基于GA-LSSVM和BP神经网络的柴油发动机状态预测方法

谷广宇^a， 刘建敏^a， 刘会英^b， 陈财森^b

(陆军装甲兵学院 a. 车辆工程系； b. 演训中心， 北京 100072)

摘要： 为提前掌握装甲车辆发动机运行状态变化，避免安全运行事故，并为装备的视情维修提供数据支撑，本文提出一种基于BP神经网络和GA-LSSVM的柴油发动机状态预测方法。采用遗传算法对最小二乘支持向量机(least squares support vector machine，LSSVM)的惩罚系数C 和核函数寻优，对发动机状态特征信号进行回归预测，利用BP神经网络对不同状态下的运行特征样本进行训练，构建柴油发动机状态评估模型，对发动机状态预测评估,并通过实例进行分析验证。验证结果表明，该算法所需训练样本少，预测精度高；该模型对发动机状态参数变化的预测在3步内具有较高准确性，最大平均误差为7.92%，一步预测最大误差约为1.69%，具有良好的发动机状态预测评估效果。该研究对装甲车发动机的安全运行具有重要意义。

关键词： BP神经网络； GA-LSSVM； 柴油发动机； 遗传算法； 状态预测

柴油发动机是我军现役装甲装备的动力核心，对柴油发动机运行状态进行预测和评估，不仅可避免设备安全运行事故、提高经济效益，而且大大降低了驾驶员和设备维修人员的劳动强度。近年来，柴油发动机状态预测主要采用人工神经网络法^[1-2]、基于实例的推理方法^[3]、支持向量回归法^[4]、模糊逻辑专家系统^[5]等基于数据驱动的预测方法。在柴油发动机状态预测研究中，田松柏等人^[6]采用动态神经网络，并结合相空间重构理论，构建了复杂装备单变量的技术状态预测模型，取得了良好的效果；雷荣强等人^[7]在BP神经网络的基础上融合灰色理论系统，提高了预测模型对小样本数据的预测效果；曹向辉等人^[8]采用支持向量机，实现了水泵电机设备状态的多步预测，并通过多通道时间序列之间的相关性，提高了预测精度；张金忠等人^[9]在基于实例推理方法的基础上，引入云概念隶属度，建立云推理预测模型，提高了对非等间隔时间序列的预测效果。目前，在对装甲车辆柴油发动机进行评估与预测过程中，由于受实验条件的限制，很难获得大量的数据样本^[10]。基于此，本文选取具有训练样本少，预测精度高，且不依赖主观经验优点的支持向量机^[11]，提出了一种基于GA-LSSVM和BP神经网络的柴油发动机状态预测方法。该方法通过GA-LSSVM回归算法，利用遗传算法优化SVM的惩罚系数及核函数参数，解决了支持向量机在柴油发动机状态评估预测中核函数参数和惩罚因子难以确定的问题，并构建发动机状态特征多步回归预测模型，同时结合BP神经网络，对预测结果分类识别，评估发动机技术状况等级，实现了柴油发动机运行状态定量与定性的综合预测。该研究为装备的视情维修提供了理论基础。

1 柴油发动机状态预测方法基本流程

本文结合LSSVM和BP神经网络，对某型柴油发动机未来一段时间的运行状态进行预测评估。预测方法基本流程如图1所示。

知识服务是一种针对特定问题的决策支持活动，需要就用户关心的相关领域和复杂问题，全面、系统、准确地分析相关领域的历史与现状、问题与原因，并由此提供解决之道，而这些工作仅靠信息检索、内容组织、数据挖掘，难以很好地实现，人工智能等关键技术的应用将会为知识服务的快速发展提供有力的技术支持。知识管理工具能够帮助机构对复杂问题做出正确的决策在人工智能等关键技术取得广泛应用的背景下，将获得行业的高度重视，并获得广阔的应用前景。

区块链技术保证在不可信、分布式环境下，所有节点通过一定的共识算法对公共账本达成一致。在区块链中，账本以区块的形式构成，每个合法的区块都以特定的密码学方式链接到前一个块，这也就是区块“链”的内涵。随着区块的不断生成和添加，历史区块内容不能被修改，区块中记录的所有内容能够被网络中所有节点获取。

预测方法基本步骤如下：

1) 确定柴油发动机特征量指标体系。确定某型柴油发动机运行特征量指标体系的基本原则^[12]，即能反映柴油发动机的性能，评估发动机的技术状况；能反映柴油发动机技术状况变化过程，评估发动机的使用时间和剩余寿命；在技术上实现实车不解体检测。柴油发电机特征量指标体系如图2所示。

图1 预测方法基本流程

图2 柴油发动机特征量指标体系

2) 基于步骤1中确立的发动机特征量指标体系，采集柴油发动机历史运行特征信号进行预处理，得到柴油发动机运行特征量数据集，为后续SVM和BP神经网络训练提供样本。

3) GA-LSSVM回归预测模型训练。利用柴油发动机运行特征量数据集，采用时序相空间重构方法构建训练样本，对GA-LSSVM回归预测模型进行训练。

4) BP神经网络训练。将发动机所处状态H 分为6个技术状况等级，H ={0,1,2,3,4,5}，其中0～5分别表示：好、较好、一般、较差、差、待修。利用采集到不同运行状态下的发动机运行特征量作为训练样本，训练BP神经网络，用于后续发动机状态识别评估。

5) 基于GA-LSSVM对发动机运行特征量进行回归预测。利用步骤3中训练得到的GA-LSSVM回归预测模型，对发动机未来一段时间的运行特征量进行多步回归预测。

6) 基于BP神经网络进行发动机状态评估。利用训练好的BP神经网络，以步骤5中回归预测得到的发动机运行特征量作为输入，评估发动机未来一段时间所处的状态。

2 基于GA -LSSVM 的发动机特征量回归预测

2.1 LSSVM 回归原理

LSSVM回归是将m 维输入x _i ∈R ^m 通过非线性函数φ (x )映射到高维空间，并在高维空间通过权重w 及偏差b 进行线性回归^[13]，即

(1)

本文基于BP神经网络，结合柴油发动机运行中的特征参数进行发动机状态识别，具体步骤如下：

(2)

其约束条件为

y _i -[w ^Tφ (x _i )+b ]=ε _i (i =1，…，l )

(3)

式中，C 为惩罚系数；ε _i 为训练误差。

因为w 为高维空间权重矢量，直接求解难度较大，所以一般情况下通过引入拉格朗日函数，将该问题转化到其对偶空间进行求解，即

(4)

2) 适应度评估。用50条染色体代表参数训练LSSVM模型，以平均相对误差为适应度函数，采用留一交叉检验法评估适应度。

y (x )=a _i K (x ，x _i )+b

(5)

其中φ是图像编码器（如深度卷积神经网络），φ 是文本编码器（如 CNN 或者 LSTM），τ（y）是文本描述数据集，υ（y）是图像数据集。公式（4）是定义的兼容函数，φ（v）是图像特征，φ（t）是文本特征，fv和ft共用这个函数，分别对图像和文本描述提取对应的特征，然后结合起来，给出每个图像满足文本描述的得分。显而易见的是，如果分类器能够正确的分类，那么图像和与之匹配的文本的分数应该明显高于其他不能匹配上的分数，反之亦然。在这里，我们的目标是对称的图像和文本，因此，将上述目标命名为深度对称结构联合编码[8]。

(6)

2.2 基于LSSVM 的柴油发动机特征量预测算法

1) 时序相空间重构。时序相空间重构，是将单一标量的时间序列，通过延迟时间方法转化到矩阵空间，并分析数据间关联关系的过程^[15]。同时，通过以适当嵌入维数m 和延迟时间τ 构成的时间窗口，对时间序列滑动截取，实现时序相空间重构^[16]。

本文以气缸压缩压力峰值为例，建立滑动时间窗口，输入与输出之间的映射关系f ：R ^m→R 。对于嵌入维m ，经过计算确定m 的值，本文采用最终误差预报准则评价模型的预测误差，当误差最小时确定m ，经计算确定m 值取5。原始的一维时间序列变形后，得到用于预测的样本集为

3) 遗传算法操作。以适应度为标准，选用当前种群中的优良个体作为父体，并以0.5的交叉率，交换染色体编码序列中的数据。同时，对于随机父体，以0.01的变异率，改变染色体编码序列中的某个值，最后生成新一代染色体。

由于得第n +1点的预测值为

得到后，进一步得到一个样本数据为

其中，表示第n +1点的预测值，如此递推，得到l 步支持向量机预测模型为

选择我院普外科的46名护理人员作为研究对象，研究起止时间为2017年5月—2018年5月，所有护理人员均为女性，年龄21～49岁，平均年龄（33.8±1.8）岁，护龄1～25年，平均（8.7±1.5）年。学历：本科5人，大专31人，中专10人。职称：副主任护师2人，主管护师11人，护师24人，护士9人。

1.原分类所得税制下，纳税人不同来源渠道的所得分别适用其费用扣除标准计算纳税。多渠道取得所得的纳税人可多次享受费用扣除，以降低其税负水平。在综合所得合并征税的制度下，对纳税人取得的收入需要汇总纳税。此时，不论纳税人的所得是单一渠道取得或是多渠道取得，都只能适用一次费用扣除，纳税人的税负水平不会因所得来源渠道数量不同而产生差异。

3) 发动机特征量多步预测。对实测数据进行多步预测，每预测一步，将增加的预测值添加到训练样本中，修正预测模型，将该步预测值加入输入序列进行下一步预测。

2.3 基于GA 遗传算法的LSSVM 参数优化

4) 把新一代染色体带入步骤2)，重复进行，直至达到进化代数要求。

1) 参数编码与初始化。设定LSSVM回归模型的训练参数C 和σ ²的取值范围分别为[0，100]和[0，10]，并对其进行二进制编码，形成染色体长度为24的二进制编码基因。随机产生种群数量为50的一组初代染色体，表示SVM参数值。

其中，a _i 为拉格朗日乘子。根据最优化理论中的KKT条件，并用最小二乘法求出a 和b ，得到预测输出^[14]为

2) 特征值回归预测模型。基于支持向量机，对规范数据样本进行学习训练的回归函数可表示为^[17]

惩罚系数C 和核函数σ ²是影响LSSVM回归预测模型性能的主要参数。为获取参数C 和σ ²的全局最优解，提高LSSVM回归的预测性能，本文采用遗传算法进行参数优化选择，具体步骤如下：

3 基于BP 神经网络的发动机状态识别

3.1 BP 神经网络

采用梯度下降法，BP神经网络通过网络误差逆向传播，不断调整连接权值，实现神经网络模型的最优化^[18]。目前，由于BP神经网络能训练并存贮大量输入-输出映射关系，无需描述其数学方程，已成为广泛应用的神经网络模型之一。典型的BP神经网络拓扑结构由输入层、隐含层(1层或多层)及输出层构成，且每层包含若干神经元，具体原理可见文献[19]。

3.2 基于BP 神经网络的发动机状态识别

式中，为支持向量机输出。对于式(1)，其求解可描述为

1) 构建训练样本集。对不同状态下柴油发动机运行过程中采集的信号特征数据集进行整理，构建训练样本集。每个样本集中的样本输入值(特征)，分别以气缸压缩压力峰值P ^max、空负荷加速时间T ^js 、空负荷减速时间T ^ds 、供油提前角θ ^fd 、燃油消耗量B 及振动能量V 作为输入参数的6个特征，监督学习结果为发动机所处健康状态(0～5)。

其中，核函数K (x ，x _i )选择为径向基函数，即

2) 建立BP神经网络模型，并进行训练。以样本集的6个特征为输入，以发动机所处的健康状态为输出，建立神经网络。由于输入层包含6个神经元，根据Kolmogolov神经网络映射存在定理^[20]，隐含层应包含13个神经元，因此该网络为6-13-1三层BP神经网络。利用训练样本集，对BP神经网络进行监督学习(训练)，直至训练完毕。BP神经网络结构如图3所示。

为了从数学上对狼的社会等级进行建模,在设计GWO时,将最佳的解决方案视为alpha(α),因此,第2个和第3个最佳解决方案被分别视为beta(β)和delta(δ),剩下的候选方案视为omega(ω),在GWO算法中狩猎(优化)是由α、β和δ引导的,ω跟随其他3种狼。

图3 BP神经网络结构

3) 利用训练好的BP神经网络，结合预测的柴油发动机运行特征信号值，进行状态识别分类，评估柴油发动机未来一段时间的状态。

4 实验结果及分析

4.1 实验数据来源

为准确反映各状态的特征随使用期的变化规律，本文对累计使用时间在0～580摩托小时内的某型发动机，按每10摩托小时等间隔提取多组状态特征，对各特征序列进行归一化处理，处理后的各时刻状态特征序列为并以各状态特征均值序列作为该时刻的原始数据，各状态特征均值序列原始数据如表1所示。

通过分析输油管道周围温度场及大地温度场的变化，并把大地视作一个有限的区域，这样一来问题的复杂度大大降低，模型求解也变得相对简单。图1为西部同沟敷设管道二维物理模型。

表1 各状态特征均值序列原始数据表

4.2 GA -SVM 回归预测结果及分析

在发动机状态特征回归预测中，以第5～30时刻的原始数据为训练样本，根据本文提出的方法，重构时序相空间，迭代训练预测模拟，并对第31～33时刻的状态特征进行多步预测，GA-SVM回归预测结果如表2所示。

综上所述，本研究证实了PRKCI是miR-219的下游靶基因，miR-219是通过直接调控PRKCI的表达来实现对舌鳞状细胞癌的抑制作用的。在舌鳞状细胞癌组织中，两者的表达呈明显的负相关。这些结果将为针对舌鳞状细胞癌的miRNAs及其靶基因的药物研究提供新的线索。但是肿瘤基因调控的复杂性不仅仅在于一条通路线性表达的变化，而是网络表达的变化，日后应深入研究miR-219、PRKCI与其他基因调控网络在TSCC细胞中的关系，并且需要更多的临床实验探讨miR-219与PRKCI的表达变化对舌癌患者预后的影响。

表2 GA-SVM回归预测对照表

其中，误差为

另由表3还可以看出，与对高羊茅幼苗平均根鲜重的影响相比，凌霄干花水浸提液的化感作用对受体幼苗的平均苗鲜重影响更大。

ε

为验证发动机在不同技术状况下该预测算法的适用性，滑动训练样本时间窗口，重复上述方法，对之后3个时刻的状态特征进行多步预测。GA-SVM回归多步预测结果如图4所示，GA-SVM回归多步预测误差如表3所示。

图4 GA-SVM回归多步预测结果

表3 GA-SVM回归多步预测误差

由图4和表3可以看出，本文基于GA-SVM回归模型的发动机状态特征预测方法,在进行1步预测时,能取得较好结果，最大预测误差不超过2%，随着迭代预测步数的增加，预测误差也会累积增长；在3步预测时，最大预测误差将超过10%。

4.3 BP 神经网络状态评估结果及分析

在Matlab R2008b环境下，调用人工神经网络工具箱，对选定的样本数据进行学习训练，并采用traindm(动量梯度下降反向传播算法)训练函数。BP神经网络采用6-13-1三层BP神经网络结构，双曲正切S 形函数为

在BP神经网络训练中，将发动机当前状态特征序列作为输入值，所处状态作为输出值，进行BP神经网络训练。以图4所示的多步回归预测结果为测试样本进行状态识别，并将识别结果与原始数据进行对比。BP神经网络状态评估结果如表4所示。

表4 BP神经网络状态评估结果

由表4可以看出，利用BP神经网络状态评估模型，根据GA-SVM回归预测结果，对未来时刻发动机技术状况进行评估。利用1步预测结果进行预测时预测准确率达92.6%，能够较准确预测发动机技术状况等级的变化，随着预测步数和预测误差的增加，发动机技术状况等级预测的准确率逐渐降低，3步预测时，准确率只有60%，无法有效预测发动机该时刻技术状况。

我的小妹妹才一岁十个月大。她有些奇怪的举动，比如：她想要把我抬起来，要举得高高的；她才一岁半的时候就会玩平板电脑，还玩得津津有味；她是先会跑，才会走的……她还有个习惯：白天，一听到音乐，就随着节拍跳舞；晚上，要听着歌儿才会睡觉。

5 结束语

本文提出了一种基于GA-LSSVM和BP神经网络的柴油发动机状态预测方法，通过遗传算法优化SVM的惩罚系数及核函数参数，构建发动机状态特征多步回归预测模型，并结合BP神经网络对预测结果分类识别,以评估发动机的技术状况等级，实现了柴油发动机技术状况等级的多步预测，并通过实例分析验证了该方法的有效性。采用GA-LSSVM方法能够建立发动机状态参数多步预测有效模型，该模型对发动机状态参数变化的预测在3步内预测具有较高准确性，最大平均误差为7.92%，1步预测最大误差约为1.69%；基于BP神经网络的发动机状态评估方法,能够根据预测结果有效评估发动机未来时刻技术状况等级，在保证预测准确性(最大误差1.69%)的条件下，该方法具有较高的评估准确率(92.6%)；由于存在累计误差，该方法对短期内发动机状态预测具有较好效果，随着迭代步数的增加，预测误差逐渐增加，预测效果也逐渐劣化。因此，对柴油发动机状态参数长时预测的累计误差修正，是本课题深入研究的重点。

在职业体育领域，广东历来是山东的“苦主”。23年CBA，山东男篮对阵广东男篮，鲜有胜绩。恒大升入中超后，恒大也成了原本传统豪门鲁能的命中克星。

参考文献:

[1] Chong A Y. Predicting m-commerce adoption determinants: A neural network approach[J]. Expert Systems with Applications, 2013, 40(2): 523-530.

[2] Moosmayer D C, Chong A Y, Liu M J, et al. A neural network approach to predicting price negotiation outcomes in business-to-business contexts[J]. Expert Systems with Applications, 2013, 40(8): 3028-3035.

[3] Liu C, Chen H. A novel CBR system for numeric prediction[J]. Information Sciences, 2012, 185(1): 178-190.

[4] Ch S, Anand N, Panigrahi B K, et al. Streamflow forecasting by SVM with quantum behaved particle swarm optimization[J]. Neurocomputing, 2013, 101: 18-23.

[5] Rao A V S, Pratihar D K. Fuzzy logic-based expert system to predict the results of finite element analysis[J]. Knowledge-Based Systems, 2007, 20(1): 37-50.

[6] 田松柏, 张耀辉, 郭金茂, 等. 基于动态神经网络的装备技术状态预测模型[J]. 装甲兵工程学院学报, 2007, 21(1): 66-69.

[7] 雷荣强, 舒涛, 孙安全, 等. 地空导弹发控系统寿命预测的组合模型[J]. 火力与指挥控制, 2014, 39(11): 89-92.

[8] 曹向辉, 王裕, 张征凯. 基于支持向量机的水泵状态多步预测[J]. 煤矿机械, 2015, 36(12): 268-270.

[9] 张金忠, 岳宇辰, 郭伟, 等. 装甲车辆火力系统关键部件技术状态预测[J]. 弹道学报, 2018, 30(3): 82-87.

[10] 乔新勇, 刘建敏, 张小明. 小子样统计理论在装备状态检测中的应用[J]. 装甲兵工程学院学报, 2009, 23(2): 41-43, 87.

[11] Yara A A, Petros K, Brent A C, et al. A spatio-temporal prediction model based on support vector machine regression: Ambient Black Carbon in three New England States[J]. Environmental Research, 2017, 159: 427-434.

[12] 刘建敏, 乔新勇, 安钢, 等. 基于多参数评估柴油机技术状况的模糊方法研究[J]. 内燃机工程, 2004, 25(6): 66-69.

[13] 唐舟进, 任峰, 彭涛, 等. 基于迭代误差补偿的混沌时间序列最小二乘支持向量机预测算法[J]. 物理学报, 2014, 63(5): 050505-1-050505-10.

[14] Huang X L, Shi L, Suykens J A K, et al. Asymmetric least squares support vector machine classifiers[J]. Computational Statistics and Data Analysis, 2014, 70: 395-405.

[15] 田中大, 张超, 李树江, 等. 基于相空间重构与最小二乘支持向量机的时延预测[J]. 电子学报, 2017, 45(5): 1044-1051.

[16] 冯广斌, 吴震宇, 袁惠群. 基于混沌理论与SVM的内燃机振动信号趋势预测[J]. 振动、测试与诊断, 2011, 31(1): 64-69, 129.

[17] 董辉, 傅鹤林, 冷伍明. 支持向量机的时间序列回归与预测[J]. 系统仿真学报, 2006, 18(7): 1785-1788.

[18] 潘文, 刘尚东. BP神经网络的优化研究与应用[J/OL]. 计算机技术与发展, 2019(5): 1-3[2019-05-21]. http: ∥kns. cnki. net/kcms/detail/61. 1450. TP. 20181221. 1445. 004. html.

[19] 张宇飞, 沈瑶, 杨威, 等. 利用BP神经网络分析检查网络时序型隐信道[J]. 小型微型计算机系统, 2018, 39(5): 872-876.

[20] 何长虹, 黄全义, 申世飞, 等. 基于BP神经网络的森林可燃物负荷量估测[J]. 清华大学学报: 自然科学版, 2011, 51(2): 230-233.

A diesel Engine State Prediction Method Based on BP Neural Network and GA -LSSVM

GU Guangyu^a, LIU Jianmin^a, LIU Huiying^b, CHEN Caisen^b

(a. Vehicle Engineering Department；b. Military Exercise and Training Center, Army Academy of Armored Forces, Beijing 100072, China)

Abstract : In order to master the change of engine running state of armored vehicle in advance, avoid safe operation accident, and provide data support for equipment maintenance depending on the situation, a diesel engine state prediction method based on BP neural network and GA-LSSVM is proposed. Genetic algorithm is used to optimize the penalty coefficient C and kernel function of least square support vector machine to realize the regression prediction of engine state characteristic signal. The operation characteristic samples in different states are trained by the BP neural network, and the state assessment model of the diesel engine is constructed, for the prediction and evaluation of the state of the engine. Finally, the analysis and verification are carried out by an example. Experimental results show that the algorithm has the advantages of high accuracy, less training samples, and a good effect of engine state prediction and evaluation. The model has high accuracy in predicting the change of engine state parameters in three steps, the maximum average error is 7. 92%, and the maximum error of one step prediction is about 1. 69%. So it has a good effect of engine state prediction and evaluation. This study is of great significance to the safe operation of armored vehicle engine.

Key words : BP neural network； GA-LSSVM； diesel engine； genetic algorithm； stateprediction

中图分类号： TP391.1; TK42

文献标识码： A

文章编号： 1006-9798(2019)03-0027-07；

DOI： 10.13306/j.1006-9798.2019.03.006

收稿日期： 2019-01-06；修回日期： 2019-04-05

基金项目： 国家自然科学基金资助项目(U1836101)

作者简介： 谷广宇(1989-)，男，汉族，博士研究生，主要研究方向为发动机状态评估与预测。Email：119792651@qq.com

标签：bp神经网络论文;  GA-LSSVM论文;  柴油发动机论文;  遗传算法论文;  状态预测论文;  陆军装甲兵学院车辆工程系论文;  陆军装甲兵学院演训中心论文;