基于模糊神經(jīng)網(wǎng)絡(luò)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(xué)院 人工智能應(yīng)用學(xué)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(jìn)步，變速器的設(shè)計(jì)與制造技術(shù)持續(xù)上升，變速器的構(gòu)造愈來愈繁瑣，故障的原因及現(xiàn)象也呈現(xiàn)多元化、不可控等趨勢，所以正確地診斷電機(jī)故障并及準(zhǔn)時地修復(fù)故障具有重大含義。

何雷等用LMD 與BP 神經(jīng)網(wǎng)絡(luò)方法對變速器的故障進(jìn)行診斷，該方法將噪音協(xié)助解析法、部分平均值轉(zhuǎn)化法和BP 神經(jīng)網(wǎng)絡(luò)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(fù)雜[1]；吳又新等提出基于遺傳算法及樣本熵優(yōu)化VMD 參數(shù)的故障診斷方法，以建立的WOA-KELM 故障識別模型為基礎(chǔ)，將樣本熵優(yōu)化VMD 參數(shù)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(fù)雜結(jié)構(gòu)，在其故障原因認(rèn)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(shí)質(zhì)性的故障分析。為避免現(xiàn)有研究的劣勢，及變速器故障的模糊性，模糊診斷技術(shù)成為解決此類模糊問題實(shí)為不二之選。其中由模糊診斷技術(shù)和神經(jīng)網(wǎng)絡(luò)組成的模糊神經(jīng)網(wǎng)絡(luò)，既具備處理不確定性問題優(yōu)勢，又具備較強(qiáng)的自適應(yīng)學(xué)習(xí)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(jīng)網(wǎng)絡(luò)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(zhǔn)確率，從而獲得高效率的故障診斷。

1 基于模糊神經(jīng)網(wǎng)絡(luò)的電動汽車變速器故障檢測

采用模糊神經(jīng)網(wǎng)絡(luò)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(xiàn)象，在此基礎(chǔ)上進(jìn)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(xiàn)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(jìn)氣壓力信號、發(fā)動機(jī)信號、節(jié)氣門信號、車速度信號、變速器主軸轉(zhuǎn)動速率以及冷凝溫等信號，電動汽車即可展現(xiàn)自動變換擋實(shí)時掌握、變矩器的固定、安全失效庇護(hù)和故障暴露以及自判斷等性能[3,4]。當(dāng)以上所提信號出現(xiàn)異常時，自動變速器的故障現(xiàn)象也隨之產(chǎn)生。

1.1.2 自動變速器的故障現(xiàn)象

自動變速器故障主要分為液壓系統(tǒng)、電子系統(tǒng)和機(jī)械方面三大故障。液壓系統(tǒng)故障包含油路壓強(qiáng)過低、ATF 油質(zhì)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(gòu)成；制動器及調(diào)壓閥故障和離合器消耗及滑出故障等屬于機(jī)械方面故障。

1.2 模糊診斷技術(shù)

生活中經(jīng)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(yīng)運(yùn)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(zhǔn)確模糊集合：通過多樣模糊準(zhǔn)則創(chuàng)建不同角度描述模糊集合，模糊化的進(jìn)程用詳細(xì)數(shù)字描述。

2）建立輸入?yún)⒘浚涸谀：郎?zhǔn)則設(shè)置的基本要求下，建立變速器油路故障模型的輸入?yún)⒘俊?/p>

3）明確隸屬度：通過隸屬度函數(shù)和模糊準(zhǔn)則的輸出結(jié)果，分別構(gòu)造輸入信號隸屬度以及模糊集合。

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

1.3 BP 神經(jīng)網(wǎng)絡(luò)概述

BP 神經(jīng)網(wǎng)絡(luò)是一種多層型神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)被多數(shù)領(lǐng)域所采用，比如函數(shù)逼近、模式辨識及歸類等。因?yàn)锽P 神經(jīng)網(wǎng)絡(luò)中的傳輸函數(shù)可使用非線性函數(shù)，所以對汽車變速器故障檢測具有顯著效果[5]。BP 神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層以及輸出層構(gòu)成，一定數(shù)量的節(jié)點(diǎn)存在每一層中，除層內(nèi)節(jié)點(diǎn)之間，權(quán)重矩陣W 將層和層間的節(jié)點(diǎn)相互關(guān)聯(lián)；每個偏移量對應(yīng)每個節(jié)點(diǎn)，這些節(jié)點(diǎn)的全部偏移量則組成一個偏移向量B。偏移向量B 和權(quán)重矩陣W 作為兩個重要參量存在BP 神經(jīng)網(wǎng)絡(luò)中，因此，找尋恰當(dāng)?shù)牡哪Ｐ蛥⒘縒、B 是實(shí)現(xiàn)BP 神經(jīng)網(wǎng)絡(luò)輸出最佳結(jié)果的重要保障。圖1 表示BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。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(quán)值、隱含層的權(quán)值、輸入層閾值以及隱含層閾值。通過BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行汽車變速器故障檢測，離不開收納訓(xùn)練樣本、構(gòu)建神經(jīng)網(wǎng)絡(luò)、訓(xùn)練神經(jīng)網(wǎng)絡(luò)以及測試神經(jīng)網(wǎng)絡(luò)4 個方面。

圖1 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

1.3.1 BP 算法訓(xùn)練流程

BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程由兩方面構(gòu)成，一方面是正向計(jì)算，另一方面是反向計(jì)算[6]。

1）正向計(jì)算

訓(xùn)練樣本在正向計(jì)算中以輸入層為起點(diǎn)，輸出層為終點(diǎn)，流經(jīng)全部BP 神經(jīng)網(wǎng)絡(luò)。通過計(jì)算上一層的輸入與相關(guān)模型參量，獲取每一層各個神經(jīng)元的激活值。通過公式（1）可得正向計(jì)算中隱含層和輸出層神經(jīng)元激活值， hi、分別代表第i 層網(wǎng)絡(luò)所含的節(jié)點(diǎn)數(shù)目以及第i層第j 個神經(jīng)節(jié)點(diǎn)的激活值；第i 層第j 個神經(jīng)元的移位值和第i 層第k 個神經(jīng)節(jié)點(diǎn)與第i+1 層第j 個神經(jīng)節(jié)點(diǎn)的權(quán)重系數(shù)分別用、描述。隱含層與輸出層的激活函數(shù)分別使用sigmoid 和softmax 函數(shù)。

2）反向計(jì)算

通過反向計(jì)算中輸出層激活值和訓(xùn)練樣本標(biāo)識對比獲取誤差值，對相關(guān)W 和B 采用梯度下降法進(jìn)行修整并使誤差以降低的角度前進(jìn)[7,8]，其次將誤差通過每一層反向遞進(jìn)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(yùn)算中隱含層和輸出層的節(jié)點(diǎn)誤差值。樣本點(diǎn)標(biāo)識值用zj描述，該值會和輸出層的激活值進(jìn)行比對，隱含層與輸出層激活函數(shù)的導(dǎo)函數(shù)分別是sigmoid 和softmax。

式中：

通過已獲取的每個神經(jīng)元誤差對相關(guān)的網(wǎng)絡(luò)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(shù)和學(xué)習(xí)率分別用t和η 描述。

1.3.2 確定隱含層神經(jīng)元數(shù)量

在BP 神經(jīng)網(wǎng)絡(luò)中，隱含層神經(jīng)元個數(shù)對其輸出的結(jié)果精確及范圍產(chǎn)生不可忽略的影響[9]。隱含層神經(jīng)元數(shù)、輸入層神經(jīng)元數(shù)和輸出層神經(jīng)元數(shù)分別是m、n 和l，取整函數(shù)采用round。確定隱含層神經(jīng)節(jié)點(diǎn)數(shù)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(diǎn)數(shù)，通常選取較小數(shù)為隱含層神經(jīng)元數(shù)。

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(jī)轉(zhuǎn)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(qiáng)數(shù)值和油路液面位置為輸出信號，根據(jù)不同種類的隸屬度區(qū)別實(shí)施數(shù)據(jù)模糊化處置并獲取訓(xùn)練樣本數(shù)據(jù)。訓(xùn)練網(wǎng)絡(luò)和測試數(shù)據(jù)分別用所得訓(xùn)練樣本數(shù)據(jù)中的80 %以及20 %。以創(chuàng)建變速器油路故障診斷模型為基礎(chǔ)[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(xiàn)象和故障原因二者合一，概括4 種故障現(xiàn)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(xiàn)象表

表2 故障原因表

那么根據(jù)公式（6）和公式（7）確定故障原因模糊集合Ni以及故障現(xiàn)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(xiàn)象之間的隸屬度。

故障原因和故障現(xiàn)象二者間的相互關(guān)聯(lián)，即模糊準(zhǔn)則。通過模糊理論中的“if-then”規(guī)定處理故障原因和故障現(xiàn)象之間的關(guān)聯(lián)[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(xiàn)象 M1～ M4和故障原因 N1～N2的關(guān)聯(lián)信息。

隸屬度函數(shù)的形態(tài)大致有矩形遍布、正態(tài)遍布以及梯形遍布等，結(jié)合本文分析，變速器油路故障隸屬度函數(shù)是梯形遍布形態(tài)[12]。下文是詳細(xì)步驟：變速器液壓系統(tǒng)中油路壓強(qiáng)是（1.08～1.47）MPa，最小壓強(qiáng)和最大壓強(qiáng)分別是1.08 MPa 以及1.47 MPa，因此將（0.0～1.47）MPa 設(shè)定成變速器油路故障，用x 和A 分別表示油路壓強(qiáng)參量及變速器油路壓強(qiáng)過低模糊集合。通過公式（8）獲得變速器油路故障隸屬函數(shù) 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(qiáng)過大、油路壓強(qiáng)過低等[13]，通過公式（9）獲得變速器油路壓強(qiáng)變化程度 Δn 。

變速器先后2 次收集的油路壓強(qiáng)數(shù)據(jù)分別用 ni和ni+1描述。

公式（10）為變速器油路壓強(qiáng)變化程度隸屬函數(shù)B(x)：

綜上，獲取變速器故障為（0.0～1.0），設(shè)置變速器故障的3 個級別，分別是強(qiáng)（0.7～1.0）、中（0.4～0.6）以及弱（0.0～0.3）。從訓(xùn)練得出的樣本數(shù)據(jù)抽取80 %作訓(xùn)練數(shù)據(jù)并被訓(xùn)練過程中對神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)的權(quán)值更新所用[14]，試驗(yàn)、檢驗(yàn)?zāi)Ｐ托Ч褂糜嘞掠?xùn)練樣本數(shù)據(jù)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(yàn)對象。變速器結(jié)構(gòu)包括液壓變矩器、齒輪結(jié)構(gòu)、液壓系統(tǒng)及驅(qū)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(yàn)證本文方法下變速器油路故障診斷模型輸出結(jié)果真實(shí)性。將采集到的該電動汽車變速器的100 組故障樣本數(shù)據(jù)隨機(jī)分成20 份，2 份作為測試樣本，18 份為訓(xùn)練樣本，本文方法模型輸入變量是變速器故障現(xiàn)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(jié)果以及實(shí)際輸出結(jié)果。以表4 數(shù)據(jù)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(jié)果與希望輸出結(jié)果基本吻合，更加接近真實(shí)情況，可實(shí)現(xiàn)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(jié)果

表6 模型實(shí)際輸出結(jié)果

為驗(yàn)證本文方法的變速器故障診斷效果，選取文獻(xiàn)[1]結(jié)合LMD 與BP 神經(jīng)網(wǎng)絡(luò)的故障檢測方法和文獻(xiàn)[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(yùn)行工況下的故障的檢測準(zhǔn)確率，結(jié)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(zhǔn)確率均比文獻(xiàn)[1]和文獻(xiàn)[2]均高，其重要因素離不開本文方法在建立模型進(jìn)程中使用已設(shè)定好的輸入?yún)⒘俊＝Y(jié)果說明，本文方法的故障檢測準(zhǔn)確率較高，且適用于多種電動汽車運(yùn)行工況下的變速器故障檢測。

表7 三種方法的故障檢測準(zhǔn)確率對比(%)

在BP 神經(jīng)網(wǎng)絡(luò)中，隱含層神經(jīng)元數(shù)目極其重要，通常隱含層神經(jīng)元數(shù)目過多或過少都會影響B(tài)P 神經(jīng)網(wǎng)絡(luò)輸出結(jié)果。為證實(shí)本文方法中隱含層神經(jīng)元數(shù)目對BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的重要性，對同一組訓(xùn)練樣本取不同的隱含層神經(jīng)節(jié)點(diǎn)數(shù)，通過修改學(xué)習(xí)率算法，訓(xùn)練目標(biāo)設(shè)為10-5，分別對BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練2 000 次，隱含層不同數(shù)目的神經(jīng)元訓(xùn)練誤差結(jié)果用圖3描述。分析圖3可知，隱含層神經(jīng)元數(shù)是12時，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差結(jié)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(jīng)元數(shù)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(shù)目神經(jīng)元訓(xùn)練誤差結(jié)果

實(shí)驗(yàn)給出本文方法應(yīng)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(yīng)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(yīng)用本文方法進(jìn)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(yīng)用前后變速器的壽命

3 結(jié)論

本文使用模糊神經(jīng)網(wǎng)絡(luò)對電動汽車變速器進(jìn)行故障檢測，在確定隱含層神經(jīng)元的數(shù)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(shí)際應(yīng)用性能。希望本文方法在未來可以具備更高的使用價值。