基于遗传BP神经网络的电控发动机故障诊断研究

谢春丽，张继洲

（东北林业大学交通学院，黑龙江哈尔滨150040）

基于遗传BP神经网络的电控发动机故障诊断研究

谢春丽，张继洲

（东北林业大学交通学院，黑龙江哈尔滨150040）

为提高发动机故障诊断的正确率与精确度，提出遗传算法和BP神经网络相结合的故障诊断模型。将发动机部分尾气信息和传感器数据作为BP神经网络诊断模型的输入变量，利用遗传算法的全局搜索能力优化BP神经网络的初始权值和阈值，采用优化后的BP神经网络建立发动机故障的诊断模型。实验结果表明该诊断模型可提高发动机故障诊断的正确率。

BP神经网络；遗传算法；故障诊断

汽车发动机的性能直接影响整车的工作状况，在不解体的情况下对发动机的工作状况做出准确快速的判断，不仅能够保证车辆运行的安全性和经济性，还能降低检修成本。如何能够在发动机不解体的情况下判断发动机是否存在故障并且判断故障类型是学术界的一大研究课题。在研究领域和使用领域，最新的诊断方法主要有基于数学模型的方法、基于信号处理的方法和基于人工智能的方法等，其中人工智能是一种比较有前途的方法。

在故障诊断方法中，BP（Error Back Propagtion，误差反向传播）神经网络是一种最常见的人工智能诊断方法，但是普通BP神经网络故障诊断模型具有收敛速度慢、易陷入局部极值的缺点。针对上述缺点，研究者们引入多种方法与普通BP神经网络相结合进行故障诊断，并且取得良好结果。文献［1］中，作者在普通BP神经网络中引入量子算法，以量子比特的方式表示神经网络的输入和传递函数，在收敛速度、分类正确率方面取得良好效果；文献［2］中，作者利用经验模态分析法（EMD）选择故障特征，作为神经网络的训练特征来诊断滚动轴承的故障，取得较好的分类效果；文献［3］中，作者在BP神经网络中引入萤火虫算法对网络参数进行选取，在训练效果和故障识别方面取得良好效果。遗传算法（Genetic Algorithm，GA）是模拟生物界的遗传机制而形成的一种自适应优化算法，具有强大的局部搜索能力。文献［4］中，作者利用遗传算法对变速器的故障特征进行提取，获得了满足故障诊断需求的特征数据，约简了诊断数据；文献［5］中，作者利用遗传算法对故障特征参数进行自动优化，然后运用逐次诊断理论对滚动轴承复合故障进行诊断。鉴于遗传算法的局部寻优能力，将遗传算法引入BP神经网络中，可以对神经网络参数进行优化，从而加快神经网络的收敛速度、降低训练误差。文献［6］中，作者在BP神经网络中引入遗传算法优化反向传播网络权值，结果表明预测精度得到很大提高。鉴于BP神经网络在引入遗传算法后训练精度确实得到极大提高［7-9］，本文中提出在发动机故障诊断中引入遗传算法，对BP神经网络的初始权值和阈值进行优化，建立遗传BP神经网络进行发动机故障诊断。结果表明，GABP有效地提高了发动机故障诊断的准确率。

1　GABP神经网络诊断模型

1.1BP神经网络

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，使得BP神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构如图1所示。X1，X2，…Xn是BP神经网络的输入值；Y1，Y2，…Ym是BP神经网络预测值；ωij和ωjk是BP神经网络权值。从图1可以看出：BP神经网络可以看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n、输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。

图1　BP神经网络拓扑结构图

1.2GABP神经网络诊断模型

GABP神经网络模型是根据遗传算法优化网络初始权值和阈值来建立BP神经网络的。遗传算法优化BP神经网络的要素包括种群初始化、确定适应度函数、选择操作、交叉操作和变异操作。GABP神经网络算法流程如图2所示。

图2　算法流程图

1）种群初始化个体编码采用实数编码的方法，每个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值和输出层阈值组成。

2）确定适应度函数根据初始权值和阈值，BP神经网络利用训练数据训练神经网络后预测系统输出，把预测输出与期望输出之间的误差绝对值之和E作为遗传算法的个体适应度F：

式中：n为网络的输出节点数；yi为BP神经网络的第i个节点的期望输出；oi为第i个节点的预测输出；k为系数。

3）选择操作从种群中选择若干个体作为双亲用于繁殖后代，采用轮盘赌法进行选择操作，即基于适应度比例的选择策略，适应度高的个体遗传到下一代的概率较大，适应度低的个体遗传到下一代的概率则较小。每个个体i的选择概率pi为

式中：Fi为个体i的适应度值；N为种群个体数目。

4）交叉操作种群初始化过程中个体采用实数编码，交叉操作采用实数交叉法，第k个染色体ak和第l个染色体al在j位的交叉操作方法如下：

式中：b是［0，1］区间的随机数。

5）变异操作选取第i个个体的第j个基因aij进行变异，变异操作方法如下：

式中：amax为基因aij的上界；amin为基因aij的下界；为一个随机数；g为当前迭代次数；Gmax为最大进化次数；r为［0，1］间的随机数。

6）计算适应度值计算得出的适应度值若满足结束条件，则输出最优权值阈值；若不满足结束条件，则返回第3）步重新选择。

7）训练神经网络将遗传算法优化后的权值和阈值作为神经网络的初始权值和阈值进行神经网络的训练学习。

8）检验用样本检验诊断模型的泛化能力。

2　基于GABP神经网络模型的故障诊断试验

2.1数据采集

本试验涉及到的测试仪器有X-431开放式汽车故障诊断仪、AUTO5-1型尾气分析仪还有电脑，测试车辆采用韩国原产现代诊断测试车，该车专门用作故障诊断的测试研究，利用数控板设置了不同系统的故障设置单元，包括电控发动机故障设置单元、ABS故障设置单元、制动系统故障设置单元等。该电控发动机故障设置单元可以设置传感器故障及不同的执行器故障，通过控制相关的电控系统来设置相应的故障状态。参考相关研究［10-13］，本文中选取10种特征参数：CO排放体积分数值、CO2排放体积分数值、O2排放体积分数值、HC排放体积分数值、NOX排放体积分数值、发动机转速、节气门开度、空气流量计开度、氧传感器值和空气温度值作为神经网络故障征兆样本集，在6种常见故障类型即正常状态、空气流量传感器故障、节气门位置传感器故障、氧传感器故障、点火线圈故障和喷油器故障分别存在的情况下测试特征参数值，每种故障原因选取30组数据样本组成神经网络输入样本集，输入输出参量定义如表1所示。

表1　参量定义

2.2确定BP神经网络结构

采用常见的3层神经网络结构来构建故障诊断模型，由样本数据集可知，该神经网络模型有10个输入节点、6个输出节点，在多次试验后，发现隐含层节点数为19时网络误差最小，故确定神经网络隐含层节点数为19，网络拓扑结构为10-19-6。BP神经网络隐含层函数选择Logsig函数，输出层采用Purelin线性函数。

2.3确定BP神经网络训练参数

训练参数对神经网络非常重要，期望误差设定为0.01，学习速率设定为0.1，训练次数设定为1 000次。

2.4遗传算法优化

构建10-19-6的神经网络结构后，在训练神经网络时，引入遗传算法对训练过程中神经网络的权值和阈值进行优化，设定种群规模为10，进化次数为50次，交叉概率为0.4，变异概率为0.2。本文中对神经网络的权值和阈值进行编码，利用遗传算法程序求解，在获得最优解后将其作为BP神经网络的最初权值和阈值。

2.5模型训练

在输入的总共180组数据中，每种故障随机选取5组数据作为测试数据，剩下的总共150组数据作为神经网络训练数据。经过训练得到最优个体适应度曲线和最佳适应度（图3），GABP神经网络模型和BP神经网络模型达到收敛时所需步长如图4～5所示。

从图3可以看出，最优个体适应度曲线在110代之后达到稳定，说明优化到110代之后网络已经获得最优个体。从图4～5可以看出，GABP神经网络在训练进入第7个循环时达到收敛，收敛时均方误差为0.061 648，未达到预期误差值0.01，但相比单独BP神经网络的训练效果要大大改善，单独BP神经网络在训练过程进入第9个循环时达到收敛，收敛时均方误差为0.243 02。图4和图5对比表明：经过遗传算法优化的BP神经网络初始权值和阈值可以改善神经网络的性能，训练收敛时的均方误差减小了74.63%，极大地提升了神经网络预测精度，降低了神经网络的训练收敛时间。

图3　最优个体适应度曲线　

图5　BP神经网络训练过程

2.6故障测试

将输入数据中的剩下30组数据（表2）作为测试数据输入训练过后的神经网络进行测试（由于篇幅限制，仅列出30组测试数据中的11组）。在表2中，每组数据对应的实际故障类型记为1，其他故障类型记为0，如第1组数据的实际故障类型为y1，故期望输出记为100000。

利用表2所给出的数据进行故障测试，所得诊断结果和误差见图6（由于篇幅原因，仅给出每组数据在预期故障下的诊断结果与误差）。

表2　测试数据与期望输出

图6　诊断结果及误差

在诊断结果方面，GABP神经网络模型的预测精度比单独BP神经网络模型要高，单独BP神经网络模型对第10、18、19组数据的诊断结果出现误判，第10组数据实际故障为y2，诊断结果为y6故障，第18组数据的实际故障为y4，诊断结果为y3和y6故障混合，第19组数据实际故障为y4，诊断结果为y3和y6故障混合；GABP神经网络模型的诊断结果未出现误判，但是对第3、10组数据的故障类型识别精度不高。在诊断误差方面，单独BP神经网络模型对预期故障的诊断误差波动范围较大，且误差值较高；GABP神经网络模型对预期故障的诊断误差波动范围较小，而且误差值基本维持在10%以内，这说明GABP神经网络诊断模型比单独BP神经网络诊断模型的泛化能力强。

定义平均绝对百分比误差（Mean Absolute Per⁃cent Error，MAPE）：

式中：M为样本个数；ope（output_expected）为期望输出；ops（output_simulink）为仿真测试输出。GABP神经网络模型与单独BP神经网络模型的诊断误差比较如表3所示。

通过GABP神经网络模型与单独BP神经网络模型的诊断结果与误差比较，本文中建立的GABP神经网络模型提高了故障诊断的精确度，具有更优越的诊断性能。

表3　BP与GABP神经网络模型诊断误差比较

3　结论

采用BP神经网络与遗传算法联合进行电控发动机故障诊断，使用遗传算法对BP神经网络的权值和阈值进行优化，建立GABP神经网络故障诊断模型。在搭建的试验平台上进行故障数据采集，利用故障数据对本文中提出的故障诊断模型进行验证。验证结果表明：该诊断模型能够有效地进行故障诊断，使用遗传算法的全局搜索能力对BP神经网络进行优化，可以有效避免BP神经网络易陷入局部极值的缺点，极大地降低了故障诊断误差，提高了故障诊断的精确度。

［1］李胜，张培林，李兵，李琛.量子BP神经网络在发动机故障诊断中的应用［J］.中国机械工程，2014，25（16）：2159-2163.

［2］Jaouher Ben Ali，Nader Fnaiech，Lotfi Saidi.Application of Empirical Mode Decomposition and Artificial Neural Network for Automatic Bearing Fault Diagnosis Based on Vibration Signals［J］.Applied Acoustics，2015，89：16-27.

［3］李巍华，翁胜龙，张绍辉.一种萤火虫神经网络及在轴承故障诊断中的应用［J］.机械工程学报，2015，51（7）：99-106.

［4］Wenli Shang，Xiaofeng Zhou，Jie Yuan.An Intelligent Fault Diagnosis System for Newly Assembled Transmis⁃sion［J］.Expert Systems with Applications，2014，41：4060-4072.

［5］骆志高，陈保磊，庞朝利，等.基于遗传算法的滚动承复合故障诊断研究［J］.振动与冲击，2010（6）：174-177+243.

［6］谢延敏，王新宝，王智，等.基于灰色理论和GA-BP的拉延筋参数反求［J］.机械工程学报，2013，49（4）：44-50.

［7］罗戎蕾，刘绍华，苏晨.基于遗传算法的BP神经网络服装销售预测方法［J］.北京邮电大学学报，2014，37（4）：39-43.

［8］邓召学，郑玲，郭敏敏，等.基于遗传BP神经网络的磁流变悬置模型辨识［J］.电子科技大学学报，2014，43 （6）：955-960.

［9］庄家俊，刘琼.自适应遗传优化BP网络的研究与应用［J］.北京邮电大学学报，2012，35（5）：41-45.

［10］毕晓君，柳长源，卢迪.基于PSO-RVM算法的发动机故障诊断［J］.哈尔滨工程大学学报，2014，35（2）：245-249.

［11］高阳，李国璋.基于尾气分析和免疫原理的内燃机故障诊断法［J］.车用发动机，2011（3）：83-85+89.

［12］孙毅刚，刘静雅，赵珍.基于极限学习机的航空发动机传感器故障诊断［J］.传感器与微系统，2014（8）：23-26.

［13］姜洁，李秋红，张高钱，等.航空发动机燃油系统执行机构及其传感器故障诊断［J］.航空动力学报，2015 （6）：1529-1536.

［14］谢春丽，张东兴，朱志飞.电控发动机故障诊断属性约简算法应用研究［J］.湖北汽车工业学院学报，2014，28（1）：54-58+70.

Fault Diagnosis of Electronic Control Engine Based on Genetic BP Neural Network

Xie Chunli，Zhang Jizhou
（Traffic College，Northeast Forestry University，Harbin 150040，China）

To improve the correctness and accuracy of the engine fault diagnosis，a fault diagnosis model based on BP neural network combining genetic algorithm was proposed.With the engine emissions in⁃formation and sensors data as the input variables of BP neural network diagnosis model，BP neural net⁃work，s initial weights and thresholds were optimized using the global search ability of genetic algo⁃rithm.A model of engine fault diagnosis was built by the optimized BP neural network.The simulation results show that the proposed method can improve the accuracy of engine fault diagnosis.

BP neural network；genetic algorithm；fault diagnosis

U472.42；TP206+.3

A

1008-5483（2016）02-0018-05

10.3969/j.issn.1008-5483.2016.02.005

2015-12-25

黑龙江省自然科学基金项目（E2015053）；中央高校基本科研业务费专项资金资助（DL13CB14）

谢春丽（1978-），女，吉林镇赉人，副教授，工学博士，从事故障诊断、人工智能等方面的研究。E-mail：xcl08@126.com