汽車電控汽油機故障診斷是通過研究故障征兆（特征向量）之間的關系來判斷設備故障的。汽車電控汽油機故障診斷形式多種多樣，故障產(chǎn)生的機理也非常復雜，加之實際因素的復雜性，故障與征兆之間表現(xiàn)出一種非常復雜的關系，即各類故障所反映的特征參數(shù)并不完全相同，這種關系很難用精確的數(shù)學模型來表示，這給現(xiàn)場診斷帶來了極大的困難。由于人工神經(jīng)網(wǎng)絡具有高度的并行處理能力和極強的非線性映射能力，可以實現(xiàn)故障與征兆之間的非線性映射關系，因此在汽車電控汽油機故障診斷領域中顯示了很大的應用潛力。其中用得最多的是基于Sigmoid輸出函數(shù)的BP網(wǎng)絡，盡管基于BP神經(jīng)網(wǎng)絡的故障診斷方法有許多優(yōu)點，比如自學習能力強，不需要輸入輸出之間具體關系以及具有好的模型分類能力等，但也存在缺陷。研究發(fā)現(xiàn)，小波分析的一些性能恰好可以彌補BP網(wǎng)絡的一些缺陷，因此，將小波分析與神經(jīng)網(wǎng)絡結合起來構成小波神經(jīng)網(wǎng)絡并用于汽車電控汽油機故障診斷。小波網(wǎng)絡的隱層小波函數(shù)形式比Sigmoid函數(shù)復雜，可形成超橢球分割，從而能夠造就更為細致的分割曲面，同時可以通過改變收縮因子和平移因子來增強分類能力；另外本文對小波神經(jīng)網(wǎng)絡提出了兩個方面的改進。

1 小波神經(jīng)網(wǎng)絡

1．1 小波神經(jīng)網(wǎng)絡的基本理論

小波分析是近年來發(fā)展起來的數(shù)學理論，被認為是Fourier分析以來的重大突破。小波分析的定義為：

子與平移因子。小波神經(jīng)網(wǎng)絡是基于小波分析而構造出的一類前饋網(wǎng)絡，可看作是以小波函數(shù)為基底的一種新型函數(shù)聯(lián)接神經(jīng)網(wǎng)絡。它以小波空間作為模式識別的特征空間，通過將小波基與信號向量的內(nèi)積進行加權和來實現(xiàn)信號的特征提取，結合小波變換良好的時頻局域化性質(zhì)及傳統(tǒng)神經(jīng)網(wǎng)絡的自學習功能。這種網(wǎng)絡在處理復雜非線性函數(shù)關系等問題上表現(xiàn)出優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡的收斂速度、容錯能力、預報效果，具有廣泛的應用前景。

1．2 小波網(wǎng)絡結構

小波神經(jīng)網(wǎng)絡如圖1，其中學習樣本經(jīng)輸入層投影壓縮后作用于小波神經(jīng)網(wǎng)絡。

圖中，輸入端有n個節(jié)點，隱層有j個節(jié)點，輸出層有m個節(jié)點，給定P組輸入輸出樣本，Xp=［xp1，xp2，…，xpn］為網(wǎng)絡輸入，Yp= ［yp1，yp2，…，ypn］為網(wǎng)絡輸出。隱層選取的小波為Morlet小波h（t）=cos（1．75t）e（-t2/2），對網(wǎng)絡的輸出也并不是進行簡單的加權求和，而是先對網(wǎng)絡隱層小波節(jié)點的輸出加權求和，經(jīng)Sigrnoid函數(shù)變換后，得到最終的網(wǎng)絡輸出。這樣做有利于處理分類問題，同時減少訓練過程中發(fā)散的可能性。

2 小波神經(jīng)網(wǎng)絡的改進

2．1 輸出層函數(shù)的改進

在一般的小波神經(jīng)網(wǎng)絡中，總是應用Sigmoid函數(shù)作為輸出層的激勵函數(shù)。Sigmoid函數(shù)的輸出值是0和1之間的數(shù)。當輸出值接近于0或1時，網(wǎng)絡輸出幾乎對網(wǎng)絡出入失去敏感性。也就是說，改變權重已經(jīng)幾乎不起作用（這被稱為函數(shù)飽和）。如果網(wǎng)絡的實際輸出值遠離期望值，就很難對網(wǎng)絡進行矯正了，從而使收斂速度變得很慢。因此本文用如（3）式所示的函數(shù)代替?zhèn)鹘y(tǒng)的Sigmoid函數(shù)。

在（2）式中τ是一個小數(shù)，調(diào)整參數(shù)τ將會自動的調(diào)節(jié)函數(shù)飽和區(qū)從而加速收斂。

2．2 代價函數(shù)的改進

本文對小波神經(jīng)網(wǎng)絡代價函數(shù)進行了改進，用“熵函數(shù)”代替?zhèn)鹘y(tǒng)的均方誤差函數(shù)作為代價函數(shù)。使用熵函數(shù)E（d，y）=dlny+（1一d）］n（1一y）作為神經(jīng)網(wǎng)絡的代價函數(shù)，可使網(wǎng)絡的各參數(shù)調(diào)整量在局部最小點附近不為零，即網(wǎng)絡不會陷入局部最小點。因此可以使用“熵函數(shù)”代替均方誤差函數(shù)作為網(wǎng)絡的代價函數(shù)。

2．3 改進的網(wǎng)絡學習算法

1）首先約定ωh0是第h個隱層節(jié)點閾值，ωωmo是第m個輸出節(jié)點閾值（即x0=-1）。算法從輸入層到輸出層的順序。

隱含層第h個節(jié)點的輸入為

（2）式根據(jù)常規(guī)的BP算法引入動量系數(shù)α，將式（8）至式（11）分別代入到式（12）至式（15）中，得出以下四個公式，然后網(wǎng)絡的各參數(shù)按照這四個公式進行調(diào)整。

3 汽車電控汽油機故障類型識別網(wǎng)絡的仿真與測試

3．1 樣本的提取

由于電控汽油機規(guī)格品種繁多且系統(tǒng)結構復雜，因此，汽油機的故障也多種多樣。本文選取了11種有代表性的電控汽油機的故障現(xiàn)象，和與其對應的11種有代表性的故障原因分別為如表l所示：

3．2 網(wǎng)絡的訓練

用于汽車電控汽油機故障診斷的改進的小波網(wǎng)絡的輸入層有11個節(jié)點，對應與11種故障現(xiàn)象；輸出層有11個節(jié)點，對應于11種故障原因。經(jīng)過多次反復的試驗，隱含層選擇15個神經(jīng)元即可滿足誤差要求。

小波網(wǎng)絡的訓練參數(shù)：最大訓練次數(shù)、目標誤差、學習步長，動量系數(shù)分別選為：3000、O．00l、0．1、0．2。

本文分別有BP神經(jīng)網(wǎng)絡，未改進的小波神經(jīng)網(wǎng)絡和改進的小波神經(jīng)網(wǎng)絡度樣本進行了訓練，網(wǎng)絡訓練的誤差曲線分別為圖2、圖3、圖4。我們可以看出BP網(wǎng)絡需要560步才能達到滿足要求的誤差，未改進的小波神經(jīng)網(wǎng)絡需要68步就能達到滿足要求的誤差，而改進的小波神經(jīng)網(wǎng)絡只需28步就能達到滿足要求的誤差。因此，可以得出改進的小波神經(jīng)網(wǎng)絡具有更強的逼近能力、網(wǎng)絡學習收斂速度加快、能有效避免局部最小值問題等優(yōu)點。

4 結束語

本文對小波神經(jīng)網(wǎng)絡提出了兩個方面的改進并將其應用于汽車電控汽油機故障診斷中。仿真結果表明：此改進的小波神經(jīng)網(wǎng)絡算法進行汽車電控汽油機的故障是有效的，而且與傳統(tǒng)的BP神經(jīng)網(wǎng)絡相比，該改進的小波神經(jīng)網(wǎng)絡具有更強的逼近能力，更快的網(wǎng)絡學習收斂速度。并且參數(shù)的選取有理論指導，能夠有效避免局部最小值問題。

責任編輯：gt