基于神经网络的发动机故障诊断分析报告
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 ，
基于神经网络汽车故障诊断专家系统研究
基于神经网络汽车故障诊断专家系统研究汽车故障诊断是汽车维修和保养的一个重要环节，通过对汽车故障的诊断可以找出汽车故障的根本原因，采取针对性的维修措施，提高汽车的使用寿命和可靠性。
传统的汽车故障诊断主要是基于经验的，需要维修技师经过长时间的实践积累经验，难以保证诊断结果的准确性和可靠性。
基于神经网络的汽车故障诊断专家系统可以通过学习大量的汽车故障数据，实现自动化的故障诊断，提高诊断效率和准确性。
本文针对基于神经网络的汽车故障诊断专家系统进行研究，并在MATLAB环境下进行系统实现。
一、神经网络的基本原理神经网络是一种基于人类神经系统的人工智能算法，其基本原理是通过模拟神经细胞之间的相互作用和连接关系，实现信息处理和学习能力。
神经网络由输入层、隐藏层和输出层三个层次组成，其中输入层接收外界的输入数据，隐层进行数据的加工处理，输出层输出最终的结果。
神经网络的学习过程主要是通过反向传播算法，将误差不断向前传递，不断调整神经元之间的连接权值，最终实现对模型的优化和训练。
二、汽车故障诊断的基本流程汽车故障诊断的基本流程包括故障现象的描述、故障模式的推测、故障部位的查找和故障原因的分析。
在实际操作中，维修技师往往需要根据自己的经验和知识，综合分析车辆故障的各个方面因素，运用诊断仪器和工具进行数据采集和分析，最终找出故障的根本原因。
三、神经网络在汽车故障诊断中的应用神经网络在汽车故障诊断中的应用主要涉及到两个方面，一方面是故障预测，另一方面是故障诊断。
（一）汽车故障预测在汽车进行长时间的使用过程中，可能会出现一些潜在的故障隐患，如果在故障发生之前及时预测并采取相应的措施，可以避免故障的发生，提高汽车的使用寿命和可靠性。
神经网络可以通过学习大量的汽车故障数据，预测不同部件在不同工况下的寿命和故障概率，为维修技师提供重要的参考信息。
（二）汽车故障诊断神经网络在汽车故障诊断中的应用可以分为离线诊断和在线诊断两种方式。
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
基于深度学习的航空发动机故障预测与诊断研究
基于深度学习的航空发动机故障预测与诊断研究近年来，随着人工智能技术的不断发展，基于深度学习的预测与诊断方法在航空领域中的应用越来越广泛。
航空发动机故障是导致航班延误和事故的主要原因之一，因此研究航空发动机的故障预测与诊断具有重要的意义。
本文将介绍基于深度学习的航空发动机故障预测与诊断的研究方法和应用。
首先，深度学习是一种通过模拟人脑神经网络结构来解决复杂问题的技术。
它主要由多层神经元组成，每一层都能够从下一层中学习到更高级别的抽象特征。
深度学习技术的优势在于它能够自动地从大规模的数据中学习，并能够发现数据中的隐藏特征。
在航空发动机故障预测与诊断研究中，深度学习可以应用于以下几个方面。
首先，基于深度学习的航空发动机故障预测模型可以利用历史的故障数据来预测未来的故障情况。
通过对已有数据的学习，深度学习模型可以识别出不同的特征和模式，并根据这些特征和模式来预测发动机的故障。
这种预测模型可以提前发现潜在的故障，并及时采取维修措施，从而避免了航班延误和事故的发生。
其次，基于深度学习的航空发动机故障诊断模型可以通过对实时传感器数据的分析，准确判断发动机的工作状态并诊断发动机的故障原因。
深度学习模型能够从大量的传感器数据中学习到发动机不同状态下的特征，通过对实时数据的比对和匹配，可以快速准确地判断发动机的工作状态和故障原因，从而提供精确的诊断结果。
此外，基于深度学习的航空发动机故障预测与诊断研究还可以结合其他领域的技术，进一步提高预测和诊断的准确性。
例如，可以将深度学习与数据挖掘技术相结合，通过对发动机历史数据的挖掘和分析，发现潜在的故障模式和规律。
还可以将深度学习与模糊逻辑、贝叶斯网络等方法相结合，提高预测和诊断的可靠性和精确性。
综上所述，基于深度学习的航空发动机故障预测与诊断研究具有重要的应用价值。
它可以提高航空发动机的安全性和可靠性，减少航班延误和事故的发生。
然而，要实现这一目标，还需要更多的数据和更先进的算法来支持深度学习模型的训练和优化。
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
基于神经网络的故障诊断与预测研究
基于神经网络的故障诊断与预测研究近年来，随着科技的快速发展，神经网络在各个领域中发挥着越来越重要的作用。
其中，基于神经网络的故障诊断与预测技术在工业控制、汽车制造和电力系统等领域中具有广泛的应用前景。
本文将就基于神经网络的故障诊断与预测研究进行探讨，以期为相关领域的研究者和工程师提供一些参考。
第一部分：神经网络在故障诊断与预测中的应用概述故障诊断与预测技术是工业生产和设备维护中至关重要的环节。
传统的方法通常基于规则和统计模型，但这种方法往往对复杂系统的故障诊断和预测有一定的局限性。
而基于神经网络的方法通过模拟人脑神经网络的学习和记忆能力，具备了对大规模、非线性系统进行故障诊断和预测的能力。
神经网络作为一种机器学习算法，在故障诊断与预测中的应用主要有两个方面：模式识别和预测建模。
模式识别方面，神经网络可以通过监督学习的方法，从大量的故障样本中学习故障模式，并通过对设备或系统传感器数据进行实时监测，实现对故障的自动诊断。
预测建模方面，神经网络可以通过历史故障数据和其它相关数据建立预测模型，并通过将实时传感器数据输入到模型中，预测未来发生的故障，从而实现故障的提前预测和预防。
第二部分：基于神经网络的故障诊断与预测方法在基于神经网络的故障诊断与预测方法中，常用的网络结构包括前馈神经网络、循环神经网络和深度神经网络等。
这些网络可以通过监督学习和无监督学习的方法进行训练，以实现对故障的准确诊断和预测。
在监督学习中，可以通过构建带标签的故障数据集，来训练神经网络模型。
模型可以根据输入的传感器数据判断是否存在故障，并输出故障的类别或预测结果。
而无监督学习方法则不依赖于带标签的故障数据集，通过对传感器数据进行聚类分析和异常检测，实现对故障的识别和预测。
基于神经网络的故障诊断与预测方法也可以与其他技术相结合，如模糊逻辑、遗传算法和支持向量机等。
这些方法的结合可以提高故障诊断和预测的准确性和可靠性。
第三部分：基于神经网络的故障诊断与预测应用案例基于神经网络的故障诊断与预测方法已经在多个领域得到了广泛应用。
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BP神经网络的故障诊断方法
基于BP神经网络的故障诊断方法《智能控制基础》研究生课程设计报告题目基于BP神经网络的故障诊断方法学院机械与汽车工程学院专业班级车辆工程学号************学生姓名李跃轩指导教师武晓莉完成日期2016年12月10日目录1 设计概述 (2)1.1研究对象介绍 (2)1.2设计内容及目标 (2)2 设计原理、方法及步骤 (3)2.1基于BP算法的神经网络模型 (3)2.2 神经网络信息融合故障诊断步骤 (4)3 结果及分析 (6)3.1数据仿真 (6)3.2 结果分析 (9)4 设计小结 (10)参考文献 (10)附录程序 (11)1 设计概述1.1研究对象介绍信息融合是多源信息综合处理的一项新技术，是将来自某一目标(或状态)的多源信息加以智能化合成，产生比单一信息源更精确、更完全的估计和判决。
信息融合所处理的多传感器信息具有更为复杂的形式，可以在不同的信息层次上出现。
多传感器信息融合的优点突出地表现在信息的冗余性、容错性、互补性、实时性和低成本性。
神经网络是由大量互联的处理单元连接而成，它是基于现代神经生物学以及认知科学在信息处理领域应用的研究成果。
它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，从而可以替代复杂耗时的传统算法，使信号处理过程更接近人类思维活动。
柴油机故障具有相似性，故障与征兆的关系不明确，具有较强的模糊性，故障特征相互交织，柴油机故障诊断是一个复杂的问题。
综合柴油机故障的特点以及神经网络的优势，采用基于BP神经网络的多传感器信息融合技术对柴油机机械故障进行诊断。
1.2设计内容及目标设计内容：针对传统故障诊断方法存在的诊断准确性不高的问题，提出了BP神经网络信息融合的方法，实现对柴油机的机械故障诊断。
由多个传感器采集信号，分别经过快速傅里叶变换后获得故障频域特征值，再经BP神经网络对柴油机进行故障局部诊断，能够对相应传感器的不同故障类型做出一个准确地分类，最终完成对汽轮机机械故障的准确诊断。
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
基于神经网络的柴油机故障诊断研究
图
所 示 的为 三 层
网 络 诊断模 型
。
将故 障
, ,
基于 灰色系 统理论 的故 障诊 断方法
基 于 神经 网络 的故 障诊 断 法 基 于 专家系 统的智 能 化诊 断 方法 基于 支 持向
三 基于
,
、
征 兆作 为输 入 层 节点 故 障原 因 作 为输 出 层 节 点 利 用 隐 层 实现 输入 到输 出 的非线性映射关系 用 型 函数 设第
。 。
气管 道 等组成 完成换气
图
,
为直接逆建
,
状态 直 接影 响着 柴油 机的 工 作 性 能 重要 结构 《 《
其中 喷 油 泵 喷油 器 及 高 压 油管 是 其
,
从 原理 上说 这 是 一 种 最 简
, ,
调 控 系 统 以调 速器 为核心 实现对柴 油机供 油最 的调 节
,
单的方法
型
。
。
由图可 见 逆预报的系统输 出作 为网 络的输 入 网络输 出与 系 统
讨是 第
。
层 的第 个神
个神经 元 的 总输 入
, 、
每个 神 经 元 的非线 性
故 障预测的神经 网 络主 要 以两 种方式实现预测功 能 一 是 以神经 网络 《 如 网 络 作为函 数通 近 器 对机组 工 况 的某参数进行拟合预 测 二 是 考
。 , , , , 。
,
作
其他辅助系统 包括 启动系统 静液压 系统 等 协助柴油 机完成 正 常 工 作
二 柴油机故障诊断 的方 法
,
不 正确 的逆模型
因此 在建 立 系统逆模型时 可 逆性应该 事先有所保证
。
为了 获得 良好的逆动力学 特性 应 妥善选 择 网络 训练 所需 的样本 集 使其 比未知系统的实际 运 行 范围 更大
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
基于神经网络的汽车故障诊断
基于神经网络的汽车故障诊断1.问题描述这里，我选取了汽车变速箱作为本次故障诊断作为研究对象。
在汽车变速箱的故障诊断中，是以不同振动信号下齿轮啮合次数作为故障诊断的参数。
这里我们以啮合次数和故障的对应关系通过神经网络的方法进行训练：正常运行状态时啮合次数约为0-70万次、磨损运行状态时啮合次数为70-420万次、故障运行状态(断齿)时啮合次数为420万次以上。
为此，通过汽车齿轮箱的振动信号经小波包分解，在各频带能量序列作为诊断的依据。
2.神经网络设计学习样本与试验中，样本数量的选择应尽可能多，以包含尽可能多的故障类型。
现选正常运行状态的特征向量5个，因整个磨损状态所经历的运行时间比较长，故磨损运行状态的特征向量样本多一些，定为11个，断齿状态的特征向量样本5个。
因此决策属性有三类，“0”表示正常运行状态，“1”表示磨损运行状态，“2”表示断齿状态。
所用数据集见表1：表1 学习样本U频率范围(Hz)D 0~188(a)188~375(b)375~563(c)563~750(d)750~38(e)938~1125(f)1125~1313(g)1313~2500(h)1 61.022 89.593 71.756 150.805 8.516 20.305 33.277 51.463 02 85.118 91.616 68.181 165.734 11.592 21.790 35.276 54.154 03 55.124 95.449 67.286 159.607 8.493 21.543 32.754 53.401 04 85.376 113.499 66.016 169.410 10.653 22.283 39.527 56.422 05 77.922 101.105 69.232 157.287 9.737 20.664 34.843 53.807 06 72.1360 168.310 41.234 109.114 3.867 18.659 19.928 27.081 17 147.527 146.784 59.772 105.212 17.205 19.019 38.907 32.893 18 95.492 197.015 93.170 182.344 11.651 27.736 46.669 59.434 19 103.998 167.362 73.005 177.894 12.806 29.122 43.575 51.336 110 120.500 168.110 69.048 140.139 13.114 25.827 38.802 43.172 111 163.397 152.313 79.554 163.811 23.126 30.756 46.080 56.873 112 123.182 166.600 67.123 115.267 20.877 19.250 42.203 41.980 113 71.945 211.171 72.588 137.730 22.671 22.112 43.315 45.104 114 164.045 194.629 68.603 127.541 16.127 22.286 41.454 30.387 115 172.501 308.049 94.592 177.904 32.569 36.064 47.803 52.628 116 100.973 272.339 80.250 174.414 22.561 43.803 50.033 47.686 117 128.261 294.431 108.704 255.536 27.977 35.220 59.055 71.603 218 133.521 356.309 111.461 230.050 29.392 43.088 56.883 76.239 219 142.032 338.226 93.684 287.425 24.969 38.716 55.256 73.801 220 171.641 270.335 103.851 240.083 31.789 39.004 54.773 75.723 221 216.891 371.829 117.591 285.673 35.077 39.504 67.191 79.991 2 此外还设计了三组样本数据（见表2）用于测试，以验证神经网络的训练效果。
基于神经网络的故障诊断研究与实践
基于神经网络的故障诊断研究与实践随着科技的快速发展，神经网络技术的应用也越来越广泛。
在工业生产中，神经网络技术的应用主要体现在故障诊断领域。
基于神经网络的故障诊断技术可以帮助企业实现设备故障的快速诊断和准确定位，提高设备使用效率和生产效益。
本文将从神经网络的基础知识入手，阐述基于神经网络的故障诊断研究与实践。
一、神经网络的基础神经网络是一种“模仿”人脑神经细胞网络结构的计算模型。
神经网络的结构分为输入层、隐藏层和输出层，每一层都由若干个神经元构成，神经元之间通过权重值连接。
当输入数据传入神经网络后，神经网络将数据进行加权处理，然后输出结果。
神经网络的学习方式主要有监督学习、无监督学习和强化学习。
二、基于神经网络的故障诊断研究在基于神经网络的故障诊断研究中，主要是通过对故障现象进行特征提取和分类，来实现对设备故障的诊断和定位。
（一）特征提取特征提取是指从故障信号中提取能够反映故障特征的指标或特征向量。
在基于神经网络的故障诊断研究中，常见的特征提取方法有小波变换、时频分析和频域分析等。
这些方法可以从不同角度对信号进行分析，提取出适合神经网络学习的特征。
（二）分类分类是指将故障信号划分为不同的类别，以便进行故障诊断和定位。
在基于神经网络的故障诊断研究中，常用的分类算法有BP神经网络、RBF神经网络和CNN神经网络等。
这些算法在进行分类时，需要输入之前提取出来的特征向量，输出的结果可以帮助工程师快速判断故障位置和类型。
三、基于神经网络的故障诊断实践近年来，基于神经网络的故障诊断技术已经得到了广泛应用。
以莫斯科地铁为例，该地铁系统采用了基于神经网络的故障诊断系统，对地铁设备的故障进行实时监测和分析。
当出现设备故障时，系统会自动发送给工程师预警信息，帮助工程师迅速定位故障并采取相应措施。
在另一项实践中，某风电场的激光测量设备出现了故障。
风电场的工作人员利用基于神经网络的故障诊断技术对激光测量设备进行了故障诊断，最终发现故障原因是光路中的光滑度不足。
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RBF神经网络的航空发动机故障诊断
决 定 了该 基 函数 围 绕 中心 点 的 宽 度 。 ｌ ｃ ｌ 向 量 — ｌ ｌ — 是 ｃ 的范
值 的径 向基 函数 （ ｄａ ｂ ｓ ｎ ｔ ｎＲ Ｆ 方 法 。 ９ ８年 ，ｒｏ 数 ， 示 与 ｃ之 间 的 距 离 ， 常 为 欧 几 里 德 距 离 ， ｃ处 有 ｒ ｉ ａｉ ｆ ｃ ｏ ， Ｂ ） ａ ｌ ｓｕ ｉ １８ Ｂ ｏｍ— 表 通 Ｇ在 ｈａ ｅｄ和 Ｌｗ ｏ ｅ首先 将 Ｒ Ｆ应 用 于 神 经 网络 的设 计 ，从 而 构 成 了 Ｂ 径 向基 函数 神 经 网络 ， Ｒ Ｆ神 经 网 络 。 Ｒ Ｆ网络 具 有 的 强 大 即 Ｂ Ｂ 的非线性映射特性 、 错性 、 容 自适 应 性 、 强 的局 部 逼 近 能 力 和 更 更 快 的训 练 速 度 等 特 点 。
Ｊ ｌ ２ ０ ｕｙ ０ ７
基 于 Ｒ Ｆ神经 网络的航空发动机 故障诊断 Ｂ
丁 平 ， 杰 白
（ 国 民航 大 学 航 空 工程 学 院 ， 中 天津 ３ ０ ０ ） ０ ３ ０
摘 要 ： 空发 动 机 的 故 障诊 断研 究在 民航 安 全 发 面 有 着 重要 的 意 义 ， 故 障诊 断 模 型 的 建 立 尤 其 关键 。 采 用 径 向 基 函 数 航 而 （ Ｂ ） 经 网络 建 立发 动机 的 故 障诊 断 模 型 ， 述 了径 向 基 函 数 神 经 网 络 的 结 构 、 习和 运 行 ， 通 过 该 模 型 对 发 动机 Ｒ Ｆ神 论 学 并 参 数 进 行 辨识 ， 果 表 明 Ｒ Ｆ神 经 网络 具有 较 高 的故 障诊 断正 确 率 。 结 Ｂ 关 键 词 ： 空发 动 机 ； 障诊 断 ； 向 基 函 数神 经 网 络 航 故 径
广 泛 的应 用 ， 目前 应 用 于 航 空 发 动 机故 障 诊 断方 面 的人 工 神 有 相 同维 数 ； 是 第 ｉ 感 知 的 变 量 （ 以 自 由选 择 的参 数 ）它 而 个 可 ，
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国电喷发动机故障诊断技术的发展 (3)1.4研究容和思路 (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，可以大大简化汽车故障诊断仪的数据流功能，使诊断仪的诊断更加准确和具体。
这些智能化的故障诊断技术理论的不断完善极促进了汽车故障诊断系统研究水平的提高。
1.3.2国发动机故障诊断技术的发展我国虽然与国际先进水平仍有一定差距，但在发动机诊断技术的研究成果上有了长足的发展和进步。
文钟、何勇等人利用模糊综合评判的原理和方法对电喷发动机的故障进行分析和诊断，并在 Windows环境下，将模糊诊断技术与计算机多媒体技术相结合，研制出电喷发动机故障诊断专家系统[]7。
金玉以VisualC++6.0和MataLab7.0作为开发平台，将传统的专家系统与BP神经网络的优点有机的结合在一起，设计了故障诊断神经网络专家系统[]8。
杰研究了多传感器信息融合神经网络发动机故障诊断方法，以电喷发动机怠速不稳为例，选择了相关传感器、执行器波形特征参数为原始特征向量，并研究了应用主成分分析方法进行特征提取的方法以及信息融合中心的设计[]9。
1.4研究容和思路(1)本文首先提出了发动机故障诊断的意义和主要技术，并简要介绍了国外汽车故障诊断技术的发展状况及现状。
(2)对神经网络原理的基本知识作了比较详细的介绍，并学习了径向基函数神经网络的典型算法：中心调整算法和权值调整算法。
(3)简要介绍了电喷发动机的基本组成及工作原理，分析了不同运行工况下发动机的工作状况，和几种典型的故障征兆以及相应的技术状态特征的描述参数。
(4)在MATLAB环境下，用VAG1552汽车故障诊断仪收集故障数据，通过编制的RBF网络模型，对捷达ATK型电喷发动机怠速不稳的3种故障原因进行故障模式识别和诊断。
最后得出RBF神经网络诊断模型对电喷发动机故障模式识别有很高的准确率的结论。
2. RBF神经网络2.1RBF神经网络的结构及其特点现代汽车的微机控制系统都具有故障自诊断功能，利用电脑本身监测系统的工作状况和储存数据，再通过一定的操作程式把汽车电脑的故障码提取出来，从而进行故障诊断。
此外还具有自动显示动态数据的功能，即数据流功能[10]。
人工神经网络有较强的自组织、自学习能力，以及出色的非线性映射能力。
而发动机故障征兆和对应的故障原因之间就是非线性映射关系，如果将RBF神经网络训练好，应用于汽车故障诊断当中，就可以快速、准确地诊断出相应的故障，大大简化数据流功能，这将给电控汽车的故障诊断带来很大帮助，因此本文提出了将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。
RBF网络是目前应用较为广泛的一种网络，是由J.Moody和C.Darken于20世纪80年代末提出的一种神经网络。
RBF神经网络的结构如图2-1所示，是由排列成层的神经元组成。
图 2-1 径向基函数神经网络拓扑结构接受输入信号的单元层称为输入层，输出信号的单元层称为输出层，不直接与输入输出发生联系的单元层称为隐层。