基于PNN神經網絡的電控發動機故障診斷

摘 要： PNN是前饋型神經網絡，具有強大的非線性模式分類能力。提出運用PNN神經網絡對發動機電控系統進行故障診斷的方法，介紹了PNN神經網絡及其工作原理，以伊蘭特汽車發動機電控系統為研究對象，讓發動機在怠速情況下，并對其進行故障設置，運用金德KT600故障診斷儀采集發動機故障數據流，利用PNN神經網絡建立診斷模型，并對網絡診斷模型進行驗證，診斷結果完全正確，且訓練速度非常快。實驗結果表明PNN神經網絡具有較強的泛化能力和實用價值。

關鍵詞： PNN神經網絡； 發動機； 電控系統； 故障診斷

中圖分類號： TN926?34； TK428 文獻標識碼： A 文章編號： 1004?373X（2016）20?0146?03

Abstract： The probabilistic neural network （PNN） is a feedforward neural network， and has strong ability to classify the nonlinear patterns. The method of using PNN to diagnose the fault of the engine′s electrically?controlled system is proposed. The PNN and its working principle are introduced. The electrically?controlled system of the Elantra car engine is taken as the research object. The Kinder KT600 fault diagnosis instrument is used to collect the failure data flow of the engine while the engine is kept in idle speed. The PNN is used to establish the diagnosis model. The network diagnosis model was verified. The diagnosis results are completely correct， and the training speed is very fast， which show that the PNN has good generalization ability， and has a certain practical value.

Keywords： PNN neural network； engine； electronic controlled system； fault diagnosis

0 引 言

隨著汽車技術的發展以及各種高新技術在汽車上的廣泛應用，使汽車已經由一個傳統的機械裝置逐漸演變為一個集機械、電子、計算機、控制、通信等技術于一體的復雜系統。這一演變過程使得發動機電控系統變得更加復雜，同時，也使得發動機電控系統故障診斷的難度增大。神經網絡的出現，為發動機電控系統故障診斷開辟了新的途徑。

神經網絡特有的非線性適應性信息處理能力，克服了傳統人工智能方法對于直覺的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、故障診斷等領域得到成功應用。本文以伊蘭特汽車發動機電控系統為實驗對象，運用PNN神經網絡對發動機電控系統進行故障診斷。

1 PNN神經網絡及工作原理

1.1 PNN神經網絡結構

概率神經網絡（PNN）是基于Bayes分類規則與Parzen窗的概率密度函數估計方法發展而來的一種并行算法[1]。PNN神經網絡結構簡單、訓練速度快，在模式分類問題中，它可以利用線性學習算法來實現非線性學習算法的功能，同時具有非線性算法的高精確度等性質，PNN神經網絡不需要訓練，能夠實現網絡訓練的實時性。PNN神經網絡的結構圖如圖1所示。

由圖1可以看出，PNN神經網絡的結構與RBF神經網絡的結構相似，但它們的輸出層有些差異。其中，[a1i]表示矢量[a1]的第[i]個元素；[iIW1，1]表示權矩陣[IW1，1]的第[i]行矢量；[R]為輸入矢量元素的數目；[Q]表示輸入目標樣本數目即隱層神經元的數目；[K]表示輸入矢量類型數目即輸出層神經元的數目[1]。

1.2 PNN神經網絡工作原理[1]

在PNN神經網絡的隱層中，先確定學習樣本數據與輸入矢量之間的距離，同時，學習樣本數據與輸入矢量之間的相似度用隱層的輸出矢量表示。在輸出層中，網絡會對輸入矢量進行模式識別和分類，然后輸出結果，其值代表概率矢量，輸出層中的compet將對概率矢量進行篩選，用1代表概率最高的矢量，其他的用0表示。當輸入矢量的維數為[Q]，目標矢量的維數為[K]時，則表示類型中值為1的元素只有一個，其余的都為0。

對于輸入向量矩陣[P]，其轉置[P′]等同于隱層中的權矩陣[IW1，1]，先后與[dist]和閾值矢量進行數學計算，最后由隱層中的傳遞函數確定其輸出值。在隱層中，當神經元輸出[a1]中的值有1時，則表示對應的學習樣本矢量與輸入矢量相似度最高，隨著學習樣本矢量與輸入矢量相似數量的增加，[a1]中1的個數將會隨著增加。

在輸出層中，將權矩陣[LW2，1]設置為目標矩陣[T]，在目標矩陣[T]中，一個行矢量中元素值為1的元素只有一個，其余都為0，這樣能更好地表示一種類型，隨后將[T]與[a1]相乘。在輸出層中，[n2]是由傳遞函數計算所得，其值為1時，表示相應元素的值比較大，而對于值比較小的元素，則用0表示。此時，PNN神經網絡可以對輸入矢量進行模式識別和分類。

2 基于PNN神經網絡的發動機故障診斷

2.1 樣本采集及處理

在建立PNN網絡診斷模型前，應首先采集發動機數據流，將金德KT600故障診斷儀連接到汽車的診斷接口處，對發動機電控系統進行故障設置，使發動機處于正常怠速、氧傳感器故障、凸輪軸位置傳感器故障、水溫傳感器故障、進氣壓力傳感器故障、進氣溫度傳感器故障、進氣道漏氣、節氣門位置傳感器故障、怠速控制閥故障、某缸噴油器不工作、爆震傳感器故障和某兩缸不點火狀態時，記錄故障診斷儀上的數據流，采集到的數據流如表1和表2所示。

由表1和表2可以看出，所采集到的數據流大小差異比較大，為了更有利于PNN網絡診斷，在網絡訓練前應將數據流歸一化處理，使處理后的樣本數據大小在0～1范圍之間，歸一化后的樣本數據如表3所示。

2.2 網絡設計

其中，p1為樣本輸入數據；t1中以100000000000表示正常怠速狀態；010000000000表示氧傳感器故障狀態；001000000000表示凸輪軸位置傳感器故障狀態；000100000000表示水溫傳感器故障狀態；000010000000表示進氣壓力傳感器故障狀態；000001000000表示進氣溫度傳感器故障狀態；000000100000表示進氣道漏氣狀態；t2=clock和datat2=etime（clock，t2）語句為測試網絡診斷時間；net=newpnn（p1，t1，0.5）為建立PNN網絡，分布密度設置為0.5；y1=sim（net，p1）對輸入進行仿真；x=vec2ind（y1）對仿真后的結果進行轉換，使結果更加直觀。網絡建立后，開始訓練網絡，網絡訓練所用時間是0.06 s，PNN網絡的測試診斷結果如表4所示。由表4可以看出，PNN神經網絡對發動機故障做出了正確的模式分類，且訓練速度比較快，為了驗證所創建的PNN網絡診斷模型的準確性，將表3中后5組的樣本數據作為驗證樣本數據，所創建的驗證代碼如下：

將驗證代碼代入到測試程序中，運行程序后，所得到的驗證結果如表5所示。

由表5可以看出，建立的PNN診斷模型是正確的，它對驗證故障做出了正確的分類，分類結果完全正確，達到了預期的效果。

3 結 論

PNN神經網絡是前饋型神經網絡，是基于密度函數估計和貝葉斯決策理論而建立的模式識別分類網絡[2]。發動機電控系統比較復雜，使得故障診斷難度性增大，但運用PNN神經網絡建立的診斷模型，能對發動機電控系統故障做出正確的分類，效果是非常明顯的。基于PNN神經網絡的發動機電控系統故障診斷方法可以極大地利用故障先驗知識，無論故障種類多么復雜，只要擁有足夠的樣本數據，PNN神經網絡都能對故障做出令人滿意的模式分類。PNN神經網絡的故障診斷率比較高，且訓練速度比較快，運用PNN神經網絡較高的模式分類能力和泛化能力，對發動機電控系統故障進行診斷，具有一定的實用價值，PNN神經網絡也可以運用到其他故障診斷領域。

參考文獻

[1] 張德豐.Matlab神經網絡應用設計[M].北京：機械工業出版社，2011.

[2] 朱明悅，李小申.基于概率神經網絡的發動機故障診斷方法研究[J].制造業自動化，2012（9）：90?92.

[3] 周潤景，張麗娜.基于Matlab與fuzzyTECH的模糊與神經網絡設計[M].北京：電子工業出版社，2010.

[4] 丁碩，常曉恒，巫慶輝，等.基于Elman神經網絡的傳感器故障診斷研究[J].國外電子測量技術，2014（4）：72?75.

[5] 呂彩琴.汽車發動機電控技術[M].北京：國防工業出版社，2009.

[6] 楊凌霄，朱亞麗.基于概率神經網絡的高壓斷路器故障診斷[J].電力系統保護與控制，2015（10）：62?67.

[7] 佟剛，郝旭.基于神經網絡的柴油機燃油系統故障診斷[J].機械工程與自動化，2015（5）：119?120.

[8] 趙爽，李立.基于概率神經網絡的全向足球機器人運動系統的故障診斷[J].機床與液壓，2014（21）：46?49.

[9] 徐萌，李宏光，馬穎川，等.航空發動機點火頻率異常故障檢測與仿真[J].計算機仿真，2015，32（7）：75?79.