0 引　言

电磁阀的安全、可靠与否直接影响舰船的工作效率与性能，其故障通常是指线圈短路、断路情况的发生。传统检测电磁阀故障的方法主要包括直接与间接2种，直接是指直接检测电磁阀的工作电流，获取其抵达各参数的速度，从而判断出电磁阀的故障状态^[1-3]，但是该方法与所应用检测软件直接相关，目前市面上的检测软件在速度、程序调用等方面不够先进^[4]；间接是指通过检测发动机在某时刻的转速获取电磁阀喷油的状况，然后判断出其故障状态，但是该方法的CPU占有率大、响应速度慢、准确程度低，实际应用效果较差^[5]。

跟随自动化技术的进步，薜铮等^[6]通过不同传感器检测现场信号实现舰船发动机燃油电磁阀的故障诊断，但是该方法操作复杂，实际应用难度大；徐继伟等^[7]通过检测电流分析电磁阀如何失效，该方法操作简单，易于实现，通过驱动电路两端的电流能够间接获取阀芯的运动情况，但是该方法仅仅是直接以电流曲线的拐点为出发角度，忽略了其他故障状态，所研究的电流特性也仅针对于电磁阀的失效，缺乏对具体故障下电流特性的研究，故障诊断不够成熟。

1 舰船发动机燃油电磁阀故障实时诊断 1.1 舰船发动机燃油电磁阀故障特征分析 1.1.1 舰船发动机燃油电磁阀电流特性

受发动机燃油电磁阀线圈、阀芯的电磁、机械特性影响，其运作流程主要包括吸合触动、运动，释放触动、运动以及通电保持5个步骤。以发动机燃油电磁阀的吸合触动、运动步骤为例，将其概括为电路、磁路以及机械方程。按照电路规律得到电路方程为：

$ U = I\left( {R + {R_L}} \right) + \left( {L + {L_1}} \right)\frac{{{\rm{d}}I}}{{{\rm{d}}t}} + I\frac{{{\rm{d}}\left( {L + {L_1}} \right)}}{{{\rm{d}}t}} 。$

(1)

式中：U，I，R，L与R_L，L₁分别表示舰船发动机燃油电磁阀线圈的励磁电压、电流、电阻、电感与回路附加电阻、电感。

磁路方程为：

$ L\left( x \right) = \frac{{{\mu _0}{\text{π}} {D^2}{N^2}{l_v}}}{{4{l_v}\left( {{l_0} - x} \right) + rD}} 。$

(2)

式中： $ {\mu _0} $ ， $ D $ ， $ N $ ， $ N $ ， $ N $ ， $ x $ 以及 $ r $ 分别表示舰船发动机燃油电磁阀的真空磁导率、阀芯直径、线圈匝数、阀芯衔铁长度、最大工作间隙宽度、阀芯位移以及阀芯半径。

得到：

$ \frac{{{\rm{d}}I}}{{{\rm{d}}t}} = \frac{{4{\mu _0}{\text{π}}{D^2}{N^2}l_v^2}}{{{{\left( {4{l_v}\left( {{l_0} - x} \right) + rD} \right)}^2}}} = \frac{{4{L^2}\left( x \right)}}{{{\mu _0}{\text{π}} {D^2}{N^2}}} 。$

(3)

机械方程表示为：

$ \left\{ {\begin{array}{*{20}{l}} {{F_e} = \frac{1}{2}{I^2}\dfrac{{{\rm{d}}L}}{{{\rm{d}}t}}}，\\ {{F_e} - kx - \left( {{C_v} + {C_f}} \right)\dfrac{{{\rm{d}}x}}{{{\rm{d}}t}} = m\dfrac{{{{\rm{d}}^2}x}}{{{\rm{d}}{t^2}}}} 。\end{array}} \right. $

(4)

式中： $ {F_e} $ ， $ k $ ， $ {C_v} $ ， $ {C_f} $ 以及 $ m $ 分别表示舰船发动机燃油电磁阀的电磁力、弹簧系数、动摩擦系数、阻尼系数以及阀芯质量。

1.1.2 舰船发动机燃油故障电磁阀电流特性

舰船发动机燃油电磁阀共有断路、短路两类型故障，在电磁阀的运作过程中，受外部撞击等相关因素影响，容易发生电磁阀线束连接失灵或断裂的情况，造成电磁阀驱动回路断路等问题^[8]。舰船发动机燃油电磁阀出现故障时，其内部电流或为零或缓慢增长，且因外部撞击引起的电磁阀线束误触情况会使电流、温度超出阈值，导致线圈烧毁发生短路。

1.2 舰船发动机燃油电磁阀故障特征提取

利用小波包分解技术分解舰船发动机燃油电磁阀电流信号，对所有频带的能量数值同电磁阀所有故障情况之间的映射关系予以具体呈现。统计电流信号频带上的能量，获取电流特征向量可有效实现电磁阀故障诊断。电磁阀全部电流信号的频带幅值为：

$ {E_{jk}} = \sum\limits_{k = 1}^n {{{\left| {{x_{jk}}} \right|}^2}} 。$

(5)

式中： $ {x_{jk}}\left( {j = 1:7,k = 1:n} \right) $ 表示重构电磁阀电流信号S_ij离散点的幅值。

电磁阀的特征向量表示为：

$ T = \left[ {{E_{jk}},{E_{jk + 1}},{E_{jk + 2}}, \cdots {E_{jk + n}}} \right] ，$

(6)

$ E = {\left( {\sum\limits_{j = 0}^7 {{{\left| {{E_{jk}}} \right|}^2}} } \right)^{1/2}}。$

(7)

其中，所有种类的故障特征向量为 $T = \left[ {E_{jk}}/E,{E_{jk + 1}}/E, \right. $ $ \left.{E_{jk + 2}}/E, \cdots {E_{jk + n}}/E \right]$ 。

1.3 舰船发动机燃油电磁阀故障诊断 1.3.1 卷积神经网络

为实现舰船发动机燃油电磁阀故障诊断，需要建立卷积神经网络模型，通过训练卷积神经网络，同时结合反向传播算法与delta原理，舰船发动机燃油电磁阀故障诊断实现流程如下：

步骤1　将频带幅值输入卷积神经网络进行训练学习，得出其输出数值为：

$ y = \varphi (v) = \varphi (wx + a) 。$

(8)

式中： $ \varphi (v) $ ， $ v $ ， $ w $ ， $ a $ 分别为激活函数、输入舰船发动机燃油电磁阀故障信号加权和、相对应信号权重和偏值。

步骤2　准确值与输出值之间误差表示为：

$ e = d - y ，$

(9)

式中，卷积神经网络实际输出值通过 $ d $ 表示。

步骤3　卷积神经网络的输出节点采用delta原理学习权重，其节点 $ \delta $ 表示为：

$ \delta = \varphi '(v)e ，$

(10)

式中，激活函数导数为 $ \varphi '(v) $ 。

步骤4　计算反向传播节点 $ {e^{(k)}} $ 与紧邻节点 $ {\delta ^{(k)}} $ ，得到：

$ {e^{(k)}} = {W^{\rm{T}}}\delta ，$

(11)

$ {\delta ^{(k)}} = \varphi '({v^{(k)}}){e^{(k)}}，$

(12)

其中， ${W^{\rm{T}}} $ 为权重矩阵转置。

步骤5　迭代步骤4至反向传播节点抵达隐含层，进入步骤6。

步骤6　按照delta原理调节权重，其计算公式如下：

$ \Delta {w_{ij}} = \alpha {\delta _i}{x_j} ，$

(13)

$ {w_{ij}} \leftarrow {w_{ij}} + \Delta {w_{ij}} ，$

(14)

式中： $ \alpha $ ， $ {x_j} $ 分别为学习率、节点 $ j $ 的输出； $ {w_{ij}} $ ， $ \Delta {w_{ij}} $ 分别为输入节点 $ j $ 与输出节点 $ i $ 之间权重与权重变化量。

1.3.2 多输入层卷积神经网络

MIL-CNN模型包括输入层、卷积层、池化层、全连接层和分类器，以数据集1作为网络的首层输入，并通过卷积池化运算得到特征图，再在此基础上将数据集2输入输入层2和特征图融合，产生的新特征图将进入第二层卷积层，利用重复操作融合不同的舰船发动机燃油电磁阀故障信号。MIL-CNN模型中的激活函数为ReLU函数，可利用最大池化算子简化舰船发动机的燃油电磁阀故障特征矢量维数，使非线性特征的鲁棒性得以进一步强化。同时通过全连续层能够逐列显示特征图并使之首尾相连，从而获取到一维向量。在分类器部分使用了Softmax回归模式，以实现对舰船发动机燃油电磁阀故障类型的输出。此外，在MIL-CNN模式还使用交叉熵的损失函数进行网络参数优化。

1.3.3 舰船发动机燃油电磁阀故障诊断步骤

步骤1　小波包获取舰船发动机燃油电磁阀电流信号的频带幅值，在原始幅值内加入高斯噪声，构建数据集A，B且以其为训练、测试样本集；

步骤2　网络参数初始化，设定相关迭代数、学习率、批处理数等参数；

步骤3　成批输入训练集A至卷积神经网络，提取舰船发动机燃油电磁阀电流信号的频带幅值，完成前向传播后求取期望、实际输出的误差；

步骤4　反向传播误差并按顺序更新网络参数和；

步骤5　迭代步骤3和步骤4至符合网络精度条件，获取多输入层卷积神经网络；

步骤6　分别输入测试集A、B获取舰船发动机燃油电磁阀故障分类结果，检验网络的有效性与鲁棒性；

步骤7　在完成训练的多输入层卷积神经网络中引入训练集B，进入增量训练并迭代步骤3～步骤5；

步骤8　通过输入测试集B输出正常、弹簧断裂以及阀芯卡死3种类型的舰船发动机燃油电磁阀状态。

2 实验结果与分析

实验建立在Visual DSP++5.0平台内，以舰船发动机燃油电磁阀为实验对象。将特征向量样本输入多层输入卷积神经网络展开训练，在其完成训练后挑选3类型舰船发动机燃油电磁阀故障特征值对网络展开检验，结果如表1所示。

本文方法多次学习训练后，其平均适应度值与网络训练绝对误差结果见图1。随着迭代次数的增加，本文方法的平均适应度值在迭代次数满足20次的要求训练次数后趋于平稳，网络收敛步数为5，说明本文方法具有较好的平均适应度，网络收敛速度较快，可利用较小的迭代次数实现文字信息识别，识别精度高。

在发动机燃油电磁阀正常、弹簧断裂以及阀芯卡死3种状态分别展开电磁阀电流信号采集，采集结果如图2和图3所示。可以看出，发动机燃油电磁阀连接电源后，其阀芯没有立即展开工作，是在电磁力高于摩擦力与油液动摩擦力的情况下，其才开始正式工作，出现弹簧断裂故障时，电磁阀阀芯无需抑制弹簧力，抑或弹簧力下降的情况下，受同一电磁力影响，电磁阀阀芯的速度与加速度均呈增长趋势，其电流在首处拐点位置具有显著降低态势。弹簧断裂故障时舰船发动机燃油电磁阀驱动端电流在首处拐点位置同正常电流存在明显差异，阀芯卡死故障时舰船发动机燃油电磁阀驱动端电流则是因为阀芯运动摩擦力的提升，几乎不存在首处拐点，并且其在电流从初始值提高至最大值的情况下，始终维持上升趋势。

在负荷不同、故障程度相同，故障程度不同、负荷相同以及负荷、故障程度均不同3种情况下，采用本文方法对不同的舰船发动机燃油电磁阀故障实行诊断，3种测试结果见图4。所有期望故障诊断概率估计结果均高于80%。可知，不同设置情况下，本文方法均能够准确完成各类型故障的诊断，且故障诊断概率估计结果都高于期望结果。

3 结　语

本文提出舰船发动机燃油电磁阀故障实时诊断方法，经过模拟测试可知，本文方法可有效提取舰船发动机燃油电磁阀的运行状态数据，而且可以依据所提取的数据实现故障分类以及实时诊断，诊断结果较为准确，可以在电磁阀管理人员维修时为其提供可靠数据支撑。