基于神经网络技术的汽车故障诊断算法及其优化.docVIP

基于神经网络技术的汽车故障诊断算法及其优化 　　摘要：该文论述了一种基于汽车OBD－Ⅱ故障代码到具体故障的汽车故障诊断算法，实现了利用BP神经网络算法由OBD－Ⅱ故障代码向具体故障的映射，并且利用遗传算法将神经网络加以优化，以提高识别率。 　　关键词： OBD－Ⅱ；神经网络；遗传算法；故障诊断 　　中图分类号：TP18文献标识码：A文章编号：1009-3044(2011)13-3122-03 　　An Auto Faults Diagnostics Algorithm Based on Neural Network and Optimization 　　LIU Feng, ZHANG Yan 　　(Northern Science Technology College,Shenyang Aerospace University, Shenyang 110136, China) 　　Abstract: This paper presents a car fault diagnosis algorithm based on OBD-Ⅱ code to the real fault, implemented the OBD-Ⅱ fault mapping to a specific fault by using BP neural network algorithm, and optimize the neural network using genetic algorithm to improve the recognition rate. 　　Key words: OBD－Ⅱ; Neural network; GA; Diagnosis 　　随着汽车工业和电子计算机技术的迅速发展，越来越多的电控系统应用在现代汽车上，使汽车性能不断提高、结构愈加复杂，汽车故障的检测和维修工作正面临着公私汽车拥有量与日俱增的巨大挑战，如何快速准确地对汽车故障进行诊断和维修也就成为当务之急。 　　1994年，美国汽车工程师协会（SAE）提出了随车电脑诊断系统的标准规范，即第二代随车电脑诊断系统OBDⅡ（On-Board Diagnostics），人们习惯上将以前的诊断体系称为第一点随车诊断系统。系统要求各个汽车制造厂依照OBDⅡ的标准提供统一的诊断模式及诊断插座，统一的故障代码，只需用1台仪器，即可对各种车辆进行诊断检测。 　　然而，很多维修技术人员并不是习惯于使用传统的OBDⅡ故障代码作为故障的内容进行处理，他们只是将其作为一种数据上的参考，类似于人体生理参数，因此有必要找到一种将故障表征（OBDⅡ代码）映射到具体故障本身的诊断方法。 　　1 BP神经网络及BP算法 　　人工神经网络是一种更接近于人脑信息处理机制的计算机系统，其工作原理、结构及功能与传统的计算机有很大差别，它突破了以传统的线性处理为基础的数字电子计算机的局限，神经网络是一个具有高度非线性的超大规模连续时间动力系统。其主要特征为连续时间非线性动力学、网络的全局作用、大规模并行分布处理和联想学习能力。BP神经网络又称多层前向网络，它得名于BP（Back-Propagation）算法，是一种按误差逆传播算法训练的多层前馈网络。BP算法将神经网络学习输入输出的映射问题转变为一个非线性优化问题。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。 　　BP算法的学习过程由正向传播和反向传播两部分组成，在正向计算过程中，输入信息从输入层经过隐层神经元逐层处理后，传向输出层。每一层神经元的状态只影响下一层神经元状态。如果输出层得不到希望的输出，则转向反向传播，此时误差信号从输出层向输入层传播并沿途调整各层间连接权值和阀值，以使误差不断减小，直到达到精度要求。该算法实际上是求误差函数的极小值，它通过多个样本的反复训练，并采用最快下降法使得权值沿着误差函数负梯度反向改变，并收敛于最小点。 　　误差反向传播学习通过一个使代价函数最小过程完成从输入到输出的映射。通常，代价函数定义为所有输入模式上输出单元希望输出与实际输出的误差平方和。 　　2 BP神经网络模型设计 　　基于上述BP神经网络的特点，我们可以找到一种利用BP神经网络来解决汽车故障表征到具体汽车故障的映射方法。 　　网络不仅有输入结点层、输出结点层，而且有隐结点层，函数选取Sigmoid函数。隐含层可以是单层，也可以是多层。只要有充分多的隐层单元，就能够以任意