摘要：针对真空阀检测中可能出现的故障情形及相应的调试方法，提出一种基于遗传PNN神经网络的真空阀自动调试系统。将不同占空比电源驱动下出气口的压力作为故障特征值，并利用PNN网络进行故障分类，结合机械手臂进行相应的调试，从而实现故障自动检测与调试。在样本数有限的情况下，PNN神经网络通过遗传算法获得模式层最佳节点数目及相应的平滑参数，降低了网络的冗余度并提高了网络的精度，再将通过PNN分类并调试成功的数据加入到样本集中重新训练网络，直到网络精度增长率达到一定范围，使得网络的精度和模式层节点数达到最优值。测试结果表明，该方法能够有效的对真空阀进行故障分类与调试，能大幅提高检测的自动化程度和精度。
关键词：真空阀；PNN神经网络；故障分类；自动调试；遗传算法
0 引言
发动机的有害排放物是造成大气污染的一个重要来源，随着环境保护的重要性日益增加，降低发动机有害排放物成为当今世界上发动机发展的一个重要方向。废气再循环系统(Exhaust Gas Recirculation，EGR)通过将内燃机产生的废气的一部分再送回气缸使其再度燃烧，可以降低排放气体中的氮氧化物并提高燃料消费率，因此，EGR阀成了机动车的关键部件[1]。
随着工况不同，EGR阀的进气量也需要相应地调整，低负荷选择小进气量，高负荷选择大进气量，EGR阀的开度大小可通过脉冲电源驱动的真空阀进行调节[2-3]。因此，真空阀的性能指标直接影响着EGR阀的性能，于是，真空阀的性能检测就成为了真空阀生产中不可缺少的环节。
由于真空阀故障现象的多样性、配件参数的非一致性以及装配过程的不确定性，使得真空阀故障检测技术还未广泛使用。随着生产线自动化程度的提高，部分企业使用了真空阀质量自动检测系统[4]，在很大程度上提高了质检的效率，但是也一次性否决了所有不合格产品，而事实上，部分不合格产品是由装配的误差造成了，可以通过调整满足合格要求。而目前，针对这类不合格产品的处理方法是人工进行配件的微调并单步进行调试使其满足合格条件，虽然提高了产品的合格率，却严重制约了检测效率。因此，如何检测出不合格产品并自动调试成功是本文研究的重点。
概率神经网络(probabilistic neural networks，PNN)是一种学习规则简单、训练速度快且能保持非线性高精度的算法[5]。针对真空阀性能检测过程中特征值与调整角度的关系特点，文中设计了基于PNN网络的真空阀自动检测与调试系统。首先，构造检测特征值与调整角度之间的故障关联模型；再将各调整角度对应的特征值组成特征向量，经过PNN网络训练，形成多种征兆与多个故障的映射关系；最后，结合训练好的PNN网络，对真空阀进行性能检测并进行故障预测。同时，在调试过程中，不断加入新的训练样本，逐渐完善PNN网络，进一步提高真空阀的自动检测与自动调试系统的精确度。
1 VS52真空阀工作原理
VS52真空阀是EGR系统中的关键部件，能在不同占空比脉冲电源的驱动下调节不同大小的开度，从而控制EGR阀中废气的进气量，其机构图如图1所示。
进气口与稳压的负压真空筒连接，为VS52阀提供稳定的负压环境；出气口与EGR进气口相连，调整好流量的废气从该口进入EGR阀；励磁线圈和磁极铁芯组成电磁铁，磁极铁芯和励磁线圈为中空的，与废气相通；电源端为VS52阀提供不同占空比的脉冲电压；防尘塞用来过滤进入废气中的微尘颗粒。
图1 VS52真空阀结构图
不通电时，由于进气口接的负压环境，铁片会在压力差的作用下克服弹簧的弹力封住图1中进气口与出气口的连接处，此时，出气口与废气进气口相通，达到最大流量；给阀接通脉冲电源，由励磁线圈和磁极铁芯组成的电磁铁会产生磁力吸引铁片，铁片在周期性磁力、压力和弹簧弹力的三重作用下处于一个稳定的振荡状态，从而输出稳定流量的废气，在磁力和弹力完全克服压力的情况下，出气口与废气进气口隔开，达到零流量。
图2所示为VS52真空阀在EGR系统中的工作流程图。
图2 VS52真空阀工作流程图
2 故障检测方法设计
2．1 故障分类及产生机理
由于VS52真空阀的作用是在不同占空比电源的驱动下输出特定流量的废气，因此对图1中铁片的吸合程度控制需要十分精确。根据第1节中提到的VS52真空阀结构可知，影响铁片吸合的因素有：稳压筒负压、弹簧弹力、电磁铁磁力、结构的密封性。其中，在检测中稳压筒负压能提供恒定的负压环境，对铁片的吸合影响可以忽略；弹簧在出厂时特性已经无法改变，结构的密封性在检测前也是固定，因此，若这两项是造成故障的原因，则阀需要更换相应配件；电磁铁磁力可以通过调节磁极铁芯进入线圈的位置进行改变，由磁力引起的故障通常可以不用更换配件，直接调节磁极铁芯就能满足条件，除非线圈断路。因此故障可分为以下几类：
(1)弹簧弹力不合格。弹力太弱，铁片无法正常复位，电磁铁在电源占空比较小时无法与铁片吸合，导致检测的出口流量值过大；弹力太强，电磁铁与铁片吸合程度太大，导致检测的出口流量值过小。
(2)结构密封性不合格。结构不密封，废气会从缝隙进入出气口，进而导致检测的出口流量值整体偏大。
(3)线圈断路。电磁铁是由电流产生磁力，线圈断路，电磁铁无法产生磁力与铁片吸合。
(4)磁极铁芯位置偏差。铁芯的位置影响磁力的大小，进而影响检测的出气口流量值。
2．2 故障检测原理
真空阀在稳定环境下工作，其出气口流量与压力成正比，因此，可将不同占空比下的出气口压力作为性能特征值进行故障判断。在2．1节中描述的4类故障中：第1类和第4类故障都会对出气口压力产生影响，压力特征值比较接近，且在一定范围内，均可通过调节磁极铁芯位置解决故障；第2类故障，可通过检测接通直流电源情况下的出口压力进行判断，因为在结构密封性良好时，接通直流电源，由于铁片与电磁铁紧密吸合，出气口压力应与真空稳压筒压力相等；第3类故障，则可直接检测线圈在接通直流电源下的电流进行判断，线圈断路，电流为零。为避免检测工作的重复，故障检测与调试的流程如图3所示。
图3 故障检测与调试流程图
其中，PNN网络故障分类与铁芯位置调试是文中研究的重点。铁芯的位置直接决定电磁铁与铁片的吸合程度，进而影响出气口的压力值，因此，可将不同占空比下出气口压力作为检测的输入特征值，铁芯调整幅度作为故障输出等级。首先，根据各类不同等级故障的样本建立概率神经网络模型，待检测的数据经过该模型即可判断出故障等级，进而根据相应的调整幅度调节铁芯位置。
3 遗传PNN网络故障诊断方法
3．1 概率神经网络
概率神经网络(PNN)是1990年由Specht提出的，是一种基于Bayes分类规则与Parzen窗的概率密度函数估计方法发展而来的算法[5]。PNN模型由输入层、模式层、求和层、输出层共4层组成，其基本结构如图3所示。
图3 PNN网络基本结构
算法描述为，故障模式为Y=[y1，y2，…，ym]，要判断的测量集为X=[x1，x2，…，xn]，基于贝叶斯决策来判断d(x)∈yi的状态为：
hilifi(X)>hklkfk(X)，k≠i
(1)
式中：hi和hk分别为yi和yk的先验概率；li为将本属于yi类而被错分为其他类的代价因子；lk为将本属于yk类而被错分为其他类的代价因子；fi(X)和fk(X)分别为yi和yk的概率密度函数，通常可以根据现有的训练样本求其统计值，如式(2)所示。
(2)
式中：d为待分类的向量X及训练向量的维数；Ni为故障模式i的训练样本的数量；Xij为故障模式i的第j个训练向量；σ为平滑参数[5]。
3．2 遗传概率神经网络
平滑参数σ越接近于0，根据公式(2)估计的概率密度函数越逼近原概率密度函数，因此，只要样本数目足够多，训练结果就会很精确。但在实际工程中，样本数不可能无穷大，σ也不会为0，用相同的σ表示每个神经元的平滑参数虽然大幅降低了计算复杂度大，但同时也降低了分类的精确度。因此，需要使用公式(3)计算概率密度函数。
(3)
式中
表示故障模式i的第k个训练样本的平滑参数。
通过优化平滑参数的值可以提高PNN网络的分类精确度，如基于异方差的PNN训练算法[6]、基于Gap的平滑参数估计算法[7]、基于遗传算法的PNN网络[8]等。文中将采用遗传PNN算法，在优化σ的同时，也对输入样本进行优化，从而减少模式层的节点数，提高算法精度的同时提高了算法的效率。
3．2．1 染色体编码
染色体编码是遗传算法的基本要素，将待优化的参数表示成一组固定结构的染色体[9]。针对PNN网络，染色体可表示成C={C1，C2，…，CM}，M为训练样本总类别数，Ci为染色体C的第i个片段，且
Ci={
}
(4)
式中
为第i类训练样本的第r个变量；
为对应的平滑参数；Ni为第i类训练样本的数目。
3．2．2 适应度函数
适应度函数是遗传算法过程中的评估函数，取决于网络的分类误差和模式层的节点数目，定义为：
Fit=α·Error+(1-α)·Size
(5)
式中：α为权值；Error为分类误差；Size为模式层的节点数。
通过适应度函数，可使网络在获取最小分类误差的同时，删除对网络影响不大的冗余节点[10]。
3．2．3 选择操作
为了让每一代中最优秀的基因不被破坏，将适应度最高的个体不经过交叉或变异，直接复制到下一代。通常采用精英策略或者二元竞争策略，精英策略的操作流程为：将适应度较高的部分基因直接复制到下一代；二元竞争策略的操作流程为：在样本中随机选择2个个体，将其中适应度高的复制到下一代。
3．2．4 交叉操作
交叉操作是从父代个体中选择两个个体，随机选择这两个个体染色体中的一点或多点位置进行交换，从而产生新的优秀个体。交叉操作如图4所示。
图4 交叉操作
3．2．5 变异操作
变异操作是从父代个体中选择一个个体，然后随机选择个体中染色体的一点进行变异以产生更优秀的个体，如式(6)所示。
(6)
式中
为第i类样本的第j个平滑参数；为
的上界；为的下界，f(g)=r1(1-g/Gmax)2；r1为随机数；g为当前进化次数；Gmax为最大进化次数；r为[0，1]间的随机数。
3．2．6 删除操作
删除操作是为了减少PNN网络的冗余节点，以一定的删除概率选择并删除染色体中的某些片段。如图5所示。
图5 删除操作
3．3 遗传PNN算法步骤
步骤1：设置算法精度值增长率α、总进化次数G、种群大小N、个体长度l、交叉概率pc、变异概率pm、删除概率pd、选择概率ps；置当前进化次数i=0；随机生成N个长度为l的个体，每个个体中包含训练样本特征值变量和对应的平滑参数；计算所有个体的适应度值。
步骤2：通过选择操作、交叉操作、变异操作和消除操作产生下一代。
步骤3：计算新种群中所有个体的适应度值。
步骤4：输出适应度值最高的个体，并组成对应的PNN网络。
步骤5：待检测的故障数据经过步骤4训练的PNN网络进行故障分类并进行相应的调试；调试后数据进行合格验证并对故障数据进行分类；统计经过组Nv数据验证后的精度增长率αt，若αt<α，将正确分类后的故障数据合并到训练样本，重新进行以上所有步骤。
步骤6：输出满足以上步骤的个体所对应的PNN网络。
步骤5的作用是在训练样本数不够的情况下，通过增加正确分类的检测数据作为样本，进而提高算法的精度，同时精度增长率α的设定可以使PNN精度和节点数达到最优值。
4 实验结果及分析
为了验证算法在真空阀自动检测与调试系统中的有效性，针对真空阀的不同故障类型进行如下实验。
真空稳压筒负压为-50 kPa，脉冲电源的占空比分别为5%、10%、20%、30%、40%、50%、60%、70%、80%、90%、99%这11个值，分别采集不同占空比下真空阀出气口的压力值，将这11个压力值作为检测的特征值输入到PNN网络。PNN故障输出分为8个等级，分别对应铁芯调整角度为-4T、-3T、-2T、-1T、1T、2T、3T、4T，T代表一个螺纹周期，即360°，角度的正负代表旋转方向，正表示顺时针，负表示逆时针。性能合格检测函数为区间函数，超过区间上下限即为不合格。
每个故障等级有100组数据，其中70组作为首次训练样本，30组作为网络的测试样本。对于遗传算法，设定进化次数G=100，种群大小N=50，交叉概率pc=0.2，变异概率pm=0.1，删除概率pd=0.01，精度增长率为α=0.001。
图6所示为不同故障等级和合格的特征值，从图6可以看出，故障1～4由于铁芯进入尺寸过多，磁力太强，故特征值在低占空比会超出标准上限，而在高占空比变化不大；故障5～8由于铁芯进入尺寸不足，磁力太弱，故特征值会超出标准下限。
图6 故障特征值
图7所示为首次训练，即只使用已知训练样本数据训练时，使用检测样本得到的故障分类误差随遗传进化次数变化的曲线。可以看出随着进化次数的增加，其分类误差呈现减少的趋势，在进化到80次左右，没出现明显变化。
图8所示为首次训练时模式层的最优节点数随遗传进化次数变化的曲线。由于训练样本中存在的冗余样本信息，使得最优节点数随着遗传进化逐渐减少，最后基本停留在170个节点左右。
图7 首次训练分类误差随进化次数变化曲线
图8 首次训练节点数目随进化次数变化曲线
在首次训练好的遗传PNN网络中，随着检测数据的不断增加，可以将正确分类故障的部分检测数据加入要训练样本中，重新训练PNN网络，从而完善网络的训练样本类型，弥补初始训练样本不足的缺陷。从每次训练好的遗传PNN网络检测数据中，选取80组数据与当前最优训练样本一起作为新的训练样本，重新训练网络，从而得到图9所示最优节点数随训练次数变化的曲线以及图10所示分类误差随训练次数变化的曲线。从图9和图10中均可以看出，随着训练次数不断增加，最优节点数会达到一个饱和状态，而且分类误差也会停滞不前，此时的网络即可作为最优的遗传PNN网络。
图9 最优节点数目随训练次数变化曲线
图10 分类误差随训练次数变化曲线
从最后的结果可以看出，模式层的最优节点数为312，此时分类误差仅为2．4%，在保证高精度故障分类的同时，大幅度减少了模式层的节点数。
5 结论
针对VS52真空阀提出的基于PNN神经网络的真空阀自动检测与调试系统，通过PNN网络将故障等级进行分类，并结合机械手对不同故障程度进行相应的调试，实现了真空阀性能检测的自动化，提高了生产线的效率。同时通过遗传算法对PNN网络中的模式层节点数和对应的平滑参数进行优化，在提高了系统精度的同时，降低了系统的复杂度。最后，由于新检测样本的增加，更加丰富了网络的训练样本信息，并进一步提高网络的精度。
