PNN神經(jīng)網(wǎng)絡在尾氣分析發(fā)動機故障診斷中的應用

郝大鵬 巴寅亮 李春蘭 王書提 加克·烏云才次克

關鍵詞： 尾氣分析; PNN神經(jīng)網(wǎng)絡; 故障診斷; 發(fā)動機; 濃度; 電控系統(tǒng)

中圖分類號： TN98?34 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）05?0145?04

Application of PNN in engine fault diagnosis by means of exhaust analysis

HAO Dapeng1， BA Yinliang1， LI Chunlan2， WANG Shuti3， JIAKE Wuyuncaicike4

（1. College of Traffic and Logistics Engineering， Xinjiang Agricultural University， Urumqi 830052， China;

2. College of Mechanical Engineering， Xinjiang Agricultural University， Urumqi 830052， China;

3. School of Electronic and Information Engineering， Beijing Jiaotong University， Beijing 100044， China;

4. Xinjiang Vocational & Technical College of Communications， Urumqi 834000， China）

Abstract： The automobile exhaust pollutes the atmospheric environment seriously， and its emission component concentration directly reflects the running condition of the vehicle. Therefore， the probabilistic neural network （PNN） is used to analyze the exhaust component concentration to diagnose the engine fault， which can judge the engine fault initially. The advantages of radial neural network and probability density are combined in PNN， so PNN is especially suitable for pattern classification and identification. Taking Beijing Hyundai Elantra as an example， the exhaust analyzer is used to collect the data of automobile exhaust including CO， CO2， HC， O2 and [NOx]. The PNN is used to establish the fault diagnosis model， and the model is verified. The diagnosis and verification results are completely correct， which shows that the PNN has high accuracy and use value.

Keywords： exhaust analysis; probabilistic neural network; fault diagnosis; engine; concentration; electronic control system

近年來，隨著我國汽車保有量的持續(xù)增長，汽車尾氣排放已經(jīng)成為主要污染源之一。汽車尾氣不僅僅污染空氣，更直接反映出發(fā)動機的運行狀況。汽車尾氣的主要成分有CO，CO2，HC，O2和[NOx]，當車輛正常時，尾氣的各成分處于一個標準值附近，一旦車輛出現(xiàn)故障則濃度會發(fā)生偏離，這對于一些無法準確判斷其故障所在的隱性故障提供了一個很好的解決途徑。通過尾氣分析儀檢測各成分的濃度來診斷發(fā)動機系統(tǒng)的故障，當發(fā)動機出現(xiàn)故障時尾氣成分的濃度會發(fā)生變化，此時通過與正常值進行比對分析可初步判斷故障發(fā)生的部位。

神經(jīng)網(wǎng)絡因其特有的自學、關聯(lián)記憶、并行處理、非線性映射和容錯性的優(yōu)點，在一些故障診斷領域有著廣泛的應用[1]。本文基于神經(jīng)網(wǎng)絡的方法研究汽車尾氣濃度的變化所對應的汽車故障，從而對發(fā)動機故障進行分析診斷。

1 ?PNN神經(jīng)網(wǎng)絡概述

1.1 ?PNN神經(jīng)網(wǎng)絡結構

神經(jīng)概率網(wǎng)絡是基于統(tǒng)計原理的人工神經(jīng)網(wǎng)絡，是由徑向基網(wǎng)絡發(fā)展而來的一種前饋型神經(jīng)網(wǎng)絡模型。其理論依據(jù)是貝葉斯最小風險準則，即錯誤分類的期望風險最小。PNN網(wǎng)絡吸收了徑向神經(jīng)網(wǎng)絡與經(jīng)典概率密度估計原理的優(yōu)點，相較于傳統(tǒng)前饋型神經(jīng)網(wǎng)絡，特別適合用于模式識別和分類。神經(jīng)概率網(wǎng)絡可以分為輸入層、隱含層和輸出層三個部分，如圖1所示。

由圖1可以看出，PNN神經(jīng)網(wǎng)絡與其他徑向基網(wǎng)絡的主要區(qū)別在輸出層。其中，[IW]表示加權矩陣;[R]表示特征元素的數(shù)目;[Q]表示學習樣本的數(shù)目;[b]表示閾值;dist函數(shù)表示求歐氏距離;[a1]表示第[i]個元素;[LW2]表示連接權值;[C]表示競爭函數(shù)。

1.2 ?PNN神經(jīng)網(wǎng)絡的工作原理

在PNN神經(jīng)網(wǎng)絡中，其隱含層與輸出層之間的連接權值不是隨機確定的，假定這個權值是確定的為輸入向量的轉置。現(xiàn)對測試樣本進行預測，則先要對樣本進行處理，確定測試樣本數(shù)據(jù)和學習樣本數(shù)據(jù)之間的距離，測試結果要和連接權值的每一列進行計算，即用dist函數(shù)求歐氏距離，將其距離再和閾值[b]進行點乘，將點乘后的結果經(jīng)過徑向基函數(shù)計算之后輸出。其主要原理是當距離輸入接近0時，其輸出接近于1，這也正是區(qū)別于BP神經(jīng)網(wǎng)絡的地方。在輸出層中，與BP神經(jīng)網(wǎng)絡用加權求和、求解線性方程組的方法得到的結果不同，在PNN網(wǎng)絡中直接用訓練集的輸出矩陣代替[LW2]權值，最后的輸出用競爭函數(shù)取代線性函數(shù)的輸出。

對于隱含層和輸入層的確定，是將連接權值用訓練集的樣本代替。如訓練集樣本有[R]個特征、[Q]個學習樣本、合成矩陣為[Q×R]維。如有60個樣本，每個樣本有8個特征，則合成矩陣是8×60維。首先比較測試樣本和學習樣本數(shù)據(jù)之間的相似程度，利用dist函數(shù)計算出的距離點乘閾值[b]，輸出接近于0，經(jīng)過徑向基函數(shù)處理輸出接近于1。其中閾值[b]與spread有關，決定了輸出結果的準確率。spread設置過大時針對某一測試樣本做預測，學習樣本每一個樣本貢獻都變大，即每個樣本都和測試集相似度很高。這是因為spread設置過大，則閾值[b]會減小，點乘之后接近于0，導致輸出結果接近于1，故相似度很高。相反，如果spread設置過小則區(qū)分度不高。

2 ?基于PNN神經(jīng)網(wǎng)絡的尾氣分析診斷

2.1 ?汽車尾氣數(shù)據(jù)流的采集與處理

汽車尾氣的主要成分有CO，CO2，HC，O2和[NOx]，當發(fā)生故障時，這些尾氣的濃度大小會發(fā)生變化。因此，將CO，CO2，HC，O2和[NOx]五種氣體作為故障樣本集的特征量，對應氣體的含量則作為故障診斷的樣本數(shù)據(jù)。

首先采集發(fā)動機尾氣的數(shù)據(jù)流，以伊蘭特車為試驗車，將尾氣分析儀與車輛相連，由于故障數(shù)據(jù)比較多，故人為地模擬這幾種典型的故障，如進氣壓力故障、一缸噴油器故障、怠速控制閥故障、凸輪軸位置傳感器故障、冷卻液溫度傳感器故障。采集并記錄故障診斷儀上的尾氣參數(shù)，并采集出正常狀態(tài)下的數(shù)據(jù)進行對比分析。為避免數(shù)據(jù)樣本少而不能充分表達出各自特征和數(shù)量太多導致訓練速度變慢，從這6種狀態(tài)中選取[23]作為樣本輸入。正常狀態(tài)及各種故障狀態(tài)下的數(shù)據(jù)如表1～表6所示。其中，ppm是 [11 ?000 ?000]即為10-6，表示質量濃度可定義為g/m3，溶液濃度可定義為μg/ml3，%為質量百分濃度。

因為所采集的尾氣數(shù)據(jù)量綱不同，濃度含量差距過大，必然會增加網(wǎng)絡訓練的難度，導致診斷的正確率有所下降，所以在網(wǎng)絡訓練之前需對樣本數(shù)據(jù)進行歸一化處理，結果如表7所示。

將表7歸一化處理后的樣本數(shù)據(jù)導入Matlab中并對數(shù)據(jù)樣本按1[∶]2進行劃分，隨機產(chǎn)生訓練集和測試集，得到訓練集和測試集的樣本如表8所示。

2.2 ?PNN網(wǎng)絡建立與診斷應用

選擇CO，CO2，HC，O2和[NOx]這五種氣體為網(wǎng)絡輸入，因此輸入層神經(jīng)元數(shù)為5，取正常怠速、進氣壓力故障、一缸噴油器故障、凸輪軸位置傳感器故障、冷卻液溫度傳感器故障、怠速控制閥故障為輸出，分別用1，2，3，4，5，6表示，徑向基函數(shù)的分布密度設置為1.0，在Matlab中調用PNN神經(jīng)網(wǎng)絡工具箱，創(chuàng)建及仿真測試程序如下：

t=cputime;

Tc_train=ind2vec（T_train）;

%創(chuàng)建網(wǎng)絡

net_pnn=newpnn（p_train，Tc_train）;

%仿真測試

Tc_test=ind2vec（T_test）;

t _sim _pnn=sim（net_pnn，p_test）;

T _sim_pnn=vec2ind（t_sim_pnn）;

t=cputime – t;

time_pnn=[time_pnn t];

result_pnn=[result_pnn T_sim_pnn];

end

end

其中，net_pnn=newpnn（p_train，Tc_train）指創(chuàng)建PNN神經(jīng)網(wǎng)絡;t_sim是對輸入進行仿真;T_test是對輸入進行測試;vec2ind（y1）對仿真后的結果進行轉化，使得結果更加直觀;cputime是執(zhí)行這段代碼所需的時間。網(wǎng)絡建立后則開始訓練網(wǎng)絡，PNN網(wǎng)絡測試診斷結果如表9所示。

3 ?結 ?論

利用尾氣成分的濃度值分析復雜的電控系統(tǒng)故障是一個很好的診斷思路。而運用PNN神經(jīng)網(wǎng)絡建立診斷模型可以快速地識別，將故障進行模式分類，從而準確地判斷出故障，并且隨著樣本的容量越大，網(wǎng)絡樣本的信息就會越豐富，其診斷的正確率就越高。這兩者的結合對于分析診斷一些復雜的電控系統(tǒng)故障具有很大的優(yōu)勢。本文的結果足以表明PNN神經(jīng)網(wǎng)絡在尾氣分析發(fā)動機故障中具有較高的診斷效率和正確率，并且可以運用到其他類型的故障診斷中。

參考文獻

[1] 周開利，康耀紅.神經(jīng)網(wǎng)絡模型及Matlab仿真程序設計[M].北京：清華大學出版社，2005.

ZHOU Kaili， KANG Yaohong. Neural network model and Matlab simulation program design [M]. Beijing： Tsinghua University Press， 2005.

[2] 張德豐.Matlab神經(jīng)網(wǎng)絡應用設計[M].北京：機械工業(yè)出版社，2009.

ZHANG Defeng. Application design of Matlab neural network [M]. Beijing： Machinery Industry Press， 2009.

[3] 趙桂艷，李一峰.基于PNN神經(jīng)網(wǎng)絡和聚類分析的變壓器故障診斷[J].信息系統(tǒng)工程，2015（6）：94?95.

ZHAO Guiyan， LI Yifeng. Transformer fault diagnosis based on PNN neural network and cluster analysis [J]. Information systems and engineering， 2015（6）： 94?95.

[4] 岳軍，黃誠，任瑞云.PNN神經(jīng)網(wǎng)絡模型在變壓器故障診斷建模中的應用[J].自動化技術與應用，2016，35（10）：80?82.

YUE Jun， HUANG Cheng， REN Ruiyun. Application of PNN neural network model in transformer fault diagnosis modeling [J]. Automation technology and application， 2016， 35（10）： 80?82.

[5] 唐壽根.PNN神經(jīng)網(wǎng)絡在甚高頻通信收發(fā)機故障診斷中的應用[J].電子技術，2015（2）：13?15.

TANG Shougen. Application of PNN neural network in VHF communication transceiver fault diagnosis [J]. Electronic technology， 2015（2）： 13?15.

[6] 張宇航，蘭生.基于廣義神經(jīng)網(wǎng)絡與模糊聚類的變壓器故障診斷[J].高壓電器，2016，52（5）：116?120.

ZHANG Yuhang， LAN Sheng. Transformer fault diagnosis based on generalized neural network and fuzzy clustering [J]. High voltage electrical appliances， 2016， 52（5）： 116?120.

[7] 宋偉，尹濤.基于概率神經(jīng)網(wǎng)絡（PNN）的礦井提升機故障診斷研究[J].電子測量技術，2016（11）：187?189.

SONG Wei， YIN Tao. Fault diagnosis of mine hoister based on probabilistic neural network [J]. Electronic measurement technology， 2016（11）： 187?189.

[8] 梁波.基于PNN神經(jīng)網(wǎng)絡的抽油機井工礦診斷研究[D].合肥：安徽工業(yè)大學，2015.

LIANG Bo. Study on mine and mine fault diagnosis of pumping well based on PNN neural network [D]. Hefei： Anhui University of Technology， 2015.

[9] 尹常永，田景賀，郝波，等.基于改進的RBF網(wǎng)絡的變壓器分接開關故障診斷[J].沈陽工程學院學報，2014，10（3）：237?244.

YIN Changyong， TIAN Jinghe， HAO Bo， et al. Tap?changer fault diagnosis of transformer based on improved RBF network [J]. Journal of Shenyang Institute of Engineering， 2014， 10（3）： 237?244.

[10] 孫永軍，王福明.概率神經(jīng)網(wǎng)絡PNN在發(fā)動機故障診斷中的應用[J].機械工業(yè)自動化，2007（4）：99?100.

SUN Yongjun， WANG Fuming. Application of probabilistic neural network PNN in engine fault diagnosis [J]. Machinery industry automation， 2007（4）： 99?100.

[11] 雷勇濤，楊兆建.神經(jīng)網(wǎng)絡在提升機故障診斷中的應用[J].華南理工大學學報，2012，38（2）：67?72.

LEI Yongtao， YANG Zhaojian. Application of neural network in fault diagnosis of hoister [J]. Journal of South China University of Technology， 2012， 38（2）： 67?72.

[12] 俞文燕.基于概率神經(jīng)網(wǎng)絡的電機故障診斷研究[D].揚州：揚州大學，2016.

YU Wenyan. Fault diagnosis of motor based on probabilistic neural network [D]. Yangzhou： Yangzhou University， 2016.