基于模糊神经网络的柴油发动机故障诊断方法的研究

1、基于模糊神经网络的柴油发动机故障诊断方法的研究    核心提示：     摘要：    针对传统方法在柴油机故障诊断中的局限性，本文提出了一种把改进的模糊神经网络用于故障诊断的方法，以数据仿真证明了此方法的有效性和可行性。        .              &

2、#160;      摘要：        针对传统方法在柴油机故障诊断中的局限性，本文提出了一种把改进的模糊神经网络用于故障诊断的方法，以数据仿真证明了此方法的有效性和可行性。                         &

3、#160;   关键字：        故障诊断；神经网络；模糊控制                         0           

4、0;引言                人工神经网络    (Artificial Neural Networks)    是采用物理可实现的系统来模仿人脑神经细胞的结构和功能。它反映了生物神经系统的基本特征，是对生物神经系统的某种抽象、简化与模拟。神经网络的基本要素是人工神经元，也就是说人工神经元是神经网络的基本处理单元，它只模拟了生物神经元的三个基本功能

5、：对每个输入信号进行处理，以确定其强度    (    权值    )    ，如神经元中突触的可变强度；确定所有输入信号的组合    (    加权和    )    ：        确定其输出&

6、#160;   (    转移特性    )    。            柴油发动机故障诊断是通过研究故障与征兆    (    特征向量    )    之间的关系

7、来判断设备故障的。柴油发动机的故障形式多种多样，故障产生的机理和原因也非常复杂，加之实际因素复杂的关系，即各类故障所反映的特征参数并不完全相同，这种关系很难用精确的数学模型来表示，给现场诊断带来了极大的困难。应用人工神经网络这种智能技术，可以在不需要数学模型的情况下模拟人的智能行为，是一个非线性计算系统，可以实现故障与征兆之间复杂的非线性映射关系，因此在柴油发动机故障诊断领域中显示了极大的应用潜力。其中使用    BP    算法    (Back Propagation)&

8、#160;   的神经网络多层感知器是众多神经网络中应用广泛的网络之一。但是    BP    网络存在着网络学习收敛速度慢，容易陷入局部极小点    的问题。为此本文在网络训练过程中采用模糊控制原理训练    BP    网络，以提高网络的学习速度，增加算法的可靠性。         &

9、#160;           1    基于    BP    算法的神经网络模型            多层前馈神经网络模型及其反向传播算法的训练包括过程包括前向计算和误差反向传播，通过调节网络的连接权使得网络误差最小化，简称  

10、60; BP    算法。                     本文采用的是三层神经网络模型，它由输入层、隐层和输出层组成。网络的前馈意义在于每一层节点的输入仅来自前面一层节点的输出。对于输入信号，先前向传播到隐层节点，经过作用函数后，再把隐节点的输出信息传播到输出节点，最后得到输出结果。具体步骤如下所示：    

11、                  1)    ?     输入层节点                         

12、                                ，其输出                   

13、           等于输入                              ，将控制变量值传到第二层。         

14、60;