前言：尋找寫作靈感？中文期刊網用心挑選的論人工神經網絡在汽車發動機故障診斷，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
摘要：隨著車用發動機的不斷發展與完善，發動機產生故障的種類也越來越多，故障現象與故障原因之間的非線性關系越來越復雜，發動機故障診斷越來越難。基于此，筆者分別對BP神經網絡、RBF神經網絡、PNN神經網絡及SOM神經網絡在汽車發動機故障診斷領域的應用及成效展開了分析。每種神經網絡所應有的診斷場景有所不同，需要結合具體情況和各種神經網絡的結構特點去選擇。實踐證明，RBF神經網絡的預測精度要高于BP神經網絡，同時訓練時間更短，可以極大地提升對故障診斷的效率。
關鍵詞：神經網絡；故障診斷；汽車發動機
0前言
汽車發動機特別是電控發動機在近年來獲得了快速發展。隨著新技術新工藝不斷地應用于發動機，發動機已然成為一個復雜的非線性系統，其設計變量和操作變量之間關系較為復雜，很難針對一個變量進行優化來提升發動機的性能，同時給發動機的故障檢測與維修帶了極大困難[1]。近年來，人工神經網絡已被大量引入到汽車發動機故障診斷領域[2]，特別是“1+X”證書制度對汽車動力系統檢修有了更高的要求，這就需要進一步探索汽車發動機故障檢修更多的方法和途徑，以更好地助推汽車發動機的快速發展[3]。當前發動機故障診斷的神經網絡類型還比較單一，運用于發動機故障診斷的相關研究還處于初級階段，存在較大的發展空間。基于此，筆者對當前應用于汽車發動機故障診斷的人工神經網絡進行了系統分析，并提出了發動機故障診斷未來的發展方向。
1人工神經網絡在汽車發動機故障診斷中的應用
1.1BP神經網絡
BP神經網絡是一種具有多層結構的前饋神經網絡，其特點是信號向前傳播，誤差信號逆向傳播，故該神經網絡又稱為反向傳播網絡，其非線性的映射能力強，推導步驟較為嚴謹，無論是在網絡理論還是在性能方面都已經得到了廣泛的認可。因此，BP神經網絡是目前使用最普遍的神經網絡之一。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[4]。林海濤等[5]利用BP神經網絡建立了發動機故障診斷模型，并且利用LM算法對網絡學習訓練，發現當隱含層節點數為11時網絡的誤差是最小的。因此，將隱含層節點數確定為11，該神經網絡對發動機的故障診斷正確率能達到94%。曾榮等[6]通過采集發動機噪聲信號并利用小波分解技術對采集的發動機聲壓信號進行分解并對不同的小波分解方法進行比較，得出了相應的故障聲音特征參數，然后基于這些聲音特征參數建立了BP神經網絡的故障診斷模型，試驗證明該網絡模型對發動機故障診斷準確性較高，診斷速度快，對于發動機異響類故障診斷有重要意義。
1.2RBF神經網絡
徑向基函數（RBF）神經網絡是人工神經網絡的一種，具有輸入層、隱含層及輸出層三層結構。這種神經網絡可以對函數進行全局逼近，具有收斂速度較快、訓練精度高等優點，對于非線性函數具有較強的實用性[7]。王書提等[8]通過采集北京現代2005款途勝汽車G4GC型電控發動機的故障數據流為訓練輸入樣本，以相對應的故障種類作為輸出樣本對神經網絡進行訓練，從而建立了RBF神經網絡故障診斷模型，結果表明，該網絡具有較高的故障診斷精度和診斷速度。謝春麗等[9]利用RBF神經網絡建立了發動機的故障診斷模型，其具體做法是通過汽車故障診斷儀元征X-431采集發動機在多種不同工況下故障試驗的數據，然后把這些數據歸一化后作為神經網絡的輸入樣本，將發動機的正常運轉和8種故障類型作為神經網絡的輸出對網絡進行學習訓練，通過測試，所建立神經網絡的故障診斷精度可達到90%，可以為汽車發動機故障診斷路徑研究提供參考。
1.3PNN神經網絡
PNN神經網絡由四層網絡結構組成，分別是輸入層、模式層、求和層、輸出層。輸入層的傳遞函數是線性的，其功用是將輸入樣本傳遞給模式層的各節點。模式層對輸入信號進行加權求和，并通過一個非線性算子運算后傳遞給求和層。競爭層接收從求和層輸出的各類概率密函數，概率密度最大的那個神經元輸出為1，即所對應的那一類即為待識別的樣本模式類別?；诖?，PNN神經網絡可以用于發動機故障的診斷。郝大鵬等[10]利用PNN神經網絡建立了北京現代伊蘭特發動機的故障診斷模型，其具體做法是利用尾氣分析儀采集汽車發動機在相關故障狀態下汽車尾氣CO、CO2、HC、O2和NOx的相關數據，進行歸一化并作為網絡的輸入，將對應的幾種故障特征進行編號并得到故障代碼，以此作為網絡的輸出，基于MATLAB平臺建立了PNN神經網絡故障診斷模型。測試結果表明：PNN神經網絡建立診斷模型可以對故障類型快速地識別，從而準確地判斷出故障，在尾氣分析發動機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神經網絡建立了電控發動機的故障診斷模型，具體做法是以伊蘭特汽車發動機電控系統為研究對象，讓發動機在怠速情況下設置故障，然后運用金德KT600故障診斷儀采集發動機相關故障數據流，得出的數據作為網絡的輸入樣本，以幾種相對應的故障特征作為網絡的輸出樣本，作為神經網絡的訓練樣本，對神經網絡進行仿真訓練并對其故障檢測精度進行測試。經過測試表明：所建立的神經網絡能夠對故障類型進行正確的分類，達到了預期的效果。
1.4SOM神經網絡
SOM神經網絡也稱為自組織特征映射網絡，其特點是可以根據輸入向量的分組進行學習和分類。這種網絡可以模擬大腦神經系統自組織特征映射的功能，是一種競爭型網絡，該網絡由輸入層和競爭層組成，輸入層的神經元和競爭層的神經元都有權值連接，并且各神經元之間是全連接，競爭層的各節點間相互間也有局部連接。王書提等[12]以北京現代2005款途勝G4GC型發動機為研究對象，利用故障診斷儀采集發動機的故障數據流以及對應的故障特征，建立了SOM神經網絡的故障診斷模型，并得出了該神經網絡可以對輸入向量進行準確的模式識別及類聚，具有較好的故障分類功能的結論，結果表明：SOM神經網絡可以有效地應用于發動機電控系統的故障診斷中。李剛等[13]利用EDM與SOM神經網絡結合的方式建立了燃氣發動機故障診斷方法，其具體做法是將燃氣發動機振動信號進行EMD分解，然后提出MF分量的能量作為故障診斷的特征向量，以作為訓練樣本輸入SOM神經網絡進行類聚，然后對燃氣發動機在正常、氣門間隙大、排氣閥漏氣三種狀態的信號進行分析。結果表明：該方法對于非平穩信號的故障特征可以有效地提取，同時網絡結構較為簡單，對于數據樣本較大的類聚識別率較高，輸出結果較為清晰直觀，可為燃氣發動機故障診斷提供了新的思路。呂建豐[14]將柴油機性能的燃油壓力波形作為特征向量輸入，以與之對應的柴油機故障作為神經網絡的輸出，建立了基于SOM神經網絡的柴油機故障診斷模型，通過測試表明：該網絡模型的類聚精度較高，可以用于分析和識別柴油機相關的故障。
2結束語
文章分別對BP神經網絡、RBF神經網絡、PNN神經網絡及SOM神經網絡在汽車發動機故障診斷領域的應用及成效進行了闡述。每種神經網絡所應用的診斷場景有所不同，需要結合具體情況和各種神經網絡的結構特點去選擇用哪一種，從大量的文獻來看，RBF神經網絡的預測精度要高于BP神經網絡，同時訓練時間更短，可以極大地提升對故障診斷的效率。大量的實踐證明，汽車發動機故障診斷要具體情況具體分析，人工神經網絡對于發動機故障診斷的精度較高，可以為發動機故障診斷特別是對于電控發動機這類復雜的非線性系統的故障診斷提供一種新的方法和路徑。為此，筆者建議發動機故障診斷未來研究可利用神經網絡聯合遺傳算法、粒子群算法、蟻群算法，可從以下兩個方面入手，一方面是利用算法優化神經網絡的網絡參數，這樣神經網絡的預測精度會更高；另一個方面可以利用神經網絡建立非線性關系作為適應度函數聯合相應的算法（如遺傳算法、粒子群算法等），對發動機工作參數進行優化。
作者：佘勇 單位：貴州電子信息職業技術學院汽車工程系
