[发明专利]基于自联想型神经网络的变循环发动机多重故障诊断器

权利要求书

1.一种基于自联想型神经网络的变循环发动机多重故障诊断器，其特征在于：包括八个自联想神经网络；

所述自联想神经网络是由大量神经元相互连接构成的网络，它的拓扑结构为层状结构，且不同层的神经元之间没有链接关系，包含了3个隐藏层。第一个隐藏层被称为映射层，第二个隐藏层叫做瓶颈层，第三个隐藏层被称为解映射层。

所述八个自联想神经网络首先利用无噪声无故障的数据，网络的每一层神经元个数从一个相对较小的神经元个数开始逐步确定每层隐藏层的个数，不停的改变网络的结构，根据最接近输入和降噪性能最佳的标准来寻找最佳的自联想型神经网络结构，之后保持该结构分别根据正常模型和故障模型的仿真数据和改进型反向传播算法调整网络的权值。

所述八个自联想神经网络的输入都是传感器测量参数、对应的供油量W_f和模式选择活门MSV打开程度msv组成的n维向量m，八个自联想神经网络的输出分别为m₁'、m₂'、…、m₈'，八个自联想神经网络的输入分别与对应的输出比较得到差值r₁、r₂、…、r₈。

2.根据权利要求1所述的一种基于自联想型神经网络的变循环发动机多重故障诊断器，其特征在于：故障判断依据为网络的输入与输出信号的差值即残差，判断残差的大小是否在正常范围内，如果超出阈值则故障报警。既无部件故障也无传感器故障：当所有网络的残差都在选定的合适的阈值之下时，此时认为发动机是正常的，既没有部件故障也没有传感器故障；仅有部件故障：部件故障的出现会造成相应的故障模型(自联想型神经网络经过特定故障情况的训练)的残差在阈值之下，其他自联想型神经网络的残差均在阈值之上；仅有传感器故障：只有传感器出现故障时，对应故障传感器的残差会超出阈值，并且发生在所对应的自联想型神经网络中；既有部件故障又有传感器故障：相应的故障模型的残差，除了故障传感器对应的残差在阈值之上，其他残差都在阈值之下，并且其他自联想型神经网络的残差均在阈值之上。

3.根据权利要求1所述的一种基于自联想型神经网络的变循环发动机多重故障诊断器，其特征在于：所述的输入、映射层和瓶颈层共同表示为一个非线性函数G:R^m→R^f，它可以将输入向量的维数降低而达到设计的要求。该映射可以用以下表达式表示

T＝G(Y)

其中G是一个非线性矢量函数，有多个独立的非线性函数G＝[G₁,G₂,...,G_f]^T。用T_i表示瓶颈层第i个节点的输出或是向量T＝[T₁,T₂,...,T_i]^T,i＝1,2,...f中的第i个元素。Y＝[Y₁,Y₂,...,Y_f]^T表示网络的输入。因此，上述映射可以描述成G_i:R^m→R，它的构成为：

T_i＝G_i(Y),i＝1,2,...,f

4.根据权利要求1所述的一种基于自联想型神经网络的变循环发动机多重故障诊断器，其特征在于：所述的瓶颈层的输出、解映射层和输出层构成了第二层网络，其非线性函数模型为H:R^f→R^m，可以复制一个近似于来自瓶颈层元素输入的值。

这个映射可以用如下公式表示：

其中H为非线性矢量函数，由m个非线性函数组成，每一个输出都可以表示为H_j:R^f→R,则有：