基于PNN神經(jīng)網(wǎng)絡(luò)的電控發(fā)動機故障診斷

摘 要： PNN是前饋型神經(jīng)網(wǎng)絡(luò)，具有強大的非線性模式分類能力。提出運用PNN神經(jīng)網(wǎng)絡(luò)對發(fā)動機電控系統(tǒng)進行故障診斷的方法，介紹了PNN神經(jīng)網(wǎng)絡(luò)及其工作原理，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，并對其進行故障設(shè)置，運用金德KT600故障診斷儀采集發(fā)動機故障數(shù)據(jù)流，利用PNN神經(jīng)網(wǎng)絡(luò)建立診斷模型，并對網(wǎng)絡(luò)診斷模型進行驗證，診斷結(jié)果完全正確，且訓(xùn)練速度非?？?。實驗結(jié)果表明PNN神經(jīng)網(wǎng)絡(luò)具有較強的泛化能力和實用價值。

關(guān)鍵詞： PNN神經(jīng)網(wǎng)絡(luò)； 發(fā)動機； 電控系統(tǒng)； 故障診斷

中圖分類號： TN926?34； TK428 文獻標識碼： A 文章編號： 1004?373X（2016）20?0146?03

Abstract： The probabilistic neural network （PNN） is a feedforward neural network， and has strong ability to classify the nonlinear patterns. The method of using PNN to diagnose the fault of the engine′s electrically?controlled system is proposed. The PNN and its working principle are introduced. The electrically?controlled system of the Elantra car engine is taken as the research object. The Kinder KT600 fault diagnosis instrument is used to collect the failure data flow of the engine while the engine is kept in idle speed. The PNN is used to establish the diagnosis model. The network diagnosis model was verified. The diagnosis results are completely correct， and the training speed is very fast， which show that the PNN has good generalization ability， and has a certain practical value.

Keywords： PNN neural network； engine； electronic controlled system； fault diagnosis

0 引 言

隨著汽車技術(shù)的發(fā)展以及各種高新技術(shù)在汽車上的廣泛應(yīng)用，使汽車已經(jīng)由一個傳統(tǒng)的機械裝置逐漸演變?yōu)橐粋€集機械、電子、計算機、控制、通信等技術(shù)于一體的復(fù)雜系統(tǒng)。這一演變過程使得發(fā)動機電控系統(tǒng)變得更加復(fù)雜，同時，也使得發(fā)動機電控系統(tǒng)故障診斷的難度增大。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，為發(fā)動機電控系統(tǒng)故障診斷開辟了新的途徑。

神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對于直覺的缺陷，使之在神經(jīng)專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、故障診斷等領(lǐng)域得到成功應(yīng)用。本文以伊蘭特汽車發(fā)動機電控系統(tǒng)為實驗對象，運用PNN神經(jīng)網(wǎng)絡(luò)對發(fā)動機電控系統(tǒng)進行故障診斷。

1 PNN神經(jīng)網(wǎng)絡(luò)及工作原理

1.1 PNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

概率神經(jīng)網(wǎng)絡(luò)（PNN）是基于Bayes分類規(guī)則與Parzen窗的概率密度函數(shù)估計方法發(fā)展而來的一種并行算法[1]。PNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單、訓(xùn)練速度快，在模式分類問題中，它可以利用線性學(xué)習(xí)算法來實現(xiàn)非線性學(xué)習(xí)算法的功能，同時具有非線性算法的高精確度等性質(zhì)，PNN神經(jīng)網(wǎng)絡(luò)不需要訓(xùn)練，能夠?qū)崿F(xiàn)網(wǎng)絡(luò)訓(xùn)練的實時性。PNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖1所示。

由圖1可以看出，PNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)相似，但它們的輸出層有些差異。其中，[a1i]表示矢量[a1]的第[i]個元素；[iIW1，1]表示權(quán)矩陣[IW1，1]的第[i]行矢量；[R]為輸入矢量元素的數(shù)目；[Q]表示輸入目標樣本數(shù)目即隱層神經(jīng)元的數(shù)目；[K]表示輸入矢量類型數(shù)目即輸出層神經(jīng)元的數(shù)目[1]。

1.2 PNN神經(jīng)網(wǎng)絡(luò)工作原理[1]

在PNN神經(jīng)網(wǎng)絡(luò)的隱層中，先確定學(xué)習(xí)樣本數(shù)據(jù)與輸入矢量之間的距離，同時，學(xué)習(xí)樣本數(shù)據(jù)與輸入矢量之間的相似度用隱層的輸出矢量表示。在輸出層中，網(wǎng)絡(luò)會對輸入矢量進行模式識別和分類，然后輸出結(jié)果，其值代表概率矢量，輸出層中的compet將對概率矢量進行篩選，用1代表概率最高的矢量，其他的用0表示。當輸入矢量的維數(shù)為[Q]，目標矢量的維數(shù)為[K]時，則表示類型中值為1的元素只有一個，其余的都為0。

對于輸入向量矩陣[P]，其轉(zhuǎn)置[P′]等同于隱層中的權(quán)矩陣[IW1，1]，先后與[dist]和閾值矢量進行數(shù)學(xué)計算，最后由隱層中的傳遞函數(shù)確定其輸出值。在隱層中，當神經(jīng)元輸出[a1]中的值有1時，則表示對應(yīng)的學(xué)習(xí)樣本矢量與輸入矢量相似度最高，隨著學(xué)習(xí)樣本矢量與輸入矢量相似數(shù)量的增加，[a1]中1的個數(shù)將會隨著增加。

在輸出層中，將權(quán)矩陣[LW2，1]設(shè)置為目標矩陣[T]，在目標矩陣[T]中，一個行矢量中元素值為1的元素只有一個，其余都為0，這樣能更好地表示一種類型，隨后將[T]與[a1]相乘。在輸出層中，[n2]是由傳遞函數(shù)計算所得，其值為1時，表示相應(yīng)元素的值比較大，而對于值比較小的元素，則用0表示。此時，PNN神經(jīng)網(wǎng)絡(luò)可以對輸入矢量進行模式識別和分類。

2 基于PNN神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障診斷

2.1 樣本采集及處理

在建立PNN網(wǎng)絡(luò)診斷模型前，應(yīng)首先采集發(fā)動機數(shù)據(jù)流，將金德KT600故障診斷儀連接到汽車的診斷接口處，對發(fā)動機電控系統(tǒng)進行故障設(shè)置，使發(fā)動機處于正常怠速、氧傳感器故障、凸輪軸位置傳感器故障、水溫傳感器故障、進氣壓力傳感器故障、進氣溫度傳感器故障、進氣道漏氣、節(jié)氣門位置傳感器故障、怠速控制閥故障、某缸噴油器不工作、爆震傳感器故障和某兩缸不點火狀態(tài)時，記錄故障診斷儀上的數(shù)據(jù)流，采集到的數(shù)據(jù)流如表1和表2所示。

由表1和表2可以看出，所采集到的數(shù)據(jù)流大小差異比較大，為了更有利于PNN網(wǎng)絡(luò)診斷，在網(wǎng)絡(luò)訓(xùn)練前應(yīng)將數(shù)據(jù)流歸一化處理，使處理后的樣本數(shù)據(jù)大小在0～1范圍之間，歸一化后的樣本數(shù)據(jù)如表3所示。

2.2 網(wǎng)絡(luò)設(shè)計

其中，p1為樣本輸入數(shù)據(jù)；t1中以100000000000表示正常怠速狀態(tài)；010000000000表示氧傳感器故障狀態(tài)；001000000000表示凸輪軸位置傳感器故障狀態(tài)；000100000000表示水溫傳感器故障狀態(tài)；000010000000表示進氣壓力傳感器故障狀態(tài)；000001000000表示進氣溫度傳感器故障狀態(tài)；000000100000表示進氣道漏氣狀態(tài)；t2=clock和datat2=etime（clock，t2）語句為測試網(wǎng)絡(luò)診斷時間；net=newpnn（p1，t1，0.5）為建立PNN網(wǎng)絡(luò)，分布密度設(shè)置為0.5；y1=sim（net，p1）對輸入進行仿真；x=vec2ind（y1）對仿真后的結(jié)果進行轉(zhuǎn)換，使結(jié)果更加直觀。網(wǎng)絡(luò)建立后，開始訓(xùn)練網(wǎng)絡(luò)，網(wǎng)絡(luò)訓(xùn)練所用時間是0.06 s，PNN網(wǎng)絡(luò)的測試診斷結(jié)果如表4所示。由表4可以看出，PNN神經(jīng)網(wǎng)絡(luò)對發(fā)動機故障做出了正確的模式分類，且訓(xùn)練速度比較快，為了驗證所創(chuàng)建的PNN網(wǎng)絡(luò)診斷模型的準確性，將表3中后5組的樣本數(shù)據(jù)作為驗證樣本數(shù)據(jù)，所創(chuàng)建的驗證代碼如下：

將驗證代碼代入到測試程序中，運行程序后，所得到的驗證結(jié)果如表5所示。

由表5可以看出，建立的PNN診斷模型是正確的，它對驗證故障做出了正確的分類，分類結(jié)果完全正確，達到了預(yù)期的效果。

3 結(jié) 論

PNN神經(jīng)網(wǎng)絡(luò)是前饋型神經(jīng)網(wǎng)絡(luò)，是基于密度函數(shù)估計和貝葉斯決策理論而建立的模式識別分類網(wǎng)絡(luò)[2]。發(fā)動機電控系統(tǒng)比較復(fù)雜，使得故障診斷難度性增大，但運用PNN神經(jīng)網(wǎng)絡(luò)建立的診斷模型，能對發(fā)動機電控系統(tǒng)故障做出正確的分類，效果是非常明顯的?；赑NN神經(jīng)網(wǎng)絡(luò)的發(fā)動機電控系統(tǒng)故障診斷方法可以極大地利用故障先驗知識，無論故障種類多么復(fù)雜，只要擁有足夠的樣本數(shù)據(jù)，PNN神經(jīng)網(wǎng)絡(luò)都能對故障做出令人滿意的模式分類。PNN神經(jīng)網(wǎng)絡(luò)的故障診斷率比較高，且訓(xùn)練速度比較快，運用PNN神經(jīng)網(wǎng)絡(luò)較高的模式分類能力和泛化能力，對發(fā)動機電控系統(tǒng)故障進行診斷，具有一定的實用價值，PNN神經(jīng)網(wǎng)絡(luò)也可以運用到其他故障診斷領(lǐng)域。

參考文獻

[1] 張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2011.

[2] 朱明悅，李小申.基于概率神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障診斷方法研究[J].制造業(yè)自動化，2012（9）：90?92.

[3] 周潤景，張麗娜.基于Matlab與fuzzyTECH的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計[M].北京：電子工業(yè)出版社，2010.

[4] 丁碩，常曉恒，巫慶輝，等.基于Elman神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷研究[J].國外電子測量技術(shù)，2014（4）：72?75.

[5] 呂彩琴.汽車發(fā)動機電控技術(shù)[M].北京：國防工業(yè)出版社，2009.

[6] 楊凌霄，朱亞麗.基于概率神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷[J].電力系統(tǒng)保護與控制，2015（10）：62?67.

[7] 佟剛，郝旭.基于神經(jīng)網(wǎng)絡(luò)的柴油機燃油系統(tǒng)故障診斷[J].機械工程與自動化，2015（5）：119?120.

[8] 趙爽，李立.基于概率神經(jīng)網(wǎng)絡(luò)的全向足球機器人運動系統(tǒng)的故障診斷[J].機床與液壓，2014（21）：46?49.

[9] 徐萌，李宏光，馬穎川，等.航空發(fā)動機點火頻率異常故障檢測與仿真[J].計算機仿真，2015，32（7）：75?79.