柯紹

摘 要：在汽車故障類型多樣化的背景下，研究汽車故障診斷和預測系統(tǒng)，對行車安全、降低環(huán)境污染等有重要的意義。主要介紹了基于DSP的汽車發(fā)動機故障診斷和預測系統(tǒng)。

關鍵詞：汽車；發(fā)動機；故障診斷；預測系統(tǒng)

中圖分類號：U472 文獻標識碼：A 文章編號：2095-6835（2014）21-0039-02

隨著經濟的快速發(fā)展，汽車行業(yè)呈現蓬勃發(fā)展之勢，但隨著高新電子技術的涌入，汽車變成了電子復合型的復雜設備，導致汽車維修的難度大幅增加。汽車發(fā)動機是決定汽車性能的核心部件，其運轉決定著汽車的整體性能。在本文中，筆者在汽車發(fā)動機故障診斷的原理、預測等方面展開探討。

1 汽車發(fā)動機故障診斷的原理和原則

1.1 發(fā)動機故障診斷的原理

發(fā)動機故障診斷的原理包括診斷物理和診斷數學。其中，診斷物理是指分析元器件因一些因素而導致原有功能消失的過程，這一過程也被稱之為故障物理或失效物理；診斷數學是指利用數學的算法和理論識別、處理和判斷故障信息。

根據診斷內容的不同，診斷可分為5部分，即參數診斷、模式識別、邏輯診斷、模型診斷和人工智能診斷。其中，參數診斷主要用來采集有效、正常的信號，方法簡單，且可快速獲得結果，適宜處理簡單信號；模型診斷需依靠監(jiān)測人員的經驗分析故障，分為白盒模型、黑盒模型和灰盒模型等；邏輯診斷通過“0”“1”和“布爾信號”判斷結果；模式識別可識別、歸類故障，是故障診斷的重要分支之一；人工智能診斷利用相應的專家系統(tǒng)、算法和神經網絡等智能算法推算故障。

1.2 故障診斷技術的原則

目前，電子領域中的診斷技術原則有以下4種：①設計診斷系統(tǒng)。要想設計完整的診斷系統(tǒng)，就必須先確定診斷內容、診斷系統(tǒng)的工作時間，且需按故障類型確定檢測診斷系統(tǒng)的精度、檢測點和檢測頻率。②選擇和設計檢測傳感器。選用符合測量規(guī)范的傳感器，可減少整體系統(tǒng)的設計實踐。如果不具備該種類型的傳感器，則應按照檢測內容、方式等指標，合理設計所需的傳感器。③設計系統(tǒng)的自診斷功能。在設計系統(tǒng)時，系統(tǒng)中應具備故障預測、故障檢測等功能。④系統(tǒng)應包括數據庫、資料庫、程序庫和模型庫等。

2 發(fā)動機故障特征信號的檢測

通過檢測汽車發(fā)動機尾氣中的CO、HC、CO2等的濃度，以及發(fā)動機的振動、溫度和異響等，可分析汽車的運行狀況，即分析這些量的改變情況，識別、判斷汽車發(fā)動機中存在的故障。因此，通過分析汽車發(fā)動機的尾氣，可判斷汽缸內燃油的燃燒狀況，進而了解發(fā)動機的磨損程度、失火程度和空燃比等。

基于上述分析，本研究采用遺傳神經網絡算法處理發(fā)動機的相關參數，建立基于診斷經驗和尾氣分析的數據庫，使其各種故障狀態(tài)在遺傳神經網絡診斷系統(tǒng)中形成對應的映射關系，并實時提醒檢修人員維修、調整騎車，從而保證發(fā)動機的正常運行。

3 遺傳神經網絡診斷算法分析

本研究采用遺傳神經網絡算法診斷、預測汽車發(fā)動機可能出現的故障，可通過輸入大量的參數快速計算出汽車發(fā)動機故障的結果，且具有全局搜索能力。

3.1 權值和閾值的選取

神經網絡的權值、閾值通過集中較為復雜的函數，并多次重復計算、調整獲取最優(yōu)值。一般而言，神經網絡權值的獲取采用了一定規(guī)則推演，然后在網絡系統(tǒng)中不斷調整、修改，直至獲取最優(yōu)的權值、閾值。單純BP神經網絡權值、閾值的獲取采取梯度下降方法，這對網絡基本初值的要求較高。如果初值存在誤差，則結果誤差較大，進而對關鍵參數的影響較大。

3.2 編碼和初始種群

染色體編碼分為二進制編碼和實數編碼。神經網絡的權值、閾值由浮點數組成，采用二進制編碼無法滿足要求，且會增加染色體的長度，進而影響了搜索速度；而實數編碼可避免上述問題。因此，本研究采用浮點編碼方案。在神經網絡中，設置n個輸入節(jié)點，將權值、閾值編碼長度設置為l，并設置n+1個隱含層節(jié)點，l=n×n1+n1×m+m+n1.通過這樣的設置，每個染色體均有獨立的權值、閾值，取值為特定范圍內的任意實數，基因序列以此可保持穩(wěn)定，同時，可確定染色體中的各參數。

3.3 適應度函數的設計

神經網絡將實際值與期望值之間的標準差視作評估準則，以獲得最小值。判斷遺傳算法主要是判斷其染色體的生存能力適應度。因此，標準差函數即為遺傳神經網絡算法的適應度函數。利用神經網絡中的誤差函數f（x）可推導出適應度函數F（x），計算公式為：

. （1）

式（1）中：F（x）——適應度函數；

f（x）——神經網絡中的誤差函數；

i——染色體的數量，1～n；

l——輸出層節(jié)點的數量，1～m；

P——網絡學習樣本；

ti——神經網絡的期望值；

ai——染色體于神經網絡中的計算結果。

3.4 選擇算子的選取

在遺傳算法中的選擇算子時，應保持系統(tǒng)中所有個體被選中的概率與預期適應度函數相同。因此，遺傳算法中的概率可經適應度函數計算，計算式如下：

. （2）

式（2）中：p（xi）——所有個體被選中的概率；

Fmax——上代個體中的最大適應度；

F（xi）——個體i的適應度；

3.5 交叉算子的選取

遺傳算法中的關鍵步驟為交叉算子，它是體現遺傳算法查找速度、查找范圍的關鍵因素之一。交叉算子的定義是通過任意2個特定方式生成新個體的過程。遺傳算法中個體的數量較大，且每個個體的數值多樣化，因此，本研究采用浮點數操作每一個賦值、運算等。比如，2個個體XA和XB交叉，產生后代個體的計算公式為：

. （3）

式（3）中：X′A——交叉算子；

l——輸出層節(jié)點的數量，1～m；

α——交叉概率；

XA——個體；

X′B——個體。

3.6 神經網絡的優(yōu)化對策

遺傳算法優(yōu)化神經網絡的內容包括以下3點：①建立各子網絡的初始值，設定初始種群大小。②由于遺傳算法的是通過優(yōu)勝劣汰法則繁衍最優(yōu)秀后代的，即得到最適宜診斷和預測系統(tǒng)的數據庫，且大幅降低了各子代的誤差值。網絡經數次迭代后，系統(tǒng)輸出結果中的權值、閾值即為誤差最小的運行結果。③訓練神經網絡時采用權值、閾值再次訓練系統(tǒng)。上述算法筆者稱之為遺傳神經網絡算法。

采用遺傳神經網絡算法診斷汽車發(fā)動機故障包括算法誤差分析和基于遺傳神經網絡的仿真測試，經過這2步后，即可判斷汽車發(fā)動機中存在的故障。

4 結束語

汽車發(fā)動機的正常運轉是汽車運行的關鍵。在本文中，筆者研究了發(fā)動機故障的特征信號，按系統(tǒng)需求分析了信號和故障情況，并以此決定采用遺傳神經網絡算法作為故障檢測的智能算法。本文介紹了遺傳算法的基本思想及其交叉、變異和選擇的內容，并優(yōu)化了神經網絡算法，最終形成了遺傳神經網絡算法模型。

參考文獻

[1]孔凡讓，賈龍喜.連桿軸承故障的診斷研究[J].中國機械工程，2012，14（05）：494-496.

[2]吳忠林，吳金英.車載控制網絡及其協(xié)議比較分析[J].汽車工程，2013，21（09）：124-125.

[3]朱曉燕，宋明浩.基于模糊數學的內燃機故障診斷系統(tǒng)[J].農學機械學報，2012，31（02）：79-81.

〔編輯：張思楠〕

Automotive Engine Fault Diagnosis and Prediction System

Ke Shaoqiang

Abstract： In the automotive fault type diverse background， automobile fault diagnosis and prediction system for traffic safety， reduce environmental pollution is significant. Based mainly introduced automobile engine fault diagnosis and prediction system of DSP.

Key words： auto； engine； fault diagnosis； prediction system

l——輸出層節(jié)點的數量，1～m；

α——交叉概率；

XA——個體；

X′B——個體。

3.6 神經網絡的優(yōu)化對策

遺傳算法優(yōu)化神經網絡的內容包括以下3點：①建立各子網絡的初始值，設定初始種群大小。②由于遺傳算法的是通過優(yōu)勝劣汰法則繁衍最優(yōu)秀后代的，即得到最適宜診斷和預測系統(tǒng)的數據庫，且大幅降低了各子代的誤差值。網絡經數次迭代后，系統(tǒng)輸出結果中的權值、閾值即為誤差最小的運行結果。③訓練神經網絡時采用權值、閾值再次訓練系統(tǒng)。上述算法筆者稱之為遺傳神經網絡算法。

采用遺傳神經網絡算法診斷汽車發(fā)動機故障包括算法誤差分析和基于遺傳神經網絡的仿真測試，經過這2步后，即可判斷汽車發(fā)動機中存在的故障。

4 結束語

汽車發(fā)動機的正常運轉是汽車運行的關鍵。在本文中，筆者研究了發(fā)動機故障的特征信號，按系統(tǒng)需求分析了信號和故障情況，并以此決定采用遺傳神經網絡算法作為故障檢測的智能算法。本文介紹了遺傳算法的基本思想及其交叉、變異和選擇的內容，并優(yōu)化了神經網絡算法，最終形成了遺傳神經網絡算法模型。

參考文獻

[1]孔凡讓，賈龍喜.連桿軸承故障的診斷研究[J].中國機械工程，2012，14（05）：494-496.

[2]吳忠林，吳金英.車載控制網絡及其協(xié)議比較分析[J].汽車工程，2013，21（09）：124-125.

[3]朱曉燕，宋明浩.基于模糊數學的內燃機故障診斷系統(tǒng)[J].農學機械學報，2012，31（02）：79-81.

〔編輯：張思楠〕

Automotive Engine Fault Diagnosis and Prediction System

Ke Shaoqiang

Abstract： In the automotive fault type diverse background， automobile fault diagnosis and prediction system for traffic safety， reduce environmental pollution is significant. Based mainly introduced automobile engine fault diagnosis and prediction system of DSP.

Key words： auto； engine； fault diagnosis； prediction system

l——輸出層節(jié)點的數量，1～m；

α——交叉概率；

XA——個體；

X′B——個體。

3.6 神經網絡的優(yōu)化對策

遺傳算法優(yōu)化神經網絡的內容包括以下3點：①建立各子網絡的初始值，設定初始種群大小。②由于遺傳算法的是通過優(yōu)勝劣汰法則繁衍最優(yōu)秀后代的，即得到最適宜診斷和預測系統(tǒng)的數據庫，且大幅降低了各子代的誤差值。網絡經數次迭代后，系統(tǒng)輸出結果中的權值、閾值即為誤差最小的運行結果。③訓練神經網絡時采用權值、閾值再次訓練系統(tǒng)。上述算法筆者稱之為遺傳神經網絡算法。

采用遺傳神經網絡算法診斷汽車發(fā)動機故障包括算法誤差分析和基于遺傳神經網絡的仿真測試，經過這2步后，即可判斷汽車發(fā)動機中存在的故障。

4 結束語

汽車發(fā)動機的正常運轉是汽車運行的關鍵。在本文中，筆者研究了發(fā)動機故障的特征信號，按系統(tǒng)需求分析了信號和故障情況，并以此決定采用遺傳神經網絡算法作為故障檢測的智能算法。本文介紹了遺傳算法的基本思想及其交叉、變異和選擇的內容，并優(yōu)化了神經網絡算法，最終形成了遺傳神經網絡算法模型。

參考文獻

[1]孔凡讓，賈龍喜.連桿軸承故障的診斷研究[J].中國機械工程，2012，14（05）：494-496.

[2]吳忠林，吳金英.車載控制網絡及其協(xié)議比較分析[J].汽車工程，2013，21（09）：124-125.

[3]朱曉燕，宋明浩.基于模糊數學的內燃機故障診斷系統(tǒng)[J].農學機械學報，2012，31（02）：79-81.

〔編輯：張思楠〕

Automotive Engine Fault Diagnosis and Prediction System

Ke Shaoqiang

Abstract： In the automotive fault type diverse background， automobile fault diagnosis and prediction system for traffic safety， reduce environmental pollution is significant. Based mainly introduced automobile engine fault diagnosis and prediction system of DSP.

Key words： auto； engine； fault diagnosis； prediction system