人工神經(jīng)網(wǎng)絡(luò)在汽車發(fā)動(dòng)機(jī)故障診斷中的運(yùn)用

佘 勇，馮銀漢，王燕兵

（貴州電子信息職業(yè)技術(shù)學(xué)院汽車工程系，貴州 凱里 556000）

0 前言

汽車發(fā)動(dòng)機(jī)特別是電控發(fā)動(dòng)機(jī)在近年來(lái)獲得了快速發(fā)展。隨著新技術(shù)新工藝不斷地應(yīng)用于發(fā)動(dòng)機(jī)，發(fā)動(dòng)機(jī)已然成為一個(gè)復(fù)雜的非線性系統(tǒng)，其設(shè)計(jì)變量和操作變量之間關(guān)系較為復(fù)雜，很難針對(duì)一個(gè)變量進(jìn)行優(yōu)化來(lái)提升發(fā)動(dòng)機(jī)的性能，同時(shí)給發(fā)動(dòng)機(jī)的故障檢測(cè)與維修帶了極大困難[1]。 近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)已被大量引入到汽車發(fā)動(dòng)機(jī)故障診斷領(lǐng)域[2]，特別是“1+X”證書(shū)制度對(duì)汽車動(dòng)力系統(tǒng)檢修有了更高的要求，這就需要進(jìn)一步探索汽車發(fā)動(dòng)機(jī)故障檢修更多的方法和途徑，以更好地助推汽車發(fā)動(dòng)機(jī)的快速發(fā)展[3]。

當(dāng)前發(fā)動(dòng)機(jī)故障診斷的神經(jīng)網(wǎng)絡(luò)類型還比較單一，運(yùn)用于發(fā)動(dòng)機(jī)故障診斷的相關(guān)研究還處于初級(jí)階段，存在較大的發(fā)展空間。基于此，筆者對(duì)當(dāng)前應(yīng)用于汽車發(fā)動(dòng)機(jī)故障診斷的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了系統(tǒng)分析，并提出了發(fā)動(dòng)機(jī)故障診斷未來(lái)的發(fā)展方向。

1 人工神經(jīng)網(wǎng)絡(luò)在汽車發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種具有多層結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，其特點(diǎn)是信號(hào)向前傳播，誤差信號(hào)逆向傳播，故該神經(jīng)網(wǎng)絡(luò)又稱為反向傳播網(wǎng)絡(luò)，其非線性的映射能力強(qiáng)，推導(dǎo)步驟較為嚴(yán)謹(jǐn)，無(wú)論是在網(wǎng)絡(luò)理論還是在性能方面都已經(jīng)得到了廣泛的認(rèn)可。因此，BP神經(jīng)網(wǎng)絡(luò)是目前使用最普遍的神經(jīng)網(wǎng)絡(luò)之一。其不足之處是存在收斂速度慢、容易陷入局部極小值以及泛化能力弱的缺點(diǎn)[4]。

林海濤等[5]利用BP神經(jīng)網(wǎng)絡(luò)建立了發(fā)動(dòng)機(jī)故障診斷模型，并且利用LM算法對(duì)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，發(fā)現(xiàn)當(dāng)隱含層節(jié)點(diǎn)數(shù)為11時(shí)網(wǎng)絡(luò)的誤差是最小的。因此，將隱含層節(jié)點(diǎn)數(shù)確定為11，該神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)動(dòng)機(jī)的故障診斷正確率能達(dá)到94%。曾榮等[6]通過(guò)采集發(fā)動(dòng)機(jī)噪聲信號(hào)并利用小波分解技術(shù)對(duì)采集的發(fā)動(dòng)機(jī)聲壓信號(hào)進(jìn)行分解并對(duì)不同的小波分解方法進(jìn)行比較，得出了相應(yīng)的故障聲音特征參數(shù)，然后基于這些聲音特征參數(shù)建立了BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型，試驗(yàn)證明該網(wǎng)絡(luò)模型對(duì)發(fā)動(dòng)機(jī)故障診斷準(zhǔn)確性較高，診斷速度快，對(duì)于發(fā)動(dòng)機(jī)異響類故障診斷有重要意義。

1.2 RBF神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，具有輸入層、隱含層及輸出層三層結(jié)構(gòu)。這種神經(jīng)網(wǎng)絡(luò)可以對(duì)函數(shù)進(jìn)行全局逼近，具有收斂速度較快、訓(xùn)練精度高等優(yōu)點(diǎn)，對(duì)于非線性函數(shù)具有較強(qiáng)的實(shí)用性[7]。

王書(shū)提等[8]通過(guò)采集北京現(xiàn)代2005款途勝汽車G4GC型電控發(fā)動(dòng)機(jī)的故障數(shù)據(jù)流為訓(xùn)練輸入樣本，以相對(duì)應(yīng)的故障種類作為輸出樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而建立了RBF神經(jīng)網(wǎng)絡(luò)故障診斷模型，結(jié)果表明，該網(wǎng)絡(luò)具有較高的故障診斷精度和診斷速度。謝春麗等[9]利用RBF神經(jīng)網(wǎng)絡(luò)建立了發(fā)動(dòng)機(jī)的故障診斷模型，其具體做法是通過(guò)汽車故障診斷儀元征X-431采集發(fā)動(dòng)機(jī)在多種不同工況下故障試驗(yàn)的數(shù)據(jù)，然后把這些數(shù)據(jù)歸一化后作為神經(jīng)網(wǎng)絡(luò)的輸入樣本，將發(fā)動(dòng)機(jī)的正常運(yùn)轉(zhuǎn)和8種故障類型作為神經(jīng)網(wǎng)絡(luò)的輸出對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，通過(guò)測(cè)試，所建立神經(jīng)網(wǎng)絡(luò)的故障診斷精度可達(dá)到90%，可以為汽車發(fā)動(dòng)機(jī)故障診斷路徑研究提供參考。

1.3 PNN神經(jīng)網(wǎng)絡(luò)

PNN神經(jīng)網(wǎng)絡(luò)由四層網(wǎng)絡(luò)結(jié)構(gòu)組成，分別是輸入層、模式層、求和層、輸出層。輸入層的傳遞函數(shù)是線性的，其功用是將輸入樣本傳遞給模式層的各節(jié)點(diǎn)。模式層對(duì)輸入信號(hào)進(jìn)行加權(quán)求和，并通過(guò)一個(gè)非線性算子運(yùn)算后傳遞給求和層。競(jìng)爭(zhēng)層接收從求和層輸出的各類概率密函數(shù)，概率密度最大的那個(gè)神經(jīng)元輸出為1，即所對(duì)應(yīng)的那一類即為待識(shí)別的樣本模式類別?；诖?，PNN神經(jīng)網(wǎng)絡(luò)可以用于發(fā)動(dòng)機(jī)故障的診斷。

郝大鵬等[10]利用PNN神經(jīng)網(wǎng)絡(luò)建立了北京現(xiàn)代伊蘭特發(fā)動(dòng)機(jī)的故障診斷模型，其具體做法是利用尾氣分析儀采集汽車發(fā)動(dòng)機(jī)在相關(guān)故障狀態(tài)下汽車尾氣CO、CO2、HC、O2和NOx的相關(guān)數(shù)據(jù)，進(jìn)行歸一化并作為網(wǎng)絡(luò)的輸入，將對(duì)應(yīng)的幾種故障特征進(jìn)行編號(hào)并得到故障代碼，以此作為網(wǎng)絡(luò)的輸出，基于MATLAB平臺(tái)建立了PNN神經(jīng)網(wǎng)絡(luò)故障診斷模型。測(cè)試結(jié)果表明：PNN神經(jīng)網(wǎng)絡(luò)建立診斷模型可以對(duì)故障類型快速地識(shí)別，從而準(zhǔn)確地判斷出故障，在尾氣分析發(fā)動(dòng)機(jī)故障診斷中具有較高的診斷效率和正確率。該方法也可以用于其他故障類型的診斷。巴寅亮等[11]利用PNN神經(jīng)網(wǎng)絡(luò)建立了電控發(fā)動(dòng)機(jī)的故障診斷模型，具體做法是以伊蘭特汽車發(fā)動(dòng)機(jī)電控系統(tǒng)為研究對(duì)象，讓發(fā)動(dòng)機(jī)在怠速情況下設(shè)置故障，然后運(yùn)用金德KT600故障診斷儀采集發(fā)動(dòng)機(jī)相關(guān)故障數(shù)據(jù)流，得出的數(shù)據(jù)作為網(wǎng)絡(luò)的輸入樣本，以幾種相對(duì)應(yīng)的故障特征作為網(wǎng)絡(luò)的輸出樣本，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真訓(xùn)練并對(duì)其故障檢測(cè)精度進(jìn)行測(cè)試。經(jīng)過(guò)測(cè)試表明：所建立的神經(jīng)網(wǎng)絡(luò)能夠?qū)收项愋瓦M(jìn)行正確的分類，達(dá)到了預(yù)期的效果。

1.4 SOM神經(jīng)網(wǎng)絡(luò)

SOM神經(jīng)網(wǎng)絡(luò)也稱為自組織特征映射網(wǎng)絡(luò)，其特點(diǎn)是可以根據(jù)輸入向量的分組進(jìn)行學(xué)習(xí)和分類。這種網(wǎng)絡(luò)可以模擬大腦神經(jīng)系統(tǒng)自組織特征映射的功能，是一種競(jìng)爭(zhēng)型網(wǎng)絡(luò)，該網(wǎng)絡(luò)由輸入層和競(jìng)爭(zhēng)層組成，輸入層的神經(jīng)元和競(jìng)爭(zhēng)層的神經(jīng)元都有權(quán)值連接，并且各神經(jīng)元之間是全連接，競(jìng)爭(zhēng)層的各節(jié)點(diǎn)間相互間也有局部連接。

王書(shū)提等[12]以北京現(xiàn)代2005款途勝G4GC型發(fā)動(dòng)機(jī)為研究對(duì)象，利用故障診斷儀采集發(fā)動(dòng)機(jī)的故障數(shù)據(jù)流以及對(duì)應(yīng)的故障特征，建立了SOM神經(jīng)網(wǎng)絡(luò)的故障診斷模型，并得出了該神經(jīng)網(wǎng)絡(luò)可以對(duì)輸入向量進(jìn)行準(zhǔn)確的模式識(shí)別及類聚，具有較好的故障分類功能的結(jié)論，結(jié)果表明：SOM神經(jīng)網(wǎng)絡(luò)可以有效地應(yīng)用于發(fā)動(dòng)機(jī)電控系統(tǒng)的故障診斷中。李剛等[13]利用EDM與SOM神經(jīng)網(wǎng)絡(luò)結(jié)合的方式建立了燃?xì)獍l(fā)動(dòng)機(jī)故障診斷方法，其具體做法是將燃?xì)獍l(fā)動(dòng)機(jī)振動(dòng)信號(hào)進(jìn)行EMD分解，然后提出MF分量的能量作為故障診斷的特征向量，以作為訓(xùn)練樣本輸入SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行類聚，然后對(duì)燃?xì)獍l(fā)動(dòng)機(jī)在正常、氣門(mén)間隙大、排氣閥漏氣三種狀態(tài)的信號(hào)進(jìn)行分析。結(jié)果表明：該方法對(duì)于非平穩(wěn)信號(hào)的故障特征可以有效地提取，同時(shí)網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單，對(duì)于數(shù)據(jù)樣本較大的類聚識(shí)別率較高，輸出結(jié)果較為清晰直觀，可為燃?xì)獍l(fā)動(dòng)機(jī)故障診斷提供了新的思路。呂建豐[14]將柴油機(jī)性能的燃油壓力波形作為特征向量輸入，以與之對(duì)應(yīng)的柴油機(jī)故障作為神經(jīng)網(wǎng)絡(luò)的輸出，建立了基于SOM神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷模型，通過(guò)測(cè)試表明：該網(wǎng)絡(luò)模型的類聚精度較高，可以用于分析和識(shí)別柴油機(jī)相關(guān)的故障。

2 結(jié)束語(yǔ)

文章分別對(duì)BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、PNN神經(jīng)網(wǎng)絡(luò)及SOM神經(jīng)網(wǎng)絡(luò)在汽車發(fā)動(dòng)機(jī)故障診斷領(lǐng)域的應(yīng)用及成效進(jìn)行了闡述。每種神經(jīng)網(wǎng)絡(luò)所應(yīng)用的診斷場(chǎng)景有所不同，需要結(jié)合具體情況和各種神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)去選擇用哪一種，從大量的文獻(xiàn)來(lái)看，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度要高于BP神經(jīng)網(wǎng)絡(luò)，同時(shí)訓(xùn)練時(shí)間更短，可以極大地提升對(duì)故障診斷的效率。大量的實(shí)踐證明，汽車發(fā)動(dòng)機(jī)故障診斷要具體情況具體分析，人工神經(jīng)網(wǎng)絡(luò)對(duì)于發(fā)動(dòng)機(jī)故障診斷的精度較高，可以為發(fā)動(dòng)機(jī)故障診斷特別是對(duì)于電控發(fā)動(dòng)機(jī)這類復(fù)雜的非線性系統(tǒng)的故障診斷提供一種新的方法和路徑。

為此，筆者建議發(fā)動(dòng)機(jī)故障診斷未來(lái)研究可利用神經(jīng)網(wǎng)絡(luò)聯(lián)合遺傳算法、粒子群算法、蟻群算法，可從以下兩個(gè)方面入手，一方面是利用算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，這樣神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度會(huì)更高；另一個(gè)方面可以利用神經(jīng)網(wǎng)絡(luò)建立非線性關(guān)系作為適應(yīng)度函數(shù)聯(lián)合相應(yīng)的算法（如遺傳算法、粒子群算法等），對(duì)發(fā)動(dòng)機(jī)工作參數(shù)進(jìn)行優(yōu)化。