表2 ANFIS和BP訓(xùn)練結(jié)果對(duì)比

通過對(duì)比可見，PSA網(wǎng)絡(luò)模型在訓(xùn)練速度、收斂性以及擬合能力等方面均優(yōu)于PCA—BP網(wǎng)絡(luò)模型。

同理，其他子系統(tǒng)也可根據(jù)獲得的數(shù)據(jù)進(jìn)行PSA建模，并分別進(jìn)行測(cè)試和調(diào)整。最后將所有的診斷子系統(tǒng)通過圖形化編輯方式或應(yīng)用命令行函數(shù)進(jìn)行合并，建立整體診斷模型。

將檢測(cè)樣本分別輸入各ANFIS子網(wǎng)絡(luò)與BP網(wǎng)絡(luò)，進(jìn)行2種模型泛化能力驗(yàn)證，對(duì)比結(jié)果如表3所示(部分?jǐn)?shù)據(jù))。表中各輸出值意義：1為無故障；2為換擋閥卡滯；3為輸入軸轉(zhuǎn)速傳感器故障；“一”表示未能作出診斷。

表3 ANFIS和BP故障診斷結(jié)果對(duì)比

表3結(jié)果表明，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)能準(zhǔn)確地診斷出包括正常工況在內(nèi)的3類故障模式，而BP網(wǎng)絡(luò)存在誤判和輸出分類效果較差等問題。

圖6 2種模型的訓(xùn)練誤差曲線

4結(jié)論

(1)基于CAN總線通信網(wǎng)絡(luò)構(gòu)建的新型AMT故障診斷系統(tǒng)，可以充分利用車輛行駛狀態(tài)信息，實(shí)現(xiàn)實(shí)時(shí)分布式在線故障診斷。

(2)結(jié)合PCA和subtraetive clustering方法建立的ANFIS診斷模型，具有較好的學(xué)習(xí)速率和精度，能夠根據(jù)發(fā)動(dòng)機(jī)轉(zhuǎn)速、節(jié)氣門開度等真實(shí)工況參數(shù)變化的趨勢(shì)準(zhǔn)確地診斷出AMT無上行換擋故障原因。

(3)PSA模型與PCA—BP模型相比，其在訓(xùn)練速度、擬合能力以及收斂性等方面均優(yōu)于后者，更適用于故障診斷。