基于模糊神經(jīng)網(wǎng)絡的電控汽油機故障診斷

安治文

摘要 ：汽油機所表現(xiàn)出來的癥狀，如冷卻水過高，汽油機加速不良，傳感器讀數(shù)異常等，這些故障現(xiàn)象都是界限不明確的模糊集合。用傳統(tǒng)的以布爾代數(shù)為基礎的二值邏輯方法去處理此類的故障診斷問題，顯然是不太合理的，因為它的描述只能是近似而粗糙的。要更深刻地反映事物的本質(zhì)，必須引入模糊邏輯，本文采用相應模糊集的隸屬函數(shù)來描述這些故障現(xiàn)象和故障原因存在的程度，同時通過建立符合汽車故障的模糊神經(jīng)并加以訓練使其誤差滿足要求，最后利用訓練好的模糊神經(jīng)診斷系統(tǒng)進行故障診斷。

關鍵詞：電控汽油機;診斷方法;發(fā)展趨勢

1模糊邏輯與神經(jīng)網(wǎng)絡結合的必要性

基于模糊理論的模糊邏輯系統(tǒng)與人工神經(jīng)網(wǎng)絡相比，既有共同之處，又各有其特點。首先，它們都是用于解決非線性系統(tǒng)的信息處理、控制。決策、故障診斷等問題所使用的方法，二者都采用數(shù)值方法建立輸入與輸出之間的非線性映射關系，因此，不需要建立數(shù)學模型。其次，模糊系統(tǒng)和神經(jīng)網(wǎng)絡都能從不同的角度增強信息處理能力，因而在人工智能領域起著重要作用。

模糊邏輯是模仿人腦的邏輯思維能力，具有較強的結構性知識表示能力;而神經(jīng)網(wǎng)絡是模仿人腦的結構來映射輸入特征與輸出結論的非線性關系，具有強大的學習能力和數(shù)據(jù)直接處理能力。但是傳統(tǒng)的神經(jīng)網(wǎng)絡不適于表示基于規(guī)則的知識，在應用于故障診斷時常常產(chǎn)生誤診的現(xiàn)象，特別是當前輸入信息不精確或不確定。模糊方法適用于測量值少且無法獲得精確模型的系統(tǒng);但該方法不具有自適應能力和自學習能力，無法進一步積累和修正診斷知識。因此，將人工神經(jīng)網(wǎng)絡與模糊邏輯結合起來，實現(xiàn)故障診斷系統(tǒng)對不精確或不確定等模糊信息的處理，克服傳統(tǒng)神經(jīng)網(wǎng)絡不能很好處理邊界分類模糊數(shù)據(jù)及故障誤診問題，同時使得基于規(guī)則的規(guī)則性知識能夠得到學習和調(diào)整。

2模糊邏輯和神經(jīng)網(wǎng)絡的結合方式

模糊邏輯與神經(jīng)網(wǎng)絡的結合方式有許多種，主要有：

（1）松散型結合。兩者之間各自處理各自的任務，沒有直接的聯(lián)系。

（2）并聯(lián)型結合。兩者享有共同的輸入，按兩系統(tǒng)起作用的輕重程度可分為同等型和互助型。

（3）串聯(lián)型結合。一方輸出成另一方的輸入，可看作為兩段推理或串聯(lián)中的前件作為厚繭的輸入信號的預處理部分。用神經(jīng)網(wǎng)絡從原始信號中提取有效的特征量作為模糊推理部分的輸入，可以使獲得模糊規(guī)則的過程變得容易。而以模糊理論技術對信號進行預處理，然后用神經(jīng)網(wǎng)絡進行故障診斷會提高其診斷精度。

（4）網(wǎng)絡學習型連接。整個系統(tǒng)由模糊系統(tǒng)表示，但其隸屬函數(shù)通過神經(jīng)網(wǎng)絡學習來生成和調(diào)整。

3模糊神經(jīng)網(wǎng)絡的結構

根據(jù)上述模糊邏輯和神經(jīng)網(wǎng)絡的特點，首先基于模糊理論將輸入的故障現(xiàn)象（征兆）信號模糊化，從而使神經(jīng)網(wǎng)絡的訓練樣本更加精確;然后基于BP神經(jīng)網(wǎng)絡進行車用汽油機的故障診斷最后清晰化故障的結果模糊神經(jīng)網(wǎng)絡結果，有輸入模糊化模塊、學習推理模塊、輸出清晰化模塊。

4模糊神經(jīng)網(wǎng)絡的建立及其故障診斷

4.1參數(shù)的模糊化

根據(jù)汽油機故障的表現(xiàn)，假設以上11種故障現(xiàn)象發(fā)生程度的隸屬度分布

分別表示為：

X1 ：“發(fā)電機啟動困難”=1起動機不轉(zhuǎn)動 + 0.7起動機轉(zhuǎn)動但不能起動 +0.3能起動但立即熄火 + 0能正常起動

X2? ：“發(fā)動機有時失速”= 1出現(xiàn)熄火或飛車 + 0.7轉(zhuǎn)速忽高忽低很不穩(wěn)定 + 0.3轉(zhuǎn)速有時忽高忽低 +0轉(zhuǎn)速平穩(wěn)

X3 ： “發(fā)電機加速時回火”= 1加速就回火? + 0.5加速有時回火 + 0加速正常

X4 ：“發(fā)電機怠速不穩(wěn)或熄火”= 1怠速經(jīng)常熄火 + 0.7發(fā)動機抖動厲害 + 0.3發(fā)動機轉(zhuǎn)速不平穩(wěn) + 0怠速時轉(zhuǎn)速平穩(wěn)

X5 ： “發(fā)動機喘氣或加速時無力”= 1加速時熄火 + 0.7不能加速 + 0.3加速很慢 + 0加速正常

X6 ：“易爆震”= 1有尖銳的金屬敲擊聲 + 0.5有輕微的金屬敲擊聲 + 0無金屬敲擊聲

X7 ： “發(fā)動機排氣管放炮”= 1經(jīng)常放炮 + 0.5有時放炮 + 0無放炮聲

X8 ： “進氣支管壓力傳感器讀數(shù)異?！? 10.01MPa以下 + 0.50.01-0.03MPa + 00.03-0.1MPa + 0.50.1MPa以上

X9 ： “怠速時節(jié)氣門位置傳感器讀數(shù)異常”= 1讀數(shù)大于1% + 0.5讀數(shù)在0%-1%之間 + 0讀數(shù)0%

X10 ： “冷卻水溫度傳感器讀數(shù)異?！? 11000C以上或700C以下 + 0.5100-900C + 090-800C + 0.580-700C

X11 ： “氧傳感器讀數(shù)異?！?11.0V或0V + 0.50.9-0.7V + 00.7-0.3V + 0.50.3-0.1V

對于故障原因（即t1——怠速或怠速控制閥故障;t2——點火線圈故障;t3——點火正時不對;t4——火花塞故障;t5——節(jié)氣門故障;t6——進氣門漏氣;t7——空氣濾清器故障;t8——噴油器故障;t9——燃油供給系統(tǒng)故障;t10——冷卻系統(tǒng)故障;t11——潤滑系統(tǒng)故障）的存在程度，采用模糊范疇隸屬度

描述。

4.2 模糊神經(jīng)網(wǎng)絡的訓練

根據(jù)前面對電控汽油機故障的分析，并結合汽油機的臺架實驗及汽油機領域?qū)＜业慕?jīng)驗知識，得到表1-5所示的故障現(xiàn)象和故障原因的對應關系及模糊規(guī)則庫，該規(guī)則庫就是模糊神經(jīng)網(wǎng)絡的訓練樣本。

對于模糊化了的訓練樣本集，仍采用改進的BP神經(jīng)網(wǎng)絡進行學習訓練。確定BP網(wǎng)絡結構為兩層，輸入層有11個節(jié)點，對應于11個故障現(xiàn)象;輸出層有11個節(jié)點，對應于11個故障原因;隱含層的神經(jīng)元個數(shù)結合網(wǎng)絡的收斂性、仿真速度及精度的要求選取15個。

由于模糊邏輯的隸屬度是[0，1]之間取值的，因此各神經(jīng)元的激活函數(shù)均取對數(shù)S型（Log-Sigmoid）函數(shù)，因為他的把蔬菜范圍（0，1）更好適合在學習后輸出的0-1之間的模糊值，從而能與模糊邏輯很好地聯(lián)系起來。

BP網(wǎng)絡訓練參數(shù)：最大訓練次數(shù)、目標誤差、初始學習速度、學習速度增長系數(shù)、虛席速率減少系數(shù)、最小優(yōu)化系數(shù)等分別選為：3000、0.001、0.001、10、0.1、0.001.

當網(wǎng)絡的結構和訓練樣本都選取后，就可以編寫和訓練神經(jīng)網(wǎng)絡了。用于訓練神經(jīng)網(wǎng)絡的樣本可以根據(jù)故障原因進行特定選取，同時訓練誤差隨著學習步數(shù)的增加而減小，經(jīng)8次訓練后，誤差以滿足要求，至此，模糊神經(jīng)網(wǎng)絡就完成學習過程。

4.3應用訓練好的模糊神經(jīng)網(wǎng)絡進行車用汽油機的故障診斷

網(wǎng)絡訓練好后便可以利用該模糊網(wǎng)絡神經(jīng)系統(tǒng)進行估值診斷。訓練樣本的測試結果顯示，最大正絕對誤差為0.0028，最大負絕對誤差為-0.0017，正負絕對誤差均小于0.003，也就是說，用訓練樣本輸入模糊神經(jīng)網(wǎng)絡進行故障診斷時，診斷正確率可達100%。

為了驗證已訓練好模糊神經(jīng)網(wǎng)絡的容錯能力，令選兩組與學習樣本具有同樣故障原因的非學習樣本進行檢驗。假設汽車的兩組故障現(xiàn)象分別為：

X1= 1x1 + 0.3x2 + 1x3 +0.9x4 + 1x5 + 0x6 + 0x7 + 0.8x8 + 0x9 + 0x10 +? 0x11

X2= 0x1 + 0x2 + 0.3x3 +1x4 + 0.9x5 + 0x6 + 0x7 + 0.9x8 + 0x9 + 0x10 +? 0x11

將以上待識別的故障分別輸入已訓練好的模糊神經(jīng)網(wǎng)絡中并云溪，可得到模糊升級網(wǎng)絡的輸出分別為：

Y1= 0.0000 0.0001 0.0154 0.2415 0.0000 0.0000 0.9634 0.0000 0.0000 0.0000 0.0000

Y2= 0.0005 0.0000 0.0000 0.0000 0.0001 0.0007 0.9863 0.0000 0.0001 0.0000 0.0000

采用最大隸屬度法進行清晰化，根據(jù)故障原因的隸屬函數(shù)描述可知，一定存在的故障均為：空氣濾清器故障。將上述的非樣本輸入與樣本輸入作對比，再將它們的最大輸入結果與給定的一般輸入數(shù)據(jù)比較，可知診斷完全正確。

從上面的故障診斷過程可以看出，將模糊邏輯引入神經(jīng)網(wǎng)絡后，對知識的表示更加準確，不僅對輸入故障現(xiàn)象的描述更加細致化，而且對輸出的故障原因也有明確的解釋，更符合人們的思維習慣。可以看出模糊神經(jīng)網(wǎng)絡的容錯能力和泛化能力更強，診斷結果更準確合理，更具說服力。

結論

由于電控汽油機故障的復雜性和模糊性，采用傳統(tǒng)的以布爾代數(shù)為基礎的二值邏輯顯得終于粗糙不精確，因此本文引入了模糊邏輯的概念，構造了模糊神經(jīng)網(wǎng)絡，并用它進行電控汽油機的故障診斷，診斷結果表明，將模糊邏輯引入神經(jīng)網(wǎng)絡后，對知識的表示更加準確，不僅對輸入故障現(xiàn)象的描述更加細致化，而且對輸出的故障原因也有明確的解釋，更符合人們的思維習慣。

參考文獻

[1].王洪元，史國棟.人工神經(jīng)網(wǎng)絡技術及其應用[M].北京：中國石化出版社，2003，77-93

[2].孫增圻.智能控制理論與技術[M].北京：清華大學出版社，1997，25-47

[3].李人厚.智能控制理論和方法.西安[M]：西安電子科技大學出版社，1999，89-99