【摘要】针对柴油机故障诊断的效率与准确度，以某大功率柴油机为例，提出一种新的粒子滤波技术NNWA-PF，对经过此粒子滤波降噪的数据和没有经过处理的数据分别用BP神经网络进行训练、测试和诊断，结果说明经过NNWA-PF降噪后的数据诊断效果比较好，也证明了基于神经网络粒子滤波降噪的效果较好。

【关键词】NNWA-PF算法；神经网络；粒子滤波降噪；故障诊断

1.引言

柴油机是一种重要的往复式动力机械，作为最常用的动力机械设备，广泛应用于石油矿场、固定发电、铁路牵引、工程机械及特种船舶等领域，柴油机作为一种典型的大型复杂装备，在整个机械系统中占有重要的地位，然而其结构的复杂性使得故障呈现出多样性，另外由于工作环境噪声和故障诊断方法的影响，使得柴油机故障特征不明显，诊断的准确率和效率偏低，因此如何寻找一种快速、有效的故障诊断方法，是目前国内外相关学者的主要研究内容[1]。

近年来，粒子滤波技术与神经网络在大型机电故障诊断中的应用越来越广泛，本文在分析了粒子滤波和神经网络两者的特点的基础上，充分利用他们各自的优点，提出了一种基于粒子滤波和神经网络的机械故障诊断系统，并将该系统应用于V12四缸柴油机的故障诊断中，旨在使降噪后的数据能快速准确地区分各种故障，符合故障诊断的要求，以提高柴油机故障诊断的效率。

2.基于神经网络的重要性权值调整的粒子滤波算法NNWA-PF算法

2.1 系统思路简介

粒子滤波是通过非参数化的蒙特卡洛（Monte Carlo）模拟方法实现递推贝叶斯（Bayes）滤波的一种数据滤波预处理技术，是解决非线性非高斯动态系统最优估计问题的研究热点[2]。粒子滤波算法的具体步骤是利用采样和重采样原理，使粒子按照相关分布随机产生，随着粒子数增加，粒子渐近收敛于概率分布。虽然粒子滤波中的重采样算法可以用来解决粒子退化现象，改善粒子滤波性能，却带来了粒子多样性的损失，因为重采样算法仅复制大权值样本，导致粒子的匮乏[3]。

BP神经网络由于具有较强的非线性映射能力而被广泛应用于故障诊断领域。它通过对故障实例的训练和学习，用分布在神经网络中的连接权值来表达所学习的故障诊断知识，具有对故障的联想记忆、模式匹配和相似归纳的能力，可以实现故障和征兆间的复杂的非线性映射关系[4]。

本文提出一种新的粒子滤波技术NNWA-PF在柴油机故障诊断中的应用思路，就是将BP神经网络算法和典型的采样算法相结合[5-7]，利用神经网络对调整粒子的权值，将位于概率分布尾部的粒子的权值增大，使它在整个权值分布中占有更大的比重，同时，把权值比较大的粒子分裂成若干个权值比较小的粒子，这样，随着时间的推移，低权值的粒子也不会被完全消除掉，而高权值的粒子也不会占太大的比重，这样就使得粒子的多样性没有丧失，状态估计的精度会更高。

2.2 NNWA-PF算法的具体实现步骤

基于神经网络的重要性权值调整的粒子滤波算法NNWA-PF算法的步骤[8]：

步骤1：初始化过程。当时，利用重要性函数采样N个粒子，采样得到的粒子由表示。

步骤2：重要性权值函数为，对，计算重要性权值，具体计算是通过公式实现的。本文中权值记为权值矩阵矩阵中的元素按降序排列，以阈值大小为界，将权值矩阵分为高权值矩阵和低权值。

步骤3：权值分裂过程。分裂高权值的粒子以取代低权值的粒子。为了减少神经网络的输入变量或保持粒子数量固定不变，考察中从小到大的个权值，舍掉与该个权值对应的粒子，其中，这种粒子的数量不多，因此该不等式基本上都能够成立。

步骤4：权值调整过程。经过步骤3之后，权值矩阵W变为，为经过降序排列的粒子权值。取矩阵中由小到大的个粒子权值，通过BP神经网络来调整权值较小的粒子。设定为输入层/输出层神经元数量，为神经网络的输出，为系统在任意时刻的量测值，则误差能量的计算方法如下：

BP神经网络的初始输入为较小的权值，初始权值为粒子的状态值，其余的粒子状态值作为相应神经元的偏移，这里取神经元个数为6，网络学习步长为0.05，神经元激励函数为1/（1+），样本的学习函数为系统量测方程。学习要求：均方差小于0.005，训练截止时，输出调整后的粒子的权值。

3.实例分析

本文选择V12四缸柴油机作为故障诊断实验对象，分别在1500r/min、1800r/min、2200r/min这三种转速下采集各个测点的振动信号数据。将柴油机的正常状态与故障整合为六种工况：A、漏油，B、断油，C、供油提前角增大2.5度（正常35度），D、供油提前角减小2.5度（正常35度），E、空气滤清器堵塞，F、正常。本文振动信号特征值的提取是利用小波包方法来完成的，信号经过四层的小波包分解后，得到16个频段，选取各个频段内信号的平方和作为能量的标志，形成16个特征值（T1～T16），其中的T1即为频段1的能量占总能量的比值。

本文分别将NNWA-PF滤波之后的信号和传统滤波之后的信号进行特征提取，将提取的特征参数作为神经网络的输入进行训练，比较输出结果和诊断结果，验证NNWA-PF降噪思想在柴油机振动信号处理中的有效性。实验中，选择5个测点，每个测点选择3个样本，作为神经网络的输入进行网络训练，部分数据如表3.1所示。

为了验证NNWA-PF降噪的有效性，再将没有经过NNWA-PF降噪处理的数据用神经网络进行诊断，网络的输入向量还是经小波包变换后的能量谱数据，BP神经网络的参数设置也和上面相同，误差为0.1。部分数据如下表3.2所示。

两个决策表的训练结果分别如图3.1、3.2所示。

从以上训练结果中训练误差曲线可以看到，经过NNWA-PF降噪后数据在经过18次训练后就网络收敛，达到预定的网络性能参数目标。而未经过NNWA-PF降噪数据在88次训练后才网络收敛，而且后者大于预设的学习目标。

将上面的两组测试样本分别作为神经网络的输入，对训练好的网络进行检验，得到测试结果如表3.3、3.4所示。

从测试结果可以看出，经过NNWA-PF降噪之后的数据可以有效地区分各种故障，符合故障诊断的要求。而未经过NNWA-PF降噪数据却不能有效地区分各种故障，最后两组数据的实际输出和理想输出有出入，造成了故障分离错误。

由以上的对比可以看出，经过NNWA-PF降噪后的数据通过神经网络训练后可以正确的识别出设定的6种工况，而没有经过NNWA-PF降噪的数据用神经网络训练后却出现了故障分离错误，并且网络的收敛速度过慢，超出了预设的学习目标。可以说明NNWA-PF降噪的效果比较良好，可以达到很好的故障诊断效果。

4.结论

本文以V12四缸柴油机为实验对象，提出了运用NNWA-PF降噪的思想，将神经网络应用在粒子滤波重要性权值选择中，减少样本退化，提高了滤波精度。通过对经过NNWA-PF降噪的数据和没有经过NNWA-PF降噪的数据分别进行状态识别，结果证明经过此方法降噪的数据可以正确的识别预设的6种工况，而没有经过处理的数据的识别结果与理想结果不完全符合，说明了NNWA-PF降噪在柴油机故障诊断中的优越性。

参考文献

[1]曹龙汉，曹长修，孙颖楷，景有泉.郭振柴油机故障诊断技术的现状及展望[J].重庆大学学报（自然科学版）， 2001，24（6）：134-138.

[2]刘晓平，郑海起，张训敏.粒子滤波在轴承故障振动信号降噪中的应用[J].轴承，2010，9：37-40.

[3]王向华，覃征，杨新宇，栗江涛.阈值去噪下的改进粒子滤波算法[J].西安交通大学学报，2010，44（2）：31-34.

[4]杨文位.基于振动信号的柴油机神经网络故障诊断研究[J].西北农林科技大学，2005.

[5]王成儒，成润.基于UPF-BP神经网络的视频跟踪方法[J].电子技术，2009（3）：81-83.

[6]杨珺.粒子滤波算法研究及应用[D].西安：西安理工大学博士学位论文，2008.

[7]杨小军，潘泉，王睿等.粒子滤波进展与展望[J].控制理论与应用，2006，23（2）：261-226.

作者简介：石晋明（1987—），男，山西太原人，中北大学机械工程与自动化学院在读研究生。