柴油机是结构复杂、运动部件多、多种干扰激励源的系统,柴油发动机故障征兆与故障之间关系(例如燃油压力波形与燃油系统故障之间的关系)是非线性的,且具有不确定性,同时恶劣的工作环境容易导致信号失真等等,这些原因导致难以对柴油机故障诊断作出准确判断。然而,人工神经网络技术为柴油机进行故障诊断提供了一种新的解决途径,可以成为进行柴油机故障诊断的重要工具。人工神经网络具有输入输出非线性映射和并行处理等特点,特别是其高度的自适应和自学习能力,可以通过学习解决非线性映射问题,从而使其成为柴油机故障诊断的一种有效方法和手段。而前馈型神经网络(Feed Forward Neural Networks,FFNN)是各个领域中应用最广泛的一类网络,如BP(Back Propagation)、RBF(Radial Basis Function)神经网络。其中BP有一些不足之处,存在训练次数多使得学习效率低收敛速度慢等问题。为此,本文结合添加动量项和自适应学习率两种方法对BP算法进行改进。尽管如此,BP神经网络本身固有的问题会依然存在。而RBF神经网络隐层由于采用具有局部接受域性质的非线性函数,不是如同BP网络的隐层激活函数一样在输入空间的无限大区域内非零,因此可以完全避免BP网络的不足之处。实验证明,改进BP神经网络的性能可以得到有效地改善,并将其运用于柴油机燃油系统故障诊断,预测故障效果较好;而RBF神经网络只需合理地选取中心就可以达到BP算法的目的,学习速率高收敛速度快,且收敛过程不会像BP神经网络那样出现剧烈的振荡,同时也能够很好地诊断出柴油机燃油系统故障。