基于神经网络的柴油机故障诊断的研究

基于神经网络的柴油机故障诊断的研究

漳州师范学院毕业论文（设计）

文献综述

题目：基于神经网络的柴油机故障诊断的研究姓名：朱勇彬学号：070505114系别：物理与电子信息工程系专业：电气工程及其自动化年级：07级指导教师：闫玉莲

201*年10月15日

文献综述一、前言随着柴油机技术的发展与进步，人类对柴油机的需求也逐渐增加，与之相应的对柴油工作的稳定性、可靠性的要求也越来越高，所以在柴油机故障诊断的研究领域不断出现新的理论和新的方法，目前这一研究方向也成为国内外研究的热点。我国是目前世界上拥有和使用柴油机最多的国家之一，因此对柴油机进行状态检验和故障诊断可以极大的提高其运行的可靠性，具有较高的经济效益。为了保证柴油机各系统能稳定而可靠的工作，对其进行实时无损故障诊断和先期预测非常必要。由于柴油机工作过程复杂，把人工神经网络技术应用到故障诊断中来，利用BP和RBF网络两种方法来诊断柴油机故障。二、主体1.1人工神经网络1.1.1人工神经网络的概述人工神经网络（ArtificialNeuralNetworks，ANNs），也简称为神经网络（NNs），是模拟生物神经网络进行信息处理的一种数学模型。它以对大脑的生理研究成果为基础，其目的在于模拟大脑的某些机理与机制，实现一些特定的功能。它不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习和记忆能力[1]。1.1.2人工神经网络的特点和领域神经网络的基本属性反映了神经网络特点，主要表现在：1.并行分布式处理神经网络具有高度的并行结构和并行实现能力，具有高速寻找优化解的方法，能够发挥计算机的高速运算能力，可很快找到优化解。2.非线性处理人脑的思维是非线性的，故神经网络模拟人的思维也应是非线性的。这一特性有助于处理非线性问题。3.具有自学习功能通过对过去的历史数据的，训练出一个具有归纳全部数据的特定的神经网络，自学习功能对于预测有特别重要的意义。4.神经网络的硬件发现要使人工神经网络更快、更有效地解决更大规模的问题，关键在于其超大规模集成电路（VLSI）硬件的实现，即把神经元和连接制作在一块芯片上构成ANN。神经网络的VLSI设计今年来发展很快，硬件实现已成为ANN的一个重要分支[1]。神经网络的领域:近些年来神经网络在众多领域得到了广泛的运用。在民用应用领域的应用，如语言识别、图像识别与理解、计算机视觉、智能机器人故障检测、实时语言翻译、企业管理、市场分析、决策优化、物资调运、自适应控制、专家系统、智能接口、神经生理学、心理学和认知科学研究等；在军用应用领域的应用，如雷达、声纳的多目标识别与跟踪、战场管理和决策支持系统、军用机器人控制各种情况、信息的快速录取、分类与查询、导弹的智能引导、保密通信、航天器的姿态控制等[2]。1.2BP网络的设计1.2.1BP网络层数的选取(1)输入、输出层的设计输入的神经元可以根据需要求解的问题和数据表示方式确定。在故障诊断中，输入层神经元个数一般等于每个样本中包含的特征值的个数。输出层的维数可根据设计者的要求确定，在故障诊断中，如果将BP网络用作分类器，类别模式一共有m个，则输出层神经元的个数为m或log2m。(2)隐层的设计对于BP网络，有一个非常重要的定理：即对于任何在闭区间内的一个连续函数都可以用单层的BP网络逼近，因而一个三层的BP网络就可以完成任意的n维到m维的映射。隐层的神经元个数选择是一个较为复杂的问题，往往需要设计者的经验和多次试验来确定，因而不存在一个理想的解析式来表示。隐层单元的数目与问题的要求、输入/输出单元的数目都有着直接关系。隐层单元个数太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、因此一定存在一个最佳的隐层单元数。以下三个公式可作为选择最佳隐层单元数时的参考公式：1）n2=2n1+1，其中n1是输入层神经元数，n2是隐层神经元数。2）n1nma，其中，m是输出神经元数，n是输入神经元数，a是[1,10]之间的常数。3）n1=log2n，其中n是输入神经元数。其他确定隐层单元数的方法为：首先是隐层单元的数目可变，或者放入足够多的隐层单元，通过学习将那些不起作用的隐层单元剔除，直到不可收缩为止[3]。1.2.2初始值的选取由于系统是非线性的，初始值对于学习能否达到局部最小和是否能够收敛的结果关系很大。一个重要的要求是：初始权值在输入累加时使每一个神经元的状态值接近于零，权值一般取随机数，要比较小。输入样本也同样希望进行归一化处理，使那些比较大的输入仍然落在传递函数梯度大的地方。1.2.3BP网络的不足BP网络模型虽然在各方面都具有重要意义，而且应用也很广泛，但它也存在一些不足。从数学上看，它是一个非线性优化问题，不可避免的存在局部极小点；学习算法的收敛速度慢；网络隐层单元数选取带有很大的盲目性和经验性，尚无理论上的指导；新加入的样本要影响已学完的样本等。具体来说：BP算法对样本进行逐个学习时，常会发生“学了新的，忘了旧的”的遗忘现象。故此值得对样本不断循环重复，这样一来其学习时间必然延长。为了克服这个缺点，将逐个学习改为批量学习，即对所有样本都进行学习后将其误差相加，然后用这个误差之和来对网络的权系数进行调整。但是这样一来，在误差求和时，这些误差有可能互相抵消，这就降低了算法的调整能力，也就是延长了学习的时间。所以，按批量学习其收敛速度也会很慢。同时，批量学习方法还有可能产生新的局部极小点。比如各误差不为零。，但其总和为零，这种情况发生后算法就稳定在这个状态上，这就是新的局部极小点[4]。1.3RBF的创建与学习过程当RBF网络的径向基层采用高斯函数时，网络的训练从理论上应可以确定高斯函数的数学期望、方差及隐层和输出层神经元的权值与阈值。1.newrbe创建径向基网络的过程以newrbe创建径向基网络的步骤：1）径向基神经元数目等于输入样本数，其权值等于输入向量的转置：IWPT所以径向基神经元的阈值为blog(.5)/spread12(1-1)(1-2)式中:spread为径向基函数的扩展系数，默认值为1.0。合理选择spread是很重要的，其值应该足够大，使径向基神经元能够对输入向量所覆盖的区间都产生响应，但也不要求大到所有的径向基神经元都如此，只要部分径向基神经元能够对输入向量所覆盖的区间产生响应就足够了。spread的值越大，其输出结果越光滑；若在设计网络时，出现“Rankdeficient”警告时，应考虑减少spread的值，重新进行设计。2）以径向基神经元的输出作为线性网络层神经元的输入，确定线性层神经元的权值和阈值，使之满足W2,1;b2A1;onesT(1-3)2．newrb创建径向基网络的过程当以newrb创建径向基网络时，开始是没有径向基神经元的，可通过以下步骤，逐渐增加径向基神经元的数目：1）以所有的输入样本对网络进行仿真。2）找到误差最大的一个输入样本。3)增加一个径向基神经元，其权值等于该样本输入向量的转置；阈值12blog(.5)/spread,spread的选择与newrb一样。4）以径向基神经元输出的点积作为线性网络层神经元的输入，重新设计线性网络层，使其误差最小。5）当均方误差未达到规定的误差性能指标，且神经元的数目未达到规定的上限值时，重复以上步骤，直至网络的均方误差达到规定的误差性能指标，或神经元的数目达到规定的上限值为止。可以看出，创建径向基网络时，newrb是逐渐增加径向基神经元数的，所以可以获得比newrb更小规模的径向基网络。1.3应用BP网络和RBF对柴油机燃油系统进行故障诊断1.3.1神经网络仿真模型的建立下面结构框图为基于神经网络模式识别功能的故障诊断系统结构：诊断原始数据预处理特征选取特征选取诊断神经网络学习训练诊断结果训练样本数据预处理图3-3故障诊断系统结构图3-3中，基于神经网络的诊断过程分为两步。首先，基于一定数量的训练样本集(通常称为“征兆故障”数据集)对神经网络进行训练，得到期望的诊断网络；其次，根据当前诊断输入对系统进行诊断，诊断的过程即为利用神经网络进行前向计算的过程。在学习和诊断之前，通常需要对诊断原始数据和训练样本数据进行适当地处理，包括预处理和特征选取、提取等，目的是为诊断网络提供合适的诊断输入和训练样本。此外，尽管神经网络和传统的故障诊断是两种不同的诊断方法，但两者是紧密联系在一起的[6]。1.3.2利用BP和RBF神经网络模型进行柴油机燃油系统故障的诊断利用MATLAB仿真训练所设计的BP网络和RBF网络，柴油机的供油量不足、燃油系统常见的几种故障（针阀卡死至油孔堵塞、针阀泄露和出油阀失效）分别通过BP和RBF网络的故障诊断把它反映出来[9]。利用传感器测出燃油压力信号，并且提取出特征参数，再将这些特征参数当作BP和RBF神经网络的输入样本，然后利用训练好的神经网络进行柴油机故障诊断，得出诊断结果[10]。三、总结本论文通过对故障检测技术的发展做了一个初步的分析，重点分析了神经网络技术与故障诊断的结合，通过对柴油机故障仿真得到：基于神经网络的故障诊断结果与实测值具有良好的一致性，而且误差很小，表明了BP和RBF神经网络是两种有效的诊断方法。由于利用神经网络进行柴油机状态监测和故障诊断是一个新的课题，涉及到很多门的内容，再加上时间较紧、水平有限，本论文还存在很多问题和不足，通过对本课题的学习和研究，作者对神经网络的一些基本理论及BP和RBF网络的算法有了较深刻地认识和了解，并熟练的掌握了BP和RBF神经网络的建立和训练技巧，以及Matlab7.0软件的编程使用，锻炼和提高了独立科研能力，为今后的工作打下了更为坚实的基础。四、参考文献[1]张良均，曹晶，蒋世忠.神经网络实用教程[M].北京：机械工业出版社，201*：31-34.[2]侯媛彬，杜京义，汪梅.神经网络[M].西安：西安电子科技大学出版社，201*[3]周开利，康耀红，神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，201*:89-92.[4]董长虹，Matlab神经网络与应用[M].北京：国防工业出版社，201*.9:89-90.[5]飞思科技产品研发中心，神经网络理论与MATLAB7实现[M].北京：电子工业出版社，201*.3：246-250.[6]刘建敏，骆清国，郑晓江，尹胜波．柴油机燃油喷射系统技术状况不解体检测仪的研制．内燃机工程，201*,1.[7]田有为，沈沉，张西振．柴油机故障诊断系统．辽宁省交通高等专科学校学报，201*,9：48-49.[8]龚金科，刘孟祥，刘湘玲．柴油机工作过程数学模拟．移动电源与车辆，201*,2:11-13.[9]王俊生,柴油发动机燃油系统的故障分析研究．山西建筑，201*，4：250[10]吴波，吴功平．柴油机喷油系统压力波形的特征抽取及描述方法．震动工程学报，1992，3：34～

扩展阅读：神经网络在系统故障诊断中的应用研究 开题报告

青岛农业大学

毕业论文(设计)开题报告

题目：神经网络在系统故障诊断中的应用研究姓名：

201*年3月8日

一、选题依据(拟开展研究项目的研究目的、意义等)随着现代科学技术的飞速发展，工程设备日趋复杂，自动化程度越来越高，设备运行的安全性和可靠性越来越受到人们的重视，安全保障已经成为系统征程运行的重要组成部分。系统中出现的某些微小的故障若不能及时检测并排除，就有可能造成整个系统的失效、瘫痪，甚至导致巨大的灾难性后果，所以人们总是期望建立一套检测、预警、容错和维修机制，伴随系统运行的全寿命周期，防止和杜绝影响系统正常运行的故障的发生和发展。在过去几十年里，传统的故障诊断技术得到了飞快的发展并在工程中发挥了重要的作用。传统故障诊断技术对于比较简单的设备或单一故障，能够发挥其独特的作用，但对于大型复杂设备多多个故障交互情况，却无能为力。人工智能智能故障诊断技术就是为了解决这样大而复杂为题而产生的一门新型技术，其中基于人工神经网络的故障诊断技术是目

前比较流行故障诊断技术。基于神经网络的故障诊断技术具有五大特点，首先，并行结构与并行处理方式。神经网络采用类似人脑的功能，它不仅在结构上是并行的，而且其处理问题方式也是并行的，诊断信息输入之后可以很快地传递到神经元进行处理，提高了计算速度，特备适合处理大量的并行信息。其次，具有高度的自适应能性。系统在知识表示和组织、诊断求解策略与实施等方面可根据生存环境自适应自组织到自完善。再次，具有很强的自学能力。神经网络是一种变结构系统，神经元连接形式的多样性和连接强度的可塑性，使其对环境的适应能力和对外界事物的学习能力非常强。系统可根据环境提供的大量信息，自动进行联想、记忆及聚类等方面的自组织学习，也可在导师指导下学习特定的任务。其次，具有很强的容错性。神经网络的诊断信息分布式的储存于整个网络中相互连接的权值上，且每个神经元储存信息的部分内容，因此即使部分神经元丢失或外界输入到神经网络中的信息存在某些局部错误，也不影响真个系统的输出性能。最后，实现了将知识表示、存储、推理三者融为一体。它们都由一个神经网络来实现。神经网络技术发展迅速，在硬件技术方面，一些发达国家，如美国和日本均使用了规模超过1000个神经元的网络系统，这样的系统具有极高的运算速度，而且已经在股票数据分析中得到了应用。另外，为了克服电子元件交叉极限问题，很多国家都在研究电子元件之外的神经网络系统，如光电子元件、生物元件等。在神经网络理论研究方面，主要进展有Boltzmann机理论研究、细胞网络的提出及其分析等。20世纪60年代初，电路的故障诊断作为网络的第三大分支在军事工业上首先开始研究。它主要任务是：在已知网络拓扑结构、输入激励信号和故障下响应时，求解故障元件的物理位置和参数。电子系统包括数字和模拟电路两个部分，数字电路的故障诊断目前已比较成熟并且投入使用。同数字电路相比，模拟电路集成度较低，其故障诊断的发展速度比较慢。模拟电路故障诊断理论和方法自20世纪70年代以来，取得了不少阶段性的成果。依据电路方针在实际测试中不同阶段，分为两大类：测前模拟诊断（SBT）和测后模拟诊断（SAT），介于这两种分类之间的还有逼近法及人工智能两种方法。二、国内外同类研究或同类设计的概况综述(在充分收集研究主题相关资料的基础上，分析国内外研究现状，提出问题，找到研究主题的切入点，附主要参考文献)神经网络研究已经有40年历史，早在20世纪40年代，心理学家Mcculloch和Pitts就提出了神经元的形式模型[1]，Hebb提出了改变神经元连接强度的规则[2]，在他们至今仍

在各种神经网模型中起着重要作用。随后，Rosenblatt，Widrow等人对他们进行了改进并提出了感知器[3](Perceptron)和自适应现行元件[4]（AdaptivelinearElement）。后来Hopfield，Rumelhart，Mcclelland，Anderson，Feldman，Grosbberg和Kohonen等人所做的工作又掀起了神经网络研究的热潮。由于神经网络具有并行处理、联想记忆、自组织及自学习能力和极强的非线性映射特性，能对复杂的信息进行识别处理并给予准确处理的分类，因此可以用来对系统设备有故障引起的状态变化进行识别和判断。人工神经网络作为一种新的模式识别技术或新的知识识别处理方法，在设备故障诊断领域显示出了极大的应用潜力[4-5]。本世纪以来，小波分析、信息融合技术及遗传算法等应用于模拟电路故障诊断的研究亦开始起步[6-8]，为形成实用的有效诊断方法开辟了新的途径。目前，利用神经网进行故障诊断，可以将诊断分为模式识别和知识处理两大类[9],就神经网络在设备故障诊断领域的应用研究来说主要集中在三个方面[10]：（1）从模式识别的角度，应用神经网络作为分类进行故障诊断；（2）从预测的角度，应用神经网络作为动态预测模型故障诊断；（3）从知识处理的角度，建立神经网络的故障诊断专家系统。在众多的神经网络中，基于BP算法的多层感知器MLP（Multi-levelPerceptron）神经网络应用最为广泛且成功，例如齿轮箱故障诊断、设备状态分类器设计、地震预报、农作物虫情预测等。RBF(径向基网络)是一种具有单隐层的神经网络，是神经元数目可以在参数设置时确定，目前该网络应用也比较广泛，如柴油机故障诊断、交通运输能力测试、河道浅滩渐变预测等。PNN（概率神经网络）也是目前应用较多的一种网络，如发动机故障诊断、财务失败预测等，它无需训练，分类效果明显。随着人工智能和计算机迅速的发展，特别是知识工程、专家系统进一步应用，为神经网络故障诊断技术的研究提供了新的理论和方法。为了提高神经网络故障诊断的实用性能，目前主要应丛神经网络模型本身的改进和模块化神经网络诊断策略两个方面研究。神经网络故障诊断技术具有广阔的发展前景[11]。目前，模拟电路故障诊断方法主要有传统方法和一些新的方法。传统方法有测前模拟诊断法、测后模拟诊断法、逼近法和人工智能法。新方法有基于神经网络、基于小波分析、模糊理论、信息融合、遗传算法、Agent技术、分形理论、粗糙集理论等[12]。参考文献：[1]MccullochW,PittsW.ALogicalCalculusoftheIdeasImmanentinNerousActivity.Bull.Math.Biophys,1943,5：115-1

[2]HebbD.TheOrganizatyionofBehaivour.NewYork:Wiley,1949[3]RosenblattF.PrinciplesofNeurodynamics.NewYork:Spartan,1962[4]虞和济，陈长征，张省，基于神经网络的智能诊断，振动工程学报，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，何铖，史维祥，故障诊断神经网络的发展与前景，机械工程学报，1992,28（1）：1-6[10]吴今培.只能故障诊断技术的发展和展望，振动、测试与诊断，1999，19：79-86[11]王仲生.智能故障诊断与容错控制，神经网络故障诊断与容错控制，西北工业大学出版社201*，4：217-219[12]欧阳宏志，廖湘柏，刘华.电子科技.模拟电路故障诊断方法综述.西安电子科技大学编辑部.201*.12.75-80三、研究方案(研究内容、目标、研究方法、技术路线、拟解决的问题、特色或创新点等)本毕业设计主要研究基于神经网络的模拟电路故障诊断技术。首先在SIMULINK环境中，建立某二级放大模拟电路作为故障诊断的电路模型，获得电路在正常与部分元件发生故障情况下的输入输出测量数据，例如电压、电流，构成用于故障诊断的原始输入样本数据。其中，模拟电路输入的数据（电压或电流）作为神经网络的输入，将编制好的代表故障情况的数据(-1代表开路，0代表正常，1代表短路)作为输出。输入数据经过输入层、中间层、输出层的处理，输入层到中间层的传递函数以及中间层到输出层的传递函数，配合使用S型函数独有的连续可微分特性，分别对正常数据和故障数据进行训练，使神经网络学习记忆住这些数据的特征。这样网络就有了故障诊断的经验。

当进行网络测试时，训练好的网络将测试数据与其训练时记住的数据进行比较处理，测试数据与故障数据一致时，系统会将故障情况输出，完成测试。本论文详细介绍人工神经网络的概念，说明神经网络的工作原理及其发展历史，然后在了解人工神经网络这一概念之后，分别从BP网络、RBF网络、PNN网络的原理入手介绍介绍神经网络如何应用到模拟电路故障诊断技术的，详细的介绍这三种网络在模拟电路在故障诊断的诊断原理、网络设计并进行了故障诊断实例验证。四、进程计划(各研究环节的时间安排、实施进度、完成程度等)4月1日-4月7日构建模拟电路故障诊断系统模型；4月7日-4月21日学习神经网络技术原理与实现；4月22日-5月15日完成基于神经网络的故障诊断模型的建立；5月16日-5月24日整个系统的程序整合，完成整体的调试；5.月25日-6月1日完成论文初稿；6月2日-6月7日完成论文的第二稿；6月8日-6月14日整理毕业设计文档，完成论文。五、导师评语年月日

友情提示：本文中关于《基于神经网络的柴油机故障诊断的研究》给出的范例仅供您参考拓展思维使用，基于神经网络的柴油机故障诊断的研究：该篇文章建议您自主创作。

来源：网络整理 免责声明：本文仅限学习分享，如产生版权问题，请联系我们及时删除。

《基于神经网络的柴油机故障诊断的研究》由互联网用户整理提供,转载分享请保留原作者信息,谢谢!
链接地址：http://www.bsmz.net/gongwen/672293.html

• 上一篇：柴油机常见故障分析
• 下一篇：WD615型柴油发动机功率下降的故障分析