摘要：随着车用发动机的不断发展与完善，发动机产生故障的种类也越来越多，故障现象与故障原因之间的非线性关系越来越复杂，发动机故障诊断越来越难。基于此，笔者分别对BP神经网络、RBF神经网络、PNN神经网络及SOM神经网络在汽车发动机故障诊断领域的应用及成效展开了分析。每种神经网络所应有的诊断场景有所不同，需要结合具体情况和各种神经网络的结构特点去选择。实践证明，RBF神经网络的预测精度要高于BP神经网络，同时训练时间更短，可以极大地提升对故障诊断的效率。
关键词：神经网络；故障诊断；汽车发动机
0前言
汽车发动机特别是电控发动机在近年来获得了快速发展。随着新技术新工艺不断地应用于发动机，发动机已然成为一个复杂的非线性系统，其设计变量和操作变量之间关系较为复杂，很难针对一个变量进行优化来提升发动机的性能，同时给发动机的故障检测与维修带了极大困难[1]。近年来，人工神经网络已被大量引入到汽车发动机故障诊断领域[2]，特别是“1+X”证书制度对汽车动力系统检修有了更高的要求，这就需要进一步探索汽车发动机故障检修更多的方法和途径，以更好地助推汽车发动机的快速发展[3]。当前发动机故障诊断的神经网络类型还比较单一，运用于发动机故障诊断的相关研究还处于初级阶段，存在较大的发展空间。基于此，笔者对当前应用于汽车发动机故障诊断的人工神经网络进行了系统分析，并提出了发动机故障诊断未来的发展方向。
1人工神经网络在汽车发动机故障诊断中的应用
1.1BP神经网络
BP神经网络是一种具有多层结构的前馈神经网络，其特点是信号向前传播，误差信号逆向传播，故该神经网络又称为反向传播网络，其非线性的映射能力强，推导步骤较为严谨，无论是在网络理论还是在性能方面都已经得到了广泛的认可。因此，BP神经网络是目前使用最普遍的神经网络之一。其不足之处是存在收敛速度慢、容易陷入局部极小值以及泛化能力弱的缺点[4]。林海涛等[5]利用BP神经网络建立了发动机故障诊断模型，并且利用LM算法对网络学习训练，发现当隐含层节点数为11时网络的误差是最小的。因此，将隐含层节点数确定为11，该神经网络对发动机的故障诊断正确率能达到94%。曾荣等[6]通过采集发动机噪声信号并利用小波分解技术对采集的发动机声压信号进行分解并对不同的小波分解方法进行比较，得出了相应的故障声音特征参数，然后基于这些声音特征参数建立了BP神经网络的故障诊断模型，试验证明该网络模型对发动机故障诊断准确性较高，诊断速度快，对于发动机异响类故障诊断有重要意义。
1.2RBF神经网络
径向基函数（RBF）神经网络是人工神经网络的一种，具有输入层、隐含层及输出层三层结构。这种神经网络可以对函数进行全局逼近，具有收敛速度较快、训练精度高等优点，对于非线性函数具有较强的实用性[7]。王书提等[8]通过采集北京现代2005款途胜汽车G4GC型电控发动机的故障数据流为训练输入样本，以相对应的故障种类作为输出样本对神经网络进行训练，从而建立了RBF神经网络故障诊断模型，结果表明，该网络具有较高的故障诊断精度和诊断速度。谢春丽等[9]利用RBF神经网络建立了发动机的故障诊断模型，其具体做法是通过汽车故障诊断仪元征X-431采集发动机在多种不同工况下故障试验的数据，然后把这些数据归一化后作为神经网络的输入样本，将发动机的正常运转和8种故障类型作为神经网络的输出对网络进行学习训练，通过测试，所建立神经网络的故障诊断精度可达到90%，可以为汽车发动机故障诊断路径研究提供参考。
1.3PNN神经网络
PNN神经网络由四层网络结构组成，分别是输入层、模式层、求和层、输出层。输入层的传递函数是线性的，其功用是将输入样本传递给模式层的各节点。模式层对输入信号进行加权求和，并通过一个非线性算子运算后传递给求和层。竞争层接收从求和层输出的各类概率密函数，概率密度最大的那个神经元输出为1，即所对应的那一类即为待识别的样本模式类别。基于此，PNN神经网络可以用于发动机故障的诊断。郝大鹏等[10]利用PNN神经网络建立了北京现代伊兰特发动机的故障诊断模型，其具体做法是利用尾气分析仪采集汽车发动机在相关故障状态下汽车尾气CO、CO2、HC、O2和NOx的相关数据，进行归一化并作为网络的输入，将对应的几种故障特征进行编号并得到故障代码，以此作为网络的输出，基于MATLAB平台建立了PNN神经网络故障诊断模型。测试结果表明：PNN神经网络建立诊断模型可以对故障类型快速地识别，从而准确地判断出故障，在尾气分析发动机故障诊断中具有较高的诊断效率和正确率。该方法也可以用于其他故障类型的诊断。巴寅亮等[11]利用PNN神经网络建立了电控发动机的故障诊断模型，具体做法是以伊兰特汽车发动机电控系统为研究对象，让发动机在怠速情况下设置故障，然后运用金德KT600故障诊断仪采集发动机相关故障数据流，得出的数据作为网络的输入样本，以几种相对应的故障特征作为网络的输出样本，作为神经网络的训练样本，对神经网络进行仿真训练并对其故障检测精度进行测试。经过测试表明：所建立的神经网络能够对故障类型进行正确的分类，达到了预期的效果。
1.4SOM神经网络
SOM神经网络也称为自组织特征映射网络，其特点是可以根据输入向量的分组进行学习和分类。这种网络可以模拟大脑神经系统自组织特征映射的功能，是一种竞争型网络，该网络由输入层和竞争层组成，输入层的神经元和竞争层的神经元都有权值连接，并且各神经元之间是全连接，竞争层的各节点间相互间也有局部连接。王书提等[12]以北京现代2005款途胜G4GC型发动机为研究对象，利用故障诊断仪采集发动机的故障数据流以及对应的故障特征，建立了SOM神经网络的故障诊断模型，并得出了该神经网络可以对输入向量进行准确的模式识别及类聚，具有较好的故障分类功能的结论，结果表明：SOM神经网络可以有效地应用于发动机电控系统的故障诊断中。李刚等[13]利用EDM与SOM神经网络结合的方式建立了燃气发动机故障诊断方法，其具体做法是将燃气发动机振动信号进行EMD分解，然后提出MF分量的能量作为故障诊断的特征向量，以作为训练样本输入SOM神经网络进行类聚，然后对燃气发动机在正常、气门间隙大、排气阀漏气三种状态的信号进行分析。结果表明：该方法对于非平稳信号的故障特征可以有效地提取，同时网络结构较为简单，对于数据样本较大的类聚识别率较高，输出结果较为清晰直观，可为燃气发动机故障诊断提供了新的思路。吕建丰[14]将柴油机性能的燃油压力波形作为特征向量输入，以与之对应的柴油机故障作为神经网络的输出，建立了基于SOM神经网络的柴油机故障诊断模型，通过测试表明：该网络模型的类聚精度较高，可以用于分析和识别柴油机相关的故障。
2结束语
文章分别对BP神经网络、RBF神经网络、PNN神经网络及SOM神经网络在汽车发动机故障诊断领域的应用及成效进行了阐述。每种神经网络所应用的诊断场景有所不同，需要结合具体情况和各种神经网络的结构特点去选择用哪一种，从大量的文献来看，RBF神经网络的预测精度要高于BP神经网络，同时训练时间更短，可以极大地提升对故障诊断的效率。大量的实践证明，汽车发动机故障诊断要具体情况具体分析，人工神经网络对于发动机故障诊断的精度较高，可以为发动机故障诊断特别是对于电控发动机这类复杂的非线性系统的故障诊断提供一种新的方法和路径。为此，笔者建议发动机故障诊断未来研究可利用神经网络联合遗传算法、粒子群算法、蚁群算法，可从以下两个方面入手，一方面是利用算法优化神经网络的网络参数，这样神经网络的预测精度会更高；另一个方面可以利用神经网络建立非线性关系作为适应度函数联合相应的算法（如遗传算法、粒子群算法等），对发动机工作参数进行优化。
作者：佘勇 单位：贵州电子信息职业技术学院汽车工程系
