基于BP 神經(jīng)網(wǎng)絡(luò)與概率神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動機故障識別方法及對比分析*

李 雯 喻菲菲 杜燦誼 李 鋒 龔永康

（1-廣東技術(shù)師范大學(xué)機電學(xué)院 廣東 廣州 510635 2-廣東技術(shù)師范大學(xué)汽車與交通工程學(xué)院）

引言

隨著汽車電控技術(shù)的快速發(fā)展，發(fā)動機電控單元（ECU）接收的傳感器信號越來越多，在對發(fā)動機運行工況精確監(jiān)測的基礎(chǔ)上，可對發(fā)動機的運轉(zhuǎn)進行精確的控制與調(diào)整。同時，發(fā)動機在線診斷系統(tǒng)（OBD）的監(jiān)測與診斷功能也越來越強大，但是，OBD系統(tǒng)通常只能監(jiān)測傳感器等電氣線路和信號相關(guān)故障信息，對諸如發(fā)動機機械故障、磨損沖擊、性能退化等方面故障通常沒有監(jiān)測與診斷能力。因此，如何對發(fā)動機進行有效深入的診斷，目前也有專家學(xué)者作了大量的研究[1-2]，提出了一系列基于人工神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障智能診斷方法。

發(fā)動機運行狀態(tài)通常能用轉(zhuǎn)速、進氣歧管絕對壓力、節(jié)氣門開度、進氣流量、冷卻液溫度等主要參數(shù)共同來表征。通過采集主要傳感器信號作為輸入特征向量，建立BP 神經(jīng)網(wǎng)絡(luò)和PNN 神經(jīng)網(wǎng)絡(luò)模型對發(fā)動機的故障類型進行分類與識別，并進行試驗來驗證方法的可行性。BP 神經(jīng)網(wǎng)絡(luò)和PNN 神經(jīng)網(wǎng)絡(luò)都常用于故障檢測和目標(biāo)分類識別領(lǐng)域，其中BP神經(jīng)網(wǎng)絡(luò)采用誤差逆?zhèn)鞑サ膶W(xué)習(xí)算法，通過循環(huán)迭代來優(yōu)化連接權(quán)值與閾值，從而達到分類要求。PNN網(wǎng)絡(luò)則能用線性學(xué)習(xí)算法實現(xiàn)非線性的學(xué)習(xí)，具備學(xué)習(xí)速度快、魯棒性強、可以完成任意非線性逼近的優(yōu)點[3]；另外，其各層節(jié)點數(shù)較為固定，易于硬件實現(xiàn)。本文采用BP 神經(jīng)網(wǎng)絡(luò)與PNN 網(wǎng)絡(luò)建立了診斷模型，并在準(zhǔn)確率和計算速度上進行對比分析。

1 試驗方案與樣本數(shù)據(jù)制取

1.1 試驗方案

通過試驗提取各種故障狀態(tài)的樣本數(shù)據(jù)，方案路線如圖1 所示[4]。發(fā)動機故障設(shè)置方式如下：拔下第一缸噴油器電磁閥接線頭，實現(xiàn)單缸失火；用布塞住排氣管口，實現(xiàn)排氣管堵塞；用布蓋住進氣管空氣濾清器進氣口，實現(xiàn)進氣管堵塞；取下火花塞并調(diào)節(jié)間隙，實現(xiàn)火花塞間隙過大。首先，利用元征X-431解碼器，在瞬態(tài)工況下，獲取卡羅拉L15B 四缸發(fā)動機在4 種典型故障狀態(tài)以及正常狀態(tài)的3 種傳感器信號數(shù)據(jù)：發(fā)動機轉(zhuǎn)速（n）、進氣歧管絕對壓力（MAP）和節(jié)氣門開度（TPS），它們與發(fā)動機運行狀態(tài)緊密相關(guān)。然后，以采集的數(shù)據(jù)作為訓(xùn)練樣本，建立基于發(fā)動機故障識別的BP 和PNN 神經(jīng)網(wǎng)絡(luò)模型。最后，進行網(wǎng)絡(luò)的測試和實驗，分析網(wǎng)絡(luò)的效果和方法的可行性。

圖1 方案路線

1.2 樣本數(shù)據(jù)的制備

通過試驗獲取發(fā)動機4 種故障狀態(tài)以及正常狀態(tài)的n、MAP、TPS 傳感器信號數(shù)據(jù)，從各狀態(tài)數(shù)據(jù)中任意提取15 組，共以[75×3]矩陣數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。再另取[15×3]矩陣數(shù)據(jù)作為測試樣本，數(shù)據(jù)如表1、表2 所示。

表1 部分訓(xùn)練樣本數(shù)據(jù)

續(xù)表

表2 測試樣本數(shù)據(jù)

2 基于神經(jīng)網(wǎng)絡(luò)的診斷模型

針對發(fā)動機的多個表征參數(shù)、多種故障類型診斷這一復(fù)雜問題，往往計算量大且容錯性要求高[5]，借助神經(jīng)網(wǎng)絡(luò)可以迅速地尋找出所期望的最優(yōu)結(jié)果。通過特征樣本的訓(xùn)練，建立的神經(jīng)網(wǎng)絡(luò)模型就能以發(fā)動機實測傳感器數(shù)據(jù)來識別所屬可能性最高的故障類型。

2.1 神經(jīng)網(wǎng)絡(luò)的設(shè)計

2.1.1 BP 神經(jīng)網(wǎng)絡(luò)的設(shè)計

構(gòu)建3 層BP 神經(jīng)網(wǎng)絡(luò)足以滿足模式自動處理和判讀。第一，輸入層節(jié)點數(shù)取決于輸入向量的維數(shù)，即需要輸入3 個特征量，分別為轉(zhuǎn)速、進氣歧管絕對壓力和節(jié)氣門開度。第二，在輸出層則需要設(shè)定5 種輸出的模式：正常狀態(tài)：[1 0 0]；故障一，單缸失火：[0 1 0]；故障二，進氣管堵塞：[0 0 1]；故障三，排氣管堵塞：[0 1 1]；故障四，火花塞間隙過大：[1 0 1]。第三，隱含層神經(jīng)元數(shù)目是BP 神經(jīng)網(wǎng)絡(luò)性能優(yōu)劣的關(guān)鍵所在[6]。根據(jù)現(xiàn)有的經(jīng)驗公式，隱含層節(jié)點數(shù)約為輸入層節(jié)點數(shù)的2 倍左右[7]，事實上，輸入、輸出神經(jīng)元數(shù)共同影響著隱含層神經(jīng)元個數(shù)的選擇，不能一概而論。通過試湊法，多次嘗試增減隱含層節(jié)點數(shù)，最終確定最優(yōu)方案：三層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為“3-7-3”，如圖2 所示。

圖2 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.1.2 PNN 網(wǎng)絡(luò)的設(shè)計

在模式分類問題中，PNN 神經(jīng)網(wǎng)絡(luò)得到了廣泛的應(yīng)用，它以貝葉斯最小風(fēng)險準(zhǔn)則為基本原理。網(wǎng)絡(luò)分為4 層：第1 層為輸入層，主要是把發(fā)動機的n、TPS 和MAP 形成的三維矢量X={x1，x2，x3}輸入到神經(jīng)網(wǎng)絡(luò)中去，其神經(jīng)元個數(shù)與輸入矢量長度相等。第2 層為模式層，它通過加權(quán)系數(shù)Wi與輸入層相連接，75 組樣本輸入即對應(yīng)75 個神經(jīng)元，每個神經(jīng)元節(jié)點都設(shè)有一個中心，此層測出輸入特征向量與訓(xùn)練樣本之間的歐式距離，并返回一個標(biāo)量值，完成非線性操作。與BP 神經(jīng)網(wǎng)絡(luò)的S 型傳遞函數(shù)不同，PNN 網(wǎng)絡(luò)對標(biāo)準(zhǔn)化后的X 進行徑向基運算，傳遞函數(shù)為：

其中分布密度δ 決定了樣本歸類的靈敏度，這是PNN 網(wǎng)絡(luò)性能的核心量[8]。第3 層為求和層，主要對同一類的模式層神經(jīng)元的輸出進行加權(quán)平均，即節(jié)點數(shù)應(yīng)為5。它將輸出與各類基于內(nèi)核的概率密度的估計，且呈正比例。第4 層為輸出層，從求和層接收各類所獲得的概率密度函數(shù)，以競爭神經(jīng)元進行閾值辨別，從所有輸出層神經(jīng)元中匹配出可能性最大的一個，以輸出1 和0 來區(qū)別待識別模式類別與其它模式類別。建立的PNN 網(wǎng)絡(luò)拓補結(jié)構(gòu)如圖3所示。

圖3 PNN 網(wǎng)絡(luò)結(jié)構(gòu)

2.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后，輸入采集制備的樣本數(shù)據(jù)，通過一定的算法來讓網(wǎng)絡(luò)進行記憶、聯(lián)想、推測和容錯，從而得到特定的模糊映射關(guān)系，實現(xiàn)發(fā)動機故障的判別。

2.2.1 BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

BP 神經(jīng)網(wǎng)絡(luò)通過輸出值與目標(biāo)值的誤差計算，并將誤差根據(jù)設(shè)定的準(zhǔn)則反向逐層傳遞來修改權(quán)值，從而使網(wǎng)絡(luò)的輸出趨近穩(wěn)定狀態(tài)，滿足實際應(yīng)用的需要[9]。采用S 型正切函數(shù)tansig、對數(shù)函數(shù)logsig分別作為BP 網(wǎng)絡(luò)模型隱含層、輸出層的傳遞函數(shù)。圖4 為訓(xùn)練誤差性能檢測結(jié)果，從圖可知，經(jīng)過55次迭代（約1 s），訓(xùn)練最優(yōu)狀態(tài)與目標(biāo)狀態(tài)基本重合，其中相關(guān)系數(shù)R 為0.987 17（越接近1 網(wǎng)絡(luò)性能越優(yōu)），網(wǎng)絡(luò)訓(xùn)練效果合理[10]。

2.2.2 概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

與BP 神經(jīng)網(wǎng)絡(luò)不同，概率神經(jīng)網(wǎng)絡(luò)不計算誤差進行反向傳播，網(wǎng)絡(luò)中的每個神經(jīng)元都是單輸入、單輸出，它的信息處理能力來自于非線性函數(shù)的多重組合，是一個完全的正向計算過程。依次定義正常、單缸失火、進氣管堵塞、排氣管堵塞、火花塞間隙過大5 種狀態(tài)的輸出標(biāo)簽為{1，2，3，4，5}。調(diào)整散布常數(shù)spread 為0.2 時訓(xùn)練效果最好[11]。如圖5 所示，75組狀態(tài)數(shù)據(jù)在訓(xùn)練中全部正確分類，準(zhǔn)確率為100%，速度為0.036s，訓(xùn)練程度符合要求。

圖4 訓(xùn)練誤差性能

圖5 網(wǎng)絡(luò)訓(xùn)練后樣本的分類結(jié)果與誤差圖

2.3 測試結(jié)果與對比分析

采用同一個測試樣本對建立好的BP 神經(jīng)網(wǎng)絡(luò)和PNN 網(wǎng)絡(luò)進行測試，測試樣本見表2。從網(wǎng)絡(luò)測試的結(jié)果分析：BP 神經(jīng)網(wǎng)絡(luò)故障識別的誤差較大，其中誤差最大的一組是[0.7639 0.0001 0.9943]，期望輸出為[0 1 1]，進氣管堵塞、排氣管堵塞以及正常狀態(tài)均出現(xiàn)錯誤，準(zhǔn)確率只有66.7%，效果不理想，原因是訓(xùn)練樣本涵蓋面不足；PNN 網(wǎng)絡(luò)輸出的結(jié)果跟期望輸出基本符合，15 組隨機樣本的測試結(jié)果中，只有一組進氣管堵塞被判斷為排氣管堵塞，故障檢測錯誤，準(zhǔn)確率達93.3%。網(wǎng)絡(luò)測試結(jié)果如表3 所示，由此可見，建立的PNN 網(wǎng)絡(luò)在完成發(fā)動機故障類型的分類和識別的效果上更優(yōu)。

表3 網(wǎng)絡(luò)測試結(jié)果對比

3 實驗驗證

建立網(wǎng)絡(luò)并進行測試后，需要在實際應(yīng)用中對網(wǎng)絡(luò)的計算結(jié)果進行驗證，保證其故障識別的穩(wěn)定性。因此，重新制取本田卡羅拉發(fā)動機3 類傳感器信號數(shù)據(jù)，5 種狀態(tài)各取10 組，即驗證樣本為[50×3]矩陣，部分驗證結(jié)果如表4 所示。其中BP 神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率為94%；PNN 網(wǎng)絡(luò)的準(zhǔn)確率為98%。另外，BP神經(jīng)網(wǎng)絡(luò)與概率神經(jīng)網(wǎng)絡(luò)的收斂速度分別為1s 和0.03 s。因此，PNN 網(wǎng)絡(luò)在識別準(zhǔn)確率和收斂速度上均優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)。

表4 部分?jǐn)?shù)據(jù)及網(wǎng)絡(luò)驗證結(jié)果

4 結(jié)論

以汽車發(fā)動機轉(zhuǎn)速、進氣歧管壓力和節(jié)氣門開度傳感器信號作為特征向量，分別建立BP 神經(jīng)網(wǎng)絡(luò)和PNN 神經(jīng)網(wǎng)絡(luò)模型，對發(fā)動機正常狀態(tài)以及單缸失火、進氣管堵塞、排氣管堵塞、火花塞間隙過大4種故障狀態(tài)進行識別，準(zhǔn)確率高。通過網(wǎng)絡(luò)的測試和驗證結(jié)果表明：PNN 網(wǎng)絡(luò)的故障識別精度比BP 神經(jīng)網(wǎng)絡(luò)高，效果穩(wěn)定且速度更快，此方法在汽車發(fā)動機故障識別中應(yīng)用效果更佳。