汽车故障诊断新技术

2021年7月中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase汽车故障诊断方法问诊法观察法听诊法感观诊断法触摸法嗅觉法车载仪表诊断人工经验诊断万用表诊断试验诊断法气缸压力表、真空表诊断燃油压力表诊断分段检查诊断法征兆模拟法仪表诊断法测量诊断法局部拆装诊断法故障树分析法诊断流程图、表检查法故障征兆表检查法图表分析诊断故障码诊断法数据流分析法波形分析法仪器设备诊断人工读码仪器读码

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

汽车故障诊断的根本思路1)问诊2)试车3)分析4)假设5)验证中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

故障诊断的定义?故障诊断是汽车维修中的关键步骤汽车修理前确实诊环节故障诊断是以检测和试验的综合方式对汽车故障进行的全面分析中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

车辆检测与故障诊断的关系车辆检测在汽车检测线上对汽车整体性能作定性分析故障诊断在汽车诊断中心对故障发生部位作定量分析中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

传统与现代汽车诊断的区别经验判断形象思维定性分析比照试验故障诊断逻辑思维定量分析检测试验中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

诊断对象变化：以汽车发动机为例：传统检测诊断1.机械系统2.进气系统3.燃油系统4.电气系统现代检测诊断1.机械系统2.进气系统3.燃油系统4.电气系统5.电脑控制系统中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

汽车电控系统对故障诊断的影响1.电脑软件的影响(程序设定)2.电脑控制电路的影响(元件与电路)3.电脑匹配的影响(软件参数)4.电脑网络的影响中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

汽车电脑控制系统信号分类1.汽车的物理化学信号〔根本物理化学参数〕2.传感器转换的电子信号〔传感器转换的电子信号〕3.电脑转换的输入信号〔电脑接口电路转换的电子信号〕4.电脑控制的输出信号〔电压/电流/频率/脉宽/脉冲信号〕5.电脑诊断通讯信号〔诊断座传递的串行通讯信号〕6.汽车电脑局域网通讯信号〔网络串行通讯信号〕中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

1.故障码诊断分析法根本步骤故障码分析(历史性\当前性\相关性\无关性\间歇性\持续性\元件性\功能性)数据流分析(值域\时域\关联\因果\比较)元器件测试(传感器\执行器\机械装置\真空装置)电路检测(传感器电路\执行器电路\电源电路\接地电路)电脑测试(匹配\信号\置换)无关性\功能性故障码转入病症诊断分析法中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

万用表诊断：汽车故障一般分为持续性故障和间歇性故障，万用表诊断主要针对持续性故障。比方电路的短路、断路、电子元件的损坏等。万用表种类：指针式、数字式汽车故障诊断多采用阻抗高、对电子元件影响小、能有效防止因瞬间过电压而烧坏的数字式万用表。优点：根据资料的经验数据，即可快速而又准确地诊断出故障，即使车型不断更新。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

二、汽车故障诊断专家系统：专家系统EP(ExpertSystem)是依据具备某一专业领域特长的人类专家的知识与经验，在计算机内建立的基于这些知识的信息系统，它能以人类专家的知识水平完成专门领域的任务。一般分为以下数据库：1、发动机故障诊断数据库2、底盘机械传动故障诊断数据库3、电路电气故障诊断数据库每个数据库中又包含假设干相互关联的数据表，在数据表中存储每种汽车故障表现病症、故障发生机理、故障发生原因、故障发生部位、故障排除与维修处理方法等字段，在数据表与数据表之间，数据字段与数据字段之间建立一对一或一对多的层次树结构，使整个维修知识库成为有机整体。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

举例：转向系的故障诊断专家系统中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

1.基于规那么的诊断专家系统基于规那么的诊断方法是根据以往专家诊断的经验,将其归纳成规那么,通过启发式经验知识进行故障诊断,适合于具有丰富经验的专业领域故障诊断。基于规那么的诊断具有知识表述直观、形式统一、易理解和解释方便等优点,诊断知识的获取依赖于领域专家。但复杂系统所观测到的病症与所对应诊断之间的联系是相当复杂的,通过归纳专家经验来获取规那么,有相当难度,且一致性难以保证。故障诊断专家系统的现状目前已研究的故障诊断专家系统模型有:基于规那么的诊断专家系统、基于实例的诊断专家系统、基于行为的诊断专家系统、基于模糊逻辑的诊断专家系统和基于人工神经网络的诊断专家系统。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

3基于模糊理论的诊断专家系统模糊诊断的实质是引入隶属函数概念,模糊逻辑以其较强的结构性知识表达能力,适合处理诊断中的不确定信息和不完整信息。模糊故障诊断有两种根本方法,一种是先建立征兆与故障类型之间的因果关系矩阵R,再建立故障与征兆模糊关系方程,即F=S·R,这里F为模糊故障矢量;S为模糊征兆矢量;“·〞为模糊合成算子。另一种方法是先建立故障和征兆的模糊规那么库,再进行模糊逻辑推理的诊断过程。模糊诊断知识获取困难,尤其是故障与征兆的模糊关系较难确定,且系统的诊断能力依赖模糊知识库,学习能力差,容易发生漏诊或误诊。由于模糊语言变量是用隶属函数表示的,实现语言变量与隶属函数之间的转换是一个难点。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

4.基于人工神经网络的诊断专家系统

人工神经网络(Artificialneuralnetwork,简称ANN)具有较好的容错性、响应快、强大的学习能力、自适应能力和非线性逼近能力等,被广泛应用于故障诊断领域。基于神经网络的故障诊断专家系统有两种形式:一种是使用神经网络来构造专家系统,变基于符号的推理为基于数字运算的推理,提高系统效率,解决自学习问题;另一种是把神经网络作为知识源的表示和处理模式,并与其它推理机制相融合,实现多模式推理。基于神经网络的诊断专家系统是一类新的知识表达体系,不同于传统诊断专家系统的高层逻辑模型,是一种低层数值模型。其分布式联结机制,实现知识表示、存储和推理三者融为一体,在知识获取、并行推理和自适应学习等方面显示出明显的优越性,一定程度上克服了传统诊断专家系统存在的知识获取困难、推理速度慢、知识存储容量与系统运行速度的矛盾及知识的窄台阶效应等问题。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase故障诊断专家系统的开展趋势

1.从单一模型的诊断系统到多模型诊断系统，这里指的模型包括知识表示的模型和推理模型,故障诊断与知识表示和推理方法有着密切的联系,其领域知识可用对象模型、经验规那么、神经网模型、案例等来表示。基于对象模型、基于经验规那么、基于神经网模型、基于案例的诊断方法各有其优势和特点,但它们各自也存在着局限性。对于实际对象的故障诊断,如用单一的知识表示方法,有时难以完整表示对象的故障诊断领域知识。因此,集成多种知识表示方法那么能更好地表示对象的故障诊断领域知识。集成基于对象模型、基于经验规那么、基于神经网模型、基于案例的集成型诊断方法能综合各诊断方法的特点,克服各诊断方法的局限性,从而提高了诊断系统的智能性和诊断效率。集成型的故障诊断系统还能有效地处理真值维护、结论解释、机器学习。

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

从单机模型到分布式网络诊断系统现有的设备诊断系统大局部都是面向单台、单机或单类设备的,可扩充性、灵活性、通用性较差,各诊断系统之间相互独立,即使是不同开发单位研制的针对同类设备的异构诊断系统之间也不能进行有效的信息交流和共享,造成了巨大的资源浪费。现在很多大型成套设备或机构由远程分布的不同类子系统组成,相应其诊断系统中的系统级诊断系统和各子诊断系统也要进行诊断信息的传输交流。同时,由于故障源的不确定性和时发性,导致异地诊断和远程诊断的需求不断增加。随着网络的普及,通过局域网,因特网来传输诊断信息成为一种趋势,网络架构下的集成故障诊断系统成为新的研究热点,因此,建立远程分布式全系统智能诊断系统,可以实现异地多专家对同一设备的协同诊断以及多台设备共享同一诊断系统,提高诊断的准确率和效率,同时也有利于诊断案例的积累,以弥补单个诊断系统领域知识的缺乏,提高诊断的智能化水平,促进诊断学的综合开展。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

3.从单一专家系统到协同式专家系统当前的绝大多数诊断专家系统,在规定的诊断领域内是一个“专家〞,但是一旦越出该诊断范围,系统就可能无法工作,限制了系统的适用性。由于诊断的领域过窄,就很难获得满意的应用。协同式专家系统是克服一般专家系统的局限性的一个重要途径。也被称作是“群专家系统〞,由假设干个相近领域或一个领域的多个方面的分专家系统组成,这些分专家系统分别发挥其自身的特长,解决某一方面的问题,同时又相互协作。联合协作多专家系统的特点是:每一个专家系统仅有一种问题求解方法,但却充分了解自身的局限性以及协作专家的长处,从而知道何时和怎样传递问题。其设计思想是:相应于问题状态空间,生成一个协作求解的主专家集,再根据每一位主专家在问题求解中的当前状况,动态形成一个支持该主专家的辅助专家集。这种系统有时与分布式专家系统有些共性,因为他们都可涉及多个子专家系统。但是这种系统更强调子系统之间的协同合作,而不着重于处理的分布和知识的分布。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

一、基于网络的汽车远程故障诊断中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

在线检测远程诊断专家会诊

信息检索服务基本结构远程学习3.远程故障诊断的物理结构.中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.4.远程故障诊断的参数采集中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.5.远程故障诊断的数据传输方式●各种信号提取以后，经过信号预处理电路的整形、滤波、放大／衰减、隔离后，送入高速A／D转换器，由PIC单片机控制进行数据采集，并将采集得到的数据存入RAM中，然后单片机通过调制解调器拨入Internet接入效劳商(Internet

ServiceProvider，ISP)，远程效劳器验证身份和密码后，动态分配IP地址，连接成功，状态指示灯亮，说明单片机与ISP远程效劳器建立了连接，然后就可以将采集得到的检测参数通过Internet传送给诊断中心，并可以接收到诊断结果和维修向导。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.6.汽车远程故障诊断中心系统设计结构

：汽车远程故障诊断中心是整个远程故障诊断系统正常工作的核心局部，一个开放式的汽车远程故障诊断中心包括数台Web效劳器，并且将汽车诊断专家系统，大型知识库、数据库、推理机构分布在几台效劳器上，基于Internet的故障诊断专家系统功能强大，它的优点主要在于实用性、协作性、高效性，远非传统检测诊断仪器自带的专家系统所能到达。

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.数据库服务器端应用服务器端视频会议系统应用服务器客户服务机……工控PC设备1设备2设备n设备n-1数据库服务器中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.Internet/Intranet远程故障诊断系统维修决策系统数据库管理系统网络通信系统信息服务系统数据库模型库模型库管理系统用户方各种设备数据采集及处理系统状态监控系统知识库管理系统知识库远程维修决策系统功能结构图中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.

数据处理：远程故障诊断中心通过Internet获取原始采集参数后，为了进一步分析和定位故障，先由数据处理模块计算各种对故障诊断有所帮助的性能参数，如喷油脉宽和喷油提前角，冷却水温度，进气歧管压力，氧传感器输出电压单位时间穿越0V的次数等。这些计算好的数据被存入大型数据库中，专家系统就可以按照一定的推理策略给出故障原因和部位。假设故障特别复杂，还可由诊断中心真正的汽车专家会诊，并通过Internet现场指导，用户按照专家的提示进行检测，直至排除故障。

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.在普通集合中，论域中的元素〔如a〕与集合〔如A〕之间的关系是属于〔a∈A〕，或者不属于〔aA〕，它所描述的是非此即彼的清晰概念。但在现实生活中并不是所有的事物都能用清晰的概念来描述，如:风的强弱人的胖瘦年龄大小个子上下中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.模糊集合的概念

在模糊数学中，我们称没有明确边界（没有清晰外延）的集合为模糊集合。元素属于模糊集合的程度用隶属度或模糊度来表示。用于计算隶属度的函数称为隶属函数。隶属度即论域元素属于模糊集合的程度。用来表示。隶属度的值为[0，1]闭区间上的一个数，其值越大，表示该元素属于模糊集合的程度越高，反之则越低。计算隶属度的函数称为隶属函数。用表示。

隶属度和隶属函数的表示形式看起来很相似，但是它们的意义是完全不一样的。指论域中特定元素xi属于A的隶属度，而中的x是一个变量，可表示论域中的任一元素。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.18～2517～3017～2818～2516～3514～2518～3018～3518～3516～2515～3018～3517～3518～2518～2518～3520～3018～3016～3020～3518～3018～3015～2518～3015～2816～2818～3018～3016～3018～3518～2518～2516～2818～3016～3016～2818～3518～3517～2716～2815～2816～3019～2815～3015～2617～2515～3618～3017～3018～3516～3515～2515～2518～2816～3015～2818～3518～3017～2818～3515～2818～3015～2515～2518～3016～2415～2516～3215～2718～3516～2518～2816～2818～3018～3518～3018～3017～3018～3018～3516～3018～3517～2515～3018～2517～3014～2518～2618～2918～3518～2818～3018～2516～3517～2918～2517～3016～2818～3016～2815～3015～3515～3020～3020～3016～2517～3015～3018～3016～3018～2818～3516～3015～3018～3518～3518～3017～3016～3517～3015～2518～3515～3015～2515～3018～3017～2518～2918～28模糊统计法举例例：用模糊统计法确定27岁的人属于“青年人”模糊集合的隶属度。(见下表）中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.由统计结果可知，共调查统计129次，其中27岁的人属于“青年人〞这个边界可变的普通集合的次数为101次。根据模糊统计规律计算隶属度为：中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.在汽车故障诊断中，同样存在界限不清楚的模糊概念(如发动机温度“偏高〞、轮胎磨损“较严重〞等具有模糊性的故障描述)，运用模糊理论的诊断方法将更为有效。模糊诊断的实质是引入隶属函数概念，模糊逻辑以其较强的结构性知识表达能力，适合处理诊断中的不确定信息和不完整信息。

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

.模糊故障诊断有两种根本方法，一种是先建立征兆与故障类型之间的因果关系矩阵R，再建立故障与征兆的模糊关系方程，即F=S·R，这里F为模糊故障矢量;S为模糊征兆量;“.〞为模糊合成算子。另一种方法是先建立故障与征兆的模糊规那么库，再进行模糊逻辑推理的诊断过程。模糊诊断知识获取困难，尤其是故障与征兆的模糊关系较难确定，且系统的诊断能力依赖模糊知识库，学习能力差，容易发生漏诊或误诊。由于模糊语言变量是用隶属函数表示的，实现语言变量与隶属函数之间的转换是一个难点。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase设：X=(ux1(X1),ux2,⋯,uxm(Xm))为故障征兆模糊向量,简记为X=(x1,x2,⋯xm).

Y=(μy〔y1),μy(y2),⋯,μy(yn))=(y1,y2,⋯,yn)为故障原因向量。

r11r12⋯r1n

r21r22⋯r2n

R=⋯⋯⋯⋯

rm1rm2⋯rmn

其中模糊隶属度确实定由下述方法进行:

由经验数据确定经验隶属度rij:

rij=第i征兆属于第j原因次数；第i征兆出现总次数

隶属度函数定义：称R=(rij)m×n,0≤rij≤1为模糊诊断矩阵,即中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase某维修厂历年统计的电喷发动机故障中,故障征兆xi与故障原因yj对应出现次数如表一。

表1故障征兆隶属故障原因统计表(原因i、征兆j)

y1y2y3y4y5y6y7y8y9

x1315004201

x2532410001

x3604023011

x4052412130

x5532401001

x6423000021

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase得经验诊断矩阵:

V=0.18750.06250.3125000.250.12500.0625

0.31250.18750.1250.250.06250000.0625

0.352900.235300.11760.176500.05880.0588

00.27780.11110.22220.5560.11110.05560.16670

0.31250.18750.1250.2500.0625000.0625

0.33330.16670.2500000.16670.08333

由专家择优得初始诊断矩阵S=(sij)6×9为

S=

0.30.10.45000.350.1500.1

0.50.30.150.40.10000.1

0.6500.3500.150.2500.10.1

00.650.150.350.10.150.10.250

0.550.30.20.3500.1000.1

0.650.250.3500000.150.1中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase设专家权重W1=0.6,经验权重W2=0.4,由rij=0.6sij+0.4vij,得模糊诊断矩阵为:

R=

0.25500.08500.3950000.31000.140000.0850

0.42500.25500.14000.34000.08500000.0850

0.531200.304100.13700.220600.08350.0835

00.50110.13440.29890.08220.13440.08220.21670

0.45500.25500.17000.3100.00.850000.0850

0.52330.21670.310000000.15670.0933中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase由模型:Y=XR,输入征兆向量X,即可得出故障原因向量Y,再由最大隶属度原那么可诊断出故障原因.

如:X=(001001)时,即有x3,x6故障现象时,得

Y=(1.05450.21670.614100.13700.220600.24020.1768)

由最大隶属度原那么y1=max{yj|j=1,2,3,4,5,6,7,8,9},故诊断的故障原因为第一原因,即进气系统漏气。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase随着人工智能的开展,出现了各种故障诊断的专家系统,专家系统是一种基于知识和规划的推理系统,但它存在着知识获取困难、知识库难于维护等问题,使其应用有时也达不到预期的效果。

人工神经网络〔ArtificialNeuralNetwork〕的自学习能力、非线性映射能力、并行计算能力和容错能力,可以克服基于逻辑与符号处理的专家系统的某些局限性,为专家系统的研究开辟了新途径。

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase根本概念由大量的简单处理单元〔神经元〕经广泛并行互连形成的一种网络系统，其中每一单元接受一定数量的实值输入，并产生单一的实值输出对人脑系统的简化、抽象和模拟，具有人脑功能的根本特征，但与人脑系统并不完全一致。人脑有大约1011个神经元，平均每个与其他104个神经元相连，其最快的神经元转换速度为10-3秒，比计算机的10-10秒慢很多。然而，我们却能在10-1秒内认出自己的母亲，其中激发的神经元序列不长于数百步！中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase生物神经元〔Neuron〕或称神经细胞，是生物神经系统的最根本单元。从组成结构看，各种神经元具有共性，它由细胞体〔Soma〕、轴突〔Axon〕和树突〔Dendrite〕三个主要局部组成。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase人工神经元对生物神经元的抽象与模拟。

M-P神经元模型θx1x2xnyω1ω2ωn阈值〔可看作输入固定为1时的连接权值〕输入连接权值输出y=f(σ)=f(∑ωi*xi–

θ)=f(∑ωj*xj)功能函数的不同确定不同的具体模型中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase人工神经网络的互连结构1.单层或双层网络结构(a)(b)中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase2.多层网络结构………………………………………………多层前向神经网络(B-P)多层侧抑制神经网络中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase3.相互连接型网络结构中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBaseBP学习算法的步骤Step1.初始化网络权值Step2.重复以下各步，直到所期望的输出1.逐个提供训练模式2.正向传播过程：对给定的输入，计算网络的输出，并与输出期望比较，假设存在误差，那么进行反向传播；否那么，取下一个训练模式；3.反向传播过程：从输出层反向计算，逐层修正各单元的连接权值和阈值〔将阈值看作输入始终为1的特殊连接权值〕。

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

图1汽车故障判断根本逻辑图中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

图2汽车故障诊断系统实现示意图中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

根据图1,提取汽车故障征兆集和故障集,其中故障征兆集可以用X={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12}来表示,而汽车故障集包括一级判断故障集Y={y1,y2,y3}和二级判断故障集Z={z1,z2,z3,z4,z5,z6,z7,z8},集合元素均以开关量0,1作为其取值,其对应的逻辑意义见表1所示。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

下面以电气系统的故障诊断为例,具体介绍BP神经网络在其中的应用和实现。电气故障诊断分系统采用的是由神经网络实现的两级诊断结构。采用单隐含层的三层BP神经网络结构来实现,其中作用函数为Sigmoid函数。在电气故障诊断系统两级诊断中均采用这种网络结构。1输入层节点数确实定根据电气系统的故障判断逻辑图,我们可以确定一级判断神经网络的输入向量是Xin1={x1,x2},二级判断神经网络的输入向量是Xin2={y1,x4,x7}。所以一级判断BP网络的输入层节点数为2,二级判断BP网络的输入层节点数为3。其中一级判断神经网络实现了Xin1到y1映射,二级判断神经网络实现了Xin2到Zout={z1,z2}的映射,从而最终实现了故障征兆集{x1,x2,x4,x7}到故障集Zout的映射。2中间层节点数确实定综合考虑神经网络的精度和收敛速度,根据经验中间层节点数选为输入层节点数的2倍加上一定的余量,在此选取一级诊断神经网络中间层节点数为5,二级诊断神经网络节点数为7。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

3输出层节点数确实定根据判断的输出结果,显然一级判断网络的输出层节点数为1,二级判断网络的输出层节点数为2。到此,我们可以确定最终整个神经网络的结构如图3所示。图3电气系统故障诊断BP网络示意图中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

4网络训练和测试首先需要准备神经网络的训练样本。训练样本如表2所示。为了提高神经网络的收敛速度,防止出现局部极小点,通过在神经网络建模仿真平台上进行反复训练和比较后,发现网络在学习速率为0.7,动量常数为0.6时样本训练的结果可到达很高的精度,故障平均误差保持在0.01以下。网络经过训练后便具备了诊断故障的能力。表3给出了对一组测试样本进行测试的结果,从表3的诊断结果数据中可以看出,人工神经网络具有很高的诊断精度。经过更多组样本的测试,诊断结果说明网络同时也具有非常好的鲁棒性。中德诺浩汽车实训基地Sino-GermanKnow-howAutomobileTrainingBase

表2

BP神经网络训练样本集一级故障征兆诊断结果二级故障征兆诊断结果x1x2y1y1x4x7z1z200000000010001