基于神经网络的发动机故障诊断分析
基于深度学习的故障检测与诊断技术
基于深度学习的故障检测与诊断技术在当今高度工业化和自动化的时代，各种复杂的系统和设备在生产、运输、能源等领域发挥着关键作用。
然而，这些系统和设备在运行过程中不可避免地会出现故障。
及时、准确地检测和诊断故障对于保障系统的正常运行、提高生产效率、降低维护成本以及避免潜在的安全风险具有极其重要的意义。
传统的故障检测与诊断方法在面对日益复杂的系统和海量的数据时，往往显得力不从心。
而深度学习技术的出现，为故障检测与诊断领域带来了新的突破和机遇。
深度学习是一种基于人工神经网络的机器学习方法，它能够自动从大量的数据中学习到复杂的模式和特征。
在故障检测与诊断中，深度学习可以通过对设备运行数据的分析，识别出正常状态和故障状态之间的差异，从而实现对故障的准确检测和诊断。
首先，让我们来了解一下深度学习在故障检测方面的应用。
故障检测的主要任务是判断系统是否处于故障状态。
传统的方法通常基于阈值设定或者简单的统计分析，这种方法对于复杂的系统和动态的运行环境往往不够准确。
而深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），可以对多传感器采集的时序数据进行建模。
例如，对于一个旋转机械系统，我们可以采集振动、温度、压力等多种信号。
深度学习模型能够自动学习这些信号之间的复杂关系，并根据学习到的模式来判断系统当前的状态是否正常。
如果模型预测的结果与实际的运行状态存在较大偏差，就可以认为系统可能出现了故障。
接下来，深度学习在故障诊断方面也表现出了卓越的能力。
故障诊断不仅要判断系统是否故障，还要确定故障的类型、位置和严重程度。
深度学习可以通过对大量的故障样本数据进行学习，建立故障模式与故障特征之间的映射关系。
例如，在电力系统中，通过对变压器油中溶解气体的分析来诊断变压器的故障类型。
深度学习模型可以自动提取气体成分、含量等特征，并与已知的故障类型进行匹配，从而准确地诊断出故障类型。
为了实现基于深度学习的故障检测与诊断，数据的采集和预处理是至关重要的环节。
神经网络在发动机燃油系统故障诊断中的研究
（ 该规则 中表 达式刀 的具体表达 式为某 隐含 层神 经元 的输 出为１ ，结论 的具体 形式为诊断对象 具有 故障原 因 ）。 （ 对 于每一 个从第２表 中提 取的隐含层神 ４） 经元 ，仿照（）进行操 作形成 规则： ３
２基于神 经 网络 的故障诊 断 人工 神经 网络处 理信 息不需要 建立故 障模 式 的数学模型 ， 不用数学方法精 密的计算 ， 而是通过
具有 自动提取 故障特征能力学习 的网络 ， 其信息 使
图 １ 单 层 网 络 的 Ｂ 算 法 Ｐ
单 层 网络Ｂ 算 法 如 图 １ 示 。设 共 有Ｐ 模式 Ｐ 所 个
一 ： 一 ） 圭 （ 一 ’
表 中，计算 ｃ ＝
，比较 ｃ Ｃ ，若 Ｃ＞Ｃ 成立 ， 与 ０ ０
则表 中清除的所有元素转（） ３，否则返 回（） ２ 再执行 。 （ ）形成规则 １ ３ 。规则 １ 的表示 形式是：
Ｉ Ｆ表 达式１ Ｎ 表达 式２ Ｎ …Ａ Ｄ 表达 式 Ａ Ｄ Ａ Ｄ Ｎ 刀Ｔ Ｅ 结论 。 Ｈ Ｎ
为 ｌ｜ 。定义误 差信号 项为 ６ ‘ 厂 ） （ 一一
有： ＝ ＝
，则
、 ，故 △ ’ ， ＝ １ 。 １ ６
可以证明，只要转移函数 ．（ 是连续的，就有 ， 厂． ）
６
一
． ．
专 （ 一 （ ， ， Ｙ ） 本例取转移函数为单 ，
层 次的神经元之 间没有连接 。 其基本思想 是 ： 习 学 过 程 由信 号 的正 向传 播与误 差 的逆 向传播 两个过
．
ｑ ｔ一 ’Ｌ （ ， （ ， ／ ） ， ）
（ 一 （一Ｙ ） ， Ｊ ） 』１ ｊ一 ，
基于PSOBP神经网络的民航发动机VSV故障诊断
2020年12月Dec. ,2020第36卷第6期Vol. 36 , No. 6滨州学院学报Journal of Binzhou University【航空科学与工程研究】基于PSO BP 神经网络的 民航发动机VSV 故障诊断阚玉祥(滨州学院飞行学院，山东滨州256603)摘要：现代民航发动机大多使用VSV 系统来提高发动机工作稳定性和避免发动机失速或喘振。
为了诊断VSV 系统故障，提出了 一种基于PSO-BP 神经网络对VSV 位置进行监控 的方法，当PSO-BP 神经网络模型的预测值与实际值的偏差超过一定值时，则判断VSV 系统故障。
利用发动机健康状态的QAR 数据，基于PSO 算法优化的BP 神经网络建立了发动机 VSV 在飞机下降段的调节规律模型，同时建立BP 神经网络模型。
经过对比分析，通过PSO -BP 神经网络建立的VSV 调节规律模型的诊断精度，高于传统的BP 神经网络模型，可为民航发 动机状态监控和故障诊断提供依据，具有一定的工程实用价值。
关键词：民航发动机；VSV ；故障诊断；PSO 算法；BP 神经网络中图分类号：TP 183 文献标识码：A DOI ： 10.13486/j. cnki. 1673 - 2618. 2020. 06. 0010引言民航发动机VSV(VariaUle Stator Vane )系统的工作状态对发动机的工作性能至关重要在发动机 需要时调节VSV 开度，可以达到提高转子转速裕度，减小机械负荷的目的閃。
由于VSV 需要随着发动 机工况的变化不断调节，极易造成VSV 系统故障，使静子叶片的实际位置偏离指令位置，偏离过大时使气流攻角过大，从而诱发喘振。
严重时会导致机件损伤、空中停车等故障因此监控VSV 的位置，及 时发现VSV 系统故障有助于发动机安全高效的运行％以发动机实际运行的大量数据为基础，神经网络、支持向量机等一系列算法在故障诊断和性能预测方面得到了广泛应用。
基于BP神经网络方法的民用航空发动机故障诊断
，
与发动机故障模式间的映射关系 ，便可确 定发动 机 的 故 障 ，这是 利用 Ｂ 网络 进 行 发动 机 故 障 诊 断 Ｐ
的基 础 。
共ｍ个 ，用 于发动机诊 断。输入是一组监视参数 ，输
ｌＰ 网络 的基本原 理及结 构 Ｂ 人 工神 经 网络 中 使 用 最广 泛 的 是三 层 感 知 器 反 向传 播 网络 ，即 三 层Ｂ Ｐ网络 ，如 图 ｌ 。其 中 ，
． ． １６ ＋１６ ．
． ． ２８ ＋ ． ２８ ＋ ． ２９ ． ． ２９ ． ． ２５ ＋ ． ２５
． ． １０ ＋１ ． ０
．． ０１ ＋ ． ｏ１ ０ ０ ． ． ０３ ＋ ． ０３
． ． １０ ＋１ ． ０
． ． ０２ ＋ ． Ｏ２ ０ ０ ． ． ０８ ＋ ． ｏ８
中 国 民 航 飞 行 学 院 学 报
Ｃｉｉ Ａｖ ａｉ ｎ Ｆ ｉ ｈ Ｕｎ ｖ ｒ ｉ ｏ Ｃｈ ｎ ｖｌ ｉｔｏ ｌ ｔ ｇ ｉ ｅ ｓｔ ｙ ｆ ｉａ ３ ７
出层 各 节 点 的值 ，如 输 出层 不 能 得 到 规 定 的输 出 则 转 入 反 向传 播 ，将误 差信 号沿 原 路 返 回，通 过 修
个神经元与隐层第ｊ 个神经元之间的连接权值 。跨
层 的神 经 元 之 间则 不 连 接 。 以上 前 向人 工 神 经 网 络模 型 的学 习过 程 由前 向 计算 过 程 和 误 差 的反 向 传 播 过程 组成 。图中输 入为Ｘ＝ Ｘ ， ２… ．ｎ ，共 ： ｌＸ （ ）） 【 有１ 神经元 ，与 其对应 的输 出为 １ 个 出则为与其对应的一组诊断结果 。 Ｂ 网络 的学 习 方 法 由正 向传 播 和 反 向传 播 Ｐ 两个 过程组 成 。学 习开始 ，先 随机地 给各 连 接权赋 值 ，权 值 在Ｏ ｌ之 间随 机 选取 ，然 后 将 学 习样 本 ～ Ｙ ｌ
基于BP神经网络方法的航空活塞发动机故障诊断
６ ８０ １３７） （ 中国民航 飞行 学院 四川广 汉
摘
要 ：Ｂ 神 经网络在机械 故障诊断领 域 内已取得较 多的成 功经验 。本 文调用 Ｐ
Ｍａａ ｔ ｂ中的神经网络工具箱，运用 Ｂ ｌ Ｐ神经网络对 Ｃ Ｓ Ｎ ． ２ 的航 空活塞发动机进行故障 Ｅ Ｓ Ａ１ Ｒ ７
Ｎ ＯＶ．２Ｏｌ Ｏ
中 国 民 航 飞 行 学 院 学 报
Ｊ ｕ ａ ｏ Ｃｉ ｉ Ａｖ ａ ｉ ｎ Ｆ ｉｈ Ｕｎ ｖ ｒ ｉ ｏ Ｃｈ ｎ ｏｒ ｌ ｆ ｎ ｖｌ ｉｔ ｌ ｔ ｏ ｇ ｉｅｓ ｙ ｔ ｆ ｉａ ３ ９
ＶＯ ． ｌ ． １ ＮＯ６ ２
基于 Ｂ Ｐ神 经 网络 方 法 的航 空 活 塞发 动机 故 障诊 断
障 征兆 ，提 出维护 建议 。因此 ，将 Ｂ 神经 网络 Ｐ
分布 表示 ：ｘｌ 仪 表指 示偏 高 ；ｘ２ 仪 表 指示偏 一 一
低 ；Ｘ３ 仪表 指示摆 动 ；Ｘ — 仪 表无 指示 ；Ｙｌ 一 ４ 一
更 换 仪表 相 应 的传 感 器 ：Ｙ２ 因接触 不 良而 调整 ＿ 或 者 重新 安 装仪 表 相 应 的传 感 器 ；Ｙ３ 因污 染 、 一
法处 理速 度 较 慢不 能 适应 信 息 时 代 高效 工 作 的 不 足 ，可 以在 具 体 的实 际应 用 环 境 下 自学 习、 自适
应。
２Ｂ Ｐ神经 网络 的建立
民航 发动 机 故 障诊 断 常用 的神 经 网络模 型 为
排 Ｙｌ ｌ ｌ ｌ ｌ 故 Ｙ２ ｌ ｌ ｌ ｌ 措 施 Ｙ３ ｌ ｌ ｌ ｌ
神 经 网络 是解 决某 些传 统 方法 所 无 法 解 决 的 问题 的有 力 工 具 ，而 Ｂ 神经 网络 由于 其优 越 性 Ｐ
基于LM优化算法的神经网络在航空发动机转子故障诊断中的应用
ｉｔ ｌｃ ｎｍ ｍ ｐ ｉｔｐｅｅ ｔ ｔｏｉ ｐｏｅ Ｐ ａ ｏ ｔｍ ｍｅ ｏ ｓ Ｌ Ｌ ｖｎ ｅｇＭａｑ ａｄ） ｐｉ ｎｏ ｏａ ｍｉｉ ｕ ｏｎ ，ｒｓｎｓ ｗ ｍ ｒｖｄ Ｂ ｇｒ ｈ ｔ ｄ ： Ｍ（ ｅｅ ｂ ｒ— ｒｕｒｔ ｏ ｔ ｌ ｌ ｉ ｈ — ｍ ｚｔ ｎａ ｏ ｔｍ ａ ｄＳ Ｇ（ｃ ｅ ｏｊｇｔ ｇａ ｉ ｔ ａ ｏ ｔ ｔｅ ｅｔｏａ ｏｉ ｍ ｅｅａ ｐｉ ｉ ｉ ｇｒｈ Ｃ ｓａ ｄｃｎｕ ａ ｒｄｅ ） ｌ ｒｈ ａｏ ｌ ｉ ｎ ｌ ｅ ｎ ｇｉ ｍ，ｈ ｎｔ ｌ ｒｈ ｓ ｒ ｐ ｌ ｄｔ ｈ ｗ ｇ ｔ ｗ ｅ ｏ
摘 要 针对传统 Ｂ Ｐ算法存在的收敛速度慢以及容易陷入局部最小点等问题， 给出了两种改进 Ｂ Ｐ算法：
Ｌ Ｌｖｎ ｅｇＭａｑａｄ） Ｍ（ ｅｅｂ ｒ－ ｒｕｒｔ 优化算法和 Ｓ Ｇ（ ｃｌｄＣ ｎ ｇｔ Ｇａ ｉ ｔ算法 ， Ｃ Ｓ ａ ｏｊ ａｅ ｒｄｅ ） ｅ ｕ ｎ 应用这两种算法对航空发 动机转子故 障 进行诊 断研究 ， 比较它们之 间的研究结果 ， 仿真和实验表 明 Ｌ 优化 算法 比 Ｓ Ｇ算 法具有更 高 的准确度 和较快 的 Ｍ Ｃ
维普资讯
２０ ０ ７年 ４月 第２ ７卷 第 ２期
宇航 计测技术
Ｊ ｕ ｎ ｌｏ ｔ ｎ ｕｉ ｔ ｌｇ ｎ ａ ｕｅ ｎ ｏ ｒ ａ ｆＡｓ ｏ ａ ｔ Ｍｅｒ ｏ ｙａ ｄ Ｍｅ ｓ ｒｍｅ ｔ ｒ ｃ ｏ
Ａｐ ． ２ ０ ｒ ，０ ７ Ｖ０ ． ７． ． １２ Ｎｏ ２
信息 ， 如振动、 噪声 、 转速 、 压力、 流量等 ， 其故 障诊断
收稿 日期 ：０ ６ｌ 一０ ２ ０ 一 ｌ ０
基金项 目： 国家 自然科学基金资助项 目（ 编号 ： ４ ２ １ ） 航空科学基金资助项 目（ ６ ７ １６ ； ０ 编号 ： １ ０ ８ 。 ０ ５ ６ ） ３ ３ 作者简介 ： 冯今朝 （９ ７～ ） 男 ， １７ ， 硕士研究生。主要从事航空发动机状态监控及故障诊断 的研究 。
基于神经网络的电控发动机怠速不稳定的故障识别方法
第３ ０卷 第 １期
２０ ０ ２年 １ 月 东 北 林 业 大 学 学 报
Ｖ０ ０ Ｎｏ １ Ｉ３ ．
Ｊ ＯＳ Ｙ Ｎ ＶＥＲ Ｉ Ｙ ＴＲ Ｕ Ｉ ＳＴ
Ｊｎ ２０ ａ． ０ ２
态 、 火 系 统 的 状 态 以 及 供 油 系 统 的 问 题 。 气 缸 的 点 机 械 状 态 主要 是 指 气 门 的密 封 或 气 缸 的 磨 损 。 点 火 系 统 故 障 主要 是 指 传 感 器 、 火 线 圈 、 压 线 和 火 花 点 高 塞 以及 连 线 的 状 态 。某 缸 的上 述 相 关 器 件 发 生 故 障 ， 线 圈 断 路 、 压线 漏 电 、 花塞 积 碳 或 烧蚀 等 ， 如 高 火 都 可 能 造 成 某 缸不 工作 ； 此 ， 生 怠 速 运 转 不 稳 的 因 产
・
ｔｉ ｄ ｙ ｔｅ ｔ ｉ ｉｇｅ ｆ ｉ ｎ ｙ ｏ ｉ ｅｅ ｔ ｅ ｒ ｎ ｔ ｏ ｋ ｃｎ ｔ ｃｉ ｎａ ｄ ｔｅ ｒｃ ｇ ｉｉｇａ ｉ ｔ ｆｄｆｅｅ ｔ ｙ ｅ ｄ ｔ ａｌｌ ｈ ｒ ｎｎ ｆｉ ｅ ｃ ｄｆ ｒ ｎ ｕ ￣ ｅ ｗ ｒ ｏ ｓｒ ｔ ｅ ａ ｃ ｆ ｎ ｕ ｏ ｎ ｅ ｏ ｎｚｎ ｂ ｌｙ ｏ ｉ ｒ ｎ ｐ ａａⅫ ｈ ｉ ｔ Ｋｅ ｒ Ｅｌ ｔｌ ｏ ｔ ｌｅ ｎ ｙ ｗｏ ｄｓ ｅ ｒｃｃ ｎｒ ｎ ０；Ｕｔ ｔｂｅ ｉ ｅ ｓ ｅ ｄ；Ｎｅ ｒ ｌｎ ｔ ｒ ｃ ｏ ｉ ａ ｌ ｄ ｐ ｅ ｓ ｌ ｕａ ｅｗｏｋ；Ｆ ｕｔｉ ｅ ｔ ｃ ｄ ｎ ａ ｌ ｄｔｉ ａ ｏ ｉ ｆ ｉ
电控 发 动 机 怠 速 不 稳 定 是 一 种 十 分 常 见 的故 障 ， 且 常伴 随 着加 速 不 良 、 耗 增 加 和 排 放 恶 化 等 而 油 现象 的 出现 ， 造成 了汽 车 的 动力 性 不 足 、 料 经 济 并 燃 性 下 降 和 排 放 污 染 物 增 加 等 问 题 。 因此 ， 时 准 确 及
基于BP神经网络的柴油发动机故障诊断
作 者 简 介 ： 松 华 （ ９０一 ． ， 南 新 化 人 ， 南 工 学 院 电气 与 信 息 工 程 系 讲 师 ， 张 １ ８ ）女 湖 湖 主要 从 事 通 信 ， 子信 息 ， ａ Ｖ Ｅ 电 Ｌ ｂ Ｉ Ｗ
虚 拟 平 台 建 设 ， 经 网络 应 用 等 研 究 ． 神
７ ０
一
厂（ 叫 ・ ， ｌ） ｉ ，， ； ｌ∑ １ Ｐ ＋ｂｉ 一１２…
Ｊ＝１
ｊ１
一
ｆ（ ２∑ 撕． ＋ｂ ） ｉ ，， 一１２…， ２
ｌ １ 一 ’
（） １
其中： ｗ 为第 Ｊ个输入 层 神经元 到第 ｉ 隐层神 经元 的权值 ； 个
为第 ｉ 隐层神 经元 到第 是个 输 出层神 个
… ；１ 志 ＝ １ ２， ， ； Ｓ； ， … Ｓ Ｊ＝ １ ２ … ， ． ２ ， ， ｒ
图 １ 单 隐层 Ｂ Ｐ神 经 网络 结 构
神经 网络 的学 习过程 由信 息 的正 向传 递 、 差计 算和误 差 的反 向传 播 过程组 成 ， 以单 隐层 网络 为例 误 现 介绍 Ｂ Ｐ网络 的学 习过程 ． （ ）信息 正 向传递 过程． １ 网络 的输入 向量 为 （ ， “， ， ， 隐层 和输 出层输 入分别 为 ： Ｐ Ｐ ）则
错 性 和 自学 习能 力 ， 常适合 于机 器或 工程 系统 的故 障诊 断． 者 采用 单 隐层 的 Ｂ 非 笔 Ｐ神经 网 络对 提 取 的故 障样本 先进行 网络的训 练 学 习 ， 将 训 练 后 的 网络 应 用 于某 型 号 柴 油发 动 机 的故 障诊 断 ］通 过 ＭＡ 再 ， Ｔ—
中图 分 类 号 ： ＴＫ４ １ ８ ２ ． 文献 标 志码 ： Ａ
柴 油发动 机是 一种重 要 的动力 来源 ， 一旦 产 生故 障 就可 能 发 生严 重 的后 果 ， 因此 ， 如何 准 确而 又快 速 的分析 发生故 障 的原 因 ， 并进 行故 障类 型 的有 效 判断 ， 有 重要 的现 实意 义 ． 统 的故 障诊 断 方 法有 很 多 具 传 种， 如润 滑油 法 、 能参 数法 和振动 噪声 法等 Ｉ ． 性 １ 人工 神 经 网络 以大 规模并 行处 理 为特 色 ， 有非 常 强 的容 ］ 具
基于神经网络的某型飞机发动机故障诊断研究
Ｆａ ｌ ｅ ｄ ａ ｎｏ ｅ ｒ ｓ ａ ｃ ｆ ｒ ｔ ｌ ｎ ｎｇ ｎ ｆｂａ ｉ ｕｒ ｌｎ ｗｏ ｋ ｉ ｕｒ ｉ ｇ ｓ ｅ ｅ ｒ ｈ ｏ ｈｅ ｐ ａ ｅ ｅ ｉ ｅ ｏ ｓｃ ｎｅ ａ ｅ ｒ
ＬＵＹ ｈｃｕ Ｙ Ｎ ｅ ｕ ＬＵＹ ｎｌ ， Ａ ＧＪ ｎ ｕ Ｉ ａ —ｈ ｎ， Ａ Ｇ Ｄ — ｉ Ｉ ａ － Ｋ Ｎ ａ － ｎ ｈ ， ｉ ｉ ｊ
ｐａ ｆｒ Ｂａ ｅ ｎ ｔ ｉ ｐ ａ ｏ ，ｗ ｉ ｌｔｄ ａ ｔ ａ ｉｈ ｏ ｒ ｅ ｎ ｂ ａｎ ｄ ｆ ｇ ｔ ｄ ｔ ｒ ｍ ｐ ｃ ａ ｉｈ ｏ ｒｅ ｌ ｔ ｍ． ｓ ｄ ｏ ｈ ｓ ｌｔ ｒ ｏ ｆｍ ｅ ｓｍｕ ａ ｅ ｃｕ ｆ ｇ ｔｃ ｕ ｓ ｓ ａ ｄ ｏ ｔ ｉ ｅ ｉｈ ａ ａ ｆｏ ａ ｓ ｅ ｉｌｆ ｇ ｔｃ ｕ ｓ ． ｌ ｌ ｌ ｌ
飞 行 安 全 中发 挥 着 越 来越 大 的作 用 。
关 键 词 ：飞机 发 动 机 ； 障 诊 断 ；神 经 网络 ； — 算 法 故 ＬＭ
中 图 分 类 号 ： Ｐ ９ Ｔ３１ 文献标识码 ： Ａ 文 章 编 号 ：１ ７ — ２ ６ ２ １ ） １ ０ ８ — ４ ６ ４ ６ ３ （０ ２ １－ ０ ９ ０
（． ｏａ Ｕ ｉ ｒｉ ， ｉ ｈ ｕ１ １ １ ，Ｃ ｉａ； ． ｈ ｉｇＣ ｌｇ ｈ ｈｒ ￣ ｍ ， ｉ ｈ ｕ１ １ １ ，Ｃ ｉａ １Ｂ ｈｉ ｎ ｅｓｙ Ｊ ｚｏ ２ ０ ３ ｈｎ ２ ＴｅＨｙｎ ｏ ｅｅ ｆｔｅＴ ｉ ｖ ｔ ｎ ｌ ｏ ｄＡｉｏ ｅ Ｊ ｚ ｏ ２０ ３ ｈｎ ； ｎ ３ Ｂ ｒｃ Ｅ ｕａｉ Ｑｎ ｈ ｉｒ ｔ Ｔ ｌ ｇ１ １０ ，Ｃ ｉａ ． ｕｅ ｔ ｄ ｃｔ ｎｏ ｉ ｅＤｓ ｉ ， ｉｉ ２ ０ ３ ｈｎ ） ａｏ ｆ ｏｆ ｇ ｔｃ ｅｎ
基于RBF神经网络的航空发动机故障诊断研究
引 言
现代航 空发 动机 工作 条件 复杂 ， 态 变化 频 繁 ， 状 加
性 函数 。
之 系统结构 的复合 性 ， 得 发 动机 的 故 障机 理 和 故 障 使
人 工神 经 网络 以其 强 大 的并 行 处 理 机 制 、 意 函 任
隐含 层节 点 中 的作 用 函数 （ 函数 ） 输 入 信 号 基 对
数 的逼 近能力 、 习能力 ， 学 以及 自组织 和 自适 应 能 力 等 在 建模 、 策 、 决 预测 、 制 和故 障诊 断 等领 域 得 到 了 广 控 泛 的应用 。其 中 ， 研究 的较 多 的是 Ｂ Ｐ网络 。但 是 Ｂ Ｐ
＝
１２ … ， 义为具 有 径 向对称 性 质 的基 函数 （ ， ， ｎ定 即径
ห้องสมุดไป่ตู้ｒ
，
力、 分类 能 力 和学 习 速 度 等方 面 均 优 于 Ｂ Ｐ网 络 】 。
本 文 尝试 选 用 Ｒ Ｆ网 络 来进 行 航 空 发 动 机故 障诊 断 Ｂ 建模 的研 究 ， 以期取 得更 好 的效果 。
方 法 的运 用 推 动 了故 障 监 控 与 诊 断 能 力 的提 高 。其
中 ， 经 网络 方 法 以其 独 特 的联 想 、 忆 和学 习功 能 ， 神 记
输 入 层 隐 藏 层 输 出 层
Ｒ Ｆ神 经 网 络 结 构 图 Ｂ
近 年来 已成 为发动机 故 障诊 断领 域研究 的热点 。
基 金 项 目 ： 防预 研 基 金 资 助 项 目 （ ８１ ． ． ．Ｂ３０ ） 国 ９ Ｊ９ ３ ２ Ｊ ２ １ 作者简介 ： 郭 风 （ ９９ ） 男 ， 南 商 丘 人 ， 士 研 究 生 ， １７ 一 ， 河 硕 研究 方 向为 军 用 飞 机 效 费 分 析 ， 机 可 靠性 、 修 性 及 保 障 性 等 。 飞 维
基于神经网络的发动机故障诊断分析
地进行的。权值不断修改的过程 ， 也就是网络的学习（ 或称训练 ） 过程。此过程一直进行到网络输 出的误
差 逐 渐减少 到 可接 受 的程度 或达 到设定 的学 习次数 为止 。
１２ Ｂ ． Ｐ神 经 网络 的学 习过 程
Ｂ 神经网络的工作过程通常由两个阶段组成 。一个阶段是工作期 ， Ｐ 在这一阶段网络各节点的连接权 值 固定不变， 网络的计算从输入层开始 ， 逐层逐个节点地计算每一个节点的输 出， 到输出层 中各节点计 直 算 完 毕 。另一 阶段是 学 习期 ， 在这 一 阶段 ， 节 点 的输 出保 持 不 变 ， 各 网络 学 习 则 是从 输 出层 开 始 ， 向逐 反 层逐个节点地计算各连接权值的修改量 ， 以修改各连接权值 ， 直到输入层为止 。这两个 阶段又称为正向
文 章编号 ：６ ２— ５ Ｘ（０ ８ ０ ０ ３ ０ １ ７ ０ ８ ２ ０ ）５— ５ ３— ４
基 于神 经 网络 的发 动 机 故 障诊 断分 析
赖 祥 生
（ 集美 大学 机械工程学 院 ， 厦门 ３ １２ ） ６ ０ １
摘
要： 首先 简要介 绍 了汽 车发动 机故 障诊 断 系统及 基 于神 经 网络 的 发动 机 故 障诊 断 分析
表 １ 故 障现 象集合
２ ２ 训 练集建 立 ．
表２ Ｂ Ｐ神经 网络训练 样本
收集完数据后 ， 将上述数据 归纳整理 为 Ｂ Ｐ神 经 网络训 练 样 本 录 入 表 ２ 。设 Ｆ为 学 习 样 本 ， Ｆ＝
（ ｙ， Ａ， ） Ａ＝（ １口 ，３ … ，１） Ｙ＝｛ ｌＹ ，３Ｙ ｝ 口 ， ２口 ， ｎ９ ， Ｙ ，２Ｙ ，４ 。 Ａ为样 本输人 ， 目标输 出 ； Ａ ＝１２ … ，９ ｙ为 ０∈ （ ，， ｌ ）
基于神经网络的航空发动机诊断技术研究
基于神经网络的航空发动机诊断技术研究随着工业的快速发展，航空发动机在现代社会中起着至关重要的作用。
发动机的故障可能会导致灾难性后果，例如飞机失事。
因此，及时发现并解决发动机问题非常重要。
为了实现这个目标，科学家们发明了一种基于神经网络的航空发动机诊断技术，该技术能够通过监控发动机性能并分析数据以发现故障。
本文将探讨这项新技术。
一、发动机故障的危害和现有技术的问题航空发动机是一种复杂的机器，发动机故障会对飞行安全产生严重影响。
为了确保发动机在飞行过程中正常运行，每一次飞行前或者间歇时间都要对其进行检查和维修。
尽管现在有很多传统的方法能够检测发动机的性能，例如检查发动机的温度、燃油消耗量等，但这些方法往往依赖于经验和专业知识，受到人为因素和主观因素的影响。
因此，现有技术并没有完全解决这个问题。
二、基于神经网络的航空发动机诊断技术的优势基于神经网络的航空发动机诊断技术是基于计算机科学中的人工智能技术发展而来的。
这项技术能够通过数据收集和分析来判断发动机是否正常运行。
在监测发动机性能时，该技术可以通过记录数十个性能指标来检测是否有故障。
这些指标包括飞行速度、燃油消耗量、发动机转速、油压、发动机温度等参数。
通过监测这些指标数据并对其进行分析，我们可以通过神经网络的技术能够实现快速准确地检测发动机的故障。
三、基于神经网络的航空发动机诊断技术的实施方法基于神经网络的航空发动机诊断技术需要建立完善的系统以逐步实现该技术的应用。
这个系统主要由硬件和软件两个重要部分构成。
具体来说，它包括发动机性能监测装置、数据采集系统、数据处理及分析模块和故障诊断系统。
其中，发动机性能监测装置可以获取发动机的性能数据以监测发动机是否被正常使用。
数据采集系统则可以把性能信号转化为数字信号，以便计算机系统进行处理。
数据处理及分析模块负责对收集到的数据进行分析、预处理和建模。
通过将数据转换为数字信号，然后输入神经网络系统进行训练和学习，以及诊断发动机是否存在故障。
基于概率神经网络的发动机故障诊断方法研究
Ｔａ ２ Ｓａ ｐ ｅ ｄａ ａ ｏ ｔ ｂ． ｍ ｌ ｔ ｆｎｅ ｗｏｒ ｒ ｎｉ ｋ ｔａｉ ｎｇ
由于这些 数据 之 间相 差不 大 ， 因此 ， 不需 要进 行 归一化 处 理 ， 以直 接对 网络 进行训 练 ． 可
在 ＭＡ Ｌ Ｂ提 供 的软件 环境 下 ， 用语 句 ：ｅ ＝ｎｗ ｎ （ Ｔ Ｓ ｒａ ）创 建 概 率神 经 网络 函数 ， 中 ， ＴＡ 应 ｎｔ ｅ ｐ ｎ Ｐ， ， ｐｅｄ 其 Ｐ 为 网络 的输入 样本 向量 ， 应表 ２的故 障样本 ； 对 Ｔ为 网络 的 目标 向量 ， 应 表 ２中的预 测 故 障 ；ｐｅｄ为 径 向 对 Ｓ ｒａ
的个 数 由故 障 样 本数 据 的多 少 决 定． 里 取 １ 这 ２个 节 点 ， 别 分 对应 ６个 输入 节点 的故 障 和正 常 中 的 １ ２种 模式 ． 出层 的 神 输 经元 个数 有 ７个 ， 别对 应发 动机 汽缸 的 ７种 故 障模 式 ： 、 分 Ａ、
Ｃ、 、 Ｇ 所 设计 的概 率神 经 网络 的拓 扑结 构 如 图 ３所示 ． Ｄ、 Ｆ、 ．
０ 弓 言 Ｉ
传 统 的故 障模式 诊 断采 用 的基 本 方法 是判 别 函数 ， 即利用 判 别 函数来 划 分 类 别． 由于在 大 多数 情 况 下 。
尤其 是 线性 不可 分 的复杂 决 策 区域 ， 别 函数 的形式 格 外复 杂 ， 判 而且较 为全 面 的典 型参考模 式 样本也 不 容易 得 到 ． 经 网络作 为一 种 自适应 模 式识 别技 术 ， 以充 分 利 用各 种 状态 信 息 进行 训 练 ， 而获 得 某 种 映射 关 神 可 从 系．概率 神 经 网络学 习规 则简 单 、 训练 速 度快 、 避免 局 部极 小 和 反 复训 练 的问 题 Ｊ 本 文提 出一 种 基 于径 向 ．
基于小波神经网络的车辆发动机故障诊断
摘
要 ： 为有 效诊 断车辆发动机的柴油系统故障 ，本文将小 波变换与Ｂ 神经网络相结合 ， Ｐ 用小 波变换 来抽取故 障的特征 向量 ，以此作为Ｂ 神经 网络 的输入参 数 ，从而构建 了小波神经 网络 。该方 Ｐ
法依 据小波变换模极 大值 来研究油 管中柴油压力信号 的奇异性来抽取故 障特征向量 ， 先利 首 用故 障采 集数据来获得学习样本 ，然后根据 网络训ｌ 来构建起Ｂ 神经网络输 出与输人 间的非 练 Ｐ 线性映射 ，从 而依据特征向量输入进Ｂ 神经 网络进 行诊 断故障。通过实验我们发现 该方 法有 Ｐ 较好的的诊断效果 。 关键词 ： 小波分析 ；故障诊断 ；Ｂ 神经网络 Ｐ
２ 小波分析提取故障信号的特征 向量
小 波 分 析 是 当今 发 展 最 为 迅 猛 的 学 科 之 一 ， 它被 比喻为 “ 学显微镜 ” 数 。在 数 学 中 ，我 们 将
的和 不确 定 的 ’。人 工 神 经 网络 （ ＮＮ ） 以进 Ａ ｓ可
行 分 布 式 存 储 、并 行 处 理 、 自适 应 、 自组 织 和 自
的 奇异 可分 成 两种 ：一 种 是信 号 ．（ 厂 在 某个 时 刻 ， 它 的 幅 度 发 生突 变 ，从 而 导 致 信 号 的 不连 续 ，其 幅 度 的 突变 点就 是 第 一 种 间 断 点 ；另一 种 是 信 号
厂 ｆ在其 外观 上看 起来很 光 滑 ，它的 幅也 没有 突变 （ ）
故障 （８。 Ｔ ）
燃 油 系统 运 行 状 态 和 故 障 信 息 可 以通 过 燃 油 的 压 力 信 号 表 现 出来 ， 当燃 油 系 统 发 生 故 障 时 ，
系统 的供 油 状 态 将 会 随之 变 化 ，从 而 引 起 燃 油 的
基于RBF神经网络的电喷发动机故障诊断研究
Ｋｅ ｒ ｓ ＲＢＦ （ ａ ｉｌ ａ ｉ ｕ ｃｉ ｎ ；ＥＦ ｙ ｗｏｄ ： ｒ ｄａ ｂ ｓｓ ｆ ｎ ｔ ） ｏ Ｉ
ｅ ｇｉ ｅ； ａ ｌ ａ ｏ ｉ ； ａ ｌ ｂ６ ｎ ｎ ｆ ｕ ｔｄｉｇｎ ｓ ｓ Ｍ ｔａ ．１
ＦＵ ａ —ｌｎ． Ｘｉｏ ｉ ＤＥＮＧ Ｒｉ—ｑｉ ｎｇ
（ ｃ ｏ ｌｏ ａ ｓ ｏ ｔ ｔ ｎ Ｃｈ ｎ ｑ ｎ ｉｏ ｏ ｇ Ｕｎ ｖ ｒ ｉｙ Ｃｈ ｎ ｑ ｎ ０ ０ ４， ｉａ Ｓ ｈ ｏ ｆＴｒ ｎ ｐ ｒａ ｉ ， ｏ ｇ ｉ ｇ Ｊａ ｔ ｎ ｉ ｅ ｓ ｔ ， ｏ ｇ ｉ ｇ ４ ０ ７ Ｃｈ ｎ ） ｏ
神 经 网络产 生残 差 、 神经 网络评价 残差 、 用 用神 经 网
ＲＢＦ ｅ ｒ ｌ ｅ ｗｏｒ ｐ ｉａ ｉ ｏ ｌｃ ｒ ｉ ｕ ｌ ｎ ｕ ａ ｎ ｔ ｋ ａ ｐｌｃ ｔｏｎ ｔ ｅ ｅ ｔｏｎ ｃ ｆ ｅ
络 作进 一 步 诊 断 和用 神 经 网 络作 自适 应 误 差 补 偿 等［ 。神 经 网络 自适 应模 式 识 别 技 术 ， ３ ］ 在故 障模 式 识别 领 域有 着 自身独 特 的 优势 和 广 泛 的应 用 前 景 。 在 汽车行 业 ， 将神经 网络应 用 于故障诊 断分析 ， 可大 大提 高诊 断 的速度 和诊 断精度 。而 目前 国内外 对基 于神 经 网络 的 故 障诊 断 研 究 多集 中 于 Ｂ Ｐ网 络 ， 尽 管提 出了一 些 改进 算 法 ， 以避 免 Ｂ Ｐ算 法 存 在 的收 敛慢 、 荡和 局部极 小等 问题 ， 仍然 存在 一些 问题 振 但 和 困难 ， 因此本 文采 用 Ｒ Ｆ网络对 汽车 发动机 故 障 Ｂ
基于概率神经网络的发动机故障诊断方法研究
理 ，包 括 预 处 理 和 特 征 参 数 提 取 ， 以获 得 网 络 所
Ｐ ＮＮ）是 一 种 结 构 简 单 、训 练 简 洁 、 具 有 较 强 容
朱 明悦 ’ 小 申 ，李
ＺＨＵ ｉ ｇ ｙ ｅ‘ Ｌｌ ａ — ｈ ｎ Ｍ ｎ ．ｕ ． Ｘｉ ｏ ｓ ｅ
摘
（ ． 化工职 业学院 ，郑州 ４ ０ ４ ；２河南科技大学 数 学与统计学院 ，洛 阳 ４ １ ０ ） １河南 ５ ０２ ． ７ ０ ３ 要 ：传统 的故障模式诊断方法 很难对复杂系 统的故障进行诊 断 ， 率神经网络作为 一种自适应的模 概 式识 别技术 ，以其结 构弼单 、学 习速度快 、具有非线性处理和 抗干扰能力强等优点 广泛应用在 模 式分类和故障诊 断领域。利用概率神经 网络对发动机 的故 障进行诊断 ，仿真结果 表明 ，该网 络诊 断准确率 高、泛化能力强 ，可 以对系统进行实 时监测和诊 断。
错 能 力和 结构 自适 应 能 力 的 径 向基 函数 （ ａ ｉａ Ｒ ｄｃ ｌ
Ｂ ｓｓ ｕ ｃｉｎ Ｒ Ｆ）神经 网络 ，主要 用 于 模式 分 ａｉ Ｆ ｎ ｔ ， Ｂ ｏ 类和 故 障诊 断 中 。
关键词 ：概率神经网络 ；发动机 ；故障诊 断 中圈分类号 ：Ｔ ２ ６ ３ Ｔ ７ ． Ｐ ０ ． ； Ｐ２ ３ ２ 文献标识码 ：Ａ 文章编号 ：１ ０ — １ ４ ２ １ ） ５上 ） ０ ０ ３ ９ ０ （ ０ ２ ０ （ －０ ９ —０ ０ ３
Ｄ ｉ １ ． ９ ￣ ｊ ｓ ｎ １ ０ － １ ４ ２ １ ． （Ｉ ． ８ ｏ ： ３ ６ ｌ ． ｓ ． ０ ９ ０ ． ０ ２ ５ － ２ ０ ／ １ ３ ）
基于BP神经网络的电控发动机故障诊断应用研究
郑 州 轻 工 业 学 院 学 报 （自 然 科 学 版 ）
ＪＵ Ｎ ＬＯ Ｅ Ｇ Ｈ ＵＵ ＩＥ Ｓ ＹＯ Ｇ ＴＩＤ Ｓ Ｒ （ ａ ｒ ｃ ｎｅ Ｏ Ｒ Ａ Ｆ Ｈ Ｎ Ｚ Ｏ ＮＶ Ｒ Ｉ Ｆ ＩＨ Ｕ Ｔ Ｙ Ｎｔａ Ｓｉ ｃ） Ｚ Ｔ Ｌ Ｎ ｕｌ ｅ
收 稿 日期 ：０７— ９— ０ ２ ０ ０ ３
有 强鲁 棒性 和 容错 性 ． Ｂ 将 Ｐ神 经 网 络应 用 于 发 动
机故障诊断 ， 可以克服传统的诊断方法难 以涵盖发
动机 大量 故 障 因 素 的 问题 ． 文 拟 以 桑 塔 纳 ２０ 本 ００
作者简介 ： 李友 才（ ９ ８） 男， 南省周 １ 市人 ， １７ 一 ， 河 ３ ＇ 同济大 学博 士研 究 生， 主要 研 究方 向： 电控 汽 车的诊 断技 术； 巴寅亮 （ ９ ｌ ） 男， １６ － ， 锡伯族 ， 新疆维吾尔 自治区乌鲁木 齐市人 ， 同济 大学副教授 ， 主要研究方 向： 现代汽 车诊断技术．
ｄａ ｎ ｓｓｏ ｎ ｉｅ ｆ ｕｔ ｉｇ ｏ ｉ ｆｅ ｇｎ ａ ｌ．
Ｋｅ ｒ ｓ Ｂ ｅ ｒｌｎ ｔ ｒ ；ａ ｌ ｄ ａ ｎ ｓｓ ｏ ｎ ｉｅ； ｔ ｂ ｌｎ ｕ ｇ ｙ ｗｏ ｄ ： Ｐ ｎ ｕ ａ ｅｗｏ ｋ ｆｕ ｔ ｉｇ ｏ ｉ ｆｅ ｇｎ Ｍａ ｌ ａ ｇ ａ ｅ ａ
Ｎ ＨＡ 一５ ｅ ｕ ｐ ｎ ． ｉ ｇ ｔ ｅＢＰ ｎ ｕ ａ ｎ ｔ ｒ ｆＭａ ｌｂ ｔ ｏｂ ｘ， ａｎ ｎ ｓａ ｄ ｓｍｕ ａｉ ｎ ｏｔ ｅ ｆｕ ０１ ｑ ｉ ｍｅ ｔ Ｕｓ ｈ ｅ ｒ ｌ ｅｗｏ ｋ ｏ ｔ ｌ ｏ ｔ ｉ ｉ ｇ ｎ ｉ ｌ ｔ ｓｔ ｏ ｒ ｎ ａ ｏ ｒ ｏ ｈ ｓ ｌｂ ｏ ｓ ｗ ｒ ｅ ｆｒ ｄ Ｔ ｅ ｒ ｓ ｌ ｈ ｗ ｄ ｔ ａ Ｐ ｎ ｕ ａ ｅｗ ｒ ａ ｕ ｃ ｎ ｘ ｃ ａ ｓｏ ｅ ｔ ｅ ｏ ｋ ｅ ｅ ｐ ｒ ｍｅ ． ｈ ｅ ｕｔ ｓ ｏ ｅ ｈ ｔＢ ｅ ｒ ｌ ｔ ｏ ｋ ｗ ｓａ ｑ ｉｋ ａ ｄ ｅ ａ ｔｍｅ ｎ ｆ ｈ ｙ ｏ ｓ ｎ ｔ
基于模糊神经网络的天然气发动机故障诊断
基 于模 糊 神 经 网络 的天 然 气 发 动 机 故 障诊 断
冯辉 宗 ， 钟 玲 ， 荣棣 袁
（． １重庆 邮电大学 汽车电子与嵌入式系统研究所 ， 重庆 ４０ ６ ； ２ 重庆 邮电大学 自 ００ ５ ． 动化学院 ， 重庆 ４ ０ ６ ） ０ ０ ５
（ｈｎＯｉｇ １３ ｃｎ ｚｏ ｇｌ ＠ ６ ．ｏ ） ｎ
度高、 自适 应 性 强 ， 够 有 效地 诊 断天 然 气 发 动 机 不 确 定故 障 。 能
基于神经网络的故障诊断研究
基于神经网络的故障诊断研究神经网络作为一种模拟人类大脑神经元连接方式的人工智能技术，具有高度的自适应性和并行计算能力。
因此，它在各个领域的应用越来越广泛，故障诊断也不例外。
在故障诊断领域，基于神经网络的方法已经被广泛地研究和应用。
本文将重点介绍基于神经网络的故障诊断方法及其实现过程。
1. 神经网络在故障诊断中的应用神经网络具有优良的特征提取和分类能力，能够对复杂性高、数据量大、难以描述的系统进行处理和分析。
在故障诊断中，神经网络通常用于建立系统的故障模型。
可以通过输入系统的状态数据，并运用神经网络算法来训练模型，从而得出故障的诊断结果。
2. 基于神经网络的故障诊断方法基于神经网络的故障诊断方法主要有两种：监督学习和非监督学习。
(1) 监督学习监督学习是指在已有的数据库中训练神经网络，利用神经网络进行分类和判别。
例如，将正常工作状态下的数据和异常状态下的数据作为训练集，利用监督学习方法训练神经网络，建立系统的故障模型。
当新的数据输入时，通过神经网络模型进行分析，得出系统是否存在故障。
(2) 非监督学习与监督学习不同的是，非监督学习是指在缺少有标签的信息的情况下，通过输入数据的统计特征和分布进行分类和判别。
在故障诊断中，非监督学习通常使用自编码网络或者聚类分析算法进行非监督学习。
在训练自编码网络时，使用无标签的数据进行训练，对于系统的异常状态，自编码网络往往可以通过还原误差进行检测和诊断。
此外，聚类分析算法也可以通过对大量的无标签数据进行分类，进而实现故障诊断。
3. 基于神经网络的故障诊断实现在实现基于神经网络的故障诊断方法时，需要进行以下步骤：(1) 数据采集和预处理首先需要采集系统数据，并对数据进行预处理，如去除噪声、进行数据归一化等。
(2) 神经网络模型设计根据系统特点，选择合适的神经网络模型，并定义好输入、输出和隐层节点的数目和网络层数。
(3) 模型训练利用数据集对模型进行训练，调整模型参数以提高诊断准确度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于神经网络的发动机故障诊断分析
[摘要] 发动机是汽车的动力来源，因此发动机故障诊断技术的研究，对改善汽车的良好性能和确保汽车的运行安全有着重要作用。
本文首先分析了国内外汽车故障诊断技术的发展及现状，介绍并分析一些故障诊断的主要理论和方法。
通过对发动机故障征兆及技术状态特征的分析，确定发动机的工况和故障征兆的主要影响因素，并利用VAG1552汽车故障诊断仪收集故障样本集，通过RBF网络模型对大量样本进行训练，仿真实验表明诊断模型对发动机故障模式识别有很高的准确率，具有很高的实际应用价值。
[关键词] 发动机故障诊断故障征兆 RBF神经网络
The Analysis of the Engine Fault Diagnosis Based on Neural Network
[Abstract] The engine is the power source of the car, so the research on engine fault diagnosis technology has a good role for improving the performance of the car and ensuring the safe operation of the car. First, this paper analyzes the development and current situation of domestic and foreign automotive fault diagnosis technology and then introduces and analyzes a number of main theories and methods of fault diagnosis. Then, through the analysis of the technical state of the engine failure symptoms and characteristics, it determines the main factors of the engine operating conditions and fault symptoms. And using the VAG1552 automotive fault diagnostic the paper collects the data of fault sample, and through training the samples with RBF neural network, the simulation results shows that the diagnosis model has high accuracy for pattern recognition of engine fault and has a high practical value.
[Key Words] the Engine Fault Diagnosis Failure Symptoms RBF Neural Network
目录
1 引言 (1)
1.1研究背景 (1)
1.2发动机故障诊断的意义和诊断技术 (1)
1.3电喷发动机故障诊断技术的现状和发展趋势 (2)
1.3.1国外汽车故障诊断技术的发展 (2)
1.3.2国内电喷发动机故障诊断技术的发展 (3)
1.4研究内容和思路 (3)
2 RBF神经网络原理 (4)
2.1 RBF神经网络的结构及其特点 (4)
2.2径向基函数网络的算法 (5)
3电喷发动机故障诊断 (8)
3.1电喷发动机组成及原理 (8)
3.2电喷发动机运行工况 (8)
3.3电喷发动机故障征兆及技术状态特征 (8)
3.3.1典型故障征兆 (8)
3.3.2故障征兆技术特征描述 (10)
4诊断实例 (13)
4.1故障征兆分析和数据获取 (13)
4.1.1怠速不稳原因分析 (13)
4.1.2实验数据的获取 (14)
4.2神经网络分析 (16)
4.2.1网络模型的建立 (16)
4.2.2网络模型的验证 (16)
5结论 (18)
[参考文献] (19)
[致谢语] (20)
1．引言
1.1研究背景
随着社会经济的快速发展和人们消费理念的逐渐更新，汽车已成为现代社会中不可缺少的一种重要交通工具。
然而，当我们在尽情享受现代汽车工业发展给我们生活带来种种便利的同时，我们也无法回避这么一个现实，那就是汽车随着行驶里程的增加和使用时间的延续，其技术状况将不断恶化。
因此，我们不仅要不断研制性能优良的汽车，也要借助维护和修理水平的提高来恢复其技术状况。
汽车故障诊断技术起始于60年代的西方发达国家，随着汽车结构的日益复杂，必然要求有相应的诊断手段来满足其维护的需求，因此，汽车诊断技术在过去的几十年中取得了迅速的发展。
20世纪60年代出现了车外诊断设备，70年代出现了车载诊断系统，80年代末诊断技术向信息化和智能化方向不断前进，专家系统开始应用于汽车故障诊断[1]。
90年代末，具有诊断复杂故障能力的专家系统和汽车自身诊断功能密切相连，构成了新的车外诊断系统。
这些车外诊断系统采用了微电子技术、计算机技术、先进的传感器技术并结合人工智能技术，将汽车自身的诊断结果，汽车的运行状态参数输出到车外诊断系统中进而综合分析做出相应的判断和处理。
1.2发动机故障诊断的意义和诊断技术
燃油喷射电子控制发动机具有可以提高输出功率、改善动力性能、降低油耗、改善驾驶性能等许多传统发动机不可比拟的优点，随着汽车工业的快速发展，电喷发动机汽车以极大的速度发展起来，取代了传统的化油器式发动机汽车。
汽车电子控制系统的广泛应用，提高了汽车的安全性、动力性、经济性和排放性能，使汽车向智能控制的方向发展。
同时，随着工作性能的不断改善，自动化程度的不断提高，发动机电控系统复杂程度日趋提高，使故障率增加、故障诊断难度提高，给汽车维修工作带来越来越多的困难，对汽车维修技术人员的技术要求也越来越高。
为了及时发现故障，并采取相应的措施尽量减小其对汽车性能的影响，各国都纷纷投入大量的人力和物力资源对汽车故障诊断进行研究和开
发。
发动机故障诊断技术是伴随着发动机技术不断进步而逐步完善的过程。
发动机是一种复杂的机电一体化设备，其故障诊断大体上可以分为电器故障诊断和机械故障诊断两大类。
常见的故障诊断方法有：
（1）经验诊断法
传统的发动机故障诊断技术是建立在人工经验诊断的基础上，是诊断人员凭丰富的实践经验和一定的理论知识，在汽车不解体或局部解体的情况下，借助简单工具，用眼看、耳听、手摸和鼻闻等手段，边检查、边试验、边分析，进而对汽车技术状况做出判断的一种方法。
（2）电脑诊断法
汽车电脑故障诊断仪(俗称解码仪)能把汽车电脑(ECU)储存的各种信息提取出来，然后进行整理、比较和翻译，以清晰的文字、曲线或图表方式显示出来，人们可以根据这些传送出来的信息，判断故障的类型和发生的部位。
它还可以向汽车电脑发出指令，进行静态和动态的诊断。
这是一种最有发展前景和使用最多的诊断方法[2]。
（3）智能故障诊断方法[]3
随着现代检测技术、信号分析技术、计算机技术和人工智能技术等各种新技术的快速发展，它们在故障诊断领域的应用也越来越多，这些技术的应用将使发动机的故障诊断变得更加简单、快速和准确。
1.3电喷发动机故障诊断技术的现状和发展趋势
1.3.1国外汽车故障诊断技术的发展
随着计算机的普及以及人工智能技术的发展，特别是专家系统、人工神经网络在故障诊断领域的进一步应用，为智能汽车故障诊断的发展奠定了基础[]4。
神经网络技术在近几年的发展非常迅速，出现了BP神经网络、RBF神经网络和SOM 神经网络等多种网络模型。
为提高神经网络训练样本质量，又相继出现了神经网
56。
本文主要介绍训练样本前期处理方法，如主成分分析和粗糙集理论等方法[][]
将RBF神经网络（即径向基函数神经网络）应用于汽车故障诊断当中，可以大大。