CN105736140A - 一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法 - Google Patents

Abstract

本发明涉及柴油机故障诊断领域，公开了一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法，该装置主要包括检测单元、中央处理单元、显示单元、输入单元和辅助电源；检测单元测取柴油机飞轮瞬时转速信号和上止点信号；中央处理单元根据接收到的信号计算瞬时转速，基于PSO?BP柴油机气缸熄火故障判别算法进行气缸熄火故障诊断，算法的快速性满足基于嵌入式移动计算平台的测试仪器使用要求，确定故障气缸的位置，并送至显示单元；输入单元输入柴油机的飞轮齿数；辅助电源给各模块供电。装置转速测量准确，气缸熄火故障判别正确。本发明用于大中型柴油机，在线测试柴油机的瞬时转速，并准确诊断柴油机气缸熄火故障，可以实现数字测量和远程监控管理。

Description

一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法

技术领域

本发明涉及柴油机故障诊断领域，具体涉及一种柴油机瞬时转速测量装置及气缸熄火故障诊断方法，是一种柴油机瞬时转速测量及气缸熄火故障诊断装置。

背景技术

柴油机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、工程机械等领域以及军车、坦克、军舰、船舶等的动力系统，一旦发生故障往往会造成停工生产、设备损坏甚至人员伤亡，带来巨大的经济损失和社会负面影响。因此对柴油机运行状态进行实时监测和快速故障定位显得十分必要。由于柴油机是一种往复式运动机械，柴油机的瞬时转速呈现一定有规律的波动，其中蕴含了丰富的柴油机工作状态信息，且转速信号容易测取，适用于气缸熄火故障判别，因此利用智能信息处理技术，检测柴油机瞬时转速信息并对柴油机进行状态监测和故障诊断具有重要意义。

柴油机作为一个非线性系统，激励和响应都具有非平稳性。系统故障的复杂性表现在故障的多层次性、模糊性、并发性以及相对性和相关性，这给正确提取故障特征、精确故障定位带来很大困难，使得传统的诊断技术越来越难以满足实际要求。因此，如何从带故障设备的复杂状态行为中提取故障特征并探索适用于柴油机故障诊断的方法，以便及时准确地找出故障源，提高整个系统的可靠性、可维修性和安全性，是一个亟待解决的问题，也是柴油机故障诊断技术继续深入发展所面临的课题之一。

目前柴油机故障诊断方法主要包括：振动分析法、铁谱分析法、性能参数法、瞬时转速法等等。基于振动分析的柴油机故障诊断方法，通常都是采集缸盖上的振动信号再经过时域分析、频域分析、时频分析等信号处理技术找出故障特征对柴油机进行诊断，但振动传感器不好安装，信号处理方法复杂，不易仪表实现。铁谱分析法需取样柴油机润滑油进行油液成分分析，耗时较长，只能离线进行。性能参数法根据柴油机的功率、油压、温度、压缩压力、爆发压力、扭矩、尾气等有关参数的检测进行故障诊断，测量参数多，检测困难，诊断算法复杂，不易在线实现。

自20世纪80年代以来，利用瞬时转速信号(也称为曲轴角振动信号)进行柴油机故障诊断取得了很大进展。常用方法包括转速波形分析、气缸压力估计反演等。国际上，意大利博洛尼亚大学、美国福特汽车公司、美国印第安纳州普度大学、英国莱斯特大学交通学院等科研人员对于瞬时转速在判断柴油机各缸做功状况(工作不均匀性或压缩不均匀性)和诊断柴油机故障缸方面的研究比较深入，而且在利用瞬时转速信号推算气缸内压力变化的方面也有所建树。在国内，华中科技大学、武汉交通科技大学、大连海事大学以及西南交通大学等高校也在研究基于瞬时转速信号进行柴油机故障诊断的方面有所成就，并且发展了多种故障诊断分析方法。转速波形分析法是直接利用瞬时转速的波形进行柴油机故障特征值的提取，具有可直接提取参数、计算量小、较通用而且不涉及柴油机结构参数等优点，缺点是：提取的特征参数并非无量纲量，不好判断故障阈值；有时对故障的敏感程度不同，对故障判断和定位带来困难。气缸压力估计反演法虽然可以反演推算出缸内压力、扭矩波动等，但是在实际建模过程中比较复杂，用于反演的数据量和计算量太大，还必须包含整个柴油机的相关结构参数，实际应用困难。

发明内容

鉴于以上缺陷，本发明的目的在于提供一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法，该装置提供一种具有柴油机瞬时转速在线测试以及进行气缸熄火故障诊断的设备，柴油机气缸熄火故障诊断方法能够有效地解决因柴油机本身呈复杂的非线性关系导致故障诊断结果误差大的问题，具有预测精度高、智能化程度高、可仪表实现等特点。

为实现上述第一个目的，本发明采用如下技术方案：一种柴油机瞬时转速测量及气缸熄火故障诊断装置包括检测单元、中央处理单元、显示单元、输入单元和辅助电源；所述检测单元测取柴油机飞轮瞬时转速信号和上止点信号并传送到中央处理单元；中央处理单元根据接收到的信号计算瞬时转速，并将瞬时转速平滑滤波处理后送至显示单元，同时中央处理单元根据瞬时转速进行气缸熄火故障诊断，确定故障气缸的位置，并送至显示单元；输入单元与中央处理单元连接，输入柴油机的飞轮齿数；辅助电源给各模块供电。

在上述装置中，所述检测单元包括霍尔传感器、电磁式转速传感器、脉冲整形单元Ⅰ和脉冲整形单元Ⅱ，其中电磁式转速传感器将高速运转的柴油机飞轮信号转换成正弦信号，通过脉冲整型单元Ⅱ处理得到规则方波，输入中央处理单元(高速频率测量单元)；霍尔传感器接近安装在飞轮上止点处的强力磁铁时，霍尔传感器输出指示信号，通过脉冲整型单元Ⅰ处理后，向中央处理单元送入上止点信号。

在上述装置中，所述显示单元包括LED弧形光栅刻度盘、4位LED数码管和8位故障指示灯，所述LED弧形光栅刻度盘由6片LED弧形光栅串接构成一个完整的测量指示刻度盘，每LED片弧形光栅分为10个刻度，用于直观指示平均转速的大小；4位LED数码管和8位故障指示灯分别用于显示平均转速和指示气缸熄火故障诊断结果。

在上述装置中，所述中央处理单元包括通信接口、单片机、高速频率测量单元、I/O接口和LED显示接口。所述单片机分别与通信接口、高速频率测量单元、I/O接口和LED显示接口连接，负责计算瞬时转速，并将瞬时转速平滑滤波处理后送至显示单元，同时基于瞬时转速进行气缸熄火故障诊断，确定故障气缸的位置。

在上述装置中，所述通信接口通过CAN总线连接到上一级柴油机监控仪表箱或监控计算机。

输入单元由两个“+1”和“-1”按键组成，负责飞轮齿数的输入。

在上述装置的基础上，本发明的第二目的是，提供一种柴油机瞬时转速测量及气缸熄火故障诊断方法，包括以下步骤：

第一步：建立柴油机气缸熄火故障诊断模型

构建一个具有一个隐含层的BP神经网络作为柴油机气缸熄火故障诊断模型，所述BP神经网络的输入层节点数为3个，对应柴油机的瞬时转速波动峰峰值、瞬时转速峰值和谷值，输出层节点数为1个，对应柴油机气缸熄火故障的诊断结果(1为有故障，0为无故障)，隐含层节点数为6个，隐含层采用Sigmoid转换函数。

第二步：采用混沌粒子群优化BP神经网络的权值

a)初始化混沌粒子群：初始化种群数目m、最大迭代次数k、惯性权重w以及加速常数c₁和c₂；将BP神经网络的权值和阈值编码为粒子的位置向量X_i，设置速度向量为V_i，X_i和V_i均为D维向量。

b)更新粒子群：将每个粒子的当前位置设置为当前个体最优位置P_i，将第P_i中所代表的权值和阈值代入BP神经网络中，按照式(1)计算每个粒子的适应度值f(i)，

$f\left(i\right)=\frac{1}{2}\underset{s=1}{\overset{S}{\Σ}}\underset{j=1}{\overset{p}{\Σ}}{(o_{ij}^s-d_{ij}^s)}^2+\mathrm{\γ}\·\frac{1}{p\·q}\underset{j=1}{\overset{q}{\Σ}}\underset{i=1}{\overset{p}{\Σ}}{w}_{ij}^2,i=1,2,\mathrm{...}m---\left(1\right)$

式中，o是实际输出，d是期望输出，γ是性能比例，S是样本数，q是BP网络隐含层的节点数，p是输出层节点数，w_ij是神经网络的权值，m是种群数目。

将以上计算出的适应度值f(i)设为当前的个体极值f_i，同时通过评价f(i)得到当前全局最优极值f_best以及全局最优位置p_g。

c)将每个粒子的位置向量X_i所代表的权值和阈值带入BP神经网络，计算BP网络的实际输出，然后按照步骤b)的方法计算每个粒子的适应度值f(i)。

d)评价每个粒子，将其适应值与上一时刻的个体极值进行比较，若较优，则更新当前的个体最优位置与个体极值。

e)将每个粒子的个体极值与上一时刻的全局最优极值进行比较，若较优，则更新当前的全局最优位置与全局最优值。

f)根据公式(2)和(3)更新粒子的速度向量和位置向量：

v_i,j(t+1)＝wv_i,j(t)+c₁r₁[p_i,j(t)-x_i,j(t)]+c₂r₂[p_g,j(t)-x_i,j(t)] (2)

X_i,j(t+1)＝X_i,j(t)+V_i,j(t) (3)

其中，i＝1,2,…,m，j＝1,2,…,D，t为迭代次数，w为惯性权重，c₁和c₂为正的加速常数，r₁和r₂为0到1之间均匀分布的随机数，X为位置向量，V为速度向量，v_i，j是第i个粒子的速度，x_i，j是第i个粒子的位置，p_i，j为粒子的个体最优位置，p_g，j是种群的全局最优位置。

g)若未达到最大迭代次数k，则返回步骤c)；否则，结束。

第三步：根据粒子位置向量中的BP神经网络的权值和阈值，在确定网络的最大训练次数及最小误差指标后，利用样本训练数据，采用动量梯度下降反向传播算法对BP神经网络的权值进一步优化，直到满足误差性能目标或达到最大训练次数为止。此时，已训练好的BP神经网络，为最终进行检测所使用的柴油机气缸熄火故障诊断模型。

第四步：将检测单元测得的柴油机瞬时转速信号输入到中央处理单元，中央处理单元的单片机根据瞬时转速信号的波形特征参数输入到BP神经网络，经单片机运算后，得到柴油机气缸熄火故障诊断结果，并送入显示单元显示。

第五步：中央处理单元根据检测单元测得的上止点信号确定柴油机运行一个周期内的波形图，由一个周期内的波峰数推算出气缸数，气缸数确定后，各缸发火顺序随即确定；根据上止点与气缸的对应关系以及气缸数和各缸发火顺序，推算出瞬时转速波形的波峰点与各气缸的对应关系，进而确定出柴油机熄火故障气缸的位置。

为了增加粒子群(PSO)算法的搜索范围，提高PSO算法的全局优化性能，以上方法中还包括判断所述混沌粒子群是否停滞，依据是：所有粒子与最优粒子间的平均距离小于阈值，则认为算法停滞；

如果算法停滞，则针对部分最优粒子，引入混沌算法将最优粒子进行变异，以便跳出局部极值。

利用logistic映射产生的混沌变量作为一组微粒，选择其中适应度值最优的作为初始微粒；logistic映射如公式(4)所示：

p_g(k+1)＝μ·p_g(k)·(1-p_g(k)) (4)

在μ＝4，(μ为阶次，取值为2的整数次幂时系统处于混沌状态)，当p_g(0)∈(0,1)且时，p_g为在0到1之间分布，此时p_g为种群最优位置向量。

采用切比雪夫映射对粒子进行变异。切比雪夫映射如公式(5)所示。

p_g(k+1)＝cos(μ·arccos(p_g(k))) (5)

μ为阶次，p_g是种群最优位置向量。

本发明与现有技术比具有的优点是：

(1)中央处理单元采用16位dsPIC30F系列单片机，实现对系统的参数设置、通信、数据存储管理、瞬时转速计算及气缸熄火故障诊断。

(2)中央处理单元使用uC/OS-II嵌入式操作系统，提高了中央处理单元的信息处理能力，确保能够实时进行瞬时转速计算和故障诊断算法。

(3)装置采用模块化设计技术，综合利用智能算法、传感技术和微处理器控制等技术，具有柴油机瞬时转速测量、气缸熄火故障诊断等功能，能够远程实时监测柴油机运行状态，快速定位故障源。

(4)采用基于混沌粒子群优化的BP神经网络的智能故障诊断算法，故障诊断定位准确。

附图说明

图1是本发明的装置总体结构图；

图2是本发明基于混沌粒子群优化BP网络建模流程图；

图3是柴油机正常工作和第3缸熄火故障时的瞬时转速曲线图，图中(a)为正常工况，(b)为第3缸熄火故障工况。

具体实施方式

下面结合附图对本发明作详细的介绍：

图1为本发明的测量装置总体结构图，该装置主要由检测单元1、中央处理单元2、显示单元3、输入单元4以及辅助电路5组成。其中：

检测单元1由电磁式转速传感器1.2、霍尔传感器1.1和脉冲整型单元Ⅰ1.3脉冲整型单元Ⅱ1.4组成，负责测取柴油机飞轮瞬时转速信号和上止点信号。

中央处理单元2由16位dsPIC30F系列单片机2.2、高速频率测量单元2.3、I/O接口2.4、LED显示接口2.5以及通信接口2.1等组成，使用uC/OS-II嵌入式操作系统，提高了中央处理单元的信息处理能力。中央处理单元的通信接口2.1可以通过CAN总线连接到上一级柴油机监控仪表箱或监控计算机。中央处理单元的单片机2.2负责计算瞬时转速，并将瞬时转速平滑滤波处理后通过LED显示接口2.5送至显示单元3，同时单片机2.2基于瞬时转速进行气缸熄火故障诊断，并进行故障气缸的位置定位，将故障气缸位置送至显示单元3。

显示单元3由LED弧形光栅刻度盘、4位LED数码管和8位故障指示灯组成。6片LED弧形光栅串接构成一个完整的测量指示刻度盘，每片LED弧形光栅分为10个刻度，用于直观指示平均转速的大小；4位LED数码管和8位故障指示灯用于显示平均转速和指示气缸熄火故障诊断结果。

输入单元4由“+1”和“-1”按键组成(数字键盘)，负责飞轮齿数的输入。

在以上装置的基础上本发明提出的基于PSO-BP柴油机气缸熄火故障判别算法，可以在中央处理单元实现，算法的快速性满足基于嵌入式移动计算平台的测试仪器使用要求。仿真和实测结果表明：装置转速测量准确，气缸熄火故障判别正确。

本发明的应用对象是大中型柴油机，能够在线测试柴油机的瞬时转速，并准确诊断柴油机气缸熄火故障，可以实现数字测量和远程监控管理。

上述装置的气缸故障诊断模型采用基于混沌PSO的BP神经网络算法，具体故障诊断过程如下：

BP神经网络的建立：

网络结构分为三层：输入层，隐含层和输出层。输入层节点数3个，对应的输入变量为柴油机的瞬时转速波动峰峰值、瞬时转速峰值和谷值；输出层节点数为1个，对应柴油机气缸熄火故障的诊断结果(1为有故障，0为无故障)；神经网络的隐层数为1，含6个隐层单元；权值和阈值取值范围为[-10.0 10.0]；网络的训练算法采用动量梯度下降反向传播算法；隐层节点和输出节点均采用Sigmoid函数作为激励函数。函数如下：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(1\right)$

采用混沌粒子群优化网络权值：

如图2是柴油机气缸熄火故障诊断算法的流程图，具体分为两大部分，其中第一步为采用混沌粒子群优化权值的过程，具体过程如下：

初始化粒子群：初始化种群数目m，将BP网络待优化的参数编码为粒子的位置向量X_i，利用logistic映射产生的混沌变量作为一组粒子，选择其中适应度值最优的作为初始微粒；logistic映射如公式(2)所示：

p_g(k+1)＝μ·p_g(k)·(1-p_g(k)) (2)

在μ＝4，(μ为阶次，取值为2的整数次幂时系统处于混沌状态)，当p_g(0)∈(0,1)且时，p_g为在0到1之间分布。

更新粒子群：将第i个粒子的P_i中所代表的权值代入神经网络中，按照式(3)计算每个粒子的适应度值f(i)，

$f\left(i\right)=\frac{1}{2}\underset{s=1}{\overset{S}{\Σ}}\underset{j=1}{\overset{p}{\Σ}}{(o_{ij}^s-d_{ij}^s)}^2+\mathrm{\γ}\·\frac{1}{p\·q}\underset{j=1}{\overset{q}{\Σ}}\underset{i=1}{\overset{p}{\Σ}}{w}_{ij}^2,i=1,2,\mathrm{...}m---\left(3\right)$

式中，o是实际输出，d是期望输出，γ是性能比例；S是样本数；q是BP网络隐含层的节点数；p是输出层节点数，w_ij是神经网络权值，m是种群数目。其中引入性能比例γ是为了抑制过拟合现象。

评价每个微粒的f(i)，将其适应值与上一时刻的个体极值进行比较，若较优，则更新当前的个体最优位置与个体极值；通过评价所有粒子的f(i)得到当前全局最优极值以及全局最优位置。将每个粒子的个体极值与上一时刻的全局最优极值进行比较，若较优，则更新当前的全局最优位置与全局最优值。

根据公式(4)和(5)更新粒子的速度和位置：

v_i,j(t+1)＝wv_i,j(t)+c₁r₁[p_i,j(t)-x_i,j(t)]+c₂r₂[p_g,j(t)-x_i,j(t)] (4)

X_i,j(t+1)＝X_i,j(t)+V_i,j(t) (5)

其中，i＝1,2,…,m，j＝1,2,…,D，t为迭代次数，w为惯性权重(inertia weight)，c₁和c₂为正的加速常数，r₁和r₂为0到1之间均匀分布的随机数。

PSO算法的改进：判断算法是否停滞，依据是：所有粒子与最优粒子间的平均距离小于阈值，则认为算法停滞。如果算法停滞，则针对一些最优粒子，引入混沌算法将最优粒子进行变异，以便跳出局部极值。采用切比雪夫映射对粒子进行变异，切比雪夫映射如公式(6)所示。

p_g(k+1)＝cos(μ·arccos(p_g(k))) (6)

采集数据对网络进行训练：

如图2所示，当第一步，即采用混沌粒子群优化网络权值完成后，利用神经网络具有自学习性质，本发明将采集到的柴油机气缸熄火瞬时转速样本数据应用到对BP神经网络的训练中，训练过程如下：

本实施例以6135D型柴油发电机组为研究对象，发动机为4冲程6缸柴油机，缸径为135mm，额定转速为1500rpm。柴油机飞轮上的0刻度线对应的是气缸1的上止点。飞轮转一周，曲轴转动720度，根据上止点信号确定一个运行周期内的波形，可得到波峰数为6，即气缸数为6，各缸发火顺序为1-5-3-6-2-4。各缸间隔角度为：720/6，即120度。结合各缸的发火顺序，可推算出各缸燃烧膨胀冲程上止点的位置，进而基于瞬时转速与转角的关系，可确定瞬时转速与各气缸的对应关系。以柴油机实时的瞬时转速波动峰峰值、瞬时转速峰值和谷值作为网络的输入变量，以6个气缸的工作状态为网络的输出变量，诊断结果为1表示存在气缸熄火故障，0为无故障。柴油机工况分别为25％和75％额定负载，采样频率为20kHz。一组测得的柴油机正常工作和第3缸气缸熄火时的瞬时转速曲线如图3所示。本发明分别对25％和75％负载工况下各测取100组样本数据，其中正常样本均为60个，故障样本均为40个，选用各自工况下正常样本与故障样本的80％作为训练样本；设置网络的最大训练次数K＝500或最小误差指标error＝1.4×10^-4。利用本发明的柴油机瞬时转速测量装置测得的瞬时转速波形上6个波头的3个特征参数作为网络的输入变量，以试验设置的气缸工作状态为输出变量，将训练样本数据送入BP网络，完成对网络的训练，直到满足误差性能目标或达到最大训练次数为止，如果不满足误差性能目标，则重新设置BP网络算法参数，利用训练样本重新对网络进行训练。BP算法的参数设置为：学习速率η＝0.5，动量常数α＝0.5。

本发明中所述的粒子群优化算法是将粒子群算法和混沌算法相结合的一种算法，能够有效避免粒子群算法中容易出现的早熟现象，提高了算法的全局寻优能力。选用25％和75％负载工况下正常样本与故障样本的剩余20％作为训练样本；本测试中粒子群算法的参数设置为：种群规模m＝20，c₁＝c₂＝2，w:0.9→0.4；进化代数设为500；混沌算法参数设置为：μ＝4。

采集数据对已完成训练的网络进行测试：

当BP网络训练完成后，得到一个柴油机气缸熄火故障诊断模型；采用上述诊断模型对20次试验的柴油机气缸状态进行故障诊断测试，诊断结果比较如表1所示。

测试结果表明：使用混沌粒子群优化的BP神经网络柴油机气缸熄火故障诊断模型的在柴油机工况为25％时，准确率为95％，误报率为5％，漏报率为0％；工况为75％时，准确率为100％，误报率为0％，漏报率为0％。达到预期诊断效果，满足应用要求。

由于使用混沌粒子群优化BP神经网络时计算量较大，因此在实际使用过程中，可采用定期优化BP神经网络参数的模式，以满足故障诊断的实时性。

本发明还可以通过采集不同型号的柴油机转速数据对网络进行训练，得到多种柴油机气缸熄火故障诊断模型，从而可以诊断多种型号柴油机的气缸熄火故障。

表1

Claims (8)

1.一种柴油机瞬时转速测量及气缸熄火故障诊断装置，其特征在于：包括检测单元(1)、中央处理单元(2)、显示单元(3)、输入单元(4)和辅助电源(5)；所述检测单元(1)测取柴油机飞轮瞬时转速信号和上止点信号并发送到中央处理单元(2)；中央处理单元(2)根据接收到的信号计算瞬时转速，并将瞬时转速平滑滤波处理后送至显示单元(3)，同时中央处理单元(2)根据瞬时转速进行气缸熄火故障诊断，确定故障气缸的位置，并送至显示单元(3)；输入单元(4)与中央处理单元(2)连接，输入柴油机的飞轮齿数；辅助电源(5)给各模块供电。

2.根据权利要求1所述一种柴油机瞬时转速测量及气缸熄火故障诊断装置，其特征在于：所述检测单元(1)包括霍尔传感器(1.1)、电磁式转速传感器(1.2)、脉冲整形单元Ⅰ(1.3)和脉冲整形单元Ⅱ(1.4)，其中电磁式转速传感器(1.2)将高速运转的柴油机飞轮信号转换成正弦信号，通过脉冲整型单元Ⅱ(1.4)处理得到规则方波，输入到中央处理单元(2)；霍尔传感器(1.1)接近安装在飞轮上止点处的强力磁铁时，霍尔传感器(1.1)输出指示信号，通过脉冲整型单元Ⅰ(1.3)处理后，向中央处理单元(2)送入上止点信号。

3.根据权利要求1所述一种柴油机瞬时转速测量及气缸熄火故障诊断装置，其特征在于：所述显示单元(3)包括LED弧形光栅刻度盘、4位LED数码管和8位故障指示灯，所述LED弧形光栅刻度盘由6片LED弧形光栅串接构成一个完整的测量指示刻度盘，每LED片弧形光栅分为10个刻度；4位LED数码管和8位故障指示灯分别用于显示平均转速和指示气缸熄火故障诊断结果。

4.根据权利要求1到3任一项所述一种柴油机瞬时转速测量及气缸熄火故障诊断装置，其特征在于：所述中央处理单元(2)包括通信接口(2.1)、单片机(2.2)、高速频率测量单元(2.3)、I/O接口(2.4)和LED显示接口(2.5)，所述单片机(2.2)分别与通信接口(2.1)、高速频率测量单元(2.3)、I/O接口(2.4)和LED显示接口(2.5)连接。

5.根据权利要求4所述一种柴油机瞬时转速测量及气缸熄火故障诊断装置，其特征在于：所述通信接口(2.1)通过CAN总线连接到上一级柴油机监控仪表箱或监控计算机。

6.一种柴油机瞬时转速测量及气缸熄火故障诊断方法，其特征在于，包括以下步骤：

第一步：建立柴油机气缸熄火故障诊断模型

构建一个具有一个隐含层的BP神经网络作为柴油机气缸熄火故障诊断模型，所述BP神经网络的输入层节点数为3个，对应柴油机的瞬时转速波动峰峰值、瞬时转速峰值和谷值，输出层节点数为1个，对应柴油机气缸熄火故障的诊断结果，隐含层节点数为6个；

第二步：采用混沌粒子群优化BP神经网络的权值

a)初始化混沌粒子群：初始化种群数目m、最大迭代次数k、惯性权重w以及加速常数c₁和c₂；将BP神经网络的权值和阈值编码为粒子的位置向量X_i，设置速度向量为V_i，X_i和V_i均为D维向量；

b)更新粒子群：将每个粒子的当前位置设置为当前个体最优位置P_i，将第P_i中所代表的权值和阈值代入BP神经网络中，按照式(1)计算每个粒子的适应度值f(i)，

$f\left(i\right)=\frac{1}{2}\underset{s=1}{\overset{S}{\Σ}}\underset{j=1}{\overset{p}{\Σ}}{(o_{ij}^s-d_{ij}^s)}^2+\mathrm{\γ}\·\frac{1}{p\·q}\underset{j=1}{\overset{q}{\Σ}}\underset{i=1}{\overset{p}{\Σ}}{w}_{ij}^2,i=1,2,...m---\left(1\right)$

式中，o是实际输出，d是期望输出，γ是性能比例，S是样本数，q是BP网络隐含层的节点数，p是输出层节点数，w_ij是权值，m是种群数目；

将以上计算出的适应度值f(i)设为当前的个体极值f_i，同时通过评价f(i)得到当前全局最优极值f_best以及全局最优位置p_g；

c)将每个粒子的位置向量X_i所代表的权值和阈值带入BP神经网络，计算BP网络的实际输出，然后按照步骤b)的方法计算每个粒子的适应度值f(i)；

d)评价每个粒子，将其适应值与上一时刻的个体极值进行比较，若较优，则更新当前的个体最优位置与个体极值；

e)将每个粒子的个体极值与上一时刻的全局最优极值进行比较，若较优，则更新当前的全局最优位置与全局最优值；

f)根据公式(2)和(3)更新粒子的速度向量和位置向量：

v_i,j(t+1)＝wv_i,j(t)+c₁r₁[p_i,j(t)-x_i,j(t)]+c₂r₂[p_g,j(t)-x_i,j(t)] (2)

X_i,j(t+1)＝X_i,j(t)+V_i,j(t) (3)

其中，i＝1,2,…,m，j＝1,2,…,D，t为迭代次数，w为惯性权重，c₁和c₂为正的加速常数，r₁和r₂为0到1之间均匀分布的随机数，X为位置向量，V为速度向量，v_i，j是第i个粒子的速度，x_i，j是第i个粒子的位置，p_i，j为粒子的个体最优位置，p_g，j是种群的全局最优位置；

g)若未达到最大迭代次数k，则返回步骤c)；否则，结束；

第三步：根据粒子位置向量中的BP神经网络的权值和阈值，在确定网络的最大训练次数及最小误差指标后，利用样本训练数据，采用动量梯度下降反向传播算法对BP神经网络的权值进一步优化，直到满足误差性能目标或达到最大训练次数为止；

第四步：将检测单元(1)测得的柴油机瞬时转速信号输入到中央处理单元(2)，中央处理单元(2)的单片机(2.2)根据瞬时转速信号的波形特征参数输入到BP神经网络，经单片机(2.2)运算后，得到柴油机气缸熄火故障诊断结果，并送入显示单元(3)显示；

第五步：中央处理单元(2)根据检测单元(1)测得的上止点信号确定柴油机运行一个周期内的波形图，由一个周期内的波峰数推算出气缸数，气缸数确定后，各缸发火顺序随即确定；根据上止点与气缸的对应关系以及气缸数和各缸发火顺序，推算出瞬时转速波形的波峰点与各气缸的对应关系，进而确定出柴油机熄火故障气缸的位置。

7.根据权利要求6所述一种柴油机瞬时转速测量及气缸熄火故障诊断方法，其特征在于：还包括判断所述混沌粒子群是否停滞，依据是：所有粒子与最优粒子间的平均距离小于阈值，则认为算法停滞；

如果算法停滞，则针对部分最优粒子，引入混沌算法将最优粒子进行变异，以便跳出局部极值。

8.根据权利要求7所述一种柴油机瞬时转速测量及气缸熄火故障诊断方法，其特征在于：采用切比雪夫映射对粒子进行变异。