人工神經(jīng)網(wǎng)絡(luò)在汽車(chē)發(fā)動(dòng)機(jī)故障診斷應(yīng)用中的比較研究.pdf

1、神經(jīng)網(wǎng)絡(luò)具有并行處理能力、自學(xué)習(xí)能力、自適應(yīng)能力和可以逼近任意的非線性函數(shù)等特點(diǎn)，是解決非線性、多變量、不確定的復(fù)雜診斷問(wèn)題的一條有效的途徑。神經(jīng)網(wǎng)絡(luò)的這些特點(diǎn)使得它在故障診斷領(lǐng)域應(yīng)用越來(lái)越廣泛。汽車(chē)行業(yè)的快速發(fā)展使得汽車(chē)發(fā)動(dòng)機(jī)的故障診斷問(wèn)題變得越來(lái)越重要，神經(jīng)網(wǎng)絡(luò)對(duì)外界的輸入樣本具有很強(qiáng)的識(shí)別分類(lèi)能力和聯(lián)想記憶能力，使得其成功應(yīng)用于汽車(chē)發(fā)動(dòng)機(jī)故障的診斷中。
　　 本文就神經(jīng)網(wǎng)絡(luò)在汽車(chē)發(fā)動(dòng)機(jī)的故障診斷領(lǐng)域展開(kāi)研究。針對(duì)神經(jīng)網(wǎng)絡(luò)在

2、以往學(xué)習(xí)訓(xùn)練過(guò)程中存在的一些突出缺點(diǎn)，提出了改進(jìn)的學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并根據(jù)汽車(chē)發(fā)動(dòng)機(jī)實(shí)際測(cè)量數(shù)據(jù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真驗(yàn)證。
　　 本文針對(duì)BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)以及Elman網(wǎng)絡(luò)在網(wǎng)絡(luò)訓(xùn)練中存在的問(wèn)題分別提出了改進(jìn)算法。對(duì)BP網(wǎng)絡(luò)運(yùn)用LM算法對(duì)訓(xùn)練過(guò)程進(jìn)行改進(jìn)；RBF網(wǎng)絡(luò)的隱層中心的選擇是決定RBF網(wǎng)性能的最重要的因素，這里給出了在一種性能優(yōu)良的確定隱層中心的方法即K均值聚類(lèi)法，對(duì)權(quán)值的修正采用正交最小二乘法（OLS），將

3、上述兩者結(jié)合起來(lái)來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練；本文采用改進(jìn)BP算法即自適應(yīng)學(xué)習(xí)速率動(dòng)量梯度下降反向傳播算法對(duì)Elman網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，以克服該網(wǎng)絡(luò)易遇到局部極小點(diǎn)難于收斂的缺點(diǎn)。
　　 以EQ6102汽油發(fā)動(dòng)機(jī)在無(wú)負(fù)荷時(shí)不同轉(zhuǎn)速工況下其廢氣（CO、CO2、NO、HC和O2）排放量為訓(xùn)練樣本集，運(yùn)用訓(xùn)練樣本集對(duì)上述三種網(wǎng)絡(luò)進(jìn)行訓(xùn)練，取三個(gè)樣本對(duì)故障診斷系統(tǒng)進(jìn)行了驗(yàn)證；并對(duì)這幾種診斷方法進(jìn)行了對(duì)比，結(jié)果表明：RBF網(wǎng)絡(luò)在在泛化能力和訓(xùn)練速