基于LMS算法及BP神經網絡的汽車發動機故障診斷模型研究

解淑英

(煙臺汽車工程職業學院 機電工程系，山東 煙臺 265500)

0 引言

汽車已經成為人們日常生活中的必需品，為了降低事故發生概率，精準的汽車故障診斷勢在必行，發動機作為動力輸出結構,其運行狀態直接影響整個系統的運行可靠性，發動機的故障診斷由于結構復雜、手段局限、結果精確度不高等因素影響具有很大的不確定性，本文深入剖析這一難題，從故障狀態識別與故障分類定位2個方面進行深入研究，力求提升診斷效率以及預判結果的準確性。

1 汽車發動機故障診斷整體分析

1.1 發動機基本構造

發動機是將熱能轉化為機械能的復雜裝置，在結構上主要以曲柄連桿機構為主，配合其他輔助性構造，協同完成能量轉換，確保整個動能系統持續平穩工作。基本構造包括實現發動機的循環與能量轉化的曲柄連桿、實現換氣過程的配氣機構、實現燃燒過程的燃料提供體系、潤滑體系、冷卻體系、點火系統、啟動系統等。

1.2 典型故障

汽車發動機的故障原因有很多，有的是自身設計的結構或技術原因引起的，有的是操作不合理或者維修保養不當引起的，典型故障包括排氣管冒煙、溫度過高、啟動困難、加速動力不足、機油壓力指示異常、氣孔堵塞、怠速低、出現異響等[1]。

1.3 故障診斷思路

汽車發動機故障診斷包括故障識別和故障定位2個步驟。首先通過線性判別函數，基于LMS算法構建識別模型，根據樣本特征向量進行兩分類求解，快速識別出發動機狀態為正常還是故障，然后剔除正常狀態樣本，針對故障狀態的發動機繼續利用分類模型進行故障類別定位，鑒于BP神經網絡可以實現各類復雜的輸入到輸出的映射，且具有大規模并行、分布式處理、自組織、自學習等特性常適合求解模式識別問題，因此本文選用BP神經網絡構建故障定位分類模型。整體設計思路如圖1所示。

圖1 發動機故障診斷整體思路示意圖

2 選取故障識別特征指標

2.1 數據采集

2.1.1 采集原理

汽車發動機原始數據的采集通過傳感器、數據采集卡、信號調理器、工控機等組件完成。通過加速度傳感器采集發動機的原始振動信號，聯合程控放大器的增益參數轉化為電壓信號，然后利用數據采集卡對輸出的連續信號進行離散時間序列信號轉換，輸出離散電壓值。

2.1.2 硬件設備

信號采集過程中涉及使用到的硬件設備如下。

(1)加速度傳感器：朗斯LC401壓電加速度傳感器，電荷靈敏度20 pc/g，諧振頻率40 kHz，頻率范圍1-12 000 Hz，典型聲靈敏度0.01 g/130 db。

(2)信號調理器：CM3504。

(3)數據采集卡：DAQ1602。

(4)發動機：SantanaJV/1.8L/四沖程頂置凸輪軸化油器式發動機。

2.2 信號分類

采集到的發動機振動信號包括8類：氣門、連桿、小瓦、氣缸套、曲軸、齒輪、活塞以及正常信號。由此構成原始的觀測樣本矩陣，經過時頻轉換之后形成初始樣本數據集。設Q為觀測矩陣,如式(1)。

(1)

其中,N為樣本數;M為每個樣本的特征數。

2.3 識別特征選擇

由于原始的特征空間經常是高維的，不但計算效率低下，也容易因太過復雜導致誤判。這些特征需要互相獨立、與誤判的概率呈現單調關系且加入新指標后判據的值不會減弱[2]。本文選用幾何距離作為類別分類判據。樣本間的相似性采用歐氏距離進行描述，設QI和QJ為特征向量，則歐氏距離D為式(2)。

(2)

其中，M為維數;D為歐氏距離。不同類距離大，則可分性好，以此為依據最終選擇33個特征。

3 構建發動機故障狀態識別模型

發動機故障狀態識別模型主要功能是根據特征參數判斷是否有故障發生，作為故障定位的準備工作，剔除正常情況，加快故障診斷效率。

3.1 線性判別函數

由于發動機故障狀態識別模型屬于結果為正常(ω1)或故障(ω2)的兩類問題，因此利用線性判別函數進行構建，設特征空間為n維，則判別函數可記作g(x)=wTx+w0=0，x=[x1,x2,…,xn]，w為權重w=[w1,w2,…,wn]，w0為閾值。

(1)在超平面上，則g(x)=w1x1+w2x2+w0=0。

(2)不在超平面上，則g(x)=wTx+w0>0?x∈ω1、g(x)=wTx+w0<0?x∈ω2。

3.2 基于LMS算法構建發動機故障狀態識別模型

iw(t+1)=iw(t)+2αei(t)p(t)

(3)

bi(t+1)=bi(t)+2αei(t)

(4)

其中，α為學習速率。基于此，構建最終決策方程為式(5)。

g(x)=0.686x1+0.534x2-0.679 7=0

(5)

4 構建基于BP神經網絡的發動機故障定位分類模型

故障定位的建模過程屬于非線性可分的分類問題求解，本文采用BP神經網絡進行模型構建[3]。

4.1 BP神經網絡

BP(Back-Propagation)神經網絡的主要原理是將輸入信息傳遞至隱含層節點應該映射函數運算，最終將輸出信息傳遞至輸出層。各層參數定義如下。

(1)輸入層：X=(x1,x2,…xn)T為輸入向量;n為輸入層單元數量；

(2)隱含層：Y=[y1,y2,…yp]T為隱含層激活向量;p為神經元數量;θ=[θ1,θ2,…θP]T為隱含層單元閾值向量；

(4)權值：wj=[wj1,wj2,…,wjn]T(j=1,2,…p)為輸入層與隱含層連接權值;

Vk=[vk1,vk2,…,vkp]T(k=1,2,…,q)為隱含層與輸出層連接權值。

整體算法流程如圖2所示。

圖2 BP神經網絡算法流程

4.2 參數選擇

4.2.1 網絡層數

BP神經網絡的處理能力雖然與層數相關，但也并非越多越好，隱含層過多反而由于計算量增大導致收斂時間延長、計算誤差增大、容易陷入局部最小[4-5]。因此本文為了提高精度同時簡化網絡將網絡層數選為3層。

4.2.2 數據預處理

4.2.3 權值初始化

4.2.4 神經元數量

為了提升模型的判斷精度，在隱含層與輸出層的神經元數量選取上，本文采用如下規則。

(1)隱含層神經元：經過多次實驗取誤判率小且時間短的層數，最終確定個數取63。

(2)輸出層神經元：上文總結信號為8類，8類信號名稱及期望值如表1所示。每個神經元可用二值數(1或-1)表示，所以八類信號僅選用三個神經元表示即可，即log28。

表1 八類信號期望輸出表

4.3 基于BP神經網絡構建故障定位分類模型

基于以上網絡及算法流程，構建故障定位分類模型,如式(6)。

(6)

其中,參數含義同上，將隱含層與輸出層計算展開為矩陣,如式(7)、式(8)。

(7)

(8)

其中，W為33×63隱含層權值系統矩陣;V為3×63輸出層權值系數矩陣[6-7]。

5 故障診斷及定位驗證測試

5.1 故障狀態識別模型驗證

為驗證本文構建故障狀態識別模型的精確度，代入訓練樣本集進行數據實測，驗證結果如表2所示。

表2 訓練樣本集

得到測試樣本集如表3所示。

表3 測試樣本集

由測試結果可知，誤判率小于4%，精確度較高。

5.2 故障定位分類模型驗證

為驗證本文構建故障定位分類模型的精確度，選取8類不同樣本集進行多次學習驗證，每一類采用100個樣本，代入本文設計模型，得到實測結果如表4所示。

表4 判別結果表

由此可以看出，在識別的800個樣本中，共計763個樣本識別判斷準確，37個判斷失誤。準確率達到95.375%，符合預期[8-9]。由于BP網絡算法從數學角度看屬于局部搜索的優化方法，容易陷入局部極值導致訓練失敗，網絡規模以及數據預處理方法均對識別效果存在影響，因此雖然準確率較高，但針對算法還需在樣本數量、歸一化方法、神經元數量等方面進一步尋優。

6 總結

本文通過構建發動機狀態識別模型以及故障定位分類模型，為汽車發動機故障診斷提供了智能化的技術手段，實測數據驗證判別準確率較高。但訓練樣本集選取的完整性還有所欠缺，且未考慮實際場景中發動機自身參數以及不同類型的影響因子，在算法尋優過程中的誤差計算方面也還需要進一步學習與訓練。