资源描述：
《基于bp网络的故障诊断正向推理方法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、第4期(总第134期)车用发动机No.4(SerialNo.134)2001年8月VEHICLEENGINEAug.2001·故障诊断·基于BP网络的故障诊断正向推理方法王伟杰,赵学增,黄文涛(哈尔滨工业大学,黑龙江哈尔滨150001)摘要:针对传统的故障诊断正向推理方法的局限性,对基于BP模型的神经网络故障诊断正向推理方法进行了研究。建立了用于故障诊断的BP神经网络模型,并给出了故障诊断的正向推理过程。利用汽车发动机点火系统的故障实例验证了基于BP模型的神经网络故障诊断正向推理方法的有效性和可行性。关键词:神经网络;故障诊断;正向推理
2、中图分类号:TK421文献标识码:B文章编号:1001-2222(2001)04-0033-03神经网络技术是目前一个十分引人注目的研究推理方法相比,神经网络正向推理的优势具体表现领域,人工神经网络以其分布式并行信息处理、自适在:应、自学习以及理想记忆等优点,为解决故障诊断系Ó神经网络同一层神经元在原理上是并行处统的知识表示、获取和并行推理等问题开辟了新途理的,层间的处理是串行的。神经网络诊断系统采径,因而在故障诊断领域受到高度的重视并得到广用比规则数目少得多的权值来构造知识库,推理则[1]泛的研究和应用。本文对基于BP模型的神经网通过
3、权值数据与输入数据的运算来完成,即由以前络故障诊断推理方法进行了研究,利用汽车发动机的符号运算转变为现在的数值运算,从而大大提高点火系统的故障实例对所提出的正向推理方法进行了推理速度。了仿真。结果表明,该方法为故障诊断提供了一条Ó神经网络诊断系统采用隐式的知识表示方切实可行的途径。法,通过神经元计算来进行求解的推理方法完全避免了因为输入的事实与多条规则的前提相匹配而产1故障诊断的正向推理方法生的冲突。故障诊断就是根据诊断对象表现出的异常征兆2BP神经网络故障诊断模型及其正向推理来查明对象发生了什么故障和引起这些故障的可能过程原因,也就是
4、从由征兆构成的特征空间到由故障类型构成的状态空间的一个非线性映射,而故障诊断2.1汽车发动机点火系统故障诊断模型推理的目的在于根据一定的方法和策略寻找上述的以东风EQ6100汽车发动机为例,针对其点火系映射关系。统建立神经网络故障诊断系统,根据其诊断结果探根据推理的方向划分,可分为正向推理、反向推讨基于神经网络的故障诊断正向推理过程。[2]理及混合双向推理。正向推理又称为数据驱动控通过分析汽车发动机点火系统的工作原理,深制策略,以其直观且允许用户主动提供有用的事实入研究汽车发动机的典型故障,从中抽取出用于建信息等优点在故障诊断领域获得了
5、广泛的应用。立诊断系统的故障模式表(见表1)[3]。近年来,随着神经网络技术在故障诊断领域的在故障诊断领域中应用得最多也最有成效的是广泛应用,人们发现,基于神经网络的故障诊断系统前向多层神经网络,由于该网络在学习(训练)过程的正向推理过程的实质是神经网络的计算过程,即中采用了BP(BackPropagation)算法,故有时该网络由已知的输入模式(征兆向量)经过神经元计算获得又称为BP网络。根据上述的故障诊断模式建立了输出模式(故障向量),因此神经网络采用正向推理汽车发动机点火系统故障诊断模型。其结构如图1策略就显得得心应手。与基于专家
6、系统的传统正向所示。收稿日期:2001-04-20基金项目:黑龙江省自然科学基金(9801312029)作者简介:王伟杰(1963-),男,辽宁省岫岩县人,副教授,主要从事故障诊断的研究.·34·车用发动机2001年第4期表1故障模式阈值,使网络的实际输出与目标向量尽可能地接近,故障类型故障征兆针对在使用中发现BP算法存在学习过程收敛速度火花塞损坏或间隙大[y1]点火高压[x1]高,火花时间[x2]长缓慢的问题[4],本文采用动量—自适应变学习率BP火花塞积垢或间隙小[y2]点火高压[x1]低,火花时间[x2]短算法[5],利用该算法进
7、行权值的调整并且进行训练。触点间隙大[y3]点火高压[x1]低,闭合角[x3]小运用Matlab语言编程实现,用于对神经网络故障诊触点间隙小[y4]闭合角[x3]大断系统进行学习的样本数据如表2所示,网络经过分电器轴松旷[y5]闭合段有杂波[x4]分电器凸轮磨损[y6]重叠角[x5]大3000次迭代,达到所规定的误差性能要求,形成各点火线圈故障[y7]点火高压[x1]低,振荡次数[x6]少神经元的阈值及联结各层间的权值。电容器击穿[y8]振荡次数[x6]多2.2BP神经网络故障诊断的正向推理过程利用BP神经网络进行故障诊断,采用数据驱动
8、的正向推理策略,从初始状态出发,向前推理,到[6]达目标状态结束。其故障诊断的正向推理步骤如下:Ó输入故障征兆值{x1,x2,x3,x4,x5,x6};Ó计算隐含层神经元的输出;Ó计算输出层神经元的输出;Ó
