论文部分内容阅读
发动机故障的形成过程与机械状况、气缸内的燃烧情况以及负载状况直接相关,采用定期的维修的方法难以发现这些故障,而且不具有预测性,很容易造成大的交通事故。神经网络具有很强的识别分类能力和联想记忆能力,对具有复杂非线性关系的多输入多输出模型能快速准确的进行学习、训练。将神经网络同其他智能算法结合应用到故障检测设备中是故障诊断技术向智能化方向发展的必然趋势。本文首先对发动机尾气超标的机理进行了深入的分析,建立了故障模式与尾气排放数据之间的非线性关系。结合三层神经网络能够以任意精度逼近非线性关系的理论,从模式识别的角度,应用神经网络作为分类器对六种故障模式进行分类。比较了BP神经网络分类器和RBF神经网络分类器对多模式分类的效果,发现BP神经网络的分类精度更高,需要的神经元更少。针对BP神经网络存在易陷入局部极优的缺点,提出遗传算法结合BP算法的组合算法对神经网络进行训练。利用遗传算法在全局搜索能力强的特点,对BP神经网络的结构、权值阈值进行全局优化,再经过BP算法的误差反向修正,将经过两次优化的结果为最终的故障诊断神经网络的权值阈值,建立了基于GA-BP神经网络的故障诊断优化模型。分析结果表明,GA-BP神经网络的泛化能力、诊断精确性比BP神经网络效果更好。本文使用MATLAB仿真软件对故障诊断模型进行了仿真分析。对自适应动量BP神经网络和GA-BP神经网络这两种优化算法进行了比较分析。仿真结果显示,自适应动量BP网络需要4233步左右达到收敛,检测样本平均误差为0.2096,诊断准确率为83.33%,而GA-BP神经网络在458次左右达到收敛,检测样本平均误差为0.1123,诊断正确率为91.67%。结果表明,GA-BP神经网络的诊断效果要优于BP神经网络。