和RBF對柴油機燃油系統(tǒng)進行故障診斷1.3.1神經網絡仿真模型的建立下面結構框圖為基于神經網絡模式識別功能的故障診斷系統(tǒng)結構：診斷原始數據預處理特征選取特征選取診斷神經網絡學習訓練診斷結果訓練樣本數據預處理圖3-3故障診斷系統(tǒng)結構圖3-3中，基于神經網絡的診斷過程分為兩步。首先，基于一定數量的訓練樣本集(通常稱為“征兆故障”數據集)對神經網絡進行訓練，得到期望的診斷網絡；其次，根據當前診斷輸入對系統(tǒng)進行診斷，診斷的過程即為利用神經網絡進行前向計算的過程。在學習和診斷之前，通常需要對診斷原始數據和訓練樣本數據進行適當地處理，包括預處理和特征選取、提取等，目的是為診斷網絡提供合適的診斷輸入和訓練樣本。此外，盡管神經網絡和傳統(tǒng)的故障診斷是兩種不同的診斷方法，但兩者是緊密聯(lián)系在一起的[6]。1.3.2利用BP和RBF神經網絡模型進行柴油機燃油系統(tǒng)故障的診斷利用MATLAB仿真訓練所設計的BP網絡和RBF網絡，柴油機的供油量不足、燃油系統(tǒng)常見的幾種故障（針閥卡死至油孔堵塞、針閥泄露和出油閥失效）分別通過BP和RBF網絡的故障診斷把它反映出來[9]。利用傳感器測出燃油壓力信號，并且提取出特征參數，再將這些特征參數當作BP和RBF神經網絡的輸入樣本，然后利用訓練好的神經網絡進行柴油機故障診斷，得出診斷結果[10]。三、總結本論文通過對故障檢測技術的發(fā)展做了一個初步的分析，重點分析了神經網絡技術與故障診斷的結合，通過對柴油機故障仿真得到：基于神經網絡的故障診斷結果與實測值具有良好的一致性，而且誤差很小，表明了BP和RBF神經網絡是兩種有效的診斷方法。由于利用神經網絡進行柴油機狀態(tài)監(jiān)測和故障診斷是一個新的課題，涉及到很多門的內容，再加上時間較緊、水平有限，本論文還存在很多問題和不足，通過對本課題的學習和研究，作者對神經網絡的一些基本理論及BP和RBF網絡的算法有了較深刻地認識和了解，并熟練的掌握了BP和RBF神經網絡的建立和訓練技巧，以及Matlab7.0軟件的編程使用，鍛煉和提高了獨立科研能力，為今后的工作打下了更為堅實的基礎。四、參考文獻[1]張良均，曹晶，蔣世忠.神經網絡實用教程[M].北京：機械工業(yè)出版社，201*：31-34.[2]侯媛彬，杜京義，汪梅.神經網絡[M].西安：西安電子科技大學出版社，201*[3]周開利，康耀紅，神經網絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，201*:89-92.[4]董長虹，Matlab神經網絡與應用[M].北京：國防工業(yè)出版社，201*.9:89-90.[5]飛思科技產品研發(fā)中心，神經網絡理論與MATLAB7實現[M].北京：電子工業(yè)出版社，201*.3：246-250.[6]劉建敏，駱清國，鄭曉江，尹勝波．柴油機燃油噴射系統(tǒng)技術狀況不解體檢測儀的研制．內燃機工程，201*,1.[7]田有為，沈沉，張西振．柴油機故障診斷系統(tǒng)．遼寧省交通高等�？茖W校學報，201*,9：48-49.[8]龔金科，劉孟祥，劉湘玲．柴油機工作過程數學模擬．移動電源與車輛，201*,2:11-13.[9]王俊生,柴油發(fā)動機燃油系統(tǒng)的故障分析研究．山西建筑，201*，4：250[10]吳波，吳功平．柴油機噴油系統(tǒng)壓力波形的特征抽取及描述方法．震動工程學報，1992，3：34～

擴展閱讀：神經網絡在系統(tǒng)故障診斷中的應用研究 開題報告

青島農業(yè)大學

畢業(yè)論文(設計)開題報告

題目：神經網絡在系統(tǒng)故障診斷中的應用研究姓名：

201*年3月8日

一、選題依據(擬開展研究項目的研究目的、意義等)隨著現代科學技術的飛速發(fā)展，工程設備日趨復雜，自動化程度越來越高，設備運行的安全性和可靠性越來越受到人們的重視，安全保障已經成為系統(tǒng)征程運行的重要組成部分。系統(tǒng)中出現的某些微小的故障若不能及時檢測并排除，就有可能造成整個系統(tǒng)的失效、癱瘓，甚至導致巨大的災難性后果，所以人們總是期望建立一套檢測、預警、容錯和維修機制，伴隨系統(tǒng)運行的全壽命周期，防止和杜絕影響系統(tǒng)正常運行的故障的發(fā)生和發(fā)展。在過去幾十年里，傳統(tǒng)的故障診斷技術得到了飛快的發(fā)展并在工程中發(fā)揮了重要的作用。傳統(tǒng)故障診斷技術對于比較簡單的設備或單一故障，能夠發(fā)揮其獨特的作用，但對于大型復雜設備多多個故障交互情況，卻無能為力。人工智能智能故障診斷技術就是為了解決這樣大而復雜為題而產生的一門新型技術，其中基于人工神經網絡的故障診斷技術是目

前比較流行故障診斷技術。基于神經網絡的故障診斷技術具有五大特點，首先，并行結構與并行處理方式。神經網絡采用類似人腦的功能，它不僅在結構上是并行的，而且其處理問題方式也是并行的，診斷信息輸入之后可以很快地傳遞到神經元進行處理，提高了計算速度，特備適合處理大量的并行信息。其次，具有高度的自適應能性。系統(tǒng)在知識表示和組織、診斷求解策略與實施等方面可根據生存環(huán)境自適應自組織到自完善。再次，具有很強的自學能力。神經網絡是一種變結構系統(tǒng)，神經元連接形式的多樣性和連接強度的可塑性，使其對環(huán)境的適應能力和對外界事物的學習能力非常強。系統(tǒng)可根據環(huán)境提供的大量信息，自動進行聯(lián)想、記憶及聚類等方面的自組織學習，也可在導師指導下學習特定的任務。其次，具有很強的容錯性。神經網絡的診斷信息分布式的儲存于整個網絡中相互連接的權值上，且每個神經元儲存信息的部分內容，因此即使部分神經元丟失或外界輸入到神經網絡中的信息存在某些局部錯誤，也不影響真?zhèn)�系統(tǒng)的輸出性能。最后，實現了將知識表示、存儲、推理三者融為一體。它們都由一個神經網絡來實現。神經網絡技術發(fā)展迅速，在硬件技術方面，一些發(fā)達國家，如美國和日本均使用了規(guī)模超過1000個神經元的網絡系統(tǒng)，這樣的系統(tǒng)具有極高的運算速度，而且已經在股票數據分析中得到了應用。另外，為了克服電子元件交叉極限問題，很多國家都在研究電子元件之外的神經網絡系統(tǒng)，如光電子元件、生物元件等。在神經網絡理論研究方面，主要進展有Boltzmann機理論研究、細胞網絡的提出及其分析等。20世紀60年代初，電路的故障診斷作為網絡的第三大分支在軍事工業(yè)上首先開始研究。它主要任務是：在已知網絡拓撲結構、輸入激勵信號和故障下響應時，求解故障元件的物理位置和參數。電子系統(tǒng)包括數字和模擬電路兩個部分，數字電路的故障診斷目前已比較成熟并且投入使用。同數字電路相比，模擬電路集成度較低，其故障診斷的發(fā)展速度比較慢。模擬電路故障診斷理論和方法自20世紀70年代以來，取得了不少階段性的成果。依據電路方針在實際測試中不同階段，分為兩大類：測前模擬診斷（SBT）和測后模擬診斷（SAT），介于這兩種分類之間的還有逼近法及人工智能兩種方法。二、國內外同類研究或同類設計的概況綜述(在充分收集研究主題相關資料的基礎上，分析國內外研究現狀，提出問題，找到研究主題的切入點，附主要參考文獻)神經網絡研究已經有40年歷史，早在20世紀40年代，心理學家Mcculloch和Pitts就提出了神經元的形式模型[1]，Hebb提出了改變神經元連接強度的規(guī)則[2]，在他們至今仍

在各種神經網模型中起著重要作用。隨后，Rosenblatt，Widrow等人對他們進行了改進并提出了感知器[3](Perceptron)和自適應現行元件[4]（AdaptivelinearElement）。后來Hopfield，Rumelhart，Mcclelland，Anderson，Feldman，Grosbberg和Kohonen等人所做的工作又掀起了神經網絡研究的熱潮。由于神經網絡具有并行處理、聯(lián)想記憶、自組織及自學習能力和極強的非線性映射特性，能對復雜的信息進行識別處理并給予準確處理的分類，因此可以用來對系統(tǒng)設備有故障引起的狀態(tài)變化進行識別和判斷。人工神經網絡作為一種新的模式識別技術或新的知識識別處理方法，在設備故障診斷領域顯示出了極大的應用潛力[4-5]。本世紀以來，小波分析、信息融合技術及遺傳算法等應用于模擬電路故障診斷的研究亦開始起步[6-8]，為形成實用的有效診斷方法開辟了新的途徑。目前，利用神經網進行故障診斷，可以將診斷分為模式識別和知識處理兩大類[9],就神經網絡在設備故障診斷領域的應用研究來說主要集中在三個方面[10]：（1）從模式識別的角度，應用神經網絡作為分類進行故障診斷；（2）從預測的角度，應用神經網絡作為動態(tài)預測模型故障診斷；（3）從知識處理的角度，建立神經網絡的故障診斷專家系統(tǒng)。在眾多的神經網絡中，基于BP算法的多層感知器MLP（Multi-levelPerceptron）神經網絡應用最為廣泛且成功，例如齒輪箱故障診斷、設備狀態(tài)分類器設計、地震預報、農作物蟲情預測等。RBF(徑向基網絡)是一種具有單隱層的神經網絡，是神經元數目可以在參數設置時確定，目前該網絡應用也比較廣泛，如柴油機故障診斷、交通運輸能力測試、河道淺灘漸變預測等。PNN（概率神經網絡）也是目前應用較多的一種網絡，如發(fā)動機故障診斷、財務失敗預測等，它無需訓練，分類效果明顯。隨著人工智能和計算機迅速的發(fā)展，特別是知識工程、專家系統(tǒng)進一步應用，為神經網絡故障診斷技術的研究提供了新的理論和方法。為了提高神經網絡故障診斷的實用性能，目前主要應叢神經網絡模型本身的改進和模塊化神經網絡診斷策略兩個方面研究。神經網絡故障診斷技術具有廣闊的發(fā)展前景[11]。目前，模擬電路故障診斷方法主要有傳統(tǒng)方法和一些新的方法。傳統(tǒng)方法有測前模擬診斷法、測后模擬診斷法、逼近法和人工智能法。新方法有基于神經網絡、基于小波分析、模糊理論、信息融合、遺傳算法、Agent技術、分形理論、粗糙集理論等[12]。參考文獻：[1]MccullochW,PittsW.ALogicalCalculusoftheIdeasImmanentinNerousActivity.Bull.Math.Biophys,1943,5：115-1

[2]HebbD.TheOrganizatyionofBehaivour.NewYork:Wiley,1949[3]RosenblattF.PrinciplesofNeurodynamics.NewYork:Spartan,1962[4]虞和濟，陳長征，張省，基于神經網絡的智能診斷，振動工程學報，201*，13：202-209[5]KoivoHN.ArtificialNeuralNetworksinFaultDiagnosisandControl.ControlEng.Practice,1994,29(1):89-101[6]ElGamalMA．Geneticallyevolvedneuralnetworksforfaultclassificationinanalogcircuits．NeuralComputing&Applications，201*，ll(2)：112-12l[7]SwarupB，ArijitR，KaushikR．Defectorientedtestingofanalogcircuitsusingwaveletanalysisofdynamicsupplycurrent．JournalofElectronicTesting：TheoryandApplications，201*，2l(2)：147-159[8]AminianM，AminiamF．Neuralnetworkbasedanalog-circuitfaultdiagnosisusingwavelettransformaspreprocessor．IEEETransactionsonCircuitsandsystemsII：AnalogandDigitalSignalProcessing，201*，47(2)：l51-l56[9]曾昭君，何鋮，史維祥，故障診斷神經網絡的發(fā)展與前景，機械工程學報，1992,28（1）：1-6[10]吳今培.只能故障診斷技術的發(fā)展和展望，振動、測試與診斷，1999，19：79-86[11]王仲生.智能故障診斷與容錯控制，神經網絡故障診斷與容錯控制，西北工業(yè)大學出版社201*，4：217-219[12]歐陽宏志，廖湘柏，劉華.電子科技.模擬電路故障診斷方法綜述.西安電子科技大學編輯部.201*.12.75-80三、研究方案(研究內容、目標、研究方法、技術路線、擬解決的問題、特色或創(chuàng)新點等)本畢業(yè)設計主要研究基于神經網絡的模擬電路故障診斷技術。首先在SIMULINK環(huán)境中，建立某二級放大模擬電路作為故障診斷的電路模型，獲得電路在正常與部分元件發(fā)生故障情況下的輸入輸出測量數據，例如電壓、電流，構成用于故障診斷的原始輸入樣本數據。其中，模擬電路輸入的數據（電壓或電流）作為神經網絡的輸入，將編制好的代表故障情況的數據(-1代表開路，0代表正常，1代表短路)作為輸出。輸入數據經過輸入層、中間層、輸出層的處理，輸入層到中間層的傳遞函數以及中間層到輸出層的傳遞函數，配合使用S型函數獨有的連續(xù)可微分特性，分別對正常數據和故障數據進行訓練，使神經網絡學習記憶住這些數據的特征。這樣網絡就有了故障診斷的經驗。

當進行網絡測試時，訓練好的網絡將測試數據與其訓練時記住的數據進行比較處理，測試數據與故障數據一致時，系統(tǒng)會將故障情況輸出，完成測試。本論文詳細介紹人工神經網絡的概念，說明神經網絡的工作原理及其發(fā)展歷史，然后在了解人工神經網絡這一概念之后，分別從BP網絡、RBF網絡、PNN網絡的原理入手介紹介紹神經網絡如何應用到模擬電路故障診斷技術的，詳細的介紹這三種網絡在模擬電路在故障診斷的診斷原理、網絡設計并進行了故障診斷實例驗證。四、進程計劃(各研究環(huán)節(jié)的時間安排、實施進度、完成程度等)4月1日-4月7日構建模擬電路故障診斷系統(tǒng)模型；4月7日-4月21日學習神經網絡技術原理與實現；4月22日-5月15日完成基于神經網絡的故障診斷模型的建立；5月16日-5月24日整個系統(tǒng)的程序整合，完成整體的調試；5.月25日-6月1日完成論文初稿；6月2日-6月7日完成論文的第二稿；6月8日-6月14日整理畢業(yè)設計文檔，完成論文。五、導師評語年月日

友情提示：本文中關于《基于神經網絡的柴油機故障診斷的研究》給出的范例僅供您參考拓展思維使用，基于神經網絡的柴油機故障診斷的研究：該篇文章建議您自主創(chuàng)作。

來源：網絡整理 免責聲明：本文僅限學習分享，如產生版權問題，請聯(lián)系我們及時刪除。

《基于神經網絡的柴油機故障診斷的研究》由互聯(lián)網用戶整理提供,轉載分享請保留原作者信息,謝謝!
鏈接地址：http://m.seogis.com/gongwen/672293.html

• 上一篇：柴油機常見故障分析
• 下一篇：WD615型柴油發(fā)動機功率下降的故障分析