摘要：目前，船舶通过对柴油机运行状态的实时监测以及故障在线诊断，能够保证柴油机随时处于良好的工作状态，并大幅度提升维修工艺水平和质量。根据针对柴油机故障诊断的实际需要，探讨了神经网络与专家系统融合等先进手段在柴油机故障诊断中的应用情况，并对现有智能故障诊断技术存在的问题及发展前景进行讨论。
关键词：柴油机；智能故障诊断；专家系统；神经网络
1、基于信息计算处理的诊断技术
1.1、信号处理分析诊断
针对不同型号柴油机，依据其故障信号非线性、非平稳特性的特点，产生诸如性能参数法，可依据柴油机的性能参数（气压、油温、功率等）变化来辨别柴油机各部件是否正常运行，振动分析法，对柴油机各部件运行状态进行判断，主要依据是缸盖表面的振动信号变化情况，此法现已成熟，具有实时监控、便于监测的优点；噪声分析法，故障判断主要依据柴油机运行时发出的各种声响；介质分析法，通过对柴油机中润滑油品质的分析来判断故障位置，具体可用光谱法、铁谱法等进行分析。这里的核心技术是对信号的处理过程，虽然信号的采集和分析具有便于操作的优势，但从信号中剥离有用信息仍存在相当的难度，这会对诊断结果的准确性产生一定的影响。
1.2、灰色系统理论诊断法
该理论属于控制论与其他学科交织的理论观点，其实也是多学科互溶的综合性技术。它认为已知和未知信息同时存在，并且在该系统中用白色表示已知信息，黑色表示未知信息，处于两者之间模棱两可不能准确判断的信息用灰色表示。这样构造的一个完整系统为灰色系统。利用灰色理论来诊断柴油机故障，就是把柴油机系统视为完整的灰色系统，通过已知信息来找出某种特征，这种特征可以反映出系统内部联系因素，量化后再处理、分析和建模，由此故障规律浮出水面，可以大胆预测出故障的具体程度和危害。其推理可视为灰色系统的去黑白化过程。灰色系统的优点主要体现在通过小规模计算即具有精准预测能力。
1.3、模糊聚类分析技术
此法利用的是数学方法，通过模糊数学来计算，找出被诊断对象的故障特征，并通过模糊关系进行故障归类。柴油机的故障出现所伴随的故障原因通常是难以准确定位的，其故障发生源是单一故障还是组合故障也无法准确描述。所以当故障出现时，利用“二值逻辑”方法进行表示会对诊断结果造成很大的偏差，因而衍生的故障诊断模糊推断就变得更切实可行了。现在故障诊断的模糊推理主要是故障征兆的隶属度和诊断权矩阵来求解各类原因的隶属度。故障的产生原因与表相征兆间的模糊关系可用下式表达：Y=XOR式中，Y表示原因模糊集，作为诊断输出；X表示征兆糊集，作为诊断输入；R表示诊断权矩阵，作为模糊蕴含关系；O代表模糊诊断算子或算法。通过计算，可以精准揭示故障原因和故障征兆都存在一定的模糊性。
1.4、人工神经网络诊断技术
人工神经网络可被认作一种信息处理系统，它模拟人类大脑结构功能，近似于生物神经网络以实现信息传播与储存。人工神经网络能较好地处理不确定的矛盾甚至错误信息，主要得益于其类似人脑的高速并行信息处理能力和自学习、记忆联想能力。人工神经网络与传统技术比较可以更快获取新知识，实现在线、离线学习。并且其具有灵活的网络训练模式，很强的容错性及推广能力等优点。
在神经网络中，故障征兆为输入神经元，故障原因为输出神经元。在诊断实现的这一过程中，此系统网络的应训练一定要选择的故障样本，用来确定参数和网络结构。
期刊文章分类查询,尽在期刊图书馆训练完成以后，再通过一组给定的实际故障征兆来使故障模式进行分类，以达到征兆集与故障集之间的非线性映射关系.
2、基于混合系统的智能诊断方法
通过大量数据及实践表明，当神经网络与专家系统混合诊断时，优势互补，能避免神经网络无推理性和专家系统知识瓶颈性等缺陷，可作为一种较完美的诊断模式。因此基于混合系统的智能诊断方法可以说是现今最完备的。其采取了多种智能诊断技术的优势配合叠加，解决了单一智能方法存在弊端的问题，以达到更加完美的诊断模式。相结合，以数值形式归类实现专家的理论经验形成规则，再通过专家系统的步骤直至于知识库，这时当使用者提出问题后，通过神经网络系统的非线性映射特点将故障特征与知识库内数值形式的理论经验形成对应，最终得出诊断结果。并且神经网络-专家混合系统将柴油机的所有记录在案的故障分为八个附属系统，以简化诊断过程、节省时间。这样的配合诊断不仅各自发挥了两种方法的优势，同时解决了专家系统知识瓶颈性和神经网络推理解释不清晰的缺点，从而将诊断技术的精度提升了一个档次。
2.1、系统构架
在神经网络与专家混合系统中，包含以下内容：柴油机深、浅层知识库；神经网络结构；推理机；知识库管理软件和解释器，可实现专家系统推理功能和神经网络模拟人脑的自主学习功能。
2.2、运行原理
使用者开启神经网络-专家混合系统，保证系统常稳定运行后，输入故障特征，此时系统将自动检测所得到的故障信息，建立故障原因假设集，经知识库检验合理度。若有故障，则将故障信息数据转至神经网络的柴油机浅层知识库进行推理诊断，最终由解释器编译逻辑语言给出结果；若不成功，则将故障信息数据转至神经网络的柴油机深层知识库进行规则逻辑推理，再次得到诊断结果，最终由解释器编译逻辑语言给出结果。
2.3、柴油机故障诊断实例
在船舶实际运行中，由于主观使用者操作的原因及客观运行环境等因素的影响，会使柴油机的性能发生变化，甚至产生故障。通过神经网络-专家混合系统的诊断，将柴油机的故障特征作为神经网络部分的样本，再将神经网络部分对样本的诊断结果作为专家系统部分知识库内附属系统的类别。以MANB&WLMC型柴油机正常工作过程为例，通过模拟计算记录，等发生故障时再次计算工作过程，通过两个数值偏差值可以得到故障特征与故障原因之间的非线性关系并以此为样本。
结束语
目前看来，柴油机智能故障诊断技术大部分暂且停留于理论研究，真正实践可行尚少，其实操运用的难点在于知识库庞大、故障分析有限、深浅知识结合不好、自动获取知识能力差、系统过于复杂、故障与征兆之间关系不确定、机舱环境的恶劣导致采集数据值产生偏差等。因此，在线专家诊断、网络知识分享、多学科混合诊断的技术方向必然是柴油机智能故障诊断技术发展的必由之路。
参考文献
[1]于志民，徐燕铭.基于声发射技术的柴油机故障诊断[J].江西建材，2017，13:289-290.
[2]李锡坤，吴茂军.试析汽车发动机的智能故障诊断技术[J].时代汽车，2017，04:58-59.
[3]高森祺.基于物联网的散料高精度智能称重系统及故障诊断技术研究[D].南京理工大学，2017.
[4]陈银平.船舶柴油机故障诊断中共振解调技术的应用[J].电子技术与软件工程，2016，19:105.
论文作者:吴希凡,王勤红
论文发表刊物:《基层建设》2017年第20期
论文发表时间:2017/11/4
标签：故障论文; 神经网络论文; 柴油机论文; 系统论文; 故障诊断论文; 专家系统论文; 征兆论文; 《基层建设》2017年第20期论文;