佘 勇，馮銀漢，王燕兵

（貴州電子信息職業(yè)技術學院汽車工程系，貴州 凱里 556000）

0 前言

汽車發(fā)動機特別是電控發(fā)動機在近年來獲得了快速發(fā)展。隨著新技術新工藝不斷地應用于發(fā)動機，發(fā)動機已然成為一個復雜的非線性系統(tǒng)，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(yōu)化來提升發(fā)動機的性能，同時給發(fā)動機的故障檢測與維修帶了極大困難[1]。 近年來，人工神經(jīng)網(wǎng)絡已被大量引入到汽車發(fā)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(tǒng)檢修有了更高的要求，這就需要進一步探索汽車發(fā)動機故障檢修更多的方法和途徑，以更好地助推汽車發(fā)動機的快速發(fā)展[3]。

當前發(fā)動機故障診斷的神經(jīng)網(wǎng)絡類型還比較單一，運用于發(fā)動機故障診斷的相關研究還處于初級階段，存在較大的發(fā)展空間?；诖耍P者對當前應用于汽車發(fā)動機故障診斷的人工神經(jīng)網(wǎng)絡進行了系統(tǒng)分析，并提出了發(fā)動機故障診斷未來的發(fā)展方向。

1 人工神經(jīng)網(wǎng)絡在汽車發(fā)動機故障診斷中的應用

1.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種具有多層結構的前饋神經(jīng)網(wǎng)絡，其特點是信號向前傳播，誤差信號逆向傳播，故該神經(jīng)網(wǎng)絡又稱為反向傳播網(wǎng)絡，其非線性的映射能力強，推導步驟較為嚴謹，無論是在網(wǎng)絡理論還是在性能方面都已經(jīng)得到了廣泛的認可。因此，BP神經(jīng)網(wǎng)絡是目前使用最普遍的神經(jīng)網(wǎng)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(jīng)網(wǎng)絡建立了發(fā)動機故障診斷模型，并且利用LM算法對網(wǎng)絡學習訓練，發(fā)現(xiàn)當隱含層節(jié)點數(shù)為11時網(wǎng)絡的誤差是最小的。因此，將隱含層節(jié)點數(shù)確定為11，該神經(jīng)網(wǎng)絡對發(fā)動機的故障診斷正確率能達到94%。曾榮等[6]通過采集發(fā)動機噪聲信號并利用小波分解技術對采集的發(fā)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(shù)，然后基于這些聲音特征參數(shù)建立了BP神經(jīng)網(wǎng)絡的故障診斷模型，試驗證明該網(wǎng)絡模型對發(fā)動機故障診斷準確性較高，診斷速度快，對于發(fā)動機異響類故障診斷有重要意義。

1.2 RBF神經(jīng)網(wǎng)絡

徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡的一種，具有輸入層、隱含層及輸出層三層結構。這種神經(jīng)網(wǎng)絡可以對函數(shù)進行全局逼近，具有收斂速度較快、訓練精度高等優(yōu)點，對于非線性函數(shù)具有較強的實用性[7]。

王書提等[8]通過采集北京現(xiàn)代2005款途勝汽車G4GC型電控發(fā)動機的故障數(shù)據(jù)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(jīng)網(wǎng)絡進行訓練，從而建立了RBF神經(jīng)網(wǎng)絡故障診斷模型，結果表明，該網(wǎng)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(jīng)網(wǎng)絡建立了發(fā)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(fā)動機在多種不同工況下故障試驗的數(shù)據(jù)，然后把這些數(shù)據(jù)歸一化后作為神經(jīng)網(wǎng)絡的輸入樣本，將發(fā)動機的正常運轉和8種故障類型作為神經(jīng)網(wǎng)絡的輸出對網(wǎng)絡進行學習訓練，通過測試，所建立神經(jīng)網(wǎng)絡的故障診斷精度可達到90%，可以為汽車發(fā)動機故障診斷路徑研究提供參考。

1.3 PNN神經(jīng)網(wǎng)絡

PNN神經(jīng)網(wǎng)絡由四層網(wǎng)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(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。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(shù)，概率密度最大的那個神經(jīng)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。基于此，PNN神經(jīng)網(wǎng)絡可以用于發(fā)動機故障的診斷。

郝大鵬等[10]利用PNN神經(jīng)網(wǎng)絡建立了北京現(xiàn)代伊蘭特發(fā)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(fā)動機在相關故障狀態(tài)下汽車尾氣CO、CO2、HC、O2和NOx的相關數(shù)據(jù)，進行歸一化并作為網(wǎng)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(wǎng)絡的輸出，基于MATLAB平臺建立了PNN神經(jīng)網(wǎng)絡故障診斷模型。測試結果表明：PNN神經(jīng)網(wǎng)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(fā)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(jīng)網(wǎng)絡建立了電控發(fā)動機的故障診斷模型，具體做法是以伊蘭特汽車發(fā)動機電控系統(tǒng)為研究對象，讓發(fā)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(fā)動機相關故障數(shù)據(jù)流，得出的數(shù)據(jù)作為網(wǎng)絡的輸入樣本，以幾種相對應的故障特征作為網(wǎng)絡的輸出樣本，作為神經(jīng)網(wǎng)絡的訓練樣本，對神經(jīng)網(wǎng)絡進行仿真訓練并對其故障檢測精度進行測試。經(jīng)過測試表明：所建立的神經(jīng)網(wǎng)絡能夠對故障類型進行正確的分類，達到了預期的效果。

1.4 SOM神經(jīng)網(wǎng)絡

SOM神經(jīng)網(wǎng)絡也稱為自組織特征映射網(wǎng)絡，其特點是可以根據(jù)輸入向量的分組進行學習和分類。這種網(wǎng)絡可以模擬大腦神經(jīng)系統(tǒng)自組織特征映射的功能，是一種競爭型網(wǎng)絡，該網(wǎng)絡由輸入層和競爭層組成，輸入層的神經(jīng)元和競爭層的神經(jīng)元都有權值連接，并且各神經(jīng)元之間是全連接，競爭層的各節(jié)點間相互間也有局部連接。

王書提等[12]以北京現(xiàn)代2005款途勝G4GC型發(fā)動機為研究對象，利用故障診斷儀采集發(fā)動機的故障數(shù)據(jù)流以及對應的故障特征，建立了SOM神經(jīng)網(wǎng)絡的故障診斷模型，并得出了該神經(jīng)網(wǎng)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(jīng)網(wǎng)絡可以有效地應用于發(fā)動機電控系統(tǒng)的故障診斷中。李剛等[13]利用EDM與SOM神經(jīng)網(wǎng)絡結合的方式建立了燃氣發(fā)動機故障診斷方法，其具體做法是將燃氣發(fā)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(jīng)網(wǎng)絡進行類聚，然后對燃氣發(fā)動機在正常、氣門間隙大、排氣閥漏氣三種狀態(tài)的信號進行分析。結果表明：該方法對于非平穩(wěn)信號的故障特征可以有效地提取，同時網(wǎng)絡結構較為簡單，對于數(shù)據(jù)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(fā)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(jīng)網(wǎng)絡的輸出，建立了基于SOM神經(jīng)網(wǎng)絡的柴油機故障診斷模型，通過測試表明：該網(wǎng)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(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、PNN神經(jīng)網(wǎng)絡及SOM神經(jīng)網(wǎng)絡在汽車發(fā)動機故障診斷領域的應用及成效進行了闡述。每種神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的結構特點去選擇用哪一種，從大量的文獻來看，RBF神經(jīng)網(wǎng)絡的預測精度要高于BP神經(jīng)網(wǎng)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(fā)動機故障診斷要具體情況具體分析，人工神經(jīng)網(wǎng)絡對于發(fā)動機故障診斷的精度較高，可以為發(fā)動機故障診斷特別是對于電控發(fā)動機這類復雜的非線性系統(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)動機故障診斷未來研究可利用神經(jīng)網(wǎng)絡聯(lián)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(yōu)化神經(jīng)網(wǎng)絡的網(wǎng)絡參數(shù)，這樣神經(jīng)網(wǎng)絡的預測精度會更高；另一個方面可以利用神經(jīng)網(wǎng)絡建立非線性關系作為適應度函數(shù)聯(lián)合相應的算法（如遺傳算法、粒子群算法等），對發(fā)動機工作參數(shù)進行優(yōu)化。