基于PNN神经网络的电控发动机故障诊断

摘 要： PNN是前馈型神经网络，具有强大的非线性模式分类能力。提出运用PNN神经网络对发动机电控系统进行故障诊断的方法，介绍了PNN神经网络及其工作原理，以伊兰特汽车发动机电控系统为研究对象，让发动机在怠速情况下，并对其进行故障设置，运用金德KT600故障诊断仪采集发动机故障数据流，利用PNN神经网络建立诊断模型，并对网络诊断模型进行验证，诊断结果完全正确，且训练速度非常快。实验结果表明PNN神经网络具有较强的泛化能力和实用价值。

关键词： PNN神经网络； 发动机； 电控系统； 故障诊断

中图分类号： TN926?34； TK428 文献标识码： A 文章编号： 1004?373X（2016）20?0146?03

Abstract： The probabilistic neural network （PNN） is a feedforward neural network， and has strong ability to classify the nonlinear patterns. The method of using PNN to diagnose the fault of the engine′s electrically?controlled system is proposed. The PNN and its working principle are introduced. The electrically?controlled system of the Elantra car engine is taken as the research object. The Kinder KT600 fault diagnosis instrument is used to collect the failure data flow of the engine while the engine is kept in idle speed. The PNN is used to establish the diagnosis model. The network diagnosis model was verified. The diagnosis results are completely correct， and the training speed is very fast， which show that the PNN has good generalization ability， and has a certain practical value.

Keywords： PNN neural network； engine； electronic controlled system； fault diagnosis

0 引 言

随着汽车技术的发展以及各种高新技术在汽车上的广泛应用，使汽车已经由一个传统的机械装置逐渐演变为一个集机械、电子、计算机、控制、通信等技术于一体的复杂系统。这一演变过程使得发动机电控系统变得更加复杂，同时，也使得发动机电控系统故障诊断的难度增大。神经网络的出现，为发动机电控系统故障诊断开辟了新的途径。

神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、故障诊断等领域得到成功应用。本文以伊兰特汽车发动机电控系统为实验对象，运用PNN神经网络对发动机电控系统进行故障诊断。

1 PNN神经网络及工作原理

1.1 PNN神经网络结构

概率神经网络（PNN）是基于Bayes分类规则与Parzen窗的概率密度函数估计方法发展而来的一种并行算法[1]。PNN神经网络结构简单、训练速度快，在模式分类问题中，它可以利用线性学习算法来实现非线性学习算法的功能，同时具有非线性算法的高精确度等性质，PNN神经网络不需要训练，能够实现网络训练的实时性。PNN神经网络的结构图如图1所示。

由图1可以看出，PNN神经网络的结构与RBF神经网络的结构相似，但它们的输出层有些差异。其中，[a1i]表示矢量[a1]的第[i]个元素；[iIW1，1]表示权矩阵[IW1，1]的第[i]行矢量；[R]为输入矢量元素的数目；[Q]表示输入目标样本数目即隐层神经元的数目；[K]表示输入矢量类型数目即输出层神经元的数目[1]。

1.2 PNN神经网络工作原理[1]

在PNN神经网络的隐层中，先确定学习样本数据与输入矢量之间的距离，同时，学习样本数据与输入矢量之间的相似度用隐层的输出矢量表示。在输出层中，网络会对输入矢量进行模式识别和分类，然后输出结果，其值代表概率矢量，输出层中的compet将对概率矢量进行筛选，用1代表概率最高的矢量，其他的用0表示。当输入矢量的维数为[Q]，目标矢量的维数为[K]时，则表示类型中值为1的元素只有一个，其余的都为0。

对于输入向量矩阵[P]，其转置[P′]等同于隐层中的权矩阵[IW1，1]，先后与[dist]和阈值矢量进行数学计算，最后由隐层中的传递函数确定其输出值。在隐层中，当神经元输出[a1]中的值有1时，则表示对应的学习样本矢量与输入矢量相似度最高，随着学习样本矢量与输入矢量相似数量的增加，[a1]中1的个数将会随着增加。

在输出层中，将权矩阵[LW2，1]设置为目标矩阵[T]，在目标矩阵[T]中，一个行矢量中元素值为1的元素只有一个，其余都为0，这样能更好地表示一种类型，随后将[T]与[a1]相乘。在输出层中，[n2]是由传递函数计算所得，其值为1时，表示相应元素的值比较大，而对于值比较小的元素，则用0表示。此时，PNN神经网络可以对输入矢量进行模式识别和分类。

2 基于PNN神经网络的发动机故障诊断

2.1 样本采集及处理

在建立PNN网络诊断模型前，应首先采集发动机数据流，将金德KT600故障诊断仪连接到汽车的诊断接口处，对发动机电控系统进行故障设置，使发动机处于正常怠速、氧传感器故障、凸轮轴位置传感器故障、水温传感器故障、进气压力传感器故障、进气温度传感器故障、进气道漏气、节气门位置传感器故障、怠速控制阀故障、某缸喷油器不工作、爆震传感器故障和某两缸不点火状态时，记录故障诊断仪上的数据流，采集到的数据流如表1和表2所示。

由表1和表2可以看出，所采集到的数据流大小差异比较大，为了更有利于PNN网络诊断，在网络训练前应将数据流归一化处理，使处理后的样本数据大小在0～1范围之间，归一化后的样本数据如表3所示。

2.2 网络设计

其中，p1为样本输入数据；t1中以100000000000表示正常怠速状态；010000000000表示氧传感器故障状态；001000000000表示凸轮轴位置传感器故障状态；000100000000表示水温传感器故障状态；000010000000表示进气压力传感器故障状态；000001000000表示进气温度传感器故障状态；000000100000表示进气道漏气状态；t2=clock和datat2=etime（clock，t2）语句为测试网络诊断时间；net=newpnn（p1，t1，0.5）为建立PNN网络，分布密度设置为0.5；y1=sim（net，p1）对输入进行仿真；x=vec2ind（y1）对仿真后的结果进行转换，使结果更加直观。网络建立后，开始训练网络，网络训练所用时间是0.06 s，PNN网络的测试诊断结果如表4所示。由表4可以看出，PNN神经网络对发动机故障做出了正确的模式分类，且训练速度比较快，为了验证所创建的PNN网络诊断模型的准确性，将表3中后5组的样本数据作为验证样本数据，所创建的验证代码如下：

将验证代码代入到测试程序中，运行程序后，所得到的验证结果如表5所示。

由表5可以看出，建立的PNN诊断模型是正确的，它对验证故障做出了正确的分类，分类结果完全正确，达到了预期的效果。

3 结 论

PNN神经网络是前馈型神经网络，是基于密度函数估计和贝叶斯决策理论而建立的模式识别分类网络[2]。发动机电控系统比较复杂，使得故障诊断难度性增大，但运用PNN神经网络建立的诊断模型，能对发动机电控系统故障做出正确的分类，效果是非常明显的。基于PNN神经网络的发动机电控系统故障诊断方法可以极大地利用故障先验知识，无论故障种类多么复杂，只要拥有足够的样本数据，PNN神经网络都能对故障做出令人满意的模式分类。PNN神经网络的故障诊断率比较高，且训练速度比较快，运用PNN神经网络较高的模式分类能力和泛化能力，对发动机电控系统故障进行诊断，具有一定的实用价值，PNN神经网络也可以运用到其他故障诊断领域。

参考文献

[1] 张德丰.Matlab神经网络应用设计[M].北京：机械工业出版社，2011.

[2] 朱明悦，李小申.基于概率神经网络的发动机故障诊断方法研究[J].制造业自动化，2012（9）：90?92.

[3] 周润景，张丽娜.基于Matlab与fuzzyTECH的模糊与神经网络设计[M].北京：电子工业出版社，2010.

[4] 丁硕，常晓恒，巫庆辉，等.基于Elman神经网络的传感器故障诊断研究[J].国外电子测量技术，2014（4）：72?75.

[5] 吕彩琴.汽车发动机电控技术[M].北京：国防工业出版社，2009.

[6] 杨凌霄，朱亚丽.基于概率神经网络的高压断路器故障诊断[J].电力系统保护与控制，2015（10）：62?67.

[7] 佟刚，郝旭.基于神经网络的柴油机燃油系统故障诊断[J].机械工程与自动化，2015（5）：119?120.

[8] 赵爽，李立.基于概率神经网络的全向足球机器人运动系统的故障诊断[J].机床与液压，2014（21）：46?49.

[9] 徐萌，李宏光，马颖川，等.航空发动机点火频率异常故障检测与仿真[J].计算机仿真，2015，32（7）：75?79.