基于改进BP神经网络的柴油机故障诊断研究
教育信息化2.0行动计划
柴油机结构复杂，运动部件多，是多种干扰
激励源系统。 输入变量和输出变量之间，故障和征兆的
关系不明朗，存在不确定性，同时又是恶劣的工作环境
容易导致信号失真等，这些大幅增加了对柴油
发动机故障诊断很难。
神经网络包括输入输出非线性映射和并行处理
等特点，特别是其高度的自组织和自学习能力，使之成为
成为故障诊断的有效方法和手段[1]。 BP
Propagation (神经网络在各个领域使用最广泛
与网络相似，但也有不足的地方。 例如，在网络训练中
在足够的样本量下，网络也容易局部极小，得不到全球化
最优秀； 这是因为训练次数多的话学习效率低，收敛速度慢
故障模式多时，网络结构复杂，尤其是遇到复合
故障时，很难分辨。 本文是一个改进的
BP算法通过训练神经网络可以有效地改善其性能
的双曲正切值。 同时，柴油机燃油系统故障与燃油压力波形的
特点将改进的BP神经网络应用于柴油机燃油系统
故障诊断。 实验结果表明，预测故障的效果较好。
1 BP神经网络
使用BP神经网络，即BP算法的多层感知
器神经网络[2]。 探测器是前馈型网络结构
具有非线性映射、泛化和容错性。 BP神经网络包括
输入图层、隐藏图层和输出图层。 理论分析表明，单隐层感知
器可以映射所有连续函数，并且可以映射所有不连续函数
最多需要两个隐藏层。 单隐层BP神经网络模型
如图1所示。 BP算法学习过程从信号的正向传播
由误差反向传播的两个过程组成，图2是BP网络学
学习算法的流程图。
帖子日期： 2008-09-06图1三层BP神经网络结构模型
基于改进BP神经网络的柴油机故障诊断研究
黄勇、郭晓平
(大连理工大学内燃机研究所，大连116024 )
摘要：根据柴油机故障与征兆之间的关系，构造采用BP算法的前馈型神经网络结构，但采用了标准BP算法
神经网络训练进行训练，但存在收敛速度慢等问题。 因此，用追加运动量项的方法和自适应学习速度两种方法对标准BP
改进算法并将改进后的BP算法应用于神经网络训练，结果表明改进后的BP神经网络可以改善收敛速度慢的不足
重点，而且预测故障的效果很好。
关键词：改进BP算法神经网络； 柴油机故障诊断
图中分类编号： TK428文献标识代码： a文章编号： 1005-2550(2009 ) 02-0055-04
faultdiagnosisindieselenginebasedonimprovedbpartificialneuralnetwork
黄永，郭晓平
(internalcombustioninstituteofdalianuniversityoftechnology，Dalian 116024，China )
abstract 3360 thispaperintroducesaforwardneuralnetworkwithbplearningalgorithmbasedontherelationbetweenfaults
and symptoms in diesel engine，however，theconvergencespeedduringtrainingneuralnetworkwithstandardbplearning
algorithmwillbeslowsometimes.therefore，momentumtermandself-correctingstudyingrateshouldalsobeadoptedto
improvebplearningalgorithm.theresultshowsimprovedbpartificialneuralnetworkcanaccelerateconvergencespeed
in training process，andpredictthefaultsindieselengineeffectively。
keywords : improvedbplearningalgorithm； 空网络； 戴尔故障诊断程序
基于改进BP神经网络的柴油机故障诊断研究/黄勇、郭晓平设计研究
1.55
汽车科技二期2009年3月
1.1正向传播
输入层输入的输出信号x也以s形函数变化
交给隐藏层y，然后，将y作为输出层的输入信号
，经过s形函数变换，得到输出层的输出o。
x=(x1，x2，…，xi，…，xn ) t
y=(y1，y2，…，yj，…，ym ) t
yj=f (
m
i=0
i jxi-x j )
O=(O1，o2，…，ok，…，ol ) t
ok=f (
m
j=0
j k yj- y k )
如果o与期望输出D(D1，d2，dk，dl ) t不一致，
转移到误差的反向传播阶段。
一般来说，在BP算法的程序中采用了更多的东西
采用累积误差的分批方式，同时采用均方根误差
ERMS作为网络的总误差。
教育信息化工作管理系统
k-oPK(2
阿姨。
1.2反向传播
误差反向传输是指将输出信号以某种形式通过隐藏层
为每一层输入反转，以将误差分布到每一层的所有单元。
由此，得到各层单元误差信号，根据该误差信号
修正各单元的权重。 对于输出层，误差信号为 o
k、权值
调整量为W； 另外一方面，在隐藏层情况下，误差信号为 y
j、
权重调整量为V。 其中，
o
k=(dk-ok ) ok ) )1-ok )。
j k= o
k yj，w=(o
YT
(t
y
j=(
l
k=1
o
kj k ) yj(1-yj ) )。
i j= y
j xi，v=(y
XT
(t
权重不断调整的过程，也就是网络学习训练
过程。 这个过程一直进行到可以发生网络输出错误为止
接受程度ERMS1； 总误差不变
的情况下，学习率也不会变化。
因此，将上述两种方法组合起来，可以得到(t 1时刻)
网络的权重调整量如下。
w(t1 )=
xw(t ) ERMS (
xw(t ) ERMS不变
xw(t ) ERMS
设计研究
156
2 BP网在柴油机故障诊断中的应用
柴油发动机可用于柴油发动机故障诊断
构建障碍与征兆的关系构建神经网络结构。 在燃料系统中
例如，燃料压力波形指示柴油发动机燃料系统的一种
工作状态。 如果燃料系统的某个地方发生故障，整个液体就会
力系本来的状态发生变化，压力波形的形态也
由于相应地变化，所以可以将压力波形作为燃料系统
系统故障的征兆。 压力波形的状态信息主要出现在波中
在形状的结构形态上，同时可以从该时域波形直接提升
取波形的结构特征，表示为容易计算的特征空间。
2.1 BP神经网络体系结构
最大压力、启喷压力、次最大压力、波形宽度、上
上升沿宽度、波形宽度、最大余波宽度、波形面积等特征
特征最能体现燃料系统的状况，选择这8个参数结构
成为特征向量空间，即网络的输入信号。 本文诊断
故障主要有100%供油量(正常时d1 )、75%供油量
(d2 )、25%供油量) d3 )、怠速油量) d4 )、针阀卡死)小油
量d5 )、针阀卡死(额定油量d6 )、针阀泄漏(d7 )、油阀
失效(d8 )等8种故障。 所以如果我们建立三层BP网，
BP网络的输入节点数为8个，输出节点数也为8个
个。 经验公式[1]
(h=姑姑n l a )获得隐层神经元个
数h在[ 4，14 ]之间，其中a是1~10之间的常数。 经实
检验表明，当h取13时，可以得到最优解，因此隐层神经元
如果指定个数为13，则隐藏层节点的个数为13个。 网络测试的
结果如表1、表2所示。
表1网络测试期待输出d值(故障节点
期待输出为1，非故障节点的期待输出为0 )
d1 d2 d3 d4 d5 d6 d7 d8
d11000000000000 0
d20 10 00 00 00 00
d300 100 00 00 00
d40001000000000
D50 0 0 0 1 0 0 0
D60 0 0 0 0 1 0 0
D70 0 0 0 0 0 1 0
D80 0 0 0 0 0 0 1
t1 t2 t3 t4 t5 t6 t7 t8
t 1.99751.38 e-051.316 e-090.00014.94 e-069.57 e-083.97 e-10.00254
t 20.00020.99560.00170.00021.81 e-101.33 e-060.00567.24 e-13
t 0.00107.45 e-060.99875.59 e-050.00076.34 e-092.54 e-07.97 e-21
t 4.82 e-093.68 e-080.00050.99982.40 e-064.77 e-092.39 e-174.56 e-14
t 51.08 e-051.48 e-19.00063.69 e-060.99910.00067.22 e-140.0003
t 6.21 e-091.72 e-245.32 e-064.77 e-068.34 e-050.99880.00243.28 e-06
t 7.63 e-052.73 e-062.20 e-051.58 e-053.07 e-120.00070.99954.81 e-10
t 8.00043.36 e-093.69 e-10.00010.0013.11 e-059.21 e-150.9996
表2网络测试的结果输出t值
2.2 BP网络培训
首先，对输入变量x和期望输出变量d进行
数据归一化处理、各层神经元阈值及层与层的
神经元之间的连接权重被随机初始化，初始值全部
[-1，1 ]之间。 使用上述改进BP算法，对人工神经
进行网络训练，将学习率设为0.1，将运动量系数设为
0.1、为0.85，为1.05。 一旦调整权重后(t时
时刻(如果总误差增加，则下次的权重调整量为：
w(t1 )=
0.85x0.1w(t ) ER M S (
x0.1w(t ) ER M S不变
1.05x0.1w(t ) ER M S
2.3应用结果
职教云旧版本
系，本文作为这次的实验只列举了采用48组数据的东西
示例数据示例中，40组作为神经网络的学习训练
练习样本，8组作为测试样本。 实验结果得到并被采用了
使用标准BP算法时，需要指定的总误差和网络所需的
训练反复次数的关系图如图3 (b )所示； 而且，那是
采用改进的BP算法时，指定的总误差和网络所
必要的训练反复次数的关系图如图3(a )所示。
通过两者的比较，可以看出前者远远优于后者。 同时试验
考虑到精度和反复次数两方面的因素，本文中预先指定网络
综合误差为0.0001时，所需的训练重复次数为
2 627。 另外，得到表2所示测试结果，进行比较
该结果比表1所示网络测试的期望输出d值更明显
最大误差表示0.005 6。
基于改进BP神经网络的柴油机故障诊断研究/黄勇、郭晓平设计研究
157
汽车科技二期2009年3月
图3指定的总误差与网络所需的训练反复次数的关系
3结论
通过增加运动量项和自适应调节学习率
方法改进BP算法，并将改进的BP算法配对
神经网络进行训练，可以很好地加速BP神经网络
收敛过程，提高学习速度。 同时，根据柴油发动机燃料系统
故障和燃料压力波形特征是改进的BP神经网络
用于柴油机燃油系统故障诊断。 实验结果表明，事先
测量故障的效果很好。
参考文献：
[1]王静伟. BP神经网络改进算法研究[J] .中国水运
2008、8(1) :157-158。
[2]韩力群.人工神经网络教程[M] .北京：北京邮电大学出版
公司，2007年。
[3]成曙，张振仁.发动机现代诊断技术[M] .西安：西安交通
大学出版社，2006年
！ ！ ！ ！ ！ ！ ！ ！
汽车的设计有很多问题，对于这样的高速
道具行驶中的强度要求是最基本的。 速度越大，分别为
个零件的强度和刚性也越挑战越大。 一般来说，
检查零件刚度和强度是否满足要求采用直接试验
方法。 在CAE模拟被大量采用的时代，CAE软件也可以
模拟现实情况，找出问题所在。 本论文中
拆开的油箱内的传感器由于环境的特殊性，要试试
称重传感器晃动引起的传感器强度分析
耿广铮、杨宇
(东风汽车有限公司东风商用车技术中心，武汉430056 )。
摘要：油的粘性大，汽车行驶中加速度的变化幅度也大，现有的试验手段对油箱内的传感器产生了冲击
打击力的大小很难测量。 将CFD模拟的方法和有限元分析相结合，用流体计算软件计算传感器承受的压力，分析油
箱子的摇晃对传感器产生了什么样的影响； 作为边界条件，计算材料的强度是否满足要求，燃料的晃动是否建造在传感器上
会造成破坏。
关键词：油箱晃动传感器； 流体体积函数
中图分类号： U464.136.5文献标识代码： a文章编号： 1005-2550(2009 ) 02-0058-03
heavydutyvehiclefueltanksloshingandstrengthanalysis
光瑞，杨玉宇
(dongfengcommercialvehicletechnicalcenterofdfl，Wuhan 430056，China )
abstract:theviscosityoffuelisgenerallylargerthanwater，therateofaccelerationchangeishighwhenvehicleson
moving. Therefore，itishardbycurrenttestmethodstomeasurethepressurethatthesensorisimpacted.by the
combination of CFD and FEM，ananalysismethodisproposedforevaluatingthestrengthofthesensor.the pressure
withinthefueltankiscalculatedthroughthecfdmethod，andthentheresultistakenastheboundaryconditioninfem
forsolvingthestrengthproblemofthesensor.finaly，wecanhaveanestimatewhetherfuelsloshinginthetankwill
数字传感器。
Key words:tank sloshing； volume of fluid
受理日期： 2008-09-15
设计研究
158