基于CAN总线和PSA模型的AMT在线故障诊断系统

统必需的重要信号。该类信号的异常将影响变速器正常运行。系统通过CAN总线将各控制单元与监测诊断单元连接起来，故障诊断模块可以从其他控制单元获得相关故障数据，不断丰富诊断数据内容，有利于故障特征的充分提取，提高故障诊断模型的输出精度，从而实现实时分布式故障诊断。②对于已装备CAN总线控制网络的车辆或工程机械，监测诊断单元可以作为一个节点挂接到网络中，在达到一定的故障在线自诊断要求下，应用现有的行驶状态信息，使增加的硬件达到最小的限度。

2故障诊断模型的建立

传统的故障诊断方法中，故障模型的建立多采用BP神经网络算法，但该网络存在学习过程易陷入局部最小值，收敛速度慢、训练时间长、网络结构的选取缺少成熟理论指导等问题。因此，本文利用ANFIS来建立AMT故障诊断模型。该模型利用神经网络的参数和结构训练方法，实现模糊系统的自学习和自适应，具有推广能力强和收敛速度快等特点。此外，为简化ANFIS模型并提高其学习速率和输出精度，本文提出一种结合主成分分析和减法聚类的ANFIS诊断模型，模型结构如图3所示。

图3系统故障诊断模型结构

2．1 AMT故障诊断的数学描述

AMT的常见故障主要包括汽车无法行驶、换挡冲击过大、不能升挡等。导致AMT故障的原因很多，可能是调整不当或电控系统故障，也可能是油泵、变矩器、控制阀或者换挡执行元件等有故障。本文以MPYA电控自动变速器无上行换挡故障诊断为目标，分析其主要故障原因包括：①换挡阀卡滞。②输入轴转速传感器故障。③调速阀故障或其油路泄漏。④挡位开关故障等，选择其中具有代表性的①、②两类故障作为诊断内容，由AMT结构及其控制流程基本原理可知，传感器故障属于电控部分故障，而换挡阀等换挡执行元件故障则属于液压控制部分故障，结合正常工况共选择3种待诊断的故障模式进行研究。建立各类故障模式下对应的故障诊断模型，如下列非线性方程为

2．2主成分分析

主成分分析就是设法将原有多个故障征兆变量重新组合成一组较少的、互相无关的综合变量。使较少的综合指标尽可能多地反映原来指标体系的信息，可以对诊断模型输入变量矩阵进行降维预处理，达到简化模型结构并提高其学习速率和输出精度的目的。

由模型式(1)的n个输入观测样本构成原始数据矩阵A，对其进行主成分分析，分析流程如图4所示。

图4主成分分析流程

分析后得到累计贡献率超过87％所需的3个主成分：发动机转速、节气门开度、车速。故式(1)可简化为

2．3减法聚类过程

利用减法聚类法对输入空间进行非线性划分，以优化ANFIS模型。减法聚类算法是通过建立山峰函数这个数据密度指标，自适应地估计类别数目和聚类中心，聚类结果可以确定模糊系统的初始结构。

由式(2)构建包含N个样本数据点的样本集

每个数据点均可能为聚类中心，设最终确定的聚类中心个数为志，聚类过程如图5所示。

图5减法聚类过程

2．4 ANFIS建模

Jang提出的ANFIS是Sugeno模糊系统，其模糊推理规则为

采用高斯型隶属度函数、单值模糊产生器、乘法推理规则以及重心法加权求和，系统模型可由如下函数表示为

将式(5)中参数分解为非线性前提参数和线性结论参数，采用混合算法进行参数优化。

ANFIS不能直接用于建立MIMO系统，故可以根据上述理论先建立以某种故障各征兆参数为输入，以该故障的可信度大小为输出的MISO推理系统。

3仿真实验及讨论

应用Matlab软件工具分别建立各类故障的PSA(PCA—subtractive clustering—ANFIS)诊断子模型。以换挡阀卡滞诊断子模型为例，实时采集该故障状态下和正常状态下的传感器数据共30组，提取前20组作为PSA模型训练样本(部分数据如表1所示)。

表1系统训练样本数据

取剩余10组数据作为检验样本，检验模型计算值与实测值的拟合度。利用PCA—BP神经网络对相同的训练样本数据进行建模，对2种神经网络的拟合能力及收敛速度进行比较。对比结果如表2及图6所示。

表2 ANFIS和BP训练结果对比

通过对比可见，PSA网络模型在训练速度、收敛性以及拟合能力等方面均优于PCA—BP网络模型。

同理，其他子系统也可根据获得的数据进行PSA建模，并分别进行测试和调整。最后将所有的诊断子系统通过图形化编辑方式或应用命令行函数进行合并，建立整体诊断模型。

将检测样本分别输入各ANFIS子网络与BP网络，进行2种模型泛化能力验证，对比结果如表3所示(部分数据)。表中各输出值意义：1为无故障；2为换挡阀卡滞；3为输入轴转速传感器故障；“一”表示未能作出诊断。

表3 ANFIS和BP故障诊断结果对比

表3结果表明，自适应模糊神经网络能准确地诊