張慧玲 李峰珠
摘要:隨著現(xiàn)代化生產(chǎn)技術(shù)的迅速發(fā)展,汽車的制造技術(shù)也在發(fā)生質(zhì)的飛躍,其中汽車的結(jié)構(gòu)和裝置和傳統(tǒng)的汽車相比有了很大的不同。同時汽車的維護工作也隨著汽車的結(jié)構(gòu)和裝置的變化發(fā)生著本質(zhì)的變化,現(xiàn)在很多汽車維修中心也正在從盲目拆卸向著先檢測后維修的作業(yè)方式發(fā)生轉(zhuǎn)變。汽車底盤的工作狀況對于汽車行車安全的保障、環(huán)保、節(jié)能具有非常重要的意義。在此種情況下,研究開發(fā)一種具有多功能的既經(jīng)濟又實用的汽車底盤綜合檢測診斷設(shè)備便具有十分重要的意義。
關(guān)鍵詞:汽車;底盤;檢測;人工神經(jīng)網(wǎng)絡(luò);數(shù)學模型;模糊
首先,來了解一下什么是人工神經(jīng)網(wǎng)絡(luò)。“人工神經(jīng)網(wǎng)絡(luò)是由多個非常簡單的處理單元,彼此按照某種方式相互連接并由人工建立的以有向圖為拓撲結(jié)構(gòu)的動態(tài)系統(tǒng),它通過對連續(xù)或斷續(xù)的輸入作狀態(tài)響應(yīng)而進行信息處理”這是著名的神經(jīng)網(wǎng)絡(luò)研究專家Hecht-Nielsen給人工神經(jīng)網(wǎng)絡(luò)下的定義。隨著這一技術(shù)的發(fā)展,逐漸開始應(yīng)用到各種領(lǐng)域當中,其中汽車輪、軸松曠間隙的檢測也開始應(yīng)用了這一技術(shù)。
其次,再來分析一下汽車輪、軸松曠間隙對汽車產(chǎn)生的影響。汽車輪轂軸承、主銷松曠間隙是汽車輪、軸總體間隙的主要組成部分,它的大小可以換算成輪緣的軸向位移量來,并使用這一位移量來表示。行駛在路上的汽車輪轂、主銷間隙必須保持在一定的范圍之內(nèi)才能保證汽車安全可靠的行駛。如果間隙過大,則會導(dǎo)致汽車操縱穩(wěn)定性變差,行車的會出現(xiàn)搖擺不定的情況。同是也會讓輪胎與懸架零件加快磨損,也會出現(xiàn)轉(zhuǎn)向不靈敏等后果,嚴重的時候還會將導(dǎo)致交通事故的發(fā)生,所以我們必須認真仔細并定期地對輪轂軸承、主銷配合間隙進行檢測和排除故障。
然后,再來了解T目前國內(nèi)外汽車檢測的設(shè)備。雖然汽車檢測的設(shè)備目前有不少,但是在輪、軸間隙方面檢測設(shè)備更是少的可憐,現(xiàn)在有的大部分還只是代替人工的擺動車輪,由人工觀測其間隙大小,雖然目前對汽車輪、軸松曠間隙單項檢測已經(jīng)開發(fā)完成,基本上實現(xiàn)了自動化,在檢測時,汽車要停在檢測臺上,由計算機控制檢測臺滑板來運動,從而帶動汽車車輪的運動,使汽車輪、軸松曠間隙充分暴露,通過測控系統(tǒng)來檢測輪胎受力和臺板的位移量,最終通過計算可以得到它的間隙值。但是由于測得的力和位移與間隙類別之間沒有明確的對應(yīng)關(guān)系,所以對此間隙的類別判斷還需人為地進行判斷,這樣的話,就影響了檢測的智能化程度。因此目前急需要一種更為智能化的檢測工具,人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)讓我們看到了希望。
接下來,分析一下人工神經(jīng)網(wǎng)絡(luò)在汽車檢測方面是如何應(yīng)用的。①通過學習輪、軸松曠間隙檢測的知識理論,可以測定力和位移的關(guān)系曲線,而根據(jù)曲線的變化特征,就可以測得輪、軸松曠間隙的大小。但是通過大量的實踐操作,發(fā)現(xiàn)只有當主銷間隙或輪轂出現(xiàn)間隙時,間隙類別的判斷才需要人為干預(yù)。所以如果各曲線之間沒有明顯的特征差異,便無法用精確的數(shù)學模型來描述。所以,提出了一種模糊自組織神經(jīng)網(wǎng)絡(luò)模型,將模糊等價關(guān)系和類距離閾限引入自組織神經(jīng)網(wǎng)絡(luò)模型中,可直接從原始數(shù)據(jù)中歸納出診斷規(guī)則,實現(xiàn)對間隙的識別。②假定輪轂軸承有松曠間隙,主銷處無松曠間隙,忽略車輪自身重力,臺板不動。取車輪為研究對象進行受力分析,可以得出:輪轂內(nèi)軸承靜態(tài)徑向支反力+輪轂外軸承靜態(tài)徑向支反力=地面對車輪的支反力(即輪荷)。當臺板右移時,通過對其受力分析可以得出:輪轂內(nèi)軸承動態(tài)徑向支反力+輪轂外軸承動態(tài)徑向支反力=地面對車輪的支反力(即輪荷)。③輪轂外軸承動態(tài)徑向支反力隨著檢測臺板施加到車輪邊緣的側(cè)向力的增大而逐漸減小,輪轂內(nèi)軸承動態(tài)徑向支反力卻隨之逐漸增大。當檢測臺板施加到車輪邊緣的側(cè)向力增大到一定程度時,則內(nèi)軸承支承全部輪荷,此時輪轂軸承處松曠間隙開始暴露出來。由此開始從一個極限位置向另一個極限位置的轉(zhuǎn)變。在此轉(zhuǎn)變過程中,由于某些參數(shù)不發(fā)生變化,隨著臺板位移量增加,但輪胎變形增量為零,所以檢測臺板施加到車輪邊緣的側(cè)向力保持為恒定值。當臺板位移一定距離后,其配合副轉(zhuǎn)移到另一極限位置。此時,輪轂軸承處松曠間隙完全暴露出來,即為此處的松曠間隙。隨著臺板的繼續(xù)右移,曲線從水平直線段產(chǎn)生轉(zhuǎn)折,直至輪胎與上臺板之間產(chǎn)生滑移,臺板達到右側(cè)最大行程,由于檢測臺板施加到車輪邊緣的側(cè)向力不能再繼續(xù)增加,曲線又開始轉(zhuǎn)折為水平直線段,直到右側(cè)終點。④檢測系統(tǒng)需要采集兩種信息:開關(guān)信號和模擬信號。開關(guān)信號,即狀態(tài)信號,其信號電平只有高電平與低電平兩種。對于這些信號,只需要經(jīng)放大、整形和電平轉(zhuǎn)換后,即可直接輸入計算機系統(tǒng)。而對模擬信號,由于模擬信號的電壓或電流是連續(xù)變化的,其信號幅度在任何時刻都有定義。⑤選擇傳感器。根據(jù)我們檢測系統(tǒng)所要實現(xiàn)的功能,來選擇適合本系統(tǒng)所需要的傳感器,本傳感器需要能感受車輪所受的3個方向的力,并可以將其轉(zhuǎn)換成電量的裝置,這是測試系統(tǒng)中關(guān)鍵的元件,其質(zhì)量和性能是實現(xiàn)準確測量的基本保證。當彈性元件受到截割力、牽引力、和側(cè)向力3個方向的載荷時,其表面將產(chǎn)生伸長或縮短。這時,固定在上面的應(yīng)變片將會發(fā)生變化。使用測量儀器測出其電阻的變化,根據(jù)變換的原理便可得到彈性元件三個方向的應(yīng)變值,然后利用彈性力學中應(yīng)力與應(yīng)變的關(guān)系,便可求出被測3個力的大小。⑥由于傳感器的輸出信號比較微弱一些,所以一般還需要接入一個放大器,以便進行緩沖、隔離、放大和電平的轉(zhuǎn)換等處理。同時,由于要度量傳送過來的電信號,因此,對于測量系統(tǒng)中采用的放大器應(yīng)當有精確和穩(wěn)定的增益。通常,放大器的增益是通過它的外接電阻來實現(xiàn)的,所以獲得精確的增益值也是可以很容易做到的。但更為重要的要在放大器的工作條件下保持增益值的穩(wěn)定性,因此,要求對采用的放大器需要具有良好的線性度、低的漂移、高輸入阻抗、高共模抑制比和低的輸出阻抗。⑦本檢測系統(tǒng)的控制系統(tǒng)的主要目標就是對液壓站的控制,過程如下:控制信號由計算機發(fā)出,然后送到電路板上,驅(qū)動繼電器動作,從而控制液壓站的電磁閥進行運動,使液壓缸進、排油驅(qū)動柱塞運動,即可使滑板發(fā)生運動。此時,裝在設(shè)備上的傳感器會發(fā)出電壓信號到電路板上,再由放大電路放大后再送到A/D轉(zhuǎn)換器,使計算機獲得數(shù)據(jù)。最后經(jīng)計算機的處理后再作下一步的處理。⑧抗“干擾”設(shè)計?!案蓴_”是本檢測系統(tǒng)中的一種無用信號,它會導(dǎo)致在測量結(jié)果中產(chǎn)生一定的誤差。所以,要獲得好的測量結(jié)果,就必須對干擾來源采取一定的抑制措施。本檢測系統(tǒng)主要應(yīng)用于汽車維修站,現(xiàn)場檢測時,很易受到汽車振動、環(huán)境氣候、電源、磁場等干擾源產(chǎn)生的各種干擾因素的干擾。如果不對這些干擾采取一定的有效措施,本系統(tǒng)可靠運行就無法得到保證,嚴重時可能還會損壞元器件。
最后,通過構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型來實現(xiàn)汽車輪、軸松曠間隙的檢測。本檢測系統(tǒng)提出一種模糊自組織神經(jīng)網(wǎng)絡(luò)模型,將模糊等價關(guān)系和類距離閾限引入自組織神經(jīng)網(wǎng)絡(luò)模型中,可直接從原始數(shù)據(jù)中歸納出診斷規(guī)則,實現(xiàn)對間隙的識別。
(1)數(shù)據(jù)的歸一化與模糊等價關(guān)系。
由于在測得的原始數(shù)據(jù)和經(jīng)過信號處理后的數(shù)據(jù)的各自特征不同,取值范圍也不一樣而且物理單位也不同,所以不能直接對它們進行分析與聚類,所以在分析處理前,需要對原始數(shù)據(jù)進行歸一化處理,還要將各自的特征值映射到指定的區(qū)間內(nèi)。模糊匹配運算就是采用的點值的模糊等價關(guān)系方法,先計算輸入的原始數(shù)據(jù)與聚類中心各特征值的模糊等價關(guān)系,然后再對所有特征值的模糊等價關(guān)系求最后的平均值,也就是匹配度。
(2)模糊自組織網(wǎng)絡(luò)的結(jié)構(gòu)。
本檢測系統(tǒng)的模糊自組織神經(jīng)網(wǎng)絡(luò)是由匹配子網(wǎng)和競爭子網(wǎng)兩部分組成的。在匹配子網(wǎng)中,使用模糊等價關(guān)系和類距離閾限以指導(dǎo)自組織聚類,這樣方便實現(xiàn)對偶發(fā)故障模式的在線學習,同時還非常容易適應(yīng)漸變的工作環(huán)境。匹配子網(wǎng)包括傳統(tǒng)的前3層:第1層即輸入層,主要用來輸入數(shù)據(jù)的特征數(shù),其神經(jīng)元是線性的。第2層是全互聯(lián)結(jié),該層神經(jīng)元的作用是實現(xiàn)輸入數(shù)據(jù)和各聚類中心數(shù)據(jù)的模糊匹配運算,它的輸出即為匹配度。第3層是聚類指導(dǎo)層,其作用是輔助上層即競爭層進行聚類的分析,這樣可以避免由于權(quán)值初始化的不當,引起已聚類好的類權(quán)值被剛輸入的數(shù)據(jù)所破壞,同時還可以對新增類別進行聚類。第4層為競爭子網(wǎng),其輸出矢量為最終分類的結(jié)構(gòu)。神經(jīng)元的輸入由來自上一層的輸入和來自競爭層內(nèi)互相抑制的加權(quán)和2部分完成。競爭后只能有1個神經(jīng)元獲勝,也就是輸入和為最大的神經(jīng)元節(jié)點獲勝。而輸出層節(jié)點數(shù)則根據(jù)間隙的模式來確定,有幾種狀態(tài)可能就會有幾個輸出節(jié)點。
(3)網(wǎng)絡(luò)的學習算法。
當?shù)玫将@勝節(jié)點后,就需要對與獲勝節(jié)點相連的第1層權(quán)值進行修正,使其與輸入矢量的差越來越小,從而使可用權(quán)值來表示輸入矢量的特征,進而對輸入矢量進行分類,提取規(guī)則。
(4)提取的算法流程。
利用上面提到的模糊自組織神經(jīng)網(wǎng)絡(luò)進行聚類的整個流程如下:①對原始數(shù)據(jù)進行歸一化處理。②設(shè)定參數(shù)節(jié)點數(shù)、誤差常數(shù)、總循環(huán)次數(shù)及初始學習系數(shù)。③隨機初始化第1層與第2層神經(jīng)元之間的權(quán)值系數(shù)。④設(shè)時刻輸入的訓練樣本,然后計算輸入樣本的匹配度;最終得到計算競爭層的輸出。⑤對網(wǎng)絡(luò)權(quán)值進行學習。⑥以范數(shù)計算誤差,如果誤差大,則轉(zhuǎn)到④重新執(zhí)行。最后,模糊神經(jīng)網(wǎng)絡(luò)對歸一化訓練數(shù)據(jù)學習收斂,即得到對原始數(shù)據(jù)的聚類。
綜上所述,使用本檢測系統(tǒng)的采用的方法,可以很好地對輪、軸松曠間隙進行分類處理。通過調(diào)整類距離的閾限,可以按不同的精度對數(shù)據(jù)進行聚類的分析,它可以克服近似數(shù)據(jù)聚類先后再去干擾時導(dǎo)致的無法控制的缺陷。神經(jīng)網(wǎng)絡(luò)對間隙識別后,本檢測系統(tǒng)將根據(jù)前面研究的理論計算出間隙的大小。對于檢測結(jié)果為無間隙的類別,則直接輸出測試合格的最終診斷結(jié)果,而不再判斷間隙的大小;對于只有一種間隙的類別,只給出這個間隙的大?。欢鴮τ谟袃煞N間隙的類別,則會分別計算出各個間隙的值。