基于LMS算法及BP神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動機故障診斷模型研究

解淑英

(煙臺汽車工程職業(yè)學院 機電工程系，山東 煙臺 265500)

0 引言

汽車已經(jīng)成為人們?nèi)粘Ｉ钪械谋匦杵?，為了降低事故發(fā)生概率，精準的汽車故障診斷勢在必行，發(fā)動機作為動力輸出結(jié)構(gòu),其運行狀態(tài)直接影響整個系統(tǒng)的運行可靠性，發(fā)動機的故障診斷由于結(jié)構(gòu)復雜、手段局限、結(jié)果精確度不高等因素影響具有很大的不確定性，本文深入剖析這一難題，從故障狀態(tài)識別與故障分類定位2個方面進行深入研究，力求提升診斷效率以及預判結(jié)果的準確性。

1 汽車發(fā)動機故障診斷整體分析

1.1 發(fā)動機基本構(gòu)造

發(fā)動機是將熱能轉(zhuǎn)化為機械能的復雜裝置，在結(jié)構(gòu)上主要以曲柄連桿機構(gòu)為主，配合其他輔助性構(gòu)造，協(xié)同完成能量轉(zhuǎn)換，確保整個動能系統(tǒng)持續(xù)平穩(wěn)工作?；緲?gòu)造包括實現(xiàn)發(fā)動機的循環(huán)與能量轉(zhuǎn)化的曲柄連桿、實現(xiàn)換氣過程的配氣機構(gòu)、實現(xiàn)燃燒過程的燃料提供體系、潤滑體系、冷卻體系、點火系統(tǒng)、啟動系統(tǒng)等。

1.2 典型故障

汽車發(fā)動機的故障原因有很多，有的是自身設(shè)計的結(jié)構(gòu)或技術(shù)原因引起的，有的是操作不合理或者維修保養(yǎng)不當引起的，典型故障包括排氣管冒煙、溫度過高、啟動困難、加速動力不足、機油壓力指示異常、氣孔堵塞、怠速低、出現(xiàn)異響等[1]。

1.3 故障診斷思路

汽車發(fā)動機故障診斷包括故障識別和故障定位2個步驟。首先通過線性判別函數(shù)，基于LMS算法構(gòu)建識別模型，根據(jù)樣本特征向量進行兩分類求解，快速識別出發(fā)動機狀態(tài)為正常還是故障，然后剔除正常狀態(tài)樣本，針對故障狀態(tài)的發(fā)動機繼續(xù)利用分類模型進行故障類別定位，鑒于BP神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)各類復雜的輸入到輸出的映射，且具有大規(guī)模并行、分布式處理、自組織、自學習等特性常適合求解模式識別問題，因此本文選用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建故障定位分類模型。整體設(shè)計思路如圖1所示。

圖1 發(fā)動機故障診斷整體思路示意圖

2 選取故障識別特征指標

2.1 數(shù)據(jù)采集

2.1.1 采集原理

汽車發(fā)動機原始數(shù)據(jù)的采集通過傳感器、數(shù)據(jù)采集卡、信號調(diào)理器、工控機等組件完成。通過加速度傳感器采集發(fā)動機的原始振動信號，聯(lián)合程控放大器的增益參數(shù)轉(zhuǎn)化為電壓信號，然后利用數(shù)據(jù)采集卡對輸出的連續(xù)信號進行離散時間序列信號轉(zhuǎn)換，輸出離散電壓值。

2.1.2 硬件設(shè)備

信號采集過程中涉及使用到的硬件設(shè)備如下。

(1)加速度傳感器：朗斯LC401壓電加速度傳感器，電荷靈敏度20 pc/g，諧振頻率40 kHz，頻率范圍1-12 000 Hz，典型聲靈敏度0.01 g/130 db。

(2)信號調(diào)理器：CM3504。

(3)數(shù)據(jù)采集卡：DAQ1602。

(4)發(fā)動機：SantanaJV/1.8L/四沖程頂置凸輪軸化油器式發(fā)動機。

2.2 信號分類

采集到的發(fā)動機振動信號包括8類：氣門、連桿、小瓦、氣缸套、曲軸、齒輪、活塞以及正常信號。由此構(gòu)成原始的觀測樣本矩陣，經(jīng)過時頻轉(zhuǎn)換之后形成初始樣本數(shù)據(jù)集。設(shè)Q為觀測矩陣,如式(1)。

(1)

其中,N為樣本數(shù);M為每個樣本的特征數(shù)。

2.3 識別特征選擇

由于原始的特征空間經(jīng)常是高維的，不但計算效率低下，也容易因太過復雜導致誤判。這些特征需要互相獨立、與誤判的概率呈現(xiàn)單調(diào)關(guān)系且加入新指標后判據(jù)的值不會減弱[2]。本文選用幾何距離作為類別分類判據(jù)。樣本間的相似性采用歐氏距離進行描述，設(shè)QI和QJ為特征向量，則歐氏距離D為式(2)。

(2)

其中，M為維數(shù);D為歐氏距離。不同類距離大，則可分性好，以此為依據(jù)最終選擇33個特征。

3 構(gòu)建發(fā)動機故障狀態(tài)識別模型

發(fā)動機故障狀態(tài)識別模型主要功能是根據(jù)特征參數(shù)判斷是否有故障發(fā)生，作為故障定位的準備工作，剔除正常情況，加快故障診斷效率。

3.1 線性判別函數(shù)

由于發(fā)動機故障狀態(tài)識別模型屬于結(jié)果為正常(ω1)或故障(ω2)的兩類問題，因此利用線性判別函數(shù)進行構(gòu)建，設(shè)特征空間為n維，則判別函數(shù)可記作g(x)=wTx+w0=0，x=[x1,x2,…,xn]，w為權(quán)重w=[w1,w2,…,wn]，w0為閾值。

(1)在超平面上，則g(x)=w1x1+w2x2+w0=0。

(2)不在超平面上，則g(x)=wTx+w0>0?x∈ω1、g(x)=wTx+w0<0?x∈ω2。

3.2 基于LMS算法構(gòu)建發(fā)動機故障狀態(tài)識別模型

iw(t+1)=iw(t)+2αei(t)p(t)

(3)

bi(t+1)=bi(t)+2αei(t)

(4)

其中，α為學習速率?；诖?，構(gòu)建最終決策方程為式(5)。

g(x)=0.686x1+0.534x2-0.679 7=0

(5)

4 構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障定位分類模型

故障定位的建模過程屬于非線性可分的分類問題求解，本文采用BP神經(jīng)網(wǎng)絡(luò)進行模型構(gòu)建[3]。

4.1 BP神經(jīng)網(wǎng)絡(luò)

BP(Back-Propagation)神經(jīng)網(wǎng)絡(luò)的主要原理是將輸入信息傳遞至隱含層節(jié)點應(yīng)該映射函數(shù)運算，最終將輸出信息傳遞至輸出層。各層參數(shù)定義如下。

(1)輸入層：X=(x1,x2,…xn)T為輸入向量;n為輸入層單元數(shù)量；

(2)隱含層：Y=[y1,y2,…yp]T為隱含層激活向量;p為神經(jīng)元數(shù)量;θ=[θ1,θ2,…θP]T為隱含層單元閾值向量；

(4)權(quán)值：wj=[wj1,wj2,…,wjn]T(j=1,2,…p)為輸入層與隱含層連接權(quán)值;

Vk=[vk1,vk2,…,vkp]T(k=1,2,…,q)為隱含層與輸出層連接權(quán)值。

整體算法流程如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)算法流程

4.2 參數(shù)選擇

4.2.1 網(wǎng)絡(luò)層數(shù)

BP神經(jīng)網(wǎng)絡(luò)的處理能力雖然與層數(shù)相關(guān)，但也并非越多越好，隱含層過多反而由于計算量增大導致收斂時間延長、計算誤差增大、容易陷入局部最小[4-5]。因此本文為了提高精度同時簡化網(wǎng)絡(luò)將網(wǎng)絡(luò)層數(shù)選為3層。

4.2.2 數(shù)據(jù)預處理

4.2.3 權(quán)值初始化

4.2.4 神經(jīng)元數(shù)量

為了提升模型的判斷精度，在隱含層與輸出層的神經(jīng)元數(shù)量選取上，本文采用如下規(guī)則。

(1)隱含層神經(jīng)元：經(jīng)過多次實驗取誤判率小且時間短的層數(shù)，最終確定個數(shù)取63。

(2)輸出層神經(jīng)元：上文總結(jié)信號為8類，8類信號名稱及期望值如表1所示。每個神經(jīng)元可用二值數(shù)(1或-1)表示，所以八類信號僅選用三個神經(jīng)元表示即可，即log28。

表1 八類信號期望輸出表

4.3 基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建故障定位分類模型

基于以上網(wǎng)絡(luò)及算法流程，構(gòu)建故障定位分類模型,如式(6)。

(6)

其中,參數(shù)含義同上，將隱含層與輸出層計算展開為矩陣,如式(7)、式(8)。

(7)

(8)

其中，W為33×63隱含層權(quán)值系統(tǒng)矩陣;V為3×63輸出層權(quán)值系數(shù)矩陣[6-7]。

5 故障診斷及定位驗證測試

5.1 故障狀態(tài)識別模型驗證

為驗證本文構(gòu)建故障狀態(tài)識別模型的精確度，代入訓練樣本集進行數(shù)據(jù)實測，驗證結(jié)果如表2所示。

表2 訓練樣本集

得到測試樣本集如表3所示。

表3 測試樣本集

由測試結(jié)果可知，誤判率小于4%，精確度較高。

5.2 故障定位分類模型驗證

為驗證本文構(gòu)建故障定位分類模型的精確度，選取8類不同樣本集進行多次學習驗證，每一類采用100個樣本，代入本文設(shè)計模型，得到實測結(jié)果如表4所示。

表4 判別結(jié)果表

由此可以看出，在識別的800個樣本中，共計763個樣本識別判斷準確，37個判斷失誤。準確率達到95.375%，符合預期[8-9]。由于BP網(wǎng)絡(luò)算法從數(shù)學角度看屬于局部搜索的優(yōu)化方法，容易陷入局部極值導致訓練失敗，網(wǎng)絡(luò)規(guī)模以及數(shù)據(jù)預處理方法均對識別效果存在影響，因此雖然準確率較高，但針對算法還需在樣本數(shù)量、歸一化方法、神經(jīng)元數(shù)量等方面進一步尋優(yōu)。

6 總結(jié)

本文通過構(gòu)建發(fā)動機狀態(tài)識別模型以及故障定位分類模型，為汽車發(fā)動機故障診斷提供了智能化的技術(shù)手段，實測數(shù)據(jù)驗證判別準確率較高。但訓練樣本集選取的完整性還有所欠缺，且未考慮實際場景中發(fā)動機自身參數(shù)以及不同類型的影響因子，在算法尋優(yōu)過程中的誤差計算方面也還需要進一步學習與訓練。