文摘

汽车功能的连续浓缩和汽车结构的复杂性,汽车故障诊断的难度不断增加。故障诊断方法的研究具有高实时性能、精度和可预测性提高汽车安全性能具有重要意义,确保行车安全。自传统的BP神经网络算法的收敛速度慢和精度是不够的汽车发动机故障诊断的过程中,本文改进算法的收敛速度,通过引入动量项,和优化神经网络的权值和阈值,通过遗传算法的选择、交叉,和遗传特性,提出一种遗传算法(GA)优化BP神经网络故障诊断方法。平均绝对误差的传统BP神经网络算法是0.5976,而改进的BP神经网络算法的平均绝对误差本文是0.1027。比较仿真结果表明,该改进算法比传统的BP神经网络算法在诊断精度、准确性,和其他关键指标。

1。介绍

汽车已成为当今人们的生活必需品;一旦引擎失败,它将带来巨大的麻烦给消费者如果不能提前发现,及时处理,修复准确,甚至威胁生命和财产的安全,也将极大地影响汽车企业的客户满意度和声誉;甚至一些汽车企业需要通过市场行为和保护消费者回忆说,他们需要花大量的钱来拯救他们在同一时间。可以看出,及时预警、快速处理,准确诊断和及时维护错误的引擎是重要基础,以确保车辆的正常运行和护送人的旅行安全。

汽车功能的连续浓缩和汽车结构的复杂性,汽车故障诊断的难度不断增加。故障诊断方法的研究具有高实时性能、精度和可预测性提高汽车安全性能具有重要意义,确保行车安全。作为汽车的核心部件之一,发动机是故障率高的一部分。领域是非常重要的汽车制造和维护能够及时、准确地判断发动机故障的类型。

发动机故障诊断是指车辆信息和状态的实时监控,分析发动机运行状态,及时判断故障类型和预警信息一旦发现异常。与故障诊断技术的不断进步,经历了四个阶段:人工诊断,instrument-assisted手册诊断专家系统诊断和智能诊断。具体如下:在1950年代,在人工检验阶段,汽车的内部结构相对简单,并没有许多电子设备部分。因此,相应的故障诊断可以依靠人工经验完成。在1950年代到1970年代,手动检查和简单的仪器和设备融合诊断阶段:使用万用表、真空计、和其他设备和仪器测试相关的装配和零件,减少测试人员的技术水平要求。在1990年代和1980年代,在专业设备诊断阶段,各种精密检测手段以计算机为核心的广泛应用,如引擎分析仪器和电子设备检测仪器,进一步提高故障诊断的准确性。在1990年代,在智能诊断阶段,人工智能理论和技术集成的应用现代先进理念,各种不同的系统实现自动检测的发展,它提供了一种快速诊断和安全地使用车辆的基础。其中,人工诊断主要是确定起动发动机故障的原因通过人类经验判断的方法,适用于车辆系统结构相对简单。Instrument-assisted手册诊断可以提高诊断的效率和准确性的一些仪器、设备。专家诊断系统,依靠专业的故障诊断设备,可以通过信息集成和计算机分析判断故障类型(1]。智能诊断结合人工智能算法,计算机技术和专家经验和与引擎集成形成一个车载故障诊断系统,进一步提高了故障诊断的实时性能和安全。它是目前使用最广泛的发动机故障诊断方法(2]。

2。相关工作

早在1950年,工业化国家开始生产单检测设备和性能调试设备的故障诊断和调试引擎。1960年之后,由于需求的增加,汽车的数量的增加,有一些简单的汽车保养,测试站,和更专业的应用设备,解决汽车的常见问题。随着经济的发展,汽车行业的发展非常重要,和旧的汽车维修技术,尤其是传统的人工诊断经验,不能满足发展需要的时间3]。一些发达国家吸引教训成熟机械诊断和修复技术在其他领域,并将它们应用于汽车故障。1970年之后,检测技术开发集成的自动检测和控制,数据采集和分析,结果打印等功能,并进行了out-of-car特定车辆的诊断的功能(4]。1978年,Sarna和Steyaert [5]从军工行业的经验和应用军事汽车发动机故障诊断专家系统,获取大量的数据。作为汽车的心脏,发动机的失败率非常高,所以发动机故障诊断的研究已成为一个热点话题。更多的电子控制系统技术被应用到汽车故障诊断和故障诊断技术的发展变得更加精致和复杂的6]。1980年之后,在历史舞台上先进的车载诊断系统是在发达国家,和许多汽车制造商安装故障自我诊断功能的产品。在这个时候,一个故障诊断专家系统被广泛用作高级out-of-car诊断工具。吴et al。2]的supercharacteristics神经网络应用于汽车发动机故障诊断和控制系统。人们发现,神经网络具有较强的容错性,大容量,良好的学习性能,和超级非线性映射特性,可以快速找到,分类和诊断潜在的缺点。1989年,Venkatusubramanian和陈7]在美国研究和设计了神经网络在汽车故障诊断中的应用使汽车诊断更聪明。与传统的诊断方法相比,智能故障诊断具有更快的速度和在线诊断和实验分析证明了将神经网络应用于故障诊断的可行性。Sharkey et al。1)进行了大量的研究和故障实验发动机和提出的诊断策略multineural网络,拥有更强大的诊断功能和远优于单一策略的诊断专家系统。在1990年代早期,multineural网络诊断是进一步发展。汽车故障诊断专家系统开发的方向multimodel multiknowledge诊断,研究对象是更广泛和普及更多的汽车系统。汉密尔顿和陆8)升级故障诊断系统,开发了汽车悬架装置技术通过研究状态监测和其他技术。Staszewski和危险9)汽车变速箱故障给人们一个新的理解使用神经网络模式和特殊振动信号提取通过特定的识别。汽车制动系统的综合诊断系统是一项新技术开发的M l·史密斯为伊顿,这是应用于制动系统的诊断。定期与事实数据集成后,事实数据和虚拟诊断输入信息是由神经网络推理互动,使故障诊断更加完美。

自1985年以来,机器学习等自动诊断技术已应用于国外汽车故障诊断。其中,测试专家系统是由福特公司和RuleMaster专家系统由法国雷诺公司公布了。在21世纪,随着云计算的兴起,大数据,神经网络,和其他新兴技术,国外汽车故障诊断技术继续“自动化、智能化的方向发展,极大地促进故障诊断技术的改进与发展。上面的方法已经被应用于发动机故障诊断,但仍有改进的空间在诊断的速度和准确性。

与支持向量机应用于汽车发动机故障检测(10),神经网络算法已经应用在许多领域11),它被应用于汽车发动机故障检测,如汽车发动机故障检测的概率神经网络(12)、神经网络和专家系统的故障诊断汽车发动机(13),混合模型基于神经网络和小波变换的故障诊断汽车发动机(14),和其他一些NN-based等汽车发动机的故障诊断方法和神经网络扭转振动15),模糊神经网络(16),或单一的神经网络17]。与其他NN-based方法相比,BP神经网络方法是使用少,但是已经有一些关于整个BP网络的故障诊断的研究(18]。在最近的研究对汽车发动机的故障诊断19),一个遗传算法应用和已经得到超越的结果20.,21]。因此,在本文中,我们采用改进的BP神经网络和GA算法对汽车发动机的故障诊断。

因此,自传统的BP神经网络算法的收敛速度慢和精度是不够的汽车发动机故障诊断的过程中,本文改进算法的收敛速度,通过引入动量项,和优化神经网络的权值和阈值,通过遗传算法的选择、交叉,和遗传特性,提出一种遗传算法(GA)优化BP神经网络故障诊断方法。比较仿真结果表明,该改进算法比传统的BP神经网络算法在诊断精度、准确性,和其他关键指标。

3所示。汽油发动机的故障诊断

3.1。汽油发动机的概述和常见故障

由于引擎故障的快速诊断,第一需要的是了解发动机的基本结构和常见故障。汽油发动机的基本结构包括曲柄连杆机构、阀机制,点火系统(柴油机没有点火系)、燃料供给系统、润滑系统、冷却系统、起动系统和“两大机构和五系统”。有成千上万的零部件,以及各种复杂的电子电路系统。材料组成的各个部分种类繁多,加上复杂的生产过程,部分地区供应商的过程能力是不稳定的,不健全的组件和系统设计,耐用性测试设计不足,和过程的众多因素导致引擎系统,如频繁的失败率,如此迅速、正确、有效的故障诊断尤为重要对于每个汽车制造公司。

3.2。汽油发动机的典型故障迹象

汽油发动机由不同的厂家有不同的品种和规格,和错误的类型也不同,大致可分为机械系统故障、点火系统故障,电子控制系统故障,燃油系统故障。针对汽油发动机的典型故障,相关理论资料收集和总结相关经验,典型的发动机故障的原因和解决如下:(1)汽油发动机不能启动:根据大量数据,汽油发动机正常运行的压力读数应该是250 - 300 kPa。从引擎空转短时间油门,发动机燃油压力不应超过这个范围。如果燃油压力是正常的,可以消除石油传输系统故障。在这个时候,检查以下电器元件:(我)曲轴位置传感器,曲轴位置传感器可以传送点火基准信号和速度参数的汽油发动机。如果电子控制单元没有点火的参考信号和速度参数是正常的,传感器的故障可以被消除(2)开始信号:启动信号是由电子控制单元之间的连接和起动机的电磁线圈。电子控制单元也使用这个信号启动和强化。检查发现信号消失了,上面的函数不能生产,发动机不能启动,证明组件损坏。(3)冷却水温度传感器:确保发动机冷态材料需要提供特殊的燃料。冷却水温度传感器检测冷却水温度和水温信息传送到电子控制单元。数据通过传感器电阻值的影响。当传感器发生故障时,电阻值高,和电子控制单元不能发出正确的指令,所以发动机不能启动(iv)节流阀或节气门位置传感器:当油门达到全开位置时,阀门限位开关油门信号信息传送到电子控制单元通过节气门位置传感器;这个信号是一个重要的信号,发动机启动信息,如果在收到节流阀打开信号,启动信号,电子控制单元喷油器脉冲控制,启动引擎。如果油门传感器错误,不断发出“卸载”信号,导致汽油发动机的正常运行(v)电子控制单元,电子控制单元的指挥中心是所有的传感器;传感器输入的信息进行分析,然后导致喷油器产生特定的脉冲。如果所有的输入信息是正常的,检查电子控制组件和连接错误(vi)燃油喷射系统故障:喷油器是发动机正常启动的一个重要因素。常见故障包括不稳定的喷射压力、喷射雾化差,和石油泄漏的注射器。这些因素会影响发动机的正常开始(七)点火失败行:点火,火花塞故障,点火时间过早点火的主要断层线,和点线失败会影响发动机启动。(2)汽油发动机冷启动困难:它指的是正常启动汽油发动机在正常或热条件下,在寒冷的条件下,很难开始。分析其原因包括冷却水温度传感器故障,电动燃油泵的失败,怠速控制阀故障。其中,冷却水温度传感器故障直接影响到燃油喷射量,间接影响发动机启动。电动燃油泵的失败导致燃油压力不足,这使得很难启动引擎。当冷却水温度传感器发送的信号需要额外的燃料,怠速控制阀将提供额外的空气,阀不能正常工作由于机械故障和电子元件故障(3)汽油发动机在怠速过程中经常熄火:如果正常点火系统的工作原理,下面的组件需要被测试

闲置的汽车或其电路损坏;低怠速发动机失速的主要原因。(我)燃油系统:失败可能有很多原因,比如没有电信号燃料泵;燃油压力不足、油泵、压力调节器和其他原因的失败可能会导致燃料喷射器流动不足,或损坏或堵塞燃油系统的电路如油泵和燃料过滤器(2)电子控制单元:闲置在电子控制单元控制模块的控制,以及喷油器无法正确识别的燃油喷射量,导致汽油发动机停止运行(4)汽油发动机的怠速不稳定:低怠速或不正确的点火时间是怠速不稳定的主要原因,此外,造成不稳定因素的汽油发动机怠速也可能有以下几点:(我)喷油器:汽缸没有及时的维护,是严重污染,导致喷油器被阻塞,喷射管的实际喷油量急剧下降,和气缸内混合气浓度不足,导致发动机怠速不稳定,容易熄火(2)燃油压力调节器:主要作用是调整燃油压力,燃油压力调节器失败是一个重要因素影响燃油压力和进气歧管绝对压力传感器传输数据,其真空软管泄漏最终会导致怠速不稳定,容易熄火(3)进气歧管绝对压力传感器:通过真空歧管的变化,影响了电子控制单元燃油喷射和点火正时的角度。常见故障原因是传感器本身的短路或断路,真空管损坏,输电电压不可控,和其他因素。破坏真空软管的进气歧管压力传感器,异常泄漏,或堵塞会导致引擎闲置不稳定和容易熄火(iv)缸失火:线圈的过错、火花塞、高压线一缸失火的可能是一个重要原因。目前,大多数电子控制汽油发动机电脑数值控制点火系统直接点火的主要模式。失败的原因是点火线圈损坏,高压换行,火花塞不火,电线圈,喷嘴不喷油会导致引擎怠速不稳定,容易熄火。(v)进气系统泄漏:进气系统是受发动机转速的变化,和进气或泄漏会影响怠速,导致怠速不稳定(vi)怠速控制系统工作失常:电气电控汽油发动机故障,怠速控制阀机械故障造成的停滞和宽松的封闭的漏风,扰乱原始空闲闭环控制系统工作时间将导致闲置不稳定现象,容易熄火(5)高油耗:节气门位置传感器的最大可能的故障是:当油门达到全开位置时,阀门限位开关提供了一个完全开放油门信号,电子控制单元通过节气门位置传感器,节气门位置传感器的作用。节流失败时,电子控制单元错误地认为油门全开,错误地增加燃料的数量,导致油耗高(我)燃油压力系统:燃油压力会影响燃料消耗水平,从而影响汽车的经济。燃油压力过高会导致太多的燃料注入每一次打开喷射器。过低燃油压力将导致太薄混合物浓度和燃油喷射燃烧不足会影响燃料消耗(2)冷却水温度传感器:该传感器检测发动机温度是一个重要的设备。如果传感器短路、断路或偏离校准值和其他缺点,它会导致冷状态的连续发射增强信号,导致电子控制单元调整不平衡,太多的喷油

3.3。汽油发动机故障诊断方法

本文基于汽油发动机故障诊断的基本方法,它可以提高智力的程度和快速智能故障诊断。现有故障诊断方法主要依赖于先进的传感器技术,根据汽车在车里没有拆卸或不完整的情况下解散,快速、准确和客观的获取发动机工作状态的所有信息,和动态跟踪,通过大样本数据,专家数据库,分析和处理,分离和鉴定,最后的诊断引擎。与市场需求的升级,计算机应用技术、移动互联网技术、传感器技术、人工智能技术也不断发展和改善,高效、准确的信息收集、集成和判断的前提没有拆卸汽车一直是可能的。

4所示。方法介绍

发动机电子控制不仅是故障诊断的基础,而且实验数据收集后的有效组成部分。只有充分的理解基本的故障诊断常用的方法我们可以提供强大的先验知识后人工智能故障诊断模型。目前,虽然有很多类型和种类的汽车发动机电子控制系统的控制原理和结构成分基本上是相同的。发动机启动喷射和点火和其他设备,最后,发动机正常运行。

电子的电子控制系统由传感器、执行器和汽油发动机的电子控制单元。传输数据信息的传感器设备在各种工作条件下发动机的信号。它可以放置和使用在不同地区的引擎根据车辆模型和传感器空间的大小。传感器收集信号后每个工况下的发动机,信号源的信息应该转换成可以识别的电子控制单元接收到的电信号,电信号传输到电子控制单元。电子控制单元是一个汽油发动机电子控制系统的重要组成部分。需要发动机工况参数通过传感器作为输入,选择高质量的执行命令根据相应的控制策略,并将执行命令到执行机构,从而实现汽油发动机运行状态的有效控制。值得一提的是,电子控制单元包括一个故障诊断功能。如果引擎失败,电子控制单元可以存储故障参数,并在一定条件下,输入错一瘸一拐的控制方式,以确保车辆可以驱动一个安全区域或维修店。致动器包括点火器、怠速控制阀,燃油泵,废气再循环阀和喷油器,电子控制单元的信号,输入驱动器,驱动器输入源信号转换成机械运动输出通过转换。他们一起运行引擎。

4.1。引擎故障类型介绍

故障诊断的过程中准确地定位组件的故障发生的原因(故障)根据故障征兆,所以建立故障征兆之间的关系和断层的原因是故障诊断的首要任务。根据汽油发动机的常见故障部分3之间的关系,设计主要部件的故障现象和故障原因中可以看到表1。

从表可以看出1,故障的原因结果是故障症状,如下。(1)故障诊断的发动机启动困难,相应的迹象(故障现象)包含空闲或怠速控制阀的故障,点火线圈,节气门故障或入口管泄漏,空气流量传感器故障,火花塞故障,曲轴位置传感器故障,进气歧管绝对压力或温度传感器故障、燃料供给系统、点火时间不对,喷油器的失败,点火线圈,蓄电池没有电,等等(2)有时引擎熄火故障诊断,其相应的故障症状包括点火线圈故障,空气流量传感器故障,火花塞的错,和不适当的点火时间(3)引擎加速回火诊断,其相应的故障症状包括氧传感器故障、进气管绝对压力或温度传感器故障问题,燃料供给系统故障,喷油器故障,节气门故障或进气管泄漏,点火时间是错误的,怠速是不恰当的(4)故障诊断发动机熄火的由于不稳定的怠速,其相应的故障症状包括闲置或怠速控制阀的过错,点火线圈,空气流量传感器、节气门故障或入口管泄漏,火花塞故障,进气歧管绝对压力或温度传感器故障,点火时间是错误的,注射器,点火线圈的错,缸碳和氧传感器故障(5)引擎速度难以控制诊断,其相应的故障症状包括氧传感器故障,点火线圈,进气歧管绝对压力或温度传感器,燃料压力不稳定和喷油器的故障,空气过滤器,火花塞故障,开放的节流阀故障或进气管道泄漏和传感器故障,点火时间是错误的,和空气流量计的错(6)发动机故障诊断气喘吁吁或弱加速度,其相应的故障症状包括点火系统时间、强度、空气滤清器、进气歧管绝对压力或温度传感器故障,点火线圈,燃油压力,油门故障或进气管道泄漏和火花塞故障,缸碳积累,喷油器的错(7)发动机爆震故障诊断,其相应的故障症状包括缸碳积累,火花塞积碳过多或失败,点火时间并不准确(8)故障诊断发动机超温,相应的故障症状包括缸碳积累,温度传感器故障,冷却和润滑系统故障,(9)发动机排气消声器拍摄故障诊断,其相应的故障症状包括消防系统时间并不准确,燃油压力不稳定,油门故障或进气管泄漏,氧传感器故障,火花塞故障,喷油器故障,怠速不当等。

4.2。的基本过程和缺陷BP神经网络故障诊断

神经网络的输入向量 和预期的输出向量 定义:输入和输出向量 和 隐层单元;输入和输出向量 和 输出层单元;输入和输出向量 和 输出层单元。连接输入层和隐层之间的重量 , , ,,隐藏层和输出层之间 , 。每个单元的输出阈值的隐藏层 ,和每个单元的输出阈值在输出层 。使用 - - - - - -类型函数响应函数,信号传输规则的BP神经网络可以建立如下。

的方程神经网络输出和期望输出误差的均方误差

重量和阈值校正函数的隐层到输出层

重量和阈值修正函数从输入层到隐层

的公式,表示训练样本的数量,代表输入参数的数量,代表输出参数的数量,代表隐藏层的数量,和修改参数。代表了错误,代表了均方误差,代表了每个单元的泛化误差在输出层,和代表了每个单元的泛化误差的隐藏层。

BP神经网络已广泛应用于故障诊断由于其强大的学习能力和非线性逼近的特点。其基本流程如下:

步骤1:获取样本数据对应发动机故障现象和症状,形成故障模式和规范化数据样本集。

步骤2:初始化神经网络的连接权值和阈值,并提供处理方式对神经网络的在线学习和培训。

步骤3:故障征兆数据作为神经网络的输入和输出加权处理后得到的数据隐藏层和输出层。

第四步:计算误差的平方和之间的输出数据和预期的输出根据公式(1),反向传输和修改重量阈值根据公式(2)- (5);

第五步:重复步骤3和步骤4,直到误差的平方和最小。

尽管BP神经网络具有强大的非线性映射能力,它仍然有以下缺陷:(1)学习收敛速度慢,需要大量的训练样本上百次的反复学习(2)容易陷入局部最小值(3)等参数的选择隐层单元的数量和初始体重阈值依赖于人工经验,有一定的盲目性

4.3。改进的BP神经网络故障诊断方法

4.3.1。引入动量项来提高收敛速度

在传统的BP神经网络算法,从公式(2)(4),可以看出修改的重量和阈值的梯度下降法只考虑当前时刻,即只考虑误差的影响因素,不考虑梯度方向前一刻,这很容易导致学习过程的振荡,陷入局部最小值、收敛速度慢。

为了解决这个问题,我们可以引入权重和阈值修正变量前一时刻的修正公式,以便每次传输的体重变化,也可以调整重量变化的平均方向错误的底部表面,并有助于使网络跳出局部最小值的误差曲面。修改后的重量阈值公式如下。

它可以使体重调整变化的平均方向错误的底部表面,使网络跳出局部最小值的误差曲面。修改后的重量和阈值的公式如下:

在哪里是动力因素,当 ,修改后的公式与传统算法是一致的,也就是说,只有当前输出错误被认为是梯度下降法;当 ,改进后的重量和阈值变化符合前面的重量和阈值的变化,也就是说,只有以前的梯度下降训练输出误差。因此,当增加动量项时,在局部最小值地区,也就是说,和接近0,仍有以下几点:

因此,可以有效地避免调整值0和神经网络的输出可以跳出局部最小值。

4.3.2。遗传算法优化权值和阈值的初始值

故障预测系统是一个非线性系统以来,BP神经网络的初始权重阈值的选择有很大的影响在训练时间的长度,收敛的速度,以及它是否会陷入局部极值,从传统的BP神经网络故障诊断过程中,阈值的选择的初始权重通常依赖于人类经验;这会带来很大的不确定性,建立BP神经网络模型,而遗传算法模拟生物进化模型,通过选择、交叉、变异,可以保持个人良好的健身价值和消除坏的个人健身价值,以获得初始权重和阈值最好的健身价值。

4.4。该方法的介绍

改进的BP神经网络故障诊断算法流程如下:

步骤1:获取样本数据对应发动机故障现象和症状,形成故障模式和规范化数据样本集。

步骤2:使用遗传算法来优化神经网络的初始连接权值和阈值,提供和加工方式对神经网络的在线学习和培训。

步骤3:故障征兆数据作为神经网络的输入和输出加权处理后得到的数据隐藏层和输出层。

第四步:计算误差的平方和之间的输出数据和预期的输出根据公式(1)和修改重量阈值通过引入改进的公式(6)和(7)的动量项

第五步:重复步骤3和步骤4,直到误差的平方和最小。

步骤6:使用训练有素的改进BP神经网络故障诊断模型诊断故障现象,判断故障类型。

5。实验和结果分析

为了验证本文提出的改进算法的优越性,MATLAB模拟被用来进行故障诊断仿真实验传统BP神经网络和改进的BP神经网络,分别。16种常见的导致发动机故障现象和对应关系如表所示1被用作故障诊断对象。

在仿真的过程中,故障的原因与数字编号1 - 16和关键目标训练样本的输出。故障现象是由0和1,分别构成训练样本的输入。然后,得到训练样本对,如表所示2。

在仿真的过程中,故障的原因与数字编号1 - 16和关键目标训练样本的输出。故障现象是由0和1,分别构成训练样本的输入。然后,得到训练样本对,如表所示2。神经网络的参数设置如下:训练样本的数量 ,数量的输入参数 ,数量的输出参数 ,数量的隐藏层 ,和修改参数 和 ,动力因素 ,迭代次 ,人口规模 ,交叉概率 ,和变异概率 。

建立了MATLAB的神经网络训练模型;故障样本模式的训练后,第一个选择16组神经网络数据进行测试和分析。仿真结果数据表所示3和4,模拟误差曲线如图1和遗传算法的优化曲线如图健身价值2分别可以获得。

通过分析仿真结果的表3和4,可以看出,传统的BP神经网络不仅具有一定的诊断能力训练样本,但也有一些错误诊断。16组样本数据的诊断正确率为75%,而故障诊断精度的改进BP神经网络算法在本文中是93.75%;诊断准确性增加了18.75%。

与输出绝对误差值作为评价指标,诊断错误数据的传统BP神经网络和改进的BP神经网络在本文中为每个组的数据如表所示5的误差分布如图16组数据1和健身价值优化的遗传算法如图2。

从表可以看出5和图1,输出结果的16组测试数据,每组数据的误差,本文改进算法比传统算法小。平均绝对误差的传统BP神经网络算法是0.5976,而改进的BP神经网络算法的平均绝对误差本文是0.1027。诊断准确率提高了82.8%。从图可以看出2,遗传算法不断优化的健身价值通过选择、交叉、和遗传特性,使神经网络的初始权重阈值的迭代次数时达到最优值 ,和最佳的健身价值为1.3827。

6。结论

汽车发动机故障诊断的过程中,本文的作者展示了传统的BP神经网络算法等问题缺乏收敛速度慢和精度。通过引入动量项改善算法的收敛速度,并使用遗传算法的选择、交叉,和遗传特征优化权重和阈值的神经网络故障诊断方法遗留的BP神经网络优化算法(GA)提出。平均绝对误差的传统BP神经网络算法是0.5976,而改进的BP神经网络算法的平均绝对误差本文是0.1027。仿真结果表明,本文提出的改进算法有一定程度的改善了传统BP神经网络算法的诊断精度,诊断的准确性,和其他关键指标,具有一定的应用价值。

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称,关于这项工作他们没有利益冲突。