汽车发动机设备故障检测范文

《计算机仿真杂志》2014年第六期

1汽车高速发动机故障检测原理

汽车高速发动机处在一个复杂的工作环境下，处在扰动环境中，汽车发动机故障节点检测通过提取环境内异常变化的电流信号进行故障判断的，往往采用多层结构，其检测原理如下:es(t)用于描述发动机电流信号幅度降低后的电源电流，iL(t)用于描述非线性负载电流，TLFNN需要通过三层的前馈采集设备完成，参考输入包括es(t)以及其在当前时刻之前其它时刻的值构成。但是，汽车高速发动机设备在发生故障过程中，一般会产生短时、瞬间电流异常，以此特征可作为设备发生对接故障的依据。传统的故障检测方法针对这种瞬间、小强度的电流特征，无法实时捕获敏感的电流异常故障特征，导致传统故障检测方法对这种敏感度不高的故障特征检测存在困难，漏检率较高。

2发动机故障优化检测过程

提出基于改进神经网络的故障检测方法，按照汽车发动机中电流峰值的波动状态，可检测汽车发动机中的故障节点，过程如下。

2．1采集过电流信号

发动机故障特征大多反应到电流信号上，假设汽车发动机检测部件中存在k条信息链，第j条信息链采集的电流特征信号为dj，其中:通过式(12)获取时期u中采集的电流特征信号在信息信道中的缓冲概率:式中，W表示信息信道缓冲范围中保存的电流特征信号量，电流特征信号可反映汽车发动机的电力状态，Mj(u)表示u时刻的电流特征参数，采用式(13)能够获取电流特征参数值:如果电流检测过程中具有较大的差异，则不同发动机部件的特征参数会产生一定的干扰。通过上述分析的方法，通过汽车发动机中的电流监测部件，可得到汽车发动机中的电流特征参数，为工业企业汽车发动机故障设备检测提供可靠的数据支持。

2．2非线性噪声滤波去噪处理

采用上述分析的方法，可采集汽车发动机中的电流异常特征参数。因为采集电流特征参数时会受到时间间隔的影响，存在不同噪声因素的不利影响，导致获取的电流特征信号中包含较多的噪声。通过非线性滤波方法能够过滤其中的噪声，增强数据的准确度，为汽车发动机中故障检测提供更为可靠的数据。非线性滤波方法对所有的电流特征参数进行划分，将其转换成6种不同的数据类型，再采用非线性滤波方法对不同的数据类型进行操作，确保冗余数据量的最低化。假设对电流信号进行监测的次数为n，塑造的电流特征参数监测矩阵为:最终完成对电流特征信号中的噪声的过滤操作，为汽车发动机中的故障节点的检测提供可靠的依据。

2．3电力特征参数离散化处理

对汽车高速发动机中的电流特征参数进行离散化操作，能够得到发动机的异常系数，对比分析汽车发动机正常的负载系数评估规范，可以对汽车发动机中的故障进行准确检测。按照上述分析方法可得电流特征参数为ηjk，假设{J1，J2，…，Jp}用于描述电流特征信号原始空间数据集，则采用式(23)可以获取邻居区域的相关性系数:式中，λ表示故障设备负载系数阀值，分析式(25)可得，如果发动机设备负载系数高于设备恶性负载阀值，则说明汽车发动机中包含故障设备，否则说明大型设备中不包含故障设备。

3实验结果

采用实验验证本文方法的有效性，分别采用传统的检测法以及本文方法对汽车发动机中的故障节点进行检测。从监测数据中任意采集电流特征参数，传统方法采用BP神经网络，对比分析相关的检测结果，获取的详细结果用图2描述。图2描述了10次实验数据结果，分析可得，采用本文方法检测汽车发动机中的故障准确率高于传统算法，说明本文算法具有较高的优越性。统计分析上述实验结果，得到的数据用表1描述。分析表1中的数据可得，汽车发动机中的故障节点功率较低时，采用本文算法进行汽车发动机中故障设备检测，具有较高的检测准确率，降低了检测误差，取得了令人满意的效果。

4结束语

本文提出基于改进神经网络的故障检测方法，依据高速发动机设备中的电流异常特征参数，采用神经网络的自适应性能获取电流的异常波动周期情况，把这种异常的电流信号当成一种特殊噪声，使用非线性滤波方法过滤电力特征参数中的其它噪声，对电流特征参数进行离散化操作运算系数，分析该系数同电气设备故障系数阀值间的关系，对高速发动机气路故障进行准确检测。实验结果说明，该种算法提高了故障检测的准确率。

作者：于江蛟单位：长春理工大学光电信息学院