謝春麗 王宇超 張博淋

摘?要：發(fā)動機是汽車動力系統(tǒng)的重要組成部分，其正常運轉(zhuǎn)對駕駛員及乘員安全起著至關重要的作用?；趥鹘y(tǒng)BP神經(jīng)網(wǎng)絡發(fā)動機的故障診斷技術具有收斂速度慢、診斷精確度低等劣勢，為了提高診斷準確度，本文利用徑向基（RBF）神經(jīng)網(wǎng)絡模型對汽車發(fā)動機故障位置及類型進行診斷。通過元征X-431汽車故障診斷儀采集發(fā)動機在多種不同工況下故障試驗的數(shù)據(jù)并做歸一化處理，將試驗數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入，將發(fā)動機正常運轉(zhuǎn)和8種常見故障類型作為輸出，建立RBF神經(jīng)網(wǎng)絡模型進行訓練。對多種實測的故障數(shù)據(jù)進行測試和識別，驗證所提出的算法的準確性，結果表明此方法對發(fā)動機故障診斷的準確率可以達到90%，為汽車發(fā)動機故障診斷提供參考。

關鍵詞：徑向基（RBF）神經(jīng)網(wǎng)絡;發(fā)動機;故障診斷;X-431診斷儀;數(shù)據(jù)采集

中圖分類號：TP183文獻標識碼：A文章編號：1006-8023（2019）06-0061-06

Engine Fault Diagnosis Technology Based on RBF Neural Network

XIE Chunli， WANG Yuchao， ZHANG Bolin

（School of Traffic and Transportation， Northeast Forestry University， Harbin 150040）

Abstract：Engine is an important part of automotive power system， and its normal operation plays a vital role in the safety of drivers and passengers. The traditional BP neural network has the disadvantages of slow convergence speed and low diagnostic accuracy. In order to improve the diagnostic accuracy， the radial basis function （RBF） neural network model is used to diagnose the position and type of automobile engine fault. The data of engine failure test under various working conditions are collected by Yuanzheng X-431 automobile fault diagnosis instrument and normalized. The test data are input of the neural network， the normal operation of the engine and eight common fault types are output. The RBF neural network model is established for training. The accuracy of the proposed algorithm is verified by testing and identifying a variety of measured fault data. The result shows that the accuracy of this method can reach 90% for engine fault diagnosis， which provides a reference for engine fault diagnosis.

Keywords：Radial basis function （RBF） neural network; engine; fault diagnosis; X-431 diagnostic instrument; data acquisition

0?引言

發(fā)動機是汽車不可缺少的組成部分，是汽車運行的動力源頭。隨著汽車技術的逐漸發(fā)展，自動化汽車越來越普及，汽車的結構也更加的復雜化。由于汽車所處環(huán)境多變，發(fā)動機發(fā)生故障的頻率也逐步增加，相應的診斷難度也在一定程度上提高了，這也使得發(fā)動機的故障及其處理方式成為汽車部件檢測領域的重點對象[1-3]。傳統(tǒng)的故障診斷方法效率低下，準確度不夠，有些方法常依賴歷史經(jīng)驗，具有隨意性，缺乏足夠的理論支撐?，F(xiàn)代人工智能方法依托計算機技術具有高度發(fā)達的學習能力，為故障診斷領域增添了一種高效快速的方法。

本文以徑向基網(wǎng)絡相關的技術為基礎，結合元征X—431汽車故障診斷儀，對發(fā)動機的故障檢測進行研究，將發(fā)動機在不同運行狀況下的運行數(shù)據(jù)作為輸入，將故障類型作為診斷結果輸出，運用MATLAB建立徑向基神經(jīng)網(wǎng)絡模型（RBF）。通過此模型，能使發(fā)動機故障類型的判斷更加準確，對于數(shù)據(jù)的分析更加徹底，解決了初始權值與輸出值聯(lián)系在一起的數(shù)據(jù)局限性。大大縮短了訓練網(wǎng)絡的時間，且使網(wǎng)絡連貫性更加穩(wěn)定[4]。

1?RBF神經(jīng)網(wǎng)絡基本原理

利用相關的計算或數(shù)據(jù)模型是人工神經(jīng)網(wǎng)絡[5-8]的主要使用的運行基礎，通過對相關的網(wǎng)絡結構和功能的分析，將結點的不同的目標對象通過網(wǎng)絡技術連接在一起，這種連接方法能適應網(wǎng)絡系統(tǒng)的穩(wěn)定，保證在故障檢測的過程中，不受外界的其他因素的干擾，每個不同的節(jié)點都代表著不同的網(wǎng)絡代點，在對不同節(jié)點進行連接的過程中進行權重的分類，這個權重的分類是根據(jù)節(jié)點數(shù)據(jù)對神經(jīng)網(wǎng)絡的影響不同進行劃分的，在生物學領域神經(jīng)元之間的聯(lián)系是一種非線性數(shù)據(jù)系統(tǒng)，系統(tǒng)解釋了多層神經(jīng)元的構成 [9]。

1.1?RBF神經(jīng)網(wǎng)絡結構模型

RBF神經(jīng)網(wǎng)絡已經(jīng)成為整個神經(jīng)網(wǎng)絡體系中應用最廣的網(wǎng)絡結構，與BP神經(jīng)網(wǎng)絡相比，它在訓練速度和逼近能力等方面更有優(yōu)勢。它的系統(tǒng)運行穩(wěn)定，反應速度快，在使用的過程中能逼近任意非線性函數(shù)、不易陷入局部極小點和容易實現(xiàn)等優(yōu)點[10]。

神經(jīng)網(wǎng)絡即徑向基函數(shù)神經(jīng)網(wǎng)絡RBF（Radial Basis Function），它是由前端輸入層、隱含層以及輸出層這3部分組成的，每層的數(shù)據(jù)彼此獨立，在對問題進行分析的過程中這3部分的數(shù)據(jù)又緊密的聯(lián)系在一起，保證了系統(tǒng)運行的穩(wěn)定性，對于不同節(jié)點的數(shù)據(jù)輸入在系統(tǒng)選擇的過程中更加靈活，保證了故障檢測的準確性[11]。

RBF神經(jīng)網(wǎng)絡的訓練過程就是對以下兩種參數(shù)的學習：①徑向基函數(shù)中心、隱含層節(jié)點數(shù)、均方差。②隱含層到輸出層的連接權值。其中徑向基函數(shù)中心的計算采用最近鄰聚類學習算法，不需要事先確定隱含單元的個數(shù)，而且依據(jù)樣本的輸入信息進行聚類迭代，以確定RBF神經(jīng)網(wǎng)絡中心[12]。利用最小二乘法進行參數(shù)估計，得到隱含層到輸出層的權值。函數(shù)網(wǎng)絡的結構如圖1所示。

圖1表示的是RBF神經(jīng)網(wǎng)絡的激活函數(shù)，將輸入端的數(shù)值與權重的選擇直接表述出來，一般采用‖dist‖作為自變量。其激活函數(shù)的一般表達式為

R（‖dist‖）=e-‖dist‖2。（1）

通常在計算的過程中，將徑向基函數(shù)通過φ（x，y）=φ（‖x-y‖）表示出來，其中‖x‖表示的是是歐幾里得范數(shù)。根據(jù)G.Weiss和E.M.Stein的定義，徑向基函數(shù)需要滿足：若‖x1‖=‖x2‖，則φx1=φ（x2）。根據(jù)徑向基函數(shù)的定義，函數(shù)值僅與自變量的范數(shù)有關。

1.2?RBF神經(jīng)網(wǎng)絡的學習算法

基函數(shù)的方差以及隱含層到輸出層的權值、中心是RBF神經(jīng)網(wǎng)絡的學習算法的3個要求解的參數(shù)。根據(jù)徑向基函數(shù)中心對相關參數(shù)的要求不同，進行不同數(shù)據(jù)的選取方法也不同，在通常情況下采用進行聚類迭代、有監(jiān)督選取中心法、隨機選取中心法、正交最小二乘法以及正交最小二乘法等。

一般情況下將高斯函數(shù)作為RBF神經(jīng)網(wǎng)絡中常用的徑向基函數(shù)，所以可以將徑向基神經(jīng)網(wǎng)絡的激活函數(shù)表示為：

R（xp-ci）=exp（-12σ2‖xp-ci‖2）。 （2）

式中：ci為高斯函數(shù)的中心;‖xp-ci‖為歐氏范數(shù);σ為高斯函數(shù)的方差。

通過圖1的徑向基神經(jīng)網(wǎng)絡的結構表示式可以得出最后具體的參考數(shù)值。

yi=∑hi=1wijexp（-12σ2‖xp-ci‖2）j=1，2，…，n。（3）

式中：ci表示的是網(wǎng)絡隱含層節(jié)點的中心;xp=xp1，xp2，…xpmT為第p個輸入樣本;p=1，2，3，…，p。p為樣本的總體;yi為與輸入數(shù)據(jù)對應的網(wǎng)絡的第j個輸出節(jié)點的實際輸出，其中的i=1，2，3，…;h為隱含層節(jié)點數(shù);wij為隱含層到輸出層的連接權值。

如果將d作為相關樣本的期望輸出值，那么相對應的基函數(shù)的方差可以表示為：

σ=1p∑mj‖dj-yjci‖2。（4）

其中K-均值聚類方法求取出來的是基函數(shù)的基礎部分，然后求解方差σi之后計算隱含層和輸出層之間的權值，這是該算法的主要3個計算步驟。

2?故障數(shù)據(jù)采集

2.1?故障試驗

根據(jù)試驗設計的方案，在對相關的試驗進行統(tǒng)計的過程中，對于怠速無故障正常工況的各原始數(shù)據(jù)的采集是保證試驗結果正確性的基礎保障，在相關數(shù)據(jù)采集完成后進行設備的調(diào)試，然后進行試驗，圖2為X-431故障診斷儀正在進行數(shù)據(jù)采集操作。

由于引起發(fā)動機故障類型很多，所以本篇論文的主要探索方向是目前在發(fā)動機故障中常見的8項系統(tǒng)故障，對相關故障設置見表1。

故障參數(shù)的選擇直接影響對于最后故障的判斷的結果，所以在一般情況下對于參數(shù)的選擇上要求數(shù)據(jù)的連貫性和真實性，在本篇論文中選擇的數(shù)據(jù)參數(shù)包括電瓶兩端和增壓傳感器的電壓、空氣進入時的流量、氣體進入時的溫度、冷卻液體的溫度、發(fā)動機的運轉(zhuǎn)值、燃油壓力、燃油壓力調(diào)節(jié)器和溫度傳感器、大氣壓力傳感器以及發(fā)動機運轉(zhuǎn)時的耗油量這11個基礎參數(shù)進行相關系統(tǒng)的研究，這些參數(shù)的值是不斷變化的，所以是一個動態(tài)的研究過程。

2.2?故障數(shù)據(jù)選取

本文實驗在CRDI發(fā)動機臺架實驗系統(tǒng)上完成，該系統(tǒng)搭載現(xiàn)代伊蘭特直列四缸柴油發(fā)動機并配備完整的發(fā)動機電控系統(tǒng)，前面板配備有儀表盤、啟動點火開關以及故障設置按鈕。在模擬實驗時，只需將相應的故障設置按鈕按下，即可模擬實際各發(fā)動機工況，包括發(fā)動機怠速、加速和減速等工況，可模擬的故障包含了傳感器故障和執(zhí)行器故障和電控系統(tǒng)故障等多種常見故障。

對于試驗采集的數(shù)據(jù)流可以實時的分析和統(tǒng)計達到數(shù)據(jù)監(jiān)測的作用，如果相關的數(shù)據(jù)采集的數(shù)量太多，可以保存在X-431外置CF卡中。在這個試驗的過程中對于發(fā)動機8種不同工況下的11個特征參數(shù)收集了共188組不同的數(shù)據(jù)類型，表1對發(fā)動的不同故障類型進行了系統(tǒng)性的分類和統(tǒng)計，這樣的做法可以讓數(shù)據(jù)測驗值更加準確。所有故障類型作亂序排列，以便后續(xù)診斷更具隨機性，具體數(shù)據(jù)見表2。

3?基于RBF神經(jīng)網(wǎng)絡的發(fā)動機故障診斷

3.1?函數(shù)歸一化

為了保證網(wǎng)絡學習的連貫性，在把數(shù)據(jù)輸入網(wǎng)絡之前要進行數(shù)據(jù)的統(tǒng)一化處理，進而保證在數(shù)據(jù)運行的過程中不出現(xiàn)網(wǎng)絡飽和以及網(wǎng)絡數(shù)據(jù)擴大的情況，一般在處理的過程中會采用歸一化的方法進行處理[13]。根據(jù)處理后數(shù)據(jù)的取值范圍，有兩種常見歸一化方法：

（1）歸一化后數(shù)據(jù)處于[0，1]之間：

xi=xi-xminxmax-xmin。 （5）

（2）歸一化后數(shù)據(jù)處于[-1，1]之間：

xi=2（xi-xmin）xmax-xmin-1。（6）

其中，xi表示故障特征參數(shù)的數(shù)值，xmin表示故障特征參數(shù)的最小值，xmax表示故障特征參數(shù)的最大值，本文采用的是第一種歸一化方法進行數(shù)據(jù)處理，歸一化后數(shù)據(jù)見表3。

利用函數(shù)newrb（?）來構建徑向基函數(shù)網(wǎng)絡，該網(wǎng)絡向隱含層添加隱含節(jié)點，為了滿足神經(jīng)元數(shù)目以及精度達到最大化的處理。一般情況下采用均方差進行調(diào)節(jié)，調(diào)節(jié)方式如下：

net=newrb（P，T，goal，spread，MN，DF）

T是S×Q期望輸出矩陣，P是R×Q輸入矩陣，Q是輸入訓練時樣本的數(shù)量值，S是輸出向量的維數(shù)，R是輸入向量的維數(shù)。goal是標量，代表的是均方差的系統(tǒng)誤差值，在這個試驗中設定goal=0，spread也是標量，表示的是徑向基函數(shù)的網(wǎng)絡轉(zhuǎn)換速度，對于相關的隱含節(jié)點的最大個數(shù)一般用MN表示，DF表示的是兩次不同的試驗過程中所增加的神經(jīng)元的數(shù)目值，它的作用是控制以及顯示不同級別的參數(shù)。將函數(shù)返回創(chuàng)建的徑向基函數(shù)網(wǎng)絡net系統(tǒng)客觀地表示出來。

spread的值要根據(jù)實際情況進行選定，專門的限定如果spread取值過大，會直接導致試驗的最后結果與實際結果相差過大，相對的如果設定函數(shù)的spread取值太小，會直接影響試驗結果的準確性，所以在相關的spread值的選擇上要有一定的科學性。其默認值為1，本文采用for循環(huán)語句，對神經(jīng)網(wǎng)絡進行訓練，發(fā)現(xiàn)當spread值取為1.1時，訓練結果能夠符合實際情況。

3.2?利用RBF神經(jīng)網(wǎng)絡的發(fā)動機故障診斷

RBF網(wǎng)絡能夠用逼近任意的非線性函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，具有良好的泛化能力，并且能很快的學習收斂速度，已成功應用于非線性函數(shù)逼近、時間序列分析[14-18]。數(shù)據(jù)分析、模式識別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷等，大體流程如圖3所示。

在MATLAB2014b的神經(jīng)網(wǎng)絡工具箱中采用RBF神經(jīng)網(wǎng)絡訓練進行發(fā)動機故障診斷，對于RBF神經(jīng)網(wǎng)絡以故障特征參數(shù)作為輸入數(shù)據(jù)，在RBF神經(jīng)網(wǎng)絡中以故障類型作為的輸出數(shù)據(jù)，通過上面的過程，可以通過規(guī)律的RBF神經(jīng)網(wǎng)絡，訓練出逼近真實的數(shù)據(jù)集合，可以對相關的故障通過具體的數(shù)據(jù)表示出來，通過RBF神經(jīng)網(wǎng)絡的預測輸出該數(shù)據(jù)的故障類型。

本次試驗將通過20組試驗數(shù)據(jù)作為神經(jīng)網(wǎng)絡的測試樣本，選擇167組試驗數(shù)據(jù)作為神經(jīng)網(wǎng)絡的訓練樣本，訓練樣本數(shù)遠超過測試樣本數(shù)的目的是為了確保網(wǎng)絡訓練的準確性。為了突出網(wǎng)絡訓練的輸出導向性，對試驗得到的故障類型進行分類和編碼。編碼表見表4。

利用net=newrb（P，T，goal，spread，MN，DF）

語句將訓練數(shù)據(jù)與期望輸出導入函數(shù)中進行神經(jīng)網(wǎng)絡訓練，然后將要測試的數(shù)據(jù)利用out=sim（net，test）語句進行測試，最終當訓練次數(shù)達到110時，訓練誤差達到最小值。如圖4所示。

此時，RBF神經(jīng)網(wǎng)絡訓練完成，將20組測試樣本帶入網(wǎng)絡中做最終測試，其中有18組數(shù)據(jù)的診斷結果與實際故障保持一致，僅有兩組數(shù)據(jù)沒有達到要求，網(wǎng)絡診斷的準確率達到90%，見表5，診斷結果如圖5所示，其中故障樣本3和樣本11發(fā)生了錯判，樣本3將一缸故障誤判為二缸故障，樣本11將二缸故障誤判為四缸故障，造成這種誤判的原因主要是傳感器信息采集不足，但總體能夠判斷出發(fā)動機氣缸出現(xiàn)故障，但在進一步定位到具體哪一氣缸出現(xiàn)故障還有待進一步研究。從測試結果可以看出利用RBF神經(jīng)網(wǎng)絡進行發(fā)動機故障診斷，這種方法是可行的。

4?結論

發(fā)動機是汽車啟動系統(tǒng)的重要設備，它的安全性直接關系到整個汽車是否能安全正常運行，在發(fā)動機運行過程中，準確診斷故障原因，及時排除故障，可提高電力系統(tǒng)運行的安全性和可靠性，減少經(jīng)濟損失。本文研究用徑向基神經(jīng)網(wǎng)絡模型進行發(fā)動機故障診斷發(fā)動機的故障。選取發(fā)動機 167組故障數(shù)據(jù)作為訓練樣本，另外20組故障數(shù)據(jù)作為待測樣本，通過調(diào)整徑向基層的中心寬度spread，對徑向基神經(jīng)網(wǎng)絡進行訓練，確定了最佳的徑向基層的散布常數(shù)spread=1.1時，故障診斷準確率達到90%。用徑向基神經(jīng)網(wǎng)絡模型進行發(fā)動機故障診斷，模型建立簡單方便，故障診斷準確率高，是一種便于在實際中推廣應用的有效的故障診斷方法。

【參?考?文?獻】

[1]陳修禹.汽車發(fā)動機故障診斷研究的理論與方法[J].科技資訊，2016，14（4）：54-55.

CHEN X Y. Theory and method of automotive engine fault diagnosis[J]. Science & Technology Information， 2016， 14（4）：54-55.

[2]丁雷，曽銳利，梅檢民.基于振動信號的發(fā)動機綜合故障診斷[J].軍事交通學院學報，2019，21（1）：42-48.

DING L， ZENG R L， MEI J M. Comprehensive fault diagnosis of engine based on vibration signal[J]. Journal of Military Transportation University， 2019， 21（1）：42-48.

[3]WANG Y M， ZHANG F J， CUI T. et al. Fault diagnosis for manifold absolute pressure sensor （MAP） of diesel engine based on elman neural network observer network observer[J]. Chinese Journal of Mechanical Engineering， 2016， 29（2）：386-395.

[4]唐立力，陳國彬.基于MEA優(yōu)化BP神經(jīng)網(wǎng)絡的農(nóng)機滾動軸承故障診斷[J].農(nóng)機化研究，2019，41（3）：214-218.

TANG L L， CHEN G B. Fault diagnosis for rolling bearing of agricultural mechanical based on BP neural network optimized by mind evolutionary algorithm[J]. Journal of Agricultural Mechanization Research， 2019， 41（3）：214-218.

[5]郝大鵬，巴寅亮，李春蘭，等.PNN神經(jīng)網(wǎng)絡在尾氣分析發(fā)動機故障診斷中的應用[J].現(xiàn)代電子技術，2019，42（5）：145-148.

HAO D P， BA Y L， LI C L， et al. Application of PNN in engine fault diagnosis by means of exhaust analysis[J]. Modern Electronics Technique， 2019， 42（5）：145-148.

[6]王淼.基于概率神經(jīng)網(wǎng)絡的變壓器故障診斷研究[J].中國設備工程，2019，26（2）：99-100.

WANG M. Research on transformer fault diagnosis based on probabilistic neural network[J]. China Plant Engineering， 2019， 26（2）：99-100.

[7]劉向宇，田玉玲.B細胞免疫的卷積神經(jīng)網(wǎng)絡級聯(lián)故障診斷[J].現(xiàn)代電子技術，2019，42（5）：83-86.

LIU X Y， TIAN Y L. Cascade fault diagnosis based on B-cell immunity algorithm and convolution neural network[J]. Modern Electronics Technique， 2019， 42（5）：83-86.

[8]張榮柱，劉學淵.基于神經(jīng)網(wǎng)絡的深松鏟作業(yè)阻力及功耗的預測模型研究[J].林業(yè)機械與木工設備，2019，47（1）：20-25.

ZHANG R Z， LIU X Y. Study on prediction model for sub-soiling shovel operation resistance and power consumption based on neural networks[J]. Forestry Machinery & Woodworking Equipment，2019，47（1）：20-25.

[9]張智偉，陳云巧，王棟悅，等.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的海上DFIG定子繞組故障診斷[J].太陽能，2019，40（2）：67-72.

ZHANG Z W， CHEN Y Q， WANG D Y， et al. Fault diagnosis of offshore DFIG stator winding based on genetic algorithms optimizing BP neural network[J]. Solar Energy， 2019， 40（2）：67-72.

[10]魏蔚，王公寶.基于徑向基神經(jīng)網(wǎng)絡的偵察目標意圖識別研究[J].艦船電子工程，2018，38（10）：37-40.

WEI W， WANG G B. Detection and recognition of air targets by unmanned aerial vehicle based on RBF neural network[J]. Ship Electronic Engineering， 2018， 38（10）：37-40.

[11]LIAN X B， LIU J F， WANG C， et al. RBF network based adaptive sliding mode control for solar sails[J]. Aircraft Engineering and Aerospace Technology， 2018， 90（8）：1180-1191.

[12]JGOUTA M， NSIRI B. GNSS Positioning performance analysis using PSO-RBF estimation model[J]. Transport and Telecommunication Journal， 2017， 18（2）：146-154.

[13]趙海波，王承光.雙電機驅(qū)動伺服系統(tǒng)徑向基函數(shù)神經(jīng)網(wǎng)絡反推自適應控制[J].控制理論與應用，2018，35（9）：1272-1284.

ZHAO H B， WANG C G. Radial-basis-function neural network backstepping adaptive control of dual-motor driving servo system[J]. Control Theory & Applications， 2018， 35（9）：1272-1284.

[14]馬云龍.基于主成分分析的RBF神經(jīng)網(wǎng)絡預測算法及其應用[D].長春：吉林大學，2015.

MA Y L. The application of RBF neural network prediction algorithm based on principal component analysis[D]. Changchun： Jilin University， 2015.

[15]王福忠，裴玉龍.光伏陣列改進型RBF神經(jīng)網(wǎng)絡識別算法[J].電源學報，2019，17（1）：73-79.

WANG F Z， PEI Y L. Photovoltaic array fault identification algorithm based on improved RBF neural network[J]. Journal of Power Supply， 2019， 17（1）：73-79.

[16]季景方，閆滕滕，王振雨.制動器制動最高溫度徑向基神經(jīng)網(wǎng)絡預測[J].汽車實用技術，2018，25（16）：55-57.

JI J F， YAN T T， WANG Z Y. Prediction of brake maximum temperature based on radial basis function neural network[J]. Automobile Applied Technology， 2018， 25（16）：55-57.

[17]金保明，顏望棟，張烜，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡的洪水預報方法[J].南昌大學學報（工科版），2018，40（3）：246-252.

JIN B M， YAN W D， ZHANG X， et al. Flood forecast method based on radial basis function neural network[J]. Journal of Nanchang University （Engineering & Technology）， 2018， 40（3）：246-252.

[18]胡廣，朱興業(yè)，袁壽其，等.BP和RBF神經(jīng)網(wǎng)絡預測射流式噴頭射程對比[J].排灌機械工程學報，2019，37（3）：263-269.

HU G， ZHU X Y， YUAN S Q， et al. Comparison of ranges of fluidic sprinkler predicted with BP and RBF neural network models[J]. Journal of Drainage and Irrigation Machinery Engineering， 2019， 37（3）：263-269.