汽车的心脏是发动机，影响到汽车行驶的动力性和经济性，伴随着资源的匮乏和道路的拥挤，人们对发动机提出了越来越高的要求。电控发动机已逐渐发展成为集电子技术、计算机技术、信息技术于一体的智能控制系统，这也给汽车维修人员提出了更高的技术要求，传统的发动机故障诊断方法已经很难满足现代发动机故障诊断的要求。由于神经网络具有容错、联想、推测、记忆、自适应、自学习和处理复杂多模式的独特功能，利用虚拟仪器技术和神经网络技术相结合的方法，可方便快捷地对发动机不同工况进行实时数据采集，并对采集的数据作有效的分析，直接给出诊断结果，这样可使汽车发动机故障诊断在一定程度上实现自动化和智能化。

一、神经网络进行故障模式识别的特点

基于神经网络的故障诊断，网络的输入神经元对应着故障征兆，输出神经元对应着故障原因。在整个诊断过程中，首先利用一组故障样本对网络进行训练，以确定网络的结构(中间层的传递函数和数目)和参数(连接权值和闭值)。网络训练完毕后，故障的模式分类就是根据给定的一组征兆，实现征兆集到故障集之间的非线性映射的过程。

利用神经网络进行故障模式识别具有以下特点:①可用于系统模型未知或系统模型较为复杂以及非线性系统的故障模式识别；②兼有故障信号的模式变换和特征提取功能；③对系统含有不确定因素、噪声及输入模式不完备的情况不敏感；④可用于复杂多模式的故障诊断；⑤可用于离线诊断，也能适应实时监测的要求。

典型的基于神经网络模式识别的故障诊断系统结构如图1所示。基于神经网络的诊断过程分为两步，首先，基于一定数量的训练样本集(通常称为“征兆—故障”数据集)对神经网络进行训练，得到期望的诊断网络；其次，根据当前诊断输入对系统进行诊断，诊断的过程即为利用神经网络进行计算的过程。在学习和诊断之前，通常需要对诊断原始数据和训练样本数据进行适当的处理，包括预处理和特征选取、提取等，目的是为诊断网络提供合适的诊断输入和训练样本。

[1] [2] [3] [4] [5]  下一页