神经网络在发动机故障仿真建模中的应用

蔡如宽 周深根 舒秀利 何海龙

（装甲兵工程学院指挥管理系装备作战仿真室 北京 100072）

摘 要 本文主要是利用人工神经网络的BP 网络理论，在对发动机故障特性分析的基础上，对发动机故障仿真建模进行了探讨，并分析其设计方法和局限性，旨在为发动机故障仿真提供新的途径，具有较强的工程应用价值。 关键词 神经网络 发动机 故障仿真建模

1引言

随着现代军用发动机的结构越来越复杂，故障诊断也越来越复杂。发动机出现各种故障后，以致降低或失去其预定的功能，甚至造成严重的事故。近年来，人工智能，尤其是专家系统在故障诊断方面的研究取得了令人瞩目的成就。然而专家系统的进一步发展也遇到了一些严重的制约，主要表现在知识的获取和记忆方式，对新情况适应的灵活性以及对输入信息的容错性方面。但这些制约是由现有专家系统的基干启发式逻辑这一本质所决定的，因而不可能通过保留原有的知识存储模式加以突破。在这方面，人工神经网络提供了一条崭新的途径，它的解决相互关系复杂的能力，在模式识别、预报、专家系统等领域都有相关应用。本文应用神经网络模型对发动机故障仿真建模方法进行探讨。 2．经网络模型及原理

神经网络通过对经验样本的学习，将专家知识和诊断实例以权值和阈值的形式分布在网络内部，并且利用神经网络的信息保持性来完成不确定性推理，较好地模拟了专家经验、隶属度计算的推理过程。更为重要的是，神经网络具有极强的自学习能力，对于新的故障模式和故障样本可以通过权值的改变进行学习、记忆和存贮，进而在以后的仿真中能够判断这些新的故障模式。神经网络作为一种新的智能化问题求解模型，它为故障诊断仿真系统的建立提供了一新的方法。 2.1人工神经元模型

人工神经网络是一个并行和分布式的信息处理网络结构，神经元是构成神经网络的基本元素，对于一组输入

[]p

x x x u L ,,21=

神经元的各节点输出为

∑

==

p

j j

kj k x

w u 1

k k k u v θ−=

)(k k v y ϕ=

式中)(v ϕ为Sigmoid 函数，即

)

(exp 11

)(v v −+=

ϕ

2.2人工神经网络及BP 网络原理

在神经网络模型中，其中最具有代表意义是BP 神经网络模型。BP 神经网络模型是由输人层、输出层和若干隐含层组成的前向连接模型，同层各神经元互不连接，相邻层的神经元通过权连接，最基本的BP 神经网络是三层前馈网络BP（Back Propagation）网络应用最为流行，它以快速的计算能力、对任意连续映射的逼近能力、学习理论及动态分析能力等优良特性，在分类、模式识别、预测、人工智能中得到广泛应用。

BP 网络由三层神经元组成，分别是输入层、中间隐含层、输出层。每层由若干神经元组成。不同层次的神经元之间形成全互连接，每个层次内的神经元之间没有连接。模型如图所示：

BP 神经网络通过反向传播学习算法来进行估算。其关键算法是：通过网络的实际输出与目标值之间的误差来修正其权值，使实际的输出尽可能地接近期望值，也就是使网络输出层的平方误差均值达到最小。设输入为U，输入神经元为i 个，中间隐含层单元有k 个，激励函数为ϕ, 输出为Y，隐含层内神经元为j 个，目标矢量为D，误差为e,迭代次数为n,其步骤为:

权值

图1 BP 神经网络模型

（1）初始化，选定合理的网络结构。 （2）向前计算：对第l 层的j 单元，

∑=−=p

i l i l ji l j

n y n w n v 0

)1()()()()()(

其中)()

1(n y l i

−为前一层单元i 传递的值(i=0时置)()

1(0n y l −＝－1，)()()()(0n n w l j l j θ=)，单元

j 的作用函数为Sigmoid 函数时，则有

))

(exp(11

)()()(n v n y l j l j −+=

对于L 层神经元j （L l =）,则有：

)()()(n O n y j L j =，且)()()()(n O n d n e j j j −=

（3）确定误差函数 单元j 的平方误差为

)(2

12

n e j ，则输出端总的平方误差的瞬时值为 ∑∈=

c j j n e N

n )(2

11)(2

ξ （C 包括所有输出单元） （4）反向计算及权值δ修正： 对输出单元 ))(1)(()()(n O n O e j j L j L j −=δ

对中间隐含单元

[]∑++−=k

l kj l j l j l j l j n w n y n y )()(1)()

1()1()()()(δδ

权值ji w 的修正量为

)()()

()

()(n y n n n n w i j ji ji ηδξξη

−=∂∂−=∆

权值修正计算为：

)()()()()()1()1()()()()(n y n n w n w n w n w l i l j l ji ji l ji l ji −−=∆+=+ηδ

3 发动机特性与故障分析 3.1 发动机特性分析

发动机性能指标主要有动力性能指标、经济性能指标以及运转性能指标。在对发动机

故障进行分析时，主要考虑它的动力指标。在实际发动机实验中，所测量到的数据为发动机实际输出，这些指标主要有有效压力为e P ，有效功率e M ，有效比油耗e g 和有效热率e η。发动机的各项性能指标随着工作状况或调整参数的变化关系，称为发动机特性。而发动机特性曲线来评价发动机性能是一种简单、方便、必不可少的形式，在设计上可以按需求的方向进行改造，使发动机的性能进一步提高。当发动机在故障状态下工作时，也可以通过相关的特性参数曲线进行诊断。这是因为特定的故障，总是以一定的形式－即发动机特性曲线表现出来，发动机特性曲线是发动机故障仿真的基础。

发动机特性有以下几种：

（1）负荷特性：转速不变，以负荷为变量，发动机比油耗e g ，燃料消耗量T G 和其它性能参数随着负荷的变化关系；

（2）速度特性：油量调节机构位置一定，以转速为自变量，发动机有效扭矩e M 、有效功率e N 、有效比油耗e g 、燃料消耗量T G 及其它参数随转速的变化关系；

（3）万有特性：将一系列转速下的负荷特性图，经过坐标转换得到的曲线，可以得到发动机工作范围内任何工艺美术工况下的性能指标；

（4）调整特性：发动机性能指标和工作参数随着发动机某一调整参数的变化而变化的关系。

3.2 发动机故障特性指标的分析

由于车辆经常在复杂地形、恶劣的道路条件和越野行驶，车辆的行驶速度和载荷不断变化，发动机的机件所承受的载荷，也随着进行变化。这些变化有些是急剧变化的，当发动机的构件发生故障时，通过传动机构，也会反作用于发动机的燃烧工况及输出特性。本文就是利用这些特性来进行发动机的故障仿真建模型。

（1）汽缸套和活塞环磨损对发动机性能的影响

汽缸套和活塞环磨损后，对燃烧室的密封作用下降，压缩过程漏气增多，压缩压力下降，导致发动机燃烧不及、不完全，后燃增加；膨胀行程中做功能力下降，将会使功率下降，有效比油耗增大。表现在压缩终了压力降低，机油消耗量大于标准消耗值。

（2）供油提前角对发动机性能的影响

燃料供给系担负向汽缸定时、定量、定质供应燃料的任务状，各种因素中供油提前角的大小对发动机的动力性、经济性、可靠性及使用寿命都有直接的影响。由于喷油泵驱动机构的磨损使得供油提前角减少，将使得喷油过晚，燃烧不及时，热效率降低，功率降低，

比油耗增加，水温容易升高。

（3）循环供油量对发动机性能的影响

发动机的供油泵工作当接触到柴油中较大颗粒杂质或者化学物质时，易产生磨损和腐蚀。在齿杆行程为13.5毫米、凸轮轴转速为850转/分，间隙从0.005毫米增大到0.01毫米时，供油系数就下降12%，喷油压力也降低8.0~10.0a MP ，这时发动机可能就难已起动。循环供量下降后，发动机在油门踏板踏到底的空转转速将达不到最高转速。 4．发动机故障仿真模型设计

由于内燃机燃烧过程是个多元的、极其复杂的非线性的连续过程，建立完全精确的数学模型非常困难，即使能建立这样的方程，为了能够求解也必须进行简化，精确的数学模型也成了不精确。对于内燃机故障机理也复杂多样，对于内燃机动力学方程的外部影响，也很难进行精确表示。因此，故障仿真模型的建立必须寻找一种更为有效而实用的方法。

建立数学模型——计算——试验结果——修正数学模型，使计算不断再现已有的发动机特性和故障外部特征，实质是对发动机故障状态的学习和记忆。多层的BP 神经网络能以任意精度逼近任意连续实函数，而且是多输入多输出的函数，因此，神经网络为发动机故障仿真提供了一种手段。

本文采用最具有代表意义和广泛用途的三层前馈BP 神经网络模型，进行发动机故障仿真模型的设计。

（1）输入层、隐含层、输出层的设计

对于发动机故障仿真模型，应当依据其关键因素来确定网络层数，各层次的单元数。为了得到一定的精度，BP 神经网络至少有一个隐层，但隐层多了训练时间要长，因此选定一或二个隐层，精度不够可增加隐层的神经元。在神经网络模型中，可以选定发动机发动机油耗、发动机功率、发动机转速、发动机扭矩。作为输入层。输出层三个，为故障类型：气缸垫漏气、活塞环磨损、循环供油量减小。隐含层节点数根据经验来选取。由于输入层节点数为4，输出层为节点数为3，选取中间隐含层节点数为6。

（2）初始权值的确定

在神经网络模型中，初始权值选取对于输出结果是否最接近实际，及是否能够收敛、学习时间的长短等关系很大。初始权值太大，使得加权之后的输入和N 落在了网络模型的s 型激活函数的饱和期中，从而会导致)(•′ϕ非常小，而由于当0)(→•′ϕ时，则有0→δ，使得0→∆ji w ，最终使得调节过程没有什么效果。所以权值及阈值的初始值应选为均匀

分布的小数经验值，约为（－2.4/F，2.4/F）之间，其中F 为所连单元的输入层节点数。本模型输入端节点数为4，所以初始值约为(－0.6，0.6)，可随机选取。

（3）目标值及学习步长的选取

对发动机故障进行诊断之前，应先根据故障特征确定的输出。在实际操作时，还应结合经验值。若Sigmoid 函数选取反对称函数——双曲正切函数，输出指标的目标值D 的范围也应在[－1，1]之间，也即是故障诊断指标的无量纲数值在[0,1]之间。通常输出单元的局部梯度比输入端的大，所以输出单元的学习的步长η应比输入单元小一些。为了使训练好的诊断模型有较好的泛化能力，即神经网络真正学到发动机故障特性，训练样本数据要尽量的多。

通过以上分析 可得网络模型结构如图2：

图2发动机故障仿真神经网络模型

5 仿真建模分析结论

本文提出了一种基于神经网络的发动机故障仿真建模方法，该方法具有较强的学习能力、泛化能力和适应能力，能够有效地改善神经网络结构和提高故障仿真的精度和速度。提供的训练样本越多，所反映的故障类型越全面，则所建立的故障仿真模型越合理，准确性越高。

5.1神经网络模型分析结论

（1） BP 神经网络故障诊断方法是一种基于非线性系统的预测方法，对发动机故障特性能够较为准确地学习，并能为快速诊断故障类型。

供油提前角变化

（2） 由于网络模型的自学习功能，在许可的情况下，增加训练的次数，并且每次训练样本输入顺序都要随机排序，这样可以提高模型的逼近真实结果。

（3）BP神经网络的收敛速度由于参数选取原因，可能会较慢。修正权值的方法的改进，可以采用计算更为复杂的共轭梯度法或牛顿法。

5.2发动机故障仿真模型分析结论

（1）首次提出利用神经网络对发动机的故障进行仿真。从理论上看，应用神经网络方式对发动机故障进行仿真，如果实测样本多，精度会更高。

（2）可以增加输入参数，如气缸温度等，以增加仿真模型的精确性。

（3）神经网络的各层与权值没有实际意义，因此，将神经网络与传统的经验法结合起来，能进一步提高仿真模型的智能化水平。

（4）学习数据可以在发动机不同工况下进行试验，这样模型就可按发动机的外特性取点进行训练，这时仿真模型就可在整个发动机工况下进行故障诊断。

参考文献

1 张乃尧，阎平凡 神经网络与模糊控制，北京：清华大学出版社，1998.

2 黄文虎，夏松彼等 设备故障诊断原理、技术及应用，北京：科学出版社，1996.

3 朱访君等 内燃机工作过程数值计算及其优化，北京：国防工业出版社，1997.

4 袁曾作 人工神经网络及其应用，北京：清华大学出版社，1999.

5 梅国建，张雨等 坦克技术使用，北京：装甲兵工程学院，1996.

325