汽车发动机故障诊断及预测系统研究

摘 要：在汽车故障类型多样化的背景下，研究汽车故障诊断和预测系统，对行车安全、降低环境污染等有重要的意义。主要介绍了基于DSP的汽车发动机故障诊断和预测系统。

关键词：汽车；发动机；故障诊断；预测系统

中图分类号：U472 文献标识码：A 文章编号：2095-6835（2014）21-0039-02

随着经济的快速发展，汽车行业呈现蓬勃发展之势，但随着高新电子技术的涌入，汽车变成了电子复合型的复杂设备，导致汽车维修的难度大幅增加。汽车发动机是决定汽车性能的核心部件，其运转决定着汽车的整体性能。在本文中，笔者在汽车发动机故障诊断的原理、预测等方面展开探讨。

1 汽车发动机故障诊断的原理和原则

1.1 发动机故障诊断的原理

发动机故障诊断的原理包括诊断物理和诊断数学。其中，诊断物理是指分析元器件因一些因素而导致原有功能消失的过程，这一过程也被称之为故障物理或失效物理；诊断数学是指利用数学的算法和理论识别、处理和判断故障信息。

根据诊断内容的不同，诊断可分为5部分，即参数诊断、模式识别、逻辑诊断、模型诊断和人工智能诊断。其中，参数诊断主要用来采集有效、正常的信号，方法简单，且可快速获得结果，适宜处理简单信号；模型诊断需依靠监测人员的经验分析故障，分为白盒模型、黑盒模型和灰盒模型等；逻辑诊断通过“0”“1”和“布尔信号”判断结果；模式识别可识别、归类故障，是故障诊断的重要分支之一；人工智能诊断利用相应的专家系统、算法和神经网络等智能算法推算故障。

1.2 故障诊断技术的原则

目前，电子领域中的诊断技术原则有以下4种：①设计诊断系统。要想设计完整的诊断系统，就必须先确定诊断内容、诊断系统的工作时间，且需按故障类型确定检测诊断系统的精度、检测点和检测频率。②选择和设计检测传感器。选用符合测量规范的传感器，可减少整体系统的设计实践。如果不具备该种类型的传感器，则应按照检测内容、方式等指标，合理设计所需的传感器。③设计系统的自诊断功能。在设计系统时，系统中应具备故障预测、故障检测等功能。④系统应包括数据库、资料库、程序库和模型库等。

2 发动机故障特征信号的检测

通过检测汽车发动机尾气中的CO、HC、CO2等的浓度，以及发动机的振动、温度和异响等，可分析汽车的运行状况，即分析这些量的改变情况，识别、判断汽车发动机中存在的故障。因此，通过分析汽车发动机的尾气，可判断汽缸内燃油的燃烧状况，进而了解发动机的磨损程度、失火程度和空燃比等。

基于上述分析，本研究采用遗传神经网络算法处理发动机的相关参数，建立基于诊断经验和尾气分析的数据库，使其各种故障状态在遗传神经网络诊断系统中形成对应的映射关系，并实时提醒检修人员维修、调整骑车，从而保证发动机的正常运行。

3 遗传神经网络诊断算法分析

本研究采用遗传神经网络算法诊断、预测汽车发动机可能出现的故障，可通过输入大量的参数快速计算出汽车发动机故障的结果，且具有全局搜索能力。

3.1 权值和阈值的选取

神经网络的权值、阈值通过集中较为复杂的函数，并多次重复计算、调整获取最优值。一般而言，神经网络权值的获取采用了一定规则推演，然后在网络系统中不断调整、修改，直至获取最优的权值、阈值。单纯BP神经网络权值、阈值的获取采取梯度下降方法，这对网络基本初值的要求较高。如果初值存在误差，则结果误差较大，进而对关键参数的影响较大。

3.2 编码和初始种群

染色体编码分为二进制编码和实数编码。神经网络的权值、阈值由浮点数组成，采用二进制编码无法满足要求，且会增加染色体的长度，进而影响了搜索速度；而实数编码可避免上述问题。因此，本研究采用浮点编码方案。在神经网络中，设置n个输入节点，将权值、阈值编码长度设置为l，并设置n+1个隐含层节点，l=n×n1+n1×m+m+n1.通过这样的设置，每个染色体均有独立的权值、阈值，取值为特定范围内的任意实数，基因序列以此可保持稳定，同时，可确定染色体中的各参数。

3.3 适应度函数的设计

神经网络将实际值与期望值之间的标准差视作评估准则，以获得最小值。判断遗传算法主要是判断其染色体的生存能力适应度。因此，标准差函数即为遗传神经网络算法的适应度函数。利用神经网络中的误差函数f（x）可推导出适应度函数F（x），计算公式为：

. （1）

式（1）中：F（x）——适应度函数；

f（x）——神经网络中的误差函数；

i——染色体的数量，1～n；

l——输出层节点的数量，1～m；

P——网络学习样本；

ti——神经网络的期望值；

ai——染色体于神经网络中的计算结果。

3.4 选择算子的选取

在遗传算法中的选择算子时，应保持系统中所有个体被选中的概率与预期适应度函数相同。因此，遗传算法中的概率可经适应度函数计算，计算式如下：

. （2）

式（2）中：p（xi）——所有个体被选中的概率；

Fmax——上代个体中的最大适应度；

F（xi）——个体i的适应度；

3.5 交叉算子的选取

遗传算法中的关键步骤为交叉算子，它是体现遗传算法查找速度、查找范围的关键因素之一。交叉算子的定义是通过任意2个特定方式生成新个体的过程。遗传算法中个体的数量较大，且每个个体的数值多样化，因此，本研究采用浮点数操作每一个赋值、运算等。比如，2个个体XA和XB交叉，产生后代个体的计算公式为：

. （3）

式（3）中：X′A——交叉算子；

l——输出层节点的数量，1～m；

α——交叉概率；

XA——个体；

X′B——个体。

3.6 神经网络的优化对策

遗传算法优化神经网络的内容包括以下3点：①建立各子网络的初始值，设定初始种群大小。②由于遗传算法的是通过优胜劣汰法则繁衍最优秀后代的，即得到最适宜诊断和预测系统的数据库，且大幅降低了各子代的误差值。网络经数次迭代后，系统输出结果中的权值、阈值即为误差最小的运行结果。③训练神经网络时采用权值、阈值再次训练系统。上述算法笔者称之为遗传神经网络算法。

采用遗传神经网络算法诊断汽车发动机故障包括算法误差分析和基于遗传神经网络的仿真测试，经过这2步后，即可判断汽车发动机中存在的故障。

4 结束语

汽车发动机的正常运转是汽车运行的关键。在本文中，笔者研究了发动机故障的特征信号，按系统需求分析了信号和故障情况，并以此决定采用遗传神经网络算法作为故障检测的智能算法。本文介绍了遗传算法的基本思想及其交叉、变异和选择的内容，并优化了神经网络算法，最终形成了遗传神经网络算法模型。

参考文献

[1]孔凡让，贾龙喜.连杆轴承故障的诊断研究[J].中国机械工程，2012，14（05）：494-496.

[2]吴忠林，吴金英.车载控制网络及其协议比较分析[J].汽车工程，2013，21（09）：124-125.

[3]朱晓燕，宋明浩.基于模糊数学的内燃机故障诊断系统[J].农学机械学报，2012，31（02）：79-81.

〔编辑：张思楠〕

Automotive Engine Fault Diagnosis and Prediction System

Ke Shaoqiang

Abstract： In the automotive fault type diverse background， automobile fault diagnosis and prediction system for traffic safety， reduce environmental pollution is significant. Based mainly introduced automobile engine fault diagnosis and prediction system of DSP.

Key words： auto； engine； fault diagnosis； prediction system

推荐访问:故障诊断 汽车发动机 预测 研究 系统