ELM神经网络在发动机故障诊断系统中的应用研究

摘 要：本文利用基于ELM学习算法的前向人工神经网络设计电控发动机故障诊断系统，利用OBDII读卡器读取发动机传感器数值作为神经网络的输入，发动机的故障部位作为神经网络的输出，以此来对电控发动机进行实时诊断。将实验诊断结-果与实际检测结果进行比较，证明此方法是快速高效可行的。

【关键词】ELM算法 机器学习 人工神经网络 故障诊断

1 引言

汽车的动力源是发动机，它系统结复杂、工作条件恶劣，出故障率也最高， 一般要占到整车故障的百分之四十以上，因此能否在不解体的情况下及时准确地诊断出发动机的故障源在车辆检修过程中就显得尤为重要，也是汽车故障诊断的关键环节。随着人工智能技术的发展，人工神经网络在故障诊断中的应用越来越广泛。人工神经网络是由人工神经元互连组成的网络，是从微观结构和功能上对人脑的抽象、简化、模拟人脑结构及其功能的非线性信息处理系统，它能充分逼近任意复杂的非线性的关系，具有较好的实时性。基于人工神经网络的发动机故障诊断的关键技术是选择人工神经网络的学习算法。神经网络的学习算法影响神经元之间权值的训练，也就直接关系到诊断模型的精度。学习算法中最经典最常用的是误差方向传播（Back Propagation，BP）算法，由于BP 算法本身存在容易陷入局部极小值、收敛速度慢、迭代时间长等一些固有缺陷[3]，因此本文提出了一种新型的基于ELM学习算法的人工神经网络对发动机进行故障诊断。

2 ELM神经网络

ELM是一种单隐层前向神经网络（single-hidden-layer feedforward neural net-work，SLFN）的学习方法，由新加坡南洋理工大学副教授黄广斌2006年提出[4]。在 ELM 中，只需要设置隐层节点的数目，通过随机选择隐层输入权值和阈值，计算隐层输出矩阵的 Moore-Penrose（MP）广义逆来确定输出权值，便可以获得唯一最优解。这种学习方法使网络具有良好泛化性能和快速学习速度，并且避免了基于梯度下降学习方法的容易陷入局部极小、训练次数过多、性能指标以及学习率的确定等。由于 ELM 的这些优良特性，使它在其它领域中有着非常广泛的应用。

3 应用实例

本实验的数据是利用博时汽车公司提供的金德KT600扫描仪读在北京现代汽车发动机上进行采集的[5]。网络的输入包含11个输入量：分别为氧传感器、空气流量、冷却水温传感器、进气温度传感器、节气阀开度传感器、节气门位置传感器、发动机转速、点火时间、喷油时间、空然比闭回路、点火闭合时间；输出层为12个输出量，采用二进制编码，1表示有故障发生，0表示无故障发生，对应的系统故障分别为发动机正常、节气门位置传感器、某缸喷油器线路故障、冷却液温度传感器、点火线路故障、氧传感器故障、怠速执行器、节气门开度故障、冷却温度传感内部故障、空气流量传感器内部故障、进气温度传感器内部故障、进气系统漏气故障。

人为地对发动机的各种执行器开关进行控制，制造上述12个输出量的故障，从ECU中读取各种故障的数据流，训练数据86组，验证数据48组，测试数据12组，将所有样本都归一化到[-1，1]之间。（氧传感器数据流正常为1，非正常为0；空燃比回路关闭时设定为1，打开时设定为0。）用样本训练ELM神经网络，初始隐节点设置为10，以20为周期增加隐节点数，得到不同激活函数下验证正确率随隐层节点数目变化图，如下图一所示（参数选择耗时331秒）。由图可知，5种激活函数中hardlim函数的精度比较高，当隐层节点达到200左右时，验证样本正确率开始趋向于平稳。通过对验证结果的分析，当选取hardlim为激活函数，隐层节点数为210时，对验证的正确率达最高，达到97.88%。

根据选择的最优参数，对网络进行训练，记录50次的平均训练时间为15.6毫秒，12组测试样本（一组正常数据和11种故障部位数据）采用建立的ELM神经网络诊断模型进行诊断，总测试精度为86.5%，各组数据的ELM预测的结果见表一，取每组测试中概率最大的为故障部位，则从表中可以看出ELM神经网络可以得到有效的诊断结论，诊断结果和实际是一致的。

4 结论

针对电控发动机的一些基本故障，利用OBDII接口采集ECU内传感器数据，输入训练好的ELM神经网络系统进行实时故障诊断，其结果与实际故障情况相同，且网络的参数选择简单、训练时间极短，测试精度较高。因此，把ELM神经网络应用于电控发动机的故障诊断是快速、高效、可行的诊断方法。

参考文献

[1] 豪彦.欧.美.中国汽车燃料消耗量实验方法比较[J].汽车与配件，2002（21）.

[2] 许拔民.汽车油耗标准及技术法规的现状与发展[J].中国汽车技术中心，2009.

[3] Larsen E V，Miller N W，NilssonS Letal.Benefits ofGTO-based compensation systems for electric utility applications[J].IEEE Transon Power Delivery，1992，7（4）：2056-2061.

[4] Huang G B，Siew C K.Extreme learning machine withrandomly assigned RBF kernels[J]. International Jour-nal of Information Technology，2005，11（1）：16-24.

[5] 郭增波.数据流分析电控发点故障的应用研究.硕士学位论文[D].新疆农业大学，2012.

作者单位

国防科学技术大学计算机学院 湖南省长沙市 410073