基于模糊神經網絡的電動汽車變速器故障檢測研究

魯明旭，曹宇

（上海城建職業(yè)學院 人工智能應用學院，上海 201415）

引言

變速器作為電動汽車中不可或缺的重要部件，隨著科技的日新月異與工業(yè)的迅猛進步，變速器的設計與制造技術持續(xù)上升，變速器的構造愈來愈繁瑣，故障的原因及現象也呈現多元化、不可控等趨勢，所以正確地診斷電機故障并及準時地修復故障具有重大含義。

何雷等用LMD 與BP 神經網絡方法對變速器的故障進行診斷，該方法將噪音協(xié)助解析法、部分平均值轉化法和BP 神經網絡相互融合，提高故障診斷的正確率，但采集故障輸入信號的過程十分復雜[1]；吳又新等提出基于遺傳算法及樣本熵優(yōu)化VMD 參數的故障診斷方法，以建立的WOA-KELM 故障識別模型為基礎，將樣本熵優(yōu)化VMD 參數加入遺傳算法中從而診斷變速器故障，雖然此方法樣本熵的維度小，但識別診斷變速器故障精度較低[2]。

由于汽車變速器的復雜結構，在其故障原因認知、不同故障信號獲取以及分析故障中存在諸多模糊性問題，所以傳統(tǒng)的故障診斷方法未能為我們提供實質性的故障分析。為避免現有研究的劣勢，及變速器故障的模糊性，模糊診斷技術成為解決此類模糊問題實為不二之選。其中由模糊診斷技術和神經網絡組成的模糊神經網絡，既具備處理不確定性問題優(yōu)勢，又具備較強的自適應學習能力，可作為解決模糊診斷問題首選。因此本文提出基于模糊神經網絡的電動汽車變速器故障檢測方法，提升電動汽車變速器的故障診斷準確率，從而獲得高效率的故障診斷。

1 基于模糊神經網絡的電動汽車變速器故障檢測

采用模糊神經網絡對電動汽車變速器故障檢測的過程中，需要先了解變速器的故障原因及故障現象，在此基礎上進行電動汽車變速器故障檢測研究。

1.1 電動車變速器的故障原因以及故障現象

1.1.1 電動車變速器的故障原因

通過變速器中變速桿方位信號、進氣壓力信號、發(fā)動機信號、節(jié)氣門信號、車速度信號、變速器主軸轉動速率以及冷凝溫等信號，電動汽車即可展現自動變換擋實時掌握、變矩器的固定、安全失效庇護和故障暴露以及自判斷等性能[3,4]。當以上所提信號出現異常時，自動變速器的故障現象也隨之產生。

1.1.2 自動變速器的故障現象

自動變速器故障主要分為液壓系統(tǒng)、電子系統(tǒng)和機械方面三大故障。液壓系統(tǒng)故障包含油路壓強過低、ATF 油質變等；電子系統(tǒng)類故障由換擋電磁閥、壓迫掌控電磁閥以及車速傳感器等類故障構成；制動器及調壓閥故障和離合器消耗及滑出故障等屬于機械方面故障。

1.2 模糊診斷技術

生活中經常會有無法闡述基本概念的模糊消息，為解決此類模糊消息，模糊思維應運而生。以下是模糊思維解決模糊消息的4 個步驟。

1）創(chuàng)建準確模糊集合：通過多樣模糊準則創(chuàng)建不同角度描述模糊集合，模糊化的進程用詳細數字描述。

2）建立輸入參量：在模糊準則設置的基本要求下，建立變速器油路故障模型的輸入參量。

3）明確隸屬度：通過隸屬度函數和模糊準則的輸出結果，分別構造輸入信號隸屬度以及模糊集合。

4）獲得結果：采用去模糊化管理所創(chuàng)建的模糊集合，獲取需求的結果。

1.3 BP 神經網絡概述

BP 神經網絡是一種多層型神經網絡，該網絡被多數領域所采用，比如函數逼近、模式辨識及歸類等。因為BP 神經網絡中的傳輸函數可使用非線性函數，所以對汽車變速器故障檢測具有顯著效果[5]。BP 神經網絡由輸入層、隱含層以及輸出層構成，一定數量的節(jié)點存在每一層中，除層內節(jié)點之間，權重矩陣W 將層和層間的節(jié)點相互關聯；每個偏移量對應每個節(jié)點，這些節(jié)點的全部偏移量則組成一個偏移向量B。偏移向量B 和權重矩陣W 作為兩個重要參量存在BP 神經網絡中，因此，找尋恰當的的模型參量W、B 是實現BP 神經網絡輸出最佳結果的重要保障。圖1 表示BP 神經網絡結構。輸入向量組和輸出向量組分別用 P= [p1, p2,...,pn]以及Y=[y1, y2,..., yn]描述； wij、 wjk、 bij和 bjk分別表示輸入層權值、隱含層的權值、輸入層閾值以及隱含層閾值。通過BP 神經網絡進行汽車變速器故障檢測，離不開收納訓練樣本、構建神經網絡、訓練神經網絡以及測試神經網絡4 個方面。

圖1 BP 神經網絡的結構

1.3.1 BP 算法訓練流程

BP 神經網絡訓練流程由兩方面構成，一方面是正向計算，另一方面是反向計算[6]。

1）正向計算

訓練樣本在正向計算中以輸入層為起點，輸出層為終點，流經全部BP 神經網絡。通過計算上一層的輸入與相關模型參量，獲取每一層各個神經元的激活值。通過公式（1）可得正向計算中隱含層和輸出層神經元激活值， hi、分別代表第i 層網絡所含的節(jié)點數目以及第i層第j 個神經節(jié)點的激活值；第i 層第j 個神經元的移位值和第i 層第k 個神經節(jié)點與第i+1 層第j 個神經節(jié)點的權重系數分別用、描述。隱含層與輸出層的激活函數分別使用sigmoid 和softmax 函數。

2）反向計算

通過反向計算中輸出層激活值和訓練樣本標識對比獲取誤差值，對相關W 和B 采用梯度下降法進行修整并使誤差以降低的角度前進[7,8]，其次將誤差通過每一層反向遞進的方式來修改每一層的模型參量。通過公式（2）可算出反向運算中隱含層和輸出層的節(jié)點誤差值。樣本點標識值用zj描述，該值會和輸出層的激活值進行比對，隱含層與輸出層激活函數的導函數分別是sigmoid 和softmax。

式中：

通過已獲取的每個神經元誤差對相關的網絡參量開始修整，使用公式（3）確定W 和B 的更新規(guī)定，在整理算法的收斂速率過程中，迭代的次數和學習率分別用t和η 描述。

1.3.2 確定隱含層神經元數量

在BP 神經網絡中，隱含層神經元個數對其輸出的結果精確及范圍產生不可忽略的影響[9]。隱含層神經元數、輸入層神經元數和輸出層神經元數分別是m、n 和l，取整函數采用round。確定隱含層神經節(jié)點數的方式是公式（4）：

本文選取上述公式中一個，用公式（5）表示，以此確定隱含層節(jié)點數，通常選取較小數為隱含層神經元數。

1.4 變速器油路故障診斷模型

將變速桿方位信號和發(fā)動機轉速信號作為變速器油路故障診斷模型中的輸入信號，油路壓強數值和油路液面位置為輸出信號，根據不同種類的隸屬度區(qū)別實施數據模糊化處置并獲取訓練樣本數據。訓練網絡和測試數據分別用所得訓練樣本數據中的80 %以及20 %。以創(chuàng)建變速器油路故障診斷模型為基礎[10]，通過模糊集合表示法描述變速器油路故障隸屬度，使變速器故障現象和故障原因二者合一，概括4 種故障現象以及2 種重要故障原因分別用表1 和表2 描述。

表1 故障現象表

表2 故障原因表

那么根據公式（6）和公式（7）確定故障原因模糊集合Ni以及故障現象模糊集合Mi：

Uyi和Uxi分別是和該故障原因之間的隸屬度以及和該故障現象之間的隸屬度。

故障原因和故障現象二者間的相互關聯，即模糊準則。通過模糊理論中的“if-then”規(guī)定處理故障原因和故障現象之間的關聯[11]，這個“if-then”規(guī)定是“if α and β，then γ ”，變量用α 和β 表示，α 和β 協(xié)同配合下的效果用γ 表示。表3 為故障現象 M1～ M4和故障原因 N1～N2的關聯信息。

隸屬度函數的形態(tài)大致有矩形遍布、正態(tài)遍布以及梯形遍布等，結合本文分析，變速器油路故障隸屬度函數是梯形遍布形態(tài)[12]。下文是詳細步驟：變速器液壓系統(tǒng)中油路壓強是（1.08～1.47）MPa，最小壓強和最大壓強分別是1.08 MPa 以及1.47 MPa，因此將（0.0～1.47）MPa 設定成變速器油路故障，用x 和A 分別表示油路壓強參量及變速器油路壓強過低模糊集合。通過公式（8）獲得變速器油路故障隸屬函數 A ( x )：

B 代表變速器油路故障模糊集合，此集合包含變速器油路壓強過大、油路壓強過低等[13]，通過公式（9）獲得變速器油路壓強變化程度 Δn 。

變速器先后2 次收集的油路壓強數據分別用 ni和ni+1描述。

公式（10）為變速器油路壓強變化程度隸屬函數B(x)：

綜上，獲取變速器故障為（0.0～1.0），設置變速器故障的3 個級別，分別是強（0.7～1.0）、中（0.4～0.6）以及弱（0.0～0.3）。從訓練得出的樣本數據抽取80 %作訓練數據并被訓練過程中對神經網絡各節(jié)點的權值更新所用[14]，試驗、檢驗模型效果使用余下訓練樣本數據的20 %。

2 仿真測試與分析

以使用097 自動型變速器的某品牌電動汽車作為本次試驗對象。變速器結構包括液壓變矩器、齒輪結構、液壓系統(tǒng)及驅動控制系統(tǒng)等。圖2 為097 型自動變速器外貌。

圖2 097 型自動變速器

為驗證本文方法下變速器油路故障診斷模型輸出結果真實性。將采集到的該電動汽車變速器的100 組故障樣本數據隨機分成20 份，2 份作為測試樣本，18 份為訓練樣本，本文方法模型輸入變量是變速器故障現象，輸出變量是變速器故障原因。表4～6 分別表示本文方法模型的測試樣本輸入、希望樣本輸出結果以及實際輸出結果。以表4 數據為模型輸入，通過對表5 和表6 分析可知，本文方法的變速器故障檢測結果與希望輸出結果基本吻合，更加接近真實情況，可實現電動汽車變速器故障的正確檢測。

表4 模型測試樣本輸入

表5 模型希望樣本輸出結果

表6 模型實際輸出結果

為驗證本文方法的變速器故障診斷效果，選取文獻[1]結合LMD 與BP 神經網絡的故障檢測方法和文獻[2]基于特征提取的故障檢測方法為對比，測試三種方法在電動汽車處于不同運行工況下的故障的檢測準確率，結果用表7 表示。分析表7 可知，不同工況下本文方法的故障檢測準確率均比文獻[1]和文獻[2]均高，其重要因素離不開本文方法在建立模型進程中使用已設定好的輸入參量。結果說明，本文方法的故障檢測準確率較高，且適用于多種電動汽車運行工況下的變速器故障檢測。

表7 三種方法的故障檢測準確率對比(%)

在BP 神經網絡中，隱含層神經元數目極其重要，通常隱含層神經元數目過多或過少都會影響B(tài)P 神經網絡輸出結果。為證實本文方法中隱含層神經元數目對BP神經網絡輸出結果的重要性，對同一組訓練樣本取不同的隱含層神經節(jié)點數，通過修改學習率算法，訓練目標設為10-5，分別對BP 神經網絡訓練2 000 次，隱含層不同數目的神經元訓練誤差結果用圖3描述。分析圖3可知，隱含層神經元數是12時，BP神經網絡訓練誤差結果最小，因此本文方法用12 作為變速器油路故障診斷模型隱含層神經元數目，此刻對電動汽車變速器的故障檢測效果最好。

圖3 隱含層不同數目神經元訓練誤差結果

實驗給出本文方法應用前后變速器的壽命對比，如圖4 所示。分析圖4 可知，本文方法應用下的變速器壽命退化情況顯著優(yōu)于未使用本文方法變速器壽命退化情況，可見，應用本文方法進行及時的變速器故障診斷，對延緩汽車變速器使用壽命退化情況具有顯著作用。

圖4 本文方法應用前后變速器的壽命

3 結論

本文使用模糊神經網絡對電動汽車變速器進行故障檢測，在確定隱含層神經元的數量前提下，不僅可以大幅度提高電動汽車變速器的故障檢測正確率，還可延緩電動汽車變速器的使用壽命退化，提升其實際應用性能。希望本文方法在未來可以具備更高的使用價值。