安治文

摘要 ：汽油机所表现出来的症状，如冷却水过高，汽油机加速不良，传感器读数异常等，这些故障现象都是界限不明确的模糊集合。用传统的以布尔代数为基础的二值逻辑方法去处理此类的故障诊断问题，显然是不太合理的，因为它的描述只能是近似而粗糙的。要更深刻地反映事物的本质，必须引入模糊逻辑，本文采用相应模糊集的隶属函数来描述这些故障现象和故障原因存在的程度，同时通过建立符合汽车故障的模糊神经并加以训练使其误差满足要求，最后利用训练好的模糊神经诊断系统进行故障诊断。

关键词：电控汽油机;诊断方法;发展趋势

1模糊逻辑与神经网络结合的必要性

基于模糊理论的模糊逻辑系统与人工神经网络相比，既有共同之处，又各有其特点。首先，它们都是用于解决非线性系统的信息处理、控制。决策、故障诊断等问题所使用的方法，二者都采用数值方法建立输入与输出之间的非线性映射关系，因此，不需要建立数学模型。其次，模糊系统和神经网络都能从不同的角度增强信息处理能力，因而在人工智能领域起着重要作用。

模糊逻辑是模仿人腦的逻辑思维能力，具有较强的结构性知识表示能力;而神经网络是模仿人脑的结构来映射输入特征与输出结论的非线性关系，具有强大的学习能力和数据直接处理能力。但是传统的神经网络不适于表示基于规则的知识，在应用于故障诊断时常常产生误诊的现象，特别是当前输入信息不精确或不确定。模糊方法适用于测量值少且无法获得精确模型的系统;但该方法不具有自适应能力和自学习能力，无法进一步积累和修正诊断知识。因此，将人工神经网络与模糊逻辑结合起来，实现故障诊断系统对不精确或不确定等模糊信息的处理，克服传统神经网络不能很好处理边界分类模糊数据及故障误诊问题，同时使得基于规则的规则性知识能够得到学习和调整。

2模糊逻辑和神经网络的结合方式

模糊逻辑与神经网络的结合方式有许多种，主要有：

（1）松散型结合。两者之间各自处理各自的任务，没有直接的联系。

（2）并联型结合。两者享有共同的输入，按两系统起作用的轻重程度可分为同等型和互助型。

（3）串联型结合。一方输出成另一方的输入，可看作为两段推理或串联中的前件作为厚茧的输入信号的预处理部分。用神经网络从原始信号中提取有效的特征量作为模糊推理部分的输入，可以使获得模糊规则的过程变得容易。而以模糊理论技术对信号进行预处理，然后用神经网络进行故障诊断会提高其诊断精度。

（4）网络学习型连接。整个系统由模糊系统表示，但其隶属函数通过神经网络学习来生成和调整。

3模糊神经网络的结构

根据上述模糊逻辑和神经网络的特点，首先基于模糊理论将输入的故障现象（征兆）信号模糊化，从而使神经网络的训练样本更加精确;然后基于BP神经网络进行车用汽油机的故障诊断最后清晰化故障的结果模糊神经网络结果，有输入模糊化模块、学习推理模块、输出清晰化模块。

4模糊神经网络的建立及其故障诊断

4.1参数的模糊化

根据汽油机故障的表现，假设以上11种故障现象发生程度的隶属度分布

分别表示为：

X1 ：“发电机启动困难”=1起动机不转动 + 0.7起动机转动但不能起动 +0.3能起动但立即熄火 + 0能正常起动

X2  ：“发动机有时失速”= 1出现熄火或飞车 + 0.7转速忽高忽低很不稳定 + 0.3转速有时忽高忽低 +0转速平稳

X3 ： “发电机加速时回火”= 1加速就回火  + 0.5加速有时回火 + 0加速正常

X4 ：“发电机怠速不稳或熄火”= 1怠速经常熄火 + 0.7发动机抖动厉害 + 0.3发动机转速不平稳 + 0怠速时转速平稳

X5 ： “发动机喘气或加速时无力”= 1加速时熄火 + 0.7不能加速 + 0.3加速很慢 + 0加速正常

X6 ：“易爆震”= 1有尖锐的金属敲击声 + 0.5有轻微的金属敲击声 + 0无金属敲击声

X7 ： “发动机排气管放炮”= 1经常放炮 + 0.5有时放炮 + 0无放炮声

X8 ： “进气支管压力传感器读数异常”= 10.01MPa以下 + 0.50.01-0.03MPa + 00.03-0.1MPa + 0.50.1MPa以上

X9 ： “怠速时节气门位置传感器读数异常”= 1读数大于1% + 0.5读数在0%-1%之间 + 0读数0%

X10 ： “冷却水温度传感器读数异常”= 11000C以上或700C以下 + 0.5100-900C + 090-800C + 0.580-700C

X11 ： “氧传感器读数异常”=11.0V或0V + 0.50.9-0.7V + 00.7-0.3V + 0.50.3-0.1V

对于故障原因（即t1——怠速或怠速控制阀故障;t2——点火线圈故障;t3——点火正时不对;t4——火花塞故障;t5——节气门故障;t6——进气门漏气;t7——空气滤清器故障;t8——喷油器故障;t9——燃油供给系统故障;t10——冷却系统故障;t11——润滑系统故障）的存在程度，采用模糊范畴隶属度

描述。

4.2 模糊神经网络的训练

根据前面对电控汽油机故障的分析，并结合汽油机的台架实验及汽油机领域专家的经验知识，得到表1-5所示的故障现象和故障原因的对应关系及模糊规则库，该规则库就是模糊神经网络的训练样本。

对于模糊化了的训练样本集，仍采用改进的BP神经网络进行学习训练。确定BP网络结构为两层，输入层有11个节点，对应于11个故障现象;输出层有11个节点，对应于11个故障原因;隐含层的神经元个数结合网络的收敛性、仿真速度及精度的要求选取15个。

由于模糊逻辑的隶属度是[0，1]之间取值的，因此各神经元的激活函数均取对数S型（Log-Sigmoid）函数，因为他的把蔬菜范围（0，1）更好适合在学习后输出的0-1之间的模糊值，从而能与模糊逻辑很好地联系起来。

BP网络训练参数：最大训练次数、目标误差、初始学习速度、学习速度增长系数、虚席速率减少系数、最小优化系数等分别选为：3000、0.001、0.001、10、0.1、0.001.

当网络的结构和训练样本都选取后，就可以编写和训练神经网络了。用于训练神经网络的样本可以根据故障原因进行特定选取，同时训练误差随着学习步数的增加而减小，经8次训练后，误差以满足要求，至此，模糊神经网络就完成学习过程。

4.3应用训练好的模糊神经网络进行车用汽油机的故障诊断

网络训练好后便可以利用该模糊网络神经系统进行估值诊断。训练样本的测试结果显示，最大正绝对误差为0.0028，最大负绝对误差为-0.0017，正负绝对误差均小于0.003，也就是说，用训练样本输入模糊神经网络进行故障诊断时，诊断正确率可达100%。

为了验证已训练好模糊神经网络的容错能力，令选两组与学习样本具有同样故障原因的非学习样本进行检验。假设汽车的两组故障现象分别为：

X1= 1x1 + 0.3x2 + 1x3 +0.9x4 + 1x5 + 0x6 + 0x7 + 0.8x8 + 0x9 + 0x10 +  0x11

X2= 0x1 + 0x2 + 0.3x3 +1x4 + 0.9x5 + 0x6 + 0x7 + 0.9x8 + 0x9 + 0x10 +  0x11

将以上待识别的故障分别输入已训练好的模糊神经网络中并云溪，可得到模糊升级网络的输出分别为：

Y1= 0.0000 0.0001 0.0154 0.2415 0.0000 0.0000 0.9634 0.0000 0.0000 0.0000 0.0000

Y2= 0.0005 0.0000 0.0000 0.0000 0.0001 0.0007 0.9863 0.0000 0.0001 0.0000 0.0000

采用最大隶属度法进行清晰化，根据故障原因的隶属函数描述可知，一定存在的故障均为：空气滤清器故障。将上述的非样本输入与样本输入作对比，再将它们的最大输入结果与给定的一般输入数据比较，可知诊断完全正确。

从上面的故障診断过程可以看出，将模糊逻辑引入神经网络后，对知识的表示更加准确，不仅对输入故障现象的描述更加细致化，而且对输出的故障原因也有明确的解释，更符合人们的思维习惯。可以看出模糊神经网络的容错能力和泛化能力更强，诊断结果更准确合理，更具说服力。

结论

由于电控汽油机故障的复杂性和模糊性，采用传统的以布尔代数为基础的二值逻辑显得终于粗糙不精确，因此本文引入了模糊逻辑的概念，构造了模糊神经网络，并用它进行电控汽油机的故障诊断，诊断结果表明，将模糊逻辑引入神经网络后，对知识的表示更加准确，不仅对输入故障现象的描述更加细致化，而且对输出的故障原因也有明确的解释，更符合人们的思维习惯。

参考文献

[1].王洪元，史国栋.人工神经网络技术及其应用[M].北京：中国石化出版社，2003，77-93

[2].孙增圻.智能控制理论与技术[M].北京：清华大学出版社，1997，25-47

[3].李人厚.智能控制理论和方法.西安[M]：西安电子科技大学出版社，1999，89-99