网站原创【摘 要 】针对在柴油机故障诊断中,传统的D-S理论无法解决证据冲突问题,以及传统BP神经网络存在局限性,本文以某大功率柴油机为例,提出一种将加权D-S证据理论与共轭梯度下降BP神经网络相结合的新的柴油机故障诊断方法,通过对V12四缸柴油机的进行数据测量与实验对比,证明该方法中加权证据理论能有效地处理存在冲突证据时的融合问题,避免了传统BP神经网络存在的局限性,将两种改进后的方法相结合也避免了构造D-S证据理论的基本概率赋值函数的困难性,同时利用神经网络大规模并行工作方式增强了信息处理的快速性,并且可以尽量减少不确定性因素的影响,说明本文提出的方法是非常有效可行的.
【关 键 词 】加权D-S证据理论；共轭梯度下降；BP神经网络；柴油机；故障诊断
1.引言
柴油机是最常见的机械设备,作为汽车、船舶、飞机等大型机械设备的核心部分,其性能的好坏,直接影响到整个机械设备的性能,由此研究一些快速、有效、准确的柴油机故障诊断方法是十分必要的[1].目前,在国内外大型机电故障诊断中,D-S证据理论与神经网络的应用越来越广泛,本文在分析了传统的D-S证据理论和BP神经网络两种诊断方法的基础上,对这两种传统的方法分别进行改进,并且将改进后的算法结合起来,提出了一种基于加权D-S证据理论与共轭梯度下降BP神经网络结合的柴油机故障诊断方法,并将该方法应用于V12四缸柴油机的故障诊断中,通过实验与结论对比证明该方法中加权证据理论能有效地处理存在冲突证据时的融合问题,避免了传统BP神经网络存在的局限性,能够更快更准地对柴油机进行故障诊断[1-2].
2.经典D-S证据理论基本概念与加权D-S证据理论算法
2.1 经典D-S证据理论概念
D-S证据理论是由Dempster于1967年首先提出,由他的学生Shafer于1976年进一步发展起来的一种不精确推理理论,也称为Dempster/Shafer证据理论（D-S证据理论）,具有处理不确定信息的能力[3].D-S证据理论实质就是：已知识别框架,判别一个先验未知对象属于中某个子集的程度.D-S理论中有三个重要的函数：基本概率分配函数,信任函数及似然函数.
设为识别框架,则函数且满足下列条件：,,则表示对命题A的基本可信度,称为A的基本概率赋值.如果与成立,称函数BEL是U上的信任函数,表示对A的总信任.且.称A为信任函数BEL的焦元,所有焦元的并集称为核.
令：,则称PL为似真度函数.似真函数PL满足：.称为焦元A的不确定度,称为焦元A的信度区间,表示对A持信任程度的上下限[4-6].
2.2 加权D-S证据理论算法
经典D-S证据理论是检测设多个证据源获得的信息的可靠性是相同的并且不存在证据冲突的情况下对多个证据源进行合成,当信息源证据发生冲突时,合成以后产生的结果与实际不符,不能客观地反映事实[4-6].
为了体现各证据体对诊断结果具有不同的可靠性,加入证据权系数,形成加权证据理论.设证据权系数,,则称由,所计算得到的函数为U上的加权概率分配函数.称为A的加权概率分配.加权改进后信度函数BEL、似真度函数PL为：其组合法则为：.加权D-S证据理论引入加权因子后,降低了证据间冲突,使得矛盾因子小于1,但是存在一票否决及鲁棒性问题.具体算法步骤如图1所示：
3.共轭梯度法改进的BP神经网络算法
BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一.BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）.近年来,传统的BP神经网络被广泛应用于柴油机的故障诊断工作中,但是采用传统的BP算法有时会出现收敛速度慢、陷入局部极值和难以确定隐含层节点的个数等问题,在本文中,旨在利用共轭梯度法改进的BP神经网络对柴油机进行故障诊断,使得网络训练速度较快并且能够准确识别柴油机的故障状态[7].
共轭梯度法是一种改进搜索方向的方法,迭代过程为：,为最佳步长,本文单纯采用PRP共轭梯度下降法,最小梯度要求设为10-4,一维线性搜索方法设为srchcha训练精度设为10-4,传递函数采用logsig,训练次数设为1000次.
4.实验分析
对某V12柴油发动机进行故障实验,采集振动信号进行数据处理,在控制油门开度为100%、负荷为2565Nm的工作条件下,分别测取转速为1500r/min,1800r/min,2200r/min的情况下,发动机正常状态,左1右6双缸断油,空气滤清器堵塞（进气道木板堵塞30%,进气道有筛网）三种状态下缸盖、缸体的振动信号.将三个测点对应的训练样本输入到各自独立的采用共轭梯度下降法改进的BP神经网络中,然后将测试样本输入到三个测点对应的神经网络中,得到的实际输出结果如表4.1所示,其中,故障状态F1、F2、F3分别表示对正常状态、左1右6双缸断油、空气滤清器堵塞.
将神经网络的输出结果归一化处理作为证据理论各个焦元的基本概率可信度分配,训练输出误差作为不确定度,然后采用证据理论进行决策层故障诊断.当样本之间存在证据冲突时,采用加权证据理论融合诊断,首先对测点1与测点2的信息融合,将融合结果再与测点3的数据融合得到三个测点的最终融合结果,如表4.2所示,m（）表示不确定度,m（F1）、m（F2）、m（F3）分别表示对正常状态、左1右6双缸断油、空气滤清器堵塞这三个证据体的支持程度.
对表4.2中采用经典D-S证据理论与加权D-S理论这两种融合方法的融合结果进行分析.在故障F2的数据中,样本1和样本2采用经典D-S证据理论融合后,m（F1）和m（F2）的基本概率分配值几乎相等,m（F1）等于0.4559,m（F2）等于0.4538,因此,无法依据融合结果进行最终决策,基于加权D-S证据理论组合规则融合m（F1）和,得到融合结果m（F1）等于0.0224,m（F2）等于0.9744,诊断结果F2故障是正确的,为进一步决策奠定基础.出现这种差异是由于存在冲突证据,第二个测点的传感器可能出现偏差等因素产生证据冲突,经典D-S融合规则不能有效的处理冲突证据,而加权D-S融合规则能够将冲突证据作为一种信息加以利用,避免证据损失.如表4.2所示,在故障F1的数据中,样本1与样本2、3间不存在证据冲突,融合效果很好.在故障F3的数据中,样本1、2与样本3存在证据冲突,对比样本1、2融合结果与样本1、2、3融合结果可以看出,当加入的第三证据存在冲突,那么三个证据D-S融合效果就不理想.加权D-S组合规则在加入冲突证据后,融合结果m（F3）等于0.6532,大于没有加入冲突证据时基于D-S组合规则得到的结果m（F3）等于0.6471,使基于加权D-S融合结果精度更高.综上所述,加权证据理论能有效地处理存在冲突证据时的融合问题.
5.结论
本文将加权D-S证据理论与共轭梯度下降BP神经网络结合起来应用到V12大型柴油机的故障诊断中,通过实验验证,避免了单一传感器存在的固有缺陷有必要融入更多传感器信息来识别发动机的状态,增加诊断的准确性.同时也避免了网络结构庞大使得训练时间长,诊断参数增多时样本间可能出现矛盾,以及增加新样本时必须对整个网络重新训练.针对各个测点设计不同的子神经网络进行局部诊断,然后将各个测点的局部诊断结果采用加权D-S证据理论进行决策层融合诊断,提高诊断的准确性.