基于人工神經網絡的汽車發動機疑難故障的智能診斷研究

摘 要：汽車發動機運行過程中經常會遇到各種各樣的問題，尤其是多種復合因素引發的非典型疑難故障。傳統的人工診斷方式一般都是通過觀察和檢測識別故障，但是因為此類故障的因素較多，除了需要參考多種性能指標和參數之外，檢測人員還需要承擔較大的工作量，也要花費很長的時間和成本。因此，本研究立足于人工神經網絡，提出了一種結合專家系統和人工神經網絡的人工智能算法對汽車發動機疑難故障進行診斷。最終的研究結果顯示，人工智能算法的應用在發動機故障診斷中表現出較高的有效性。

關鍵詞：人工智能 神經網絡 發動機疑難故障 智能診斷

汽車發動機的故障一般是由多種因素造成，例如：火花塞和點火線圈的功能下降，導致燃燒質量變差。或者由油泵和油管故障引發，造成汽油供油壓力不足或壓力波動；此外，噴油器的噴油霧化不良同樣會影響燃燒質量。另外，發動機積碳、發動機零件的機械磨損以及傳感器性能的退化也是導致發動機工作異常的重要原因。這些疑難故障不僅顯著降低發動機的動力性和經濟性，還可能導致發動機排放超標，嚴重時甚至威脅到汽車的安全運行。鑒于上述情況，本文提出了通過人工智能算法來診斷發動機疑難故障的方案，希望通過智能化手段提高汽車發動機疑難故障診斷的準確性，降低故障診斷效率，有效解決發動機疑難故障的問題。

1 基于人工神經網絡的發動機疑難故障智能診斷方案的創新點

與傳統的人工診斷方式相比，人工神經網絡的發動機智能故障診斷方案具有多種優勢。以尾氣分析的發動機故障智能診斷裝置為例，該裝置主要是針對多種現代車型的車輛進行設計。該裝置利用先進的汽車尾氣分析儀來精確采集發動機的排放氣體數據，然后將這些尾氣數據以及發動機的主要技術參數，通過高效的計算機通信技術，實時傳輸給集成了人工智能算法和專家系統的計算機智能故障診斷平臺[1]。該平臺能夠充分利用所接收的數據，運用其強大的算法和專業知識庫，實現對發動機故障的智能、快速且準確的診斷。該裝置不僅提升了診斷的精確度和效率，還為汽車維修技術人員提供了一個便捷、高效的工具，這樣就能更好地應對發動機故障問題（診斷流程詳見圖1）。

此外，智能故障診斷也創新性地將人工智能技術與專家系統技術深度融合，引入了現代混沌-神經網絡算法，共同打造產品核心的、高度非線性的智能故障專家決策系統。該系統的建立，標志著我們在發動機故障診斷領域的一大突破。例如：將智能決策系統融入汽車尾氣檢測設備中，就能實現通過尾氣氛圍快速判斷汽車發動機潛在維修點的能力（詳細流程見圖2）。該裝置不僅可以實現實時采集和分析尾氣數據，也能根據內置的混沌-神經網絡算法，快速識別和定位發動機故障點。通過不斷對系統進行數據更新和優化算法，還能為用戶提供更加便捷和可靠的發動機故障診斷服務。

2 人工智能算法模型的特征

2.1 混沌神經網絡特征

神經網絡是一種模擬人腦神經結構的機器學習技術，該技術憑借強大的能力，在復雜模式的識別和處理方面展現出較大的應用潛力，可以通過覆蓋圖像識別、語音識別以及自然語言處理等多個領域。雖然該技術體現出了多種優勢，但是在應用過程中也面臨著一些挑戰[2]，例如：計算資源需求龐大、訓練周期長以及對數據的高度依賴性等。當考慮到神經網絡本質上是一個高度非線性動力學系統時，其與混沌理論之間存在著密切的聯系。混沌現象所具有的復雜性和不確定性，為神經網絡提供了新的視角和可能。因此，混沌神經網絡的出現，成為一種能夠實現真實世界復雜計算任務的智能信息處理系統，該系統通過融合混沌理論與神經網絡的特性，為解決傳統神經網絡面臨的挑戰提供了新途徑。

2.2 專家系統的特征

專家系統是一種集成了大量專業知識和經驗的計算機程序系統，該系統基于某個或多個特定領域的人類專家所提供的知識與經驗來進行推理和判斷，從而模擬人類專家的決策過程。通過專家系統不僅可以實施高質量的技術決策，還能有效規避人為決策中可能存在的主觀局限性。專家系統作為一種基于人類專家知識的人工智能技術，擅長模擬專家的推理步驟解決特定領域內的復雜問題。最大的優勢就是能夠充分利用和傳承人類專家的知識和經驗，提升解決問題的準確性和效率。然而，專家系統的構建和維護成本較高，所以在面對快速變化的環境和需求時，該系統的適應性仍然存在一定的局限。

2.3 混沌神經與專家系統相結合

將混沌神經與專家系統相結合是一種創新性的策略，能夠彌補兩種技術的局限性，為人工智能的未來的發展探索了新途徑，這種融合帶來了多種潛在優勢的應用方式。首先，通過利用神經網絡在特征提取方面的強大能力，可以顯著提升專家系統的性能。神經網絡擅長自動學習并提取數據中的深層特征，這些特征隨后被輸入到專家系統中，能夠增強專家系統在做出決策時的準確性和可靠性。其次，專家系統可以用來優化神經網絡的訓練流程。憑借其深厚的問題領域知識和經驗，專家系統能夠為神經網絡模型提供針對性的指導和建議，從而加快模型的收斂速度，優化訓練過程，提升整體訓練效果。再次，結合神經網絡和專家系統的知識表示方法，可以為人工智能領域提供更加多元和豐富的知識表達手段。神經網絡通常采用向量或張量來表征知識，而專家系統則依賴于規則或框架的形式。通過整合這兩種知識表示方式，可以構建出更加全面和靈活的知識體系。最后，利用神經網絡實現專家系統的自適應性，是另一項重要的融合策略。神經網絡的在線學習能力允許其根據實際情況實時更新模型參數，這樣專家系統能夠更好地適應不斷變化的環境和需求，增強了系統的靈活性和魯棒性。

3 基于人工智能神經網絡的汽車發動機疑難故障的智能診斷系統模型構建

3.1 建立汽車發動機疑難故障智能診斷模型

神經網絡與專家系統相結合的汽車發動機故障智能診斷模型是一種創新的智能系統，該系統同時融合了人工神經網絡的所有優勢。智能診斷模型既能保留傳統專家系統的基本功能，模仿人類專家的邏輯思維方式進行推理、決策和問題求解，還能進一步引入神經網絡的學習能力和并行推理能力。基于神經網絡與專家系統的故障診斷系統主要由四個關鍵部分組成。首先是動態知識庫，扮演著數據存儲的重要角色，用于存儲用戶提供的初始事實、推理過程中的中間結論以及最終結果等數據[3]。在求解問題開始時，動態數據庫主要存放用戶提供的初始事實；隨著推理過程的推進，會逐步記錄每一步推理的結果。系統的核心部分是故障診斷和結果輸出模塊，該模塊負責執行故障診斷的主要任務，并輸出診斷結果。為了進行有效的診斷，系統還配備了故障特征量化系統，主要作用是提取故障特征值，為診斷提供必要的輸入信息。此外，輸入模塊負責接收和處理來自用戶的輸入信息，確保信息能夠準確地傳遞給故障診斷系統。最后，診斷解釋器則負責對系統輸出的診斷結果進行解釋，使用戶能夠清晰地理解診斷過程和結果。

3.2 訓練汽車發動機疑難故障智能診斷模型

3.2.1 收集樣本

本次研究以AJR型號發動機為例，此類發動機在運行過程中經常會出現尾氣故障問題。為了全面掌握此類故障的發生原因，需從以下幾個方面收集相關數據。首先，通過故障真有讀取汽車發動機的動態數據。相關人員可以使用專業的汽車故障診斷儀連接到發動機故障的診斷接口，通過診斷儀實時監測和記錄發動機的各種動態數據，了解發動機的轉速、負荷、進氣量、燃油噴射量、點火提前角等關鍵參數，通過動態數據能夠反映發動機在不同工況下的運行狀態。其次，利用尾氣分析儀讀取尾氣濃度數據。相關人員需將尾氣分析儀的探頭插入車輛的尾氣排放口，啟動發動機并使其處于怠速狀態。尾氣分析儀就可以自動測量并顯示尾氣中的一氧化碳（CO）、碳氫化合物（HC）、氮氧化物（NOx）等有害物質的濃度。尾氣濃度數據是評估發動機燃燒效率和排放性能的重要指標。通過對比正常與故障狀態下的尾氣濃度，就能識別發動機是否存在燃燒不充分、混合氣過濃或過稀等問題[4]。再次，利用儀器儀表測量電氣和機械數據。故障診斷人員可以使用萬用表、示波器等儀器儀表測量發動機的電氣系統（如點火線圈、火花塞、傳感器等）和機械系統（如氣門、活塞、曲軸等）的電壓、電流、電阻、波形等數據，通過數據分析發動機內部組件的工作狀態和性能，定位出現故障的部件或者系統。最后，通過報告獲取燃油化學成分數據。相關人員需收集車輛使用的燃油樣品，再將樣本送至實驗室進行分析，通過分析報告就能了解樣品中的辛烷值、含硫量、含水量等指標。由于燃油的化學成分直接關系到發動機的燃燒效率和性能，所以分析燃油的化學成分就能判斷燃油是否符合車輛型號，也能判斷出是否存在因質量不佳造成的發動機故障。

3.2.2 數據處理

數據處理是模型訓練的重要環節，通過數據處理就能判斷該模型是否能夠從原始數據中提取有效特征，也能影響到模型的準確性和泛化能力。以AJR型號發動機為例，在數據處理過程中需遵循以下步驟：第一，將故障樣本的數據進行標注和分類。相關人員可根據故障現象和原因，將收集到的故障樣本數據分為不同的類別。例如，可以將故障分為真空泄漏故障、點火系統故障、噴油器堵塞故障等。每個故障的樣本數據必須分配一個唯一的標簽或者代碼。分類和標注是監督學習的基礎，通過分類和標注就能使模型學習不同故障類別之間的區別，之后也能在后續階段對新的故障樣本做出準確分類。第二，將故障數據進行歸一化和標準化處理。歸一化就是將故障數據的每個特征值縮放到一個共同的尺度上，通常是0到1之間。這可以通過將每個特征值減去其最小值并除以最大值與最小值之差來實現。通過歸一化處理就能消除不同特征之間的量綱差異，減輕模型的學習難度。標準化處理則是通過從每個特征值中減去其均值并除以標準差，將故障數據的每個特征值轉換為均值為0、標準差為1的分布。在實際應用中，可以根據數據的特性和模型的需求選擇歸一化或標準化方法。對于大多數機器學習算法來說，標準化通常是一個更好的選擇，因為它不會改變數據的分布形狀。第三，劃分訓練集數據和驗證集數據。相關人員需將處理后的故障樣本數據劃分為訓練集和驗證集，劃分比例可以根據具體需求來確定。常見劃分比例包括70%訓練集和30%驗證集，或80%訓練集和20%驗證集等。通過訓練集數據訓練模型和驗證集數據評估模型的性能，就能確保模型在未見過的數據上也能表現出良好的泛化性能。

3.2.3 設置訓練參數

在深度學習模型的訓練過程中，設置合理的訓練參數也是提升模型的收斂速度、性能和泛化能力的重要途徑，該環節的參數主要包括學習率、優化器、批量大小和迭代次數。學習率是核心超參數，學習率的大小直接決定了權重更新的幅度，過大可能導致模型無法收斂，過小則會使訓練進程變得緩慢。常見的優化器包括SGD、Adam和RMSprop等類型，不同類型的優化器有不同的特征，需根據具體問題和數據集特性來決定[5]。此外，批量大小與迭代次數的設置同樣需要權衡，較大的批量可以加速訓練但可能影響模型泛化能力，而過多的迭代次數則可能導致過擬合。因此，在實際操作中需要綜合考慮數據集大小、模型復雜度及硬件資源等因素，通過不斷實驗和調整找到最佳的參數組合，才能提升深度學習模型的訓練效率和最終性能。

4 模型診斷驗證

汽車發動機智能故障診斷模型的驗證是確保其在實際應用中具備高精度和可靠性的核心環節。為了實現這一目標，可以采用多信息融合技術、神經網絡學習方法、小樣本驗證以及跨工況驗證等手段來實現。多信息融合技術結合了數據層、特征層和決策層的診斷信息，提高了診斷的全面性和準確性。神經網絡學習方法通過交叉驗證、準確率評估等手段，評估了模型的泛化能力和穩定性。小樣本驗證方法，如留一法交叉驗證，確保了模型在樣本有限情況下的性能。同時，跨工況驗證通過模擬不同工況下的發動機狀態，評估了模型在不同條件下的適應性和魯棒性。這些驗證方法共同構成了汽車發動機智能故障診斷模型驗證的完整框架，為模型的優化和應用提供了可靠的技術支撐。

5 結語

本研究通過結合神經網絡與模糊故障診斷專家系統，對發動機故障進行了深入探索，結果顯示，這種融合方法顯著提升了診斷的精度與效率，克服了傳統專家系統的局限性，并避免了神經網絡的解釋性不足。實驗證明，基于模糊神經網絡的專家系統在發動機故障診斷中表現優異，不僅學習速度和診斷準確率遠超傳統BP神經網絡，而且通過優化算法進一步增強了系統的智能性和診斷效率。該系統還具備強大的自學習與自適應能力，能根據新數據不斷更新診斷知識庫，適應故障的多樣性和復雜性。此外，該系統已成功應用于電控發動機多種故障類型的快速準確診斷，展現出廣闊的工程應用前景。在未來的研究中需進一步優化神經網絡結構和訓練算法，探索大數據和物聯網技術的應用，才能拓展系統的診斷精度、實時性和應用場景。

參考文獻：

[1]陸潤宗.基于反向傳播神經網絡的汽車發動機故障診斷研究[J].裝備維修技術，2024（04）：90-93.

[2]解淑英.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[J].微型電腦應用，2021，37（12）：44-47.

[3]佘勇，馮銀漢，王燕兵.人工神經網絡在汽車發動機故障診斷中的運用[J].南方農機，2021，52（13）：114-115.

[4]楊慶川.基于深度學習的發動機故障檢測[D].杭州：杭州電子科技大學，2021.

[5]牛華.基于改進BP神經網絡的汽車發動機故障診斷[J].組合機床與自動化加工技術，2021（05）：57-61.