基于径向基神经网络的发动机故障诊断技术

谢春丽 王宇超 张博淋

摘 要：发动机是汽车动力系统的重要组成部分，其正常运转对驾驶员及乘员安全起着至关重要的作用。基于传统BP神经网络发动机的故障诊断技术具有收敛速度慢、诊断精确度低等劣势，为了提高诊断准确度，本文利用径向基（RBF）神经网络模型对汽车发动机故障位置及类型进行诊断。通过元征X-431汽车故障诊断仪采集发动机在多种不同工况下故障试验的数据并做归一化处理，将试验数据作为神经网络的输入，将发动机正常运转和8种常见故障类型作为输出，建立RBF神经网络模型进行训练。对多种实测的故障数据进行测试和识别，验证所提出的算法的准确性，结果表明此方法对发动机故障诊断的准确率可以达到90%，为汽车发动机故障诊断提供参考。

关键词：径向基（RBF）神经网络;发动机;故障诊断;X-431诊断仪;数据采集

中图分类号：TP183文献标识码：A文章编号：1006-8023（2019）06-0061-06

Engine Fault Diagnosis Technology Based on RBF Neural Network

XIE Chunli， WANG Yuchao， ZHANG Bolin

（School of Traffic and Transportation， Northeast Forestry University， Harbin 150040）

Abstract：Engine is an important part of automotive power system， and its normal operation plays a vital role in the safety of drivers and passengers. The traditional BP neural network has the disadvantages of slow convergence speed and low diagnostic accuracy. In order to improve the diagnostic accuracy， the radial basis function （RBF） neural network model is used to diagnose the position and type of automobile engine fault. The data of engine failure test under various working conditions are collected by Yuanzheng X-431 automobile fault diagnosis instrument and normalized. The test data are input of the neural network， the normal operation of the engine and eight common fault types are output. The RBF neural network model is established for training. The accuracy of the proposed algorithm is verified by testing and identifying a variety of measured fault data. The result shows that the accuracy of this method can reach 90% for engine fault diagnosis， which provides a reference for engine fault diagnosis.

Keywords：Radial basis function （RBF） neural network; engine; fault diagnosis; X-431 diagnostic instrument; data acquisition

0 引言

發动机是汽车不可缺少的组成部分，是汽车运行的动力源头。随着汽车技术的逐渐发展，自动化汽车越来越普及，汽车的结构也更加的复杂化。由于汽车所处环境多变，发动机发生故障的频率也逐步增加，相应的诊断难度也在一定程度上提高了，这也使得发动机的故障及其处理方式成为汽车部件检测领域的重点对象[1-3]。传统的故障诊断方法效率低下，准确度不够，有些方法常依赖历史经验，具有随意性，缺乏足够的理论支撑。现代人工智能方法依托计算机技术具有高度发达的学习能力，为故障诊断领域增添了一种高效快速的方法。

本文以径向基网络相关的技术为基础，结合元征X—431汽车故障诊断仪，对发动机的故障检测进行研究，将发动机在不同运行状况下的运行数据作为输入，将故障类型作为诊断结果输出，运用MATLAB建立径向基神经网络模型（RBF）。通过此模型，能使发动机故障类型的判断更加准确，对于数据的分析更加彻底，解决了初始权值与输出值联系在一起的数据局限性。大大缩短了训练网络的时间，且使网络连贯性更加稳定[4]。

1 RBF神经网络基本原理

利用相关的计算或数据模型是人工神经网络[5-8]的主要使用的运行基础，通过对相关的网络结构和功能的分析，将结点的不同的目标对象通过网络技术连接在一起，这种连接方法能适应网络系统的稳定，保证在故障检测的过程中，不受外界的其他因素的干扰，每个不同的节点都代表着不同的网络代点，在对不同节点进行连接的过程中进行权重的分类，这个权重的分类是根据节点数据对神经网络的影响不同进行划分的，在生物学领域神经元之间的联系是一种非线性数据系统，系统解释了多层神经元的构成 [9]。

1.1 RBF神经网络结构模型

RBF神经网络已经成为整个神经网络体系中应用最广的网络结构，与BP神经网络相比，它在训练速度和逼近能力等方面更有优势。它的系统运行稳定，反应速度快，在使用的过程中能逼近任意非线性函数、不易陷入局部极小点和容易实现等优点[10]。

神经网络即径向基函数神经网络RBF（Radial Basis Function），它是由前端输入层、隐含层以及输出层这3部分组成的，每层的数据彼此独立，在对问题进行分析的过程中这3部分的数据又紧密的联系在一起，保证了系统运行的稳定性，对于不同节点的数据输入在系统选择的过程中更加灵活，保证了故障检测的准确性[11]。

RBF神经网络的训练过程就是对以下两种参数的学习：①径向基函数中心、隐含层节点数、均方差。②隐含层到输出层的连接权值。其中径向基函数中心的计算采用最近邻聚类学习算法，不需要事先确定隐含单元的个数，而且依据样本的输入信息进行聚类迭代，以确定RBF神经网络中心[12]。利用最小二乘法进行参数估计，得到隐含层到输出层的权值。函数网络的结构如图1所示。

图1表示的是RBF神经网络的激活函数，将输入端的数值与权重的选择直接表述出来，一般采用‖dist‖作为自变量。其激活函数的一般表达式为

R（‖dist‖）=e-‖dist‖2。（1）

通常在计算的过程中，将径向基函数通过φ（x，y）=φ（‖x-y‖）表示出来，其中‖x‖表示的是是欧几里得范数。根据G.Weiss和E.M.Stein的定义，径向基函数需要满足：若‖x1‖=‖x2‖，则φx1=φ（x2）。根据径向基函数的定义，函数值仅与自变量的范数有关。

1.2 RBF神经网络的学习算法

基函数的方差以及隐含层到输出层的权值、中心是RBF神经网络的学习算法的3个要求解的参数。根据径向基函数中心对相关参数的要求不同，进行不同数据的选取方法也不同，在通常情况下采用进行聚类迭代、有监督选取中心法、随机选取中心法、正交最小二乘法以及正交最小二乘法等。

一般情況下将高斯函数作为RBF神经网络中常用的径向基函数，所以可以将径向基神经网络的激活函数表示为：

R（xp-ci）=exp（-12σ2‖xp-ci‖2）。 （2）

式中：ci为高斯函数的中心;‖xp-ci‖为欧氏范数;σ为高斯函数的方差。

通过图1的径向基神经网络的结构表示式可以得出最后具体的参考数值。

yi=∑hi=1wijexp（-12σ2‖xp-ci‖2）j=1，2，…，n。（3）

式中：ci表示的是网络隐含层节点的中心;xp=xp1，xp2，…xpmT为第p个输入样本;p=1，2，3，…，p。p为样本的总体;yi为与输入数据对应的网络的第j个输出节点的实际输出，其中的i=1，2，3，…;h为隐含层节点数;wij为隐含层到输出层的连接权值。

如果将d作为相关样本的期望输出值，那么相对应的基函数的方差可以表示为：

σ=1p∑mj‖dj-yjci‖2。（4）

其中K-均值聚类方法求取出来的是基函数的基础部分，然后求解方差σi之后计算隐含层和输出层之间的权值，这是该算法的主要3个计算步骤。

2 故障数据采集

2.1 故障试验

根据试验设计的方案，在对相关的试验进行统计的过程中，对于怠速无故障正常工况的各原始数据的采集是保证试验结果正确性的基础保障，在相关数据采集完成后进行设备的调试，然后进行试验，图2为X-431故障诊断仪正在进行数据采集操作。

由于引起发动机故障类型很多，所以本篇论文的主要探索方向是目前在发动机故障中常见的8项系统故障，对相关故障设置见表1。

故障参数的选择直接影响对于最后故障的判断的结果，所以在一般情况下对于参数的选择上要求数据的连贯性和真实性，在本篇论文中选择的数据参数包括电瓶两端和增压传感器的电压、空气进入时的流量、气体进入时的温度、冷却液体的温度、发动机的运转值、燃油压力、燃油压力调节器和温度传感器、大气压力传感器以及发动机运转时的耗油量这11个基础参数进行相关系统的研究，这些参数的值是不断变化的，所以是一个动态的研究过程。

2.2 故障数据选取

本文实验在CRDI发动机台架实验系统上完成，该系统搭载现代伊兰特直列四缸柴油发动机并配备完整的发动机电控系统，前面板配备有仪表盘、启动点火开关以及故障设置按钮。在模拟实验时，只需将相应的故障设置按钮按下，即可模拟实际各发动机工况，包括发动机怠速、加速和减速等工况，可模拟的故障包含了传感器故障和执行器故障和电控系统故障等多种常见故障。

对于试验采集的数据流可以实时的分析和统计达到数据监测的作用，如果相关的数据采集的数量太多，可以保存在X-431外置CF卡中。在这个试验的过程中对于发动机8种不同工况下的11个特征参数收集了共188组不同的数据类型，表1对发动的不同故障类型进行了系统性的分类和统计，这样的做法可以让数据测验值更加准确。所有故障类型作乱序排列，以便后续诊断更具随机性，具体数据见表2。

3 基于RBF神经网络的发动机故障诊断

3.1 函数归一化

为了保证网络学习的连贯性，在把数据输入网络之前要进行数据的统一化处理，进而保证在数据运行的过程中不出现网络饱和以及网络数据扩大的情况，一般在处理的过程中会采用归一化的方法进行处理[13]。根据处理后数据的取值范围，有两种常见归一化方法：

（1）归一化后数据处于[0，1]之间：

xi=xi-xminxmax-xmin。 （5）

（2）归一化后數据处于[-1，1]之间：

xi=2（xi-xmin）xmax-xmin-1。（6）

其中，xi表示故障特征参数的数值，xmin表示故障特征参数的最小值，xmax表示故障特征参数的最大值，本文采用的是第一种归一化方法进行数据处理，归一化后数据见表3。

利用函数newrb（ ）来构建径向基函数网络，该网络向隐含层添加隐含节点，为了满足神经元数目以及精度达到最大化的处理。一般情况下采用均方差进行调节，调节方式如下：

net=newrb（P，T，goal，spread，MN，DF）

T是S×Q期望输出矩阵，P是R×Q输入矩阵，Q是输入训练时样本的数量值，S是输出向量的维数，R是输入向量的维数。goal是标量，代表的是均方差的系统误差值，在这个试验中设定goal=0，spread也是标量，表示的是径向基函数的网络转换速度，对于相关的隐含节点的最大个数一般用MN表示，DF表示的是两次不同的试验过程中所增加的神经元的数目值，它的作用是控制以及显示不同级别的参数。将函数返回创建的径向基函数网络net系统客观地表示出来。

spread的值要根据实际情况进行选定，专门的限定如果spread取值过大，会直接导致试验的最后结果与实际结果相差过大，相对的如果设定函数的spread取值太小，会直接影响试验结果的准确性，所以在相关的spread值的选择上要有一定的科学性。其默认值为1，本文采用for循环语句，对神经网络进行训练，发现当spread值取为1.1时，训练结果能够符合实际情况。

3.2 利用RBF神经网络的发动机故障诊断

RBF网络能够用逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并且能很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析[14-18]。数据分析、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等，大体流程如图3所示。

在MATLAB2014b的神经网络工具箱中采用RBF神经网络训练进行发动机故障诊断，对于RBF神经网络以故障特征参数作为输入数据，在RBF神经网络中以故障类型作为的输出数据，通过上面的过程，可以通过规律的RBF神经网络，训练出逼近真实的数据集合，可以对相关的故障通过具体的数据表示出来，通过RBF神经网络的预测输出该数据的故障类型。

本次试验将通过20组试验数据作为神经网络的测试样本，选择167组试验数据作为神经网络的训练样本，训练样本数远超过测试样本数的目的是为了确保网络训练的准确性。为了突出网络训练的输出导向性，对试验得到的故障类型进行分类和编码。编码表见表4。

利用net=newrb（P，T，goal，spread，MN，DF）

语句将训练数据与期望输出导入函数中进行神经网络训练，然后将要测试的数据利用out=sim（net，test）语句进行测试，最终当训练次数达到110时，训练误差达到最小值。如图4所示。

此时，RBF神经网络训练完成，将20组测试样本带入网络中做最终测试，其中有18组数据的诊断结果与实际故障保持一致，仅有两组数据没有达到要求，网络诊断的准确率达到90%，见表5，诊断结果如图5所示，其中故障样本3和样本11发生了错判，样本3将一缸故障误判为二缸故障，样本11将二缸故障误判为四缸故障，造成这种误判的原因主要是传感器信息采集不足，但总体能够判断出发动机气缸出现故障，但在进一步定位到具体哪一气缸出现故障还有待进一步研究。从测试结果可以看出利用RBF神经网络进行发动机故障诊断，这种方法是可行的。

4 结论

发动机是汽车启动系统的重要设备，它的安全性直接关系到整个汽车是否能安全正常运行，在发动机运行过程中，准确诊断故障原因，及时排除故障，可提高电力系统运行的安全性和可靠性，减少经济损失。本文研究用径向基神经网络模型进行发动机故障诊断发动机的故障。选取发动机 167组故障数据作为训练样本，另外20组故障数据作为待测样本，通过调整径向基层的中心宽度spread，对径向基神经网络进行训练，确定了最佳的径向基层的散布常数spread=1.1时，故障诊断准确率达到90%。用径向基神经网络模型进行发动机故障诊断，模型建立简单方便，故障诊断准确率高，是一种便于在实际中推广应用的有效的故障诊断方法。

【参 考 文 献】

[1]陈修禹.汽车发动机故障诊断研究的理论与方法[J].科技资讯，2016，14（4）：54-55.

CHEN X Y. Theory and method of automotive engine fault diagnosis[J]. Science & Technology Information， 2016， 14（4）：54-55.

[2]丁雷，曽锐利，梅检民.基于振动信号的发动机综合故障诊断[J].军事交通学院学报，2019，21（1）：42-48.

DING L， ZENG R L， MEI J M. Comprehensive fault diagnosis of engine based on vibration signal[J]. Journal of Military Transportation University， 2019， 21（1）：42-48.

[3]WANG Y M， ZHANG F J， CUI T. et al. Fault diagnosis for manifold absolute pressure sensor （MAP） of diesel engine based on elman neural network observer network observer[J]. Chinese Journal of Mechanical Engineering， 2016， 29（2）：386-395.

[4]唐立力，陳国彬.基于MEA优化BP神经网络的农机滚动轴承故障诊断[J].农机化研究，2019，41（3）：214-218.

TANG L L， CHEN G B. Fault diagnosis for rolling bearing of agricultural mechanical based on BP neural network optimized by mind evolutionary algorithm[J]. Journal of Agricultural Mechanization Research， 2019， 41（3）：214-218.

[5]郝大鹏，巴寅亮，李春兰，等.PNN神经网络在尾气分析发动机故障诊断中的应用[J].现代电子技术，2019，42（5）：145-148.

HAO D P， BA Y L， LI C L， et al. Application of PNN in engine fault diagnosis by means of exhaust analysis[J]. Modern Electronics Technique， 2019， 42（5）：145-148.

[6]王淼.基于概率神经网络的变压器故障诊断研究[J].中国设备工程，2019，26（2）：99-100.

WANG M. Research on transformer fault diagnosis based on probabilistic neural network[J]. China Plant Engineering， 2019， 26（2）：99-100.

[7]刘向宇，田玉玲.B细胞免疫的卷积神经网络级联故障诊断[J].现代电子技术，2019，42（5）：83-86.

LIU X Y， TIAN Y L. Cascade fault diagnosis based on B-cell immunity algorithm and convolution neural network[J]. Modern Electronics Technique， 2019， 42（5）：83-86.

[8]张荣柱，刘学渊.基于神经网络的深松铲作业阻力及功耗的预测模型研究[J].林业机械与木工设备，2019，47（1）：20-25.

ZHANG R Z， LIU X Y. Study on prediction model for sub-soiling shovel operation resistance and power consumption based on neural networks[J]. Forestry Machinery & Woodworking Equipment，2019，47（1）：20-25.

[9]张智伟，陈云巧，王栋悦，等.基于遗传算法优化BP神经网络的海上DFIG定子绕组故障诊断[J].太阳能，2019，40（2）：67-72.

ZHANG Z W， CHEN Y Q， WANG D Y， et al. Fault diagnosis of offshore DFIG stator winding based on genetic algorithms optimizing BP neural network[J]. Solar Energy， 2019， 40（2）：67-72.

[10]魏蔚，王公宝.基于径向基神经网络的侦察目标意图识别研究[J].舰船电子工程，2018，38（10）：37-40.

WEI W， WANG G B. Detection and recognition of air targets by unmanned aerial vehicle based on RBF neural network[J]. Ship Electronic Engineering， 2018， 38（10）：37-40.

[11]LIAN X B， LIU J F， WANG C， et al. RBF network based adaptive sliding mode control for solar sails[J]. Aircraft Engineering and Aerospace Technology， 2018， 90（8）：1180-1191.

[12]JGOUTA M， NSIRI B. GNSS Positioning performance analysis using PSO-RBF estimation model[J]. Transport and Telecommunication Journal， 2017， 18（2）：146-154.

[13]赵海波，王承光.双电机驱动伺服系统径向基函数神经网络反推自适应控制[J].控制理论与应用，2018，35（9）：1272-1284.

ZHAO H B， WANG C G. Radial-basis-function neural network backstepping adaptive control of dual-motor driving servo system[J]. Control Theory & Applications， 2018， 35（9）：1272-1284.

[14]马云龙.基于主成分分析的RBF神经网络预测算法及其应用[D].长春：吉林大学，2015.

MA Y L. The application of RBF neural network prediction algorithm based on principal component analysis[D]. Changchun： Jilin University， 2015.

[15]王福忠，裴玉龙.光伏阵列改进型RBF神经网络识别算法[J].电源学报，2019，17（1）：73-79.

WANG F Z， PEI Y L. Photovoltaic array fault identification algorithm based on improved RBF neural network[J]. Journal of Power Supply， 2019， 17（1）：73-79.

[16]季景方，閆滕滕，王振雨.制动器制动最高温度径向基神经网络预测[J].汽车实用技术，2018，25（16）：55-57.

JI J F， YAN T T， WANG Z Y. Prediction of brake maximum temperature based on radial basis function neural network[J]. Automobile Applied Technology， 2018， 25（16）：55-57.

[17]金保明，颜望栋，张烜，等.基于径向基函数神经网络的洪水预报方法[J].南昌大学学报（工科版），2018，40（3）：246-252.

JIN B M， YAN W D， ZHANG X， et al. Flood forecast method based on radial basis function neural network[J]. Journal of Nanchang University （Engineering & Technology）， 2018， 40（3）：246-252.

[18]胡广，朱兴业，袁寿其，等.BP和RBF神经网络预测射流式喷头射程对比[J].排灌机械工程学报，2019，37（3）：263-269.

HU G， ZHU X Y， YUAN S Q， et al. Comparison of ranges of fluidic sprinkler predicted with BP and RBF neural network models[J]. Journal of Drainage and Irrigation Machinery Engineering， 2019， 37（3）：263-269.