CN104678988A - 发动机电控单元ecu电路故障诊断方法 - Google Patents

Abstract

本发明涉及一种发动机电控单元ECU电路故障诊断方法,属于发动机技术领域,本发明方法包括如下步骤：步骤一：构建神经网络拓扑结构，建立BP神经网络输入--输出模式映射关系；步骤二：输入样本从输入层传入，经各隐含层逐层处理后，传向输出层，这其中，通过遗传算法优化BP神经网络的初始权值，确定一个较好的搜索空间；应用L-M方法在这个局部解空间里对网络进行精调，搜索出最优解或者近似最优解。该方案采用遗传算法优化确定BP神经网络的初始权值，以一个较好的搜索空间代替通常初始权值的随机选取，加快收敛速度。

Description

发动机电控单元ECU电路故障诊断方法

技术领域

本发明属于发动机技术领域，具体涉及一种发动机电控单元ECU电路故障诊断方法。

背景技术

发动机是汽车运动的心脏，决定了汽车的性能的优劣。现代发动机已成为集电子技术、计算机技术、信息技术于一体的智能控制系统，集成化程度越来越高、结构也越来越复杂；然而，发动机的智能性却使得发动的故障诊断和维修成为制约汽车工业发展的瓶颈。

汽车发动机系统通过电子控制手段对发动机点火、喷油、空气与燃油的比率、排放废气等进行优化控制，使发动机工作在最佳状态。汽车发动机系统主要包括电控燃油喷射系统、电控点火系统、警告提示系统等。发动机故障诊断系统包括尾气检测，振动、音频等等的检测，但是缺乏对于发动机电控电路的检测系统，电子系统的可靠性已成为影响系统正常运行的关键，因此电路故障的诊断越来越受到重视。

发明内容

为了克服现有技术的不足，本发明提供一种发动机电控单元ECU电路故障诊断方法

本发明的技术方案是：一种发动机电控单元ECU电路故障诊断方法，包括如下步骤：步骤一：构建神经网络拓扑结构，建立BP神经网络输入--输出模式映射关系；步骤二：输入样本从输入层传入，经各隐含层逐层处理后，传向输出层，这其中，通过遗传算法优化BP 神经网络的初始权值，确定一个较好的搜索空间；应用 L-M 方法在这个局部解空间里对网络进行精调，搜索出最优解或者近似最优解。所述遗传算法优化BP 神经网络初始权值的具体流程为：步骤一：随机产生1组权重值，并对每个权重值进行编码，将网络中的权重值依次排列构成码链，每个码链代表网络的一种权重分布状态，1组码链则代表1组不同权重值的 BP 神经网络；步骤二：计算在每个对应码链下BP神经网络的误差函数，从而给出遗传算法所需的适应度函数，误差愈小适应度值愈高；步骤三：选择若干适应度函数最大的个体构成父本；步骤四：利用交叉、变异等遗传操作算子对当前一代群体进行处理，产生新一代群体；步骤五：重复步骤一至四，使权值分布不断进化，直至达到训练目标为止。所述L-M 方法在局部解空间对网络精调将BP 神经网络的权重和阈值更新公式变为 ，其中，J为误差对权值微分的雅可比矩阵，e为误差向量，μ为一个标量。

本发明有如下积极效果：该方案采用遗传算法优化确定 BP 神经网络的初始权值，以一个较好的搜索空间代替通常初始权值的随机选取，从而规避了 BP神经网络容易陷入局部极小的不足，然后应用 L-M方法在这个局部解空间里对 BP 神经网络进行精调，搜索出最优解或者近似最优解，从而提高了 BP神经网络的收敛速度。 

附图说明

图1 为本发明具体实施方式BP神经网络拓扑结构 。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

随着电子系统的广泛应用，其可靠性已成为影响系统正常运行的关键。现代智能故障诊断技术的发展，为模拟电路故障诊断提供了新的途径，BP 神经网络是适合模拟电路故障诊断的有效方法之一。BP 神经网络把 1 组样本的I/O问题变为一个采用梯度下降法进行非线性优化问题，只要网络的隐含层单元数量足够且激活函数足够光滑，单隐含层前向神经网络能以任何精度逼近任意连续函数。因此，选取适当的输入量和输出量，使模拟电路故障的规律转化为输入对输出的映射问题，经过充分训练的 BP 神经网络就可以用于模拟电路的故障诊断。

BP 神经网络一般含有输入层节点、输出层节点，以及1个或多个隐含层节点，典型的3层BP神经网络拓扑结构如图1所示。BP神经网络能学习和存贮大量的输入-输出模式映射关系，且无需事前揭示描述这种映射关系的数学方程。BP 神经网络学习算法的基本思想是，正向传播时，输入样本从输入层传入，经各隐含层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层反传，并将误差分摊给各层的所有单元，从而各层单元获得误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值

不断调整的过程，就是 BP 神经网络的学习训练过程。该过程一直进行到网络输出的误差减少到可接受的程度，或预先设定的学习次数为止。

BP 神经网络把1组样本的I/O问题变为一个采用梯度下降法进行非线性优化问题，只要网络的隐含层单元数量足够且激活函数足够光滑，单隐含层前向神经网络能以任何精度逼近任意连续函数。因此，选取适当的输入量和输出量，使模拟电路故障的规律转化为输入对输出的映射问题，经过充分训练的 BP 神经网络就可以用于模拟电路的故障诊断。

一、基于组合优化的 BP 神经网络诊断

BP 神经网络训练的最优化问题，需要寻找到一个权集，在此权集下使得输出结果与期望结果误差最小。但是，由于 BP神经网络结构非常复杂，因此这是一个非常困难的问题。尽管很多研究者提出很多改进方法，这些方法在一定范围内优化了网络性能，但并没有使缺点得到本质改变。

1) 由于 BP 神经网络所采用的梯度下降法虽然最初几步网络输出误差下降较快，但随着接近最优值时，由于梯度趋于零，使目标函数下降缓慢。因此，研究人员提出了如附加动量法、自适应学习速率法、Levenberg-Marquardt( L-M) 法等改进算法，其中 L-M 方法可以使学习时间更短，在实际应用中效果较好。

2) 遗传算法( Genetic Algorithm，GA)是一种基于自然选择和遗传变异等生物机制的全局性概率搜索法。它的搜索优化依靠群体搜索策略和群体中个体之间的信息交换，与 BP 神经网络非线性优化采用的梯度下降法的梯度信息无关。根据 GA 和 L-M 方法的优点，本文采用一种组合优化的方案，即首先通过 GA 优化确定 BP 神经网络的初始权值，确定一个较好的搜索空间，以代替一般初始权值的随机选取，然后应用 L-M 方法在这个局部解空间里对网络进行精调，搜索出最优解或者近似最优解。该方案可以克服 BP 神经网络固有的缺点，发挥 BP 神经网络的广泛映射能力和遗传算法的全局搜索能力，综合提高网络的学习速度和学习过程中的逼近能力及泛化能力。

二、 BP 神经网络的 L-M 优化

L-M 方法是一种数字优化技术，是梯度下降法和牛顿法的结合。将 L-M 优化方法应用于 BP 算法中，BP 神经网络的权重和阈值更新公式变为

（1）

式中 J为误差对权值微分的雅可比矩阵，e为误差向量，μ为一个标量。依赖于μ的幅值，该方法光滑地在2种极端情况之间变化: 即牛顿法(当μ→0) 和著名的最速下降法( 当 μ→ ∞)。随着μ的增大，J^TJ 项可以忽略，因此学习过程主要根据梯度下降，即μ^－1J^Te项。只要迭代使误差增加，μ也会增加，直到误差不再增加为止。当已经找到最小误差时，μ会很大，使μ^－1J^Te接近于零，则学习过程停止。

三、BP神经网络的 GA 优化

本发明采用 GA 来优化训练网络的初始权值。这种结合方式的基本原理是固定网络结构，用 GA 作为 BP前向网络的学习算法。借助遗传算法优化神经网络初始权值的步骤如下:

1) 选定网络结构和学习规则。随机产生 1 组权重值，利用某种编码方案对每个权重值进行编码。将网络中的权重值依次排列构成码链。每个码链代表网络的一种权重分布状态，1 组码链则代表 1 组不同权重值的 BP 神经网络。

2) 计算在每个对应码链下 BP 神经网络的误差函数，从而给出遗传算法所需的适应度函数，误差愈小适应度值愈高。

3) 选择若干适应度函数最大的个体构成父本。

4) 利用交叉、变异等遗传操作算子对当前一代群体进行处理，产生新一代群体。

5) 重复上述步骤，使权值分布不断进化，直至达到训练目标为止。

上述方法的关键是解决权重值的编码方案，即网络初始和染色体之间的相互映射问题，具体设计实现如下:

1) 染色体编码及其描述。二进制编码虽然形式自然和直接，交叉和变异算子也可直接使用，但是为了提高编码的精度，必须使用较长的编码，若编码过长，计算量很大，进化速度会很慢，因此为了取得较为满意的结果，本文采用了实数编码的方法。

2) 适应度函数设计。GA 的搜索目标是所有进化代中使 BP 神经网络的误差平方和最小的网络权重，但 GA 只能朝着使适应度函数值增大的方向进化。因此，本文根据产生的权值以及阀值所对应的BP 神经网络，计算出 BP 神经网络的误差平方和，适应度函数则采用误差函数的倒数，表述如下

（2）

式中，t^p _j为第 p 个训练样本下第 j 个输出节点的输出值，y^p _j为标准输出值，P为训练样本个数，m为输出层神经元数，i = 1，2，…，L，L 为种群规模。

3) 选择操作。本文采用一种改进的排序选择方法，这种方法经过大量仿真计算证明简单方便而且非常有效。即排序选择的结果实际是把序号在前的 n个体复制2份，淘汰序号在后面的n个体，序号在中间 P_op－ 2n个体复制 1 份。这种做法既能保证群体规模不变，又能较好地抑制非成熟收敛，且容易编程实现。

4) 交叉运算。对于实数编码来说，需要直接在问题空间进行运算。因此，本文采用 2 点算术交叉，即 2个染色体经过线性组合产生出 2个新的染色体。

5) 变异运算。变异有 2个目的: ①使遗传算法具有局部的随机搜索能力，在接近最优解的邻域时加速向最优解收敛; ②维持种群多样性，防止出现不成熟收敛。由于采用实数编码，所以本文采用非均匀变异算子进行变异运算。

6) 将 GA 搜索到的最优局部空间作为 BP 神经网络训练的初始空间，将 GA 进化得到的权值作为BP 神经网络权值的初始值，由 BP 神经网络进行进一步训练，进行局部精确搜索。

BP神经网络的训练样本优化BP 神经网络训练样本数据是网络设计和训练的基础。样本数据选择的科学合理性及数据表示的合理性，对于神经网络设计及故障诊断的效果有极为重要的影响。因此，本文假设算法自身以及网络拓扑结构已经达到相对优化，仅通过对模拟电路训练样本的优化来达到提诊断效果的目的。采用 BP神经网络方法进行电路故障诊断时，获取训练样本的一般方法是对电路各元器件取标称值，然后对电路进行故障仿真，取得训练样本。此时训练的网络对于元器件取标称值时的电路故障状态具有很强的分类识别能力，但实际电路中的各个元器件均有一定的容差，在容差情况下，再次使用上述网络进行诊断，其诊断效果就会有一定的下降。基于上述分析，可以得出提高网络泛化能力的一种途径: 在训练样本中，除标称值训练样本之外，再加入随机容差样本，经过这样的样本训练的网络，对元器件容差情况下的电路故障状态也会具有较强的分类能力。为此，本文采取“标称值 + 随机容差”输入向量来训练网络，即网络训练时，在输入一组标称值输入向量的同时，再加上一组带有随机容差的输入向量，若以P_N代表标称值训练样本，P_i( i = 1，2，…) 代表随机容差训练样本，T_N代表目标输出，那么在这种网络改进训练中，输入向量为P =［P_N    P_i］时的期望输出为 T =［T_N    T_N］。这样既保持了网络对理论输入的分类能力，又提升了其泛化能力。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (3)

1.一种发动机电控单元ECU电路故障诊断方法，其特征在于：包括如下步骤：

步骤一：构建神经网络拓扑结构，建立BP神经网络输入--输出模式映射关系；

步骤二：输入样本从输入层传入，经各隐含层逐层处理后，传向输出层，这其中，通过遗传算法优化BP 神经网络的初始权值，确定一个较好的搜索空间；应用 L-M 方法在这个局部解空间里对网络进行精调，搜索出最优解或者近似最优解。

2.根据权利要求1所述的发动机电控单元ECU电路故障诊断方法，其特征在于：所述遗传算法优化BP 神经网络初始权值的具体流程为：

步骤一：随机产生1组权重值，并对每个权重值进行编码，将网络中的权重值依次排列构成码链，每个码链代表网络的一种权重分布状态，1组码链则代表1组不同权重值的 BP 神经网络；

步骤二：计算在每个对应码链下BP神经网络的误差函数，从而给出遗传算法所需的适应度函数，误差愈小适应度值愈高；

步骤三：选择若干适应度函数最大的个体构成父本；

步骤四：利用交叉、变异等遗传操作算子对当前一代群体进行处理，产生新一代群体；

步骤五：重复步骤一至四，使权值分布不断进化，直至达到训练目标为止。

3.根据权利要求1所述的发动机电控单元ECU电路故障诊断方法，其特征在于：所述L-M 方法在局部解空间对网络精调将BP 神经网络的权重和阈值更新公式变为 ，其中，J为误差对权值微分的雅可比矩阵，e为误差向量，μ为一个标量。