神经网络在汽车故障诊断系统中的应用

1、神经网络在汽车故障诊断系统中的应用【摘要】随着经济的发展，汽车技术也得到了很大的发展。各种先进技术的应用使汽车故障产生的原因存在多样性、综合性和复杂性，为了提高修理人员诊断故障、排除故障的能力，将神经网络应用到汽车故障诊断中，完成对故障诊断的功能，从而克服传统诊断方法获取信息难、费时费力、诊断不准确等缺点。【关键词】故障诊断，神经网络，自动变速器Neural Network Used in Automobile Fault Diagnosis SystemAbstract: With economic development, Automotive Technology has also be

2、en great. The causes of automotive fault existent diversity,comprehensive and complexity.In order to improve the ability of the repair personal fault diagnosis and troubleshooting.We will apply the neural networks to fault diagnosis of vehicle,It can not only complete the function of fault diagnosis

3、 ,but also overcome the disadvantages of traditional diagnosis methods such as obtaining the knowledge difficulty,taking a lot of time and diagnosing imprecisely.Key words: fault diagnosis,neural network,automatic transmission1.引言随着现代汽车工业的发展，人们对汽车的安全性、操稳性、经济性、环保性等性能要求的越来越高，汽车产品的功能和结构日趋复杂，许多的机械系统已经被电

4、子控制系统取代，汽车已经是一个典型的机电一体化产品，这些部件的大量使用，大大增强了汽车故障诊断的难度，一些故障很难用传统的方法进行判断。为了提高维修效率，必须采用更好更加高效的诊断方法。由于神经网络具有大规模的并行，分布式存储和处理、自组织、自适应和自主学习等优越性能，成为人工智能研究的重要工具。针对这种特点，将神经网络引入到汽车故障诊断系统，利用BP神经网络建立汽车发动机的故障诊断模型，更好更快的分析出汽车发动机的故障，更快更好的排除故障。2.汽车故障诊断技术现代汽车中，技术含量越来越高，单纯依靠经验很难做到在不解体的情况下迅速、准确的判断故障位置。到20世纪90年代才逐渐出现了一个广泛认同

5、的标准，OBD-II标准，该标准由美国汽车工程学会提出，目前得到了世界不同汽车生产厂家的认同。现代的故障诊断工具还没有脱离“故障代码读取工具”的范围，因此不仅仅故障诊断工具本身需要改进，而且开发故障诊断支援系统也成为亟待解决的问题。随着汽车电子技术的应用和发展，传统的诊断方法和诊断设备在精确度和使用的方便性方面，都不能适应汽车技术的发展和用户的需要。为了更加提高维修质量，国内外的汽车故障诊断技术正朝着智能诊断的方向发展，采用模式识别方法、专家系统法等新的诊断方法，由计算机分析处理被诊断对象所提供的信息，从而做出智能化的诊断结论。3.神经网络在汽车故障诊断应用中的基本原理3.1神经网络的基本原理

6、神经网络是对人类大脑的一种物理结构上的模拟，采用计算机仿真的方法，从物理结构上模拟人脑，以使系统具有人脑的某些智能。它由大量简单元件相互连接而形成的一个复杂的网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系的实现，其中目前应用最为广泛的模型是多层前馈神经网络模型，由输入层节点、输出层节点和隐藏层节点构成，其中隐含层可以是一层或多层，相邻层采用全互连结构，其BP网络结构图如下：图1 BP神经网络结构3.2 BP神经网络算法的基本原理BP神经网络的算法的基本原理是梯度最速下降法，其中心思想是调整权值使网络总误差最小，也就是采用梯度搜索技术，使网络的实际输出值与期望输出值的误差均方值为最小

7、。BP网络的学习过程包含了正向传播和反向传播两个阶段，正向传播过程中，输入信息从输入层经隐藏层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果输出层不能得到期望的输出值，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元权值，使误差信号最小。为了能够运用梯度算法，首先将神经元的激励函数改造成可微的S型函数。推导此算法的困难在于多层复合函数求偏导数，使得公式非常冗长和复杂，而BP算法正好巧妙地解决了这个问题。假设N是一个前向神经网络，给定样本集K，对第p个样本进行迭代学习，设迭代到第t时刻时网络的权值、阈值矩阵为W（t），其相对应的误差平方和为E(W(t)

8、，用梯度算法迭代搜索求W的最优值为： 其中是迭代的步长用梯度法的主要难度在于给出的表达式，因为m层前向网络E(W)是一个具有2m+1的复合函数，用一般求法和函数的偏导数公式很难求出，并可能是表达式复杂无比。因此，在推导的过程中引用“误差”的概念，令第一层第i个神经元的误差为： 其中表示第一层第i个神经元的净输入从而推导出各层的“误差”之间有如下的递推关系：从这个关系式中可以看出误差将沿网络向后传播，这也是BP算法名称的由来，利用“误差”，还可以将梯度表示为： 其中表示其对应神经元的输出这样就将梯度法求目标值最小的算法表达得非常清楚了，而且具有鲜明的物理意义，这也是BP算法能被广泛接受的重要原因

9、。3.3 BP原理算法的步骤（1）构造网络拓补结构，选取合理的网络学习参数。（2）置网络各权值和阈值的初始值、为-1,1区间内的随机数。（3）加载训练用的学习样本：输入向量Xp(p=1,2,k)和期望输出Yp(p=1,2,k)，对每个样本重复步骤48。（4）计算网络的实际输出及隐藏单元的状态（假定激励函数为Sigmoid函数）；（5）计算网络输出误差 （6）若EEs（系统平均误差容限）或EpEps（单个样本的误差容限）或达到指定的迭代步数，学习结束，否则进行误差反向传播，转向（7）。（7）计算训练误差： （输出层） （隐藏层）（8）修正权值和阈值：（9）转向步骤（3）。4.神经网络在自动变速器

10、中的故障诊断4.1 自动变速器故障分析自动变速器是汽车的重要传动部件，其质量和运行状况直接影响到汽车整车的使用情况，随着变速器性能的不断完善，结构也越来越复杂。自动变速器成为集液压技术、电子技术和机械技术于一体的精密机电产品，产生故障可能是电子控制系统、液压控制系统或者是变速器内部机械部分出现问题，而且各部分本身的情况也比较复杂，故障产生的原因也有可能不是单一的。以某自动变速器为例，其电子控制系统由变速器控制模块，各种传感器，3个换挡控制电磁阀、2个离合器压力控制电磁阀、1个锁止控制电磁阀等执行器组成；控制模块根据换档杆的位置信号、进气歧管压力信号、发动机转速信号、节气门位置信号、车速信号、变

11、速器主轴和中间轴转速以及冷却水温灯信号，实现换档时刻控制、变矩器的锁定、坡度模式控制、安全失效保护和故障显示以及自诊断等功能。4.2自动变速器的诊断方案自动变速器的故障通常分为机械系统故障、液压系统故障和电子控制系统故障等几个方面。但事实上来说，变速器常见的故障主要为离合器打滑、磨损、制动器故障、调压阀故障等机械方面的故障；还有油路压力低，油变质等液压系统故障和换挡电磁阀、压力控制电磁阀、车速传感器等电子系统方面的故障。当发生这些故障时，自动变速器将不能正确及时换入相应的档位，发生自动换挡困难的故障。这一故障的发生与换挡时刻、发动机转速、油门、车速、变速器输入轴转速、换档电磁阀等执行器输出存在

12、一定得对应关系，根据变速器工作特点，在某一特定的故障中，这些参数都存在对应的关系，根据这一特点，可以将神经网络的方法应用到自动变速器故障诊断中，从而得出整个方案的流程如图2所示：传感器信号预处理数据采集数据显示、存储神经网络模型数据处理分析诊断结果图2 诊断方案流程图4.3 神经网络模型设计利用数据采集仪器，就可以做多次实验，并记录采集的数据，作为某个故障的训练样本，从理论来说，训练样本要求越多越好，这样结果就越来越精确。采集到得训练样本为下表所示：表1 部分训练样本序号发动机转速（N）节气门开度（V）车速(km/h)水温（）主轴转速（HZ）换挡电磁阀输出信号ABC18000.496.481.

13、75500110219010.821583.512400110321801.003083.813471100425981.243884.217001100530211.606682.419951010630882.2410084.520190000736003.0012082.124490000816700.807.484.91680001922001.001683135000011026801.605685170010114.4 神经网络的训练神经网络的训练过程就是权值和阈值的获取过程，主要任务就是对输入样本进行训练，建立预期的网络诊断系统，然后根据已有的数据，输入到该网络诊断系统中，再通过

14、网络训练系统建立权值和阈值，并进行调整，从而达到所需的精度要求。输入样本如表2所示：表2 检测样本表序号发动机转速（N）节气门开度（V）车速(km/h)水温（）主轴转速（HZ）换挡电磁阀输出信号ABC120000.993381.715501100228091.344083.518401010319800.892680.811410001430981.727087.119060001521331.512084.48561101根据神经网络的算法，采用神经网络为3层（输入层、隐藏层、输出层），网络系统的总误差为0.001，得出网络训练误差曲线如图3所示：图3 网络训练误差曲线5 结论本文通过建立神经网络模型，初步分析了自动变速器产生故障的原因，并将BP神经网络应用到自动变速器的故障诊断系统中，通过分析得出，BP神经网络能够在一定程度上解决某些实际的故障问题，这种方