基于SOM 神经网络的柴油机燃油系统故障
诊断研究
任子晖，刘延霞，李建刚*
作者简介：任子晖，（1962-），男，工学博士，教授，主要从事机电设备的状态监测和故障诊断、煤矿电
网谐波方向研究. E-mail: ckljg@163.com
5 （中国矿业大学信息与电气工程学院，江苏 徐州 221116）
摘要：本文利用自组织特征映射(SOM)神经网络实现对柴油机燃油系统的故障诊断。文中介
绍了SOM 网络的结构和学习算法，通过 SOM 神经网络对输入样本进行“聚类“，实现对故
障模式的识别，据此对故障进行诊断。并在MATLAB 环境下给出了柴油机燃油系统故障诊断
的具体实例，结果表明该方法是一种有效的故障诊断方法。
10 关键词：故障诊断；柴油机燃油系统；SOM 神经网络
 0 引言
柴油机是一种结构复杂的动力机械，广泛应用于汽车、 火车、大型机器设备、轮船、
飞机等。在恶劣的工作条件下, 它发生故障的可能性较大，因此它的故障诊断，无论对维持
机械正常运作、降低维修成本，还是对提高生产率和正常发挥技术性能都有着十分重大的意
30 义。对柴油机这样复杂的机械设备系统，目前人们还很难建立一个精确的模型来描述其故障
机理，利用传统的识别手段很难解决这个问题。近年来，人工神经网络理论的发展为解决这
个问题提供了一种有效的途径[1]。本文将自组织特征映射(self-organizing feature map，SOM)
神经网络技术引入柴油机故障诊断中, SOM 神经网络是一种竞争式学习网络，其结构算法简
单，采用无监督和指导的自学习方式，利用其自适应学习、联想、推测和记忆能力来丰富和
35 完善故障诊断系统，大幅度提高了系统的识别能力和智能化程度。
1 SOM 神经网络结构和学习算法
1.1 SOM 神经网络结构
自组织特征映射网络(Self-organizingfeatureMap，SOM) 结构如图1 所示，它由输入层
和输出层（也称竞争层）两层构成，模拟了人类大脑映射的功能。输入层是通过权向量，将
 40 外界信息汇集到输出层各神经元，该层的节点数与样本维数相同。输出层神经元最典型的结
构是二维节点矩阵形式，该矩阵由神经元按一定的方式排列成一个平面。输入层为单层神经
元排列。输入层的神经元与输出层的神经元通过权值相互联结在一起。当网络接收到外部的
输入信号后，输出层的某个神经元便会兴奋起来[2]。
45 图1 SOM神经网络模型
Fig. 1 model of SOM neural network
1.2 SOM 神经网络学习算法
SOM 神经网络的学习算法是一种无教师监督的聚类方法。它能够自动找出输入数据之
50 间的类似度，将相似的输入在网络上就近配置。在对SOM 神经网络进行学习时，首先对网
络进行初始化，用随机数设定输入层和输出层之间权值的初始值[3]。然后给网络提供输人向
量X，即故障特征集X=（x1, x2, …）T。
具体学习算法如下：
（1）设置输入向量(即故障征兆集合)为X=[ x1, x2，…,xn]T，Wi=[wi0, wi1, …,win]T 为相
55 应于第个i 神经元的权系数构成加权矢量，神经元在有反馈的情况下的稳态输出值
为:
 (2)找到i y 取最大值时的神经元i ，则其为最佳匹配单元。
(3)定义最佳匹配单元的一个拓扑邻域c N ，使c N 内的单元输出为1， c N 外的单元输出
为0，这样使网络具有一种聚类功能。即：
 其中，0<α(t)<1为学习因子。如果达到要求则算法结束，否则，返回(2)，进行下一
轮的学习，直到到达满意的结果为止。网络通过训练后，可以建立起这样一种布局，它使得
每个权值向量都位于输入向量聚类的中心。一旦SOM 完成训练，就可以用于对训练数据或
其他数据进行聚类[4]。
65 2 柴油机燃油系统故障样本的建立
燃油系统是柴油机最关键的组成部分之一，其供油质量的优劣对柴油机的性能影响极
大。柴油机燃油系统工作质量直接影响柴油机工作过程及整机性能，决定柴油机的经济性和
可靠性。同时，它又是柴油机的主要故障源，因此，燃油系统故障诊断是柴油机故障诊断的
一个重要内容。柴油机极其重要的组成部分是燃油系统，而燃油系统的状态信息主要体现在
 70 高压油管的压力波形中。对于柴油机燃油压力波形（如图2 所示）来说，最大压力（P1）、
次最大压力（P2）、波形幅度（P3）、上升沿宽度（P4）、波形宽度（P5）、最大余波宽
度（P6）、波形面积（P7）、起喷压力（P8）等8 个特征最能体现柴油机运行的状况[5]。
图2 柴油机燃油压力波形
75 Fig. 2 waveform of diesel fuel pressure
通过对压力波形的分析，利用模式识别提取特征参数[6]，用SOM 神经网络实现对燃油
系统的一些典型故障诊断。基于柴油机燃油系统的常见故障，本文将100%供油量（T1）、
75%供油量( T2 )、25%供油量（T3）、怠速油量（T4）、针阀卡死（小油量T5）、针阀卡
80 死（标定油量T6）、针阀泄露（T7）、出油阀失效（T8）8 种故障作为故障样本，其中每
个故障样本中有8 个故障特征（P1~P8），利用SOM 网络进行故障诊断。故障样本如表1
所示。
表1 常见的8 中故障特征
85 Tab. 1 eight characteristics of common fault
故障原因
输入样本 T1 T2 T3 T4 T5 T6 T7 T8
P1 0.9325 -0.4571 0.5134 0.1545 0.1765 -0.6744 0.4647 0.6818
P2 1.0000 -0.2854 0.9413 0.1564 0.7648 -0.4541 0.5710 1.0000
P3 1.0000 -0.9024 0.9711 -0.5000 0.4259 -0.8454 0.0712 -0.6250
P4 -0.4526 -0.9121 -0.4187 -0.6571 -0.6472 1.0000 -0.7845 -0.8426
P5 0.3895 -0.0841 0.2855 -0.3333 -0.0563 -0.8614 -0.2871 -0.6215
P6 1.0000 1.0000 0.8546 -0.6667 0.1726 -0.6714 0.8915 -0.1574
P7 1.0000 -0.2871 0.9478 -0.3333 0.5151 -0.6279 0.6553 1.0000
P8 1.0000 0.5647 0.9512 -0.5000 0.4212 -0.6785 0.6152 0.7782
3 SOM 神经网络用于柴油机燃油系统的故障诊断
建立燃油系统故障样本特征模式知识库后，可在MATLAB 中实现对故障样本的训练及
仿真[7]。在MATLAB 神经网络工具箱中, newsom( )就是用来创建一个SOM 网络的，其调用
90 格式为：net=newsom(PR,[d1,d2,……])。其中：输入矢量矩阵PR 为R×2 维的输入矩阵，R
为输入矢量的个数。在矩阵PR 中必须指明每个输人矢量的最大、最小值范围；di 代表第i
层的维数。在本诊断系统中，输入矢量个数为8，网络的竞争层设计为8×8 个单元的神经
元。在MATLAB 神经网络工具箱中，train(net，P)函数就是用来训练神经网络的，本诊断系
统中，net 即是创建的SOM 网络，输入矢量矩阵P 即是表1 列出的故障中的征兆矩阵。用
95 MATLAB[8]实现：
%%清空环境变量
>>clc
>>clear
%%录入输入数据
 100 %载入数据
>>load p;
%转置后符合神经网络的输入格式
>>P=p’;
%网络建立和训练
105 >>net=newsom(minmax(P),[8 8])
w1_init=net.iw{1,1}
plotsom(w1_init,net.layers{1}.distances)
net.trainParam.epochs=3000
net=train(net,P)
110 y=sim(net,P)
yc=vec2ind(y)
训练结果：
yc= 12 8 1 57 25 64 32 45
%输入测试样本
115 >>t=[0.9052 1.0000 0.9147 -0.4341 0.4517 0.9215 0.9145 0.8839] ’
r=sim(net,t)
rr=vec2ind(r)
结果如下：
r =
120 (17,1) 1
rr =
17
训练完成后的网络输出见图3，图中编号即映射故障集中相应的故障。
125 图3 训练后的SOM 网络
Fig. 3 the results of the SOM network training
测试样本故障诊断结果见图4。
 130 图4 故障诊断结果
Fig. 4 the results of fault diagnosis
将t 输入已经训练好的神经网络，神经网络经过聚类输出诊断结果，图3 为故障5，即
针阀卡死（小油量）,与现场检测的结果一致。
135 4 总结
为提高柴油机的故障诊断准确率，本文提出了将自组织特征映射神经网络SOM 应用于
柴油机的故障诊断中。SOM 神经网络是一种竞争式学习网络，其结构算法简单，采用无监
督和指导的自学习方式，具有侧向联想等功能。这种网络可以根据最大值输出神经元位置来
判断被监测装置的故障模式，经过故障实例验证，该方法可对柴油机常见故障进行有效诊断。
140
[参考文献] (References)
[1] 蔡畅,胡政,宋立军.柴油机状态监测与故障诊断系统[J].兵工自动化,2006(2):76-79 .
[2] 胡守仁,余少波.神经网络导论[M].长沙:国防科技大学出版社,1993.
[3] MATLAB 中文论坛.MATLAB 神经网络30 个案例分析[M].北京:北京航空航天大学出版社,2010,160.
145 [4] 段礼祥,张来斌,王朝晖.柴油机状态监测与故障诊断特征参数研究[J].车用发动机,2007(1):76-79.
[5] 余健,郭平.自组织映射（SOM）聚类算法的研究[J].现代计算机,2007,3:7-8.
[6] 盛兆顺,尹琦岭.设备状态监测与故障诊断技术及应用[M].北京:化学工业出版社,2003.
[7] 张雨,徐小林,张建华.设备状态监测与故障诊断的理论和实践[M].北京:国防科技大学出版社,2000.