基于Matlab的BP神经网络的电控发动机故障研究

王书提，巴寅亮，史 勇

（新疆农业大学机械交通学院 新疆农业工程装备创新设计重点实验室，新疆 乌鲁木齐 830052）

基于Matlab的BP神经网络的电控发动机故障研究

王书提，巴寅亮，史 勇

Wang Shuti，Ba Yinliang，Shi Yong

（新疆农业大学机械交通学院 新疆农业工程装备创新设计重点实验室，新疆 乌鲁木齐 830052）

基于Matlab的BP神经网络，对电控发动机的故障进行研究。采集电控发动机故障数据，运用BP神经网络建立了故障诊断模型，并对几种常见故障进行了诊断，诊断结果表明BP神经网络在电控发动机故障诊断研究方面具有一定的实用价值。

Matlab；BP神经网络；故障诊断

0 引 言

随着电子控制技术在发动机上的应用程度越来越高，比如怠速控制、点火控制、喷油控制等，电子控制系统在提高发动机性能的同时也带来了一些问题。虽然电控发动机的故障率降低了，但是一旦出问题，维修人员必须具备更高的技术水平。随着科技的发展，许多科技人员利用人工神经网络来研究工程领域的故障，效果比较理想。

人工神经网络（Artificial Neural Networks，ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力。

基于Matlab的BP神经网络，采集发动机故障数据，对发动机故障进行研究，研究结果能够给汽车维修人员提供参考价值。

1 BP神经网络

BP网络（Back Propagation），是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。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 layer）、隐层（hide layer）和输出层（output layer）。

以3层BP神经网络的结构为例，如图1所示。输入层由L个神经元组成，xi（i=1，2，3，…，L）表示其输入；隐层由q个神经元组成，zj（j=1，2，3，…，q）表示隐层的输出；输出层由N个神经元组成，yk（k=1，2，3，…，N）表示其输出；用 wij（i=1，2，3，…，L；j=1，2，3，…，q）表示从输入层到隐层的权值；用vjk（j=1，2，3，…，q；k=1，2，3，…，N）表示从隐层到输出层的权值。隐层输入为，输出为zk=f(rk)；输出层的输入为，输出为yk=f(sk)，其中bk为阀值。

在确定了BP网络的结构后，要通过输入和输出样本集对网络的权值和阀值进行学习和修正，从而使网络实现给定的输入输出映射关系。

2 BP神经网络诊断模型的应用实例

为了验证BP神经网络诊断模型的可行性，以桑塔纳2000 GSi型轿车（AJR型电控发动机）为例，进行故障假设，利用金德KT 600电脑故障诊断仪采集数据。以发动机在水温传感器故障、空气流量传感器故障、喷油器故障和氧传感器故障状态时的数据为样本，采集的样本数据如表1～表4所示。由于采集的样本数据的量纲不同，在进行训练之前，应将样本数据归一化处理，归一化处理后的数据如表5所示。文中采用3层BP神经网络结构，输入层的神经元数目为4，隐含层的神经元数目为9，输出层的神经元数目为4。

表1 水温传感器故障时的样本数据

表2 空气流量传感器故障时的样本数据

表3 喷油器故障时的样本数据

表4 氧传感器故障时的样本数据

表5 样本归一化处理数据

利用Matlab创建的程序代码如下：

p=[1.0000 0 0.0822 0.0327；1.0000 0 0.0028 0.0021；1.0000 0 0.0033 0.0021；0 0.4500 0.0300 1.0000]'；%样本输入

t=[1 0 0 0；0 1 0 0；0 0 1 0；0 0 0 1 ]'；%目标输出

net = newff（minmax（p），[9 4]，{'tansig''logsig'}，'trainlm'，'learngdm'）；%创建BP网络

net.trainParam.show=100；%设置训练显示间隔次数

net.trainParam.epochs=2000；%设置最大训练循环次数

net.trainParam.goal=0.0001；%设置性能目标值

net.trainParam.lr=0.05；%设置学习系数

net = init（net）；%网络初始化

net=train（net，p，t）；%训练网络

其中，p中的数据为样本归一化处理后的数据。t中，以1000表示电控发动机水温传感器故障时的状态，以0100表示电控发动机空气流量传感器故障时的状态，以0010表示电控发动机喷油器故障时的状态，以0001表示电控发动机氧传感器故障时的状态。创建 BP网络时，采用'trainlm'训练，因为'trainlm'的训练速度快，可以减少训练时间。在程序代码中设置网络初始化 net = init （net），可以保证每次训练网络时，权值都是随机的，这样可以达到预期的训练目的。

运行程序代码，得到BP神经网络训练误差曲线，如图2所示。由图2可看出，当网络训练到第79步时，训练样本时间仅为1 s，已达到期望误差0.000 1，这充分说明BP神经网络训练次数少、训练用时短和收敛速度快，运用BP神经网络可以在较短时间内诊断出发动机故障。

U464.17：TP389.1

A

10.14175/j.issn.1002-4581.2015.01.007

1002-4581（2015）01-0023-03