基于Matlab的BP神經(jīng)網(wǎng)絡的電控發(fā)動機故障研究

王書提，巴寅亮，史 勇

（新疆農業(yè)大學機械交通學院 新疆農業(yè)工程裝備創(chuàng)新設計重點實驗室，新疆 烏魯木齊 830052）

基于Matlab的BP神經(jīng)網(wǎng)絡的電控發(fā)動機故障研究

王書提，巴寅亮，史 勇

Wang Shuti，Ba Yinliang，Shi Yong

（新疆農業(yè)大學機械交通學院 新疆農業(yè)工程裝備創(chuàng)新設計重點實驗室，新疆 烏魯木齊 830052）

基于Matlab的BP神經(jīng)網(wǎng)絡，對電控發(fā)動機的故障進行研究。采集電控發(fā)動機故障數(shù)據(jù)，運用BP神經(jīng)網(wǎng)絡建立了故障診斷模型，并對幾種常見故障進行了診斷，診斷結果表明BP神經(jīng)網(wǎng)絡在電控發(fā)動機故障診斷研究方面具有一定的實用價值。

Matlab；BP神經(jīng)網(wǎng)絡；故障診斷

0 引 言

隨著電子控制技術在發(fā)動機上的應用程度越來越高，比如怠速控制、點火控制、噴油控制等，電子控制系統(tǒng)在提高發(fā)動機性能的同時也帶來了一些問題。雖然電控發(fā)動機的故障率降低了，但是一旦出問題，維修人員必須具備更高的技術水平。隨著科技的發(fā)展，許多科技人員利用人工神經(jīng)網(wǎng)絡來研究工程領域的故障，效果比較理想。

人工神經(jīng)網(wǎng)絡（Artificial Neural Networks，ANNs）是一種模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。這種網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調整內部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的。人工神經(jīng)網(wǎng)絡具有自學習和自適應的能力。

基于Matlab的BP神經(jīng)網(wǎng)絡，采集發(fā)動機故障數(shù)據(jù)，對發(fā)動機故障進行研究，研究結果能夠給汽車維修人員提供參考價值。

1 BP神經(jīng)網(wǎng)絡

BP網(wǎng)絡（Back Propagation），是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層（input layer）、隱層（hide layer）和輸出層（output layer）。

以3層BP神經(jīng)網(wǎng)絡的結構為例，如圖1所示。輸入層由L個神經(jīng)元組成，xi（i=1，2，3，…，L）表示其輸入；隱層由q個神經(jīng)元組成，zj（j=1，2，3，…，q）表示隱層的輸出；輸出層由N個神經(jīng)元組成，yk（k=1，2，3，…，N）表示其輸出；用 wij（i=1，2，3，…，L；j=1，2，3，…，q）表示從輸入層到隱層的權值；用vjk（j=1，2，3，…，q；k=1，2，3，…，N）表示從隱層到輸出層的權值。隱層輸入為，輸出為zk=f(rk)；輸出層的輸入為，輸出為yk=f(sk)，其中bk為閥值。

在確定了BP網(wǎng)絡的結構后，要通過輸入和輸出樣本集對網(wǎng)絡的權值和閥值進行學習和修正，從而使網(wǎng)絡實現(xiàn)給定的輸入輸出映射關系。

2 BP神經(jīng)網(wǎng)絡診斷模型的應用實例

為了驗證BP神經(jīng)網(wǎng)絡診斷模型的可行性，以桑塔納2000 GSi型轎車（AJR型電控發(fā)動機）為例，進行故障假設，利用金德KT 600電腦故障診斷儀采集數(shù)據(jù)。以發(fā)動機在水溫傳感器故障、空氣流量傳感器故障、噴油器故障和氧傳感器故障狀態(tài)時的數(shù)據(jù)為樣本，采集的樣本數(shù)據(jù)如表1～表4所示。由于采集的樣本數(shù)據(jù)的量綱不同，在進行訓練之前，應將樣本數(shù)據(jù)歸一化處理，歸一化處理后的數(shù)據(jù)如表5所示。文中采用3層BP神經(jīng)網(wǎng)絡結構，輸入層的神經(jīng)元數(shù)目為4，隱含層的神經(jīng)元數(shù)目為9，輸出層的神經(jīng)元數(shù)目為4。

表1 水溫傳感器故障時的樣本數(shù)據(jù)

表2 空氣流量傳感器故障時的樣本數(shù)據(jù)

表3 噴油器故障時的樣本數(shù)據(jù)

表4 氧傳感器故障時的樣本數(shù)據(jù)

表5 樣本歸一化處理數(shù)據(jù)

利用Matlab創(chuàng)建的程序代碼如下：

p=[1.0000 0 0.0822 0.0327；1.0000 0 0.0028 0.0021；1.0000 0 0.0033 0.0021；0 0.4500 0.0300 1.0000]'；%樣本輸入

t=[1 0 0 0；0 1 0 0；0 0 1 0；0 0 0 1 ]'；%目標輸出

net = newff（minmax（p），[9 4]，{'tansig''logsig'}，'trainlm'，'learngdm'）；%創(chuàng)建BP網(wǎng)絡

net.trainParam.show=100；%設置訓練顯示間隔次數(shù)

net.trainParam.epochs=2000；%設置最大訓練循環(huán)次數(shù)

net.trainParam.goal=0.0001；%設置性能目標值

net.trainParam.lr=0.05；%設置學習系數(shù)

net = init（net）；%網(wǎng)絡初始化

net=train（net，p，t）；%訓練網(wǎng)絡

其中，p中的數(shù)據(jù)為樣本歸一化處理后的數(shù)據(jù)。t中，以1000表示電控發(fā)動機水溫傳感器故障時的狀態(tài)，以0100表示電控發(fā)動機空氣流量傳感器故障時的狀態(tài)，以0010表示電控發(fā)動機噴油器故障時的狀態(tài)，以0001表示電控發(fā)動機氧傳感器故障時的狀態(tài)。創(chuàng)建 BP網(wǎng)絡時，采用'trainlm'訓練，因為'trainlm'的訓練速度快，可以減少訓練時間。在程序代碼中設置網(wǎng)絡初始化 net = init （net），可以保證每次訓練網(wǎng)絡時，權值都是隨機的，這樣可以達到預期的訓練目的。

運行程序代碼，得到BP神經(jīng)網(wǎng)絡訓練誤差曲線，如圖2所示。由圖2可看出，當網(wǎng)絡訓練到第79步時，訓練樣本時間僅為1 s，已達到期望誤差0.000 1，這充分說明BP神經(jīng)網(wǎng)絡訓練次數(shù)少、訓練用時短和收斂速度快，運用BP神經(jīng)網(wǎng)絡可以在較短時間內診斷出發(fā)動機故障。

U464.17：TP389.1

A

10.14175/j.issn.1002-4581.2015.01.007

1002-4581（2015）01-0023-03