基于神經網絡的汽車電控發動機故障診斷分析

摘要：近年來，隨著電子控制技術的快速發展，傳統的汽車行業也引進了電子控制技術，極大改善了傳統汽車產品電動發動機存在的問題。電子控制技術在汽車中的應用使得汽車電控系統越來越復雜，汽車電控發動機發生故障時，故障診斷變得更加的復雜。人工智能技術的日趨成熟，為汽車電控發動機故障診斷提供了全新的診斷模式，通過搜集汽車電控發動機典型故障，分析各種故障的特征，利用神經網絡在模式識別上的優勢，對故障特征進行分析，提高汽車電控發動機故障診斷的準確性。

關鍵詞：神經網絡;電控發動機;故障診斷

中圖分類號：TP183;U472.9

文獻標識碼：A

文章編號：1001-5922（2020）06-0167-04

1 汽車電控發動機故障診斷

1.1 汽車電控發動機組成

近年來，隨著汽車行業的發展，汽車發動機控制方式都已采用電動控制的方式，通過電動控制系統（簡稱電控系統）完成發動機燃油噴射、變量進氣、速度控制、燃油噴射控制以及點火控制等功能[1]。電控發動機作為當今汽車發動機的主流，電控發動機技術的自動化程度也體現了汽車行業自動化程度的高低[2]。

現代汽車電控系統主要由各類傳感器、電控芯片以及多個執行器等部分組成，如圖1所示。發動機正常工作需要各個部分協同工作，電控芯片向各個部分發送動作指令，各個部分也將相關信息反饋到電控芯片中。汽車電控發動機中的電子控制單元（ECU） -般具有故障自診斷的功能[3]，汽車發動機控制系統中的各傳感器實時將信號傳送到ECU中，ECU對接收的傳感器信號進行判別，當ECU檢測到來自傳感器和執行器的故障信號時，ECU將發送相關指令，汽車駕駛員操作面板上的故障指示燈將點亮，提醒駕駛員汽車發動機出現故障。同時ECU也會發送故障代碼到控制器中，維修人員在檢修車輛時，通過拷貝存儲器中的故障代碼，通過對代碼解析識別，從而判別故障發生位置，但人工檢修也會出現一些問題。

1.2 電控發動機故障類型

汽車發動機常見的故障類型主要有傳感器故障、執行器故障以及相應線路故障，各類故障的特征和相關參數不同。

汽車發動機內部的各項傳感器在正常工作時，各個傳感器會向ECU發送應的信號，所發送的信號都在各自相應的范圍內，表1是發動機在正常怠速下相關參數，當某傳感器出現故障時，所發送的信號會超出正常范圍，當ECU接收到超出正常范圍的信號時就會判定出該傳感器出現故障。

電控發動機的執行器發生故障時，常常需要外接電路來監測各執行器的工作情況[4]。汽車執行器故障相關線路發生故障時，主要有線路接連處以及線路短路等情況。

2 人工神經網絡

人工神經網絡是一種模擬生物神經網絡行為特征并執行分布式并行信息處理的算法數學模型，該網絡由大量相互連接的內部節點（神經元）組成，每個節點輸出一個稱為激勵函數的特定函數。每兩個節點之間的連接由用于評估信號強度的值或權重表示[5]。根據系統的復雜性，可以通過調整網絡的結構、網絡的連接方式、激勵函數和內部節點之間的互連權重來實現信息處理的目的。人工神經網絡技術因具有良好的自組織自學習能力，可模擬人思維根據輸入的樣本數據尋找輸入量與輸出量之間的復雜關系，具有非線性適應性信息處理能力，在預測、控制領域等到了成功的應用。

2.1 人工神經網絡模型構建

人工神經網絡技術能夠模擬人腦處理信息的方式，利用大量數據訓練影響因素與沉積量之間的非線性關系模型。該模型具有自學習和自適應能力，并利用訓練的模型根據新輸入的各影響因素對應的參數值，經過權值調節對沉積量進行預測。人工神經網絡是由多個神經元組合模擬生物神經元的一種數學模型，神經元的結構如圖2所示。

圖2中，∑表示該神經元所有輸入量求和，O表示訓練神經網絡時設置的一定閾值，S，表示該神經元的輸出，fi表示神經元的輸出，{X1，X2，…，Xn}表示該神經元的輸入，{w1f，W2f，…，Wnf}表示兩個神經元相互連接作用時的權值，當{w1f，W2f，…，Wnf}的符號為正時表明神經元處于興奮狀態，否則則處于抑制狀態。f（·）表示神經元激活函數。

神經網絡實現特殊功能的核心是算法[6]，構建的神經網絡結構為誤差反向傳播（Error Back Propaga-tion，BP）神經網絡，經過訓練后的BP神經網絡能獨立處理與輸入樣本相似的數據，并以最小的輸出誤差對輸人數據進行非線性變化，BP神經網絡拓撲結構如圖3所示。

所構建的誤差反向傳播（BP）神經網絡主要包含輸入層、隱含層和輸出層，其中輸入層神經元的輸入量以汽車發動機傳感器的各項數據作為輸入量，相應故障作為輸出層神經元的輸出量。輸入層神經元與輸出層神經元之間采用隱含層相連，各層神經元之間的傳遞函數如下[7]：

2.2 神經網絡模型訓練

BP神經網絡模型的訓練包括正向和反向過程，其中正向訓練利用樣本數據，樣本數據作為為輸入層神經元輸入相應參數，經過隱含層計算后輸出，通過比較輸出量與理論值之間的偏差，如果偏差滿足設定的閾值，則訓練結束，若不滿足，則將誤差值反向傳播，調整各層神經元之間權值和偏置值，直到誤差滿足相應要求停止。

神經網絡模型訓練需要大量的樣本數據，訓練神經網絡模型的樣本數據主要來自于實驗[8]。通過實驗收集大量汽車電動發動機故障特征，并分析相關參數作為樣本數據。表2是將樣本數據作為神經網絡的輸入量，經過神經網絡訓練學習后的輸出。

3 實驗

為驗證神經網絡模型在汽車電控發動機故障診斷方面的準確性與靈敏度，通過收集了十二組故障數據，每組數據包括氧氣、冷卻水溫、發動機轉速數據、節氣門開度、進氣溫度、點火提前角、噴嘴噴射油時間、空燃比閉環狀態、進氣傳感器壓力以及發動機負荷數據。每一個傳感器收集六組數據，其中一組待檢測的數據如表3所示。

通過神經網絡模型診斷后，輸出結果如表4所示。

通過表中數據可以看出，實際輸出結果與神經網絡模型診斷的結果一直，神經網絡模型的精度較高，在汽車電控發動機故障領域有一定的應用前景。

4 結語

通過神經網絡分析電控發動機故障數據來判斷汽車故障的方法，能夠根據電控發動機的相關數據，分析數據準確的找到故障位置，并診斷故障原因，該方法較人為的檢測在精度上有了很大的提高，提高了工作效率。

參考文獻

[1]《中國公路學報》編輯部，中國汽車工程學術研究綜述[J].中國公路學報.2017，30（06）：1-197.

[2]王禮軍.模糊神經網絡專家系統在發動機故障診斷中的應用研究[D].重慶：重慶交通大學，2012.

[3]李國勇，電控汽油機智能控制策略及故障診斷的研究[D].太原：太原理工大學，2007.

[4]屋德畢李格，基于波形分析法的電噴汽油機故障診斷研究[D].西安：長安大學，2005.

[5]李守巨.基于計算智能的巖土力學模型參數反演方法及其工程應用[D].大連：大連理工大學，2004.

[6] Khosravi A， Koury R N N，Machado L，et al.Predic-tion of wind speed and wind direction using artificialneural network， support vector regression and adaptiveneuro- fuzzy inference system[J].Sustainable EnergyTechnologies and Assessments， 2018， 25： 146-160.

[7] Al- Ghobari，H M， El- Marazky，M S，Dewidar，A Z，et al.Prediction of wind drift and evaporation losses fromsprinkler irrigation using neural network and multiple re-gression techniques[J].Agricultural Water Manage-ment.2018， 195： 211-221.

[8] Wen，S.;Zhang，Q.;Yin，X.;et al.Design of Plant Pro-tection UAV Variable Spray System Based on NeuralNetworks.Sensors 2019， 19， 1112.

作者簡介：于麗麗（1989-），女，江蘇徐州人，碩士研究生，講師，主要研究方向：汽車服務工程。