基于神经网络的汽车发动机机械设备故障定位

冯 斌

(四川三河职业学院，四川 泸州 646200)

0 引言

汽车业自19世纪末叶发展至今，生产技术不断进步。汽车功能的增加使汽车结构逐渐复杂，复杂的结构极易导致汽车发生故障。因此，针对这一缺陷，各个国家制定了汽车相关法律法规，为汽车故障诊断[1]提出了更加严格的要求。汽车发动机作为整个汽车的核心，是汽车发生故障的高频率部件，因此及时辨别汽车发动机故障类型，完成故障诊断[2]是保障汽车安全行驶的关键。发动机故障主要是基于汽车的实时状态，分析发动机运行情况，辨识出故障类型，完成故障的精准定位，从而为故障修复提供保障。

文献[3]提出基于故障特征频率的精密机械主轴复合故障定位方法。该方法依据信号分析方法获取机械设备故障信号特征；再通过采集的机械相关参数，计算设备的故障特征频率，确定机械故障模式；最后根据特征值与信号频率关系，确定机械的故障位置，从而实现故障定位。由于该方法未能在故障定位前，依据机械具体结构，对机械故障类型展开具体分析，导致该方法在故障定位时，故障定位精度低。文献[4]提出大型发电机及其机端外接元件单相接地故障定位。该方法通过方向辨别原理将机械设备外接元件划分成设备本体、磁变高压绕组、高场高压绕组以及外接元件几部分；再依据排除法对各部分依次排查，通过排查结果完成发电机故障的定位。该方法在故障排查时存在问题，所以其故障定位效果差。文献[5]提出基于微分方程算法的光伏并网联络线故障定位方法。该方法基于微分方程建立故障的暂态过程，通过二阶巴特沃斯滤波器处理相关电压、电流，依据故障点电压重构算法提高故障距离迭代的正确性，从而实现故障的精准定位。该方法在处理电压值时存在误差，所以其故障定位性能差。

为解决上述故障定位方法中存在的问题，提出基于神经网络的汽车发动机机械设备故障定位。

1 汽车发动机故障特征提取方法

1.1 汽车发动机故障类型分析

当前汽车发动机主要为汽油发动机，发动机的部件较为多样化，电路系统较为复杂，因此依据相关结构，将发动机故障划分成电控、燃油、点火系统以及机械设备几类，从而提高发动机检测效率[6]。具体故障发生原因与故障发生状态如下所述。

a.发动机怠速控制阀故障。当汽车发动机出现怠速或怠速控制阀故障时，发动机启动困难，加速时会发生回火、怠速不稳定、转向过高与排气消声器出现放炮现象。

b.发动机点火线圈故障。汽车启动时，若发动机出现启动困难，且汽车失速、怠速不稳、转向过高现象时，即可判定汽车发动机点火线圈故障。

c.汽车发动机点火正时不对。汽车启动时，出现启动困难、有时失速，并伴有加速回火、怠速不稳、加速无力、易爆震[7]，汽油机温度过高、消声器放炮等现象，即可判定汽车发动机出现点火正时不对现象。

d.发动机火花塞故障。汽车发动机的火花塞故障与点火正时不对故障发生现象较为接近，但是发动机火花塞发生故障时，不会出现加速回火、怠速转向高以及汽油机温高的现象。

e.传感器故障。发动机传感器故障类型较多，一般情况下，会将机器大致分成空气流量故障、温度故障、曲轴位置故障以及传感器自身故障4大类。汽车发动时出现加速回火、怠速不稳定、转向高、加速无力以及消声器放炮现象时，说明发动机传感器本身出现故障；若出现启动困难、行驶失速、怠速不稳定与怠速转向高、加速无力时，判定发动机空气流量传感器发生故障；若只是出现启动困难、加速回火、怠速不稳定、转向高、汽油机温高等现象时，说明是发动机温度传感器出现故障；若出现启动困难和消声器放炮现象时，可直接认定为曲轴位置传感器故障。

f.节气门故障以及进气管漏气故障。汽车发动机在工作过程中，出现启动困难、加速回火、怠速不稳定[8]，并伴有转向高、加速无力等现象时，可认定发动机出现节气门故障或者进气管漏气故障，具体故障类型，可经由相关维修人员予以认定。

g.空气滤清器故障。汽车行驶时，若检测到发动机出现怠速不稳、加速无力时，说明发动机空气滤清器出现问题，需要及时检修。

h.喷油器故障以及燃油供给系统故障。汽车发动机工作过程中，若出现启动困难、加速回火、怠速不稳定、怠速转向高、加速无力、汽油机温高以及消声器放炮现象时，说明发动机喷油器出现问题，若发动机发生除汽油机温高以外所有现象时，说明发动机燃油供给系统发生故障。

i.润滑系统故障以及蓄电池故障。汽车发动机润滑系统故障时，只会出现发动机爆震现象；蓄电池故障时，只会出现发动机启动困难。

j.气缸积碳故障。若汽车发动机出现怠速不稳定、加速无力以及汽油机温高时，认定该故障为气缸积碳故障。

1.2 发动机故障特征提取方法

依据上述分析结果，采集发动机振动信号，通过信号的处理，获取发动机故障特征向量。

获取发动机工作时的振动信号，采用小波包原理分析发动机振动信号，依据分析结果将信号划分成多个层次，通过信号分解，提取振动信号相关特征。

设定发动机采集信号的正交尺度函数为ψ(t)，以此获取信号的小波函数，过程表示为

(1)

ϑ(t)为信号的小波函数标；g0l、g1l为滤波器系数；t为信号当前状态；l为常数。依据上述方程表达式，利用递推算法进一步获取二者之间的递推关系，过程表示为

(2)

αn(2t-l)为小波包函数。

由于小波包函数具备平移正交特性，所以设定信号函数集合αm(t-l)m∈Z为尺度函数小波包，以此对小波包特性[9]展开描述，获取信号的正交关系值，过程表示为

βlk=αm(t-l)×αm(t-l)

(3)

βlk为信号之间的正交关系值；l、k为参数。通过上述获取的信号关系，使用小波包能量谱分析方法，对采集的发动机振动信号展开正交分解，通过分解结果，获取信号特征向量值，并将其作为发动机故障特征向量。

通过设定小波变换中，发动机原始信号为h(x)，信号时域为L2(R)，以此获取信号的时域能量值，过程表示为

(4)

(5)

M为信号的数据长度；l为信号分解层数；i为序号；xin为信号离散幅值；Wli为获取的信号能量。

发动机运行过程中发生故障时，发动机振动信号的信号能量会发生变化，这时就能够通过信号能量的能量占比，获取发动机运行状态的故障特征向量，结果为

Wi=w1,w2,…,w10

(6)

Wi为发动机运行状态的故障特征总向量；w1,w2,…,w10分别对应为上述确定的各项故障类型。

2 发动机故障定位方法

依据上述获取的发动机故障特征向量值，结合人工神经网络建立汽车发动机故障定位模型，并以此完成汽车发动机的故障定位。

2.1 建立模型

依据上述确定的故障特征向量结合人工神经网络[11]，建立汽车发动机的故障定位模型。发动机故障定位模型分为输入、输出和隐藏3个部分。输入层输入值即为获取的故障特征向量，模型输出值则为故障点位置。

设定pi为模型输入层向量，uij为与隐藏层之间的权值，δi为隐藏层节点阈值，uik为该层与输出层之间的权值，φ(p)、ψ(p)为激励函数，γk为输出层节点阈值，qk为输出层输出向量，i、j、k为模型各层级节点。模型具体结构如图1所示。

图1 基于神经网络的发动机故障定位模型

2.2 确定模型参数

模型建立后，使用遗传算法[12]获取模型相关参数值。过程如下所述。

a.初始化种群。初始化模型，设定模型交叉概率值、变异概率值，以此对故障定位模型实施初始化处理，依据处理结果，初始化种群。

b.建立个体评价函数。基于种群初始化结果，建立种群个体适应度函数，并对计算结果展开排序处理，过程表示为

(7)

gi为种群个体i的适应度值；f(x)为适应度函数；M为染色体数量；k为输出层节点；Sk为评价信号；Y(i)为个体信号能量；x为样本数量；Bk为个体实际适应度值。

c.种群个体交叉、变异操作。通过个体最大适应度值对种群个体交叉操作，基于交叉结果完成种群变异，获取新的种群以及适应度函数。

d.结束条件。建立结束条件，在种群中寻找出最佳种群个体时，触发结束条件，依据计算结果获取模型全局最佳适应度值，确定模型连接权值以及阈值。

2.3 故障定位流程

汽车发动机故障定位算法分为确定权值、阈值，信号正反向传播以及阈值修正等几方面。基于神经网络故障定位模型的故障定位流程如图2所示。

图2 基于神经网络故障定位流程

最后通过发动机故障定位模型[13]输出层向量完成发动机故障的精准定位。

3 实验

为了验证上述故障定位方法的整体有效性，需要对此方法展开测试，测试发动机如图3所示。

图3 汽车发动机

分别采用基于神经网络的汽车发动机机械设备故障定位(本文方法)、基于故障特征频率的精密机械主轴复合故障定位方法(方法1)、大型发电机及其机端外接元件单相接地故障定位(方法2)进行测试。

定位发动机故障位置时，故障定位性能测试是检测故障定位方法优劣的关键，因此，采用本文方法、方法1以及方法2开展发动机故障定位时，选取相关测试指标对3种故障定位方法展开测试，从而分析3种方法的故障定位性能。

3.1 定位精准度测试

在发动机故障定位过程中，选取发动机故障位置功率幅值为测试指标，测试3种发动机故障定位方法的定位精准度，结果如图4所示。

图4 不同故障定位方法故障位置功率谱幅值测试结果

在故障定位测试过程中，测试出的信号功率谱幅值与实际故障位置功率谱幅值越接近，说明故障定位方法的故障定位结果越准确。由图4可知，本文方法测试结果与发动机故障位置实际功率谱幅值相接近，而方法1与方法2测试结果与发动机故障位置实际功率谱幅值之间存在较大误差。由此可知，本文方法在开展发动机故障定位过程中，定位精准度高。

3.2 定位效果测试

在实施发动机故障定位过程中，选取故障定位误报性能以及定位时间2种测试指标，以此测试本文方法、方法1以及方法2这3种方法的故障定位效果，结果如图5和表1所示。

故障定位时，误报数量越多，说明故障定位方法的定位效果越差，误报数量越少，说明故障定位方法的定位效果越好。

随着测试时间的增加，故障定位方法的误报率呈上升趋势。但是，3种故障定位方法中，本文方法的测试结果低于方法1以及方法2的测试结果，这主要是因为所提方法在故障定位前依据发动机具体结构，对发动机故障类型展开了具体分析，所以本文方法在故障定位时误报数量低。

图5 不同故障定位方法的误报率测试结果

表1 不同故障定位方法的定位时间测试结果

汽车发动机故障定位时间越长，说明故障定位方法的定位效果越差，反之则越好。由表1可知，发动机故障数量越多，故障定位时间越长。本文方法的故障定位时间远远低于方法1以及方法2的故障定位时间。

综上所述，本文方法在开展故障定位时，定位效果好，定位精准度高。

4 结束语

汽车的发动机故障定位作为汽车故障检测中重要的一部分，在故障检测中起到的作用尤为重要。针对传统故障定位方法中存在的问题，提出基于神经网络的汽车发动机机械设备故障定位方法。该方法依据发电机故障类型分析结果，通过小波包原理提取发动机故障特征向量；利用人工神经网络结合获取的特征向量建立汽车发动机故障定位模型，完成汽车的发动机故障定位。该方法由于在建立故障定位模型时，还存在一些问题，今后会针对该项缺陷，继续对该故障定位方法优化，直至该方法完善。