汽車發(fā)動機(jī)故障診斷及預(yù)測系統(tǒng)研究

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(yù)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(jī)故障診斷和預(yù)測系統(tǒng)。

關(guān)鍵詞：汽車；發(fā)動機(jī)；故障診斷；預(yù)測系統(tǒng)

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

隨著經(jīng)濟(jì)的快速發(fā)展，汽車行業(yè)呈現(xiàn)蓬勃發(fā)展之勢，但隨著高新電子技術(shù)的涌入，汽車變成了電子復(fù)合型的復(fù)雜設(shè)備，導(dǎo)致汽車維修的難度大幅增加。汽車發(fā)動機(jī)是決定汽車性能的核心部件，其運轉(zhuǎn)決定著汽車的整體性能。在本文中，筆者在汽車發(fā)動機(jī)故障診斷的原理、預(yù)測等方面展開探討。

1 汽車發(fā)動機(jī)故障診斷的原理和原則

1.1 發(fā)動機(jī)故障診斷的原理

發(fā)動機(jī)故障診斷的原理包括診斷物理和診斷數(shù)學(xué)。其中，診斷物理是指分析元器件因一些因素而導(dǎo)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(shù)學(xué)是指利用數(shù)學(xué)的算法和理論識別、處理和判斷故障信息。

根據(jù)診斷內(nèi)容的不同，診斷可分為5部分，即參數(shù)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(shù)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(jié)果，適宜處理簡單信號；模型診斷需依靠監(jiān)測人員的經(jīng)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(jié)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(yīng)的專家系統(tǒng)、算法和神經(jīng)網(wǎng)絡(luò)等智能算法推算故障。

1.2 故障診斷技術(shù)的原則

目前，電子領(lǐng)域中的診斷技術(shù)原則有以下4種：①設(shè)計診斷系統(tǒng)。要想設(shè)計完整的診斷系統(tǒng)，就必須先確定診斷內(nèi)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(shè)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(shè)計實踐。如果不具備該種類型的傳感器，則應(yīng)按照檢測內(nèi)容、方式等指標(biāo)，合理設(shè)計所需的傳感器。③設(shè)計系統(tǒng)的自診斷功能。在設(shè)計系統(tǒng)時，系統(tǒng)中應(yīng)具備故障預(yù)測、故障檢測等功能。④系統(tǒng)應(yīng)包括數(shù)據(jù)庫、資料庫、程序庫和模型庫等。

2 發(fā)動機(jī)故障特征信號的檢測

通過檢測汽車發(fā)動機(jī)尾氣中的CO、HC、CO2等的濃度，以及發(fā)動機(jī)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(jī)中存在的故障。因此，通過分析汽車發(fā)動機(jī)的尾氣，可判斷汽缸內(nèi)燃油的燃燒狀況，進(jìn)而了解發(fā)動機(jī)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(jīng)網(wǎng)絡(luò)算法處理發(fā)動機(jī)的相關(guān)參數(shù)，建立基于診斷經(jīng)驗和尾氣分析的數(shù)據(jù)庫，使其各種故障狀態(tài)在遺傳神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)中形成對應(yīng)的映射關(guān)系，并實時提醒檢修人員維修、調(diào)整騎車，從而保證發(fā)動機(jī)的正常運行。

3 遺傳神經(jīng)網(wǎng)絡(luò)診斷算法分析

本研究采用遺傳神經(jīng)網(wǎng)絡(luò)算法診斷、預(yù)測汽車發(fā)動機(jī)可能出現(xiàn)的故障，可通過輸入大量的參數(shù)快速計算出汽車發(fā)動機(jī)故障的結(jié)果，且具有全局搜索能力。

3.1 權(quán)值和閾值的選取

神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值通過集中較為復(fù)雜的函數(shù)，并多次重復(fù)計算、調(diào)整獲取最優(yōu)值。一般而言，神經(jīng)網(wǎng)絡(luò)權(quán)值的獲取采用了一定規(guī)則推演，然后在網(wǎng)絡(luò)系統(tǒng)中不斷調(diào)整、修改，直至獲取最優(yōu)的權(quán)值、閾值。單純BP神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值的獲取采取梯度下降方法，這對網(wǎng)絡(luò)基本初值的要求較高。如果初值存在誤差，則結(jié)果誤差較大，進(jìn)而對關(guān)鍵參數(shù)的影響較大。

3.2 編碼和初始種群

染色體編碼分為二進(jìn)制編碼和實數(shù)編碼。神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值由浮點數(shù)組成，采用二進(jìn)制編碼無法滿足要求，且會增加染色體的長度，進(jìn)而影響了搜索速度；而實數(shù)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(jīng)網(wǎng)絡(luò)中，設(shè)置n個輸入節(jié)點，將權(quán)值、閾值編碼長度設(shè)置為l，并設(shè)置n+1個隱含層節(jié)點，l=n×n1+n1×m+m+n1.通過這樣的設(shè)置，每個染色體均有獨立的權(quán)值、閾值，取值為特定范圍內(nèi)的任意實數(shù)，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(shù)。

3.3 適應(yīng)度函數(shù)的設(shè)計

神經(jīng)網(wǎng)絡(luò)將實際值與期望值之間的標(biāo)準(zhǔn)差視作評估準(zhǔn)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(yīng)度。因此，標(biāo)準(zhǔn)差函數(shù)即為遺傳神經(jīng)網(wǎng)絡(luò)算法的適應(yīng)度函數(shù)。利用神經(jīng)網(wǎng)絡(luò)中的誤差函數(shù)f（x）可推導(dǎo)出適應(yīng)度函數(shù)F（x），計算公式為：

. （1）

式（1）中：F（x）——適應(yīng)度函數(shù)；

f（x）——神經(jīng)網(wǎng)絡(luò)中的誤差函數(shù)；

i——染色體的數(shù)量，1～n；

l——輸出層節(jié)點的數(shù)量，1～m；

P——網(wǎng)絡(luò)學(xué)習(xí)樣本；

ti——神經(jīng)網(wǎng)絡(luò)的期望值；

ai——染色體于神經(jīng)網(wǎng)絡(luò)中的計算結(jié)果。

3.4 選擇算子的選取

在遺傳算法中的選擇算子時，應(yīng)保持系統(tǒng)中所有個體被選中的概率與預(yù)期適應(yīng)度函數(shù)相同。因此，遺傳算法中的概率可經(jīng)適應(yīng)度函數(shù)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(yīng)度；

F（xi）——個體i的適應(yīng)度；

3.5 交叉算子的選取

遺傳算法中的關(guān)鍵步驟為交叉算子，它是體現(xiàn)遺傳算法查找速度、查找范圍的關(guān)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(shù)量較大，且每個個體的數(shù)值多樣化，因此，本研究采用浮點數(shù)操作每一個賦值、運算等。比如，2個個體XA和XB交叉，產(chǎn)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(shù)量，1～m；

α——交叉概率；

XA——個體；

X′B——個體。

3.6 神經(jīng)網(wǎng)絡(luò)的優(yōu)化對策

遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的內(nèi)容包括以下3點：①建立各子網(wǎng)絡(luò)的初始值，設(shè)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(yù)測系統(tǒng)的數(shù)據(jù)庫，且大幅降低了各子代的誤差值。網(wǎng)絡(luò)經(jīng)數(shù)次迭代后，系統(tǒng)輸出結(jié)果中的權(quán)值、閾值即為誤差最小的運行結(jié)果。③訓(xùn)練神經(jīng)網(wǎng)絡(luò)時采用權(quán)值、閾值再次訓(xùn)練系統(tǒng)。上述算法筆者稱之為遺傳神經(jīng)網(wǎng)絡(luò)算法。

采用遺傳神經(jīng)網(wǎng)絡(luò)算法診斷汽車發(fā)動機(jī)故障包括算法誤差分析和基于遺傳神經(jīng)網(wǎng)絡(luò)的仿真測試，經(jīng)過這2步后，即可判斷汽車發(fā)動機(jī)中存在的故障。

4 結(jié)束語

汽車發(fā)動機(jī)的正常運轉(zhuǎn)是汽車運行的關(guān)鍵。在本文中，筆者研究了發(fā)動機(jī)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(jīng)網(wǎng)絡(luò)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(nèi)容，并優(yōu)化了神經(jīng)網(wǎng)絡(luò)算法，最終形成了遺傳神經(jīng)網(wǎng)絡(luò)算法模型。

參考文獻(xiàn)

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

[2]吳忠林，吳金英.車載控制網(wǎng)絡(luò)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(shù)學(xué)的內(nèi)燃機(jī)故障診斷系統(tǒng)[J].農(nóng)學(xué)機(jī)械學(xué)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(shù)量，1～m；

α——交叉概率；

XA——個體；

X′B——個體。

3.6 神經(jīng)網(wǎng)絡(luò)的優(yōu)化對策

遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的內(nèi)容包括以下3點：①建立各子網(wǎng)絡(luò)的初始值，設(shè)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(yù)測系統(tǒng)的數(shù)據(jù)庫，且大幅降低了各子代的誤差值。網(wǎng)絡(luò)經(jīng)數(shù)次迭代后，系統(tǒng)輸出結(jié)果中的權(quán)值、閾值即為誤差最小的運行結(jié)果。③訓(xùn)練神經(jīng)網(wǎng)絡(luò)時采用權(quán)值、閾值再次訓(xùn)練系統(tǒng)。上述算法筆者稱之為遺傳神經(jīng)網(wǎng)絡(luò)算法。

采用遺傳神經(jīng)網(wǎng)絡(luò)算法診斷汽車發(fā)動機(jī)故障包括算法誤差分析和基于遺傳神經(jīng)網(wǎng)絡(luò)的仿真測試，經(jīng)過這2步后，即可判斷汽車發(fā)動機(jī)中存在的故障。

4 結(jié)束語

汽車發(fā)動機(jī)的正常運轉(zhuǎn)是汽車運行的關(guān)鍵。在本文中，筆者研究了發(fā)動機(jī)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(jīng)網(wǎng)絡(luò)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(nèi)容，并優(yōu)化了神經(jīng)網(wǎng)絡(luò)算法，最終形成了遺傳神經(jīng)網(wǎng)絡(luò)算法模型。

參考文獻(xiàn)

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

[2]吳忠林，吳金英.車載控制網(wǎng)絡(luò)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(shù)學(xué)的內(nèi)燃機(jī)故障診斷系統(tǒng)[J].農(nóng)學(xué)機(jī)械學(xué)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(shù)量，1～m；

α——交叉概率；

XA——個體；

X′B——個體。

3.6 神經(jīng)網(wǎng)絡(luò)的優(yōu)化對策

遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的內(nèi)容包括以下3點：①建立各子網(wǎng)絡(luò)的初始值，設(shè)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(yù)測系統(tǒng)的數(shù)據(jù)庫，且大幅降低了各子代的誤差值。網(wǎng)絡(luò)經(jīng)數(shù)次迭代后，系統(tǒng)輸出結(jié)果中的權(quán)值、閾值即為誤差最小的運行結(jié)果。③訓(xùn)練神經(jīng)網(wǎng)絡(luò)時采用權(quán)值、閾值再次訓(xùn)練系統(tǒng)。上述算法筆者稱之為遺傳神經(jīng)網(wǎng)絡(luò)算法。

采用遺傳神經(jīng)網(wǎng)絡(luò)算法診斷汽車發(fā)動機(jī)故障包括算法誤差分析和基于遺傳神經(jīng)網(wǎng)絡(luò)的仿真測試，經(jīng)過這2步后，即可判斷汽車發(fā)動機(jī)中存在的故障。

4 結(jié)束語

汽車發(fā)動機(jī)的正常運轉(zhuǎn)是汽車運行的關(guān)鍵。在本文中，筆者研究了發(fā)動機(jī)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(jīng)網(wǎng)絡(luò)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(nèi)容，并優(yōu)化了神經(jīng)網(wǎng)絡(luò)算法，最終形成了遺傳神經(jīng)網(wǎng)絡(luò)算法模型。

參考文獻(xiàn)

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

[2]吳忠林，吳金英.車載控制網(wǎng)絡(luò)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(shù)學(xué)的內(nèi)燃機(jī)故障診斷系統(tǒng)[J].農(nóng)學(xué)機(jī)械學(xué)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