模糊神經(jīng)網(wǎng)絡(luò)在汽車發(fā)動(dòng)機(jī)電子點(diǎn)火系統(tǒng)故障診斷中的應(yīng)用

摘要：本文針對(duì)發(fā)動(dòng)機(jī)電子點(diǎn)火系統(tǒng)的五種常見故障，借助發(fā)動(dòng)機(jī)綜合分析儀測(cè)得次級(jí)點(diǎn)火波形，并提取特征值，構(gòu)造了一種模糊神經(jīng)網(wǎng)絡(luò)模型，利用MATLAB進(jìn)行仿真，通過簡(jiǎn)單測(cè)試，得出這種方法是可行的，可以準(zhǔn)確快速的診斷出故障原因。

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；故障診斷；汽油發(fā)動(dòng)機(jī)；次級(jí)點(diǎn)火波形

中圖分類號(hào)：TP391.76 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：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

汽車是一個(gè)復(fù)雜的機(jī)械系統(tǒng)，它由數(shù)千種的零件所構(gòu)成，發(fā)動(dòng)機(jī)是汽車的動(dòng)力源，是汽車的心臟。汽車的一些基本技術(shù)性能都直接或間接地與發(fā)動(dòng)機(jī)的相關(guān)性能相聯(lián)系，它產(chǎn)生的故障占全車故障的比例最高，在全車中約占19.8%［1］。因此，發(fā)動(dòng)機(jī)的故障診斷和維修水平在汽車修理中極為重要。本文將利用次級(jí)點(diǎn)火波形來診斷發(fā)動(dòng)機(jī)的點(diǎn)火故障，點(diǎn)火故障是指高壓擊穿電壓、燃燒電壓和燃燒時(shí)間等不正常的現(xiàn)象，任何一種現(xiàn)象都可導(dǎo)致汽車不能正常行駛。由于發(fā)動(dòng)機(jī)是一個(gè)高階、非線性、變參數(shù)、大慣量、多模型和大滯后的系統(tǒng)，其點(diǎn)火故障診斷很難用精確的數(shù)學(xué)模型描述，因此常規(guī)方法難以滿足診斷要求。本篇利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)動(dòng)機(jī)點(diǎn)火系統(tǒng)進(jìn)行故障診斷，經(jīng)過實(shí)驗(yàn)，得出這種方法是可行的，可以準(zhǔn)確快速的診斷出發(fā)動(dòng)機(jī)電子點(diǎn)火系統(tǒng)的常見故障原因。

1 模糊神經(jīng)網(wǎng)絡(luò)及發(fā)動(dòng)機(jī)電子點(diǎn)火系統(tǒng)的常見故障

模糊神經(jīng)網(wǎng)絡(luò)兼顧了模糊邏輯和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)。模糊控制利用專家經(jīng)驗(yàn)建立起模糊集，隸屬度函數(shù)和模糊推理規(guī)則等實(shí)現(xiàn)復(fù)雜系統(tǒng)的控制。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦細(xì)胞的分布式工作特點(diǎn)和自組織功能實(shí)現(xiàn)并行處理、自學(xué)習(xí)和非線性映射能力的一種典型控制方法。將模糊控制與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合起來，利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來優(yōu)化模糊控制規(guī)則和相應(yīng)的隸屬度函數(shù)，就能得到具有很強(qiáng)的自學(xué)習(xí)、自適應(yīng)、容錯(cuò)能力和處理不確定信息的智能控制技術(shù)［2］。

1.1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)上述模糊邏輯和神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，構(gòu)造如下模糊神經(jīng)網(wǎng)絡(luò)。本篇采用比較常用的BP神經(jīng)網(wǎng)絡(luò)算法，BP神經(jīng)網(wǎng)絡(luò)是一種多映射網(wǎng)絡(luò)，采用最小誤差方差學(xué)習(xí)方式，把一組樣本的輸入、輸出映射問題變成一個(gè)非線性的優(yōu)化問題，運(yùn)用優(yōu)化算法中的梯度下降法，以迭代運(yùn)算求解權(quán)值，增加隱層使可調(diào)參數(shù)增加，從而得到更精確的輸出。這就需要對(duì)于輸入層神經(jīng)元的輸入量進(jìn)行一定的數(shù)據(jù)處理，使其在0~1之間的數(shù)為最佳，在本文網(wǎng)絡(luò)中運(yùn)用專家經(jīng)驗(yàn)法來處理。將BP網(wǎng)絡(luò)與模糊邏輯相結(jié)合就構(gòu)成了模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Network ，簡(jiǎn)稱FNN)，它的結(jié)構(gòu)如圖1所示［3］。

該診斷網(wǎng)絡(luò)共有五層：

第一層是輸入層，輸入層的節(jié)點(diǎn)數(shù)由輸入信號(hào)個(gè)數(shù)來決定，每一個(gè)節(jié)點(diǎn)代表一個(gè)輸入變量（故障征兆值），每個(gè)輸入變量直接進(jìn)入到下層。

第二層是量化輸入層，它的作用是利用一個(gè)或多個(gè)隸屬函數(shù)將輸入變量模糊化，即先對(duì)輸入變量定義一些模糊子集，通過相應(yīng)的隸屬度函數(shù)，將輸入變量轉(zhuǎn)換成相應(yīng)的模糊子集上的隸屬度。本文利用專家經(jīng)驗(yàn)法來確定輸入變量（故障征兆值）的隸屬度。

第三層為BP網(wǎng)絡(luò)隱含層，其節(jié)點(diǎn)數(shù)是在網(wǎng)絡(luò)學(xué)習(xí)中根據(jù)實(shí)際情況來確定的，該層節(jié)點(diǎn)用于實(shí)現(xiàn)輸入變量模糊值到輸出變量模糊值的映射。

第四層為量化輸出層，其輸出是模糊化數(shù)值，每個(gè)輸出神經(jīng)元代表一種故障，它的值即代表該故障存在可能性的程度。

第五層是結(jié)果輸出層，實(shí)現(xiàn)輸出的清晰化，即輸出故障原因。本文采用最大隸屬度法對(duì)輸出結(jié)果進(jìn)行清晰化處理。

1.2 發(fā)動(dòng)機(jī)電子點(diǎn)火系統(tǒng)的常見故障

電子點(diǎn)火系統(tǒng)作為汽車電子控制系統(tǒng)的一部分，將朝著電子化、智能化方向發(fā)展。點(diǎn)火器件將走向小型化、輕型化、集成化與低成本化［4］。現(xiàn)在發(fā)動(dòng)機(jī)電子點(diǎn)火系統(tǒng)的常見故障如下：

（1）火花塞故障、火花塞積炭、火花塞油污及火花塞型號(hào)不對(duì)等，這些都間接或直接的導(dǎo)致了火花塞的間隙過大或過小，從而導(dǎo)致點(diǎn)火電壓的過大或過小；（2）高壓線故障、高壓線長期磨損破裂導(dǎo)致絕緣不好及高壓線中存在高阻抗，也可導(dǎo)致點(diǎn)火電壓的不正常；（3）分電器故障、分電器殼破裂和觸點(diǎn)間隙過大或過小；（4）點(diǎn)火線圈故障、點(diǎn)火線圈的初級(jí)繞組或次級(jí)繞組斷路、短路或搭鐵，會(huì)造成最高次級(jí)電壓下降或不產(chǎn)生次級(jí)電壓，點(diǎn)火線圈的絕緣殼破裂漏電，也可導(dǎo)致最高次級(jí)電壓下降或不產(chǎn)生次級(jí)電壓；（5）混合器過濃或過稀，這個(gè)嚴(yán)格說不是點(diǎn)火系統(tǒng)的故障，但它的不正常也會(huì)導(dǎo)致點(diǎn)火電壓的不正常，在一定程度上可在點(diǎn)火波形上顯示出來。除此之外，也可能因起動(dòng)機(jī)電流、點(diǎn)火開關(guān)接觸不良、電子點(diǎn)火器不良、汽缸壓縮壓力不平均（汽缸床燒毀）等原因造成點(diǎn)火系統(tǒng)的不正常。

1.3 隸屬度函數(shù)的確定

隸屬度函數(shù)的確定過程，本質(zhì)上說應(yīng)該是客觀的，但又由于每個(gè)人對(duì)于同一個(gè)模糊概念的認(rèn)識(shí)理解有差異，因此，隸屬度函數(shù)的確定又帶有主觀性。隸屬度函數(shù)的確立目前還沒有一套成熟有效的方法，大多數(shù)系統(tǒng)的確立方法還停留在經(jīng)驗(yàn)和實(shí)驗(yàn)的基礎(chǔ)上。常用的有模糊統(tǒng)計(jì)法、專家經(jīng)驗(yàn)法、二元對(duì)比排序法、角模糊集法、神經(jīng)網(wǎng)絡(luò)法等［5］。

本文采取專家經(jīng)驗(yàn)法，在此之前，先對(duì)發(fā)動(dòng)機(jī)點(diǎn)火系統(tǒng)的特征值和常見故障原因進(jìn)行說明，為了更形象，借助發(fā)動(dòng)機(jī)次級(jí)點(diǎn)火波形進(jìn)行闡述。圖2是利用發(fā)動(dòng)機(jī)綜合分析儀PicoScope 6 Automotive測(cè)得凌志LS400皇冠CROWN3.0轎車發(fā)動(dòng)機(jī)的標(biāo)準(zhǔn)次級(jí)點(diǎn)火波形。

目前，通過綜合分析和參考相關(guān)的文獻(xiàn)資料對(duì)上圖可得出五個(gè)主要故障反映區(qū)［6］。圖中b點(diǎn)對(duì)應(yīng)著點(diǎn)火擊穿電壓，是高壓線、火花塞和混合氣的故障反映區(qū)；c點(diǎn)對(duì)應(yīng)著維持火花的燃燒電壓，是火花塞和點(diǎn)火線圈的故障反映區(qū)；cd線為火花線，表示的是放電時(shí)間的長短，是火花塞、高壓線和混合氣的故障反映區(qū)；de為第一次振蕩波，f為初級(jí)繞組通電時(shí)刻，g為初級(jí)繞組電流飽和點(diǎn)，fg段為初級(jí)繞組接通電流增長至點(diǎn)火控制器開始恒流控制的過程(建立磁場(chǎng)能量)，是點(diǎn)火線圈的故障反映區(qū)。五種故障分別為：火花塞故障、點(diǎn)火線圈故障、高壓線故障、配電器故障和混合氣過濃或過稀。

根據(jù)發(fā)動(dòng)機(jī)臺(tái)架實(shí)驗(yàn)和實(shí)際維修經(jīng)驗(yàn)，以及有關(guān)汽車點(diǎn)火故障診斷方面的資料和一些專家的經(jīng)驗(yàn)，可對(duì)發(fā)動(dòng)機(jī)點(diǎn)火故障的表現(xiàn)作出其故障程度的隸屬度分布。

對(duì)于故障原因：y1表示火花塞故障；y2表示高壓線故障；y3表示分電器故障；y4表示點(diǎn)火線圈故障；y5表示混合氣濃度過濃或過稀。用模糊范疇描述故障原因存在的程度，如表1。

2 仿真及簡(jiǎn)單測(cè)試

2.1 仿真

對(duì)于模糊化了的訓(xùn)練樣本集，采用帶有動(dòng)量項(xiàng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。確定BP網(wǎng)絡(luò)結(jié)構(gòu)為三層，輸入層有4個(gè)節(jié)點(diǎn)，對(duì)應(yīng)于4個(gè)故障征兆；輸出層有5個(gè)節(jié)點(diǎn)，對(duì)應(yīng)于5個(gè)故障原因。

網(wǎng)絡(luò)的隱層神經(jīng)元個(gè)數(shù)對(duì)網(wǎng)絡(luò)的逼近精度和泛化能力均具有較大的影響。因此，如何確定合理的隱層神經(jīng)元個(gè)數(shù)是至關(guān)重要的。由于目前為止還沒有一個(gè)辦法可以確定最優(yōu)的隱層神經(jīng)元個(gè)數(shù)，因此本系統(tǒng)通過采用循環(huán)嵌套編程的方法確定最佳的隱層神經(jīng)元個(gè)數(shù)。根據(jù)kolmogorov定理，該網(wǎng)絡(luò)模型的隱層神經(jīng)元個(gè)數(shù)范圍設(shè)定在9左右，為了保證獲得一個(gè)最佳的隱層神經(jīng)元個(gè)數(shù)，將其范圍設(shè)定在5到25，通過循環(huán)嵌套編程的方法，找出多次循環(huán)（一般大于40）的平均誤差，以誤差最小所對(duì)應(yīng)的個(gè)數(shù)作為最佳隱層神經(jīng)元個(gè)數(shù)［7］。根據(jù)程序運(yùn)行結(jié)果，最終隱含層的神經(jīng)元個(gè)數(shù)選取9個(gè)。

采用快速BP算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。設(shè)定訓(xùn)練的目標(biāo)誤差平方和指標(biāo)為0.001，最大循環(huán)次數(shù)為1 000次。根據(jù)該領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)，作出表2所示的故障征兆和原因的對(duì)應(yīng)關(guān)系即模糊規(guī)則庫，該規(guī)則庫就是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。

模糊神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練后的結(jié)果如表2所示，訓(xùn)練過程中的誤差及學(xué)習(xí)率與訓(xùn)練次數(shù)的關(guān)系曲線如圖3所示，橫坐標(biāo)表示訓(xùn)練循環(huán)的次數(shù)，縱坐標(biāo)表示誤差精度。可以看到，訓(xùn)練到388次，實(shí)際誤差已達(dá)到0.000 980 936，已滿足目標(biāo)誤差0.001的要求，可知網(wǎng)絡(luò)經(jīng)一定量的實(shí)例訓(xùn)練后能對(duì)故障作出正確的辨識(shí)。網(wǎng)絡(luò)的實(shí)際輸出表明了故障間發(fā)生程度的輕重或相對(duì)可能性的大小。網(wǎng)絡(luò)系統(tǒng)測(cè)試結(jié)果說明實(shí)際輸出與期望輸出基本符合。由其訓(xùn)練得到的權(quán)值和閾值，即可構(gòu)造用來進(jìn)行故障診斷的模糊神經(jīng)網(wǎng)絡(luò)。

選擇一個(gè)非樣本的輸入，假設(shè)汽車發(fā)動(dòng)機(jī)點(diǎn)火波形的故障特征值為：將其輸入已訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)中，得到神經(jīng)網(wǎng)絡(luò)的輸出為：Y=［0.997 6; 0.000 0；0.002 1；0.002 8；0.014 0］，對(duì)此輸出采用最大隸屬度法進(jìn)行清晰化，根據(jù)故障原因的隸屬函數(shù)描述可知，存在 所述的故障原因，即火花塞故障，經(jīng)實(shí)際檢查發(fā)現(xiàn)火花塞間隙過大。

再用一個(gè)非樣本輸入，檢測(cè)模糊神經(jīng)網(wǎng)絡(luò)的泛化和容錯(cuò)能力。設(shè)某汽車發(fā)動(dòng)機(jī)點(diǎn)火波形的故障特征值為： 將待識(shí)別的故障數(shù)據(jù) X輸入到已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中并運(yùn)行，可以得到神經(jīng)網(wǎng)絡(luò)的輸出為：Y=［0.008 8；0.000 1；0.072 3; 0.000 8; 0.982 3］，同樣采用最大隸屬度法對(duì)計(jì)算結(jié)果進(jìn)行清晰化處理，根據(jù)故障原因的隸屬函數(shù)描述可知，存在 所述的故障原因，即混合氣濃度過濃或過稀，實(shí)際檢查為噴油器堵塞，導(dǎo)致混合氣過稀。

由上面的簡(jiǎn)單測(cè)試結(jié)果可得出，該模糊神經(jīng)網(wǎng)絡(luò)能夠很好的完成對(duì)汽車發(fā)動(dòng)機(jī)點(diǎn)火系統(tǒng)常見故障的診斷，診斷結(jié)果準(zhǔn)確，容錯(cuò)能力強(qiáng)，而且符合人們的思維習(xí)慣，具有一定的實(shí)用性。

3 結(jié)論

本文針對(duì)汽車發(fā)動(dòng)機(jī)點(diǎn)火系統(tǒng)五種常見故障的模糊性、相關(guān)性和復(fù)雜性的特點(diǎn)，對(duì)基于模糊神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動(dòng)機(jī)點(diǎn)火故障診斷作了一些初步的探討。利用發(fā)動(dòng)機(jī)綜合分析儀實(shí)際測(cè)得次級(jí)點(diǎn)火波形波形并提取的相應(yīng)特征值，運(yùn)用仿真軟件MATLAB進(jìn)行仿真，結(jié)果得出這種利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)動(dòng)機(jī)點(diǎn)火系統(tǒng)故障診斷是可行的。

由于時(shí)間有限，本文還存在一些不足之處，這種方法訓(xùn)練得到的模糊神經(jīng)網(wǎng)絡(luò)只可用于這一種型號(hào)的發(fā)動(dòng)機(jī)的故障診斷和針對(duì)這五種常見故障，下一步的工作可以結(jié)合尾氣分析儀等儀器，并測(cè)試更多型號(hào)的發(fā)動(dòng)機(jī)，利用此網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建成一個(gè)大的數(shù)據(jù)庫和發(fā)動(dòng)機(jī)綜合分析儀結(jié)合，進(jìn)而達(dá)到智能診斷。

參考文獻(xiàn)：

［１］ 屈峰.發(fā)動(dòng)機(jī)故障診斷方法研究［D］.大慶:大慶石油學(xué)院，2007.

［2］ 張小棟.模糊神經(jīng)網(wǎng)絡(luò)診斷原理和方法以及應(yīng)用研究［D］.西安:西安交通大學(xué)，1996.

［3］ 王士同.神經(jīng)模糊系統(tǒng)及其應(yīng)用［M］.北京:北京航空航天大學(xué)出版社，1998.

［4］ 謝習(xí)華，周亮.汽油發(fā)動(dòng)機(jī)電子點(diǎn)火的發(fā)展［J］.汽車科技，1999，（1）.

［5］ 諸靜.模糊控制原理與應(yīng)用［M］.北京:機(jī)械工業(yè)出版社，2005.

［6］ 趙英勛.現(xiàn)代汽車檢測(cè)與故障診斷［M］.北京:國防工業(yè)出版社，2007.

［7］ 張曉明，吳光強(qiáng)，張德明.基于神經(jīng)網(wǎng)絡(luò)的DCT換擋品質(zhì)評(píng)價(jià)系統(tǒng)的開發(fā)［J］.汽車科技，2008，（6）.