基于BP神经网络的电控汽油机智能故障诊断系统研究

基于BP神经网络的电控汽油机智能故障诊断系统研究

安治文

广东科技学院广东东莞523083

摘要：基于人工神经网络的汽油机故障诊断技术，是指通过对汽油机故障信息和诊断经验的训练与学习，用分布在网络内部的连接权值来表达所学习的故障诊断知识。本文首先指出采用神经网络进行故障诊断的必然性和可行性。然后利用BP网络对电控汽油机进行故障诊断和MATLAB软件进行程序调试。

关键词：神经网络；故障诊断；仿真训练

1基于神经网络故障诊断的途径

人工神经网络在故障诊断领域中可以应用的途径主要集中在三个方面：一个是从识别的角度应用神经网络作为分类器进行故障诊断;一个是从预测的角度应用神经网络作为动态预报模式进行故障诊断；一个是从知识处理建立基于神经网络的故障诊断专家系统[1]。

1.1模式识别的故障诊断神经网络

人工神经网络模式识别的自适应技术，它可以自动通过虚拟机制自主地形成本身需求的决策领域。网络的特征从其拓扑布局构造、节点特性、学习规则而确定的，它能够充分利用已有的状态信息，对来自不同状态的信息一个个进行训练而获得某种映射关系，并且网络能够不断学习，当环境发生变化时，该映射关系可以自适应地调整，以进一步探讨汽油发动机对象[3]。

1.2故障预测的神经网络

神经网络故障预测主要是两种形式实现预测功能：一种是基于人工神经网络（BP网络）作为函数逼近器，模拟和预测了汽油发动机的一些参数;一种是要考虑输入和输出之间的动态关系，然后利用动态反馈神经网络连接建立一种动态模型，从而对汽油机工作过程与工况参数进行故障预测。

1.3基于神经网络的智能诊断专家系统

神经网络[1]与专家系统的结合主要有两种策略：一个是使用神经网络来构造专家系统，也就是把传统的专家系统的基于符号的推理转变成基于数值运算的推理，从而提高专家系统的执行效率，并解决专家的自学问题；一是了解作为一种知识源的表示和神经网络模型的处理，这些模式知识的表达方式，如规则、框架等是共同来表达与领会专家知识的，而他们的推理机制也是不同的。

2基于神经网络电控汽油机故障诊断的特点

从上述神经网络的特点和神经网络用于故障诊断的途径能够看出，用神经网络进行电控汽油机的故障诊断有着相比于传统的故障诊断方法有着更大的优势[2]。在一般情况下，用传统的故障诊断系统可以解决大部分基于逻辑和数学描述的故障诊断问题，但是对于电控汽油机这样一个复杂的机电一体化系统，其故障又有其本身的特点。

由于对电控汽油机有一些故障的内在规律没有足够的理解，对其故障体系建立准确的模型的把握还比较困难。而数学模型在系统结构的诊断依赖性太强，很多故障会导致系统结构的变化，因此有必要建立一个采集现场的数据建立和新的数学模型，但需要大量的状态模型，进行复杂的计算。

由于电控汽油机系统经常处于不相同的环境工况下，而且各系统之间的耦合性使得信号的传输具有比较强的干扰性。因此，其故障诊断应具有很强的容错能力。

从上面的分析可以看出，根据车辆的汽油发动机故障的特点，并与传统的故障方法相比，神经网络的故障诊断方法是一种更可靠可更有效的诊断方法，而这种方法也是比较有前途的。

3BP神经网络的建立、数据训练仿真及故障诊断

3.1BP神经网络的建立

神经网络输入/输出的节点数大小是根据需要来确定的。输入的节点数与故障的现象数对应；输出的节点数与故障的原因数对应；隐含层的数以及隐含层的节点数目的选取，目前还缺乏理论的指导，选取时还需要靠试验来定。下面首先对数据样本的采集进行讨论。

由于节气门开度传感器、进气压力传感器、进气门传感器或空气流量传感器、氧传感器、冷却水温度传感器及曲轴位置传感器的故障可以通过电控系统来判断和确定。所以本系统为了简便，针对电控汽油机故障的特点，对比选取了11个比较有有代表性的电控汽油机的故障现象，即

χ1—汽油机启动困难；χ2—有时失速；χ3—加速时回火；χ4—怠速不稳或熄火；χ5—喘气或加速无力；χ6—易爆震；χ7—排气管放炮；χ8—进气压力或空气流量传感器读数异常；χ9—节气门开度传感器读数异常；χ10—冷却水温度传感器读数异常；χ11—氧传感器读数异常。对应的11个具有代表性的故障原因分别为：

t1—怠速或怠速控制阀故障；t2—点火线圈故障；t3—点火正时不对；t4—火花塞故障；t5—节气门故障；t6—进气管漏气；t7—空气滤清器故障；t8—喷油器故障；t9—燃油供给系统故障；t10—冷却系统故障；t11—润滑系统故障。

根据对汽油机故障诊断的分析，可得仿真结果显示的故障现象和原因的一一对应关系。

设把F为学习样本，F=(X,T).X为输入样本，T为输出目标。Xi∈X(i=1，2,…，11)为故障征兆输入，当x=0时，表示不存在这种故障现象，当x=1时表示存在这种故障现象。ti∈T(i=1,2,…,11)表示为为输出层对应单元的输出目标，当ti=1时表示第i个故障的原因存在。

所以，经过多次地反复实验，确定用于车用汽油机故障诊断的神经网络采用改进过的含有一个隐含层的BP网络。当中，输入对应于11个故障现象；输出层有11个节点，一一对应于11个故障原因。输入层与隐含层、隐含层与输入层之间的传递函数都选为单级性Sigmoid函数，也就是

3.2数据训练仿真

BP网络的训练参数：最大训练的次数、目标误差、初始学习的速率、学习增长的系数、学习速率的减少系数、最小优化的系数等分别选为：3000、0.001、0.001、10、0.1、0.001.

用于训练神经网络的样本为77个。当网络的结果和训练样本都选取确定后，就可以编写程序和试验该神经网络了。经过多次地反复训练实验，隐含层选择15个神经元就可满足误差的要求。

误差值是随着学习步数的增加而减少，当学习步数不到次数时，误差已满足要求，网络的训练时间是6.3秒（本机CPU主频为1.86GHz）。但也有可能网络的训练时间会根据计算机的系统配置不同而产生变化。

在数据仿真结果中，我们可以看到网络的实际训练步数，训练后各层的权值与阀值，还有网络仿真后实际的输出。可以从仿真结果可以看出，网络还有可以改进的BP算法，将动量法与学习率自适应调整相融入传统的BP算法之后，隐含层只需要15个神经元就可以满足要求，从而大大简化了网络的结构，又节省了存储单元，而且只需要进行12次训练之后网络就可以满足误差要求了，训练速度提高不少。

最后还需要指出的是，因为神经网络初始的权值与阀值选择的任意性，所以并不是每次训练都可以满足误差要求，比如说某次训练不能满足要求，从而说明这次网络的初始权值与阀值的选择并不适应系统，但可以再次训练网络，以便重新选择网络的初始值和阀值，直到满足系统要求为止。

3.3BP神经网络进行车用汽油机的故障诊断

网络训练好之后，就可以利用神经网络进行故障诊断。训练之后的神经网络对训练样本的数据仿真测试结果与目标输出的绝对误差。

由训练样本的数据仿真的输出结果，最大的正绝对误差值为0.0028，最大负绝对误差值为-0.0012，正负绝对误差值均小于等于0.005。即，用77个训练样本输入神经网络来进行故障诊断时，诊断正确率可高达100％。

结论

基于BP神经网络的电控汽油机智能故障诊断系统理论结合了各种理论技术的优势及神经网络的特点，提出了基于神经网络的故障诊断系统的可行性和必要性。并且使用BP网络对电控汽油机进行了故障诊断和MATLAB软件进行程序仿真调试。

参考文献

[1]李宪民.阎岩主编.现代汽车电子控制系统故障诊断与检修[M].北京：人民邮电出版社，2004：21-35.

[2]李国勇.杨庆佛.基于模糊神经网络的车用发动机智能故障诊断系统.系统仿真报[M]，2007，Vol.19，No.5.

[3]LiGuoyong.MaZhifang.IntelligentControlSystemBasedBasedonFuzzy–rea-soning.6thInternationalSymposiumonTestandMeasurement，(Vllum2)，China，Ju-Ne1-4,2005,2029-2032.