神经网络在柴油机整体性能预测中的应用

开篇：润墨网以专业的文秘视角，为您筛选了一篇神经网络在柴油机整体性能预测中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要：应用RBF神经网络预测柴油机性能，具有预测时间短、预测精度高的优点，目前大量的应用实践都证实RBF神经网络能够较好地预测柴油机性能。

关键词：RBF神经网络 柴油机 性能预测

1.引言

机器工作状态及工作性能预测技术是一项性的机器状态监测技术，该项技术现已逐步在工业现场检测仪器的性能预测中得到了实践应用。机器工作性能预测技术主要用于预估机器故障的发展、传播，及时预报机器的恶化趋势。趋势预测技术是实施无破坏检测、预防事故的有效手段，利用该项技术可让维修人员早期发现机器中存在的异常情况，及时找出故障原因，判定故障后果，进而有针对性地实施状态维修。该项技术的应用，能让机器维修次数降到最低，能让设备在最佳时机得到维修，有效提升机器的维修质量及维修水平。柴油机是一个复杂而庞大的设备，要对其状态、性能进行客观而全面评价，难度较大。从目前的柴油机性能预测研究情况来看，还并未获得较为理想的效果。本文尝试在柴油机性能预测中，引入RBF神经网络模型，实施性能预测。

3.建立RBF神经网络模型

3 . 1 RBF神经网络原理

神经网络的容错性、可塑性、层次性、自组织性、自适应性均较好，且具有并行处理及联想记忆能力，其能很好地融合多种复杂信息。利用神经网络进行数据处理，无需明确模式特征，同时对数据性质也无严格要求，随机数据、非线性数据、噪声含量高的数据均可。RBF神经网络为两层向前网络（见图1），其中隐层基函数选用径向基函数。

在时间序列预测、信号处理、模式识别领域，都普遍应用到了多层前馈网络模型。多数以反向传播为基础的多层前馈网络算法的学习速度都较慢、计算量都较大。而径向基函数则为多层前馈网络学习开辟了一条新的思路，径向基函数网络不仅推广能力强，同时学习速度也较快、计算量也较小。在径向基函数神经网络中，在输入激励后，局部会产生一个相应，也就是在输入空间中指定的一个极小区域中落入输入值后，隐单元才会产生有意义响应。隐层各单位输出值的加权和，即为输出层输出值。隐单元输入权值为1，输出单元与隐单元间的权值具有可调性。隐层基函数多选用高斯函数。

3.2柴油机性能预测模型的构建

建立神经网络预测模型，预测柴油机性能，是根据柴油机已知的运行状况，来对设备未来的运行状况进行预估。从数学建模角度来看，可由一个数学模型来实现柴油机性能预测，该模型以RBF神经网络为基础，其预测方程如下：

X（k+1）= fi（x）x（k-i）+ε，

（i=0，1，……d）

上式中fi（x）是一个非线性函数；ε表示随机白噪声；i=0，1，……d表示时间序列d之间的时间序列。

根据上述预测模型进行多步预报，可直接在预报模型中代入预测值，就能逐步计算出多步的预测值。多步预报在获取单步预报值时，就会产生预报误差。所以在做多步预报的同时，应当适当增大时间序列的时序间隔，同时还要对各时序间隔做单步预测。现在的监测系统，绝大多数都具有数据库功能，在选择历史数据时序间隔后，进行预报能使预测精度大为提高。图2所示为RBF神经网络下柴油机性能的预测步骤。

4.实例分析

以4135型柴油机为例，采集相关预测数据：x、y、x方向上测量机体前端上沿的振动烈度，转速：1000r/分，轴功率可视作轻微负载，采集数据时，柴油机运行稳定。长期监测、记录该工况下所选测点的振动烈度，得到训练RBF神经网络模型样本值。训练精度达标后，启动预测器，数据间隔确定为预测的步长，从最后1个记录开始，依次往回取数据（共d个），x（k-i），其中i=0，1，……d-1。由此可预测x（d），即下一时刻输出。代入监测系统获得的振动信号，计算振动烈度。将实际值与预测值进行比较得出误差值e（x（d）与xx之差）。如果e大于ε，表明该设备可能出现故障，此时需做进一步分析。预测值与实测值的曲线比较，如图三。从图三可看出RBF神经网络模型预测柴油机性能，预测精度较高。

柴油机是一个复杂的机械系统，在实际运行时，存在着很多不平稳的、非线性的动态系统问题，采用传统方式预测设备性能，往往难以获得理想的预测效果。通过本次研究发现，应用RBF神经网络模型预测柴油机的性能、诊断设备故障，具有较高的准确度，具有较高的应用价值，但还需进一步丰富、完善监测系统知识库，在状态阈值设定方面，还需提升其自学习功能，从而真正实现柴油机智能性能预测水平的提高。

参考文献：

[1]白庆虹.船用柴油机性能数据库开发与神经网络诊断方法研究[D].武汉理工大学，2010.

[2]黄泉水，江国和，肖建昆等.基于AR模型和神经网络的柴油机故障诊断[J].振动、测试与诊断.2009，29（3）：362-365.

[3]李阳，朱宗胜.基于改进人工免疫和神经网络的柴油机故障诊断[J].计算机测量与控制.2013.21（8）：2080-2082，2086.[4]石灵丹，槐博超，马修真等.RBF神经网络在柴油机燃油系统故障诊断中的应用研究[J].船电技术，2009，29（8）：18-22.

[5]张燕军，周厚强.针对神经网络缺陷的柴油机在线故障诊断研究[J].计算机测量与控制.2011，19（10）：2386-2389.

[6]马旭凯，谷立臣，李世龙等.基于SOM神经网络的柴油机故障诊断[J].机械制造与自动化.2009.38（2）：81-83.