基于BP 神经网络的发动机故障诊断算法研究

林海涛 朱宝全 马小涵

（东北林业大学，黑龙江 哈尔滨150040)

1 概述

现代发动机涉及机械传动、电子技术、计算机控制、热力学等多门学科[1]，一旦发生故障不易精确快速诊断。发动机故障诊断技术意义重大，对于使用者来讲，及时发现故障可以有效避免事故风险，提高发动机的运行条件和使用寿命，并能大大减小出现严重故障的检修费用[2]；对于社会来讲，及早排除故障可以使发动机在更好工况运行，大大提高在经济工况区域工作的机会，而且对于减小排放污染也大有贡献[3]。现代智能化诊断技术既需要理论支撑，又需要技术支持[4]。在进行故障诊断之前需要对诊断对象有充分了解，根据目的选择合适的诊断方法，选用合适的仪器，提前做好计划方案。

发动机作为汽车的心脏，准确高效地进行发动机故障诊断对于保障汽车安全性、提高经济效益具有重大意义。传统诊断方法劳动强度大，效率低下，正确率不高，随着人工智能方法的发展，神经网络广泛应用于故障诊断方面，相关方面的理论研究也越来越成熟[5]。BP 神经网络只需要采集与故障工况相关的特征参数，神经网络即可自行学习，建立特征参数与故障工况的对应关系。本文介绍了发动机故障诊断的背景与发展，并进行了实验数据采集，提出了BP 神经网络进行故障诊断的方案，从中挑选最佳的BP 神经网络。

2 算法设计

基于BP 神经网络的发动机故障诊断算法整体流程如图所示。首先进行数据采集，并将数据分为训练样本和测试样本两个子集，并对两个数据集进行归一化等预处理，将训练样本放入BP 神经网络中进行不断训练，训练过程中不断调整网络参数，计算收敛情况和预测误差，当精度满足预期要求时，停止训练，输出训练后的BP 神经网络模型。

3 BP 神经网络诊断模型

本文网络层数选择为3。输入层节点数等于神经网络输入向量的维数，本文提取11 个特征参数作为网络输入向量，因此可确定网络输入层节点数为11，输出层节点数等于输出向量的维数，网络输出为9 种发动机工况，因此输出层节点数确定为8。

隐含层节点数，通常根据经验公式进行估计：

其中，m 和n 分别为输出层和输入层的神经元个数，a 是[0，10]之间的常数。

由于经验公式得到的只是一个范围，如果要确定最佳的隐含层节点数，可以在训练样本不变的条件下，比较不同隐含层节点数的性能好坏，从而选择出最佳值。根据公式（1），初步选取隐含层节点数[4,14]之间的整数，最后对比网络误差选取最佳值。

基于BP 神经网络的发动机故障诊断算法

BP 网络需要对迭代的初始值进行设置，初始值过大或过小都会对性能产生影响，初始值过大，可能会在极大程度上影响学习效率，通常设置一个接近于0 的随机数作为初始值。误差精度通常根据经验先选择一个合适的值，如果不能满足预期要求可以继续比较调整，初选误差精度为10-3。网络最大迭代次数设置为2000。

最终选用LM算法对网络学习训练，得到隐含层节点数为11 时网络误差最小，因此确定隐含层节点数为11。由于BP 神经网络改进训练算法有四种：动量BP 算法、VLBP 算法、拟牛顿算法和LM算法。本文定隐含层节点数为11，分别用不同训练算法比较优劣，结果显示选用LM算法网络误差最小，收敛速度最快。

4 结论

为提高发动机故障诊断的准确度和诊断效率，本文开展一种基于BP 神经网络的发动机故障诊断算法研究，本文针对故障诊断进行了BP 神经网络的设计，选用LM算法对网络学习训练，得到隐含层节点数为11 时网络误差最小，因此确定隐含层节点数为11。由于BP 神经网络改进训练算法有四种：动量BP算法、VLBP 算法、拟牛顿算法和LM算法。本文定隐含层节点数为11，分别用不同训练算法比较优劣，结果显示选用LM 算法网络误差最小，收敛速度最快，因此确定最佳的BP 神经网络方案为11-11-8 结构，采用LM算法的BP 神经网络。利用训练后的神经网络进行故障诊断，诊断正确率达到94%。