周萌

摘要：隨著汽車智能化的發(fā)展，發(fā)動機(jī)的結(jié)構(gòu)越來越復(fù)雜。如何快速準(zhǔn)確地實(shí)現(xiàn)發(fā)動機(jī)故障的診斷維修，提高汽車的行駛穩(wěn)定性和安全性，成為汽車維修人員面臨的一大難題。針對這一問題，本文提出了基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)，以發(fā)動機(jī)動力不足為例，對該算法進(jìn)行了闡述和驗(yàn)證。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);故障診斷;專家系統(tǒng)

一、緒論

作為汽車的動力源，發(fā)動機(jī)在汽車的運(yùn)行過程中起著十分重要的作用。發(fā)動機(jī)性能的好壞會直接體現(xiàn)在汽車的行駛狀態(tài)上。一個存在質(zhì)量問題的發(fā)動機(jī)能夠影響到整輛汽車正常運(yùn)行，更會為汽車的燃油經(jīng)濟(jì)性、平順性、動力性、舒適性等方面產(chǎn)生巨大影響。根據(jù)調(diào)查研究，發(fā)動機(jī)相關(guān)零部件故障占汽車整體故障的50%以上，不同生產(chǎn)廠家、不同型號、不同配置的車輛發(fā)動機(jī)類型結(jié)構(gòu)存在著很大區(qū)別。目前，為了提高汽車的燃油經(jīng)濟(jì)性、環(huán)保及排放標(biāo)準(zhǔn)，有越來越多的新技術(shù)和新設(shè)備被用在發(fā)動機(jī)上。如何快速準(zhǔn)確地判斷發(fā)動機(jī)的故障、對發(fā)動機(jī)相關(guān)知識的及時更新和學(xué)習(xí)，成為了汽車維修人員面臨的全新挑戰(zhàn)。

發(fā)動機(jī)故障是非線性的，無法構(gòu)建簡單的數(shù)學(xué)模型通過數(shù)值計(jì)算而得到結(jié)論，需要在人腦對故障現(xiàn)象進(jìn)行分析后通過維修經(jīng)驗(yàn)識別故障原因。由此可見，維修人員所積累的維修經(jīng)驗(yàn)和推理能力對故障點(diǎn)確定的準(zhǔn)確率有非常大的影響。由于汽車維修行業(yè)從業(yè)人員的流動性大且專業(yè)性強(qiáng)，在領(lǐng)域中有經(jīng)驗(yàn)的專家成為汽車維修的緊缺人才。在發(fā)動機(jī)故障診斷中使用神經(jīng)網(wǎng)絡(luò)，可以解決這一難題，神經(jīng)網(wǎng)絡(luò)診斷法已經(jīng)成為發(fā)動機(jī)故障診斷的新趨勢。

二、神經(jīng)網(wǎng)絡(luò)簡介

神經(jīng)網(wǎng)絡(luò)也叫人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks），它能夠模擬人腦對輸入條件進(jìn)行自主學(xué)習(xí)，并可以根據(jù)輸入?yún)?shù)變化而改變網(wǎng)絡(luò)進(jìn)行系統(tǒng)自適應(yīng)。輸出結(jié)果具有逼近任意復(fù)雜的非線性函數(shù)的能力。人工神經(jīng)網(wǎng)絡(luò)的構(gòu)建需要對數(shù)據(jù)樣本進(jìn)行學(xué)習(xí)，既對搭建的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練的過程就是一個神經(jīng)網(wǎng)絡(luò)通過計(jì)算而使輸出結(jié)果趨近于理想狀態(tài)的過程。經(jīng)過訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)可以通過輸入數(shù)據(jù)得到輸出數(shù)據(jù)。當(dāng)人工神經(jīng)網(wǎng)絡(luò)用于故障診斷時，可改善常規(guī)故障診斷方法，適合于對多故障、多征兆復(fù)雜對象的故障診斷[1]。

（一）神經(jīng)網(wǎng)絡(luò)特點(diǎn)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，也叫作誤差反向傳播神經(jīng)網(wǎng)絡(luò)。它是一種單向傳播的多層前向網(wǎng)絡(luò)。主要用于對象逼近，即它能逼近任意的非線性函數(shù)，可實(shí)現(xiàn)多輸入和多輸出，而且有自主學(xué)習(xí)的能力，有較強(qiáng)的泛化能力。神經(jīng)網(wǎng)絡(luò)是一個由神經(jīng)元構(gòu)成的模擬人腦的模型?；窘M成單元為神經(jīng)元。神經(jīng)元的數(shù)學(xué)模型為：

其中y表示神經(jīng)元的輸出值，θ表示神經(jīng)元的閾值。x表示接收信號，w表示連接權(quán)值。

一個完整的神經(jīng)網(wǎng)絡(luò)由輸入層，隱含層和輸出層組成。層與層之間采用全互連方式。但同一層的神經(jīng)元之間不進(jìn)行連接。系統(tǒng)數(shù)據(jù)或故障狀態(tài)由輸入層進(jìn)行輸入。在隱含層進(jìn)行計(jì)算，即通過sigmoid函數(shù)（簡稱S函數(shù)）進(jìn)行神經(jīng)元的激發(fā)。

表示隱含層函數(shù)的輸出。

通過大量輸入樣本的訓(xùn)練，使神經(jīng)網(wǎng)絡(luò)的權(quán)值不斷進(jìn)行調(diào)節(jié)，以達(dá)到輸入層的輸出值與理想值的誤差最小的狀態(tài)。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

（二）神經(jīng)網(wǎng)絡(luò)專家?guī)?/p>

神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)故障診斷的前提是需要有大量的樣本進(jìn)行訓(xùn)練。一般情況下，樣本數(shù)量要不少于網(wǎng)絡(luò)參數(shù)的10倍。有經(jīng)驗(yàn)的汽車維修專家能夠準(zhǔn)確迅速地查找出發(fā)動機(jī)故障并排除。將專家經(jīng)驗(yàn)轉(zhuǎn)化為訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，不但可以為神經(jīng)網(wǎng)絡(luò)提供大量的優(yōu)質(zhì)樣本，而且學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)對于發(fā)動機(jī)的故障可以模擬專家思維進(jìn)行分析，實(shí)現(xiàn)故障高效診斷。并且神經(jīng)網(wǎng)絡(luò)可以根據(jù)訓(xùn)練的專家診斷樣本的變化而調(diào)整網(wǎng)絡(luò)，使故障診斷系統(tǒng)能自我升級，以適應(yīng)發(fā)動機(jī)故障的變化。

內(nèi)部含有大量領(lǐng)域?qū)＜宜降闹R和經(jīng)驗(yàn)，能夠模擬人類專家思維過程，求解領(lǐng)域內(nèi)需要專家才能解決的困難問題的計(jì)算機(jī)程序叫做專家系統(tǒng)。專家系統(tǒng)由推理機(jī)、知識庫、數(shù)據(jù)庫和人機(jī)接口等部分組成[2]。推理機(jī)是專家分析故障的方法;知識庫和數(shù)據(jù)庫是專家的知識和故障診斷的相關(guān)數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)中訓(xùn)練后的得到的權(quán)值和閾值所組成的;人機(jī)接口為專家與專家之間和專家與用戶之間的連接顯示窗口，相當(dāng)于系統(tǒng)的界面。專家系統(tǒng)的計(jì)算機(jī)程序采用產(chǎn)生式規(guī)則，表達(dá)方法為—IF E THEN H WITH CF（E，H）。其中E為前提條件，H為結(jié)論。CF為強(qiáng)度。專家系統(tǒng)由編程軟件實(shí)現(xiàn)，當(dāng)應(yīng)用于發(fā)動機(jī)故障診斷時，前提條件為故障現(xiàn)象，結(jié)論為診斷結(jié)果，強(qiáng)度則為故障產(chǎn)生的頻率、次數(shù)、偶發(fā)等條件。

將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用在專家系統(tǒng)的推理機(jī)制中，相當(dāng)于神經(jīng)網(wǎng)絡(luò)擁有了一個有多名發(fā)動機(jī)維修專家所組成的計(jì)算機(jī)大腦，故障現(xiàn)象被輸入后，學(xué)習(xí)完成的神經(jīng)網(wǎng)絡(luò)可以得出與專家推理結(jié)果相近的輸出結(jié)果。實(shí)現(xiàn)了即使維修場景沒有真實(shí)存在的人類專家，也能模擬專家及時準(zhǔn)確的完成對故障的分析判斷。

（三）神經(jīng)網(wǎng)絡(luò)算法

在已經(jīng)確定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)里，需要不斷的調(diào)整網(wǎng)絡(luò)權(quán)值，來完成設(shè)定次數(shù)的訓(xùn)練。權(quán)值被賦予[0，1]區(qū)間內(nèi)的隨機(jī)數(shù)值。訓(xùn)練后的網(wǎng)絡(luò)可以看成是一個函數(shù)，函數(shù)為x到y(tǒng)的映射。既。相當(dāng)于將原本不能用函數(shù)所表示的故障現(xiàn)象及故障診斷結(jié)果通過函數(shù)形式體現(xiàn)。BP神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播，既從輸出層向輸出層傳播。

誤差性能指標(biāo)函數(shù)：

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練就是使系統(tǒng)在大量的樣本訓(xùn)練后，輸出達(dá)到最接近于真實(shí)的結(jié)果的過程。

輸出層神經(jīng)元輸出：

式中j表示神經(jīng)元。

網(wǎng)絡(luò)輸出與理想輸出誤差為：

神經(jīng)網(wǎng)絡(luò)根據(jù)梯度下降算法求解輸出層和隱含層的連接權(quán)值，算法為：

其中η是學(xué)習(xí)率，取值為0到1之間。e（k）指第k次的輸出實(shí)際值與理想值得誤差，是一個具體數(shù)據(jù)。為求導(dǎo)結(jié)果，表示斜率。也是一個具體數(shù)據(jù)。所求得是一個增量的具體數(shù)值。

三、故障診斷系統(tǒng)設(shè)計(jì)

通過大量不同質(zhì)故障樣本訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，有固定的權(quán)值和閾值，可以對發(fā)動機(jī)的故障進(jìn)行診斷。在輸入層輸入故障現(xiàn)象，神經(jīng)網(wǎng)絡(luò)通過計(jì)算得到對應(yīng)的故障原因。發(fā)動機(jī)故障的診斷需要根據(jù)專家的維修經(jīng)驗(yàn)、維修理論和實(shí)驗(yàn)數(shù)據(jù)構(gòu)建大量的故障樣本，以實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。當(dāng)專家增加或是維修案例增加時，可以通過增加訓(xùn)練樣本的數(shù)量來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。以發(fā)動機(jī)動力不足為例，進(jìn)行神經(jīng)網(wǎng)絡(luò)的構(gòu)建及樣本的訓(xùn)練。輸入及輸出所對應(yīng)的故障現(xiàn)象及故障原因如表1所示。

需要將輸入和輸出轉(zhuǎn)化為[0，1]區(qū)間的矩陣形式進(jìn)行表達(dá)。當(dāng)xi=0時，代表故障現(xiàn)象沒有出現(xiàn)，xi=1時，代表故障現(xiàn)象發(fā)生。當(dāng)yi=0時，代表故障原因不存在，yi=1時，代表故障原因存在。由此構(gòu)建了一個五輸入，三輸出的樣本。如表2所示。

神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)計(jì)算根據(jù)公式：

式中i為輸入層神經(jīng)元數(shù)，k為輸出層神經(jīng)元數(shù)，a為[1，10]之間的常數(shù)[3]。選取隱含層神經(jīng)元數(shù)目為6。

設(shè)置神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率η=0.5，動量因子a=0.05，誤差E=10-20。采用matlab自帶函數(shù)feedforwardnet/cascadeforwardnet建立網(wǎng)絡(luò)結(jié)構(gòu)。訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，將權(quán)值和閾值進(jìn)行保存，形成故障診斷的知識庫。

輸入測試樣本對網(wǎng)絡(luò)訓(xùn)練情況進(jìn)行測試。選取一組故障現(xiàn)象輸入X=[0 1 0 0 0 0]，得到輸出結(jié)果為Y=[0.0254 0.0693 0.8451]，由此判定故障原因?yàn)閲娪途€路故障。

四、結(jié)語

通過仿真實(shí)驗(yàn)，由人工神經(jīng)網(wǎng)絡(luò)構(gòu)建的故障診斷專家系統(tǒng)能夠?qū)崿F(xiàn)故障現(xiàn)象與故障原因之間的聯(lián)系，可以實(shí)現(xiàn)故障診斷的高效準(zhǔn)確判斷，這也是發(fā)動機(jī)故障診斷的發(fā)展趨勢。

參考文獻(xiàn)：

[1]趙暉，徐浩然，梅志剛，等.基于人工神經(jīng)網(wǎng)絡(luò)的逆變器開路故障診斷[J].電力電子技術(shù)，2021，55（02）：45-49.

[2]王朝周.汽車發(fā)動機(jī)的故障診斷[J].內(nèi)燃機(jī)與配件，2019，（15）：172-173.

[3]羅德強(qiáng)，王漢軍，牛春輝.基于神經(jīng)網(wǎng)絡(luò)算法的某型裝備專家診斷系統(tǒng)的研究[J].艦船電子工程，2020（01）：12.