基于模糊神经网络的汽油发动机故障诊断

基于模糊神经网络的汽油发动机故障诊断

发动机各部件之间的耦合决定了发动机故障的多样性、模糊性和相似性。故障信号与故障的对应关系通常是高度线性和耦合的，故障信息往往是非常不完整和不确定的。在处理困难的故障时，即使专家能够使用最先进的诊断仪器，也很难进行正确的评估。人工神经网络具有较强的自适应和学习的能力,通过训练学会对输入向量分析和推理,从而实现计算、记忆、联想、识别等功能,但是,它需要大量描述过程特性的数据信息,学习完成后形成的神经网络的输入和输出关系难以简单表达,不具备处理和描述模糊信息的能力。基于模糊理论的模糊诊断方法的主要优点是能够充分考虑概念的模糊性,充分利用专家的经验,在一定程度上模拟人类的思维方式。基于模糊理论的模糊信息处理恰好具备不确定信息处理的能力,容易建立易于被人所接受的“If-Then”结构的表达方式,有利于模拟人类思想进行判断和决策。由于神经网络和模糊技术各有局限性,因此可以考虑将二者结合起来,发挥各自的优势并弥补其不足。本文在归纳统计某排量为4.4L8缸发动机的大量故障案例后,选择5种具有代表性的疑难偶发性故障,采用基于模糊规则的模糊信息处理方法,通过模糊分布法确定模糊规则的隶属函数,将故障信息模糊化分类后再利用BP网络进行推理判断。1模糊诊断与诊断方法1.1故障原因与嘴唇故障关系n,xm模糊关系方程法的模糊诊断是通过某些征兆的隶属度来求出各种故障原因的隶属度,设诊断对象可能表现的征兆有m种,记为x1,x2,…,xm;可能出现的故障原因有n种,记为y1,y2,…,yn。故障征兆模糊向量为X=(μx1,μx2,…,μxm),μxi(i=1,2,…,m)为对象具有症状xi的隶属度。故障原因模糊向量Y=(μy1,μy2,…,μyn),μyj(j=1,2,…,n)为对象具有故障yj的隶属度,则故障原因与征兆之间的模糊方程为Y=X·R,R为体现诊断专家知识的模糊诊断矩阵;rij为由专家知识及模糊分布法计算得到的某参数下的模糊隶属度,则得到完整的故障原因与征兆之间的模糊方程Y=X⋅R=(x1‚x2‚⋯‚xm)⎡⎣⎢⎢⎢⎢⎢⎢⎢r11r12⋯r1nr21r12⋯r1n⋮⋮⋯⋮rm1rm2⋯rmn⎤⎦⎥⎥⎥⎥⎥⎥⎥=(y1‚y2⋯‚yn).(1)Y=X⋅R=(x1‚x2‚⋯‚xm)[r11r12⋯r1nr21r12⋯r1n⋮⋮⋯⋮rm1rm2⋯rmn]=(y1‚y2⋯‚yn).(1)1.2isfliiissgliiil基于模糊技术的模糊规则是将传统的产生式规则模糊化,形成模糊规则库。模糊规则库由若干模糊推理规则组成,模糊推理规则形式为R(l):ifx1isFliilthenyisGliil,式中Fliil和Gliil分别为论域Ui⊂R和V⊂R上的模糊集合;x,y分别为模糊系统的输入和输出,且x=(x1,…,xn)T∈U1×…×Un和y∈V均为语言变量;l=1,2…,M,M为规则总数。上述规则形式具有很强的一般性,它足以概括发动机所有故障类型的语言信息。2不同模糊性质的模糊隶属函数正确地确定隶属函数,是运用模糊集合理论解决实际问题的基础。隶属函数是对模糊概念的定量描述。确定模糊集隶属函数的方法很多,本文采取先建立原始隶属函数曲线,再根据该曲线的形状选取简单的隶属函数表达式的方法。通过对该发动机故障的统计调查表明,正常(0)模糊集隶属函数服从中间型分布,低(-2)、较低(-1)和较高(1)、高(2)4种模糊集隶属函数分别服从偏小型和偏大型分布。这里将中间型分布按正态分布处理,偏小型和偏大型分布分别按降半正态分布和升半正态分布处理,分别如图1、图2和图3所示。由此,7种模糊隶属函数可取如下形式:当i=0时,按正态分布处理f(x‚gi)=e−k(x−a)2‚(2)f(x‚gi)=e-k(x-a)2‚(2)当i=-1,-2时,按降半正态分布处理f(x‚gi)={1‚x≤aie−ki(x−ai)‚x>ai‚k>0‚(3)f(x‚gi)={1‚x≤aie-ki(x-ai)‚x>ai‚k>0‚(3)当i=1,2时,按升半正态分布处理式(2)～(4)中f为隶属函数;x为论域中的元素;g为级别;ki,ai分别为修正值和特征值,取值与症候故障模式有关,可通过专家经验和实车测试取得。2.1偶发性可疑故障处理以及专业信息的采集参数的采集采用福特公司开发的集成汽车诊断系统(IDS),采集该V8/4.4L发动机的5种偶发性疑难故障发生时系统运行的参数,并利用专家知识定性地判断数据的正确性和典型性。2.2发动机部分故障特征值是为了解决问题的方便和提高模糊匹配精确度而人为选取的,表1列出了各运行参数5级模糊算子的特征值ai。表2是怠速状态下5种故障试验的系统运行参数。令Y1～Y5分别代表故障原因:Y1,进气岐管漏气;Y2,上游氧传感器失效;Y3,发动机电脑故障;Y4,空气流量传感器故障;Y5,喷油嘴堵塞。怠速状态下,发动机运行参数分别由A,B,C,D,E,F,G表示:A,发动机转速,r/min;B,气缸压力,MPa;C,节气门开度,%;D,上游氧传感器输出电压,mV;E,燃油压力,MPa;F,喷油脉宽,ms;G,燃油修正值,%。指数修正值是根据该物理量5种模糊分布相应特征值分布规律选取的,假设5种模糊分布均取正态分布或降半正态分布或升半正态分布,通过模糊分布的图形可假设隶属函数的值为f(a−2‚低)=f(aa−1‚较低)=f(a0‚正常)=f(a1‚较高)=f(a2‚高)=0.5.f(a-2‚低)=f(aa-1‚较低)=f(a0‚正常)=f(a1‚较高)=f(a2‚高)=0.5.以此隶属函数值计算指数修正值ki得表3。2.3诊断原因定量计算方法特征值和指数修正值确定以后,就可以根据各个故障下的运行参数分别计算模糊隶属度,得到模糊诊断矩阵,采用基于模糊关系的方法进行验证,即利用方程(1),随机输入某故障发生时的系统运行参数,利用模糊隶属函数分别计算各参数对应的模糊隶属度,对于诊断原因向量Y=(Y1,Y2,Y3,Y4,Y5),设Yt=max{Yj|j=1,2,3,4,5},则由最大隶属度原则推断故障原因为Yt,即为t故障的原因。专家经验表明,计算后得到的故障原因与实际发生情况相符,证明上文中假设的指数修正值计算方法是有效的。多次输入参数经计算后得到训练样本集见表4。3隐层误差估计本系统采用的是BP算法,BP算法的主要思想是从后向前逐层传播输出层的误差,以间接算出隐层误差。算法分为两个阶段:第一阶段(正向过程)输入信息从输入层经隐含层逐层计算各单元的输出值,第二阶段(反向传播过程)输出误差逐层向前算出隐层各单元的误差,并用此误差修正前层权值。隐含层和输入层采用的均是激励函数。1神经元个数大小、频率隐含层中的神经元究竟增加多少才合适,要考虑以下2个因素:①神经元太少,网络不能很好地学习,需要训练的次数也多,甚至不能收敛。②随着神经元增多,循环次数和时间大致呈减少趋势,但神经元个数超过一定范围后,网络开始不稳定,收敛速度变慢。网络隐含层节点的选择有一个较广的范围,但从网络实现的角度上说,倾向于选择较少的节点,在能够解决问题的情况下,再加上1～2个神经元以加快误差的下降速度即可。2不同隐蔽层中神经元个数的影响理论证明:具有偏差和至少一个S型隐含层加上一个线性输出层,能够逼近任何有理函数,这是设计BP网络的基本原则,增加层数可以进一步降低误差,提高精度,但同时也使网络复杂化,从而增加了网络权值的训练时间,而误差精度的提高实际上也可以通过增加隐含层中的神经元数目来获得,其训练效果也比增加层数更容易观察和调整。带有一个隐含层的BP网络,只要增加隐含层神经元个数同样可以达到训练要求,没有必要通过增加隐含层来提高收敛速度。因此,在一般情况下,应优先考虑增加隐含层中的神经元个数。根据神经网络在故障诊断方面设计的成功经验,可以初步确定以下2个结论:①对于大多数的故障模式识别问题,三层网络可以很好地被解决。②三层网络中,隐含层神经元个数N2和输入层神经元个数N1之间有近似关系:N2=2N1+1.由此,按照如下的方式设计网络,网络的输入层神经元个数为7个,输出层神经元个数为5个,隐含层神经元个数为15个,隐含层神经元个数不是固定的,需要实际训练和检验不断调整。隐含层神经元的传递函数采用S型正切函数,输出层神经元传递函数采用S型对数函数logsig,经过47次训练后,网络的性能就达到了要求,收敛速度快的重要原因在于学习速率的设定值比较大。4发动机故障诊断参数的确定随机采集某2种故障的运行参数作为神经网络的输入向量,采用归一化处理后见表5。输出模式为0～1,正好满足网络的输出要求。网络的输出结果比较理想。网络输出见表6。任何一个测得的发动机故障诊断参数经模糊化分类后,归为其中