基于神经网络的发动机故障诊断专家系统研究

周萌

摘要：随着汽车智能化的发展，发动机的结构越来越复杂。如何快速准确地实现发动机故障的诊断维修，提高汽车的行驶稳定性和安全性，成为汽车维修人员面临的一大难题。针对这一问题，本文提出了基于神经网络的故障诊断专家系统，以发动机动力不足为例，对该算法进行了阐述和验证。

关键词：神经网络;故障诊断;专家系统

一、緒论

作为汽车的动力源，发动机在汽车的运行过程中起着十分重要的作用。发动机性能的好坏会直接体现在汽车的行驶状态上。一个存在质量问题的发动机能够影响到整辆汽车正常运行，更会为汽车的燃油经济性、平顺性、动力性、舒适性等方面产生巨大影响。根据调查研究，发动机相关零部件故障占汽车整体故障的50%以上，不同生产厂家、不同型号、不同配置的车辆发动机类型结构存在着很大区别。目前，为了提高汽车的燃油经济性、环保及排放标准，有越来越多的新技术和新设备被用在发动机上。如何快速准确地判断发动机的故障、对发动机相关知识的及时更新和学习，成为了汽车维修人员面临的全新挑战。

发动机故障是非线性的，无法构建简单的数学模型通过数值计算而得到结论，需要在人脑对故障现象进行分析后通过维修经验识别故障原因。由此可见，维修人员所积累的维修经验和推理能力对故障点确定的准确率有非常大的影响。由于汽车维修行业从业人员的流动性大且专业性强，在领域中有经验的专家成为汽车维修的紧缺人才。在发动机故障诊断中使用神经网络，可以解决这一难题，神经网络诊断法已经成为发动机故障诊断的新趋势。

二、神经网络简介

神经网络也叫人工神经网络（Artificial Neural Networks），它能够模拟人脑对输入条件进行自主学习，并可以根据输入参数变化而改变网络进行系统自适应。输出结果具有逼近任意复杂的非线性函数的能力。人工神经网络的构建需要对数据样本进行学习，既对搭建的神经网络进行训练。训练的过程就是一个神经网络通过计算而使输出结果趋近于理想状态的过程。经过训练后的神经网络可以通过输入数据得到输出数据。当人工神经网络用于故障诊断时，可改善常规故障诊断方法，适合于对多故障、多征兆复杂对象的故障诊断[1]。

（一）神经网络特点

BP（Back Propagation）神经网络，也叫作误差反向传播神经网络。它是一种单向传播的多层前向网络。主要用于对象逼近，即它能逼近任意的非线性函数，可实现多输入和多输出，而且有自主学习的能力，有较强的泛化能力。神经网络是一个由神经元构成的模拟人脑的模型。基本组成单元为神经元。神经元的数学模型为：

其中y表示神经元的输出值，θ表示神经元的阈值。x表示接收信号，w表示连接权值。

一个完整的神经网络由输入层，隐含层和输出层组成。层与层之间采用全互连方式。但同一层的神经元之间不进行连接。系统数据或故障状态由输入层进行输入。在隐含层进行计算，即通过sigmoid函数（简称S函数）进行神经元的激发。

表示隐含层函数的输出。

通过大量输入样本的训练，使神经网络的权值不断进行调节，以达到输入层的输出值与理想值的误差最小的状态。神经网络的结构如图1所示。

（二）神经网络专家库

神经网络能够实现故障诊断的前提是需要有大量的样本进行训练。一般情况下，样本数量要不少于网络参数的10倍。有经验的汽车维修专家能够准确迅速地查找出发动机故障并排除。将专家经验转化为训练样本对神经网络进行训练，不但可以为神经网络提供大量的优质样本，而且学习后的神经网络对于发动机的故障可以模拟专家思维进行分析，实现故障高效诊断。并且神经网络可以根据训练的专家诊断样本的变化而调整网络，使故障诊断系统能自我升级，以适应发动机故障的变化。

内部含有大量领域专家水平的知识和经验，能够模拟人类专家思维过程，求解领域内需要专家才能解决的困难问题的计算机程序叫做专家系统。专家系统由推理机、知识库、数据库和人机接口等部分组成[2]。推理机是专家分析故障的方法;知识库和数据库是专家的知识和故障诊断的相关数据在神经网络中训练后的得到的权值和阈值所组成的;人机接口为专家与专家之间和专家与用户之间的连接显示窗口，相当于系统的界面。专家系统的计算机程序采用产生式规则，表达方法为—IF E THEN H WITH CF（E，H）。其中E为前提条件，H为结论。CF为强度。专家系统由编程软件实现，当应用于发动机故障诊断时，前提条件为故障现象，结论为诊断结果，强度则为故障产生的频率、次数、偶发等条件。

将神经网络算法应用在专家系统的推理机制中，相当于神经网络拥有了一个有多名发动机维修专家所组成的计算机大脑，故障现象被输入后，学习完成的神经网络可以得出与专家推理结果相近的输出结果。实现了即使维修场景没有真实存在的人类专家，也能模拟专家及时准确的完成对故障的分析判断。

（三）神经网络算法

在已经确定的神经网络结构里，需要不断的调整网络权值，来完成设定次数的训练。权值被赋予[0，1]区间内的随机数值。训练后的网络可以看成是一个函数，函数为x到y的映射。既。相当于将原本不能用函数所表示的故障现象及故障诊断结果通过函数形式体现。BP神经网络采用误差反向传播，既从输出层向输出层传播。

误差性能指标函数：

神经网络的训练就是使系统在大量的样本训练后，输出达到最接近于真实的结果的过程。

输出层神经元输出：

式中j表示神经元。

网络输出与理想输出误差为：

神经网络根据梯度下降算法求解输出层和隐含层的连接权值，算法为：

其中η是学习率，取值为0到1之间。e（k）指第k次的输出实际值与理想值得误差，是一个具体数据。为求导结果，表示斜率。也是一个具体数据。所求得是一个增量的具体数值。

三、故障诊断系统设计

通过大量不同质故障样本训练后的神经网络，有固定的权值和阈值，可以对发动机的故障进行诊断。在输入层输入故障现象，神经网络通过计算得到对应的故障原因。发动机故障的诊断需要根据专家的维修经验、维修理论和实验数据构建大量的故障样本，以实现神经网络的训练。当专家增加或是维修案例增加时，可以通过增加训练样本的数量来实现神经网络的学习。以发动机动力不足为例，进行神经网络的构建及样本的训练。输入及输出所对应的故障现象及故障原因如表1所示。

需要将输入和输出转化为[0，1]区间的矩阵形式进行表达。当xi=0时，代表故障现象没有出现，xi=1时，代表故障现象发生。当yi=0时，代表故障原因不存在，yi=1时，代表故障原因存在。由此构建了一个五输入，三输出的样本。如表2所示。

神经网络隐含层节点数计算根据公式：

式中i为输入层神经元数，k为输出层神经元数，a为[1，10]之间的常数[3]。选取隐含层神经元数目为6。

设置神经网络学习率η=0.5，动量因子a=0.05，误差E=10-20。采用matlab自带函数feedforwardnet/cascadeforwardnet建立网络结构。训练好的神经网络，将权值和阈值进行保存，形成故障诊断的知识库。

输入测试样本对网络训练情况进行测试。选取一组故障现象输入X=[0 1 0 0 0 0]，得到输出结果为Y=[0.0254 0.0693 0.8451]，由此判定故障原因为喷油线路故障。

四、结语

通过仿真实验，由人工神经网络构建的故障诊断专家系统能够实现故障现象与故障原因之间的联系，可以实现故障诊断的高效准确判断，这也是发动机故障诊断的发展趋势。

参考文献：

[1]赵晖，徐浩然，梅志刚，等.基于人工神经网络的逆变器开路故障诊断[J].电力电子技术，2021，55（02）：45-49.

[2]王朝周.汽车发动机的故障诊断[J].内燃机与配件，2019，（15）：172-173.

[3]罗德强，王汉军，牛春辉.基于神经网络算法的某型装备专家诊断系统的研究[J].舰船电子工程，2020（01）：12.