基于徑向基神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷技術(shù)

謝春麗 王宇超 張博淋

摘?要：發(fā)動(dòng)機(jī)是汽車(chē)動(dòng)力系統(tǒng)的重要組成部分，其正常運(yùn)轉(zhuǎn)對(duì)駕駛員及乘員安全起著至關(guān)重要的作用。基于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)發(fā)動(dòng)機(jī)的故障診斷技術(shù)具有收斂速度慢、診斷精確度低等劣勢(shì)，為了提高診斷準(zhǔn)確度，本文利用徑向基（RBF）神經(jīng)網(wǎng)絡(luò)模型對(duì)汽車(chē)發(fā)動(dòng)機(jī)故障位置及類(lèi)型進(jìn)行診斷。通過(guò)元征X-431汽車(chē)故障診斷儀采集發(fā)動(dòng)機(jī)在多種不同工況下故障試驗(yàn)的數(shù)據(jù)并做歸一化處理，將試驗(yàn)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將發(fā)動(dòng)機(jī)正常運(yùn)轉(zhuǎn)和8種常見(jiàn)故障類(lèi)型作為輸出，建立RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。對(duì)多種實(shí)測(cè)的故障數(shù)據(jù)進(jìn)行測(cè)試和識(shí)別，驗(yàn)證所提出的算法的準(zhǔn)確性，結(jié)果表明此方法對(duì)發(fā)動(dòng)機(jī)故障診斷的準(zhǔn)確率可以達(dá)到90%，為汽車(chē)發(fā)動(dòng)機(jī)故障診斷提供參考。

關(guān)鍵詞：徑向基（RBF）神經(jīng)網(wǎng)絡(luò);發(fā)動(dòng)機(jī);故障診斷;X-431診斷儀;數(shù)據(jù)采集

中圖分類(lèi)號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-8023（2019）06-0061-06

Engine Fault Diagnosis Technology Based on RBF Neural Network

XIE Chunli， WANG Yuchao， ZHANG Bolin

（School of Traffic and Transportation， Northeast Forestry University， Harbin 150040）

Abstract：Engine is an important part of automotive power system， and its normal operation plays a vital role in the safety of drivers and passengers. The traditional BP neural network has the disadvantages of slow convergence speed and low diagnostic accuracy. In order to improve the diagnostic accuracy， the radial basis function （RBF） neural network model is used to diagnose the position and type of automobile engine fault. The data of engine failure test under various working conditions are collected by Yuanzheng X-431 automobile fault diagnosis instrument and normalized. The test data are input of the neural network， the normal operation of the engine and eight common fault types are output. The RBF neural network model is established for training. The accuracy of the proposed algorithm is verified by testing and identifying a variety of measured fault data. The result shows that the accuracy of this method can reach 90% for engine fault diagnosis， which provides a reference for engine fault diagnosis.

Keywords：Radial basis function （RBF） neural network; engine; fault diagnosis; X-431 diagnostic instrument; data acquisition

0?引言

發(fā)動(dòng)機(jī)是汽車(chē)不可缺少的組成部分，是汽車(chē)運(yùn)行的動(dòng)力源頭。隨著汽車(chē)技術(shù)的逐漸發(fā)展，自動(dòng)化汽車(chē)越來(lái)越普及，汽車(chē)的結(jié)構(gòu)也更加的復(fù)雜化。由于汽車(chē)所處環(huán)境多變，發(fā)動(dòng)機(jī)發(fā)生故障的頻率也逐步增加，相應(yīng)的診斷難度也在一定程度上提高了，這也使得發(fā)動(dòng)機(jī)的故障及其處理方式成為汽車(chē)部件檢測(cè)領(lǐng)域的重點(diǎn)對(duì)象[1-3]。傳統(tǒng)的故障診斷方法效率低下，準(zhǔn)確度不夠，有些方法常依賴(lài)歷史經(jīng)驗(yàn)，具有隨意性，缺乏足夠的理論支撐。現(xiàn)代人工智能方法依托計(jì)算機(jī)技術(shù)具有高度發(fā)達(dá)的學(xué)習(xí)能力，為故障診斷領(lǐng)域增添了一種高效快速的方法。

本文以徑向基網(wǎng)絡(luò)相關(guān)的技術(shù)為基礎(chǔ)，結(jié)合元征X—431汽車(chē)故障診斷儀，對(duì)發(fā)動(dòng)機(jī)的故障檢測(cè)進(jìn)行研究，將發(fā)動(dòng)機(jī)在不同運(yùn)行狀況下的運(yùn)行數(shù)據(jù)作為輸入，將故障類(lèi)型作為診斷結(jié)果輸出，運(yùn)用MATLAB建立徑向基神經(jīng)網(wǎng)絡(luò)模型（RBF）。通過(guò)此模型，能使發(fā)動(dòng)機(jī)故障類(lèi)型的判斷更加準(zhǔn)確，對(duì)于數(shù)據(jù)的分析更加徹底，解決了初始權(quán)值與輸出值聯(lián)系在一起的數(shù)據(jù)局限性。大大縮短了訓(xùn)練網(wǎng)絡(luò)的時(shí)間，且使網(wǎng)絡(luò)連貫性更加穩(wěn)定[4]。

1?RBF神經(jīng)網(wǎng)絡(luò)基本原理

利用相關(guān)的計(jì)算或數(shù)據(jù)模型是人工神經(jīng)網(wǎng)絡(luò)[5-8]的主要使用的運(yùn)行基礎(chǔ)，通過(guò)對(duì)相關(guān)的網(wǎng)絡(luò)結(jié)構(gòu)和功能的分析，將結(jié)點(diǎn)的不同的目標(biāo)對(duì)象通過(guò)網(wǎng)絡(luò)技術(shù)連接在一起，這種連接方法能適應(yīng)網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定，保證在故障檢測(cè)的過(guò)程中，不受外界的其他因素的干擾，每個(gè)不同的節(jié)點(diǎn)都代表著不同的網(wǎng)絡(luò)代點(diǎn)，在對(duì)不同節(jié)點(diǎn)進(jìn)行連接的過(guò)程中進(jìn)行權(quán)重的分類(lèi)，這個(gè)權(quán)重的分類(lèi)是根據(jù)節(jié)點(diǎn)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)的影響不同進(jìn)行劃分的，在生物學(xué)領(lǐng)域神經(jīng)元之間的聯(lián)系是一種非線(xiàn)性數(shù)據(jù)系統(tǒng)，系統(tǒng)解釋了多層神經(jīng)元的構(gòu)成 [9]。

1.1?RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

RBF神經(jīng)網(wǎng)絡(luò)已經(jīng)成為整個(gè)神經(jīng)網(wǎng)絡(luò)體系中應(yīng)用最廣的網(wǎng)絡(luò)結(jié)構(gòu)，與BP神經(jīng)網(wǎng)絡(luò)相比，它在訓(xùn)練速度和逼近能力等方面更有優(yōu)勢(shì)。它的系統(tǒng)運(yùn)行穩(wěn)定，反應(yīng)速度快，在使用的過(guò)程中能逼近任意非線(xiàn)性函數(shù)、不易陷入局部極小點(diǎn)和容易實(shí)現(xiàn)等優(yōu)點(diǎn)[10]。

神經(jīng)網(wǎng)絡(luò)即徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)RBF（Radial Basis Function），它是由前端輸入層、隱含層以及輸出層這3部分組成的，每層的數(shù)據(jù)彼此獨(dú)立，在對(duì)問(wèn)題進(jìn)行分析的過(guò)程中這3部分的數(shù)據(jù)又緊密的聯(lián)系在一起，保證了系統(tǒng)運(yùn)行的穩(wěn)定性，對(duì)于不同節(jié)點(diǎn)的數(shù)據(jù)輸入在系統(tǒng)選擇的過(guò)程中更加靈活，保證了故障檢測(cè)的準(zhǔn)確性[11]。

RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程就是對(duì)以下兩種參數(shù)的學(xué)習(xí)：①?gòu)较蚧瘮?shù)中心、隱含層節(jié)點(diǎn)數(shù)、均方差。②隱含層到輸出層的連接權(quán)值。其中徑向基函數(shù)中心的計(jì)算采用最近鄰聚類(lèi)學(xué)習(xí)算法，不需要事先確定隱含單元的個(gè)數(shù)，而且依據(jù)樣本的輸入信息進(jìn)行聚類(lèi)迭代，以確定RBF神經(jīng)網(wǎng)絡(luò)中心[12]。利用最小二乘法進(jìn)行參數(shù)估計(jì)，得到隱含層到輸出層的權(quán)值。函數(shù)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

圖1表示的是RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，將輸入端的數(shù)值與權(quán)重的選擇直接表述出來(lái)，一般采用‖dist‖作為自變量。其激活函數(shù)的一般表達(dá)式為

R（‖dist‖）=e-‖dist‖2。（1）

通常在計(jì)算的過(guò)程中，將徑向基函數(shù)通過(guò)φ（x，y）=φ（‖x-y‖）表示出來(lái)，其中‖x‖表示的是是歐幾里得范數(shù)。根據(jù)G.Weiss和E.M.Stein的定義，徑向基函數(shù)需要滿(mǎn)足：若‖x1‖=‖x2‖，則φx1=φ（x2）。根據(jù)徑向基函數(shù)的定義，函數(shù)值僅與自變量的范數(shù)有關(guān)。

1.2?RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

基函數(shù)的方差以及隱含層到輸出層的權(quán)值、中心是RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法的3個(gè)要求解的參數(shù)。根據(jù)徑向基函數(shù)中心對(duì)相關(guān)參數(shù)的要求不同，進(jìn)行不同數(shù)據(jù)的選取方法也不同，在通常情況下采用進(jìn)行聚類(lèi)迭代、有監(jiān)督選取中心法、隨機(jī)選取中心法、正交最小二乘法以及正交最小二乘法等。

一般情況下將高斯函數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)中常用的徑向基函數(shù)，所以可以將徑向基神經(jīng)網(wǎng)絡(luò)的激活函數(shù)表示為：

R（xp-ci）=exp（-12σ2‖xp-ci‖2）。 （2）

式中：ci為高斯函數(shù)的中心;‖xp-ci‖為歐氏范數(shù);σ為高斯函數(shù)的方差。

通過(guò)圖1的徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)表示式可以得出最后具體的參考數(shù)值。

yi=∑hi=1wijexp（-12σ2‖xp-ci‖2）j=1，2，…，n。（3）

式中：ci表示的是網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的中心;xp=xp1，xp2，…xpmT為第p個(gè)輸入樣本;p=1，2，3，…，p。p為樣本的總體;yi為與輸入數(shù)據(jù)對(duì)應(yīng)的網(wǎng)絡(luò)的第j個(gè)輸出節(jié)點(diǎn)的實(shí)際輸出，其中的i=1，2，3，…;h為隱含層節(jié)點(diǎn)數(shù);wij為隱含層到輸出層的連接權(quán)值。

如果將d作為相關(guān)樣本的期望輸出值，那么相對(duì)應(yīng)的基函數(shù)的方差可以表示為：

σ=1p∑mj‖dj-yjci‖2。（4）

其中K-均值聚類(lèi)方法求取出來(lái)的是基函數(shù)的基礎(chǔ)部分，然后求解方差σi之后計(jì)算隱含層和輸出層之間的權(quán)值，這是該算法的主要3個(gè)計(jì)算步驟。

2?故障數(shù)據(jù)采集

2.1?故障試驗(yàn)

根據(jù)試驗(yàn)設(shè)計(jì)的方案，在對(duì)相關(guān)的試驗(yàn)進(jìn)行統(tǒng)計(jì)的過(guò)程中，對(duì)于怠速無(wú)故障正常工況的各原始數(shù)據(jù)的采集是保證試驗(yàn)結(jié)果正確性的基礎(chǔ)保障，在相關(guān)數(shù)據(jù)采集完成后進(jìn)行設(shè)備的調(diào)試，然后進(jìn)行試驗(yàn)，圖2為X-431故障診斷儀正在進(jìn)行數(shù)據(jù)采集操作。

由于引起發(fā)動(dòng)機(jī)故障類(lèi)型很多，所以本篇論文的主要探索方向是目前在發(fā)動(dòng)機(jī)故障中常見(jiàn)的8項(xiàng)系統(tǒng)故障，對(duì)相關(guān)故障設(shè)置見(jiàn)表1。

故障參數(shù)的選擇直接影響對(duì)于最后故障的判斷的結(jié)果，所以在一般情況下對(duì)于參數(shù)的選擇上要求數(shù)據(jù)的連貫性和真實(shí)性，在本篇論文中選擇的數(shù)據(jù)參數(shù)包括電瓶?jī)啥撕驮鰤簜鞲衅鞯碾妷骸⒖諝膺M(jìn)入時(shí)的流量、氣體進(jìn)入時(shí)的溫度、冷卻液體的溫度、發(fā)動(dòng)機(jī)的運(yùn)轉(zhuǎn)值、燃油壓力、燃油壓力調(diào)節(jié)器和溫度傳感器、大氣壓力傳感器以及發(fā)動(dòng)機(jī)運(yùn)轉(zhuǎn)時(shí)的耗油量這11個(gè)基礎(chǔ)參數(shù)進(jìn)行相關(guān)系統(tǒng)的研究，這些參數(shù)的值是不斷變化的，所以是一個(gè)動(dòng)態(tài)的研究過(guò)程。

2.2?故障數(shù)據(jù)選取

本文實(shí)驗(yàn)在CRDI發(fā)動(dòng)機(jī)臺(tái)架實(shí)驗(yàn)系統(tǒng)上完成，該系統(tǒng)搭載現(xiàn)代伊蘭特直列四缸柴油發(fā)動(dòng)機(jī)并配備完整的發(fā)動(dòng)機(jī)電控系統(tǒng)，前面板配備有儀表盤(pán)、啟動(dòng)點(diǎn)火開(kāi)關(guān)以及故障設(shè)置按鈕。在模擬實(shí)驗(yàn)時(shí)，只需將相應(yīng)的故障設(shè)置按鈕按下，即可模擬實(shí)際各發(fā)動(dòng)機(jī)工況，包括發(fā)動(dòng)機(jī)怠速、加速和減速等工況，可模擬的故障包含了傳感器故障和執(zhí)行器故障和電控系統(tǒng)故障等多種常見(jiàn)故障。

對(duì)于試驗(yàn)采集的數(shù)據(jù)流可以實(shí)時(shí)的分析和統(tǒng)計(jì)達(dá)到數(shù)據(jù)監(jiān)測(cè)的作用，如果相關(guān)的數(shù)據(jù)采集的數(shù)量太多，可以保存在X-431外置CF卡中。在這個(gè)試驗(yàn)的過(guò)程中對(duì)于發(fā)動(dòng)機(jī)8種不同工況下的11個(gè)特征參數(shù)收集了共188組不同的數(shù)據(jù)類(lèi)型，表1對(duì)發(fā)動(dòng)的不同故障類(lèi)型進(jìn)行了系統(tǒng)性的分類(lèi)和統(tǒng)計(jì)，這樣的做法可以讓數(shù)據(jù)測(cè)驗(yàn)值更加準(zhǔn)確。所有故障類(lèi)型作亂序排列，以便后續(xù)診斷更具隨機(jī)性，具體數(shù)據(jù)見(jiàn)表2。

3?基于RBF神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷

3.1?函數(shù)歸一化

為了保證網(wǎng)絡(luò)學(xué)習(xí)的連貫性，在把數(shù)據(jù)輸入網(wǎng)絡(luò)之前要進(jìn)行數(shù)據(jù)的統(tǒng)一化處理，進(jìn)而保證在數(shù)據(jù)運(yùn)行的過(guò)程中不出現(xiàn)網(wǎng)絡(luò)飽和以及網(wǎng)絡(luò)數(shù)據(jù)擴(kuò)大的情況，一般在處理的過(guò)程中會(huì)采用歸一化的方法進(jìn)行處理[13]。根據(jù)處理后數(shù)據(jù)的取值范圍，有兩種常見(jiàn)歸一化方法：

（1）歸一化后數(shù)據(jù)處于[0，1]之間：

xi=xi-xminxmax-xmin。 （5）

（2）歸一化后數(shù)據(jù)處于[-1，1]之間：

xi=2（xi-xmin）xmax-xmin-1。（6）

其中，xi表示故障特征參數(shù)的數(shù)值，xmin表示故障特征參數(shù)的最小值，xmax表示故障特征參數(shù)的最大值，本文采用的是第一種歸一化方法進(jìn)行數(shù)據(jù)處理，歸一化后數(shù)據(jù)見(jiàn)表3。

利用函數(shù)newrb（?）來(lái)構(gòu)建徑向基函數(shù)網(wǎng)絡(luò)，該網(wǎng)絡(luò)向隱含層添加隱含節(jié)點(diǎn)，為了滿(mǎn)足神經(jīng)元數(shù)目以及精度達(dá)到最大化的處理。一般情況下采用均方差進(jìn)行調(diào)節(jié)，調(diào)節(jié)方式如下：

net=newrb（P，T，goal，spread，MN，DF）

T是S×Q期望輸出矩陣，P是R×Q輸入矩陣，Q是輸入訓(xùn)練時(shí)樣本的數(shù)量值，S是輸出向量的維數(shù)，R是輸入向量的維數(shù)。goal是標(biāo)量，代表的是均方差的系統(tǒng)誤差值，在這個(gè)試驗(yàn)中設(shè)定goal=0，spread也是標(biāo)量，表示的是徑向基函數(shù)的網(wǎng)絡(luò)轉(zhuǎn)換速度，對(duì)于相關(guān)的隱含節(jié)點(diǎn)的最大個(gè)數(shù)一般用MN表示，DF表示的是兩次不同的試驗(yàn)過(guò)程中所增加的神經(jīng)元的數(shù)目值，它的作用是控制以及顯示不同級(jí)別的參數(shù)。將函數(shù)返回創(chuàng)建的徑向基函數(shù)網(wǎng)絡(luò)net系統(tǒng)客觀(guān)地表示出來(lái)。

spread的值要根據(jù)實(shí)際情況進(jìn)行選定，專(zhuān)門(mén)的限定如果spread取值過(guò)大，會(huì)直接導(dǎo)致試驗(yàn)的最后結(jié)果與實(shí)際結(jié)果相差過(guò)大，相對(duì)的如果設(shè)定函數(shù)的spread取值太小，會(huì)直接影響試驗(yàn)結(jié)果的準(zhǔn)確性，所以在相關(guān)的spread值的選擇上要有一定的科學(xué)性。其默認(rèn)值為1，本文采用for循環(huán)語(yǔ)句，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，發(fā)現(xiàn)當(dāng)spread值取為1.1時(shí)，訓(xùn)練結(jié)果能夠符合實(shí)際情況。

3.2?利用RBF神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷

RBF網(wǎng)絡(luò)能夠用逼近任意的非線(xiàn)性函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，具有良好的泛化能力，并且能很快的學(xué)習(xí)收斂速度，已成功應(yīng)用于非線(xiàn)性函數(shù)逼近、時(shí)間序列分析[14-18]。數(shù)據(jù)分析、模式識(shí)別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷等，大體流程如圖3所示。

在MATLAB2014b的神經(jīng)網(wǎng)絡(luò)工具箱中采用RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練進(jìn)行發(fā)動(dòng)機(jī)故障診斷，對(duì)于RBF神經(jīng)網(wǎng)絡(luò)以故障特征參數(shù)作為輸入數(shù)據(jù)，在RBF神經(jīng)網(wǎng)絡(luò)中以故障類(lèi)型作為的輸出數(shù)據(jù)，通過(guò)上面的過(guò)程，可以通過(guò)規(guī)律的RBF神經(jīng)網(wǎng)絡(luò)，訓(xùn)練出逼近真實(shí)的數(shù)據(jù)集合，可以對(duì)相關(guān)的故障通過(guò)具體的數(shù)據(jù)表示出來(lái)，通過(guò)RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出該數(shù)據(jù)的故障類(lèi)型。

本次試驗(yàn)將通過(guò)20組試驗(yàn)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的測(cè)試樣本，選擇167組試驗(yàn)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，訓(xùn)練樣本數(shù)遠(yuǎn)超過(guò)測(cè)試樣本數(shù)的目的是為了確保網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確性。為了突出網(wǎng)絡(luò)訓(xùn)練的輸出導(dǎo)向性，對(duì)試驗(yàn)得到的故障類(lèi)型進(jìn)行分類(lèi)和編碼。編碼表見(jiàn)表4。

利用net=newrb（P，T，goal，spread，MN，DF）

語(yǔ)句將訓(xùn)練數(shù)據(jù)與期望輸出導(dǎo)入函數(shù)中進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，然后將要測(cè)試的數(shù)據(jù)利用out=sim（net，test）語(yǔ)句進(jìn)行測(cè)試，最終當(dāng)訓(xùn)練次數(shù)達(dá)到110時(shí)，訓(xùn)練誤差達(dá)到最小值。如圖4所示。

此時(shí)，RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成，將20組測(cè)試樣本帶入網(wǎng)絡(luò)中做最終測(cè)試，其中有18組數(shù)據(jù)的診斷結(jié)果與實(shí)際故障保持一致，僅有兩組數(shù)據(jù)沒(méi)有達(dá)到要求，網(wǎng)絡(luò)診斷的準(zhǔn)確率達(dá)到90%，見(jiàn)表5，診斷結(jié)果如圖5所示，其中故障樣本3和樣本11發(fā)生了錯(cuò)判，樣本3將一缸故障誤判為二缸故障，樣本11將二缸故障誤判為四缸故障，造成這種誤判的原因主要是傳感器信息采集不足，但總體能夠判斷出發(fā)動(dòng)機(jī)氣缸出現(xiàn)故障，但在進(jìn)一步定位到具體哪一氣缸出現(xiàn)故障還有待進(jìn)一步研究。從測(cè)試結(jié)果可以看出利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)動(dòng)機(jī)故障診斷，這種方法是可行的。

4?結(jié)論

發(fā)動(dòng)機(jī)是汽車(chē)啟動(dòng)系統(tǒng)的重要設(shè)備，它的安全性直接關(guān)系到整個(gè)汽車(chē)是否能安全正常運(yùn)行，在發(fā)動(dòng)機(jī)運(yùn)行過(guò)程中，準(zhǔn)確診斷故障原因，及時(shí)排除故障，可提高電力系統(tǒng)運(yùn)行的安全性和可靠性，減少經(jīng)濟(jì)損失。本文研究用徑向基神經(jīng)網(wǎng)絡(luò)模型進(jìn)行發(fā)動(dòng)機(jī)故障診斷發(fā)動(dòng)機(jī)的故障。選取發(fā)動(dòng)機(jī) 167組故障數(shù)據(jù)作為訓(xùn)練樣本，另外20組故障數(shù)據(jù)作為待測(cè)樣本，通過(guò)調(diào)整徑向基層的中心寬度spread，對(duì)徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定了最佳的徑向基層的散布常數(shù)spread=1.1時(shí)，故障診斷準(zhǔn)確率達(dá)到90%。用徑向基神經(jīng)網(wǎng)絡(luò)模型進(jìn)行發(fā)動(dòng)機(jī)故障診斷，模型建立簡(jiǎn)單方便，故障診斷準(zhǔn)確率高，是一種便于在實(shí)際中推廣應(yīng)用的有效的故障診斷方法。

【參?考?文?獻(xiàn)】

[1]陳修禹.汽車(chē)發(fā)動(dòng)機(jī)故障診斷研究的理論與方法[J].科技資訊，2016，14（4）：54-55.

CHEN X Y. Theory and method of automotive engine fault diagnosis[J]. Science & Technology Information， 2016， 14（4）：54-55.

[2]丁雷，曽銳利，梅檢民.基于振動(dòng)信號(hào)的發(fā)動(dòng)機(jī)綜合故障診斷[J].軍事交通學(xué)院學(xué)報(bào)，2019，21（1）：42-48.

DING L， ZENG R L， MEI J M. Comprehensive fault diagnosis of engine based on vibration signal[J]. Journal of Military Transportation University， 2019， 21（1）：42-48.

[3]WANG Y M， ZHANG F J， CUI T. et al. Fault diagnosis for manifold absolute pressure sensor （MAP） of diesel engine based on elman neural network observer network observer[J]. Chinese Journal of Mechanical Engineering， 2016， 29（2）：386-395.

[4]唐立力，陳國(guó)彬.基于MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的農(nóng)機(jī)滾動(dòng)軸承故障診斷[J].農(nóng)機(jī)化研究，2019，41（3）：214-218.

TANG L L， CHEN G B. Fault diagnosis for rolling bearing of agricultural mechanical based on BP neural network optimized by mind evolutionary algorithm[J]. Journal of Agricultural Mechanization Research， 2019， 41（3）：214-218.

[5]郝大鵬，巴寅亮，李春蘭，等.PNN神經(jīng)網(wǎng)絡(luò)在尾氣分析發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2019，42（5）：145-148.

HAO D P， BA Y L， LI C L， et al. Application of PNN in engine fault diagnosis by means of exhaust analysis[J]. Modern Electronics Technique， 2019， 42（5）：145-148.

[6]王淼.基于概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷研究[J].中國(guó)設(shè)備工程，2019，26（2）：99-100.

WANG M. Research on transformer fault diagnosis based on probabilistic neural network[J]. China Plant Engineering， 2019， 26（2）：99-100.

[7]劉向宇，田玉玲.B細(xì)胞免疫的卷積神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)故障診斷[J].現(xiàn)代電子技術(shù)，2019，42（5）：83-86.

LIU X Y， TIAN Y L. Cascade fault diagnosis based on B-cell immunity algorithm and convolution neural network[J]. Modern Electronics Technique， 2019， 42（5）：83-86.

[8]張榮柱，劉學(xué)淵.基于神經(jīng)網(wǎng)絡(luò)的深松鏟作業(yè)阻力及功耗的預(yù)測(cè)模型研究[J].林業(yè)機(jī)械與木工設(shè)備，2019，47（1）：20-25.

ZHANG R Z， LIU X Y. Study on prediction model for sub-soiling shovel operation resistance and power consumption based on neural networks[J]. Forestry Machinery & Woodworking Equipment，2019，47（1）：20-25.

[9]張智偉，陳云巧，王棟悅，等.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的海上DFIG定子繞組故障診斷[J].太陽(yáng)能，2019，40（2）：67-72.

ZHANG Z W， CHEN Y Q， WANG D Y， et al. Fault diagnosis of offshore DFIG stator winding based on genetic algorithms optimizing BP neural network[J]. Solar Energy， 2019， 40（2）：67-72.

[10]魏蔚，王公寶.基于徑向基神經(jīng)網(wǎng)絡(luò)的偵察目標(biāo)意圖識(shí)別研究[J].艦船電子工程，2018，38（10）：37-40.

WEI W， WANG G B. Detection and recognition of air targets by unmanned aerial vehicle based on RBF neural network[J]. Ship Electronic Engineering， 2018， 38（10）：37-40.

[11]LIAN X B， LIU J F， WANG C， et al. RBF network based adaptive sliding mode control for solar sails[J]. Aircraft Engineering and Aerospace Technology， 2018， 90（8）：1180-1191.

[12]JGOUTA M， NSIRI B. GNSS Positioning performance analysis using PSO-RBF estimation model[J]. Transport and Telecommunication Journal， 2017， 18（2）：146-154.

[13]趙海波，王承光.雙電機(jī)驅(qū)動(dòng)伺服系統(tǒng)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)反推自適應(yīng)控制[J].控制理論與應(yīng)用，2018，35（9）：1272-1284.

ZHAO H B， WANG C G. Radial-basis-function neural network backstepping adaptive control of dual-motor driving servo system[J]. Control Theory & Applications， 2018， 35（9）：1272-1284.

[14]馬云龍.基于主成分分析的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法及其應(yīng)用[D].長(zhǎng)春：吉林大學(xué)，2015.

MA Y L. The application of RBF neural network prediction algorithm based on principal component analysis[D]. Changchun： Jilin University， 2015.

[15]王福忠，裴玉龍.光伏陣列改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)識(shí)別算法[J].電源學(xué)報(bào)，2019，17（1）：73-79.

WANG F Z， PEI Y L. Photovoltaic array fault identification algorithm based on improved RBF neural network[J]. Journal of Power Supply， 2019， 17（1）：73-79.

[16]季景方，閆滕滕，王振雨.制動(dòng)器制動(dòng)最高溫度徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J].汽車(chē)實(shí)用技術(shù)，2018，25（16）：55-57.

JI J F， YAN T T， WANG Z Y. Prediction of brake maximum temperature based on radial basis function neural network[J]. Automobile Applied Technology， 2018， 25（16）：55-57.

[17]金保明，顏望棟，張烜，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的洪水預(yù)報(bào)方法[J].南昌大學(xué)學(xué)報(bào)（工科版），2018，40（3）：246-252.

JIN B M， YAN W D， ZHANG X， et al. Flood forecast method based on radial basis function neural network[J]. Journal of Nanchang University （Engineering & Technology）， 2018， 40（3）：246-252.

[18]胡廣，朱興業(yè)，袁壽其，等.BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)射流式噴頭射程對(duì)比[J].排灌機(jī)械工程學(xué)報(bào)，2019，37（3）：263-269.

HU G， ZHU X Y， YUAN S Q， et al. Comparison of ranges of fluidic sprinkler predicted with BP and RBF neural network models[J]. Journal of Drainage and Irrigation Machinery Engineering， 2019， 37（3）：263-269.