汽車發動機智能故障診斷原理與方法

雷朱坦

【摘 要】發動機作為汽車的心臟，是汽車動力的來源。汽車的運行性能和發動機之間有很重要的聯系，且發動機內部結構復雜，對工作條件要求苛刻。隨著汽車工業的發展，對發動機的故障診斷也越來越困難。本文正是基于這個問題，就汽車發動機的故障診斷進行了一些探究，并提出了故障診斷的方法供大家參考。

【關鍵詞】發動機；故障診斷；智能方法

汽車發動機是汽車的一個重要組成部分，是汽車的動力裝置。由于汽車發動機內部的結構復雜，且對運行的環境要求比較多。因此，汽車發動機的故障約占汽車全部故障的一半左右。所以對發動機開展故障診斷技術的研究具有很重要的現實意義[1]。發動機在運行的過程中，會產生很多的可用于檢測的信息，比如產生的震動、噪聲和沖擊等信息，這些信息真實的反應了發動機的工作狀態。

1智能發動機診斷技術的概念

發動機診斷技術是利用現代化的科學技術來完成對汽車發動機的運行狀態進行檢測，并識別出汽車故障的一種綜合技術。利用現代科學技術制作出來的故障診斷設備和靠人工方法進行檢查有著很大的不同，它融合了人工智能技術和信號處理方法，不需要對發動機進行拆解，可以依靠采集的信息來準確、快速的識別出發動機的故障。這些智能化的故障診斷技術是未來發展的一大趨勢。

2汽車發動機智能故障診斷技術的分類

隨著科學的發展，在上世紀50年代發展起來一種人工智能技術。隨后這項技術廣泛應用在了工程領域。對于在診斷故障的策略上，該系統首先要建立故障診斷的模型，然后對模型進行求解[2]。當前研究的智能故障診斷技術的熱點集中在以下幾個部分。

2.1基于知識的診斷技術

所謂的基于知識的智能故障診斷技術是當前研究最多和應用最廣的一個技術，成為設備診斷領域的一個發展方向之一。截止目前大概經歷了兩個發展階段：第一階段是基于人類專家的經驗知識的專家系統和基于診斷對象的模型知識的專家系統。近幾年有新出現了一種混合結構的專家系統。

專家系統實際上是一個智能的計算機程序，計算機依靠專家經驗對采集的信息進行一系列的推理來找到故障的地方或推理出有可能出現故障的地方，然后提醒用戶進行相應的處理。其一般有五部分組成，包括數據庫、推理機、知識庫、解釋機制和相應的計算機接口。不過專家系統依賴于對相關領域知識的獲取，知識的獲取是一個瓶頸。其次還存在一些局限，比如在學習能力和實時性方面都還不太好。

2.2基于模糊數學的方法

模糊理論最初是用于解決不確定性問題的，是把經典集合理論模糊化后而發展的一套推理體系。最早是在1965年由L.A.Zadeh教授提出來的。求解方法一般是根據專家經驗在故障征兆空間和故障原因空間之間建立模糊關系矩陣。具有分析不確定性能力強、獲取不同優先級別的解和容易被理解的優點[3]。模糊理論可以很好的改善其他智能方法的容錯能力。不過首先的要構造模糊理論的隸屬函數，這個是實現模糊理論的前提。模糊理論也有一定的局限性，因為隸屬函數是由人為構造的，不可避免的會引入一定的主觀因素。其次模糊理論對特征元素的選取也有一定的條件，選的不合理會導致精度不夠，甚至是故障診斷失效。

2.3基于神經網絡的診斷方法

神經網絡的算法是模擬人腦的對信息的并行處理的方法，且該方法具有自組織、自學習的特性，可以由訓練的網絡來識別故障。其中有研究人員對發動機缸內的壓力和震動信號進行一系列的分析，并提取了相關的狀態信息，建立了一個故障診斷的模型。通過對該模型的求解可以對發動機的正常情況和故障進行診斷，比如可以有效的診斷出排氣發泄漏、某一噴油嘴阻塞等。

其中在發動機故障領域應用的比較成熟的是前向BP網絡，不過也存在一定的問題。由于該學習算法經常得不到整體的最優結果，所以還需要結合其他的全局優化方法來配合訓練網絡。

2.4基于粗糙集理論的診斷方法

粗糙集理論是一種新型的處理不確定知識和不完整知識的一個有效數學工具，它可以由現有的數據來完成對知識的約簡而不需主觀的先驗知識。比如在發動機的故障中，有一項針對發動機復雜機構的多激勵源的故障診斷，解決起來很困難。但通過粗糙集理論可以對多缸的發動機氣閥故障診斷。我國曹長修等人通過燃油壓力的時域振動信號進行分析，可以有效的診斷出發動機供油系統存在的出油閥故障等常見9種故障。張艷等人通過對由故障特征構成的決策，采用粗糙集理論對供油故障進行研究，在發動機磨損故障診斷中取得了一定的成果。不過，粗糙集的泛化能力有待提高，并且僅能處理離散話的數據。

2.5基于故障樹的方法

故障樹是基于診斷對象結構和功能特征的行為模型，具有定性的因果模型，它將系統最不希望發生的事件作為頂事件，把可能誘導頂事件發生概率的其他事件作為中間事件和底事件，并用邏輯門來表示事件相互之間的聯系，它是一種倒樹狀的結構模型，可以很好的反應特征向量和故障原因之間的邏輯關系。并且采用故障樹的診斷方法和人類的思維方式很相似，很容易被人們所理解。因此在實踐中使用的比較多，并且還可以和其他方法進行結合使用，以達到更好的效果[4]。比如可以根據具體的故障，采用計算機的數據結構原理，建立數據結構和關系數據原理之間的知識表示，構建知識庫和推理機就可以實現確定性和不確定性的故障診斷。

雖然故障樹可以直觀簡單的搜尋故障源，但是它必須建立在正確的故障樹建構基礎上。所以構建正確的故障樹是故障診斷的關鍵所在。但在實際中，有些條件并不能都得到滿足，如果故障樹建立的不合理，就會失去作用。

3綜合方法

綜上我們可以知道對于發動機的故障診斷，每一種方法都有自己的優缺點。如果僅依靠一種方法很難滿足對發動機的復雜故障診斷。因此，近年來出現了綜合以上方法的綜合方法，然后綜合應用于發動機的故障診斷。

3.1神經網絡和專家系統的結合

神經網絡的發展為發動機故障診斷開辟了新的途徑。神經網絡技術不需要組建大規模的生產式規則和進行樹搜索，它可以自學習、自組織。這種方法可以解決傳統專家系統對知識獲取和推理的困難。因此，如果將專家系統和神經網絡融合在一起，兩者可以相互補充，可以大大的提高診斷的能力。

3.2神經網絡和模糊推理的結合

神經網絡和模糊推理在知識推理和診斷知識方面有很大的作用。其中，神經網絡模擬的人腦神經元的功能，它具有很強大的自學習能力，可以對數據進行直接的處理。而模糊推理則可以模仿人的邏輯思維，有較好的知識表達能力。如果將神經網絡和模糊推理的優缺點結合起來，就可以實現故障診斷系統對不確定的模糊信息的處理，而且還可以使得結構性知識能夠得到學習的調整。目前結合的方法一般有兩種，一是將傳統的神經網絡模糊化，另一種是根據模糊分類算法或者模糊規則構造相應的網絡結構，就構造模糊推理的協作系統。

4結語

智能化的故障診斷方法為汽車發動機的故障診斷提供了新的途徑，而且還彌補了傳統故障診斷的很多不足。但單一的故障診斷技術都有一定的局限性，很難滿足對發動機復雜診斷問題的全部要求。因此如果將各種智能診斷技術進行一點的融合，這樣可以有效的克服單一診斷的不足，更好的及時檢測出汽車發動機的故障，給人們的行車安全提供更好的保障。而且今后將各種智能診斷方法的有點進行融合，將是今后發動機故障診斷的一個熱點和必然的趨勢。

參考文獻：

[1] 徐玉秀，楊文平，呂軒等.基于支持向量機的汽車發動機故障診斷研究[J].振動與沖擊，2013，32（8）：143-146.

[2] 李秋玲，賈敏智.基于改進ABC算法優化SVM的汽車發動機故障診斷[J].制造業自動化，2014，（5）：57-60.

[3] 黃偉.汽車發動機故障診斷與容錯技術的探究[J].電子制作，2014，（14）：214-215.

[4] 莫家駒.結合實踐對汽車發動機無法啟動故障診斷詳細分析[J].城市建設理論研究，2014，（9）.