本發(fā)明屬于汽車發(fā)動(dòng)機(jī)預(yù)警技術(shù)領(lǐng)域，具體涉及一種基于機(jī)器學(xué)習(xí)方法的汽車發(fā)動(dòng)機(jī)故障預(yù)警方法。

背景技術(shù)：

目前，隨著工業(yè)的發(fā)展和人們生活水平不斷提高，汽車發(fā)動(dòng)機(jī)的集成度越高，已經(jīng)遠(yuǎn)遠(yuǎn)超出了通過直接觀察就知道設(shè)備故障的原因，汽車發(fā)動(dòng)機(jī)一旦出現(xiàn)故障，檢查出現(xiàn)故障的部件很困難，而且維修故障的費(fèi)用需要請(qǐng)生產(chǎn)汽車發(fā)動(dòng)機(jī)的廠家的工程師來維修，一旦發(fā)動(dòng)機(jī)的制造商是外國(guó)的，費(fèi)用會(huì)更高；為了確保重要的汽車發(fā)動(dòng)機(jī)的正常工作，必須對(duì)汽車發(fā)動(dòng)機(jī)進(jìn)行實(shí)時(shí)的監(jiān)測(cè)并預(yù)警。

長(zhǎng)期以來，我國(guó)對(duì)發(fā)動(dòng)機(jī)的監(jiān)測(cè)預(yù)警方法存在著一些不足：監(jiān)測(cè)數(shù)據(jù)的可靠性、準(zhǔn)確性不高，使得監(jiān)測(cè)數(shù)據(jù)不具備有效性判斷和智能決策等功能；目前預(yù)警部分采用BP神經(jīng)網(wǎng)絡(luò)模型，但由于BP神經(jīng)網(wǎng)絡(luò)自身結(jié)構(gòu)的特點(diǎn)，訓(xùn)練樣本較大且要求精度較高時(shí)，網(wǎng)絡(luò)不收斂且容易陷入局部最優(yōu)。

技術(shù)實(shí)現(xiàn)要素：

為解決現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于機(jī)器學(xué)習(xí)方法的汽車發(fā)動(dòng)機(jī)故障預(yù)警方法，包括以下步驟：

步驟1、設(shè)定采集時(shí)間間隔，根據(jù)設(shè)定的采集時(shí)間間隔，采集每個(gè)時(shí)間節(jié)點(diǎn)發(fā)動(dòng)機(jī)在每種運(yùn)行狀態(tài)下的震動(dòng)信號(hào)，并對(duì)上述震動(dòng)信號(hào)進(jìn)行統(tǒng)計(jì)學(xué)分析處理獲得發(fā)動(dòng)機(jī)運(yùn)行參數(shù)；

步驟2、以獲得的每個(gè)發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為自組織映射神經(jīng)網(wǎng)絡(luò)的輸入值，每個(gè)發(fā)動(dòng)機(jī)運(yùn)行參數(shù)所對(duì)應(yīng)的運(yùn)行狀態(tài)為輸出值，對(duì)自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，獲得學(xué)習(xí)完成的自組織映射神經(jīng)網(wǎng)絡(luò)；

步驟3、采集當(dāng)前時(shí)間節(jié)點(diǎn)發(fā)動(dòng)機(jī)的震動(dòng)信號(hào)，并對(duì)上述震動(dòng)信號(hào)進(jìn)行統(tǒng)計(jì)學(xué)分析處理獲得當(dāng)前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)；

步驟4、將當(dāng)前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為學(xué)習(xí)完成的自組織映射神經(jīng)網(wǎng)絡(luò)的輸入值，獲得當(dāng)前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)的運(yùn)行狀態(tài)；

步驟5、以獲得的每個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為Elman神經(jīng)網(wǎng)絡(luò)的輸入值，預(yù)測(cè)到的下一個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)為輸出值，對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練完成的Elman神經(jīng)網(wǎng)絡(luò)；

步驟6、將當(dāng)前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為訓(xùn)練完成的Elman神經(jīng)網(wǎng)絡(luò)的輸入值，獲得預(yù)測(cè)到的下一個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)；

步驟7、以獲得的每個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為概率神經(jīng)網(wǎng)絡(luò)的輸入值，每個(gè)發(fā)動(dòng)機(jī)運(yùn)行參數(shù)所對(duì)應(yīng)的運(yùn)行狀態(tài)為輸出值，對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練完成的概率神經(jīng)網(wǎng)絡(luò)，具體步驟如下：

步驟7.1、設(shè)定概率神經(jīng)網(wǎng)絡(luò)分為四層：輸入層、模式層、總結(jié)層和輸出層；設(shè)定輸入層的節(jié)點(diǎn)個(gè)數(shù)，設(shè)定模式層的模式類數(shù)，并設(shè)定輸出層為一個(gè)節(jié)點(diǎn)；

步驟7.2、獲得輸入層的輸入值傳輸?shù)侥Ｊ綄雍?，模式層的每類模式與總結(jié)層的每個(gè)神經(jīng)元的輸入/輸出關(guān)系；

步驟7.3、根據(jù)模式層的每類模式與總結(jié)層的每個(gè)神經(jīng)元的輸入/輸出關(guān)系，總結(jié)層將模式層同一類別的神經(jīng)元的輸出值進(jìn)行加權(quán)平均處理；

步驟7.4、輸出層將總結(jié)層中加權(quán)平均處理后的最大輸出值對(duì)應(yīng)的類別進(jìn)行輸出，即概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成；

步驟8、將預(yù)測(cè)到的下一個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為概率神經(jīng)網(wǎng)絡(luò)的輸入值，獲得下一個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)；

步驟9、根據(jù)獲得的當(dāng)前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)的運(yùn)行狀態(tài)和下一個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)對(duì)車主進(jìn)行故障預(yù)警。

步驟2所述的獲得學(xué)習(xí)完成的自組織映射神經(jīng)網(wǎng)絡(luò)，包括以下步驟：

步驟2.1、設(shè)定自組織映射神經(jīng)網(wǎng)絡(luò)分為兩層：輸入層和輸出層，設(shè)定輸入層的節(jié)點(diǎn)個(gè)數(shù)，并設(shè)定輸出層神經(jīng)元的個(gè)數(shù)；

步驟2.2、初始化自組織映射神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括：設(shè)定迭代次數(shù)閾值，并設(shè)定輸入層每個(gè)節(jié)點(diǎn)到輸出層每個(gè)神經(jīng)元的初始權(quán)值；

步驟2.3、將輸入層每個(gè)節(jié)點(diǎn)到輸出層每個(gè)神經(jīng)元的初始權(quán)值進(jìn)行歸一化處理；

步驟2.4、輸入獲得的每個(gè)發(fā)動(dòng)機(jī)運(yùn)行參數(shù)，獲得每個(gè)發(fā)動(dòng)機(jī)運(yùn)行參數(shù)的輸出單元強(qiáng)度，并選擇最大的輸出單元強(qiáng)度作為主興奮單元；

步驟2.5、獲得輸出層每個(gè)神經(jīng)元在主興奮單元影響下的興奮度，并進(jìn)一步獲得輸入層每個(gè)節(jié)點(diǎn)到輸出層每個(gè)神經(jīng)元的權(quán)值修正量；

步驟2.6、判斷迭代次數(shù)是否達(dá)到所設(shè)定的迭代次數(shù)閾值，若是，則自組織映射神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)完成，執(zhí)行步驟3，否則，更新權(quán)值，并返回執(zhí)行步驟2.3。

步驟5所述的獲得訓(xùn)練完成的Elman神經(jīng)網(wǎng)絡(luò)，具體步驟如下：

步驟5.1、設(shè)定Elman神經(jīng)網(wǎng)絡(luò)分為四層：輸入層、隱藏層、承接層和輸出層；設(shè)定輸入層的節(jié)點(diǎn)個(gè)數(shù)，并設(shè)定輸出層的節(jié)點(diǎn)個(gè)數(shù)；

步驟5.2、初始化Elman神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括：設(shè)定預(yù)測(cè)寬度和映射函數(shù)；

步驟5.3、提取每個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)中的每一類運(yùn)行參數(shù)作為一組樣本，以每組樣本中的每個(gè)運(yùn)行參數(shù)作為預(yù)測(cè)樣本，以該預(yù)測(cè)樣本之前的預(yù)測(cè)寬度內(nèi)的運(yùn)行參數(shù)作為訓(xùn)練樣本，根據(jù)映射函數(shù)對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，獲得訓(xùn)練完成的Elman神經(jīng)網(wǎng)絡(luò)。

步驟7.2所述的獲得輸入層的輸入值傳輸?shù)侥Ｊ綄雍螅Ｊ綄拥拿款惸Ｊ脚c總結(jié)層的每個(gè)神經(jīng)元的輸入/輸出關(guān)系，采用以下公式：

其中，Φ_ij(x)表示模式層第i類模式與總結(jié)層的第j神經(jīng)元的輸入/輸出關(guān)系；i表示模式層的第i類模式；j表示總結(jié)層的第j神經(jīng)元；π表示圓周率；σ^d表示σ的d次方；d表示空間數(shù)據(jù)的維度；e表示自然常數(shù)；x表示每個(gè)運(yùn)行參數(shù)的數(shù)據(jù)值；x_ij表示第i類樣本的第j個(gè)中心；T表示矩陣的轉(zhuǎn)置；σ表示平滑因子。

步驟7.3所述的總結(jié)層將模式層同一類別的神經(jīng)元的輸出值進(jìn)行加權(quán)平均處理，采用以下公式：

其中，v_i表示總結(jié)層輸出的第i類樣本；L表示總結(jié)層第i類樣本對(duì)應(yīng)的神經(jīng)元個(gè)數(shù)；Φ_ij表示模式層第i類模式與總結(jié)層的第j神經(jīng)元的輸入/輸出關(guān)系。

本發(fā)明的優(yōu)點(diǎn)：

本發(fā)明提出一種基于機(jī)器學(xué)習(xí)方法的汽車發(fā)動(dòng)機(jī)故障預(yù)警方法，采用神經(jīng)網(wǎng)絡(luò)的自組織映射神經(jīng)網(wǎng)絡(luò)(SOM)模型方法進(jìn)行無監(jiān)督的機(jī)器學(xué)習(xí)，對(duì)汽車發(fā)動(dòng)機(jī)歷史和現(xiàn)在運(yùn)行狀態(tài)進(jìn)行分類；預(yù)警系統(tǒng)采用的是神經(jīng)網(wǎng)絡(luò)的概率神經(jīng)網(wǎng)絡(luò)(PNN)模型方法進(jìn)行有監(jiān)督的機(jī)器學(xué)習(xí)，對(duì)汽車發(fā)動(dòng)機(jī)現(xiàn)在運(yùn)行參數(shù)進(jìn)行判斷設(shè)備所處的狀態(tài)；以及通過神經(jīng)網(wǎng)絡(luò)的Elman神經(jīng)網(wǎng)絡(luò)模型方法進(jìn)行有監(jiān)督的機(jī)器學(xué)習(xí)，解決了BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本較大且要求精度較高，網(wǎng)絡(luò)不收斂且容易陷入局部最優(yōu)的欠缺，進(jìn)而預(yù)測(cè)未來的時(shí)間節(jié)點(diǎn)的設(shè)備的運(yùn)行參數(shù)，使得系統(tǒng)具有預(yù)測(cè)功能，然后根據(jù)預(yù)測(cè)的運(yùn)行參數(shù)進(jìn)行自組織映射神經(jīng)網(wǎng)絡(luò)(SOM)模型和概率神經(jīng)網(wǎng)絡(luò)(PNN)模型進(jìn)行數(shù)據(jù)的分析得到未來時(shí)間的設(shè)備處于的狀態(tài)，更有利于汽車發(fā)動(dòng)機(jī)的監(jiān)控。

附圖說明

圖1為本發(fā)明一種實(shí)施例的汽車發(fā)動(dòng)機(jī)故障預(yù)警系統(tǒng)的結(jié)構(gòu)示意圖；

圖2為本發(fā)明一種實(shí)施例的基于機(jī)器學(xué)習(xí)方法的汽車發(fā)動(dòng)機(jī)故障預(yù)警方法流程圖；

圖3為本發(fā)明一種實(shí)施例的獲得訓(xùn)練完成的概率神經(jīng)網(wǎng)絡(luò)的方法流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明一種實(shí)施例做進(jìn)一步說明。

本發(fā)明實(shí)施例中，如圖1所示，所述的基于機(jī)器學(xué)習(xí)方法的汽車發(fā)動(dòng)機(jī)故障預(yù)警方法，采用汽車發(fā)動(dòng)機(jī)故障預(yù)警系統(tǒng)，該系統(tǒng)包括無線傳感系統(tǒng)和云服務(wù)器；所述的無線傳感系統(tǒng)包括無線信號(hào)傳感器和微處理器；所述無線信號(hào)傳感器采集發(fā)動(dòng)機(jī)震動(dòng)信號(hào)并發(fā)送到tiny6410微處理器，微處理器將震動(dòng)信號(hào)進(jìn)行數(shù)據(jù)壓縮，并通過無線通信網(wǎng)絡(luò)發(fā)送到云服務(wù)器，云服務(wù)器中設(shè)置的后臺(tái)監(jiān)測(cè)預(yù)警系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行分析處理，進(jìn)而對(duì)發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)進(jìn)行預(yù)警；

本發(fā)明實(shí)施例中，采用matlab軟件對(duì)基于機(jī)器學(xué)習(xí)方法的汽車發(fā)動(dòng)機(jī)故障預(yù)警方法進(jìn)行模擬仿真；

本發(fā)明實(shí)施例中，一種基于機(jī)器學(xué)習(xí)方法的汽車發(fā)動(dòng)機(jī)故障預(yù)警方法，方法流程圖如圖2所示，包括以下步驟：

步驟1、設(shè)定采集時(shí)間間隔為半小時(shí)，每間隔半小時(shí)采集每個(gè)時(shí)間節(jié)點(diǎn)發(fā)動(dòng)機(jī)在第一缸噴油壓力過大、第一缸噴油壓力過小、第一缸噴油器針閥磨損、油路堵塞、供油提前角提前5’～6’和正常狀態(tài)六種運(yùn)行狀態(tài)下的震動(dòng)信號(hào)，并對(duì)上述震動(dòng)信號(hào)的波形進(jìn)行統(tǒng)計(jì)學(xué)分析處理獲得發(fā)動(dòng)機(jī)運(yùn)行參數(shù)；

本發(fā)明實(shí)施例中，發(fā)動(dòng)機(jī)運(yùn)行參數(shù)包括：能量參數(shù)、峰度參數(shù)、波形參數(shù)、裕度參數(shù)、脈沖參數(shù)和峰值參數(shù)；

步驟2、以獲得的每個(gè)發(fā)動(dòng)機(jī)運(yùn)行參數(shù)x＝[x₁,x₂,x₃,x₄,x₅,x₆]作為自組織映射神經(jīng)網(wǎng)絡(luò)的輸入值，每個(gè)發(fā)動(dòng)機(jī)運(yùn)行參數(shù)所對(duì)應(yīng)的運(yùn)行狀態(tài)為輸出值，對(duì)自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，獲得學(xué)習(xí)完成的自組織映射神經(jīng)網(wǎng)絡(luò)，包括以下步驟：

步驟2.1、設(shè)定自組織映射神經(jīng)網(wǎng)絡(luò)分為兩層：輸入層和輸出層，設(shè)定輸入層的節(jié)點(diǎn)個(gè)數(shù)，并設(shè)定輸出層神經(jīng)元的個(gè)數(shù)；

步驟2.2、初始化自組織映射神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括：設(shè)定迭代次數(shù)閾值為2000次，并隨機(jī)設(shè)定輸入層每個(gè)節(jié)點(diǎn)到輸出層每個(gè)神經(jīng)元的初始權(quán)值；

步驟2.3、將輸入層每個(gè)節(jié)點(diǎn)到輸出層每個(gè)神經(jīng)元的初始權(quán)值進(jìn)行歸一化處理，采用以下公式：

其中，W表示輸入層每個(gè)節(jié)點(diǎn)到輸出層每個(gè)神經(jīng)元的權(quán)值；w_ij表示輸入層每個(gè)節(jié)點(diǎn)到輸出層每個(gè)神經(jīng)元的初始權(quán)值；

步驟2.4、輸入獲得的每個(gè)發(fā)動(dòng)機(jī)運(yùn)行參數(shù)，獲得每個(gè)發(fā)動(dòng)機(jī)運(yùn)行參數(shù)的輸出單元強(qiáng)度，并選擇最大的輸出單元強(qiáng)度作為主興奮單元；

本發(fā)明實(shí)施例中，所述的獲得每個(gè)發(fā)動(dòng)機(jī)運(yùn)行參數(shù)的輸出單元強(qiáng)度，采用以下公式：

其中，net_j表示輸出層第j個(gè)神經(jīng)元的輸出單元強(qiáng)度；表示故障向量權(quán)值轉(zhuǎn)置；T表示矩陣的轉(zhuǎn)置；x表示每個(gè)運(yùn)行參數(shù)的數(shù)據(jù)值；x_i表示輸入層第i個(gè)節(jié)點(diǎn)的值；

所述的選擇最大的輸出單元強(qiáng)度作為主興奮單元，采用以下公式：

net _c＝max(net _j) (5)

其中，net_c表示主興奮單元；c表示單元的縮寫；

步驟2.5、獲得輸出層每個(gè)神經(jīng)元在主興奮單元影響下的興奮度，進(jìn)一步獲得輸入層每個(gè)節(jié)點(diǎn)到輸出層每個(gè)神經(jīng)元的權(quán)值修正量；

本發(fā)明實(shí)施例中，所述的獲得輸出層每個(gè)神經(jīng)元在主興奮單元影響下的興奮度，采用以下公式：

y_j＝F_c(j) (6)

其中，y_j表示輸出層每個(gè)神經(jīng)元在主興奮單元影響下的興奮度；

其中，

其中，D_cj表示輸出單元c與鄰近神經(jīng)元j之間在神經(jīng)元平面上的距離；R表示交互作用半徑；D表示距離；

或

本發(fā)明實(shí)施例中，所述的獲得輸入層每個(gè)節(jié)點(diǎn)到輸出層每個(gè)神經(jīng)元的權(quán)值修正量，采用以下公式：

Δw_ij＝η(y_j-net _j)x_i (9)

Δw_ij表示輸入層每個(gè)節(jié)點(diǎn)到輸出層每個(gè)神經(jīng)元的權(quán)值修正量；η表示系數(shù)常數(shù)；

步驟2.6、判斷迭代次數(shù)是否達(dá)到所設(shè)定的迭代次數(shù)閾值，若是，則自組織映射神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)完成，執(zhí)行步驟3，否則，根據(jù)獲得的權(quán)值修正量更新權(quán)值，并返回執(zhí)行步驟2.3；

步驟3、采集當(dāng)前時(shí)間節(jié)點(diǎn)發(fā)動(dòng)機(jī)的震動(dòng)信號(hào)，并對(duì)該震動(dòng)信號(hào)進(jìn)行統(tǒng)計(jì)學(xué)分析處理獲得當(dāng)前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)；

步驟4、將當(dāng)前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為學(xué)習(xí)完成的自組織映射神經(jīng)網(wǎng)絡(luò)的輸入值，獲得當(dāng)前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)的運(yùn)行狀態(tài)；

步驟5、以獲得的當(dāng)前時(shí)間節(jié)點(diǎn)及之前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為Elman神經(jīng)網(wǎng)絡(luò)的輸入值，預(yù)測(cè)到的對(duì)應(yīng)的下個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)為輸出值，對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練完成的Elman神經(jīng)網(wǎng)絡(luò)，包括以下步驟：

步驟5.1、設(shè)定Elman神經(jīng)網(wǎng)絡(luò)分為四層：輸入層、隱藏層、承接層和輸出層；設(shè)定輸入層的節(jié)點(diǎn)個(gè)數(shù)，并設(shè)定輸出層的節(jié)點(diǎn)個(gè)數(shù)；

步驟5.2、初始化Elman神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括：設(shè)定預(yù)測(cè)寬度N為15，設(shè)定映射函數(shù)為x_n＝f(x_n-1,x_n-2,...,x_n-N)；其中，x_n表示第n個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)的數(shù)據(jù)值；n表示第n個(gè)時(shí)間節(jié)點(diǎn)；x_n-1表示第n-1個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)的數(shù)據(jù)值；x_n-2表示第n-2個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)的數(shù)據(jù)值；x_n-N表示第n-N個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)的數(shù)據(jù)值；

步驟5.3、提取每個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)中的每一類運(yùn)行參數(shù)，將上述運(yùn)行參數(shù)X₁～X_n作為一組樣本，其中X₁,X₂,...,X_N-1為自變量，即訓(xùn)練樣本，X_N為期望輸出，即預(yù)測(cè)樣本，以此類推，形成以下訓(xùn)練矩陣：

其中，X_N+i-2表示第N+i-2個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)的數(shù)據(jù)值；X_N+i-1表示第N+i-1個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)的數(shù)據(jù)值；

矩陣中每一列的最后一行為期望輸出，對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即可得到訓(xùn)練完成的Elman神經(jīng)網(wǎng)絡(luò)；

步驟6、將當(dāng)前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為訓(xùn)練完成的Elman神經(jīng)網(wǎng)絡(luò)的輸入值，獲得預(yù)測(cè)到的下一個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)；

步驟7、以獲得的全部時(shí)間節(jié)點(diǎn)(包括預(yù)測(cè)到的下一個(gè)時(shí)間節(jié)點(diǎn))的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為概率神經(jīng)網(wǎng)絡(luò)的輸入值，每個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)所對(duì)應(yīng)的運(yùn)行狀態(tài)為輸出值，對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練完成的概率神經(jīng)網(wǎng)絡(luò)，方法流程圖如圖3所示，具體步驟如下：

步驟7.1、設(shè)定概率神經(jīng)網(wǎng)絡(luò)分為四層：輸入層、模式層、總結(jié)層和輸出層；設(shè)定輸入層的節(jié)點(diǎn)個(gè)數(shù)為6個(gè)，設(shè)定模式層的分類模式為6種，并設(shè)定輸出層為一個(gè)節(jié)點(diǎn)；

步驟7.2、獲得輸入層的輸入值傳輸?shù)侥Ｊ綄雍?，模式層的第i類模式與總結(jié)層中第j個(gè)神經(jīng)元所確定的輸入/輸出關(guān)系，采用一下公式：

其中，Φ_ij(x)表示模式層第i類模式，即第i類樣本與總結(jié)層的第j神經(jīng)元，即第j個(gè)中心的輸入/輸出關(guān)系；i表示模式層的第i類模式；j表示總結(jié)層的第j神經(jīng)元；π表示圓周率；σ^d表示σ的d次方；d表示空間數(shù)據(jù)的維度；e表示自然常數(shù)；x表示每個(gè)運(yùn)行參數(shù)的數(shù)據(jù)值；x_ij表示第i類樣本的第j個(gè)中心；T表示矩陣的轉(zhuǎn)置；σ表示平滑因子；

步驟7.3、根據(jù)模式層的每類模式與總結(jié)層的每個(gè)神經(jīng)元的輸入/輸出關(guān)系，總結(jié)層將模式層同一類別的神經(jīng)元的輸出值進(jìn)行加權(quán)平均處理，采用以下公式：

其中，v_i表示總結(jié)層輸出的第i類樣本；L表示總結(jié)層第i類樣本對(duì)應(yīng)的神經(jīng)元個(gè)數(shù)；Φ_ij表示模式層第i類模式與總結(jié)層的第j神經(jīng)元的輸入/輸出關(guān)系；

步驟7.4、輸出層將總結(jié)層中加權(quán)平均處理后的最大輸出值對(duì)應(yīng)的類別進(jìn)行輸出，即概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成；

本發(fā)明實(shí)施例中，所述的輸出層將總結(jié)層中加權(quán)平均處理后的最大輸出值對(duì)應(yīng)的類別進(jìn)行輸出，采用以下公式：

y＝arg max(v_i) (10)

其中，y表示總結(jié)層中加權(quán)平均處理后的最大輸出值；

步驟8、將預(yù)測(cè)到的下一個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行參數(shù)作為概率神經(jīng)網(wǎng)絡(luò)的輸入值，獲得下一個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)；

步驟9、根據(jù)當(dāng)前時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)的運(yùn)行狀態(tài)和下一個(gè)時(shí)間節(jié)點(diǎn)的發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)對(duì)車主進(jìn)行故障預(yù)警，車主根據(jù)發(fā)動(dòng)機(jī)的兩個(gè)時(shí)間節(jié)點(diǎn)的運(yùn)行狀態(tài)及時(shí)對(duì)汽車發(fā)動(dòng)機(jī)相應(yīng)出故障的部位進(jìn)行維護(hù)，并且能夠根據(jù)預(yù)警結(jié)果制定科學(xué)合理的保養(yǎng)周期，增加發(fā)動(dòng)機(jī)的使用壽命；

盡管上面結(jié)合圖對(duì)本發(fā)明進(jìn)行了詳細(xì)的描述，但是本發(fā)明并不局限于上述的具體實(shí)施方式，并不局限于上述的采集參數(shù)類型，并不局限于上述的故障的種類，上述的具體實(shí)施方式僅僅是示意性的，而不是限制性的，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明的宗旨的情況下，還可以作出許多變形，這些都屬于本發(fā)明的保護(hù)范圍之內(nèi)。