【MATLAB数据处理实用案例详解（17）】——利用概念神经网络实现柴油机故障诊断

一、问题描述

柴油机的结构较为复杂，工作状况非常恶劣，因此发生故障的可能性较大。本例采用概率神经网络建立分类模型，采集柴油机振动信号作为输入，成功实现了故障有无的判断和故障类型的判断。
柴油机故障诊断可以抽象对一种分类问题，有无故障的判断，是一种二分类问题，而具体故障类型的判断，为多类分类问题。正确判断的关键在于选择合适的特征来描述柴油机的工作状况，以及选用合适的分类器将不同类别的样本分开。

二、利用概念神经网络实现柴油机故障诊断原理

1. 特征选择。柴油机运行时包含丰富的特征信息，可以选择气压、油压、热力性能参数、振动参数等。本例采用振动时域信号作为特征信号。
2. 分类器设计。这里采用概率神经网络来完成。
   定义柴油机的五种故障类型：

类型	1	2	3	4	5	6
分类模式	第一缸喷油压力过大	第一缸喷油压力过小	第一缸喷油器针阀磨损	油路堵塞	供油提前角提前	正常状态

采集柴油机正常运转和5种故障模式下的振动信号，再对振动波形做统计学处理，得到能量参数、峰度参数、波形参数、裕度参数、脉冲参数和峰值参数，形成一个6维向量：
$\mathbf{x}=\left[x_1,x_2,x_3,x_4,x_5,x_6\right]$
收集2份每种分类模式的样本，共计12份训练样本，详细样本见3.1节。
用于柴油机故障诊断的概率神经网络模型包含12份输入样本，每个样本为6维向量，分类模式为6种，建立的概率神经网络结构如下：

算法流程图如下：

三、算法步骤

3.1 定义样本

每列为一个样本，训练样本为612矩阵，测试样本为66矩阵：

%% 定义训练样本和测试样本
% 故障1
pro1 = [1.97,9.5332,1.534,16.7413,12.741,8.3052;1.234,9.8209,1.531,18.3907,13.988,9.1336]';
% 故障2
pro2 = [0.7682,9.5489,1.497,14.7612,11.497,7.68;0.7053,9.5317,1.508,14.3161,11.094,7.3552]';
% 故障3
pro3 = [0.8116,8.1302,1.482,14.3171,11.1105,7.4967;0.816,9.0388,1.497,15.0079,11.6242,7.7604]';
% 故障4
pro4 = [1.4311,8.9071,1.521,15.746,12.0088,7.8909;1.4136,8.6747,1.53,15.3114,11.6297,7.5984]';
% 故障5
pro5 = [1.167,8.3504,1.51,12.8119,9.8258,6.506;1.3392,9.0865,1.493,15.0798,11.6764,7.8209]';
% 正常运转
normal = [1.1803,10.4502,1.513,20.0887,15.465,10.2193;1.2016,12.4476,1.555,20.6162,15.755,10.1285]';% 训练样本
trainx = [pro1, pro2, pro3, pro4, pro5, normal];
% 训练样本的标签
trlab = 1:6;
trlab = repmat(trlab, 2, 1);
trlab = trlab(:)';

3.2 样本归一化

使用mapminmax函数完成训练样本的归一化：

[x0,s] = mapminmax(trainx);

3.3 创建网络模型

newpnn函数唯一的可调参数为平滑因子spread，在这里将其设置为1：

spread = 1;
net = newpnn(x0, ind2vec(trlab), spread);

3.4 测试

首先需要定义测试样本及其正确分类模式标签，然后将测试样本按与训练样本相同的方式进行归一化，最后将其输入到上一步创建的网络模型中：

% 测试样本
testx = [0.7854,8.7568,1.4915,14.4547,11.1971,7.5071;1.1833,11.8189,1.5481,20.2626,15.5814,10.0646;0.661,8.8735,1.508,13.598,10.5171,6.9744;1.3111,7.9501,1.4915,14.9174,10.7511,7.7127;1.2394,9.6018,1.5366,18.219,13.851,9.0142;    1.2448,8.3654,1.5413,15.2558,11.5643,7.503]';% 测试样本标签（正确类别）
testlab = [3,6,2,5,1,4];% 测试样本归一化
xx = mapminmax('apply',testx, s);% 将测试样本输入模型
s = sim(net,xx);% 将向量形式的分类结果表示为标量
res = vec2ind(s);

3.5 显示结果

显示6个测试样本的诊断结果，这6个样本分别属于一种分类模式：

strr = cell(1,6);
for i=1:6if res(i) == testlab(i)strr{i} = '正确';elsestrr{i} = '错误';end
enddiagnose_ = {'第一缸喷油压力过大','第一缸喷油压力过小', '第一缸喷油器针阀磨损',...'油路堵塞', '供油提前角提前 ','正常'};fprintf('诊断结果：\n');
fprintf('  样本序号    实际类别    判断类别      正/误       故障类型 \n');
for i =1:6fprintf('     %d           %d         %d          %s      %s\n',...i, testlab(i), res(i), strr{i},  diagnose_{res(i)}); 
end

四、运行结果

运行结果如下：

五、完整代码

完整代码如下：

%% 清空工作空间
clear,clc
close all%% 定义训练样本和测试样本
% 故障1
pro1 = [1.97,9.5332,1.534,16.7413,12.741,8.3052;1.234,9.8209,1.531,18.3907,13.988,9.1336]';
% 故障2
pro2 = [0.7682,9.5489,1.497,14.7612,11.497,7.68;0.7053,9.5317,1.508,14.3161,11.094,7.3552]';
% 故障3
pro3 = [0.8116,8.1302,1.482,14.3171,11.1105,7.4967;0.816,9.0388,1.497,15.0079,11.6242,7.7604]';
% 故障4
pro4 = [1.4311,8.9071,1.521,15.746,12.0088,7.8909;1.4136,8.6747,1.53,15.3114,11.6297,7.5984]';
% 故障5
pro5 = [1.167,8.3504,1.51,12.8119,9.8258,6.506;1.3392,9.0865,1.493,15.0798,11.6764,7.8209]';
% 正常运转
normal = [1.1803,10.4502,1.513,20.0887,15.465,10.2193;1.2016,12.4476,1.555,20.6162,15.755,10.1285]';% 训练样本
trainx = [pro1, pro2, pro3, pro4, pro5, normal];
% 训练样本的标签
trlab = 1:6;
trlab = repmat(trlab, 2, 1);
trlab = trlab(:)';%% 样本的归一化,s为归一化设置
[x0,s] = mapminmax(trainx);%% 创建概率神经网络
tic;
spread = 1;
net = newpnn(x0, ind2vec(trlab), spread);
toc%% 测试
% 测试样本
testx = [0.7854,8.7568,1.4915,14.4547,11.1971,7.5071;1.1833,11.8189,1.5481,20.2626,15.5814,10.0646;0.661,8.8735,1.508,13.598,10.5171,6.9744;1.3111,7.9501,1.4915,14.9174,10.7511,7.7127;1.2394,9.6018,1.5366,18.219,13.851,9.0142;    1.2448,8.3654,1.5413,15.2558,11.5643,7.503]';% 测试样本标签（正确类别）
testlab = [3,6,2,5,1,4];% 测试样本归一化
xx = mapminmax('apply',testx, s);% 将测试样本输入模型
s = sim(net,xx);% 将向量形式的分类结果表示为标量
res = vec2ind(s);%% 显示结果
strr = cell(1,6);
for i=1:6if res(i) == testlab(i)strr{i} = '正确';elsestrr{i} = '错误';end
enddiagnose_ = {'第一缸喷油压力过大','第一缸喷油压力过小', '第一缸喷油器针阀磨损',...'油路堵塞', '供油提前角提前 ','正常'};fprintf('诊断结果：\n');
fprintf('  样本序号    实际类别    判断类别      正/误       故障类型 \n');
for i =1:6fprintf('     %d           %d         %d          %s      %s\n',...i, testlab(i), res(i), strr{i},  diagnose_{res(i)}); 
end