仿真技術在汽車發動機故障檢測中的研究

吳傳仁

摘 要：眾所周知，發動機對汽車來說具有重要的作用，因此，對汽車發動機的故障進行診斷越來越受到人們的重視，由于可以利用人工神經網絡對輸入以及輸出參數進行非線性的映射，所以，采用改進的BP網絡模型能夠對各個參數實行動態的識別與仿真。利用人工神經網絡原理，針對BP網絡模型進行相關的改進，最后對汽車發動機的相關參數進行識別與仿真，實現汽車發動機的故障檢測工作。

關鍵詞：仿真技術；汽車發動機；BP網絡模型；故障檢測

現今，對于絕大多數汽車的發動機來說，其內部的傳感器設備一般比較容易發生損壞，而傳感器的損壞通常會使得發動機的狀態分析結果出現比較大的偏差，因此，為了盡可能地降低分析偏差，我們適當地改進了人工神經BP網絡模型，增強其自適應的能力，優化網絡的收斂速度以及收斂方向，并且為其編制了對應的程序。下面我們利用人工神經網絡原理對BP網絡模型進行改進，并對汽車發動機的相關參數進行識別與仿真。

一、選取仿真參數

我們知道，對于汽車發動機來說，每轉的噴油量對于發動機的運行情況具有重要的影響，因此，我們需要對汽車發動機每轉的噴油量進行判別與仿真操作。在實行上述操作之前，我們需要先對仿真參數進行科學地分析，并且選取與其具有關聯的參數進行輸入，如果選取的參數不當，將有可能影響到結果精度。

本文選取的全部的參數都來自于奧迪A6型汽車所使用的1.8T的電噴發動機，我們總共選取了60組數據、7個參數以及30個節點，具體數據如下表所示：

■

通過人工神經網絡對輸出參數實行訓練操作前，我們還需要將全部的輸入參數以及輸出參數進行歸一化處理，確保各個參數的具體數值位于0～1之間，從而降低計算的工作量，避免擴大誤差。

二、對仿真的結果進行分析

■

樣本點k

上圖表示的是汽車發動機在各種不同的工況狀態下，利用網絡對數據實行仿真后，其計算值和實際值間的比較結果。我們從上圖可以看到，實際值與仿真值幾乎具有一樣的趨勢變化。在實際的仿真試驗中，實際值與仿真值之間所具有的誤差大約維持在0.04內，而它們的平均相對誤差大約是3%，這就說明該仿真技術基本能夠滿足汽車發動機的現場在線監測以及故障診斷工作，進而解決了因為傳感器易壞等原因而引起的診斷不可靠問題。

從上面的例子，我們可以看出：對于改進后的BP網絡模型，通過實際驗證可以應用于汽車發動機的故障檢測過程，而其具體的應用方式就是對BP網絡模型進行在線運行操作，并比較網絡的輸出值和傳感器的實際值，若其超過了事先設定的閾值，我們就可以說汽車發動機中的傳感器出現了故障。

通過上面的敘述，我們可以看到：本文主要利用改進的BP算法去改修神經網絡所具有的各個參數，同時，以奧迪A6型汽車的1.8T電噴發動機為例進行了參數仿真試驗。我們從實際的仿真效果上看，該方法具有一定的可行性。雖然該方法能夠檢測汽車發動機的故障，然而，如何對汽車發動機的相關故障進行定位操作還有待于我們進一步深入地研究。

參考文獻：

邱浩，王道波，張煥春.控制系統的故障診斷方法綜述[J].航天控制，2004（2）.