1 引言
铁路是国民经济大动脉，承担着国家巨大的运输任务，在经济和社会发展中占有重要位置。内燃机车在我国铁路实现跨越式发展战略任务中，起到了重要的牵引动力装备的保证作用，其制造的现代化及运用质量的好坏，直接关系到铁路运输质量的优劣和人民生命财产的安全。

内燃机车是一个结构相当复杂的机电产品，因此涉及到内燃机车故障诊断的知识纷繁复杂，采用单一的物理信号通常很难得到准确的结果，可靠性、准确性和实用性方面存在缺陷，需要对多源多维信息的协同利用和综合处理，充分考虑内燃机车的系统性和整体性；另外机车的运行环境是不断变化的，如何采用恰当的方法对采集的多样信号进行计算、推理，实现知识的自动获取，能够自适应地变化一直是人们考虑的问题。由此，开发一个基于神经网络的多层次诊断集成的故障诊断系统是当前内燃机车技术研究的一个重要方向。

2 内燃机车常见故障

2.1 内燃机车故障概述

内燃机车的工作过程是复杂的动态和随机过程，任何机车使用一段时间后，由于自然磨损、环境腐蚀、材料疲劳、元件老化、使用不当等，造成随着里程的增加，出现各种故障。

内燃机车故障是指内燃机车中的零、部件或总成，部分或完全丧失规定功能的现象。从系统理论的特性看，机车故障具有复杂性、层次性、相关性、延时性、不确定性、突发性与缓变性、模糊性以及趋势性的特点。

2.1 内燃机车故障的分类

内燃机车故障按不同的分类标准可分为以下四类：原发性故障或诱发性故障；渐增性故障或突发性故障；器质性故障或操作性故障；确定性故障或非确定性故障。一般来说前一种故障比较容易诊断，后者的诊断则相对较难。

2.2 内燃机车故障的变化规律

内燃机车故障发生的频繁程度常用故障率表示。内燃机车故障率是指内燃机车在某段时间内的故障数量与此段时间内的总工作时间之比，用λ(t)表示：

λ(t)=某段时间内的故障数量／此段时间内的总工作时间

故障率反映了内燃机车使用到某阶段后单位时间内故障的概率，故又可称为故障强度。很显然，故障率愈高，可靠性愈差。

长期的实践和经验表明，内燃机车故障率是时间的函数，其故障率曲线如图1所示。图中曲线的形状呈两头高、中间低，类似于浴盆的形状，故通常将故障率曲线称为浴盆曲线。



从图1中的曲线可以看出，在内燃机车使用过程中的故障率大致可分为三个阶段：

(1)早期故障期(Deereasing Failure Rate，DFR)

对应于内燃机车使用的早期，这一阶段故障率较高，早期故障期内发生的故障往往是由于设计、制造或修理工艺不当、质量不佳引起的，且在机车刚投入使用后很容易暴露出来。但随着使用时间的增加，故障率迅速下降。

(2)偶然故障期(Constant Failure Rate，CFR)

这是内燃机车经磨合后进人正常使用时期，是内燃机车的有效寿命期。这一阶段故障率低而且较稳定，故障的发生是随机的，由偶然因素引起。如操作失误、维护不当、材料缺陷等。

(3)耗损故障期(Inereasing Failure Rate，IFR)

这是内燃机车使用的后期。内燃机车进入这一阶段以后，故障率高而且明显增加。这是由于机车(或大型配件)的某些零件已过度磨损、疲劳、老化所致。

2.2 东风4B型内燃机车常见故障

东风系列内燃机车是干线客、货两用机车，在我国内燃机车中占相当大的比重。系列中车型较多，其中东风4B型内燃机车比较典型，运用广泛。

本文的研究基于东风系列内燃机车智能化水阻试验系统，该系统主要涉及到内燃机车的电传动系统、柴油机、增压系统、燃油系统、冷却水系统及润滑油系统六大部分。根据领域专家的经验知识与现场工作人员的操作实践总结出涵盖这几部分的50种故障，具体故障情况见表1所示。



3 人工神经网络与信息融合技术的结合

3.1 神经网络与信息融合技术概述

人工神经网络(Artifical Neural Network，ANN)是由大量与自然神经系统的神经细胞类似的人工神经元广泛连接而成的网络，用以模拟人类大脑神经的结构和行为，从而解决了人工智能研究中的某些局限性。

信息融合技术是利用所获得的信息得到关于被检测对象所需要的信息。它可以视为在一定条件下信息空间的一种非线性推理过程，即把多个传感器检测到的信息作为一个空间M，最后要得到的信息作为另一空间N，信息融合技术就是实现M到N映射的推理过程，即f：M→N。信号处理神经网络用于对单个传感器检测到的信号进行处理，提取有用信息，作为融合神经网络的输入，融合神经网络对得到的信息在一定的层次上进行融合处理，以得到更全面、更准确的信息。

运用神经网络信息融合技术，首先要根据系统的要求以及传感器的特点选择合适的神经网络模型，然后再根据已有的多传感器信息和系统的融合知识采用一定的学习方法，对建立的神经网络系统进行离线学习，确定网络的联接权值和联接结构，最后把得到的网络用于实际的信息融合当中。神经网络在应用中要利用网络的自学习和自组织功能，不断地从实际应用中学习信息融合的新知识，调整自己的结构和权值，满足检测环境不断变化的实时要求，提高信息融合的可靠性。

基于神经网络的信息融合技术有许多优点：

(1)神经网络的信息统一存储在网络的联接权值和联接结构上，使得传感器的信息表示具有统一的形式，便于管理和建立知识库。

(2)神经网络可增加信息处理的容错性，当某个传感器出现故障或检测失效时，神经网络的容错功能可以使检测系统正常工作，并输出可靠的信息。

(3)神经网络的自学习和自组织功能，使系统能适应检测环境的不断变化和检测信息的不确定性。

(4)神经网络的并行结构和并行处理机制，使得信息处理速度快，能够满足信息的实时处理要求。

3.2 神经网络信息融合模型

3.2.1 集成神经网络的结构

集成神经网络信息融合如图2所示。



集成神经网络的结构有串联和并联两种形式。串联结构的特点是接到上级的信号就开始融合，而并联结构是接到所有信息才开始融合。因而串联结构速度较快。但串联结构有明显的缺点，它对线路的故障非常敏感，若中间一个网络发生了故障，没有信息传递下来，整个融合过程将中止。考虑故障诊断的实际情况，信息融合既有局部的，又有全局的，因此，用串并联混合的集成网络比较合适。从图2可以看出，它是由I，Ⅱ，Ⅲ三级网络串联而成，其中Ⅱ级网络形成子网的并联结构。

从功能来看，I级网络完成信号向各设备的定位，属管理型网络。Ⅱ级网络由子网络并联而成，各子网络从不同侧面完成对故障的诊断，其中某些子网络可完成局部信息融合，因而它们属于诊断型网络。诊断子网络的结果送入决策融合网络进行融合，最终得出诊断结果，这种融合属于全局性融合。

3.2.2 子神经网络组建原则

集成神经网络由若干个子网络组合而成。子网络的构成，包括其结构、输入输出样本特性，直接关系到集成神经网络的诊断效果。因此有必要研究子网络组建应遵循的原则。

考虑图3所示的集成神经网络融合系统，设Y为决策融合网络的输出。集成神经网络的目的，就是设计NNi使由Yi融合得到的Y具有更小的不确定性。



由信息论可证明如下定理：

定理 当Yi的相关性最小，即Yi相互独立时，融合系统的输出不确定性达到最小。

由此定理，为保证系统从尽量多个独立侧面诊断故障，提高系统的确诊率，可推出下述原则：

原则1：NNi之间的相关性应尽量小。

(1)构成NNi的神经网络模型机理应尽量不同。

(2)训练NNi的样本集应尽量不同。

原则2：特征向量Xi之间的相关性应尽量小。

根据这两条原则，在用于诊断的集成神经网络中，由于不同类型的信号作为不同网络的输入有利于保证不同输入向量的不相关性，有利于从不同的侧面反映故障，所以采用基于信号类型的