PNN神经网络在尾气分析发动机故障诊断中的应用

郝大鹏 巴寅亮 李春兰 王书提 加克·乌云才次克

关键词： 尾气分析; PNN神经网络; 故障诊断; 发动机; 浓度; 电控系统

中图分类号： TN98?34                          文献标识码： A                           文章編号： 1004?373X（2019）05?0145?04

Application of PNN in engine fault diagnosis by means of exhaust analysis

HAO Dapeng1， BA Yinliang1， LI Chunlan2， WANG Shuti3， JIAKE Wuyuncaicike4

（1. College of Traffic and Logistics Engineering， Xinjiang Agricultural University， Urumqi 830052， China;

2. College of Mechanical Engineering， Xinjiang Agricultural University， Urumqi 830052， China;

3. School of Electronic and Information Engineering， Beijing Jiaotong University， Beijing 100044， China;

4. Xinjiang Vocational & Technical College of Communications， Urumqi 834000， China）

Abstract： The automobile exhaust pollutes the atmospheric environment seriously， and its emission component concentration directly reflects the running condition of the vehicle. Therefore， the probabilistic neural network （PNN） is used to analyze the exhaust component concentration to diagnose the engine fault， which can judge the engine fault initially. The advantages of radial neural network and probability density are combined in PNN， so PNN is especially suitable for pattern classification and identification. Taking Beijing Hyundai Elantra as an example， the exhaust analyzer is used to collect the data of automobile exhaust including CO， CO2， HC， O2 and [NOx]. The PNN is used to establish the fault diagnosis model， and the model is verified. The diagnosis and verification results are completely correct， which shows that the PNN has high accuracy and use value.

Keywords： exhaust analysis; probabilistic neural network; fault diagnosis; engine; concentration; electronic control system

近年来，随着我国汽车保有量的持续增长，汽车尾气排放已经成为主要污染源之一。汽车尾气不仅仅污染空气，更直接反映出发动机的运行状况。汽车尾气的主要成分有CO，CO2，HC，O2和[NOx]，当车辆正常时，尾气的各成分处于一个标准值附近，一旦车辆出现故障则浓度会发生偏离，这对于一些无法准确判断其故障所在的隐性故障提供了一个很好的解决途径。通过尾气分析仪检测各成分的浓度来诊断发动机系统的故障，当发动机出现故障时尾气成分的浓度会发生变化，此时通过与正常值进行比对分析可初步判断故障发生的部位。

神经网络因其特有的自学、关联记忆、并行处理、非线性映射和容错性的优点，在一些故障诊断领域有着广泛的应用[1]。本文基于神经网络的方法研究汽车尾气浓度的变化所对应的汽车故障，从而对发动机故障进行分析诊断。

1  PNN神经网络概述

1.1  PNN神经网络结构

神经概率网络是基于统计原理的人工神经网络，是由径向基网络发展而来的一种前馈型神经网络模型。其理论依据是贝叶斯最小风险准则，即错误分类的期望风险最小。PNN网络吸收了径向神经网络与经典概率密度估计原理的优点，相较于传统前馈型神经网络，特别适合用于模式识别和分类。神经概率网络可以分为输入层、隐含层和输出层三个部分，如图1所示。

由图1可以看出，PNN神经网络与其他径向基网络的主要区别在输出层。其中，[IW]表示加权矩阵;[R]表示特征元素的数目;[Q]表示学习样本的数目;[b]表示阈值;dist函数表示求欧氏距离;[a1]表示第[i]个元素;[LW2]表示连接权值;[C]表示竞争函数。

1.2  PNN神经网络的工作原理

在PNN神经网络中，其隐含层与输出层之间的连接权值不是随机确定的，假定这个权值是确定的为输入向量的转置。现对测试样本进行预测，则先要对样本进行处理，确定测试样本数据和学习样本数据之间的距离，测试结果要和连接权值的每一列进行计算，即用dist函数求欧氏距离，将其距离再和阈值[b]进行点乘，将点乘后的结果经过径向基函数计算之后输出。其主要原理是当距离输入接近0时，其输出接近于1，这也正是区别于BP神经网络的地方。在输出层中，与BP神经网络用加权求和、求解线性方程组的方法得到的结果不同，在PNN网络中直接用训练集的输出矩阵代替[LW2]权值，最后的输出用竞争函数取代线性函数的输出。

对于隐含层和输入层的确定，是将连接权值用训练集的样本代替。如训练集样本有[R]个特征、[Q]个学习样本、合成矩阵为[Q×R]维。如有60个样本，每个样本有8个特征，则合成矩阵是8×60维。首先比较测试样本和学习样本数据之间的相似程度，利用dist函数计算出的距离点乘阈值[b]，输出接近于0，经过径向基函数处理输出接近于1。其中阈值[b]与spread有关，决定了输出结果的准确率。spread设置过大时针对某一测试样本做预测，学习样本每一个样本贡献都变大，即每个样本都和测试集相似度很高。这是因为spread设置过大，则阈值[b]会减小，点乘之后接近于0，导致输出结果接近于1，故相似度很高。相反，如果spread设置过小则区分度不高。

2  基于PNN神经网络的尾气分析诊断

2.1  汽车尾气数据流的采集与处理

汽车尾气的主要成分有CO，CO2，HC，O2和[NOx]，当发生故障时，这些尾气的浓度大小会发生变化。因此，将CO，CO2，HC，O2和[NOx]五种气体作为故障样本集的特征量，对应气体的含量则作为故障诊断的样本数据。

首先采集发动机尾气的数据流，以伊兰特车为试验车，将尾气分析仪与车辆相连，由于故障数据比较多，故人为地模拟这几种典型的故障，如进气压力故障、一缸喷油器故障、怠速控制阀故障、凸轮轴位置传感器故障、冷却液温度传感器故障。采集并记录故障诊断仪上的尾气参数，并采集出正常状态下的数据进行对比分析。为避免数据样本少而不能充分表达出各自特征和数量太多导致训练速度变慢，从这6种状态中选取[23]作为样本输入。正常状态及各种故障状态下的数据如表1～表6所示。其中，ppm是 [11  000  000]即为10-6，表示质量浓度可定义为g/m3，溶液浓度可定义为μg/ml3，%为质量百分浓度。

因为所采集的尾气数据量纲不同，浓度含量差距过大，必然会增加网络训练的难度，导致诊断的正确率有所下降，所以在网络训练之前需对样本数据进行归一化处理，结果如表7所示。

将表7归一化处理后的样本数据导入Matlab中并对数据样本按1[∶]2进行划分，随机产生训练集和测试集，得到训练集和测试集的样本如表8所示。

2.2  PNN网络建立与诊断应用

选择CO，CO2，HC，O2和[NOx]这五种气体为网络输入，因此输入层神经元数为5，取正常怠速、进气压力故障、一缸喷油器故障、凸轮轴位置传感器故障、冷却液温度传感器故障、怠速控制阀故障为输出，分别用1，2，3，4，5，6表示，径向基函数的分布密度设置为1.0，在Matlab中调用PNN神经网络工具箱，创建及仿真测试程序如下：

t=cputime;

Tc_train=ind2vec（T_train）;

%创建网络

net_pnn=newpnn（p_train，Tc_train）;

%仿真測试

Tc_test=ind2vec（T_test）;

t _sim _pnn=sim（net_pnn，p_test）;

T _sim_pnn=vec2ind（t_sim_pnn）;

t=cputime – t;

time_pnn=[time_pnn t];

result_pnn=[result_pnn T_sim_pnn];

end

end

其中，net_pnn=newpnn（p_train，Tc_train）指创建PNN神经网络;t_sim是对输入进行仿真;T_test是对输入进行测试;vec2ind（y1）对仿真后的结果进行转化，使得结果更加直观;cputime是执行这段代码所需的时间。网络建立后则开始训练网络，PNN网络测试诊断结果如表9所示。

3  结  论

利用尾气成分的浓度值分析复杂的电控系统故障是一个很好的诊断思路。而运用PNN神经网络建立诊断模型可以快速地识别，将故障进行模式分类，从而准确地判断出故障，并且随着样本的容量越大，网络样本的信息就会越丰富，其诊断的正确率就越高。这两者的结合对于分析诊断一些复杂的电控系统故障具有很大的优势。本文的结果足以表明PNN神经网络在尾气分析发动机故障中具有较高的诊断效率和正确率，并且可以运用到其他类型的故障诊断中。

参考文献

[1] 周开利，康耀红.神经网络模型及Matlab仿真程序设计[M].北京：清华大学出版社，2005.

ZHOU Kaili， KANG Yaohong. Neural network model and Matlab simulation program design [M]. Beijing： Tsinghua University Press， 2005.

[2] 张德丰.Matlab神经网络应用设计[M].北京：机械工业出版社，2009.

ZHANG Defeng. Application design of Matlab neural network [M]. Beijing： Machinery Industry Press， 2009.

[3] 赵桂艳，李一峰.基于PNN神经网络和聚類分析的变压器故障诊断[J].信息系统工程，2015（6）：94?95.

ZHAO Guiyan， LI Yifeng. Transformer fault diagnosis based on PNN neural network and cluster analysis [J]. Information systems and engineering， 2015（6）： 94?95.

[4] 岳军，黄诚，任瑞云.PNN神经网络模型在变压器故障诊断建模中的应用[J].自动化技术与应用，2016，35（10）：80?82.

YUE Jun， HUANG Cheng， REN Ruiyun. Application of PNN neural network model in transformer fault diagnosis modeling [J]. Automation technology and application， 2016， 35（10）： 80?82.

[5] 唐寿根.PNN神经网络在甚高频通信收发机故障诊断中的应用[J].电子技术，2015（2）：13?15.

TANG Shougen. Application of PNN neural network in VHF communication transceiver fault diagnosis [J]. Electronic technology， 2015（2）： 13?15.

[6] 张宇航，兰生.基于广义神经网络与模糊聚类的变压器故障诊断[J].高压电器，2016，52（5）：116?120.

ZHANG Yuhang， LAN Sheng. Transformer fault diagnosis based on generalized neural network and fuzzy clustering [J]. High voltage electrical appliances， 2016， 52（5）： 116?120.

[7] 宋伟，尹涛.基于概率神经网络（PNN）的矿井提升机故障诊断研究[J].电子测量技术，2016（11）：187?189.

SONG Wei， YIN Tao. Fault diagnosis of mine hoister based on probabilistic neural network [J]. Electronic measurement technology， 2016（11）： 187?189.

[8] 梁波.基于PNN神经网络的抽油机井工矿诊断研究[D].合肥：安徽工业大学，2015.

LIANG Bo. Study on mine and mine fault diagnosis of pumping well based on PNN neural network [D]. Hefei： Anhui University of Technology， 2015.

[9] 尹常永，田景贺，郝波，等.基于改进的RBF网络的变压器分接开关故障诊断[J].沈阳工程学院学报，2014，10（3）：237?244.

YIN Changyong， TIAN Jinghe， HAO Bo， et al. Tap?changer fault diagnosis of transformer based on improved RBF network [J]. Journal of Shenyang Institute of Engineering， 2014， 10（3）： 237?244.

[10] 孙永军，王福明.概率神经网络PNN在发动机故障诊断中的应用[J].机械工业自动化，2007（4）：99?100.

SUN Yongjun， WANG Fuming. Application of probabilistic neural network PNN in engine fault diagnosis [J]. Machinery industry automation， 2007（4）： 99?100.

[11] 雷勇涛，杨兆建.神经网络在提升机故障诊断中的应用[J].华南理工大学学报，2012，38（2）：67?72.

LEI Yongtao， YANG Zhaojian. Application of neural network in fault diagnosis of hoister [J]. Journal of South China University of Technology， 2012， 38（2）： 67?72.

[12] 俞文燕.基于概率神经网络的电机故障诊断研究[D].扬州：扬州大学，2016.

YU Wenyan. Fault diagnosis of motor based on probabilistic neural network [D]. Yangzhou： Yangzhou University， 2016.