Fehlererkennung bei Motoren mithilfe eines Elman-Neuronalen-Netzwerks mit genetisch-algorithmusunterstütztem Training

Fehlererkennungsmethoden sind entscheidend für den sicheren und zuverlässigen Betrieb von Motorantriebssystemen. Durch den Einsatz fortschrittlicher Erkennungstechniken zur Auffindung potenzieller Fehler können zudem erhebliche Wartungskosten gespart werden. Traditionelle Methoden zur Fehlererkennung bei Motoren müssen jedoch oft mit expliziten Motor Modellen arbeiten. Darüber hinaus sind die meisten deterministisch oder nicht adaptiv und können daher nicht in zeitvariablen Fällen eingesetzt werden. Wir schlagen ein auf einem Elman-Neuronalen-Netzwerk basierendes Schema zur Fehlererkennung bei Motoren vor, um diese Schwierigkeiten zu überwinden. Das Elman-Neuronale-Netzwerk hat die einzigartige Fähigkeit zur Zeitreihenvorhersage aufgrund seiner Gedächtnisknoten sowie der lokalen rekurrenten Verbindungen. Motorfehler werden aus Änderungen in den Erwartungen des Vorhersagefehlers des Merkmalsignals erkannt. Eine genetisch-algorithmusunterstützte Trainingsstrategie für das Elman-Neuronale-Netzwerk wird ferner eingeführt, um die Genauigkeit der Approximation zu verbessern und eine bessere Erkennungsleistung zu erzielen. Computersimulationen eines praktischen Automobileingangsgetriebes mit einem künstlichen Fehler wurden durchgeführt, um die Wirksamkeit unserer Methode zu überprüfen. Ermutigende Ergebnisse zur Fehlererkennung wurden erzielt, ohne dass vorherige Informationen über das Getriebe-Modell vorlagen.