基于人工神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動(dòng)機(jī)疑難故障的智能診斷研究

摘 要：汽車發(fā)動(dòng)機(jī)運(yùn)行過程中經(jīng)常會(huì)遇到各種各樣的問題，尤其是多種復(fù)合因素引發(fā)的非典型疑難故障。傳統(tǒng)的人工診斷方式一般都是通過觀察和檢測(cè)識(shí)別故障，但是因?yàn)榇祟惞收系囊蛩剌^多，除了需要參考多種性能指標(biāo)和參數(shù)之外，檢測(cè)人員還需要承擔(dān)較大的工作量，也要花費(fèi)很長的時(shí)間和成本。因此，本研究立足于人工神經(jīng)網(wǎng)絡(luò)，提出了一種結(jié)合專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的人工智能算法對(duì)汽車發(fā)動(dòng)機(jī)疑難故障進(jìn)行診斷。最終的研究結(jié)果顯示，人工智能算法的應(yīng)用在發(fā)動(dòng)機(jī)故障診斷中表現(xiàn)出較高的有效性。

關(guān)鍵詞：人工智能 神經(jīng)網(wǎng)絡(luò) 發(fā)動(dòng)機(jī)疑難故障 智能診斷

汽車發(fā)動(dòng)機(jī)的故障一般是由多種因素造成，例如：火花塞和點(diǎn)火線圈的功能下降，導(dǎo)致燃燒質(zhì)量變差?；蛘哂捎捅煤陀凸芄收弦l(fā)，造成汽油供油壓力不足或壓力波動(dòng)；此外，噴油器的噴油霧化不良同樣會(huì)影響燃燒質(zhì)量。另外，發(fā)動(dòng)機(jī)積碳、發(fā)動(dòng)機(jī)零件的機(jī)械磨損以及傳感器性能的退化也是導(dǎo)致發(fā)動(dòng)機(jī)工作異常的重要原因。這些疑難故障不僅顯著降低發(fā)動(dòng)機(jī)的動(dòng)力性和經(jīng)濟(jì)性，還可能導(dǎo)致發(fā)動(dòng)機(jī)排放超標(biāo)，嚴(yán)重時(shí)甚至威脅到汽車的安全運(yùn)行。鑒于上述情況，本文提出了通過人工智能算法來診斷發(fā)動(dòng)機(jī)疑難故障的方案，希望通過智能化手段提高汽車發(fā)動(dòng)機(jī)疑難故障診斷的準(zhǔn)確性，降低故障診斷效率，有效解決發(fā)動(dòng)機(jī)疑難故障的問題。

1 基于人工神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)疑難故障智能診斷方案的創(chuàng)新點(diǎn)

與傳統(tǒng)的人工診斷方式相比，人工神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)智能故障診斷方案具有多種優(yōu)勢(shì)。以尾氣分析的發(fā)動(dòng)機(jī)故障智能診斷裝置為例，該裝置主要是針對(duì)多種現(xiàn)代車型的車輛進(jìn)行設(shè)計(jì)。該裝置利用先進(jìn)的汽車尾氣分析儀來精確采集發(fā)動(dòng)機(jī)的排放氣體數(shù)據(jù)，然后將這些尾氣數(shù)據(jù)以及發(fā)動(dòng)機(jī)的主要技術(shù)參數(shù)，通過高效的計(jì)算機(jī)通信技術(shù)，實(shí)時(shí)傳輸給集成了人工智能算法和專家系統(tǒng)的計(jì)算機(jī)智能故障診斷平臺(tái)[1]。該平臺(tái)能夠充分利用所接收的數(shù)據(jù)，運(yùn)用其強(qiáng)大的算法和專業(yè)知識(shí)庫，實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)故障的智能、快速且準(zhǔn)確的診斷。該裝置不僅提升了診斷的精確度和效率，還為汽車維修技術(shù)人員提供了一個(gè)便捷、高效的工具，這樣就能更好地應(yīng)對(duì)發(fā)動(dòng)機(jī)故障問題（診斷流程詳見圖1）。

此外，智能故障診斷也創(chuàng)新性地將人工智能技術(shù)與專家系統(tǒng)技術(shù)深度融合，引入了現(xiàn)代混沌-神經(jīng)網(wǎng)絡(luò)算法，共同打造產(chǎn)品核心的、高度非線性的智能故障專家決策系統(tǒng)。該系統(tǒng)的建立，標(biāo)志著我們?cè)诎l(fā)動(dòng)機(jī)故障診斷領(lǐng)域的一大突破。例如：將智能決策系統(tǒng)融入汽車尾氣檢測(cè)設(shè)備中，就能實(shí)現(xiàn)通過尾氣氛圍快速判斷汽車發(fā)動(dòng)機(jī)潛在維修點(diǎn)的能力（詳細(xì)流程見圖2）。該裝置不僅可以實(shí)現(xiàn)實(shí)時(shí)采集和分析尾氣數(shù)據(jù)，也能根據(jù)內(nèi)置的混沌-神經(jīng)網(wǎng)絡(luò)算法，快速識(shí)別和定位發(fā)動(dòng)機(jī)故障點(diǎn)。通過不斷對(duì)系統(tǒng)進(jìn)行數(shù)據(jù)更新和優(yōu)化算法，還能為用戶提供更加便捷和可靠的發(fā)動(dòng)機(jī)故障診斷服務(wù)。

2 人工智能算法模型的特征

2.1 混沌神經(jīng)網(wǎng)絡(luò)特征

神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)結(jié)構(gòu)的機(jī)器學(xué)習(xí)技術(shù)，該技術(shù)憑借強(qiáng)大的能力，在復(fù)雜模式的識(shí)別和處理方面展現(xiàn)出較大的應(yīng)用潛力，可以通過覆蓋圖像識(shí)別、語音識(shí)別以及自然語言處理等多個(gè)領(lǐng)域。雖然該技術(shù)體現(xiàn)出了多種優(yōu)勢(shì)，但是在應(yīng)用過程中也面臨著一些挑戰(zhàn)[2]，例如：計(jì)算資源需求龐大、訓(xùn)練周期長以及對(duì)數(shù)據(jù)的高度依賴性等。當(dāng)考慮到神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一個(gè)高度非線性動(dòng)力學(xué)系統(tǒng)時(shí)，其與混沌理論之間存在著密切的聯(lián)系。混沌現(xiàn)象所具有的復(fù)雜性和不確定性，為神經(jīng)網(wǎng)絡(luò)提供了新的視角和可能。因此，混沌神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，成為一種能夠?qū)崿F(xiàn)真實(shí)世界復(fù)雜計(jì)算任務(wù)的智能信息處理系統(tǒng)，該系統(tǒng)通過融合混沌理論與神經(jīng)網(wǎng)絡(luò)的特性，為解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)面臨的挑戰(zhàn)提供了新途徑。

2.2 專家系統(tǒng)的特征

專家系統(tǒng)是一種集成了大量專業(yè)知識(shí)和經(jīng)驗(yàn)的計(jì)算機(jī)程序系統(tǒng)，該系統(tǒng)基于某個(gè)或多個(gè)特定領(lǐng)域的人類專家所提供的知識(shí)與經(jīng)驗(yàn)來進(jìn)行推理和判斷，從而模擬人類專家的決策過程。通過專家系統(tǒng)不僅可以實(shí)施高質(zhì)量的技術(shù)決策，還能有效規(guī)避人為決策中可能存在的主觀局限性。專家系統(tǒng)作為一種基于人類專家知識(shí)的人工智能技術(shù)，擅長模擬專家的推理步驟解決特定領(lǐng)域內(nèi)的復(fù)雜問題。最大的優(yōu)勢(shì)就是能夠充分利用和傳承人類專家的知識(shí)和經(jīng)驗(yàn)，提升解決問題的準(zhǔn)確性和效率。然而，專家系統(tǒng)的構(gòu)建和維護(hù)成本較高，所以在面對(duì)快速變化的環(huán)境和需求時(shí)，該系統(tǒng)的適應(yīng)性仍然存在一定的局限。

2.3 混沌神經(jīng)與專家系統(tǒng)相結(jié)合

將混沌神經(jīng)與專家系統(tǒng)相結(jié)合是一種創(chuàng)新性的策略，能夠彌補(bǔ)兩種技術(shù)的局限性，為人工智能的未來的發(fā)展探索了新途徑，這種融合帶來了多種潛在優(yōu)勢(shì)的應(yīng)用方式。首先，通過利用神經(jīng)網(wǎng)絡(luò)在特征提取方面的強(qiáng)大能力，可以顯著提升專家系統(tǒng)的性能。神經(jīng)網(wǎng)絡(luò)擅長自動(dòng)學(xué)習(xí)并提取數(shù)據(jù)中的深層特征，這些特征隨后被輸入到專家系統(tǒng)中，能夠增強(qiáng)專家系統(tǒng)在做出決策時(shí)的準(zhǔn)確性和可靠性。其次，專家系統(tǒng)可以用來優(yōu)化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程。憑借其深厚的問題領(lǐng)域知識(shí)和經(jīng)驗(yàn)，專家系統(tǒng)能夠?yàn)樯窠?jīng)網(wǎng)絡(luò)模型提供針對(duì)性的指導(dǎo)和建議，從而加快模型的收斂速度，優(yōu)化訓(xùn)練過程，提升整體訓(xùn)練效果。再次，結(jié)合神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的知識(shí)表示方法，可以為人工智能領(lǐng)域提供更加多元和豐富的知識(shí)表達(dá)手段。神經(jīng)網(wǎng)絡(luò)通常采用向量或張量來表征知識(shí)，而專家系統(tǒng)則依賴于規(guī)則或框架的形式。通過整合這兩種知識(shí)表示方式，可以構(gòu)建出更加全面和靈活的知識(shí)體系。最后，利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)專家系統(tǒng)的自適應(yīng)性，是另一項(xiàng)重要的融合策略。神經(jīng)網(wǎng)絡(luò)的在線學(xué)習(xí)能力允許其根據(jù)實(shí)際情況實(shí)時(shí)更新模型參數(shù)，這樣專家系統(tǒng)能夠更好地適應(yīng)不斷變化的環(huán)境和需求，增強(qiáng)了系統(tǒng)的靈活性和魯棒性。

3 基于人工智能神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動(dòng)機(jī)疑難故障的智能診斷系統(tǒng)模型構(gòu)建

3.1 建立汽車發(fā)動(dòng)機(jī)疑難故障智能診斷模型

神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合的汽車發(fā)動(dòng)機(jī)故障智能診斷模型是一種創(chuàng)新的智能系統(tǒng)，該系統(tǒng)同時(shí)融合了人工神經(jīng)網(wǎng)絡(luò)的所有優(yōu)勢(shì)。智能診斷模型既能保留傳統(tǒng)專家系統(tǒng)的基本功能，模仿人類專家的邏輯思維方式進(jìn)行推理、決策和問題求解，還能進(jìn)一步引入神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和并行推理能力?；谏窠?jīng)網(wǎng)絡(luò)與專家系統(tǒng)的故障診斷系統(tǒng)主要由四個(gè)關(guān)鍵部分組成。首先是動(dòng)態(tài)知識(shí)庫，扮演著數(shù)據(jù)存儲(chǔ)的重要角色，用于存儲(chǔ)用戶提供的初始事實(shí)、推理過程中的中間結(jié)論以及最終結(jié)果等數(shù)據(jù)[3]。在求解問題開始時(shí)，動(dòng)態(tài)數(shù)據(jù)庫主要存放用戶提供的初始事實(shí)；隨著推理過程的推進(jìn)，會(huì)逐步記錄每一步推理的結(jié)果。系統(tǒng)的核心部分是故障診斷和結(jié)果輸出模塊，該模塊負(fù)責(zé)執(zhí)行故障診斷的主要任務(wù)，并輸出診斷結(jié)果。為了進(jìn)行有效的診斷，系統(tǒng)還配備了故障特征量化系統(tǒng)，主要作用是提取故障特征值，為診斷提供必要的輸入信息。此外，輸入模塊負(fù)責(zé)接收和處理來自用戶的輸入信息，確保信息能夠準(zhǔn)確地傳遞給故障診斷系統(tǒng)。最后，診斷解釋器則負(fù)責(zé)對(duì)系統(tǒng)輸出的診斷結(jié)果進(jìn)行解釋，使用戶能夠清晰地理解診斷過程和結(jié)果。

3.2 訓(xùn)練汽車發(fā)動(dòng)機(jī)疑難故障智能診斷模型

3.2.1 收集樣本

本次研究以AJR型號(hào)發(fā)動(dòng)機(jī)為例，此類發(fā)動(dòng)機(jī)在運(yùn)行過程中經(jīng)常會(huì)出現(xiàn)尾氣故障問題。為了全面掌握此類故障的發(fā)生原因，需從以下幾個(gè)方面收集相關(guān)數(shù)據(jù)。首先，通過故障真有讀取汽車發(fā)動(dòng)機(jī)的動(dòng)態(tài)數(shù)據(jù)。相關(guān)人員可以使用專業(yè)的汽車故障診斷儀連接到發(fā)動(dòng)機(jī)故障的診斷接口，通過診斷儀實(shí)時(shí)監(jiān)測(cè)和記錄發(fā)動(dòng)機(jī)的各種動(dòng)態(tài)數(shù)據(jù)，了解發(fā)動(dòng)機(jī)的轉(zhuǎn)速、負(fù)荷、進(jìn)氣量、燃油噴射量、點(diǎn)火提前角等關(guān)鍵參數(shù)，通過動(dòng)態(tài)數(shù)據(jù)能夠反映發(fā)動(dòng)機(jī)在不同工況下的運(yùn)行狀態(tài)。其次，利用尾氣分析儀讀取尾氣濃度數(shù)據(jù)。相關(guān)人員需將尾氣分析儀的探頭插入車輛的尾氣排放口，啟動(dòng)發(fā)動(dòng)機(jī)并使其處于怠速狀態(tài)。尾氣分析儀就可以自動(dòng)測(cè)量并顯示尾氣中的一氧化碳（CO）、碳?xì)浠衔铮℉C）、氮氧化物（NOx）等有害物質(zhì)的濃度。尾氣濃度數(shù)據(jù)是評(píng)估發(fā)動(dòng)機(jī)燃燒效率和排放性能的重要指標(biāo)。通過對(duì)比正常與故障狀態(tài)下的尾氣濃度，就能識(shí)別發(fā)動(dòng)機(jī)是否存在燃燒不充分、混合氣過濃或過稀等問題[4]。再次，利用儀器儀表測(cè)量電氣和機(jī)械數(shù)據(jù)。故障診斷人員可以使用萬用表、示波器等儀器儀表測(cè)量發(fā)動(dòng)機(jī)的電氣系統(tǒng)（如點(diǎn)火線圈、火花塞、傳感器等）和機(jī)械系統(tǒng)（如氣門、活塞、曲軸等）的電壓、電流、電阻、波形等數(shù)據(jù)，通過數(shù)據(jù)分析發(fā)動(dòng)機(jī)內(nèi)部組件的工作狀態(tài)和性能，定位出現(xiàn)故障的部件或者系統(tǒng)。最后，通過報(bào)告獲取燃油化學(xué)成分?jǐn)?shù)據(jù)。相關(guān)人員需收集車輛使用的燃油樣品，再將樣本送至實(shí)驗(yàn)室進(jìn)行分析，通過分析報(bào)告就能了解樣品中的辛烷值、含硫量、含水量等指標(biāo)。由于燃油的化學(xué)成分直接關(guān)系到發(fā)動(dòng)機(jī)的燃燒效率和性能，所以分析燃油的化學(xué)成分就能判斷燃油是否符合車輛型號(hào)，也能判斷出是否存在因質(zhì)量不佳造成的發(fā)動(dòng)機(jī)故障。

3.2.2 數(shù)據(jù)處理

數(shù)據(jù)處理是模型訓(xùn)練的重要環(huán)節(jié)，通過數(shù)據(jù)處理就能判斷該模型是否能夠從原始數(shù)據(jù)中提取有效特征，也能影響到模型的準(zhǔn)確性和泛化能力。以AJR型號(hào)發(fā)動(dòng)機(jī)為例，在數(shù)據(jù)處理過程中需遵循以下步驟：第一，將故障樣本的數(shù)據(jù)進(jìn)行標(biāo)注和分類。相關(guān)人員可根據(jù)故障現(xiàn)象和原因，將收集到的故障樣本數(shù)據(jù)分為不同的類別。例如，可以將故障分為真空泄漏故障、點(diǎn)火系統(tǒng)故障、噴油器堵塞故障等。每個(gè)故障的樣本數(shù)據(jù)必須分配一個(gè)唯一的標(biāo)簽或者代碼。分類和標(biāo)注是監(jiān)督學(xué)習(xí)的基礎(chǔ)，通過分類和標(biāo)注就能使模型學(xué)習(xí)不同故障類別之間的區(qū)別，之后也能在后續(xù)階段對(duì)新的故障樣本做出準(zhǔn)確分類。第二，將故障數(shù)據(jù)進(jìn)行歸一化和標(biāo)準(zhǔn)化處理。歸一化就是將故障數(shù)據(jù)的每個(gè)特征值縮放到一個(gè)共同的尺度上，通常是0到1之間。這可以通過將每個(gè)特征值減去其最小值并除以最大值與最小值之差來實(shí)現(xiàn)。通過歸一化處理就能消除不同特征之間的量綱差異，減輕模型的學(xué)習(xí)難度。標(biāo)準(zhǔn)化處理則是通過從每個(gè)特征值中減去其均值并除以標(biāo)準(zhǔn)差，將故障數(shù)據(jù)的每個(gè)特征值轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的分布。在實(shí)際應(yīng)用中，可以根據(jù)數(shù)據(jù)的特性和模型的需求選擇歸一化或標(biāo)準(zhǔn)化方法。對(duì)于大多數(shù)機(jī)器學(xué)習(xí)算法來說，標(biāo)準(zhǔn)化通常是一個(gè)更好的選擇，因?yàn)樗粫?huì)改變數(shù)據(jù)的分布形狀。第三，劃分訓(xùn)練集數(shù)據(jù)和驗(yàn)證集數(shù)據(jù)。相關(guān)人員需將處理后的故障樣本數(shù)據(jù)劃分為訓(xùn)練集和驗(yàn)證集，劃分比例可以根據(jù)具體需求來確定。常見劃分比例包括70%訓(xùn)練集和30%驗(yàn)證集，或80%訓(xùn)練集和20%驗(yàn)證集等。通過訓(xùn)練集數(shù)據(jù)訓(xùn)練模型和驗(yàn)證集數(shù)據(jù)評(píng)估模型的性能，就能確保模型在未見過的數(shù)據(jù)上也能表現(xiàn)出良好的泛化性能。

3.2.3 設(shè)置訓(xùn)練參數(shù)

在深度學(xué)習(xí)模型的訓(xùn)練過程中，設(shè)置合理的訓(xùn)練參數(shù)也是提升模型的收斂速度、性能和泛化能力的重要途徑，該環(huán)節(jié)的參數(shù)主要包括學(xué)習(xí)率、優(yōu)化器、批量大小和迭代次數(shù)。學(xué)習(xí)率是核心超參數(shù)，學(xué)習(xí)率的大小直接決定了權(quán)重更新的幅度，過大可能導(dǎo)致模型無法收斂，過小則會(huì)使訓(xùn)練進(jìn)程變得緩慢。常見的優(yōu)化器包括SGD、Adam和RMSprop等類型，不同類型的優(yōu)化器有不同的特征，需根據(jù)具體問題和數(shù)據(jù)集特性來決定[5]。此外，批量大小與迭代次數(shù)的設(shè)置同樣需要權(quán)衡，較大的批量可以加速訓(xùn)練但可能影響模型泛化能力，而過多的迭代次數(shù)則可能導(dǎo)致過擬合。因此，在實(shí)際操作中需要綜合考慮數(shù)據(jù)集大小、模型復(fù)雜度及硬件資源等因素，通過不斷實(shí)驗(yàn)和調(diào)整找到最佳的參數(shù)組合，才能提升深度學(xué)習(xí)模型的訓(xùn)練效率和最終性能。

4 模型診斷驗(yàn)證

汽車發(fā)動(dòng)機(jī)智能故障診斷模型的驗(yàn)證是確保其在實(shí)際應(yīng)用中具備高精度和可靠性的核心環(huán)節(jié)。為了實(shí)現(xiàn)這一目標(biāo)，可以采用多信息融合技術(shù)、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法、小樣本驗(yàn)證以及跨工況驗(yàn)證等手段來實(shí)現(xiàn)。多信息融合技術(shù)結(jié)合了數(shù)據(jù)層、特征層和決策層的診斷信息，提高了診斷的全面性和準(zhǔn)確性。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法通過交叉驗(yàn)證、準(zhǔn)確率評(píng)估等手段，評(píng)估了模型的泛化能力和穩(wěn)定性。小樣本驗(yàn)證方法，如留一法交叉驗(yàn)證，確保了模型在樣本有限情況下的性能。同時(shí)，跨工況驗(yàn)證通過模擬不同工況下的發(fā)動(dòng)機(jī)狀態(tài)，評(píng)估了模型在不同條件下的適應(yīng)性和魯棒性。這些驗(yàn)證方法共同構(gòu)成了汽車發(fā)動(dòng)機(jī)智能故障診斷模型驗(yàn)證的完整框架，為模型的優(yōu)化和應(yīng)用提供了可靠的技術(shù)支撐。

5 結(jié)語

本研究通過結(jié)合神經(jīng)網(wǎng)絡(luò)與模糊故障診斷專家系統(tǒng)，對(duì)發(fā)動(dòng)機(jī)故障進(jìn)行了深入探索，結(jié)果顯示，這種融合方法顯著提升了診斷的精度與效率，克服了傳統(tǒng)專家系統(tǒng)的局限性，并避免了神經(jīng)網(wǎng)絡(luò)的解釋性不足。實(shí)驗(yàn)證明，基于模糊神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)在發(fā)動(dòng)機(jī)故障診斷中表現(xiàn)優(yōu)異，不僅學(xué)習(xí)速度和診斷準(zhǔn)確率遠(yuǎn)超傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，而且通過優(yōu)化算法進(jìn)一步增強(qiáng)了系統(tǒng)的智能性和診斷效率。該系統(tǒng)還具備強(qiáng)大的自學(xué)習(xí)與自適應(yīng)能力，能根據(jù)新數(shù)據(jù)不斷更新診斷知識(shí)庫，適應(yīng)故障的多樣性和復(fù)雜性。此外，該系統(tǒng)已成功應(yīng)用于電控發(fā)動(dòng)機(jī)多種故障類型的快速準(zhǔn)確診斷，展現(xiàn)出廣闊的工程應(yīng)用前景。在未來的研究中需進(jìn)一步優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練算法，探索大數(shù)據(jù)和物聯(lián)網(wǎng)技術(shù)的應(yīng)用，才能拓展系統(tǒng)的診斷精度、實(shí)時(shí)性和應(yīng)用場景。

參考文獻(xiàn)：

[1]陸潤宗.基于反向傳播神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動(dòng)機(jī)故障診斷研究[J].裝備維修技術(shù)，2024（04）：90-93.

[2]解淑英.基于LMS算法及BP神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動(dòng)機(jī)故障診斷模型研究[J].微型電腦應(yīng)用，2021，37（12）：44-47.

[3]佘勇，馮銀漢，王燕兵.人工神經(jīng)網(wǎng)絡(luò)在汽車發(fā)動(dòng)機(jī)故障診斷中的運(yùn)用[J].南方農(nóng)機(jī)，2021，52（13）：114-115.

[4]楊慶川.基于深度學(xué)習(xí)的發(fā)動(dòng)機(jī)故障檢測(cè)[D].杭州：杭州電子科技大學(xué)，2021.

[5]牛華.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動(dòng)機(jī)故障診斷[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2021（05）：57-61.