采用LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断

摘要

针对目前拖拉机柴油机故障诊断中单BP(Back Propagation)神经网络模型的局限性,该研究提出一种LWD-QPSO-SOMBP(Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation)神经网络的拖拉机柴油机故障诊断模型.首先,将SOM(Self Organizing Maps)神经网络和BP神经网络结合,重置网络结构并利用LWD-QPSO(Linear Weight Decrease-Quantum Particle Swarm Optimization)算法对网络的权值和阈值进行优化;然后,分析拖拉机柴油机的故障机理,确定反映故障发生的数据信号;最后,确定LWD-QPSO-SOMBP神经网络模型的结构参数,基于CAN(Controller Area Network)总线技术采集潍柴WP6型拖拉机柴油机传感器信号数据对LWD-QPSO-SOMBP神经网络的性能进行测试,并将测试结果与BP神经网络、SOMBP(Self Organizing Maps Back Propagation)神经网络、PSO-SOMBP(Particle Swarm Optimization-Self Organizing Maps Back Propagation)神经网络、LWD-PSO-SOMBP(Linear Weight Decrease-Particle Swarm Optimization-Self Organizing Maps Back Propagation)神经网络及改进量子粒子群(Improved Quantum Particle Swarm Optimization,IQPSO)算法优化后的SOMBP神经网络的测试结果进行对比.试验结果表明,LWD-QPSO-SOMBP神经网络输出总误差为0.1118、平均相对误差为0.0058、均方误差为0.0003,相比于其他5种神经网络均为最低.LWD-QPSO-SOMBP神经网络充分发挥并有效综合了SOM神经网络在数据预处理及PSO算法在优化BP神经网络初始权值阈值方面的优势,实现了拖拉机柴油机的高精度故障诊断.LWD-QPSO-SOMBP神经网络由于使用SOM神经网络结构对输入数据进行预处理,网络收敛速度大幅度提升,相比单BP神经网络,迭代次数由2431次降为63次,下降了97.40％;同时采取LWD-QPSO算法对BP神经网络的初始权值阈值进行优化,降低了传统PSO算法的粒子适应度,进一步提高了网络的收敛精度和收敛速度,相比传统PSO算法,粒子适应度从0.15降为0.11,下降了26.67％,网络训练误差由0.004降为0.0006,下降了85.00％;LWD-QPSO-SOMBP神经网络的故障诊断准确率大幅度提升,相比于单BP神经网络,输出总准确率由85.00％上升至99.44％.研究结果可为高精度拖拉机柴油机故障诊断提供参考.