森林消防車發(fā)動機電控系統故障診斷方法研究

賀子祺 儲江偉 周桓宇

摘 要：針對森林消防車發(fā)動機電控系統故障診斷問題，本文設計了基于數據融合的森林消防車電控發(fā)動機故障診斷方法。該方法診斷模型由基于反向傳播神經網絡（Back Propagation，簡稱為 BP）的數據融合方法、基于概率神經網絡（Probabilistic Neural Network，簡稱為PNN）的分類方法和基于DS（Dempster/Shafer，簡稱為DS）證據理論的決策融合方法組成。首先，根據原始數據樣本訓練BP神經網絡以達到原始數據融合的目的，而后分別對經過數據融合的原始數據和未經數據融合的原始數據進行基于KL（Karhunen Loéve）變換的特征提取。然后，使用特征提取后的數據訓練概率神經網絡，并使用訓練好的網絡驗證測試樣本。最后，采用DS證據理論對初步診斷結論進行決策級融合。研究結果表明，基于數據融合和概率神經網絡的方法可有效地提高森林消防車電控系統的故障診斷精度。

關鍵詞：概率神經網絡; 數據融合; DS證據理論; 電控發(fā)動機; 故障診斷

中圖分類號：S??? 文獻標識碼：A?? 文章編號：1006-8023（2021）04-0087-07

Research on Fault Diagnosis Method of Electronic Control System

of Forest Fire Engine

HE Ziqi1， CHU Jiangwei1*， ZHOU Huanyu2

（1.School of Traffic and Transportation， Northeast Forestry University， Harbin 150040， China;

2.College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：Aiming at the problem of fault diagnosis of electronically controlled engine of forest fire truck， this paper designed a fault diagnosis method of electronically controlled engine of forest fire trunk based on data fusion. The diagnosis model of this method consisted of data fusion method with BP neural network， classification method by probabilistic neural network and decision fusion method based on D-S evidence theory. First of all， the BP neural network trained by the data samples was to achieve the purpose of original data fusion. Next， the data with and without data fusion was performed a feature extraction operation by K-L transform. Then， the data after feature extraction was used to train the probabilistic neural network， and the trained network was used to verify the test samples. Finally， the D-S evidence theory was used to fuse the preliminary diagnosis conclusion at the decision level. The simulation results showed that the method based on data fusion and probabilistic neural network can effectively improve the fault diagnosis accuracy of the electronic control system for forest fire truck.

Keywords：Probabilistic neural network; data fusion; D-S evidence theory; electronically controlled engine; fault diagnosis

收稿日期：2021-03-01

基金項目：國家大學生創(chuàng)新創(chuàng)業(yè)項目 （202010225172）

*通信作者：儲江偉，博士，教授。 研究方向為電控故障診斷。 E-mail： cjw_62@163.com

引文格式：賀子祺，儲江偉，周桓宇. 森林消防車發(fā)動機電控系統故障診斷方法研究[J]. 森林工程，2021，37（4）：87-93.

HE Z Q， CHU J W， ZHOU H Y. Research on fault diagnosis method of electronic control system of forest fire engine[J]. Forest Engineering， 2021，37（4）：87-93.

0 引言

森林火災作為四大森林災害之首，對我國森林保護及林業(yè)經濟具有潛在的巨大威脅。森林消防車作為當前森林滅火的主要工具，確保其運行過程中各個性能指標處于正常狀態(tài)，是保證森林火情發(fā)生時能有效地抑制火情蔓延、減小林業(yè)資源損失的前提。由此可見，有必要使用先進而有效的消防車電控發(fā)動機故障診斷技術，以保障森林消防車安全有效地執(zhí)行森林滅火任務。本研究借鑒了相關汽車發(fā)動機故障診斷的實踐經驗，對基于概率神經網絡（Probabilistic Neural Network，簡稱為PNN）和數據融合理論的森林消防車輛電控發(fā)動機故障診斷方法進行研究。目前，電控發(fā)動機故障診斷方法可以分為基于模型驅動的方法和基于數據驅動的方法。其中，基于模型的故障診斷方法高度依賴于模型的準確性，具體來說是將模型預測值與系統運行值進行比較，其過程高度依賴數學模型的準確性。然而，對于較為復雜的系統，通常很難得到其精確模型。而數據驅動方法不需要數學模型，僅依賴于一定量的原始數據。該方法可以實時地監(jiān)測系統中的信號，自動判斷出發(fā)動機的運行狀況。

對于電控發(fā)動機故障診斷來說，常用的數據驅動方法包括反向傳播（Back Propagation，簡稱為BP）神經網絡、支持向量機（Support Vector Machine，簡稱為SVM）[1- 2]、徑向基神經網絡（Radial Basis Function，簡稱為RBF）[3-4]等機器學習方法，以及深度置信網絡[5-6]、自編碼器[7-8]、長短時記憶網絡[9-10]等深度學習方法和基于多傳感器數據采集的信息融合方法（又稱為數據融合）。其中，BP神經網絡是一種基于連接結構的非邏輯、非語言的人工智能方法，具有并行結構、并行處理、分布式存儲、容錯性好、自組織和自學習等優(yōu)點。例如，使用BP神經網絡結合自組織映射神經網絡 （Self organizing feature Map，簡稱為SOM）來進行混合動力汽車的故障診斷[11];基于改進粒子群優(yōu)化算法優(yōu)化的BP神經網絡模型用于航空發(fā)動機傳感器的故障診斷[12]。BP神經網絡不僅可以作為分類模型，同樣也是一種信息融合方法[13-14]。用PNN作為電控發(fā)動機的故障診斷模型，可將訓練好的PNN對發(fā)動機單缸、雙缸失火進行準確地診斷和定位[15]。此外，在較為復雜的柴油發(fā)動機故障診斷問題上，作為分類模型的PNN相較于BP神經網絡和人工診斷法常常具有更高的準確率[16-18]。PNN還被用于船舶燃氣輪機的氣路故障檢測，取得了良好的效果[19]。

DS（Dempster/Shafer，簡稱為DS）證據理論是一種比傳統概率論更好地把握問題的不可預測性和不確定性的有效方法，作為證據合成的方法可以對不同來源的證據進行融合。例如，提取內燃機8種不同氣門狀態(tài)的缸蓋振動信號的時頻圖像并使用BP神經網絡進行分類，其輸出結果作為概率值并通過DS證據理論得到最終診斷結果[20];另外，DS證據理論也被用于發(fā)動機故障診斷結果準確性的評估方法[21]，以及通過改進DS證據理論方法[22]來進一步提高燃氣輪機故障識別精度等。

1 發(fā)動機電控系統工作原理

電控發(fā)動機主要包括輸入信號傳感器、電子控制單元（ECU）和執(zhí)行器3部分，具體如圖1所示。

發(fā)動機電子控制系統是通過各種傳感器和開關或其他信號輸入裝置將發(fā)動機運行工況的各種信息輸入ECU。發(fā)動機電子控制系統采用的傳感器種類繁多，不同型號或不同類型的電控系統采用的傳感器的數量也不同。而且隨著系統控制功能的擴展，其傳感器及輸入信號的數量也將不斷增加。執(zhí)行器是受ECU控制的具有某項功能的器件或裝置，如電磁噴油器、點火模塊、怠速閥、EGR閥、油泵繼電器、冷卻風扇繼電器、空調壓縮機繼電器、活性碳罐繼電器和巡航穩(wěn)定裝置等。電子控制單元（ECU）主要由輸入回路、A/D轉換器、單片機和輸出回路等4部分在發(fā)動機控制系統中組成。ECU不僅能完成對燃油噴射的控制，同時還可實現對點火提前角、怠速、排放量、進氣量以及增壓等方面的控制。此外，ECU還有自診斷、失效保護和備用控制等多項功能。

2 KL（Karhunen Loéve）變換及PNN神經網絡

2.1 基于KL變換的特征提取

特征提取是通過信息壓縮的方法將原始特征中的有用信息投影到少數幾個復合特征變量上，同時忽略掉冗余不相關信息。其過程可以用公式表述：

x=Ay。（1）

式中：A為特征提取算子;y為原始模態(tài)向量;x為特征提取后的特征向量。

汽車運行工況和技術狀態(tài)的描述是用一組狀態(tài)特征向量維數確定的參數樣本，每個向量中的每個維度代表著該樣本的一個特征。狀態(tài)特征的構造和特征參數的選擇直接影響到識別方法的準確度?？紤]到KL變換是在最小均方根誤差意義下的最優(yōu)正交變換，具有去除特征向量間的相關性并突出各異性的效果。在基于KL變換的特征提取方法中，KL坐標軸由原始模態(tài)向量y的概率分布的二階統計矩陣（類內散布矩陣Sw）的特征矢量來定義。而Sw的非相關性使得由其特征矢量定義的KL坐標可有效地辨別y的概率分布的一階統計信息內容。由特征矢量φjj=1，2，…，d確定的特征提取算子A具有最大的信噪比，即滿足：

φTjSBφjλj ≥…≥ φTdSBφdλd 。? （2）

式中：λj是類內散布矩陣Sw的相應于第j個特征矢量φj的特征值;SB為總體類間散布矩陣。

Sw的定義如下：

Sw=∑ci=1PwiSi。（3）

式中：Pwi為原始模態(tài)向量y可能屬于的第i 種故障類別wi（i=1，2，…，c）的概率;c為故障類型的總數;Si為第i類內散布矩陣，其定義如下：

Si=Ex-Mix-MiT 。（4）

式中：E為期望值;x為特征提取后的特征向量;Mi為第i 類的均值向量。

SB的定義如下：

SB=∑ci=1PwiMi-MMi-MT 。（5）

原始模態(tài)向量y在KL坐標系上的投影具有如下性質：首先，變換后的向量分量是不相關的。其次，包含在y中的信息被壓縮到少數KL軸上。這些性質非常適合于特征提取。

2.2 概率神經網絡（PNN）

PNN是在RBF神經網絡的基礎上，結合了貝葉斯決策（Bayes Decision Rule）和密度函數估計理論，與RBF神經網絡不同，PNN專門應用于分類問題[23]。

貝葉斯決策理論是PNN的理論基礎。貝葉斯公式的數學表達式為：

PAi|B=PAiP（B|Ai）∑ni=1PAiP（B|Ai）。（6）

在公式（6）中，所有的事件Ai（i=1，2，…，n）組成一個完整的樣本空間Ω，且Ai∩Aj=φ，i≠j，φ代表空集，且每個事件Ai發(fā)生的概率PAi都滿足PAi>0，PAi|B代表在事件B發(fā)生的條件下，事件 Ai發(fā)生的概率，P（B|Ai）同理。

PNN主要由輸入層、隱含層、求和層和決策層組成，如圖2所示。圖2中X1，X2，…，Xd為輸入矢量x的各個分量，其他數學符號與公式（7）到公式（9）中的描繪是一致的。

PNN的第一層為輸入層，用于接收來自訓練樣本的值，將數據傳遞給隱含層，神經元個數與輸入向量維度相等。第二層隱含層是隱層，每一個隱層的神經元節(jié)點擁有一個中心xij，該層接收輸入層的樣本輸入并計算輸入向量與中心的距離，最后返回一個標量值Φij（x），神經元個數與輸入訓練樣本個數相同。輸入矢量x到隱含層，圖2隱含層中第i類第j個神經元所確定的輸入與輸出關系由下式定義：

Φijx=1（2π）12σde（x-xij）（x-xij）Tσ2。（7）

式中：i=1，2，…，N，N為訓練樣本中總類數;d為樣本空間數據的維度;xij為第i類樣本的第j個中心，σ為概率神經網絡平滑因子，它取值在一定程度上影響著網絡的最終分類結果。

求和層對同一類隱層神經元輸出進行加權平均運算，如公式（8）所示：

Vi=∑nj=1Φij（x）ni。（8）

式中：Vi為第i類的類別輸出;ni為第i類的神經元數目，求和層的神經元個數等于類別數目N。

輸出層取求和層中最大的一個作為輸出的類別：

y=argmaxVi。（9）

在實際計算中，輸入層的向量通常會先與加權系數相乘，再進行公式（7）的計算。

3 基于信息融合的故障診斷模型

3.1 故障診斷模型簡介

根據數據處理層次，建立由數據融合方法、特征提取、分類和決策融合方法的多信息融合的電控發(fā)動機故障診斷模型，如圖3所示。

基于上述模型的故障診斷過程是：首先，在相同的發(fā)動機工況下連續(xù)采集參數，確保采集到的參數在時間上的一致性;然后，利用歸一化方法對樣本參數進行處理，將結果輸入神經網絡進行數據融合，一部分作為訓練集，另一部分作為測試數據;最后，計算數據融合層分配診斷結果的可信度，并將其發(fā)送到決策融合層進行最終診斷決策。

3.2 基于BP神經網絡的數據層融合

鑒于神經網絡具有很強的聯想記憶識別和分類能力，具有復雜非線性關系的多輸入多輸出模型可以快速準確地實現學習和訓練，故本研究數據融合層算法采用BP神經網絡。

神經網絡通常包含輸入層、隱含層和輸出層，如圖4所示。輸入層和輸出層是單一的簡單結構，節(jié)點數量由應用特性決定。對于隱層的層數，研究人員[24]進行了理論分析，發(fā)現在隱層節(jié)點數目足夠的情況下，單隱層結構可以簡化非線性函數逼近。隱層節(jié)點的數量主要取決于經驗和試驗。BP神經網絡的激勵函數通常在Sigmoid函數和雙曲正切函數之間選擇。輸出層節(jié)點的數量主要取決于期望輸出的維度。

3.3 基于DS證據理論的決策層融合

從數據層和特征層獲取的診斷結果的可信度較低，這意味著在某些情況下存在誤診的問題[25]。為了提高診斷的準確性和可靠性，在決策層將進行數據融合處理和未經數據融合處理的診斷結果進行決策融合。本文采用DS證據理論作為決策層的算法。

DS證據理論通過對證據進行分析和結合，根據證據的可信度m（A）得出最終決策?？尚哦萴（A）是指對既定命題A的信任度。證據是指客觀特征、人員主觀經驗以及依賴于被計算對象可靠性的知識。證據理論的本質是確定未知對象在多大程度上屬于已識別的框架Θ（表示問題所有可能解的集合，該集合的所有元素都是互斥的）。在本研究中，證據的可信度是指經過BP神經網絡及未經神經網絡進行數據融合及后續(xù)分類處理的結果可靠程度。集合m：2Θ→0，1是識別框架Θ中的基本可靠性分配。

根據DS證據理論，首先要定義一個區(qū)間。該區(qū)間的下限稱為置信函數，其定義為：

BelA=∑BAmB，AΘ（10）

假設置信函數Bel1，Bel2，…，Beln被分配在同一識別框架中。m1，m2，…，mn表示同一識別任務Θ中的基本置信度分布函數。如果Bel1Bel2…Beln存在，則滿足公式（11）。

m（A）=Bel1Bel2…Beln=K

∑m1（A1）…mn（An），Θ≠φ

A1，A2，…，AnΘ

A1∩A2∩…∩An=A

m（A）=Bel1Bel2…Beln=0，

Θ=φ 。（11）

式中K為證據之間的沖突度。計算公式如下。

K=11-∑m1A1…mnAn

A1，A2，…，AnΘ

A1∩A2∩…∩An=φ（12）

上述可信度公式的最終可信度是由每個證據的置信度函數得到的，并提供了多個獨立證據主體的綜合合成規(guī)則。在證據合成過程中，證據的順序對最終的合成結果沒有影響。當0

4 發(fā)動機電控系統故障診斷試驗

4.1 發(fā)動機技術狀態(tài)檢測數據

本文所應用的數據樣本采自6缸電控發(fā)動機，針對怠速不穩(wěn)定和加速無力等典型故障狀態(tài)。利用OBDII（隨車診斷系統）接口訪問車輛CAN總線，獲取發(fā)動機轉速、怠速控制量、空氣流量和燃油修正量等參數，并將采集的數據發(fā)送到數據存儲計算機。表1和表2分別是模擬噴油器堵塞和某缸失火故障時的一組檢測數據。試驗共采集了500組試驗數據，取400組作為訓練數據，其余100組作為測試數據。

表1和表2代表2種不同故障原因的8組數據檢測結果。 分別計算表1與表2參數的均值Mij（i=1，2）、方差mij（i=1，2）以及可分性測度JMyj可得到表3。其中，可分性測度按照如下公式計算：

JMyj=m1j-m2j2v21j-v22j （13）

式中vij（i=1，2）是第i類的協方差的第j個對角元素。

4.2 分類模型的訓練

試驗使用400組訓練數據，分別訓練BP神經網絡和概率神經網絡，具體如下。

BP神經網絡的訓練過程分為2個階段，計算結果前向傳播和誤差反向傳播。前向傳播階段中，首先原始樣本數據從輸入層發(fā)送到隱藏層進行計算，并在輸出層得到初步故障診斷結果。如果該結果與預期結果之間的差異不符合設計要求，則BP網絡進行（誤差反向傳播階段）工作，反之，BP神經網絡完成訓練。本研究解決的是故障分類問題，因此選用交叉熵來作為誤差衡量標準。在誤差反向傳播階段，誤差被分解到每層神經元，并且根據分解值校正每個神經元的權重和閾值。考慮到神經網絡輸入有7個特征參數，且實驗模擬了2種故障類別，因而BP神經網絡的輸入層和輸出層分別包含7個和2個節(jié)點。試驗表明，隱藏層節(jié)點取12，且使用Sigmoid函數作為激活函數可以在訓練數據集上取得較好診斷效果。值得注意的一點是，為了有效地進行決策層數據融合，研究去除了輸出層的激活函數。

PNN的訓練數據使用的是經KL變換特征提取后的數據。以表3中的數據舉例，首先根據公式（4）計算類內散布矩陣Si（i=1，2），隨后根據公式（3），求得Sw和SB，在這里即為Sw=S1+S2。通過Sw和SB可得到特征向量矩陣φ，及其對應的特征值λ。而后，根據公式（2）排列出各特征參數提取準則的計算值的大小。最后，研究選取前3個提取準則的計算值對應參數的特征向量構成公式（1）中的特征提取算子A，以公式（1）的輸出結果作為PNN的輸入。

根據特征選擇的結果，3個特征參數作為特征向量用作PNN的輸入向量。PNN的訓練過程體現在參數σ的優(yōu)化，經多次試錯后其最佳取值在0.2附近，在此情況下，在訓練數據集上能達到96%的準確率。

試驗使用100組測試數據測試訓練好的故障診斷模型。表4對比了單獨使用BP神經網絡、基于KL變換和PNN的方法，以及上述2個方法經DS證據理論決策融合后在測試數據集上的表現。

4.3 發(fā)動機電控系統故障狀態(tài)診斷結果

可以看到單一的使用基于KL變換特征提取結合PNN的分類結果識別準確率為92%。基于DS證據理論進行決策融合的實驗結果準確率則能夠達到96%。相較于單一方法的診斷結果，融合后的診斷結果具有更低的不確定性和更高的識別精度。

5 結論

基于概率神經網絡與數據融合理論相結合，研究了基于PNN、BP神經網絡和DS證據理論的森林消防車發(fā)動機電控系統典型故障診斷的方法。首先依據KL變換對采集到的原始故障樣本數據進行特征提取，去除冗余特征;分別將通過BP神經網絡融合數據處理及未經數據融合處理的數據樣本進行初步診斷。最后使用DS證據理論對初步診斷結果進行決策級融合，得到最終診斷結果。

試驗表明，對于森林消防車電控系統來說，該方法能有效地減少故障分類識別過程中的不確定性，同時具有較高的故障識別精度和較少的識別時間，為森林消防車發(fā)動機電控系統典型故障診斷問題提供了一種新的解決方案。

【參 考 文 獻】

[1]胡超，楊妍，王松濤，等.基于QAPSO-SVM的航空發(fā)動機故障診斷[J].熱能動力工程，2020，35（12）：40-46.

HU C， YANG Y， WANG S T， et al. Aeroengine fault diagnosis using quantum adaptive PSO-SVM[J]. Journal of Engineering for Thermal Energy and Power， 2020， 35（12）： 40-46.

[2]祝志超，吳定會，岳遠昌.基于監(jiān)督核熵成分分析的發(fā)動機磨損故障診斷[J].系統仿真學報：1-8[2021-06-17].http：//kns.cnki.net/kcms/detail/11.3092.V.20201230.1408.008.html.

ZHU Z C， WU D H， YUE Y C. Engine wear fault diagnosis based on supervised kernel entropy component analysis [J]. Journal of System Simulation：1-8 [2021-06-17]. http：//kns.cnki.net/kcms/detail/11.3092.V.20201230. 1408.008.html.

[3]謝春麗，王宇超，張博淋.基于徑向基神經網絡的發(fā)動機故障診斷技術[J].森林工程，2019，35（6）：61-66.

XIE C L， WANG Y C， ZHANG B L. Engine fault diagnosis technology based on RBF neural network[J]. Forest Engineering， 2019， 35（6）： 61-66.

[4]ZHANG M F， LI Y X， CAI J W， et al. Research on fault diagnosis of diesel engine based on PCA-RBF neural network[J]. Modern Physics Letters B， 2018， 32（34n36）： 1840099.

[5]XU J G， LIU X Y， WANG B B， et al. Deep belief network-based gas path fault diagnosis for turbofan engines[J]. IEEE Access， 2019， 7： 170333-170342.

[6]閆麗萍，董學智，張永軍，等.基于深度置信網絡的燃氣輪機氣路故障診斷方法[J].工程熱物理學報，2020，41（4）：840-844.

YAN L P， DONG X Z， ZHANG Y J， et al. A gas path fault diagnostic method of gas turbine based on deep belief network[J]. Journal of Engineering Thermophysics， 2020， 41（4）： 840-844.

[7]崔建國，李國慶，蔣麗英，等.基于深度自編碼網絡的航空發(fā)動機故障診斷[J].振動測試與診斷，2021，41（1）：85-89.

CUI J G， LI G Q， JIANG L Y， et al. Aero-engine fault diagnosis based on deep self-coding network[J]. Journal of Vibration， Measurement & Diagnosis， 2021， 41（1）： 85-89.

[8]ZHU X B， CHENG Y Q， WU J J， et al. Steady-state process fault detection for liquid rocket engines based on convolutional auto-encoder and one-class support vector machine[J]. IEEE Access， 2019， 8： 3144-3158.

[9]劉利軍，雷宇，余臻.雙向LSTM模型在航空發(fā)動機氣路故障診斷的應用[J].航天控制，2020，38（5）：67-72.

LIU L J， LEI Y， YU Z. The application of bidirectional LSTM model in aero-engine gas path fault diagnosis[J]. Aerospace Control， 2020， 38（5）： 67-72.

[10]JIANG Z N， LAI Y H， ZHANG J J， et al. Multi-factor operating condition recognition using 1D convolutional long short-term network[J]. Sensors， 2019， 19（24）： 5488.

[11]黃瑋.基于FA優(yōu)化SOM-BP神經網絡的混合動力汽車故障診斷[D].合肥：合肥工業(yè)大學，2020.

HUANG W. Fault diagnosis of hybrid vehicles based on FA optimized SOM-BP neural network[D]. Hefei： Hefei University of Technology， 2020.

[12]白杰，張正，王偉，等.基于小波神經網絡的航空發(fā)動機傳感器故障診斷[J].機床與液壓，2020，48（3）：180-186.

BAI J， ZHANG Z， WANG W， et al. Aeroengine sensor fault diagnosis based on wavelet neural network[J]. Machine Tool & Hydraulics， 2020， 48（3）： 180-186.

[13]王虹，徐佑宇，譚沖，等.基于改進粒子群的BP神經網絡WSN數據融合算法[J].中國科學院大學學報，2020，37（5）：673-680.

WANG H， XU Y Y， TAN C， et al. Information fusion algorithm based on improved particle swarm BP neural network in WSN[J]. Journal of University of Chinese Academy of Sciences， 2020， 37（5）： 673-680.

[14]袁媛，方紅彬，殷忠敏.基于多數據融合的電機故障診斷方法研究[J].電氣傳動，2021，51（9）：75-80.

YUAN Y， FANG H B， YIN Z M. Research on motor fault diagnosis method based on multi data fusion[J]. Electric Drive， 2021， 51（9）： 75-80.

[15]王子健，王德軍.基于概率神經網絡的汽車發(fā)動機失火故障診斷[J].吉林大學學報（信息科學版），2016，34（2）：229-236.

WANG Z J， WANG D J. Engine misfire diagnosis based on probabilistic neural network[J]. Journal of Jilin University （Information Science Edition）， 2016， 34（2）： 229-236.

[16]王志，張杰，晉超.基于概率神經網絡的柴油機故障診斷研究[J].機電信息，2020，20（23）：48-49.

WANG Z， ZHANG J， JIN C. Research on fault diagnosis of diesel engine based on probabilistic Neural Network [J]. Mechanical and Electrical Information， 2020（23）： 48-49.

[17]宋娟，蒙曄.基于神經網絡的柴油發(fā)動機的故障診斷[J].工業(yè)控制計算機，2018，31（11）：72-73.

SONG J， MENG Y. Diesel engine fault diagnosis based on neural network[J]. Industrial Control Computer， 2018， 31（11）： 72-73.

[18]劉澤民，葉辰.背負式森林消防泵故障診斷與分析[J].林業(yè)機械與木工設備，2020，48（10）：37-39.

LIU Z M， YE C. Fault diagnosis and analysis of backpack forest fire pumps[J]. Forestry Machinery & Woodworking Equipment， 2020， 48（10）：37-39.

[19]CAO Y P， LV X， HAN G D， et al. Research on gas-path fault-diagnosis method of marine gas turbine based on exergy loss and probabilistic neural network[J]. Energies， 2019， 12（24）： 4701.

[20]牟偉杰，石林鎖，蔡艷平，等.基于振動時頻圖像和D-S證據理論的內燃機故障診斷[J].武漢科技大學學報，2017，40（3）：223-229.

MU W J， SHI L S， CAI Y P， et al. IC engines fault diagnosis based on vibration time-frequency image and D-S evidence theory[J]. Journal of Wuhan University of Science and Technology， 2017， 40（3）： 223-229.

[21]王鴻飛，劉海斌，鄧鑫洋，等.基于冪均算子和證據理論的故障診斷方法[J].信息與控制，2019，48（5）：567-572.

WANG H F， LIU H B， DENG X Y， et al. Fault diagnosis method based on power-average operator and evidence theory[J]. Information and Control， 2019， 48（5）： 567-572.

[22]夏飛，孟娟，楊平，等.改進D-S證據理論在振動故障診斷中的應用[J].電子測量與儀器學報，2018，32（7）：171-179.

XIA F， MENG J， YANG P， et al. Application of improved D-S evidence theory in vibration fault diagnosis[J]. Journal of Electronic Measurement and Instrumentation， 2018， 32（7）： 171-179.

[23]WANG B， KE H W， MA X D， et al. Fault diagnosis method for engine control system based on probabilistic neural network and support vector machine[J]. Applied Sciences， 2019， 9（19）： 4122.

[24]WEI H L， NAN M S， Yu C， et al. Research on the prediction method of centrifugal pump performance based on a double hidden layer BP neural network[J]. Energies， 2019， 12（14）：14.

[25]HU J， HUANG T F， ZHOU J P， et al. Electronic systems diagnosis fault in gasoline engines based on multi-information fusion[J]. Sensors， 2018， 18（9）： 2917.