摘 要

随着现代科学技术的蓬勃发展，船舶柴油机已经逐渐成为了一种常见的发电机，是用途非常广泛的动力机械，正在朝着大型化、综合化和智能化的方向发展。船舶柴油机作为船舶的核心设备，对其性能要求必然很严格。船舶柴油机工作在甲板以下，工作环境十分恶劣，又要预防海上出现的各种难题，就必然要求柴油机有很高的性能要求，可以面临各种突发情况。为确保柴油机的正常运行，高性能就意味着结构的复杂，结构的复杂也意味着故障的复杂。为了保证船上工作人员的生命安全、财产安全以及船舶的安全性，必须对柴油机加强管理，预防柴油机在运行中可能出现的各种故障。然而传统的监控报警和人员巡查的方法显然是满足不了船舶智能化的要求。所以现在需要一种新的智能化的方法来解决柴油机的故障问题，本论文叙述了如何利用BP神经网络系统来对柴油机故障进行分析预测，并提出解决方法。

BP神经网络(Back Propagation algorithm，反向传播神经网络)，即误差反向传播算法的学习过程，是由Rumelhart为代表的科学家首先提出的，经过岁月的积淀，现在已经越来越成熟，被广泛的应用在各个领域。由于传统的BP算法采用的是梯度下降法，梯度下降法虽然有其本身的优势，但是也不可避免其自身的缺点：收敛速度慢、易陷入局部极小点等等。

本文首先对BP神经网络的模型和算法进行详细的介绍，然后针对标准BP神经网络的缺点进行综合考虑，提出了三种方法：拟牛顿算法、自适应的学习算法、levenberg-marquarat算法。针对这三种算法，收集试验数据，利用Matlab软件从几个不同的角度验证，最终数据结果表明，LM算法相较于其他几种改进的算法，迭代次数最少，其收敛速度最快、耗时最短，明显优于其他训练方法，在柴油机故障诊断这方面具有很好的实用性和应用性。

关键词： 船舶柴油机 BP神经网络 故障检测与诊断

Abstract

With the rapid development of modern science and technology, marine diesel engines have gradually become a common type of generator. They are very versatile power machines and are being developed in the direction of large-scale, integrated, and intelligent. As a ship's core equipment, marine diesel engines must have stringent performance requirements. The marine diesel engine works below the deck, the working environment is very bad, and it is necessary to prevent various problems that appear at sea. It will inevitably require the diesel engine to have high performance requirements and may face various unexpected situations. In order to ensure the normal operation of the diesel engine, high performance means complicated structure, and the complexity of the structure also means that the malfunction is complicated. In order to ensure the life safety, property safety, and ship safety of the crew members, it is necessary to strengthen the management of the diesel engine to prevent various malfunctions that may occur during the operation of the diesel engine. However, the traditional method of monitoring alarms and personnel inspections obviously cannot meet the requirements of intelligent ships. Therefore, a new intelligent method is needed to solve the problem of diesel engine failure. This paper describes how to use the BP neural network system to analyze and predict diesel engine faults and propose solutions.

BP neural network (Back Propagation algorithm, backpropagation neural network), the learning process of the error back propagation algorithm, was first proposed by scientists represented by Rumelhart. After years of accumulation, it has become more mature and widely used. Applied to biology, mathematics, artificial intelligence, pattern recognition and other fields. However, because the traditional BP algorithm uses the gradient descent method, the gradient descent method has its own advantages, but it also inevitably has its own shortcomings: slow convergence speed, easy to fall into local minimum points and so on.

Firstly, this paper introduces the model and algorithm of BP neural network in detail, and then considers the shortcomings of the standard BP neural network. Three methods are proposed: quasi-Newton algorithm, adaptive learning algorithm and levenberg-marquarat algorithm. For these three algorithms, the experimental data were collected and verified by Matlab software from several different perspectives. The final data showed that the LM algorithm has the least number of iterations compared to several other improved algorithms. It has the fastest convergence speed and time-consuming. The shortest, obviously better than other training methods, has good practicality and application in diesel engine fault diagnosis.

Key word：marine diesel engine , BP neural network, Fault detection and diagnosis

目 录

第1章 绪论 1

1.1 背景及意义 1

1.2 国内外研究现状 3

1.3 本论文的研究内容和技术路线 4

1.3.1 主要研究内容 4

1.3.2 本论文的技术路线 5

第2章 柴油机故障模式及机理分析 6

2.1 柴油机故障类型 6

2.2 故障分析 7

2.2.1 供油与燃烧系统故障 7

2.2.2 润滑系统和冷却系统故障 8

2.2.3 柴油机综合故障 9

2.2.4 柴油机典型故障 11

2.3 本章小结 12

第3章 BP神经网络概述 13

3.1 人工神经网络 13

3.1.1 神经元模型 13

3.1.2 神经网络的特点 15

3.1.3 基于神经网络的模式识别技术 16

3.2 BP神经网络 17

3.2.1 BP网络的学习算法 19

3.2.2 BP神经网络模型的设计 20

3.3 改进BP神经网络算法 22

3.3.1 拟牛顿算法的BP神经网络 22

3.3.2 自适应LR变步长 23

3.3.3 Levenberg-Marquardt算法 25

第4章 基于BP神经网络的柴油机故障诊断研究 25

4.1 BP 神经网络对柴油机的故障诊断 27

4.1.1 柴油机数据来源 27

4.1.2 故障识别验证 29

4.2 基于改进BP神经网络对柴油机的故障诊断 30

4.2.1 自适应LR变步长的学习网络 30

4.2.2 拟牛顿算法的BP神经网络 32

4.2.3 Levenberg-Marquardt 算法 33

4.3 结果分析 35

4.4 本章小结 36

第5章 总结和展望 37

5.1 总结 37

5.2 展望 37

参考文献 39

致谢 42

第1章 绪论

1.1 背景及意义

随着社会的发展、生产的需要以及科技的进步，柴油机被广泛的应用于生活中的各行各业，包括农业、工业、航天业、船舶行业等领域中，在各行各业中担当心脏的作用。二十一世纪的今天，许许多多新兴产业如雨后春笋般拔地而起，新技术、新材料、新设备、新想法被称为新时代的“四新”，它们的诞生，为船舶柴油机的发展打了一剂强心针，它们不仅为柴油机提供了新的想法、拓宽了柴油机的应用场合，更是提高了柴油机的性能。但是，高性能也意味着高风险。从原理上来看，柴油机是一种内燃机，它是将重油、柴油等燃烧放出的热能转变成机械能。较高的性能也就意味着复杂的结构，而复杂的结构随之带来的也就是复杂的故障。再加上柴油机的性能要求，必须保证柴油机在各种复杂的情况下正常运行。复杂的环境、复杂的结构，再加上柴油机本身的磨损以及工作人员的错误操作等等原因，都会导致柴油机容易出现故障问题。一旦柴油机发生故障的问题，其后果可能是灾难性的。简单来说直接影响的就是船舶的正常运行，这会影响工作效率；严重来说，船舶会造成重大事故，甚至停机，不但造成经济损失，还会危及船上工作人员的生命安全和财产安全^[1]。

如何预防维护柴油机可能会发生的潜在故障已经成为当下最热门的课题研究，因为只有柴油机这颗“心脏”能够正常运行，才能确保船舶正常运转和人员安全。现阶段可以从柴油机本身入手，首先提高柴油机设备的工艺性能和质量，因为柴油机在正常运行中，会有一些零件发生磨损，如果不及时更换，会导致柴油机发生故障；然后完善柴油机的设计，因为结构的复杂性，导致了许多设备的复杂性，这些设备在安装的过程中会产生许多问题，完善柴油机的设计可以在一定程度上降低柴油机发生故障的可能性；最后就是船上的工作人员必须要精通船上重要设备的工作原理，只有精通每个设备的工作原理，才可以在第一时间找出故障发生的根源，及时解决故障。但是这些措施只能解决故障，并不可能完全避免故障发生的可能性。因此，唯有研究出一种可以诊断柴油机发生故障的技术才是解决问题之本。目前国家已经着手这方面的研究工作，在国家的长期规划中，已经将船舶的安全性、可靠性列为重点研究方向。

柴油机是一种往复式机械，它的运动部件非常多，结构也非常复杂，具体如下图所示：

图1.1 柴油机组成图

在动力工程、机械工程、车辆工程等领域里柴油机是产生机械动力和最常见的动力机械之一，呈现出持续、健康、快速发展的姿态，应用十分广泛。正是因为复杂的系统和结构，也导致了故障的复杂性，这些系统在运行的过程中，随时都可能出现故障，如何对运行中的柴油机进行状态检测并成功的定位故障源十分困难，这不仅要求工作人员对机械设备运行原理非常熟悉，还要了解不同故障发生时的不同现象，还要对故障类型，故障模式有更加深入的了解。但对于复杂的柴油机系统来说，这些还仅仅是基础工作，柴油机系统中每一个不起眼的小零件出现故障都可能会导致柴油机停机，再加上工作环境十分恶劣、各种工作故障的输入、输出关系不明显、信号失真等原因，也具有很大的不确定性。种种所描述的客观因素都加大了柴油机故障诊断的难度，所面临的问题十分棘手^[4]。

所以，掌握柴油机产生故障的原因和维修方法迫在眉睫，不光对保证柴油机的正常工作，提高工作效率，降低作业成本，具有重要的意义^[2]；对柴油机的工作状态进行故障诊断与实时监测，以便及时地发现故障隐患并高效快速地排除故障，还能保证船上每一个工作人员的生命安全和财产安全，避免产生重大的事故^[3]。而BP神经网络具有极强的非线性映射能力、泛化能力及容错能力，是目前应用最广泛的前馈神经网络，在诊断柴油机故障方面具有独特的优势，可以在整个柴油机系统内进行地毯式搜索，不放过每一个可能发生的潜在故障，并及时反馈给船上值班的工作人员，避免发生重大事故。而改进的BP神经网络相比于传统的BP网络算法更具有优势，不仅训练速度快、搜索时间短，更重要的是提升了工作的效率，提高了诊断的准确性，能更好的为柴油机提供故障诊断服务，在诊断柴油机故障方面具有得天独厚的优势。

1.2 国内外研究现状

到现在为止，一代接着一代学者的前赴后继、苦心专研，关于神经网络模型和算法的研究已经相当成熟，但是从神经网络的角度来看，研究比较多的有十多种算法，其中研究最广泛的、最具代表性的应用就属于BP（Back Propagation）神经网络。

人工神经网络的研究始于20世纪40年代，已有半个多世纪的研究历史，但是人工神经网络的研究不是一帆风顺的，而是历经坎坷。自创始以来，不光迎来了它的巅峰，也经历了它的低谷，后来是在学者们潜心专研，辛苦耕耘的努力下，再次迎来了属于它的辉煌，并一直延续至今。

在国外，O.Obodeh^[5]利用BP神经网络的多维，自适应以及学习控制系统的能力来预测多缸柴油发动机的NOx的排放能力；Y Wang等^[6]将BP网络和Elman神经网络的进气压力仿真结果进行比较，提出一种新的故障诊断方法；B Zhang等人^[7]应用了BP算法和人工神经网络理论建立柴油机燃油喷射系统故障诊断模型，并且根据实验数据证实该模型具有较高的精度；B Zhang等^[8]利用BP神经网络建立了故障诊断模型，讨论了基于发动机的磨损颗粒的特征的研究和故障机理，证实了该方法的可靠性；X Wang等^[9]采用WD615柴油机阀故障诊断数据进行了测试，证实了遗产算法，能够克服BP神经网络的不足，提高网络的学习能力，相比BP算法有明显的优势；Y Shatnawi等^[10]采用只有输入层，输出层的扩展人工神经网络对特征参数进行分类，这种简单的结构相比传统的结构有更好的识别性能，并且更容易插入新的故障特征信息。

在国内，马宝琛^[4]采用径向基函数神经网络，运用K-means聚类算法对故障参数进行训练和识别诊断；尚前明等人^[11]构建一个神经网络模型，通过实验证明了在诊断柴油机故障方面神经网络模型具有高效性、准确性；卫雄飞^[12]将BP神经网络和电控柴油机相结合，通过实验数据证明了BP神经网络在诊断柴油机故障方面的可行性；邓春泽等人^[13]对七种常见的柴油机燃油系统故障进行诊断，诊断结果证实了BP神经网络模型在诊断柴油机燃油系统故障方面的有效性；李群燕等人^[14]采用BP神经网络技术，将关联性不强的危险信号和机械系统故障建立映射关系，完成对机械系统故障的分析诊断和预警；权春峰等人^[15]利用针阀卡死，供油提前角晚等柴油机故障，采用BP神经网络，通过这些实例证实了诊断方法的可靠性和准确性。

人工神经网络的主要研究内容如下图所示：

图1.2 人工神经网络研究内容

在其发展历程中，有一个问题一直悬而未决，那就是隐层的连接权值调整问题，关于多层前馈神经网络权重调整这个问题之所以能够完美的解决^[16]，完全归功于学者们提出的BP神经网络算法。

从目前国内外的学者们研究的内容和现状来看，神经网络模型^[17]的主要应用领域包括：模式识别、智能机器人、知识处理和认知科学等。主要内容是：生物原始模型研究^[16]。即站在原来的模型基础之上，从不同高度来研究分析原始的结构模型和算法。犹如站在巨人的肩膀之上，从不同的角度观察，发现现有模型不足的地方，如下表所示：

表1.1 神经网络模型的不足

针对表1.1发现的问题提出改进的措施，结合所学的数学知识、物理知识等其他相关的知识，打造出一个完美的神经网络模型和应用系统。即将原始神经网络发现的不足之处和现实中的实际问题相结合，构造出一个可以根据实际问题具体分析的网络模型，来解决存在的问题。

1.3 本论文的研究内容和技术路线

1.3.1 主要研究内容

本论文通过分析柴油机故障产生的类型及原因，结合BP神经网络，对柴油机可能发生的潜在故障进行诊断研究。

研究内容及章节安排如下：