基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的DCT電控系統(tǒng)故障診斷

孔慧芳， 段 銳， 鮑 偉

（合肥工業(yè)大學(xué) 電氣與自動(dòng)化工程學(xué)院，安徽 合肥 230009）

0 引 言

雙離合器自動(dòng)變速器是近年來(lái)國(guó)內(nèi)外汽車(chē)企業(yè)和研究者關(guān)注的一種新型自動(dòng)變速器，具有傳動(dòng)效率高、安裝空間緊湊、換擋過(guò)程無(wú)動(dòng)力中斷等特點(diǎn)。在車(chē)輛實(shí)際運(yùn)行過(guò)程中，由于惡劣環(huán)境影響或者駕駛員操作不當(dāng)?shù)仍?，自?dòng)變速器電控系統(tǒng)中的各零部件難免會(huì)發(fā)生故障，這將直接影響整車(chē)的安全性能和使用性能。因此，能否準(zhǔn)確、快速地對(duì)自動(dòng)變速器電控系統(tǒng)故障做出診斷至關(guān)重要。

目前，一些自動(dòng)變速器智能故障診斷技術(shù)得到了一定的發(fā)展與應(yīng)用。文獻(xiàn)［1］采用基于模糊神經(jīng)網(wǎng)絡(luò)的故障自診斷方法，實(shí)現(xiàn)了對(duì)自動(dòng)變速器電控系統(tǒng)故障的模糊診斷；文獻(xiàn)［2］設(shè)計(jì)了基于支持向量機(jī)的多值分類(lèi)器，對(duì)自動(dòng)變速器故障進(jìn)行識(shí)別和診斷，取得了良好的效果；文獻(xiàn)［3］從自動(dòng)變速器的故障現(xiàn)象入手，借助模糊理論歸納故障現(xiàn)象與故障原因的對(duì)應(yīng)關(guān)系，以便準(zhǔn)確鎖定故障部位，提高了診斷精度。

然而由于自動(dòng)變速器電控系統(tǒng)故障的多征兆性、不確定性以及獲取到的故障數(shù)據(jù)的不完整性，單一的智能診斷方法在使用中會(huì)存在診斷精度不高的情況。而數(shù)據(jù)融合技術(shù)具有能充分利用各個(gè)數(shù)據(jù)源之間包含的冗余和互補(bǔ)信息的優(yōu)點(diǎn)，可以提高系統(tǒng)決策的準(zhǔn)確性和魯棒性，為故障診斷確診率的提高提供了一條有效途徑［4］。

因此，本文應(yīng)用D－S證據(jù)理論數(shù)據(jù)融合技術(shù)，將BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)2種故障診斷方法的診斷結(jié)果進(jìn)行決策融合，提高了DCT電控系統(tǒng)故障診斷的診斷精度。

1 DCT電控系統(tǒng)原理及故障分析

1.1 DCT電控系統(tǒng)原理

DCT電控系統(tǒng)由變速器控制單元（transmission control unit，TCU）、輸入軸轉(zhuǎn)速傳感器、加速踏板位置傳感器等傳感器、比例電磁閥、開(kāi)關(guān)電磁閥等執(zhí)行器件組成，如圖1所示。TCU通過(guò)采集加速踏板位置、車(chē)速、發(fā)動(dòng)機(jī)轉(zhuǎn)速、離合器油壓等信號(hào)，經(jīng)過(guò)計(jì)算、分析，獲知汽車(chē)的當(dāng)前運(yùn)行狀態(tài)，并根據(jù)一定的換擋規(guī)律判斷出換擋時(shí)刻，然后向電磁閥、電機(jī)等執(zhí)行器件輸出控制信號(hào)，從而使離合器、選換擋機(jī)構(gòu)等執(zhí)行相應(yīng)的動(dòng)作，實(shí)現(xiàn)自動(dòng)變速的綜合控制。

圖1 DCT電控系統(tǒng)結(jié)構(gòu)

1.2 DCT電控系統(tǒng)故障分析

經(jīng)大量查閱資料并綜合故障診斷專(zhuān)家經(jīng)驗(yàn)，得到以下幾種DCT電控系統(tǒng)常見(jiàn)故障：輸入軸轉(zhuǎn)速傳感器故障、輸入1軸轉(zhuǎn)速傳感器故障、輸入2軸轉(zhuǎn)速傳感器故障、輸出軸轉(zhuǎn)速傳感器故障、車(chē)速傳感器故障、發(fā)動(dòng)機(jī)轉(zhuǎn)速傳感器故障、加速踏板位置傳感器故障、擋位傳感器故障、油溫傳感器故障、離合器油壓傳感器故障、主油壓閥故障、離合器壓力控制閥故障、選擋電磁閥故障、多路開(kāi)關(guān)閥故障、傳感器供電故障。

由于DCT故障征兆的特征參數(shù)和故障類(lèi)別之間存在非線性映射關(guān)系，因此，可以利用神經(jīng)網(wǎng)絡(luò)的非線性映射逼近能力，根據(jù)特征參數(shù)的變化得出故障診斷模型，以便正確識(shí)別出相應(yīng)的故障原因。本文以DCT無(wú)法由1擋升2擋為例，對(duì)產(chǎn)生這一故障征兆的不同故障類(lèi)別進(jìn)行分類(lèi)。

2 故障診斷系統(tǒng)

本文建立的基于神經(jīng)網(wǎng)絡(luò)和D－S證據(jù)理論的故障診斷系統(tǒng)結(jié)構(gòu)如圖2所示。該系統(tǒng)由BP神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)、RBF神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)和基于D－S證據(jù)理論的決策融合系統(tǒng)3個(gè)子系統(tǒng)組成。

圖2 基于神經(jīng)網(wǎng)絡(luò)和D－S證據(jù)理論的故障診斷系統(tǒng)結(jié)構(gòu)

2.1 BP神經(jīng)網(wǎng)絡(luò)診斷子系統(tǒng)

BP神經(jīng)網(wǎng)絡(luò)是一種全局逼近的多層前饋型網(wǎng)絡(luò)。根據(jù)Kolmogorov定理［5］，一個(gè)3層的前向網(wǎng)絡(luò)具有對(duì)任意精度連續(xù)函數(shù)的逼近能力，故將采用3層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行DCT電控系統(tǒng)故障診斷。

在對(duì)DCT無(wú)法由1擋升2擋故障征兆的特點(diǎn)進(jìn)行詳細(xì)分析之后，選取加速踏板位置傳感器電壓、車(chē)速、發(fā)動(dòng)機(jī)轉(zhuǎn)速、輸入1軸轉(zhuǎn)速、輸入2軸轉(zhuǎn)速、離合器1油壓和離合器2油壓這7個(gè)特征參數(shù)作為網(wǎng)絡(luò)的輸入。選取故障分類(lèi)結(jié)果作為網(wǎng)絡(luò)的輸出，包括正常、加速踏板位置傳感器故障、車(chē)速傳感器故障、發(fā)動(dòng)機(jī)轉(zhuǎn)速傳感器故障。隱含層神經(jīng)元的個(gè)數(shù)可通過(guò)經(jīng)驗(yàn)公式得到，即

其中，nI為輸入層神經(jīng)元數(shù)目；nO為輸出層神經(jīng)元數(shù)目；nH為隱含層神經(jīng)元數(shù)目；l為1～10之間的整數(shù)。

2.2 RBF神經(jīng)網(wǎng)絡(luò)診斷子系統(tǒng)

徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)是一種局部逼近的3層前向網(wǎng)絡(luò)。其隱含層節(jié)點(diǎn)的激活函數(shù)采用的是徑向基函數(shù)。選擇高斯函數(shù)作為徑向基函數(shù)，隱含層節(jié)點(diǎn)的輸出為：

其中，φi第i個(gè)隱含層節(jié)點(diǎn)的輸出；σi為第i個(gè)隱含層節(jié)點(diǎn)的高斯函數(shù)半徑，其大小決定了網(wǎng)絡(luò)的復(fù)雜程度；X為網(wǎng)絡(luò)的輸入向量；Ci為第i個(gè)隱含層節(jié)點(diǎn)高斯函數(shù)的中心向量；p為隱含層節(jié)點(diǎn)數(shù)。

RBF神經(jīng)網(wǎng)絡(luò)的隱含層到輸出層的映射為線性映射［6］，即

其中，yk為第k個(gè)輸出層節(jié)點(diǎn)的輸出；wki為隱含層到輸出層的加權(quán)；θk為隱含層閾值；q為輸出層節(jié)點(diǎn)數(shù)。

RBF神經(jīng)網(wǎng)絡(luò)的輸入和輸出與BP神經(jīng)網(wǎng)絡(luò)相同，此處不再贅述。

2.3 基于D－S證據(jù)理論的決策融合子系統(tǒng)

在故障診斷中，D－S證據(jù)理論的識(shí)別框架Θ為診斷對(duì)象可能發(fā)生的故障類(lèi)別。定義基本概率分配為識(shí)別框架Θ上的一個(gè)2Θ→［0，1］的函數(shù)m，并且滿足：

其中，?為空集；A為Θ中任一命題。

決策融合的關(guān)鍵是將BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)作為證據(jù)理論的2個(gè)獨(dú)立證據(jù)，通過(guò)將兩者的輸出值進(jìn)行轉(zhuǎn)換，確定每個(gè)證據(jù)下各種故障類(lèi)別的基本概率分配。采用（4）式構(gòu)建基本概率分配m：

其中，n為故障類(lèi)別個(gè)數(shù)；yi為神經(jīng)網(wǎng)絡(luò)第i個(gè)輸出層節(jié)點(diǎn)的實(shí)際值；ti為神經(jīng)網(wǎng)絡(luò)第i個(gè)輸出層節(jié)點(diǎn)的期望值；Ai為第i種故障類(lèi)別；m（Θ）為證據(jù)的不確定度。

根據(jù)（4）式得到的基本概率分配來(lái)計(jì)算單個(gè)證 據(jù) 下 故 障 類(lèi) 別Ai的 信 度 區(qū) 間 （Bel（Ai），pl（Ai）），計(jì)算公式如下：

利用證據(jù)合成公式［7］計(jì)算2個(gè)證據(jù)融合后各故障類(lèi)別的信度區(qū)間（Bel，pl）和證據(jù)的不確定度m（Θ），根據(jù)以下規(guī)則［7－8］確定最終診斷結(jié)果Aa。

規(guī)則1 Bel（Aa）＝ max｛Bel（Ai）｝。

i

規(guī)則2 Bel（Aa）－Bel（Ai）＞ε1，Bel（Aa）－m（Θ）＞ε2。

規(guī)則3m（Θ）＜ε3。

其中，ε1、ε2、ε3為預(yù)先設(shè)定的閾值。

3 故障診斷仿真實(shí)例

為了驗(yàn)證基于神經(jīng)網(wǎng)絡(luò)和D－S證據(jù)理論的故障診斷方法的有效性，本文以DCT無(wú)法由1擋升2擋為例，人為設(shè)置故障類(lèi)別為加速踏板位置傳感器故障（A1）、車(chē)速傳感器故障（A2）及發(fā)動(dòng)機(jī)轉(zhuǎn)速傳感器故障（A3），與正常狀態(tài)（A0）共同構(gòu)成了決策融合的識(shí)別框架Θ＝ ｛A0，A1，A2，A3｝。共記錄試驗(yàn)時(shí)4種故障類(lèi)別下的特征參數(shù)103組，其中99組作為訓(xùn)練樣本，剩余4組作為測(cè)試樣本，利用Matlab進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和診斷測(cè)試［9］。

BP神經(jīng)網(wǎng)絡(luò)輸入層和輸出層的神經(jīng)元數(shù)目分別為7和4。根據(jù)（1）式，并經(jīng)過(guò)多次仿真后，確定隱含層的神經(jīng)元數(shù)目為10。其中，訓(xùn)練函數(shù)選擇trainlm，隱含層和輸出層神經(jīng)元傳遞函數(shù)均選擇logsig，最大訓(xùn)練次數(shù)為3 000，學(xué)習(xí)率為0.01，目標(biāo)均方誤差為0.001。經(jīng)仿真，訓(xùn)練次數(shù)為35時(shí)，達(dá)到規(guī)定的期望誤差。RBF神經(jīng)網(wǎng)絡(luò)輸入層和輸出層的神經(jīng)元數(shù)目同樣分別為7和4，目標(biāo)均方誤差為0.001，高斯函數(shù)的擴(kuò)展速度為1，經(jīng)過(guò)仿真后，確定隱含層的神經(jīng)元數(shù)目為6。經(jīng)仿真，訓(xùn)練次數(shù)達(dá)到6時(shí)，達(dá)到規(guī)定的期望誤差。分別選取每種故障類(lèi)別下的1組特征參數(shù)作為測(cè)試樣本來(lái)測(cè)試訓(xùn)練好的故障診斷系統(tǒng)，診斷結(jié)果見(jiàn)表1～表3所列。

根據(jù)仿真結(jié)果確定閾值ε1＝0.6，ε2＝0.7，ε3＝0.05。通過(guò)比較分析表1～表3可以發(fā)現(xiàn)，在表1中，對(duì)于第3組診斷結(jié)果，A0的信度區(qū)間為（0.177 408，0.204 307），A2的 信 度 區(qū) 間 為（0.748 636，0.775 535），兩者不滿足診斷規(guī)則2，無(wú)法分辨出故障類(lèi)別；另外，對(duì)于第2組診斷結(jié)果，其證據(jù)的不確定度為0.027 288，相對(duì)其他組來(lái)說(shuō)不確定度較高。

在表2中可以看出，RBF神經(jīng)網(wǎng)絡(luò)可以很好地診斷4種故障類(lèi)別，但是對(duì)于第1組診斷結(jié)果，同樣存在證據(jù)的不確定度較高的問(wèn)題。

在表3中，對(duì)于BP和RBF 2種神經(jīng)網(wǎng)絡(luò)單獨(dú)診斷時(shí)，信度區(qū)間均高的故障類(lèi)別的信度相對(duì)上升，信度區(qū)間均低的故障類(lèi)別的信度相對(duì)降低。例如第3組診斷結(jié)果中，A2的信度區(qū)間由（0.748 636，0.775 535）、（0.953 372，0.954 190）提高到（0.996 740，0.996 770）。A0的信度區(qū)間由（0.177 408，0.204 307）、（0.001 248，0.002 066）降低為（0.000 539，0.000 569），因此診斷故障類(lèi)別為A2。

同時(shí)各組診斷結(jié)果的不確定度明顯減小，最大的不確定度為0.000 305。

綜上可知，由于基于神經(jīng)網(wǎng)絡(luò)和D－S證據(jù)理論的故障診斷系統(tǒng)充分利用了不同證據(jù)的冗余和互補(bǔ)信息，該系統(tǒng)能夠顯著提高故障診斷的診斷精度。

表1 BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

表2 RBF神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

表3 決策融合結(jié)果

4 結(jié)束語(yǔ)

本文將神經(jīng)網(wǎng)絡(luò)和D－S證據(jù)理論相結(jié)合，利用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的輸出來(lái)構(gòu)造D－S證據(jù)理論中的基本概率分配，使得基本概率分配不再完全依賴(lài)專(zhuān)家的主觀賦值。然后將2種神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果用D－S證據(jù)理論合成規(guī)則進(jìn)行決策融合，得出最終診斷結(jié)果。同時(shí)，以DCT無(wú)法由1擋升2擋為例，通過(guò)仿真驗(yàn)證了該故障診斷方法的有效性和準(zhǔn)確性。

［1］ 孔慧芳，何吉柱.模糊神經(jīng)網(wǎng)絡(luò)在自動(dòng)變速器電控系統(tǒng)故障自診斷中的應(yīng)用［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，33（4）：501－505，518.

［2］ 杜燦誼，楊翠麗，潘 威.支持向量機(jī)在汽車(chē)自動(dòng)變速器故障識(shí)別中的應(yīng)用［J］.汽車(chē)工程，2012，34（3）：241－244.

［3］ 衛(wèi)紹元，王冬梅，張忠洋.基于模糊理論的汽車(chē)自動(dòng)變速器故障診斷系統(tǒng)［J］.機(jī)械設(shè)計(jì)與制造，2011（1）：230－232.

［4］ Zhou Ruixiang，Lin Tingqi，Ban Jiandong，et al.Fault diagnosis of airplane hydraulic pump［C］／／Proceeding of the 4th World Congress on Intelligent Control and Automation，Beijing，2002：3150－3152.

［5］ 李少遠(yuǎn)，王景成.智能控制［M］.北京：機(jī)械工業(yè)出版社，2005：100－102.

［6］ 李國(guó)勇.神經(jīng)模糊控制理論及應(yīng)用［M］.北京：電子工業(yè)出版社，2009：29－32.

［7］ 姜萬(wàn)錄，李沖祥.神經(jīng)網(wǎng)絡(luò)和證據(jù)理論融合的故障診斷方法研究［J］.中國(guó)機(jī)械工程，2004，15（9）：760－764.

［8］ 楊 廣，吳曉平.神經(jīng)網(wǎng)絡(luò)與D－S證據(jù)理論分層融合的柴油機(jī)綜合故障診斷方法研究［J］.武漢理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，35（3）：558－561.

［9］ 葛哲學(xué)，孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與 MATLAB R2007實(shí)現(xiàn)［M］.北京：電子工業(yè)出版社，2007：46－69.