孔慧芳， 段 銳， 鮑 偉

（合肥工業(yè)大學 電氣與自動化工程學院，安徽 合肥 230009）

0 引 言

雙離合器自動變速器是近年來國內外汽車企業(yè)和研究者關注的一種新型自動變速器，具有傳動效率高、安裝空間緊湊、換擋過程無動力中斷等特點。在車輛實際運行過程中，由于惡劣環(huán)境影響或者駕駛員操作不當等原因，自動變速器電控系統(tǒng)中的各零部件難免會發(fā)生故障，這將直接影響整車的安全性能和使用性能。因此，能否準確、快速地對自動變速器電控系統(tǒng)故障做出診斷至關重要。

目前，一些自動變速器智能故障診斷技術得到了一定的發(fā)展與應用。文獻［1］采用基于模糊神經網絡的故障自診斷方法，實現了對自動變速器電控系統(tǒng)故障的模糊診斷；文獻［2］設計了基于支持向量機的多值分類器，對自動變速器故障進行識別和診斷，取得了良好的效果；文獻［3］從自動變速器的故障現象入手，借助模糊理論歸納故障現象與故障原因的對應關系，以便準確鎖定故障部位，提高了診斷精度。

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

因此，本文應用D－S證據理論數據融合技術，將BP神經網絡和RBF神經網絡2種故障診斷方法的診斷結果進行決策融合，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）、輸入軸轉速傳感器、加速踏板位置傳感器等傳感器、比例電磁閥、開關電磁閥等執(zhí)行器件組成，如圖1所示。TCU通過采集加速踏板位置、車速、發(fā)動機轉速、離合器油壓等信號，經過計算、分析，獲知汽車的當前運行狀態(tài)，并根據一定的換擋規(guī)律判斷出換擋時刻，然后向電磁閥、電機等執(zhí)行器件輸出控制信號，從而使離合器、選換擋機構等執(zhí)行相應的動作，實現自動變速的綜合控制。

圖1 DCT電控系統(tǒng)結構

1.2 DCT電控系統(tǒng)故障分析

經大量查閱資料并綜合故障診斷專家經驗，得到以下幾種DCT電控系統(tǒng)常見故障：輸入軸轉速傳感器故障、輸入1軸轉速傳感器故障、輸入2軸轉速傳感器故障、輸出軸轉速傳感器故障、車速傳感器故障、發(fā)動機轉速傳感器故障、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、多路開關閥故障、傳感器供電故障。

由于DCT故障征兆的特征參數和故障類別之間存在非線性映射關系，因此，可以利用神經網絡的非線性映射逼近能力，根據特征參數的變化得出故障診斷模型，以便正確識別出相應的故障原因。本文以DCT無法由1擋升2擋為例，對產生這一故障征兆的不同故障類別進行分類。

2 故障診斷系統(tǒng)

本文建立的基于神經網絡和D－S證據理論的故障診斷系統(tǒng)結構如圖2所示。該系統(tǒng)由BP神經網絡診斷系統(tǒng)、RBF神經網絡診斷系統(tǒng)和基于D－S證據理論的決策融合系統(tǒng)3個子系統(tǒng)組成。

圖2 基于神經網絡和D－S證據理論的故障診斷系統(tǒng)結構

2.1 BP神經網絡診斷子系統(tǒng)

BP神經網絡是一種全局逼近的多層前饋型網絡。根據Kolmogorov定理［5］，一個3層的前向網絡具有對任意精度連續(xù)函數的逼近能力，故將采用3層BP神經網絡進行DCT電控系統(tǒng)故障診斷。

在對DCT無法由1擋升2擋故障征兆的特點進行詳細分析之后，選取加速踏板位置傳感器電壓、車速、發(fā)動機轉速、輸入1軸轉速、輸入2軸轉速、離合器1油壓和離合器2油壓這7個特征參數作為網絡的輸入。選取故障分類結果作為網絡的輸出，包括正常、加速踏板位置傳感器故障、車速傳感器故障、發(fā)動機轉速傳感器故障。隱含層神經元的個數可通過經驗公式得到，即

其中，nI為輸入層神經元數目；nO為輸出層神經元數目；nH為隱含層神經元數目；l為1～10之間的整數。

2.2 RBF神經網絡診斷子系統(tǒng)

徑向基函數（RBF）神經網絡是一種局部逼近的3層前向網絡。其隱含層節(jié)點的激活函數采用的是徑向基函數。選擇高斯函數作為徑向基函數，隱含層節(jié)點的輸出為：

其中，φi第i個隱含層節(jié)點的輸出；σi為第i個隱含層節(jié)點的高斯函數半徑，其大小決定了網絡的復雜程度；X為網絡的輸入向量；Ci為第i個隱含層節(jié)點高斯函數的中心向量；p為隱含層節(jié)點數。

RBF神經網絡的隱含層到輸出層的映射為線性映射［6］，即

其中，yk為第k個輸出層節(jié)點的輸出；wki為隱含層到輸出層的加權；θk為隱含層閾值；q為輸出層節(jié)點數。

RBF神經網絡的輸入和輸出與BP神經網絡相同，此處不再贅述。

2.3 基于D－S證據理論的決策融合子系統(tǒng)

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

其中，?為空集；A為Θ中任一命題。

決策融合的關鍵是將BP神經網絡和RBF神經網絡作為證據理論的2個獨立證據，通過將兩者的輸出值進行轉換，確定每個證據下各種故障類別的基本概率分配。采用（4）式構建基本概率分配m：

其中，n為故障類別個數；yi為神經網絡第i個輸出層節(jié)點的實際值；ti為神經網絡第i個輸出層節(jié)點的期望值；Ai為第i種故障類別；m（Θ）為證據的不確定度。

根據（4）式得到的基本概率分配來計算單個證 據 下 故 障 類 別Ai的 信 度 區(qū) 間 （Bel（Ai），pl（Ai）），計算公式如下：

利用證據合成公式［7］計算2個證據融合后各故障類別的信度區(qū)間（Bel，pl）和證據的不確定度m（Θ），根據以下規(guī)則［7－8］確定最終診斷結果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為預先設定的閾值。

3 故障診斷仿真實例

為了驗證基于神經網絡和D－S證據理論的故障診斷方法的有效性，本文以DCT無法由1擋升2擋為例，人為設置故障類別為加速踏板位置傳感器故障（A1）、車速傳感器故障（A2）及發(fā)動機轉速傳感器故障（A3），與正常狀態(tài)（A0）共同構成了決策融合的識別框架Θ＝ ｛A0，A1，A2，A3｝。共記錄試驗時4種故障類別下的特征參數103組，其中99組作為訓練樣本，剩余4組作為測試樣本，利用Matlab進行神經網絡的訓練和診斷測試［9］。

BP神經網絡輸入層和輸出層的神經元數目分別為7和4。根據（1）式，并經過多次仿真后，確定隱含層的神經元數目為10。其中，訓練函數選擇trainlm，隱含層和輸出層神經元傳遞函數均選擇logsig，最大訓練次數為3 000，學習率為0.01，目標均方誤差為0.001。經仿真，訓練次數為35時，達到規(guī)定的期望誤差。RBF神經網絡輸入層和輸出層的神經元數目同樣分別為7和4，目標均方誤差為0.001，高斯函數的擴展速度為1，經過仿真后，確定隱含層的神經元數目為6。經仿真，訓練次數達到6時，達到規(guī)定的期望誤差。分別選取每種故障類別下的1組特征參數作為測試樣本來測試訓練好的故障診斷系統(tǒng)，診斷結果見表1～表3所列。

根據仿真結果確定閾值ε1＝0.6，ε2＝0.7，ε3＝0.05。通過比較分析表1～表3可以發(fā)現，在表1中，對于第3組診斷結果，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，無法分辨出故障類別；另外，對于第2組診斷結果，其證據的不確定度為0.027 288，相對其他組來說不確定度較高。

在表2中可以看出，RBF神經網絡可以很好地診斷4種故障類別，但是對于第1組診斷結果，同樣存在證據的不確定度較高的問題。

在表3中，對于BP和RBF 2種神經網絡單獨診斷時，信度區(qū)間均高的故障類別的信度相對上升，信度區(qū)間均低的故障類別的信度相對降低。例如第3組診斷結果中，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），因此診斷故障類別為A2。

同時各組診斷結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，由于基于神經網絡和D－S證據理論的故障診斷系統(tǒng)充分利用了不同證據的冗余和互補信息，該系統(tǒng)能夠顯著提高故障診斷的診斷精度。

表1 BP神經網絡診斷結果

表2 RBF神經網絡診斷結果

表3 決策融合結果

4 結束語

本文將神經網絡和D－S證據理論相結合，利用BP神經網絡和RBF神經網絡的輸出來構造D－S證據理論中的基本概率分配，使得基本概率分配不再完全依賴專家的主觀賦值。然后將2種神經網絡的診斷結果用D－S證據理論合成規(guī)則進行決策融合，得出最終診斷結果。同時，以DCT無法由1擋升2擋為例，通過仿真驗證了該故障診斷方法的有效性和準確性。

［1］ 孔慧芳，何吉柱.模糊神經網絡在自動變速器電控系統(tǒng)故障自診斷中的應用［J］.合肥工業(yè)大學學報：自然科學版，2010，33（4）：501－505，518.

［2］ 杜燦誼，楊翠麗，潘 威.支持向量機在汽車自動變速器故障識別中的應用［J］.汽車工程，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自動變速器故障診斷系統(tǒng)［J］.機械設計與制造，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，王景成.智能控制［M］.北京：機械工業(yè)出版社，2005：100－102.

［6］ 李國勇.神經模糊控制理論及應用［M］.北京：電子工業(yè)出版社，2009：29－32.

［7］ 姜萬錄，李沖祥.神經網絡和證據理論融合的故障診斷方法研究［J］.中國機械工程，2004，15（9）：760－764.

［8］ 楊 廣，吳曉平.神經網絡與D－S證據理論分層融合的柴油機綜合故障診斷方法研究［J］.武漢理工大學學報：自然科學版，2011，35（3）：558－561.

［9］ 葛哲學，孫志強.神經網絡理論與 MATLAB R2007實現［M］.北京：電子工業(yè)出版社，2007：46－69.