论文部分内容阅读
随着汽车电子信息技术的迅猛发展,现代汽车的结构日益复杂,科技含量不断增加。现代汽车的故障诊断工作显得非常迫切。发动机的故障诊断和维修在汽车修理中占有极为重要的地位。统计数字表明,45%左右的发动机故障发生在点火系统,可见,点火系统工作质量的好坏直接影响到发动机的技术状况,其故障诊断具有重要意义。首先,本文在查阅大量文献的基础上,分析归纳了电子点火系统的常见故障和常用诊断方法。目前常用的方法有数字万用表和汽车点火示波器和人工智能。比较了各自的优缺点之后,本文采用基于GA-BP故障诊断模型的智能方法。该方法以次级点火电压波形为出发点,一旦点火系统出现故障,次级点火电压波形会产生变化,变化区域能够反映相应的故障信息。对次级点火电压波形进行深入分析并提取出反映波形变化的关键参数,作为GA-BP故障诊断模型的输入,根据对应关系,输出则为故障信息。其次,对GA-BP故障诊断模型进行建模。该模型包括数据采集、数据处理、BP神经网路、遗传算法(GA算法)、故障结论5大部分。汽车点火示波器作为采集模块,采集故障波形数据；数据处理模块对这些数据做归一化预处理；BP神经网络进行模式识别,得出故障结论。由于BP神经网络自身结构存在不足,一旦初始参数选取不当,会导致网络振荡,输出误差变大,且诊断时所需时间较长。本文采用遗传算法(GA算法)来解决这一问题。通过GA算法优化BP神经网络初始参数,以减小误差,提高诊断效率。最后,对GA-BP故障诊断模型进行MATLAB仿真分析。本文以广州本田雅阁汽车发动机F23A3为研究对象,对几种不同转速工况下的点火系统故障波形数据进行诊断测试。仿真结果表明,BP神经网络模型需要239步达到收敛,平均误差为2.29%；而GA-BP诊断模型的收敛步数为68,平均误差为0.17%。因此,对比结果表明,基于GA-BP模型的故障诊断方法效果更优,能够自动识别点火系统故障,并提高了诊断效率和正确率。