基于神經(jīng)網(wǎng)絡(luò)的汽車電控發(fā)動(dòng)機(jī)故障診斷分析

摘要：近年來(lái)，隨著電子控制技術(shù)的快速發(fā)展，傳統(tǒng)的汽車行業(yè)也引進(jìn)了電子控制技術(shù)，極大改善了傳統(tǒng)汽車產(chǎn)品電動(dòng)發(fā)動(dòng)機(jī)存在的問(wèn)題。電子控制技術(shù)在汽車中的應(yīng)用使得汽車電控系統(tǒng)越來(lái)越復(fù)雜，汽車電控發(fā)動(dòng)機(jī)發(fā)生故障時(shí)，故障診斷變得更加的復(fù)雜。人工智能技術(shù)的日趨成熟，為汽車電控發(fā)動(dòng)機(jī)故障診斷提供了全新的診斷模式，通過(guò)搜集汽車電控發(fā)動(dòng)機(jī)典型故障，分析各種故障的特征，利用神經(jīng)網(wǎng)絡(luò)在模式識(shí)別上的優(yōu)勢(shì)，對(duì)故障特征進(jìn)行分析，提高汽車電控發(fā)動(dòng)機(jī)故障診斷的準(zhǔn)確性。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);電控發(fā)動(dòng)機(jī);故障診斷

中圖分類號(hào)：TP183;U472.9

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-5922（2020）06-0167-04

1 汽車電控發(fā)動(dòng)機(jī)故障診斷

1.1 汽車電控發(fā)動(dòng)機(jī)組成

近年來(lái)，隨著汽車行業(yè)的發(fā)展，汽車發(fā)動(dòng)機(jī)控制方式都已采用電動(dòng)控制的方式，通過(guò)電動(dòng)控制系統(tǒng)（簡(jiǎn)稱電控系統(tǒng)）完成發(fā)動(dòng)機(jī)燃油噴射、變量進(jìn)氣、速度控制、燃油噴射控制以及點(diǎn)火控制等功能[1]。電控發(fā)動(dòng)機(jī)作為當(dāng)今汽車發(fā)動(dòng)機(jī)的主流，電控發(fā)動(dòng)機(jī)技術(shù)的自動(dòng)化程度也體現(xiàn)了汽車行業(yè)自動(dòng)化程度的高低[2]。

現(xiàn)代汽車電控系統(tǒng)主要由各類傳感器、電控芯片以及多個(gè)執(zhí)行器等部分組成，如圖1所示。發(fā)動(dòng)機(jī)正常工作需要各個(gè)部分協(xié)同工作，電控芯片向各個(gè)部分發(fā)送動(dòng)作指令，各個(gè)部分也將相關(guān)信息反饋到電控芯片中。汽車電控發(fā)動(dòng)機(jī)中的電子控制單元（ECU） -般具有故障自診斷的功能[3]，汽車發(fā)動(dòng)機(jī)控制系統(tǒng)中的各傳感器實(shí)時(shí)將信號(hào)傳送到ECU中，ECU對(duì)接收的傳感器信號(hào)進(jìn)行判別，當(dāng)ECU檢測(cè)到來(lái)自傳感器和執(zhí)行器的故障信號(hào)時(shí)，ECU將發(fā)送相關(guān)指令，汽車駕駛員操作面板上的故障指示燈將點(diǎn)亮，提醒駕駛員汽車發(fā)動(dòng)機(jī)出現(xiàn)故障。同時(shí)ECU也會(huì)發(fā)送故障代碼到控制器中，維修人員在檢修車輛時(shí)，通過(guò)拷貝存儲(chǔ)器中的故障代碼，通過(guò)對(duì)代碼解析識(shí)別，從而判別故障發(fā)生位置，但人工檢修也會(huì)出現(xiàn)一些問(wèn)題。

1.2 電控發(fā)動(dòng)機(jī)故障類型

汽車發(fā)動(dòng)機(jī)常見(jiàn)的故障類型主要有傳感器故障、執(zhí)行器故障以及相應(yīng)線路故障，各類故障的特征和相關(guān)參數(shù)不同。

汽車發(fā)動(dòng)機(jī)內(nèi)部的各項(xiàng)傳感器在正常工作時(shí)，各個(gè)傳感器會(huì)向ECU發(fā)送應(yīng)的信號(hào)，所發(fā)送的信號(hào)都在各自相應(yīng)的范圍內(nèi)，表1是發(fā)動(dòng)機(jī)在正常怠速下相關(guān)參數(shù)，當(dāng)某傳感器出現(xiàn)故障時(shí)，所發(fā)送的信號(hào)會(huì)超出正常范圍，當(dāng)ECU接收到超出正常范圍的信號(hào)時(shí)就會(huì)判定出該傳感器出現(xiàn)故障。

電控發(fā)動(dòng)機(jī)的執(zhí)行器發(fā)生故障時(shí)，常常需要外接電路來(lái)監(jiān)測(cè)各執(zhí)行器的工作情況[4]。汽車執(zhí)行器故障相關(guān)線路發(fā)生故障時(shí)，主要有線路接連處以及線路短路等情況。

2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種模擬生物神經(jīng)網(wǎng)絡(luò)行為特征并執(zhí)行分布式并行信息處理的算法數(shù)學(xué)模型，該網(wǎng)絡(luò)由大量相互連接的內(nèi)部節(jié)點(diǎn)（神經(jīng)元）組成，每個(gè)節(jié)點(diǎn)輸出一個(gè)稱為激勵(lì)函數(shù)的特定函數(shù)。每?jī)蓚€(gè)節(jié)點(diǎn)之間的連接由用于評(píng)估信號(hào)強(qiáng)度的值或權(quán)重表示[5]。根據(jù)系統(tǒng)的復(fù)雜性，可以通過(guò)調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)、網(wǎng)絡(luò)的連接方式、激勵(lì)函數(shù)和內(nèi)部節(jié)點(diǎn)之間的互連權(quán)重來(lái)實(shí)現(xiàn)信息處理的目的。人工神經(jīng)網(wǎng)絡(luò)技術(shù)因具有良好的自組織自學(xué)習(xí)能力，可模擬人思維根據(jù)輸入的樣本數(shù)據(jù)尋找輸入量與輸出量之間的復(fù)雜關(guān)系，具有非線性適應(yīng)性信息處理能力，在預(yù)測(cè)、控制領(lǐng)域等到了成功的應(yīng)用。

2.1 人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠模擬人腦處理信息的方式，利用大量數(shù)據(jù)訓(xùn)練影響因素與沉積量之間的非線性關(guān)系模型。該模型具有自學(xué)習(xí)和自適應(yīng)能力，并利用訓(xùn)練的模型根據(jù)新輸入的各影響因素對(duì)應(yīng)的參數(shù)值，經(jīng)過(guò)權(quán)值調(diào)節(jié)對(duì)沉積量進(jìn)行預(yù)測(cè)。人工神經(jīng)網(wǎng)絡(luò)是由多個(gè)神經(jīng)元組合模擬生物神經(jīng)元的一種數(shù)學(xué)模型，神經(jīng)元的結(jié)構(gòu)如圖2所示。

圖2中，∑表示該神經(jīng)元所有輸入量求和，O表示訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)設(shè)置的一定閾值，S，表示該神經(jīng)元的輸出，fi表示神經(jīng)元的輸出，{X1，X2，…，Xn}表示該神經(jīng)元的輸入，{w1f，W2f，…，Wnf}表示兩個(gè)神經(jīng)元相互連接作用時(shí)的權(quán)值，當(dāng){w1f，W2f，…，Wnf}的符號(hào)為正時(shí)表明神經(jīng)元處于興奮狀態(tài)，否則則處于抑制狀態(tài)。f（·）表示神經(jīng)元激活函數(shù)。

神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)特殊功能的核心是算法[6]，構(gòu)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為誤差反向傳播（Error Back Propaga-tion，BP）神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)能獨(dú)立處理與輸入樣本相似的數(shù)據(jù)，并以最小的輸出誤差對(duì)輸人數(shù)據(jù)進(jìn)行非線性變化，BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖3所示。

所構(gòu)建的誤差反向傳播（BP）神經(jīng)網(wǎng)絡(luò)主要包含輸入層、隱含層和輸出層，其中輸入層神經(jīng)元的輸入量以汽車發(fā)動(dòng)機(jī)傳感器的各項(xiàng)數(shù)據(jù)作為輸入量，相應(yīng)故障作為輸出層神經(jīng)元的輸出量。輸入層神經(jīng)元與輸出層神經(jīng)元之間采用隱含層相連，各層神經(jīng)元之間的傳遞函數(shù)如下[7]：

2.2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練包括正向和反向過(guò)程，其中正向訓(xùn)練利用樣本數(shù)據(jù)，樣本數(shù)據(jù)作為為輸入層神經(jīng)元輸入相應(yīng)參數(shù)，經(jīng)過(guò)隱含層計(jì)算后輸出，通過(guò)比較輸出量與理論值之間的偏差，如果偏差滿足設(shè)定的閾值，則訓(xùn)練結(jié)束，若不滿足，則將誤差值反向傳播，調(diào)整各層神經(jīng)元之間權(quán)值和偏置值，直到誤差滿足相應(yīng)要求停止。

神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練需要大量的樣本數(shù)據(jù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的樣本數(shù)據(jù)主要來(lái)自于實(shí)驗(yàn)[8]。通過(guò)實(shí)驗(yàn)收集大量汽車電動(dòng)發(fā)動(dòng)機(jī)故障特征，并分析相關(guān)參數(shù)作為樣本數(shù)據(jù)。表2是將樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入量，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)后的輸出。

3 實(shí)驗(yàn)

為驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型在汽車電控發(fā)動(dòng)機(jī)故障診斷方面的準(zhǔn)確性與靈敏度，通過(guò)收集了十二組故障數(shù)據(jù)，每組數(shù)據(jù)包括氧氣、冷卻水溫、發(fā)動(dòng)機(jī)轉(zhuǎn)速數(shù)據(jù)、節(jié)氣門開(kāi)度、進(jìn)氣溫度、點(diǎn)火提前角、噴嘴噴射油時(shí)間、空燃比閉環(huán)狀態(tài)、進(jìn)氣傳感器壓力以及發(fā)動(dòng)機(jī)負(fù)荷數(shù)據(jù)。每一個(gè)傳感器收集六組數(shù)據(jù)，其中一組待檢測(cè)的數(shù)據(jù)如表3所示。

通過(guò)神經(jīng)網(wǎng)絡(luò)模型診斷后，輸出結(jié)果如表4所示。

通過(guò)表中數(shù)據(jù)可以看出，實(shí)際輸出結(jié)果與神經(jīng)網(wǎng)絡(luò)模型診斷的結(jié)果一直，神經(jīng)網(wǎng)絡(luò)模型的精度較高，在汽車電控發(fā)動(dòng)機(jī)故障領(lǐng)域有一定的應(yīng)用前景。

4 結(jié)語(yǔ)

通過(guò)神經(jīng)網(wǎng)絡(luò)分析電控發(fā)動(dòng)機(jī)故障數(shù)據(jù)來(lái)判斷汽車故障的方法，能夠根據(jù)電控發(fā)動(dòng)機(jī)的相關(guān)數(shù)據(jù)，分析數(shù)據(jù)準(zhǔn)確的找到故障位置，并診斷故障原因，該方法較人為的檢測(cè)在精度上有了很大的提高，提高了工作效率。

參考文獻(xiàn)

[1]《中國(guó)公路學(xué)報(bào)》編輯部，中國(guó)汽車工程學(xué)術(shù)研究綜述[J].中國(guó)公路學(xué)報(bào).2017，30（06）：1-197.

[2]王禮軍.模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用研究[D].重慶：重慶交通大學(xué)，2012.

[3]李國(guó)勇，電控汽油機(jī)智能控制策略及故障診斷的研究[D].太原：太原理工大學(xué)，2007.

[4]屋德畢李格，基于波形分析法的電噴汽油機(jī)故障診斷研究[D].西安：長(zhǎng)安大學(xué)，2005.

[5]李守巨.基于計(jì)算智能的巖土力學(xué)模型參數(shù)反演方法及其工程應(yīng)用[D].大連：大連理工大學(xué)，2004.

[6] Khosravi A， Koury R N N，Machado L，et al.Predic-tion of wind speed and wind direction using artificialneural network， support vector regression and adaptiveneuro- fuzzy inference system[J].Sustainable EnergyTechnologies and Assessments， 2018， 25： 146-160.

[7] Al- Ghobari，H M， El- Marazky，M S，Dewidar，A Z，et al.Prediction of wind drift and evaporation losses fromsprinkler irrigation using neural network and multiple re-gression techniques[J].Agricultural Water Manage-ment.2018， 195： 211-221.

[8] Wen，S.;Zhang，Q.;Yin，X.;et al.Design of Plant Pro-tection UAV Variable Spray System Based on NeuralNetworks.Sensors 2019， 19， 1112.

作者簡(jiǎn)介：于麗麗（1989-），女，江蘇徐州人，碩士研究生，講師，主要研究方向：汽車服務(wù)工程。