基于智能诊断技术的发动机故障排查研究进展

徐 斌

（涪陵区机动车安全技术检测站，重庆 涪陵 408000）

基于智能诊断技术的发动机故障排查研究进展

徐 斌

（涪陵区机动车安全技术检测站，重庆 涪陵 408000）

智能诊断技术的研发与运用为汽车的故障诊断开辟了新的途径，基于神经网络的发动机故障诊断技术是智能诊断技术的重要组成部分。本文对基于BP神经网络、非BP神经网络及神经网络与其他技术相结合的汽车发动机故障诊断的研究进展进行了综述，并对三种发动机故障诊断技术进行了比较，展现了神经网络技术在智能诊断汽车故障系统中的运用和发展。

神经网络；发动机；故障诊断

汽车发动机是由多个零部件构成的复杂机械系统，随着汽车机动性能的逐步提高，汽车发动机的系统结构也变得越来越复杂。汽车一旦出现故障，需要对故障进行及时排查。故障的传统诊断方法主要有经验诊断法和简单仪器诊断法，经验法靠人耳聆听异响声音，结合发动机转速、异常部位和温度来判断故障；仪器诊断法是根据检测仪监测到的信号时域和频域特征来判断发动机的技术状况。传统诊断法因受个人经验的局限性以及简单仪器功能的单一性而不能满足现代汽车的故障诊断要求。汽车故障的智能诊断技术是融合了多种技术手段的自主性诊断系统，它是现代工业技术和电子技术发展的产物，智能诊断技术的开发与运用为汽车的故障诊断开辟了新的途径。在智能诊断技术中，以学习记忆、联想推测和并行信息处理等为特征的神经网络发动机故障诊断技术又是其重要组成部分，目前这一技术在机动车检测和维修行业方兴未艾。为此，笔者就神经网络用于汽车发动机故障诊断的研究进展进行介绍，以期引起同行对汽车发动机故障诊断技术发展动向的关注，准备迎接现代技术的挑战。

1 基于BP神经网络的汽车发动机故障诊断技术

神经网络是类似人脑功能、由大量简单且相互连接的处理单元组成的复杂网络系统。在网络系统中广泛应用的数学模型是误差反传播BP(Back Propagation)算法，BP神经网络的基本原理就是通过信息的反复输入和输出同时进行正、反向计算，使得网络的输出值和期望值接近零差异。基于神经网络建立的数学模型既保持了专家系统的原有功能又具有神经网络的特征，根据这一数学模型获取的数据信息对发动机故障进行排查。

21世纪初，燕学智[1]等首次将神经网络技术引用到发动机故障的诊断，同时基于BP算法对汽车发动机的五个故障进行了故障诊断实验测试，测试结果证明人工神经网络技术能有效应用于发动机的故障诊断，并指出该技术具有操作简洁方便、快速直观以及网络参数便于调整等优点。王伟杰[2]等采用单一故障实例证实了BP神经网络故障诊断正向推理过程的可行性，阐明了BP神经网络故障诊断与传统专家系统正向推理相比的突出优势。在早期神经网络故障诊断技术基础上，黄游槟[3]等将多个子BP神经网络整合成一条诊断链，从而对汽车故障进行分级连续诊断，不断地缩小故障范围直至最终确定故障的具体原因。该方法的创新点在于整合了专家系统的思想，弥补了单一神经网络存在的结构大、准备和学习难、精度差等缺陷。张延林[4]等结合BP神经网络的理论分析，通过对实际故障的诊断测试，其结果同样证明了BP神经网络诊断技术的良好效果。与此同时，针对BP网络诊断缺乏专家经验的不足，张延林也提出了BP神经网络诊断技术的改进方法。随着BP神经网络诊断技术的更新与推广，近年来汽车发动机故障的诊断效率有了很大提高，从实践证明了BP神经网络的可靠功能及其应用前景[5，6]。

2 基于非BP神经网络的汽车发动机故障诊断技术

近年来，在以研究BP神经网络汽车故障诊断技术为主的同时，基于非BP神经网络的研究也有不少报道。

吴勉[7]等通过分形几何和小波分析进行信号的收集与处理，以自组织主成分分析作特征降维，采用一种新的多ART2神经网络对发动机故障状态进行分类识别，获得了理想的故障排查效果，与BP算法相比较，该方法具有实时学习、适应性良好、识别快速和能自动诊断新故障等优点。陈振[8]等以捷达轿车为实验对象，采用包括径向基函数的网络设计、故障诊断程序构建的RBF网络诊断模型诊断发动机故障。结果表明，相比BP网络RBF网络具有更强的存储记忆功能和联想推测能力。高龙士[9]等利用Elman网络的特点，建立了基于Elman网络的汽车发动机故障诊断模型，并且通过发动机失火与尾气成分关联程度的故障识别和诊断验证了模型的可行性。Elman神经网络的特点在于具有很好的非线性编辑和关联事件泛化的能力，因此能够在复杂的故障分析过程中准确地预测和诊断故障。实例验证结果表明，基于Elman神经网络的数学模型完全可以对汽车发动机进行故障诊断。李凤春[10]将主成分分析法应用于概率神经网络的故障诊断，提出一种新的故障分析方法。其基本思路是首先利用多元统计分析方法即主成分分析进行数据转化，以降低原始数据的维数和数据分析的复杂度，然后利用概率神经网络进行模式识别和分类。该方法的创新在于在发动机故障排查中，概率神经网络与主成分分析的结合大大提高了对复杂数据的识别能力和运算速度。

3 神经网络与其他技术相结合的汽车故障诊断技术

近年来，一些科学工作者在神经网络故障诊断技术的研究过程中，也结合了其他的技术手段，并取得一定成效。

李小青[11]等将神经网络和基于案例的推理技术结合起来，通过神经网络模型进行数据分类形成案例库文件并建立索引，通过输入诊断数据在案例库中寻找相似案例，最终进行评价修正并获得诊断结果。神经网络和基于案例推理技术的结合在汽车发动机故障诊断系统中有效弥补了各自的缺陷，提高了诊断的准确性和速度。高慧[12]等利用虚拟仪器开发软件——LabVIEW，用图形化的直观编程语言提高了虚拟仪器控制系统的性能，实现了基于图形信号系统分析的发动机故障诊断。杨旭志[13]等同样将虚拟仪器和人工神经网络结合起来形成了新的汽车故障诊断方法，并通过实例分析证实了该方法的可行性。赵懿冠[14]等通过整合模糊推理系统和神经网络系统，构建了基于模糊神经网络的发动机故障诊断方法，该方法集描述模糊概念能力、加强自学能力和数据处理能力于一身，有效消除了故障诊断中的模糊性影响，在发动机多故障诊断方面具有明显优势。最近，周美兰[15]等开发了基于蚁群神经网络的电控发动机故障诊断方法，其基本原理是先利用蚁群算法进行数据处理，然后将处理结果作为神经网络训练的初始值，以减省BP神经网络的数据整理负担，进而优化BP网络的训练能力。测试结果表明，该方法可实现对电控发动机故障的快速、准确及有效诊断。

4 三种发动机故障诊断技术的比较

综上所述，以BP神经网络为代表的神经网络是汽车发动机故障诊断的重要技术手段。BP算法的实质是以误差平方和为目标函数、用梯度法求其最小值的算法，但由于在算法上存在局部极小点而产生故障诊断误差，它既有结构简单和非线性模式识别的优点，但又有训练时间长、学习速度慢和计算复杂度高等明显缺点。非BP神经网络算法则基于属性重要度约简算法提取规则，通过优化训练样本属性，可避免离散化造成的信息损失，同时通过简化输入神经元维数，解决因收敛速度慢而陷入局部极小点的问题。因此，基于非BP神经网络的汽车发动机故障诊断技术，由于在算法上具有更快的收敛速度和更高的训练精度，可以获得较快的故障诊断效果。但因其有线性模式识别的特点，数学建模过程复杂，在发动机故障排查中往往因非线性故障因子的作用而降低诊断的准确性。神经网络与其他技术相结合的汽车故障诊断技术，在算法上以神经网络的非线性与泛化为数学特征，并采用图形化编程语言对发动机系统进行虚拟控制，适用于发动机故障分析过程的复杂性和实际工况下的非线性，因而能对汽车发动机不同故障进行较准确地预测、定位和诊断。

基于神经网络的汽车发动机故障诊断方法是目前诊断汽车故障非常有效且重要的技术手段。多年来的理论研究和方法改进也使神经网络的诊断技术得到了不断的提升。然而，单一的神经网络故障诊断技术仍存在较多缺陷，例如学习速度慢、网络训练失败可能性大、没有完整的理论指导、训练能力和预测能力无法同步等。因此，面对越来越复杂的发动机故障系统，只有将多种智能技术结合起来才能克服单一诊断方法的不足，达到方便、快速、准确、可靠的故障诊断效果。

[1]燕学智，钱耀义.基于人工神经网络技术的发动机故障诊断系统[J].内燃机工程，2001，（1）：78-81.

[2]王伟杰，赵学增，黄文涛.基于BP网络的故障诊断正向推理方法[J].车用发动机，2001，（8）：33-35.

[3]黄游槟，薛建彬.基于BP神经网络的汽车故障诊断的研究[J].机械制造与自动化，2006，（3）：146-148.

[4]张延林，佟德军.BP神经网络的汽车故障诊断系统[J].自动化仪表，2009，（4）：11-13.

[5]华欣.汽车发动机故障神经网络模式识别及试验研究[J].电脑编程技巧与维护，2009，（22）：92.

[6]郭荣春，高树文.基于神经网络的汽车发动机故障诊断研究[J].山东交通学院学报，2011，（1）：14-17.

[7]吴勉,邵惠鹤.小波-分形-多ART2神经网络在汽车发动机故障识别中的应用[J].机械设计与制造，2002，（6）：6-7.

[8]陈振，孙红旗，刘新柱.基于人工神经网络的发动机故障诊断[J].农机化研究，2008，（9）：202-205.

[9]高龙士，计时鸣.基于Elman神经网络的汽车发动机故障诊断及其实现[J].机械科学与技术，2010，（9）：1209-1212.

[10]李凤春.基于PCA和PNN的发动机故障诊断研究[J].网络安全技术与应用，2010，（6）：58-60.

[11]李小青，李翔晟.基于神经网络与案例推理的发动机故障诊断研究[J].煤矿机械，2007，（3）：188-190.

[12]高慧，傅晓林.基于LabVIEW的BP算法及其在发动机故障诊断中的应用 [J].重庆交通大学学报 (自然科学版)，2010，（5）：800-803.

[13]杨旭志，高俊文，廖中文.基于虚拟仪器和神经网络的汽车发动机故障诊断方法的研究[J].农业装备与车辆工程，2011，（4）：33-36.

[14]赵懿冠，骆诗定，廖红云，苏欣平，肖云魁.基于模糊神经网络的汽车发动机故障诊断 [J].军事交通学院学报，2010，（6）：47-51.

[15]周美兰，敖雪.基于蚁群神经网络的电控发动机故障诊断研究 [J].黑龙江大学自然科学学报，2011，（3）：415-420.

Development of Engine Fault Investigation Based on Intelligent Diagnosis Technology

XU Bin
(Motor Vehicle Safety Inspection Station,Fuling Chongqing 408000,China)

The development and application of the intelligent diagnosis technology have broken a new path for automobile fault diagnosis.Engine fault diagnosis technology is an important part of such technology.In this paper,an overview of the development of automobile engine fault diagnosis research which is based on BP neural network,non-BP neural network and neural network in combination with other technologies is given and the three technologies of engine fault diagnosis are compared,which shows the application and development of the neural network technology in the automobile fault intelligent diagnosis system.

neural network;engine;fault diagnosis

TP39;TU

A

1674－5787（2012）01－0165－03

2011-12-08

徐斌(1972—)，男，重庆涪陵人，重庆涪陵区机动车安全技术监测站，工程师。

责任编辑 李 燕