Application of Neuro-net in FaultDiagnosis System for Gasoline Engine
LIU Zhao-guang1, PAN Lian1, WANG Jun2
（1.Wuhan University of Science & Technology, Wuhan 430081；
2.Huazhong University of Science and Technology,Wuhan 430074）
Abstract：Research on Fuzzy Theory and Neutral Network Technology in Fault Diagnosis. According to the good and bad points of these two methods. Combine them in this paper with the method connected. Firstly using fuzzy method to process the information, and the diagnosis of the faults is implemented by neutral networks approaching ability. Construct inference system to solve complicated faults happened in gasoline engine with this method. Through simulating under matlab. Some facts were proved that, the system can categorize the samples well and output with high precision. It has a bigger improvement with the pure use fuzzy logic method or the neural network method. Especially when the system is much complicated. It has the good application prospect.
Key words：Fuzzy, Measurement, Neural Network, Fault Diagnosis.
神经网络具有强大的非线性映射能力、并行处理能力、良好的学习能力和容错性、独特的联想记忆能力等优点。广泛应用于工业生产的各个领域，基于神经网络的故障诊断已经成为较通用的故障诊断解决方案.但由于该故障诊断系统需要大量的学习样本且训练时间长,而训练好的网络连接权值表示知识，在知识获取表示方面也存在不足，会导致推理的脆弱。
模糊诊断通过研究故障与征兆之间的关系来判断设备状态。由于实际因素的复杂性，故障与征兆之间的关系很难用精确的数学模型来表示，随着某些故障状态模糊性的出现，就不能用“是否有故障”的简易诊断结果来表达，而要求给出故障产生的可能性及故障位置和程度如何.模糊故障诊断方法，就是利用模糊数学方法对待诊断系统的故障不确定性进行量化处理，再根据一定的判断阀值来识别故障。
基于模糊规则的故障诊断方法是首先将经验知识转化为模糊关系，然后运用模糊逻辑对模糊量进行推理，输出模糊量，最后将这些模糊控制量转换成精确量输出，指明故障类型.而正确地选择隶属函数，是运用模糊集合理论解决实际问题的基础.隶属函数是对模糊概念的定量描述，隶属函数的选择在很大程序上影响最终结果，但如何选择准确反映模糊概念的模糊集合的隶属函数，却无法找到统一的模式 .基于模糊理论的故障诊断也有自身的一些弱点：模糊诊断的知识获取比较困难；故障与征兆的模糊关系较难确定；系统的诊断能力依赖于模糊知识库，学习能力差，容易发生漏诊和误诊；故障诊断时，推理速度慢、效率低、能力弱；难以处理故障诊断中的不确定性问题。
鉴于神经网络故障诊断和模糊故障诊断各自的特点，本文提出一种基于模糊预处理的模糊神经网络故障诊断方法力图使两者的优点结合起来，克服彼此弱点，并将该方法应用于汽油发动机偶发性疑难故障诊断。
1．故障诊断方法
基于模糊预处理的模糊神经网络故障诊断系统如图1所示.首先，对通过对采集到的信号进行模糊预处理，然后利用神经网络对系统故障进行诊断.
多数故障诊断系统都包括图1所示的被诊断系统，信号采集，和决策执行系统模块.采集到的信号要求能实时地反映被测点当前所处的状态，诊断系统就是通过采集到的参数来判断系统所处状态，为决策执行系统提供依据判断依据.
1.1信号的模糊预处理
对于采集到的数值信号，首先要确定其模糊隶属度.模糊隶属度是对各模式特征的不确定性和不精确性进行刻划.正确地确定隶属函数，是运用模糊集合理论解决实际问题的基础。
确定模糊集隶属函数的方法很多，本文采用 函数作隶属函数求隶属度[4]. 函数的定义如下:
λ>0是π函数的半径, c为中心点.
从（1） 式可知 函数是种中间对称型隶属函数.
对每一个输入信号来说f, 在系统正常工作时一定存在某个最佳值f0，fmax，fmin表示系统处于各种状况时f的最大、最小值.描述f的模糊子集为｛小（L）， 中（M），大（B）｝.
其中：
这里fd来控制相邻模糊集的重迭程度并以此来对任意f都可以确保μM（f）,μL（f）和BM（f）中至少有1个大于0.5.因此输入信号经模糊量化为：
I=[x1,x2,…xm-1,xm]
=[μL（f1）, μM（fn）, μB（fn）] （6）
对某些无法用数值表达的输入信号，可根据实际情况直接估计其隶属度.可通过专家经验及过对生产流程的研究以及和厂方技术人员的反复交流来设定.
1.2神经网络故障诊断
神经网络是模拟生物的神经系统（特别是脑）功能的网络.人脑大约由150亿个神经细胞组成，每个细胞同数千，数万个神经细胞相联系，形成网络。这样，神经细胞模型可以看作是n输入单输出的信息处理单元.某个输入xi对神经细胞的影响以影响度表示，称为细胞的结合权重或效率wi，这个细胞模型如图2所示：
细胞的输入有强有弱，当其总和超过某一阈值θ，则细胞进入兴奋状态，产生输出；当其总和低于阈值时，细胞进入抑制状态，没有输出.这一输入输出关系可以写成
神经细胞之间可以有不同的联结方式，目前已经提出了许多神经网络模型.其中，BP学习算法是目前神经网络技术中应用最广也最为成功的学习算法。BP网络由输入层、输出层以及一个或多个隐含层所构成的神经网络，网络是按有教师示教的方式进行学习，它的学习过程就是不断修正网络权值和阈值使得实际输出与期望输出之间误差逐渐减小以至达到期望误差的过程.
如一个三层BP神经网络，设其有n个输入，m个输出，一个隐含层。从输入信号x，由内部单元经非线性变换，最终得到输出y。对于输入x,期望的输出设为yd,而实际的输出为y,一般二者不一致；输入-输出的函数与网络内部细胞的结合权重有关。由期望输出与实际输出的误差信号:
