模糊神经网络在汽车发动机电子点火系统故障诊断中应用.docVIP

模糊神经网络在汽车发动机电子点火系统故障诊断中应用 　　摘要：本文针对发动机电子点火系统的五种常见故障，借助发动机综合分析仪测得次级点火波形，并提取特征值，构造了一种模糊神经网络模型，利用MATLAB进行仿真，通过简单测试，得出这种方法是可行的，可以准确快速的诊断出故障原因。 　　关键词：模糊神经网络；故障诊断；汽油发动机；次级点火波形 　　中图分类号：TP391.76 文献标志码：A 文章编号：1005-2550（2011）03-0047-04 　　 　　Applications of Fuzzy Neural Network in Fault Diagnosis of Automobile Engine 　　PENG Guang-ping1，LI Yong-xian2 　　(1.Lanzhou Jiaotong University，Lanzhou 730070，China；2.Zhejiang Normal University，Jinhua 321004，China) 　　Abstract：In this paper，fuzzy neural network model was constructed for five kinds of common faults of engine electronic ignition system，with the aid of Engine analyzer to measure the Ignition secondary waveform and extract characteristic value.By simulation of MATLAB and simple tests，it demonstrated that the method was feasible and can be used to diagnosticate causes of malfunction accurately and rapidly. 　　Key words: fuzzy neural network；fault diagnosis；gasoline engine；ignition secondary waveform 　　 　　汽车是一个复杂的机械系统，它由数千种的零件所构成，发动机是汽车的动力源，是汽车的心脏。汽车的一些基本技术性能都直接或间接地与发动机的相关性能相联系，它产生的故障占全车故障的比例最高，在全车中约占19.8%［1］。因此，发动机的故障诊断和维修水平在汽车修理中极为重要。本文将利用次级点火波形来诊断发动机的点火故障，点火故障是指高压击穿电压、燃烧电压和燃烧时间等不正常的现象，任何一种现象都可导致汽车不能正常行驶。由于发动机是一个高阶、非线性、变参数、大惯量、多模型和大滞后的系统，其点火故障诊断很难用精确的数学模型描述，因此常规方法难以满足诊断要求。本篇利用模糊神经网络对发动机点火系统进行故障诊断，经过实验，得出这种方法是可行的，可以准确快速的诊断出发动机电子点火系统的常见故障原因。 　　 　　1 模糊神经网络及发动机电子点火系统的常见故障 　　 　　模糊神经网络兼顾了模糊逻辑和神经网络的优点。模糊控制利用专家经验建立起模糊集，隶属度函数和模糊推理规则等实现复杂系统的控制。人工神经网络是模拟人脑细胞的分布式工作特点和自组织功能实现并行处理、自学习和非线性映射能力的一种典型控制方法。将模糊控制与神经网络有机结合起来，利用神经网络的学习能力来优化模糊控制规则和相应的隶属度函数，就能得到具有很强的自学习、自适应、容错能力和处理不确定信息的智能控制技术［2］。 　　1.1 模糊神经网络结构 　　根据上述模糊逻辑和神经网络的特点，构造如下模糊神经网络。本篇采用比较常用的BP神经网络算法，BP神经网络是一种多映射网络，采用最小误差方差学习方式，把一组样本的输入、输出映射问题变成一个非线性的优化问题，运用优化算法中的梯度下降法，以迭代运算求解权值，增加隐层使可调参数增加，从而得到更精确的输出。这就需要对于输入层神经元的输入量进行一定的数据处理，使其在0~1之间的数为最佳，在本文网络中运用专家经验法来处理。将BP网络与模糊逻辑相结合就构成了模糊神经网络(Fuzzy Neural Network ，简称FNN)，它的结构如图1所示［3］。 　　该诊断网络共有五层： 　　第一层是输入层，输入层的节点数由输入信号个数来决定，每一个节点代表一个输入变量（故障征兆值），每个输入变量直接进入到下层。 　　第二层是量化输入层，它的作用是利用一个或多个隶属函数将输入变量模糊化，即先对输入变量定义一些模糊子集，通过相应的隶属度函数，将输入变量转换成相应的模