分析仿真技术仿真技术在汽车发动机故障检测中研究

摘 要：众所周知，发动机对汽车来说具有重要的作用，因此，对汽车发动机的故障进行诊断越来越受到人们的重视，由于可以利用人工神经网络对输入以及输出参数进行非线性的映射，所以，采用改进的BP网络模型能够对各个参数实行动态的识别与仿真。利用人工神经网络原理，针对BP网络模型进行相关的改进，最后对汽车发动机的相关参数进行识别与仿真，实现汽车发动机的故障检测工作。
关键词：仿真技术；汽车发动机；BP网络模型；故障检测
现今，对于绝大多数汽车的发动机来说，其内部的传感器设备一般比较容易发生损坏，而传感器的损坏通常会使得发动机的状态分析结果出现比较大的偏差，因此，为了尽可能地降低分析偏差，我们适当地改进了人工神经BP网络模型，增强其自适应的能力，优化网络的收敛速度以及收敛方向，并且为其编制了对应的程序。下面我们利用人工神经网络原理对BP网络模型进行改进，并对汽车发动机的相关参数进行识别与仿真。

一、选取仿真参数

我们知道，对于汽车发动机来说，每转的喷油量对于发动机的运行情况具有重要的影响，因此，我们需要对汽车发动机每转的喷油量进行判别与仿真操作。在实行上述操作之前摘自：毕业论文文献格式www.618jyw.com
，我们需要先对仿真参数进行科学地分析，并且选取与其具有关联的参数进行输入，如果选取的参数不当，将有可能影响到结果精度。
本文选取的全部的参数都来自于奥迪A6型汽车所使用的1.8T的电喷发动机，我们总共选取了60组数据、7个参数以及30个节点，具体数据如下表所示：
■
通过人工神经网络对输出参数实行训练操作前，我们还需要将全部的输入参数以及输出参数进行归一化处理，确保各个参数的具体数值位于0～1之间，从而降低计算的工作量，避免扩大误差。

二、对仿真的结果进行分析

■
样本点k
上图表示的是汽车发动机在各种不同的工况状态下，利用网络对数据实行仿真后，其计算值和实际值间的比较结果。我们从上图可以看到，实际值与仿真值几乎具有一样的趋势变化。在实际的仿真试验中，实际值与仿真值之间所具有的误差大约维持在0.04内，而它们的平均相对误差大约是3%，这就说明该仿真技术基本能够满足汽车发动机的现场在线监测以及故障诊断工作，进而解决了因为传感器易坏等原因而引起的诊断不可靠问题。
从上面的例子，我们可以看出：对于改进后的BP网络模型，通过实际验证可以应用于汽车发动机的故障检测过程，而其具体的应用方式就是对BP网络模型进行在线运行操作，并比较网络的输出值和传感器的实际值，若其超过了事先设定的阈值，我们就可以说汽车发动机中的传感器出现了故障。
通过上面的叙述，我们可以看到：本文主要利用改进的BP算法去改修神经网络所具有的各个参数，同时，以奥迪A6型汽车的1.8T电喷发动机为例进行了参数仿真试验。我们从实际的仿真效果上看，该方法具有一定的可行性。虽然该方法能够检测汽车发动机的故障，然而，如何对汽车发动机的相关故障进行定位操作还有待于我们进一步深入地研究。
参考文献：
邱浩，王道波，张焕春.控制系统的故障诊断方法综述[J].航天控制，2004（2）.