[发明专利]基于BP神经网络的发动机故障诊断方法

说明书

本发明公开了一种基于BP神经网络的发动机故障诊断方法，包括(1)采集发动机故障数据，列出发动机故障原因；(2)确定BP神经网络模型的最佳隐含层节点数，建立BP神经网络模型；(3)根据已有的故障数据训练BP神经网络模型；(4)利用训练得到的BP神经网络模型，对采集的发动机数据进行分析，确定数据所对应的故障原因。以往发动机故障诊断存在机理复杂、检测精度低、成本高、不能显示故障原因等缺陷，本发明主要应用在发动机的故障诊断诊断方面，比以往的方法更具优势性，节省了成本，提升建模效率，可以快速锁定最优的隐含层节点数。

技术领域

本发明涉及一种发动机故障诊断方法，尤其涉及一种基于BP神经网络的发动机故障诊断方法。

背景技术

随着人工智能、机器算法的不断发展，基于人工神经网络的故障检测方法比传统诊断方法越来越多地应用于解决复杂故障诊断问题。对于发动机这种复杂结构来说，在不结合神经网络之前，故障诊断困难大工序多。而应用神经网络对数据进行训练以求快速的得到处理结果，预测故障效果较好。特别是针对发动机的故障诊断这样复杂而繁琐的问题，传统方法不能减少工序，而采取神经网络的方法则可以快速定位和预测问题点。然而对于一个神经网络拓扑结构来说，输入输出都是系统自己定义的，但其中的隐含层的节点数却是难以确定的。用穷举法应对小的数据尚且可以，一旦数据量大了，这个方法有诸多弊端。对于现有的黄金分割法和二分法相对于穷举法来说是减轻了很多工作量，但它们存在收敛速度慢，效率不高的缺点。对于二分法来说，由于区间收敛取点，所带来的验证点增加的问题，无法避免；而黄金分割法的迭代步数则无法保证精简。故本发明提出的方法可以有效避免二者的冲突。

发明内容

发明目的：针对以上问题，本发明提出一种基于BP神经网络的发动机故障诊断方法，提高了确定BP神经网络隐含层的最佳节点数的效率，节省了计算资源，从而能够明显提高发动机故障诊断的效率以及准确率。

技术方案：本发明所采用的技术方案是一种基于BP神经网络的发动机故障诊断方法，该方法包括以下步骤：

(1)采集发动机故障数据，列出发动机故障原因；其中发动机故障原因包括喷油故障、油量消耗异常、针阀卡死和出油阀失效。

(2)确定BP神经网络模型的最佳隐含层节点数，建立BP神经网络模型；其中所述的确定BP神经网络模型的最佳隐含层节点，包括以下过程：

(21)对已有的发动机故障原始数据进行归一化处理；

(22)利用隐含层节点数确定的经验公式计算隐含层节点数的出现区间，经验公式为：

(m₁+m₂)/2≤n₁≤(m₁+m₂)+10

其中，m₁为输入层节点数，m₂为输出层节点数，n₁为隐含层节点数；

(23)采用平方分数法确定最佳的隐含层节点数。其中，平方分数法确定最佳的隐含层节点数包括以下过程：

(31)给定最终的不确定区间长度λ＞0，以及步骤(22)中获得的隐含层节点数的出现区间[a₁，b₁]，根据来确定迭代的最小次数N，然后计算，u₁＝a₁+(1-F₁)(b₁-a₁)，v₁＝a₁+F₁(b₁-a₁)，区间中点标志位