1 引言
随着海运事业的发展，船舶更为稳定的航行是当今研究的热点之一。我国的船舶普遍以柴油机作为航行动力装置，通过柴油机发电为整个船舶提供持续的动力。所以，柴油机就相当于整个船舶的命脉，柴油机一旦陷入故障势必会导致整个船舶瘫痪、寸步难行[1]。为此，研究一种高效的故障诊断方法来定位船用柴油机故障以及时帮助船员维修柴油机、恢复船舶航行、提高柴油机的可靠性就显得尤为重要。
我国现阶段的船用柴油机故障诊断系统普遍是通过对柴油机加装传感器，来对柴油机热工参数或振动参数进行监测。然后，将采集到的数据传输至计算机的数据库中，用以往的故障数据进行比对，来确定柴油机故障类型，这就是所谓的“专家系统”。又或者是将采集到数据进行分析研究，通过一系列算法作出柴油机运行参数的趋势分析图，完成对柴油机的故障预警、诊断。为使船舶柴油机故障诊断系统向智能化、无人化迈进[2]，本文期望通过智能算法优化柴油机故障诊断模型完成对柴油机的故障诊断。
目前，船舶柴油机故障诊断方法包括：热力参数监测法、振动信号检测分析法、基于光谱和铁谱技术的油液分析检测法、基于人工神经网络的故障诊断法等。文献[3]、[4]采用了热工参数监测法，虽能有效进行故障诊断，但上止点不易确定，传感器性能要求偏高。文献[5]提取了不同供油提前角下的振动速度特征参数以研究柴油机，柴油机虽输入、输出呈非线性，但振动速度与喷油压力存在一定的关系。文献[6]提出了一种基于随机森林和支持向量机的船舶柴油机故障诊断方法，文献[7]采用了油液监测的故障诊断方法，故障诊断结果较为理想，但故障诊断速度较慢。文献[8]提出了一种基于神经网络和红外线成像技术的船用柴油机故障诊断方法，解决了柴油机传统故障定位耗时、时效性差的问题，故障诊断结果比较理想。文献[9]提出了一种基于EMD和BP神经网络的柴油机故障诊断方法，其故障诊断识别效果好、识别率高。
本文针对船舶柴油机，首先阐述了RBF神经网络结构；再采用自适应遗传优化算法对RBF神经网络进行优化；然后，对船舶柴油机进行故障特征值提取；接着，运用基于自适应遗传优化算法的神经网络模型对船用柴油机进行故障诊断。仿真结果表明，该优化算法模型能够减小故障诊断误差，提高故障诊断速度。
2 RBF神经网络
2.1 RBF神经网络定义及架构
由图1可知，RBF神经网络结构包含输入层、隐含层和输出层三个部分，对应节点数分别为n、m、p。记隐层节点的中心值为，宽度参数。
图1 RBF神经网络结构
输入层节点接收输入数据
并传递到隐含层节点，隐含层节点由神经元构成，输出层节点的传递函数常选线性函数。
2.2 RBF神经网络原理与目标函数的构建
RBF神经网络算法步骤如下所述。
（1）根据图1所示的网络结构确定参数、和的值。进一步，利用前述3个参数在RBF网络输出层用最小二乘法求出参数。
（2）步骤完成后，根据式计算出隐含层和输出层的联接权值，从而确定网络。
其中，式（1）、（2）中x表示输入样本。
对于输出层单个节点，将式（2）代入式（1），得：
式（3）中m表示网络隐节点个数。先定义目标函数，如式（4）所示。
式（4）中
表示误差信号，n表示训练样本个数。进一步，令
表示期望输出，并结合式（3）可得式（5）。
将式（5）代入式（4），并设输出样本数位L。则得到式（6）。
在学习中心值
和宽度参数
时，
一般地作为常数。中心值和宽度参数优化计算公式如式（7）、式（8）所示。
式（7）中
表示中心值的学习效率，式（8）中
表示宽度参数的学习效率。
3 自适应遗传算法优化神经网络原理及步骤
为优化RBF网络的结构，将引入的自适应的遗传算法作为RBF神经网络的学习算法。
3.1 遗传优化算法原理
遗传算法首先要进行编码，进一步要完成基因选择、交叉操作、变异操作。遗传优化算法原理结构图如图2所示。
图2 遗传优化算法原理
图3 算法流程
4 船舶柴油机故障特征值的提取
4.1 船舶柴油机系统构造
船舶柴油机大体由固定部件、运动部件、燃油系统、配气系统、润滑系统、冷却系统和起动系统组成。前述的两大部件、五大系统的又可依照图4进行细分。
图4 船舶柴油机系统构造图
4.2 高压油管压力波形信号
船舶柴油机燃油系统中高压油管中的压力信号在柴油机故障时，其信号波形会发生畸变，呈现有规律可循的周期性，因此能用来衡量船舶柴油机燃油系统的运行状况。如图5所示，为分析压力信号，需提取最大压力、次最大压力、波形幅度、上升沿宽度、波形宽度、最大余波宽度、落座压力、启喷压力这8个指标的特征参数值[10]。
图5 压力波形示意图
(7) 启喷压力：如图5所示，船舶柴油机针阀开启后，将要进行喷油的时刻出现一个明显的端点，该端点时刻对应压力值代表启喷压力。启喷压力是喷油阶段开始的标志，若该波形不存在启喷压力对应端点，那么此波形可判定为故障波。
(8) 落座压力：如图5所示，船舶柴油机针阀关闭后，燃油系统在喷油阶段自最大值压力衰减起出现的第一个端点时刻所对应的压力值代表落座压力。落座压力是喷油阶段结束的标志，若该波形不存在落座压力对应端点，那么此可认定该波形出现了故障。
5 船舶柴油机故障诊断仿真
如图5所示，在燃油压力波形特征参数示意图中提取反映柴油机运行的特征参数，最终明确神经元的输入个数为8，那么在网络中输入为一个8维的向量与之匹配，如所示。
本文船舶柴油机燃油系统包括六种状态，故与之相匹的配输出层神经元个数为6。其中，故障诊断的六种状态如式（17）所示，除状态（1）外均表示柴油机的故障状态。
对本文所采用的燃油压力波形特征参数的训练样本先进行归一化处理，再进行仿真。
网络的期望输出如表1所示。
表1 神经网络期望输出向量
为了初始种群，需要明确网络结构，根据经验公式计（19）算隐节点数。
5.1 自适应遗传算法优化RBF神经网络仿真
图6 适应度曲线
自适应遗传优化RBF网络适应度曲线如图6所示。
由图6可知，经过10代遗传操作后适应度最终收敛于3.754。
图7 网络训练结果图
整个训练时间为0.58秒，只需经过5代训练，其误差精度小于0.0001,具体精度为图7所示的0.000075248。执行上述的网络训练操作，进一步进行故障诊断，最终诊断结果如表2所示。
表2 仿真诊断结果
将表2中的测试结果与表1给出的期望值进行比较，最终故障诊断结果基本和期望值一致。同时，故障诊断测试误差也较小为0.000512。
6 结束语
阐述了RBF神经网络结构和遗传算法，并采用了自适应算法来改进传统遗传优化算法；提取船舶柴油机故障特征值，以燃油系统中高压油管中的压力信号来反映燃油系统的状态信息。最终将自适应遗传算法优化神经网络来提高其训练速度并减小输出误差。本文仿真实验结果中，自适应GA-RBF训练时间为0.58秒，自适应GA-RBF误差为0.000512。仿真实验结果表明，自适应GA-RBF训练速度快，误差较小，仿真实验结果比较理想。