《毕业设计（论文）-发动机故障诊断神经网络系统.doc》由会员分享，可在线阅读，更多相关《毕业设计（论文）-发动机故障诊断神经网络系统.doc（38页珍藏版）》请在三一文库上搜索。
1、装订线安徽工业大学 毕业设计（论文）说明书1 绪论1.1引言故障诊断学是近几十年发展起来的新兴学科，所谓诊断就是对设备的运行状态作出判断，设备在其运行过程中内部零件受到力、热以及摩擦、磨损等多种作用，其运行状态将不断发生变化。根据设备在运行过程中产生的各种信息来判断设备是否正常运转，并正确指出设备发生故障的确切部位及发生的原因，正确指导设备的管理维修，这就是故障诊断学的研究内容。它是一门综合性技术，涉及传感及测试技术、电子学、信号处理、计算机技术以及人工智能等多门基础学科，是对这些基础理论的综合应用。发动机作为动力设备，广泛用于车辆、船舶和其它设备上。其运行状态的好坏，直接影响到成套设备的工作
2、状况。因此，对其进行状态监测和故障诊断，确保设备处于最佳运行状态，提高设备维修质量和效率是十分必要的。在汽车故障中，发动机的故障是第一位的；而在发动机故障中，点火系统和电子设备系统的故障又占整个发动机故障的45%以上。这类故障不仅影响汽车的可靠运行，还影响环境保护。因此，对点火系统潜在故障因素准确的诊断并及时采取措施加以排除是十分重要的。当前汽车发动机维修模式急需由“故障后修理”模式向“故障前预防性维修”模式转变。但由于汽车发动机是一个复杂的机、电、油综合系统，故障因素繁多且互相交织和影响，导致诊断十分困难。诊断的正确程度往往与诊断者的知识与经验有关。因此，采用人工智能技术来提高故障诊断的技术
3、水平，是世界各国都十分重视的研究内容。1.2 文献综述1.2.1 故障诊断的基本理论故障诊断是指系统在一定工作环境下查明导致系统某种功能失调的原因或性质，判断劣化状态发生的部位或部件，以及预测状态劣化的发展趋势等。故障诊断的基本思想一般可以这样表述:设被检测对象全部可能发生的状态(包括正常和故障状态)组成状态空间S，它的可观测量特征的取值范围全体构成特征空间Y，当系统处于某一状态时，系统具有确定的特征Y，即存在映射g: SY，反之，一定的特征也对应确定的状态，即存在映射f: YS。故障诊断的目的在于根据可测量的特征向量来判断系统处于何种状态，也就是找出映射f。故障诊断的过程有三个主要步骤:第一
4、步是检测设备状态的特征信号；第二步是从所检测到的特征信号中提取征兆；第三步是根据征兆和其它诊断信息来识别设备的状态，从而完成故障诊断。检测设备状态的特征信号，一般来说，它具有两种表现形式，一种是以能量方式表现出来的特征信号，如振动、噪声、温度、电压、电流、磁场、射线、弹性波等；另一种是以物态形式表现出来的特征信号，如设备产生或排出的烟雾、油液等以及可直接观测到的锈蚀、裂纹等。检测以能量方式所表现出的特征信号，如果不使用人的感官，则必须使用传感装置，因为检测这类信号是通过能量交换来完成的;而提取物态形式的特征信号一般不采用传感装置，只采用特定的收集装置或直接观测。从所检测的特征信号中提取征兆。如
5、果特征信号是能量形式的，则可以在时域中提取征兆，对于物态形式的特征信号，如油液、烟雾等，其特征提取方法一般是通过特定的物理或化学方法，得到诸如铁谱、光谱、浓度、粘度以及化学成分等征兆。对于直接观测到的裂纹、锈蚀等信息，可以直接作为征兆来使用。对于波形形式的特征信号，根据其波形的特点可以分为三类，第一类是变化极为规则的信号，如通过激振试验产生的正弦形状的振动信号:第二类是变化虽不十分规则但具有明显结构特征的信号，如柴油机喷油压力波形信号、汽油机点火波形信号、钢丝绳断丝的漏磁信号以及人体的心电图信号和脉搏信号等。第三类是变化极不规则的随机信号，如各类振动信号、 噪声信号等。对于第一类特征信号而言，
6、特征信号与征兆之间存在明显的函数关系，因此，其征兆的提取方法一般是函数分析法，即通过数学分析方法 ，由特征信号求得征兆。对于第二类特征信号，由于其波形具有明显的结构特征，因此，可以在时域中直接识别这类信号的结构特征来形成征兆，这是目前十分值得研究的领域之一。用这种方法来提取波形的结构特征有三种典型的方法:第一种方法是按照波形上波峰波谷前后相继的线性关系，将波形进行分解，并用一字符串来描述整个波形，以此来表达波形的结构特征。第二种方法是用关系数描述波形，这种方法将波形根据其特征点划分为若千个子波形，对每一子波形又由其特征点划分为子子波形，直到每一个子波形为单一的波峰为止，从而组成树形结构来描述波
7、形的结构特征。第三种方法是用特征树来描述波形，这种方法基于自嵌套波形中波峰波谷的主次关系，用具有层次结构的特征树来描述波形，它能反映波形特征的主次关系，特征树中不同层次的波形反映了波峰或波谷的支配与从属关系。这种方法已经成功地用于柴油机喷油压力波形的智能识别过程中，并取得了较为理想的结果。把提取的征兆输入状态识别装置来识别系统的状态，这是整个诊断过程的核心。一般来说，这一步是将实际上已存在的参考模式(标准模式)与现有的由征兆按不同方式组成的相应的待检模式进行对比，而决定待检模式的类别，即对系统的当前状态进行模式识别。综上所述，诊断过程包括三个步骤，即信号测取、征兆提取和状态识别。1.2.2 发
8、动机故障诊断技术的研究现状随着汽车工业技术的进步，汽车的性能更加完善，但结构也越来越复杂。同时也要求汽车技术状况的检测与故障诊断的水平也不断提高。开发研制出高水平的汽车发动机综合性能分析仪对提高在用车辆运行技术状况、改进车辆维修水平、降低能耗和改善生态环境都有重要意义。汽车点火系统的性能和状况是汽车发动机检测的重点也是难点。点火系统的工作状态对发动机的动力性、经济性、排放污染等重要指标起着非常重要的作用。美国、日本等汽车工业发达的国家非常重视对汽车检测技术与其故障诊断方法的研究。在汽车发动机综合性能分析仪的研究方面，美国在以军事为目的的研究基础上不断地开发出了许多新产品。其中美国陆军坦克汽车研
9、究发展部与美国无线电公司合作，首先研究出了内燃机简易检测设备即STE/ICE，并于七十年代末装备于部队。八十年代，美国的太阳公司(SUN)又相继开发出了1120型发动机分析仪、920型发动机检测仪、SCA1700汽车综合分析仪、MEA1500SL标准化发动机综合分析仪等产品，目前美国以该公司的产品最为先进。其主要特点是检测项目多，参数齐全，图文并茂，检测数据与诊断结果以多种方式输出，并具有一定的诊断功能，计算机应用技术水平很高。日本也非常重视检测诊断设备的研究与开发，如日产公司的NATACS-7汽车综合诊断设备，在参数检测、技术状况分析以及故障判定的理论与方法研究上处于国际领先水平。面对二十一
10、世纪的来临，为配合具有更高动力性、经济性、可靠性和低排放发动机的研制开发，国外发动机研究机构和生产厂商都十分重视发展和完善各种测试技术，不论是在基础理论研究还是在应用研究上都为发动机测试技术的深入研究提供了高精度和多样化的分析手段。随着人工智能技术的发展，发动机故障诊断技术进入了智能化的阶段。检测项目增加，软件功能增强，诊断的准确性大为提高。 国外汽车发动机综合分析仪主要具有以下几个特点:即智能化、精密化和综合化。智能化主要反映在具有自检功能、标准及测量参数修改和修正功能，数据管理功能，人机对话功能等，实现了对测试数据、曲线、图形进行零点修正、拟合修正；精密化体现在高精度传感器的应用上，如真空
11、传感器，温度传感器，涡流传感器都具有很高精度；综合化主要表现在检测功能的多项性、信息表达的多样性及故障诊断的全面性上。它们都是以机电一体化技术和故障诊断理论为基础，多学科交叉综合，满足了汽车检测、诊断与维修的需要。由于我国汽车工业比较落后，汽车技术状态检测与故障诊断技术的理论研究起步较晚，这些年来，我国的发动机故障诊断技术也有了较大发展，但在可靠性和实用性上与国外的差距较大。目前，国内现场的发动机故障诊断手段还很少，对生产进行中的发动机，往往是在司机或保养人员发现异常后，通过耳听、眼观、手摸的方法，依赖技术人员的经验排除故障。近年来，部分厂矿配备了一些发动机检测仪器，但由于功能和使用方面的原因
12、，很难投入实际应用。这都造成国内发动机诊断技术的落后、误判率高、维修期长、浪费严重。七十年代初，济南无线电一厂率先研制出QFC系列发动机性能综合检测仪，到目前为止已生产出五种换代产品，其中QFC-5型发动机综合测试仪处于国内领先水平，可以进行发动机启动系、点火系、动力性、配气相位及异响的检测，诊断准确性可达70%左右，但它存在测量参数不够齐全、适用车型较少、测量精度较差(如缸压测量不够准确)、使用复杂(装卡不方便)和测试周期较长等缺点。此外目前在国内市场上还有天津电子仪器研究所研制生产的YT412发动机分析仪，重庆交通电子仪器厂生产的QFGDC-2发动机故障电脑测试仪，它们在不同程度上也具有上
13、述缺点。目前国内产品还无法满足汽车维修、检测行业的需要。国外产品还在市场中占据主要地位，产品价格非常昂贵。为了赶超国际先进水平、节省资金和满足国内汽车维修、检测行业的需要。急需研制开发出一种能适合我国国情的多参数、多车型、高精度、数字化和使用方便的智能型发动机综合分析仪。1.2.3 人工神经网络的研究现状神经网络的研究已有50多年的历史了。它的发展道路是曲折的，几经兴衰，目前己在许多领域得到应用。1943年，心理学家Culloch和数学家Pitts合作，融汇了生物物理学和数学，提出了第一个神经计算模型(MP模型)。1949年，心理学家Hebb通过对大脑神经细胞、学习和条件反射的观察与研究，提出
14、了改变神经元连接强度的、至今仍有重要意义的Hebb规则。而作为人工智能的神经网络系统的研究则是在50年代未60年代初开始的。1957年Rosenblatt发展了MP模型，提出了感知器(Perceptron)模型，给出了两层感知器的收敛定理，并提出了引入隐层处理元件的三层感知器这一重要的研究方向。虽然他未能解决训练三层感知器的算法问题，但后来的一大类神经网络模型都是感知器模型的变形。1960年，Widrow提出自适应线性元件(Ada-line)模型及一种有效的网络学习方法，即通常所说的Widrow-Hoff学习规则(或称学习规则)。由于这几位科学家的杰出工作，在60年代，掀起了神经网络研究的第一
15、次热潮。随着神经网络研究的深入开展，人们遇到了来自认识方面、应用方面、实现方面的各种难题。人工智能的创始人之一 Minsky 与 Paper 潜心数年，对以Perception为代表的神经网络系统的功能和局限性从数学上做了深入研究，于1969年出版了Perception一书。他们指出Perception只能进行线性分类求解一类问题，只有引入隐层，即加入中间单元，才能解决高阶问题。同时，他们还指出，引入隐层单元后，要找到一个有效的学习算法，并不乐观。由于Minsky在学术界的地位，他的这些观点，客观上对神经网络的研究起了一定的消极作用。然而在此期间仍有为数不多的学者在此极端困难的条件下致力于神经
16、网络的研究。1969年，Grossberg等人提出了自适应共振理论(ART)模型。1972年，Kohonen提出了自组织映射(SOM)理论模型，并称其神经网络为联想存贮器。Werbos提出了误差反传(BP)理论，Widrow发展了Adaline模型。所有这些具有开创性的研究成果和有意义的工作为神经网络的进一步发展奠定了理论基础。1982年美国加州工学院的物理学家Hopfield提出了一个用于联想记忆和优化计算的新途径Hopfield网络模型，使神经网络的研究有了突破性进展，从而掀起神经网络研究的又一热潮。如果说HopfieId点燃了神经网络复兴的火炬，那么Rumelhart和Clelland领
17、导的PDP研究小组则使这把火炬进发出更加耀眼的光芒。PDP研究小组于1986年先出版了并行分布处理一书的前两卷，随后在1988年出版了第三卷，全面介绍了PDP理论。PDP理论着重于认知微观结构的探索。神经网络模型具有三个基本特性:结构、神经元传递函数和学习算法。当然 ，最突出的贡献之一是发展了多层网络学习的BP算法，为解决多层网络的学习开辟了一条道路。BP算法已成为迄今为止应用最普遍的神经网络学习算法。神经网络技术的应用已渗透到许多领域，并在模式识别、机器视觉、信号处理、非线性优化、知识处理、传感技术上取得了令人鼓舞的进展。尽管在近几年，神经网络理论及应用都取得了可喜的进展，但应看到，人们对生
18、物神经系统的研究与了解还相距甚远，所使用的神经网络模型形式无论从结构还是规模都是真实神经网络的极简单的模拟。要使神经网络走出实验室，成为实用的技术还有许多工作要做。例如，迄今尚没有提出较为完善的神经网络的统一网络模型和通用学习算法；多层网络的层数、隐层神经元的数量、转换函数(也称激活函数)类型的选择还缺少指导性原则；网络的逼近精度与逼近的非线性映射之间的关系没有任何理论上的说明；动态网络的学习算法及稳定性分析等。1.2.4 人工神经网络在故障诊断中的应用利用神经网络的学习功能、联想记忆功能、分布式并行信息处理功能以及极强的非线性映射能力，可以解决诊断系统的知识表示、获取和并行推理等问题，为智能
19、诊断技术的发展开辟了新的途径。早在1988年Hoskins就详细论证了神经网络在故障诊断领域的巨大潜力，Venkatasubramanian 也具体地描述了一些故障诊断的神经网络方法，Gsllant还提出了一种基于联结主义机制专家系统的自动产生策略。总的看来，神经网络在设备故障诊断领域的应用研究主要集中在三个方面:一是从模式识别角度应用神经网络作为分类器进行故障诊断:二是从预测角度应用神经网络作为动态预测模型进行故障预测；三是从知识处理角度建立基于神经网络的诊断专家系统。与传统的诊断方法及专家系统相比，神经网络在故障诊断领域中的应用显示了明显的优越性，但也存在以下一些困难:首先是训练样本获取的
20、困难性。神经网络故障诊断是建立在大量的故障样本训练基础之上，系统性能受到所选训练样本的数量及其分布情况的限制。如果样本选择不当，特别在训练样本少，样本分布不均匀的情况下，很难有良好的诊断能力。其次是 忽视了领域专家的诊断经验知识。神经网络利用知识和表达知识的方式单一，通常的神经网络仅仅通过典型实例来获取诊断知识，忽视了领域专家在长期实践中所积累的宝贵经验。最后是权重形式的知识表达方式难以理解。在专家系统中，人们总是希望系统能对其所得出的结论做出合适的解释。然而由于神经网络所学习到的知识是以权值形式分布在网络之中，这种隐式的数值表示不易被人们理解，且对诊断结果缺乏解释能力。1.3 本课题研究的目
21、的及意义1.3.1 本课题研究的目的开展这一研究课题的目的主要是以点火系统诊断为实例，通过对目前汽车发动机故障诊断技术，特别是点火系统的诊断技术的研究，使之与发展较完善的BP网络技术相结合，建立一套比较完整的汽车发动机点火系统的智能故障诊断方法，从而来验证神经网络对发动机智能故障诊断的可行性。1.3.2 本课题研究的意义发动机作为动力机械，广泛应用于各利，动力设备上。其运行状态的好坏，直接影响到成套设备的工作状况。而点火系统作为发动机的关键系统，对发动机的正常作起着至关重要的作用。因此对其进行状态检测和故障诊断，确保点火系统处十最佳工作状态，提高其维修质量和工作效率是十分必要的。虽然目前存在许
22、多发动机故障诊断仪器，可以对点火系统进行一些简单的检测，但是绝大多数都是仅仅测量出点火系统的初级或次级波形，没有针对测得的波形进行故障分析，没有给出故障波形和故障部位的对应表述，如果需要进一步诊断，必须要求工作人员具备系统的专业知识和丰富的维修经验。这种检测系统显然不适合非专业人员使用，因此限制了它的普及和广泛应用。通过对上述现状的研究，本文将近年来迅速发展的人工智能技术神经网络技术引入发动机点火系统故障诊断领域，并针对发动机点火系统的典型故障进行诊断，给出故障征兆和故障原因之间的确切表述。本研究将为今后继续深入研究发动机的综合故障智能诊断起一定的指导作用。同时由于本研究是针对发动机测试技术的
23、现状而进行的，所以本课题将有广泛的应用前景，它的广泛推广既可节约大量资金，同时也使我国的汽车发动机故障诊断技术迈上一个新的台阶，它不仅为相关企业提供了一种有效的汽车技术状态检测手段，对提高汽车的燃料经济性，节约能源以及减少排放污染都具有积极的推动作用，其社会效益显著。 2 误差反传播学习算法2.1 引言近年来，人工神经网络的研究和应用有了很大的发展，人工神经网络以其诸多优点，如并行分布处理、自适应、联想记忆等，为故障诊断开辟了新途径，因而在故障诊断领域受到高度的重视。多层前馈神经网络是最常用、最流行的神经网络模型，而误差反向传播(Back-Propagation)算法是最著名的多层前向网络学习
24、算法，即BP学习算法，它是Rumelhart等人在1986年提出的。自此以后，BP神经网络获得了广泛的实际应用。后来，众多的学者在BP算法的基础上，提出了许多改进型的学习算法，推动了人工神经网络在故障诊断领域的广泛的研究和应用。2.2 人工神经网络人工神经网络(Artificial Neural Network, ANN )，简称神经网络，是一种旨在模仿人脑及其功能的信息处理系统，可以完成学习、记忆、识别和推理等人脑功能。它是人工智能领域中的一个重要分支，它是由大量的、很简单的处理单元（或称神经元)广泛地互相连接而形成的复杂网络系统。它反映了人脑智能的许多基本特征但并不是人脑神经元联系网的真实
25、写照，而只是对其作某种简化、抽象和模拟。人工神经网络是由各种神经元按一定的拓扑结构相互连接而成的，它通过对连续的和间断的输入作出状态反馈而完成信息处理工作。神经网络有许多种类型，主要有前向型、反馈型、随机型和自组织竟争型等。其中前向型神经网络是数据挖掘中广为应用的一种网络，其原理或算法也是其他一些网络的基础。比较成熟的有BP神经网络、径向基函数(RBF)神经网络等。2.2.1 神经网络的基本组成神经网络是从生物学的角度来模拟人类思维过程的。由于人们对大脑的思维机制还很不了解，因此当前的人工神经网络还只能是大脑的低层次模拟。1.神经元 神经元是脑组织的基本单元，神经元由三部分构成:细胞体、树突和
26、轴突，每一部分虽有各自的功能，但相互之间是互补的。树突是细胞的输入端，通过细胞体间联结的节点“突触”接受四周细胞传出的神经冲动；轴突相当于细胞的输出端，其端部的众多神经末梢为信号的输出端子，用于传出神经冲动。2.神经元间的连接 生物体内的神经元是靠突触相互连接的。这些连接通道不仅起到传输信息的作用，而且还能对输入信息加权。对某一个神经元来说，各个输入信息所起的作用不同，有些输入信息起到兴奋作用，因此该信息的输入权值较大且是正的，而另外一些输入信息对神经元起抑制作用，因此该信息的输入权值是负值，研究发现，一个神经元的输入信息可能有很多个，当这些输入信息的加权和超过神经元的门限值时，该神经元就被激
27、活。3. 神经网络 神经网络通过数量庞大的神经元之间的相互连接进行工作，有时也称其为连接学习方法。问题求解时，每一个神经元都是一个独立的信息处理单元，网络中的各个神经元并行处理，通过竞争求出适合于问题解的最佳模式，这使得神经网络信息处理具有容错性和鲁棒性。2.2.2 神经网络的特点作为生物神经网络的模拟，人工神经网络的基本特性可归纳如下:(1)神经网络的基本处理单元是神经元，整个神经网络是由大量简单的神经元互相连接而成。(2)大量的神经元按照不同的方式连接，则构成不同类型的神经网络。(3)各个神经元之间的连接强度是由神经网络内部权值决定的。当一个神经网络的结构确定后，将根据学习规则调整各个神经
28、元之间的连接强度，从而获得有关问题领域的知识，即具有学习自适应和自组织功能。(4)各神经元的操作是同步的，即处理信息的高度并行性。(5)信息处理和存储合二为一。神经元既是信息处理单元，又是信存储单元，能接受和处理模拟的、模糊的和随机的信息。(6)具有联想推理能力，既由相似的输入产生相似的输出。2.2.3 神经网络的典型模型人们建立各种人工神经网络模型来模拟生物神经网络。在人工神经网络模型中，神经元是一种多输入单输出的非线性器件，其结构模型如图2-1所示。 图 2-1 人工神经元结构模型Fig.2-1 Structure model of artificial neuron这个人工神经元有以下的
29、功能:(1)对每个输入信息加权；(2)对加权后的各个信息求和；(3)通过转移函数求输出。人工神经元是生物细胞神经元的简单近似。图2-1中的神经元共有n个数输入，构成x=,x,x输入向量，其中W=W，W，W为本神经元与上述神经元的连接权值；称为阈值，也称为门限。神经元对输入信号的处理包括两个过程:第一个过程是对输入信号求加权和，然后减去阈值变量，得到神经元的净输入s。s=第二个过程是对净输入s进行函数运算，得出神经元的输出y，即y=f(s)通常y=f被称为变换函数（或称为转移函数），目前应用最广泛的变换函数是Sigmoid函数，即f(x)=，在实际应用中，常取为1.这个函数是没有内部状态的取值的
30、连续函数，体现了神经元的饱和特性。2.3 BP算法2.3.1 BP网络的基本结构及工作原理前向多层神经网络的反向传播(Back-Propagation，缩写为BP)学习理论最早由韦伯斯于1974年提出来的。BP网络实际上是一个多层感知器，因采用误差反向往回传播算法进行训练，因而也被称为BP网络，它是最主要的ANN模型之一，体现了神经网络中最精华、最完美的内容。一个典型的三层前馈BP网络的拓扑结构图如图2-2所示。由图可见，BP网络是一种具有三层或三层以上的神经网络，最下面为输入层，中间为隐含层，最上面为输出层。网络中相邻层采取全互连方式连接，同层各神经元之间没有任何连接，输出层和输入层之间也没
31、有直接的联系。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法称为“误差反传播算法”，即BP算法。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。图2-2 BP神经网络模型Fig.2-2 The model of BP neural network此外，BP网络是一单向传播的多层前向网络，网络除输入输出节点外，有一层或多层的隐含节点，同层节点之间没有耦合。输入信号从输入节点，依次传过各隐含节点，然后再传
32、到输出节点，每一层节点的输出只影响到下一层节点的输出。节点的激活函数必须是可微的、非减的，通常取为S型函数。2.3.2 BP网络的特点(1) BP网络把一组样本的输入输出问题转化为一个非线性优化问题，且用了优化中最普通的梯度下降法。其求解最优连接权值的过程相当于网络学习记忆的过程，加入隐节点使优化问题的可调参数增加，从而可得到更精确的解。(2) BP网络的训练是动态的，而前向计算则是输入到输出的一种高度非线性映射。由于加进了隐含层，使得网络能够实现输入输出的非线性映射。可以证明，只要隐节点足够多，具有一定隐含层且激活函数为S型函数的BP网络能够以任意的精度逼近任何连续函数；有两层隐含层的 BP
33、网络可以解决任意复杂的分类问题，但隐节点的选择日前尚无理论依据。隐节点太少会影响网络存储能力，隐节点太多又会增加训练时间。目前一般认为，隐节点的选取主要受输入节点数和样本数目的影响，输出节点对其影响较小。(3) BP网络的学习方式是有导师学习，必须给网络提供输入和期望输出样本集，网络运行是单向传播，没有反馈。这种模型只是一个非线性映射，故网络很适合模式分类问题。(4) BP网络的一个不利之处是，在非线性优化过程中，存在局部极小问题。即在训练过程中不能使误差趋于全局最小，最简单的解决办法是用不同的初值对权值初始化，对网络多次训练，直到误差基本稳定。此外，还可以采用遗传算法(Cenetic Alg
34、orithms)或模拟退火法来消除局部极小，实现全局最优。2.3.3 BP网络用于发动机故障诊断的优势(1) BP网络的权重系数的调整具有自适应性，经训练后可完成分类、联想等智能性工作，BP网络的非线性映射特征很适合模式分类问题，故障诊断的基本问题就是按特征向量对被测系统的各个状态进行正确的辨识和分类，所以BP网络对能归结为模式分类的问题很有应用价值。(2) BP网络对于相同的输入一定得出相同的输出，对于相近的输入则可得到相近的输出。这一特性使 BP网络具有抑制噪声的能力，可用于不确定性推理。(3) BP网络对外接口比较简单，使得非智能领域的工作人员也能够熟练使用，这样就方便了对网络所存信息量
35、的扩充，当然每一次信息的增加都是通过网络自身极其复杂的学习训练过程实现的，这主要得益于现代计算机处理速度的提高，这使得设计者的工作量大大减少了。 由于发动机工作环境的多样性，以及部件的复杂性等其它原因，导致诊断系统设计人员不可能一次性预见发动机全部的可能故障模式，这就需要系统在使用过程中进一步完善，而这一切的前提就是对外接口是否友好的问题，这一点，只要在设计网络时对输入输出样本空间的维数 (体现在网络结构上就是输入层和输出层的神经元数目)考虑一定的冗余度。2.3.4 BP算法的数学原理BP算法的学习过程，由正向传播和反向传播两个过程组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传
36、向输出层，每一层神经元的状态只影响下一层神经元的状态。如果输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。该误差信号被称为代价函数，因此，BP算法实际上是通过使代价函数最小化过程完成输入到输出的映射。 设 E为学习样本在输出层上的代价函数，这在整个训练集（有m个模式对）上的全局代价函数：E= （2.1）对于第k个模式对，隐含层单元i的加权输入： （2.2）实际输出为： （2.3）输出层单元j的加权输入为： （2.4）实际输出为： （2.5） 其中， 神经元活化函数 输入层第h个神经元与隐含层第i个神经元的连接权 隐含层第i个
37、神经元与输出层第j个神经元的连接权对于输出单元j，定义一般化误差：= （2.6）对于隐含层单元i，同样定义一般化误差：= = = = （2.7）采用梯度下降规则来改变隐含层与输出层之间的连接权以降低代价函数，即使权值的变化与代价函数在该点的负梯度成比例，有： = （2.8）同理，改变输入层与隐含层之间的连接权，有： = （2.9）其中，、为小于1的正数，称之为学习率。若取代价函数为网络的实际输出与期望输出的误差平方和，即：E （2.10）其中，为期望输出，为实际输出。取活化函数为S型函数，即： （2.11）其导数为： = （2.12）则： = = （2.13） = = （2.14）若给定一组模
38、式对，k=1，2，m，首先，将网络的所有权值赋-1,1之间的随机值，然后选取训练模式对中的任一模式对作为输入，利用公式（2.13)算出输出层上的误差d，此时误差一般是比较大的，可以利用公式(2.8)修改权值，然后再应用公式（2.14)计算隐含层的误差e，代入公式(2.9)即可求出输入层与隐含层的权值改变量。对训练集中所有模式进行计算之后，便可得到网络新的权值分布。该权值使得所有输入模式上输出单元的期望输出与实际输出误差平方和最小。经过学习后的网络，利用公式(2.2) (2.3) (2.4) (2.5)进行前向推理。在实际应用中，常常将权值变化的公式(2.8) (2.9)加上动量项，即： (2.
39、15) (2.16)其中，(n+1)指明是n+1步，称为动量率。动量项的加入实质上是给权值的变化加上了一些惯性，使该次的权值或多或少受到上次权值的影响(取决于的大小)，从数学上讲，惯性项的加入可以滤除代价函数曲面上的高频分量，抑制学习过程中的振荡。非无限小的能够抑制学习过程中的振荡，但可能使学习的速度变慢。2.3.5 BP网络的不足及算法改进虽然BP网络得到了广泛的应用，但其自身也存在一些缺陷和不足，主要包括以下几个方面的问题。首先，标准的BP学习算法收敛速度慢，一个重要的原因就是算法中的表示学习效率，(或称为步长)不好选择，较大时，权值的修改量就大，学习的速度比较快，但有时会导致振荡；较小时
40、，学习速度慢，然而学习过程平稳。因此，在实际的学习过程中，可以动态地修正学习率。若整体误差函数E下降(即新的误差E(n)小于老的误差E(n-l)，就增加学习率(通常用因子1.05乘以实际值)，若整体误差上升(通常若新、老误差之比超过k = 1.04 )，就快速减少学习率(乘以因子b = 0.6 )。这就是所谓的自适应学习算法。因此，网络的收敛速度慢，需要较长的训练时间。对于一些复杂的问题，BP算法需要的训练时间可能会非常长。这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。其次，BP算法可以使权值收敛到某个值，但并不能保证其为误差平面的全局最小值，这是因为采用梯度
41、下降法可能会产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。所加入的动量项实质上相当于阻尼项，它减少了学习过程的振荡趋势，改善了收敛性，这是目前应用比较广泛的一种改进算法。再次，网络隐含层的层数和其单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始重新训练，对于以前的权值和阈值是没有记忆的。2.3.6 BP网络学习规则这里主要介绍网络的学习过程和步骤。文字介绍中各符号的形式及意义说明如下：网络输入向量 P=；
42、网络目标向量 T=；隐含层单元输入向量 S=，输出向量 B；输出层单元输入向量 L 输出向量 C；输入层至中间层的连接权 W ，n，,p；中间层至输出层的连接权 V，,p；,p；中间层各单元的输出阈值 ，p；输出层各单元的输出阈值 ，p；参数 k=1，2，m 。(1)初始化。给每个连接权值W V、阈值与赋予区间(-1,1)内的随机值。(2) 随机选取一组输入和目标样本 P=、T=提供给网络。(3)用输入样本 P=、连接权 W和阈值计算中间层各单元的输入，然后用通过传递函数计算中间层各单元的输出。= ,p ,p(4)利用中间层的输出 、连接权 V和阈值计算输出层各单元的输出L，然后利用通过传递函
43、数计算输出层各单元的响应 C。L= ,qC= ,q(5)利用网络目标向量T，网络的实际输出C，计算输出层的各单元一般化误差。= ,q(6)利用连接权V、输出层的一般化误差和中间层的输出计算中间层各单元的一般化误差。=(7)利用输出层各单元的一般化误差与中间层各单元的输出来修正连接权V和阈值。V（N+1）= V(N)+,q，,p，0(8)利用中间层各单元的一般化误差，输入层各单元的输入 P=来修正连接权W和阈值。W（N+1）= W（N）+，n，p，0(9) 随机选取下一个学习样本向量提供给网络，返回步骤（3），直到个训练样本训练完毕。(10) 重新从个学习样本中随机选取一组输入和目标样本，返回步
44、骤（3），直到网络全局误差E小于预先设定的一个极小值，即网络收敛。如果学习次数大于预先设定的值，网络就无法收敛。(11) 学习结束。可以看出，在以上学习步骤中，步为网络误差的“逆传播过程”，步则用于完成训练和收敛过程。通常，经过训练的网络还应该进行性能测试。测试的方法就是选择测试样本向量，将其提供给网络，检验网络对其分类的正确性。测试样本向量中应包含今后网络应用过程中可能遇到的主要典型模式。这些，样本可以通过直接测取得到，也可以通过仿真得到，在样本数据较少或者较难得到时，也可以通过对学习样本加上适当的噪声或按照一定规则插值得到。总之，一个良好的测试样本集中不应该包含和学习样本完全相同的模式。
45、3 BP网络在发动机故障诊断中的应用3.1 引言汽车发动机主要由两大机构（活塞连杆机构和供气机构）及六大系统（供给系、冷却系、润滑系、点火系、启动系和充电系）构成，本节以发动机中的关键系统点火系统为例，来说明BP网络在发动机故障诊断中的应用。点火系统是汽车发动机的心脏，它的作用是按照发动机各缸工作顺序，点燃气缸内压缩了的可燃混合气。其工作性能的好坏直接影响着汽车动力性、经济性和排放质量。实践证明，点火系统是汽车发动机中最易发生故障的系统之一。汽车发动机的点火系统故障形式多种多样，故障与征兆之间往往没有明显的线性关系，而且常常是多故障同时发生，很难使用单一的判别函数将各种故障分开。神经网络是有大量非线性处理单元(类似人脑的神经元)高度并联，互连而成。人工神经网络以其诸多优点，如高度的井行分布处理、联想记忆、自组织及自学习和极强的非线性映射能力等，在故障诊断领域受到高度的重视，并得到广泛的研究和应用，为发动机点火系统的故障诊断技术的研究提供了新途径。3.2 汽车发动机传统点火系统的工作原理汽车上广泛应用的传统点火系统，主要由火花塞、点火线圈、点火开关、蓄电池、分电器等几部分组成。在传统点火系统中，由蓄电池供给的6伏或12伏低压电流