人工神經網絡在汽車發(fā)動機故障診斷應用中的比較研究.pdf

1、神經網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。神經網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，神經網絡對外界的輸入樣本具有很強的識別分類能力和聯想記憶能力，使得其成功應用于汽車發(fā)動機故障的診斷中。
　　 本文就神經網絡在汽車發(fā)動機的故障診斷領域展開研究。針對神經網絡在

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絡進行訓練，并根據汽車發(fā)動機實際測量數據對訓練好的網絡進行仿真驗證。
　　 本文針對BP網絡、RBF網絡以及Elman網絡在網絡訓練中存在的問題分別提出了改進算法。對BP網絡運用LM算法對訓練過程進行改進；RBF網絡的隱層中心的選擇是決定RBF網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、上述兩者結合起來來對網絡進行學習訓練；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網絡進行學習訓練，以克服該網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絡進行訓練，取三個樣本對故障診斷系統進行了驗證；并對這幾種診斷方法進行了對比，結果表明：RBF網絡在在泛化能力和訓練速