一种发动机故障诊断方法
【技术领域】
[0001]本发明涉及发动机故障诊断技术领域，具体涉及一种发动机故障诊断方法。
【背景技术】
[0002]发动机作为工程机械的心脏，其性能的优劣直接关系到工程机械整个系统运行的动力性、经济性，可靠性，环保性以及安全性。随着发动机强化程度的提高，发动机的结构也变得非常复杂，工作条件也十分恶劣，发生故障的可能性大大增加。
[0003]发动机的长期使用摩擦、磨损及安装、调整维修不当等原囚，造成发动机各部机件的配合间隙过大，引起发动机各种异常响声。最常见的发动机磨损故障有:活塞敲缸响、活塞销子响、连杆轴承响、曲轴轴承响、气门响等。普遍应用的方法是靠诊断人员的观察和感觉以及简单工具，采用将个别症状放大或暂时消隐的方法进行诊断，这就要求具有相当的理论知识、操作技能和丰富的实践经验。随着近代科学技术的发展，人们通过利用各种传感器对发动机的各部件进行实时监测，但是实时监测的数据不具有代表性和不能自主筛选数据，会出现误报警的事件，影响驾驶员或维修人员的判断。
【发明内容】
[0004]为了克服现有技术中传感器监测到的问题数据导致误报警的问题，本发明提供一种发动机故障诊断方法。
[0005]本发明的技术方案是:一种发动机故障诊断方法，该方法包括步骤:
步骤一、获取传感器检测到的发动机参数数据；
步骤二、对步骤一中的数据进行预处理处理；
步骤三、利用遗传BP神经网络算法对步骤二的数据进行筛选；
步骤四、筛选后数据与设定特征频率范围进行比较；
步骤五、输出故障。
[0006]所述步骤一的传感器包括至少一个转速传感器和至少一个振动传感器。
[0007]所述步骤三中的遗传BP神经网络算法分为三部分:确定BP神经网络结构；遗传算法优化权值和阈值；BP神经网络训练及预测。
[0008]遗传算法优化BP神经网络后输出的是训练好的网络，用于对传感器检测到的数据进行筛选。
[0009]本发明有如下积极效果:本发明可以检测活塞敲缸响、活塞销子响、连杆轴承响、曲轴轴承响和气门响等故障，通过对不同部位的频率检测，可以检测出发动机的不同故障问题，达到了实时准确检测发动机故障的效果。此外本发明中利用了遗传优化BP神经网络算法对传感器测得的数据进行处理和筛选，提高了诊断的客观性和准确性，可以准确地诊断发动机是否存在某种故障，不会发生误报警的情况。
【附图说明】
[0010]图1是本发明中的发动机故障诊断方法的工作流程图；
图2是本发明中的遗传算法优化的BP神经网络的流程图；
图3是本发明中的神经网络算法的流程图。
【具体实施方式】
[0011]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。
[0012]一种发动机故障诊断方法，该方法利用了遗传BP神经网络算法对传感器检测到的数据进行筛选择优出最佳传感器测量值，然后与系统设定的特征频率范围进行比较得出故障结论，比之普通传感器数据一直发送数据控制器进行实时时刻比较处理数据来的准确度高，不会发生误报警的问题。
[0013]如图1所示，本发明的方法步骤包括:
SOl步骤一、获取传感器检测到的数据。传感器包括至少一个转速传感器和至少一个振动传感器，
其中，振动传感器位于汽油发动机监测点上，转速传感器位于发动机的主轴附近。振动传感器可以是压电陶瓷振动传感器或ICP加速度传感器；转速传感器主要指霍尔传感器、光电传感器或磁电式传感器，整个发动机故障故障诊断方法中至少要有一个振动传感器及一个转速传感器。如果振动传感器采用的是ICP加速度传感器，则采用恒流源为ICP传感器供电，保证ICP传感器处于标准工作电流范围。使用本发明的系统可以是手持式也可以是安装在汽车内部的配件，多种使用方式，可以随意选择，如果是手持式，使用时，传感器放在指定位置即可，安装在车体内部，传感器均会将实时检测到的数据发送到预处理模块进行数据预处理。
[0014]S02步骤二、对步骤一中的数据进行预处理处理。预处理是对传感器测得的数据进行归一化处理，归一化可以加快训练网络的收敛性，归一化的具体作用是归纳统一样本的统计分布性。无论是为了建模还是为了计算，首先基本度量单位要同一，方便下面遗传BP神经网络算法的使用。
[0015]因为遗传算法不能直接处理问题空间的参数，因此必须通过编码把要求问题的可行解表示成遗传空间的染色体或者个体。常用的编码方法有位串编码、Gray编码、实数编码(浮点法编码)、多级参数编码、有序串编码、结构式编码等。实数编码不必进行数值转换，可以直接在解的表现型上进行遗传算法操作。因此本发明先对数据进行预处理，每个染色体为一个实数向量。
[0016]S03步骤三、利用遗传算法优化后的BP神经网络算法对步骤二的数据进行筛选，得到最佳的传感器测量数据，以便准确的进行下步步骤，避免了传感器实时发送数据由于偶然误差引起的数据差异和误报警情况，而本发明中的传感器数据经过算法处理后不会发生误报警的情况。
[0017]BP神经网络的学习算法是基于梯度下降的，因此容易局部极小值，同时存在收敛速度慢及网络参数和训练参数难以确定等缺点。遗传算法是一种借鉴生物界自然选择和自然遗传机制的搜索算法，它能在复杂而庞大的搜索空间中寻找最优或准最优解，且有算法简单、适用、鲁棒性强等优点，它的应用目前很成熟。基于BP神经网络和遗传算法的优缺点，把二者结合起来使它们的优缺点互补，有很大的进步。