模糊神經網絡在汽車發動機電子點火系統故障診斷中的應用

摘要：本文針對發動機電子點火系統的五種常見故障，借助發動機綜合分析儀測得次級點火波形，并提取特征值，構造了一種模糊神經網絡模型，利用MATLAB進行仿真，通過簡單測試，得出這種方法是可行的，可以準確快速的診斷出故障原因。

關鍵詞：模糊神經網絡；故障診斷；汽油發動機；次級點火波形

中圖分類號：TP391.76 文獻標志碼：A 文章編號：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

汽車是一個復雜的機械系統，它由數千種的零件所構成，發動機是汽車的動力源，是汽車的心臟。汽車的一些基本技術性能都直接或間接地與發動機的相關性能相聯系，它產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，發動機的故障診斷和維修水平在汽車修理中極為重要。本文將利用次級點火波形來診斷發動機的點火故障，點火故障是指高壓擊穿電壓、燃燒電壓和燃燒時間等不正常的現象，任何一種現象都可導致汽車不能正常行駛。由于發動機是一個高階、非線性、變參數、大慣量、多模型和大滯后的系統，其點火故障診斷很難用精確的數學模型描述，因此常規方法難以滿足診斷要求。本篇利用模糊神經網絡對發動機點火系統進行故障診斷，經過實驗，得出這種方法是可行的，可以準確快速的診斷出發動機電子點火系統的常見故障原因。

1 模糊神經網絡及發動機電子點火系統的常見故障

模糊神經網絡兼顧了模糊邏輯和神經網絡的優點。模糊控制利用專家經驗建立起模糊集，隸屬度函數和模糊推理規則等實現復雜系統的控制。人工神經網絡是模擬人腦細胞的分布式工作特點和自組織功能實現并行處理、自學習和非線性映射能力的一種典型控制方法。將模糊控制與神經網絡有機結合起來，利用神經網絡的學習能力來優化模糊控制規則和相應的隸屬度函數，就能得到具有很強的自學習、自適應、容錯能力和處理不確定信息的智能控制技術［2］。

1.1 模糊神經網絡結構

根據上述模糊邏輯和神經網絡的特點，構造如下模糊神經網絡。本篇采用比較常用的BP神經網絡算法，BP神經網絡是一種多映射網絡，采用最小誤差方差學習方式，把一組樣本的輸入、輸出映射問題變成一個非線性的優化問題，運用優化算法中的梯度下降法，以迭代運算求解權值，增加隱層使可調參數增加，從而得到更精確的輸出。這就需要對于輸入層神經元的輸入量進行一定的數據處理，使其在0~1之間的數為最佳，在本文網絡中運用專家經驗法來處理。將BP網絡與模糊邏輯相結合就構成了模糊神經網絡(Fuzzy Neural Network ，簡稱FNN)，它的結構如圖1所示［3］。

該診斷網絡共有五層：

第一層是輸入層，輸入層的節點數由輸入信號個數來決定，每一個節點代表一個輸入變量（故障征兆值），每個輸入變量直接進入到下層。

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

第三層為BP網絡隱含層，其節點數是在網絡學習中根據實際情況來確定的，該層節點用于實現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，其輸出是模糊化數值，每個輸出神經元代表一種故障，它的值即代表該故障存在可能性的程度。

第五層是結果輸出層，實現輸出的清晰化，即輸出故障原因。本文采用最大隸屬度法對輸出結果進行清晰化處理。

1.2 發動機電子點火系統的常見故障

電子點火系統作為汽車電子控制系統的一部分，將朝著電子化、智能化方向發展。點火器件將走向小型化、輕型化、集成化與低成本化［4］。現在發動機電子點火系統的常見故障如下：

（1）火花塞故障、火花塞積炭、火花塞油污及火花塞型號不對等，這些都間接或直接的導致了火花塞的間隙過大或過小，從而導致點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致絕緣不好及高壓線中存在高阻抗，也可導致點火電壓的不正常；（3）分電器故障、分電器殼破裂和觸點間隙過大或過小；（4）點火線圈故障、點火線圈的初級繞組或次級繞組斷路、短路或搭鐵，會造成最高次級電壓下降或不產生次級電壓，點火線圈的絕緣殼破裂漏電，也可導致最高次級電壓下降或不產生次級電壓；（5）混合器過濃或過稀，這個嚴格說不是點火系統的故障，但它的不正常也會導致點火電壓的不正常，在一定程度上可在點火波形上顯示出來。除此之外，也可能因起動機電流、點火開關接觸不良、電子點火器不良、汽缸壓縮壓力不平均（汽缸床燒毀）等原因造成點火系統的不正常。

1.3 隸屬度函數的確定

隸屬度函數的確定過程，本質上說應該是客觀的，但又由于每個人對于同一個模糊概念的認識理解有差異，因此，隸屬度函數的確定又帶有主觀性。隸屬度函數的確立目前還沒有一套成熟有效的方法，大多數系統的確立方法還停留在經驗和實驗的基礎上。常用的有模糊統計法、專家經驗法、二元對比排序法、角模糊集法、神經網絡法等［5］。

本文采取專家經驗法，在此之前，先對發動機點火系統的特征值和常見故障原因進行說明，為了更形象，借助發動機次級點火波形進行闡述。圖2是利用發動機綜合分析儀PicoScope 6 Automotive測得凌志LS400皇冠CROWN3.0轎車發動機的標準次級點火波形。

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

根據發動機臺架實驗和實際維修經驗，以及有關汽車點火故障診斷方面的資料和一些專家的經驗，可對發動機點火故障的表現作出其故障程度的隸屬度分布。

對于故障原因：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 仿真及簡單測試

2.1 仿真

對于模糊化了的訓練樣本集，采用帶有動量項的BP神經網絡進行學習訓練。確定BP網絡結構為三層，輸入層有4個節點，對應于4個故障征兆；輸出層有5個節點，對應于5個故障原因。

網絡的隱層神經元個數對網絡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元個數是至關重要的。由于目前為止還沒有一個辦法可以確定最優的隱層神經元個數，因此本系統通過采用循環嵌套編程的方法確定最佳的隱層神經元個數。根據kolmogorov定理，該網絡模型的隱層神經元個數范圍設定在9左右，為了保證獲得一個最佳的隱層神經元個數，將其范圍設定在5到25，通過循環嵌套編程的方法，找出多次循環（一般大于40）的平均誤差，以誤差最小所對應的個數作為最佳隱層神經元個數［7］。根據程序運行結果，最終隱含層的神經元個數選取9個。

采用快速BP算法對神經網絡進行訓練。設定訓練的目標誤差平方和指標為0.001，最大循環次數為1 000次。根據該領域專家的經驗知識，作出表2所示的故障征兆和原因的對應關系即模糊規則庫，該規則庫就是神經網絡的訓練樣本。

模糊神經網絡經過訓練后的結果如表2所示，訓練過程中的誤差及學習率與訓練次數的關系曲線如圖3所示，橫坐標表示訓練循環的次數，縱坐標表示誤差精度。可以看到，訓練到388次，實際誤差已達到0.000 980 936，已滿足目標誤差0.001的要求，可知網絡經一定量的實例訓練后能對故障作出正確的辨識。網絡的實際輸出表明了故障間發生程度的輕重或相對可能性的大小。網絡系統測試結果說明實際輸出與期望輸出基本符合。由其訓練得到的權值和閾值，即可構造用來進行故障診斷的模糊神經網絡。

選擇一個非樣本的輸入，假設汽車發動機點火波形的故障特征值為：將其輸入已訓練好的模糊神經網絡中，得到神經網絡的輸出為：Y=［0.997 6; 0.000 0；0.002 1；0.002 8；0.014 0］，對此輸出采用最大隸屬度法進行清晰化，根據故障原因的隸屬函數描述可知，存在 所述的故障原因，即火花塞故障，經實際檢查發現火花塞間隙過大。

再用一個非樣本輸入，檢測模糊神經網絡的泛化和容錯能力。設某汽車發動機點火波形的故障特征值為： 將待識別的故障數據 X輸入到已訓練好的神經網絡中并運行，可以得到神經網絡的輸出為：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計算結果進行清晰化處理，根據故障原因的隸屬函數描述可知，存在 所述的故障原因，即混合氣濃度過濃或過稀，實際檢查為噴油器堵塞，導致混合氣過稀。

由上面的簡單測試結果可得出，該模糊神經網絡能夠很好的完成對汽車發動機點火系統常見故障的診斷，診斷結果準確，容錯能力強，而且符合人們的思維習慣，具有一定的實用性。

3 結論

本文針對汽車發動機點火系統五種常見故障的模糊性、相關性和復雜性的特點，對基于模糊神經網絡的汽車發動機點火故障診斷作了一些初步的探討。利用發動機綜合分析儀實際測得次級點火波形波形并提取的相應特征值，運用仿真軟件MATLAB進行仿真，結果得出這種利用模糊神經網絡進行發動機點火系統故障診斷是可行的。

由于時間有限，本文還存在一些不足之處，這種方法訓練得到的模糊神經網絡只可用于這一種型號的發動機的故障診斷和針對這五種常見故障，下一步的工作可以結合尾氣分析儀等儀器，并測試更多型號的發動機，利用此網絡進行訓練，建成一個大的數據庫和發動機綜合分析儀結合，進而達到智能診斷。

參考文獻：

［１］ 屈峰.發動機故障診斷方法研究［D］.大慶:大慶石油學院，2007.

［2］ 張小棟.模糊神經網絡診斷原理和方法以及應用研究［D］.西安:西安交通大學，1996.

［3］ 王士同.神經模糊系統及其應用［M］.北京:北京航空航天大學出版社，1998.

［4］ 謝習華，周亮.汽油發動機電子點火的發展［J］.汽車科技，1999，（1）.

［5］ 諸靜.模糊控制原理與應用［M］.北京:機械工業出版社，2005.

［6］ 趙英勛.現代汽車檢測與故障診斷［M］.北京:國防工業出版社，2007.

［7］ 張曉明，吳光強，張德明.基于神經網絡的DCT換擋品質評價系統的開發［J］.汽車科技，2008，（6）.