人工神經(jīng)網(wǎng)絡在汽車發(fā)動機故障診斷應用中的比較研究.pdf

1、神經(jīng)網(wǎng)絡具有并行處理能力、自學習能力、自適應能力和可以逼近任意的非線性函數(shù)等特點，是解決非線性、多變量、不確定的復雜診斷問題的一條有效的途徑。神經(jīng)網(wǎng)絡的這些特點使得它在故障診斷領域應用越來越廣泛。汽車行業(yè)的快速發(fā)展使得汽車發(fā)動機的故障診斷問題變得越來越重要，神經(jīng)網(wǎng)絡對外界的輸入樣本具有很強的識別分類能力和聯(lián)想記憶能力，使得其成功應用于汽車發(fā)動機故障的診斷中。
　　 本文就神經(jīng)網(wǎng)絡在汽車發(fā)動機的故障診斷領域展開研究。針對神經(jīng)網(wǎng)絡在

2、以往學習訓練過程中存在的一些突出缺點，提出了改進的學習算法對網(wǎng)絡進行訓練，并根據(jù)汽車發(fā)動機實際測量數(shù)據(jù)對訓練好的網(wǎng)絡進行仿真驗證。
　　 本文針對BP網(wǎng)絡、RBF網(wǎng)絡以及Elman網(wǎng)絡在網(wǎng)絡訓練中存在的問題分別提出了改進算法。對BP網(wǎng)絡運用LM算法對訓練過程進行改進；RBF網(wǎng)絡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均值聚類法，對權值的修正采用正交最小二乘法（OLS），將

3、上述兩者結(jié)合起來來對網(wǎng)絡進行學習訓練；本文采用改進BP算法即自適應學習速率動量梯度下降反向傳播算法對Elman網(wǎng)絡進行學習訓練，以克服該網(wǎng)絡易遇到局部極小點難于收斂的缺點。
　　 以EQ6102汽油發(fā)動機在無負荷時不同轉(zhuǎn)速工況下其廢氣（CO、CO2、NO、HC和O2）排放量為訓練樣本集，運用訓練樣本集對上述三種網(wǎng)絡進行訓練，取三個樣本對故障診斷系統(tǒng)進行了驗證；并對這幾種診斷方法進行了對比，結(jié)果表明：RBF網(wǎng)絡在在泛化能力和訓練速