基于模糊神经网络的发动机故障诊断研究

来源:用户上传      作者:王彬　李勋章　胡新生　米明辉

　　摘要：基于模糊神经网络理论，对发动机涡轮增压系统、冷却系统以及润滑系统常见故障进行了研究，在MATLAB环境中，利用常见的故障案例样本，训练BP神经网络，建立涡轮增压系统、冷却系统及润滑系统三大系统的模糊神经网络模型，并通过未参与训练的故障案例样本对模型进行验证，经验证模型的预测误差均在5%以内，可以满足故障诊断的要求。另外，针对各系统的模糊神经网络模型，利用MATLAB GUI建立发动机故障诊断系统，该系统可以根据故障现象，诊断故障原因，并通过实际故障案例验证，诊断结果与实际故障原因相符，说明故障诊断系统具有指导性。
　　关键词：柴油发动机;BP神经网络;模糊理论;故障诊断
　　中图分类号：U472.43
　　文献标识码：A文章编号：10015922（2022）06015607
　　Research on engine fault diagnosis based onfuzzy neural network
　　WANG Bin，LI Xunzhang，HU Xinsheng，MI Minghui
　　（
　　Qingdao Campus of Naval Aviation University， Qingdao，266041，Shandong China
　　）
　　Abstract：Common faults of engine turbocharging system， cooling system and lubricating system are studied based on fuzzy neural network theory. BP neural network is trained by using common fault cases in MATLAB environment， and the fuzzy neural network models of turbocharging system， cooling system and lubricating system are established. Testifying through fault cases samples that are not in the training，the prediction error of the model is less than 5%， which can meet the requirements of fault diagnosis. In addition， based on the fuzzy neural network model of each system， the engine fault diagnosis system is established by using Matlab GUI. The system can diagnose the fault cause according to the fault phenomenon. Through the verification of actual fault cases， the diagnosis results are consistent with the actual fault cause， which shows that the fault diagnosis system is instructive.
　　Key words：diesel engine; BP neural network; fuzzy theory; fault diagnosis
　　l动机是常见的一种动力装置，应用十分广泛，随着科学技术水平的进步，发动机的结构也越来越精细化、复杂化，并且出现的故障也越来越多样化，故障诊断的难度相应地增大。因此，有必要研究一种快速准确便捷的故障诊断方法。神经网络，是利用工程技术模拟人脑神经的结构和功能的技术，用计算机模拟人脑神经元对信息的加工、存储和搜索等活动过程的技术[1-3]，模糊理论近年来在发动机故障诊断广泛应用，本文对人工神经网络和模糊理论进行研究，提出了基于模糊神经网络的故障诊断方法。
　　1人工神经网络与模糊理论
　　神经网络，是指利用工程技术模拟人脑神经的结构和功能的技术，用计算机模拟人脑神经元对信息的加工、存储和搜索等活动过程的技术[4-5]。神经网络技术辨识参数间关系的能力很强，适合寻找参数间存在的非线性关系，因此，神经网络可以用于寻找故障现象与故障原因之间的关系[4-5]。BP神经网络是应用比较广泛的一种神经网络，网络结构如图1所示。
　　在客观世界中的一个系统或事件往往存在随机性和不确定性，即模糊性[6]。例如“老年人”、“温度偏高”、“动力不足”、“振动较大”等现象的描述中“老年”、“偏高”、“不足”、“较大”等概念并不是清晰、界限分明的，所以不能简单地用“是”或“否”来回答，即这些概念存在模糊性[7]。模糊性是指客观事物存在的差异中不分明的过渡状态[8]。
　　人工神经网络和模糊理论是近年来故障诊断领域发展较好的两种技术[9-10]。两者都是模拟人脑的思维功能，通过建立不精确模型的方式分析和处理问题[11]。但它们之间也有不同的地方，比如系统模型的结构、结果的精度和映射的方式等。神经网络与模糊理论的比较如表1所示。
　　由表1可以看出，人工神经网络具备处理精度高、人工干预少及自学习等优势和不能处理模糊问题等不足;模糊理论具备对样本要求低、可利用已有的经验知识等优势，但也存在精度低、人工干预多等不足。因此，二者结合可以同时具备人工神经网络自学习的能力和模糊理论利用已有经验和处理模糊问题的能力。这样既可以通过自学习来提高编码语言的精度，还使导入样本的过程更加方便、简单。

nlc202206231638

转载注明来源:https://www.xzbu.com/1/view-15434417.htm