汽車發動機智能故障診斷技術分析論文

近幾年隨着汽車工業的迅猛發展，電子技術在汽車上的普及應用。汽車已經成了機電液一體化的載體，各種智能科技技術的廣泛應用，給廣大汽車維修人員帶來了很大挑戰，而在眾多的汽車故障中以發動機故障最為常見，因此，掌握汽車發動機智能故障診斷和維修技術，對提高汽車維修質量有積極幫助。

0 引言

發動機是汽車的動力裝置，給汽車啟動和運行提供強大動力。隨着汽車使用里程和年限的增加，汽車發動機常常會出現這樣或那樣的故障，影響汽車行駛安全。隨着電子技術的發展和各種智能裝備的廣泛應用，發動機的結構越發複雜，給故障診斷帶來一定的難度，而智能故障診斷技術能夠實現發動機故障的快速、精確判斷，為故障維修提供了極大便利。文章首先介紹了智能診斷技術的發展趨勢，然後詳細分析了目前常用的幾種智能故障診斷技術。

1 發動機故障診斷技術的發展趨勢

對於汽車發動機來説，其工作過程中所產生的振動、熱量、噪聲等信息，都是對自身運行狀況的一種反映，一旦這些信息發生突變，很有可能是發動機出現了故障。而發動機智能診斷技術就是藉助於現代科技產品，收集發動機運作時所產生的一系列信號，然後結合人工智能分析技術，得出故障結論的一種方法。

發動機智能故障診斷技術的發展，與科技進步、新技術、新設備的研發應用密不可分，根據目前的技術現狀，可以預測未來發動機故障診斷技術的大體發展趨勢：

1.1 與現代信號處理技術的聯繫更加緊密

現代信號處理技術主要包含隨機信號處理、高階信號分析、時頻信號分析等內容，與以往所使用的經典信號處理技術相比，它在發動機信號收集、故障信號分析和判定以及模式識別能力上都有顯著增強。近年來，以現代信號處理技術為基礎的時頻分析法得到了廣泛應用，成為汽車發動機智能故障診斷技術的新亮點。因此，智能診斷技術要想得到不斷的完善和發展，離不開相關科學技術發展的支持，對於現代信號處理技術的依賴程度也會大大增加。

1.2 實現發動機故障診斷與設計製造的有機結合

現階段所使用的智能故障診斷技術，主要工作流程是當汽車發動機出現故障後，進行故障檢測與分析，在一定程度上延長了維修時間。隨着技術的不斷髮展，可以在發動機設計、製造的過程中，將故障診斷傳感器(信號收集系統)安裝在發動機內部，這樣一來，一方面能夠實現發動機故障的預判斷，降低了因發動機故障所造成汽車安全事故的概率;另一方面也對後期的故障診斷、維修提供了便利條件，節省了大量複雜信號的處理過程，對於降低診斷誤差也有積極幫助。

1.3 提高診斷裝置的實用性、標準性和可靠性

從整體上看，我國汽車發動機智能故障診斷技術在科研和應用領域取得了不錯成績，但是在實際操作過程中，仍然存在諸多關鍵性問題沒有得到有效解決。例如診斷裝置偏向於試驗，實際應用效果大打折扣，診斷設備的標準性有待統一和規範等。隨着新設備、新技術的不斷進步，以及市場秩序的不斷規範，智能故障診斷技術也會朝着實用化、標準化方向發展。

2 常見的發動機智能診斷技術分析

2.1 基於專家系統的智能診斷方法

事實上，專家系統智能診斷的原理就是收集各種已知的發動機故障問題和解決方案，然後程序員將這些問題、解決方式以編程方式輸入到計算機相應的軟件中，然後當發動機出現故障時，與數據庫內容進行匹配，實現故障智能診斷。其主要運作流程為：當汽車發動機出現故障後，利用專用的信號採集裝置，收集發動機故障信息，然後將這些信息傳送到計算機中。隨後將這些信息保存到專門的故障識別軟件中，將故障信息與數據庫進行比對，自動匹配與之相對應的故障類型，必要時還可以調用其他軟件和程序，最終查找到發動機故障。具體來説，數據庫的功能是存儲故障匹配標準，即將常見的發動機故障原因、故障預兆、解決方式等內容，以數據編程的形式存儲起來，以便於後期進行信息匹配與應答。

2.2 基於模糊數學的方法

模糊理論最早的提出，主要為了解決數學領域中一些問題，從而將一些經典的定理、公式和理論進行模糊化，以此實現數學問題的解決，在應用過程中逐步發展成完整的`推理體系。模糊數學之所以能夠應用到汽車發動機智能診斷技術中，主要是利用了數學建模和模糊診斷兩大功能。當汽車發動機出現故障時，將發動機的運行數據和故障信息進行綜合整理和方法分析，並以此為基礎建立模糊診斷模型。通過模型分析，能夠幫助技術分析人員在較短時間內確定故障源點，從而採取有針對性的故障維修方法。將模糊理論應用到發動機智能診斷技術當中，主要具有以下三大優勢：第一是將專家語言轉變成了計算機更容易識別的語言變量，降低了語言的理解難度係數，間接提升了故障診斷效率;第二是在進行多種故障分析時，能夠自動生成故障安全等級，從而根據故障等級實現有重點、有層次的處理;第三是對於不確定性問題的分析能力增強，提高了不確定性故障的處理能力。

2.3 基於故障樹的方法

故障樹分析是根據汽車工作特性與性能狀況之間互相構成的樹狀圖形，它以系統最不希望事件為頂事件，以可能導致頂事件發生的其他事件為第二級事件和第三級事件，採用邏輯門表示事件之間聯繫的一種倒樹狀結構，反映了系統的內在聯繫，零部件和系統之間發生故障的全部邏輯關係。但是由於邏輯結構較為簡單，故障診斷的範圍比較有限，因此多數情況下是作為現代汽車故障診斷技術的輔助方法。

2.4 基於人工神經網絡的診斷方法

人工神經網絡的提出是基於神經元模型的建立，從1943年該模型被建立，到目前為止人工神經網絡已經成為人工智能領域的一個重要分支。其工作原理主要是通過神經元以及相互之間的有向權重連接來進行各種隱含問題的處理。在實際應用過程中，人工神經網絡能夠完成較為複雜問題的分析，而且面對新信息有自主學習的能力。

通過與上述幾種方法進行橫向對比，可以看出人工神經網絡在發動機智能診斷上更具優勢，但是同時，由於受現有技術條件的制約，該診斷技術仍然存在一些有待改進的問題，例如故障診斷所需樣本容量較大，當樣本數目不足時，很容易使故障診斷出現偏差。

2.5 綜合方法

2.5.1 專家系統與神經網絡的結合

這種智能故障系統的診斷方法能夠在實際應用中自行地進行組織、學習，並進行模糊推理，運用該方法能夠解決傳統的人工智能方法中存在的不足，即較為複雜的知識獲取及推理過程。眾所周知，我們的大腦分為左半腦和右半腦，其中左半腦負責人體的邏輯思維能力，使人更趨向於理性化;而右半腦則負責人體的形象思維能力，使人更趨向於感性化。同樣，專家系統與神經網絡就像人體的左右半腦一樣，各負責發動機故障診斷的一部分，只有兩者協調作用，才能夠提升智能診斷效果。

2.5.2 人工神經網絡與模糊推理方法相結合

這兩種方法相結合，能夠大大提升知識的表示及知識的存儲效果，並且能夠提升智能問題的推理效率。這裏的神經網絡的主要功能是效仿人腦中的神經元思維，作用體現是進行自學及直接處理數據。模糊推理方法主要效仿的是人類的邏輯思維能力，能夠進行結構性的知識表達。因此可以對不確定的信息進行處理和調整。

2.5.3 神經網絡與案例推理的結合

這組結合中的案例診斷方法主要是將智能診斷中問題信息與自身存儲中的數據信息庫進行比對，從而搜尋出較為近似的診斷案例，提取出診斷方案，並對細節進行修訂後給出診斷結果。神經網絡與案例推理方法的結合能夠提高診斷效率，診斷過程中，通過對相似問題的處理，來縮減診斷過程的繁瑣。而且案例推理診斷不需要重新建立診斷對象模型，運用自身原有的知識進行技術指導，而且自身的適用能力較強，對問題的分析處理速度較快，同時可以對知識進行靈活的運行，自主完成動態問題的處理。

3 結論

汽車發動機利用智能診斷技術，能夠提升其問題處理效率，節省維修時間及費用。在各種智能診斷技術中，每一項技術都有各自的優點及缺點，在面對較為複雜多變的實際故障問題時，就應靈活運用各種技術，並能夠進行綜合的技術分析，進而實現對汽車發動機多種故障的診斷。