韓 玲, 盧延輝, 安 穎, 田麗媛

(1.長春工業(yè)大學(xué) 機(jī)電工程學(xué)院,吉林 長春 130021；2.吉林大學(xué) 汽車工程學(xué)院,吉林 長春 130022；3. 湖南大學(xué) 汽車工程學(xué)院,湖南 長沙 410000)

?

基于容錯(cuò)理論無級(jí)變速器故障診斷分類

韓 玲1, 盧延輝2, 安 穎3, 田麗媛1

(1.長春工業(yè)大學(xué) 機(jī)電工程學(xué)院,吉林 長春 130021；2.吉林大學(xué) 汽車工程學(xué)院,吉林 長春 130022；3. 湖南大學(xué) 汽車工程學(xué)院,湖南 長沙 410000)

為了實(shí)現(xiàn)無級(jí)變速器(CVT)在線故障診斷及分類需求,基于改進(jìn)人工蜂群算法結(jié)合最小二乘向量機(jī),提取無級(jí)變速器故障特征向量,建立夾緊力與速比故障預(yù)測模型,按照預(yù)測模型進(jìn)行故障定位、分類辨識(shí).針對(duì)從動(dòng)油缸壓力、速比、執(zhí)行機(jī)構(gòu)等故障的特征向量進(jìn)行Matlab仿真,分析經(jīng)容錯(cuò)控制分類后的故障特征向量仿真曲線變化趨勢.通過容錯(cuò)控制在Matlab/Simulink中建立無級(jí)變速器硬件在環(huán)仿真動(dòng)態(tài)模型.結(jié)果說明,采用該方法,無級(jí)變速器故障診斷經(jīng)容錯(cuò)可繼續(xù)工作概率達(dá)98.728%,滿足無級(jí)變速器在線故障診斷可靠性及穩(wěn)定性的需求.

無級(jí)變速器；主動(dòng)容錯(cuò)；改進(jìn)人工蜂群算法；故障診斷

容錯(cuò)分類是一種具有冗余能力的控制思想,其控制宗旨在于解決系統(tǒng)的故障診斷及容錯(cuò)兩個(gè)關(guān)鍵問題,因此,容錯(cuò)理論研究對(duì)提高系統(tǒng)可靠性、安全性、有效性起著至關(guān)重要的作用.近年來,容錯(cuò)控制已應(yīng)用到眾多領(lǐng)域,特別是在汽車領(lǐng)域的“汽車ESP滑移率約束”、“汽車線性轉(zhuǎn)向”、“汽車主動(dòng)懸架”、“汽車電子機(jī)械制動(dòng)執(zhí)行系統(tǒng)”、“電動(dòng)汽車電機(jī)驅(qū)動(dòng)系統(tǒng)”[1-4]等研究中被廣泛應(yīng)用.本文基于容錯(cuò)理論對(duì)CVT進(jìn)行在線故障診斷及故障辨識(shí)分類,提出用于故障診斷的多特征組分析方法.

通過對(duì)CVT夾緊力和速比控制系統(tǒng)中主要元件的傳感器、執(zhí)行裝置、TCU進(jìn)行故障檢測與診斷,提取了整體與局部關(guān)鍵元件特征參數(shù).考慮到夾緊力與速比系統(tǒng)的非線性特征,采用單一方法提取故障特征向量會(huì)對(duì)復(fù)雜耦合故障存在后續(xù)分類較難等問題[5-6].為了解決上述情況,提高故障分類識(shí)別的有效性和準(zhǔn)確度,加快故障識(shí)別系統(tǒng)尋優(yōu)的收斂速度,將容錯(cuò)分類中最小二乘向量機(jī)(least squares support vector machine,LSSVM)理論與現(xiàn)在最熱門智能算法之一的改進(jìn)人工蜂群算法(improved artificial bee colony,IABC)相結(jié)合[7-12],兼具比傳統(tǒng)方法更好的優(yōu)化能力.利用該方法針對(duì)CVT的特性建立故障預(yù)測模型,對(duì)獲取的故障參數(shù)進(jìn)行多次修正反饋,對(duì)多種狀態(tài)下的信號(hào)參數(shù)進(jìn)行迭代學(xué)習(xí),提高了故障分類的辨識(shí)精度,解決了夾緊力控制系統(tǒng)和速比控制系統(tǒng)的故障分離、定位、歸類.以力帆620國產(chǎn)CVT車型為研究對(duì)象,針對(duì)車輛實(shí)際行駛工況下CVT的油門開度、轉(zhuǎn)速、轉(zhuǎn)矩、油缸壓力、目標(biāo)夾緊力、目標(biāo)速比等輸入信號(hào)變化及功率匹配的情況,在IABC-LSSVM算法的基礎(chǔ)上,對(duì)CVT傳感器進(jìn)行建模分析,利用容錯(cuò)控制理論在Matlab/Simulink中建立了CVT控制系統(tǒng)硬件在環(huán)仿真動(dòng)態(tài)模型.

為了驗(yàn)證CVT產(chǎn)生故障時(shí)容錯(cuò)的控制效果,對(duì)比了速比控制系統(tǒng)和從動(dòng)油缸壓力控制系統(tǒng)出現(xiàn)故障后,在有、無容錯(cuò)控制下的表現(xiàn)形式.試驗(yàn)結(jié)果顯示,在CVT出現(xiàn)故障后：未經(jīng)容錯(cuò)控制,系統(tǒng)將無法正常工作,導(dǎo)致癱瘓；經(jīng)容錯(cuò)控制,系統(tǒng)會(huì)在可接受的安全可靠性范疇內(nèi),以“跛行”狀態(tài)完成任務(wù).經(jīng)Matlab仿真結(jié)果表明,利用改進(jìn)后的算法對(duì)正則化參數(shù)和核函數(shù)參數(shù)進(jìn)行優(yōu)化后,CVT整個(gè)系統(tǒng)表現(xiàn)出了更好的魯棒性.本文設(shè)計(jì)的容錯(cuò)故障分類模型具有較高的預(yù)測精度.

1 基于IABC-LSSVM改進(jìn)算法表述

LSSVM的基本思想是在確保分類精度不變的前提下減少運(yùn)算量,和傳統(tǒng)的分類算法相比,LSSVM在防止訓(xùn)練過學(xué)習(xí)、運(yùn)算速度結(jié)果精度等方面都有明顯的優(yōu)越性.在日積月累的工作學(xué)習(xí)經(jīng)驗(yàn)中,LSSVM進(jìn)行了諸多的變形和改進(jìn),以提高更有效的辨識(shí)分類度.本文在LSSVM模型多特征參數(shù)優(yōu)化的基礎(chǔ)上引入IABC算法.該算法是將免疫算法的記憶功能引入傳統(tǒng)ABC算法中,通過原始對(duì)偶內(nèi)點(diǎn)法求解非線性問題并保留最優(yōu)秀片段,克服了故障向量尋優(yōu)過程中優(yōu)秀故障特征向量過早收斂、早熟、尋優(yōu)速度較慢等缺陷.

LSSVM是一種支持向量機(jī)SVM的變形算法.該算法的訓(xùn)練通過下式完成：

(1)

式中:yk∈R，N為訓(xùn)練樣本數(shù)，φ(xk)從原空間映射到高維特征空間的將非線性函數(shù)擬合問題轉(zhuǎn)化為高維的線性函數(shù)擬合，C為邊際系數(shù)，ξ為引入的松馳因子，b為常量.定義拉格朗日函數(shù)：

(2)

(3)

式中：y、z、v為拉格朗日乘子；μ為擾動(dòng)因子；l、u為松馳變量，l>0,u>0,l∈Rn,u∈Rn,其中n為式(3)的不等式約束個(gè)數(shù)；y∈Rm,其中m為式(3)的約束個(gè)數(shù)；z∈Rn,v∈Rn且z>0,v<0.

根據(jù)KKT最優(yōu)條件：

(4)

式中：e為n維列向量,

將式(4)進(jìn)行泰勒級(jí)數(shù)展開,以矩陣形式可得修正方程：

(5)

(6)

(7)

(8)

式中：αp、αd分別為原、對(duì)偶變量修正步長,

(9)

式中:γ為安全因子,原對(duì)偶內(nèi)點(diǎn)法采用的收斂判據(jù)為ρ=lTz-uTv,收斂精度取ρ<10-6.若不滿足上述條件,可以對(duì)擾動(dòng)因子μ=σρ/(2n)進(jìn)行修正,其中σ為向心參數(shù),重新迭代進(jìn)行收斂計(jì)算.

2 CVT故障診斷及容錯(cuò)控制策略

2.1 IABC-LSSVM對(duì)CVT預(yù)測模型的流程圖

CVT故障參數(shù)提取的精確度是衡量故障診斷的一個(gè)綜合指標(biāo),不僅反映了各零部件的工作狀態(tài),而且與整體CVT效率密不可分[13-16].影響CVT工作的因素有：夾緊力控制閥、速比控制閥、主、從帶輪轉(zhuǎn)速、從動(dòng)帶輪油壓等.由于CVT故障提取預(yù)處理過程中存在諸多非線性因素：控制閥流量—壓差特性、控制閥死區(qū)特性、供油壓力飽和非線性、增益非線性、執(zhí)行機(jī)構(gòu)庫侖摩擦引起的摩擦非線性等,因此難以建立精準(zhǔn)的數(shù)學(xué)模型預(yù)測CVT在線故障.在綜合比較CVT故障特征的基礎(chǔ)上,本文選取夾緊力、夾緊力PWM驅(qū)動(dòng)器電流、夾緊力執(zhí)行機(jī)構(gòu)、速比、速比PWM驅(qū)動(dòng)器電流、速比執(zhí)行機(jī)構(gòu)作為預(yù)測模型輸入,實(shí)際測量值為輸出.利用提出的IABC-LSSVM算法建立CVT故障預(yù)測模型,對(duì)該模型進(jìn)行可行性分析及驗(yàn)證.如圖1所示為改進(jìn)的人工蜂群算法與最小二乘向量機(jī)結(jié)合的算法流程圖.

圖1可以分為3大組成部分.首先通過CVT傳感器對(duì)基本信息量進(jìn)行采集；其次按照診斷初始化、IABC優(yōu)化對(duì)樣本歸一化處理,極限循環(huán)對(duì)特征向量進(jìn)行優(yōu)化篩選；最后通過IABC-LSSVM完成故障診斷分類.

2.2 CVT電磁閥電流檢測電路設(shè)計(jì)

CVT電控系統(tǒng)是壓力閉環(huán)控制系統(tǒng).它主要包括夾緊力控制系統(tǒng)和速比控制系統(tǒng),兩者采用單一液壓回路,電控單元(TCU)依據(jù)預(yù)先設(shè)定好的控制策略確定當(dāng)前行駛工況目標(biāo)夾緊力和目標(biāo)速比,將它們進(jìn)一步轉(zhuǎn)化為期望的主、從動(dòng)油缸來控制油壓并輸出相應(yīng)的控制信號(hào),并對(duì)信號(hào)的反饋和控制進(jìn)行修正.CVT夾緊力控制閥和速比控制閥均由PWM占空比控制,本文設(shè)計(jì)了PWM驅(qū)動(dòng)電路,在驅(qū)動(dòng)電路的基礎(chǔ)上分析電流,從而實(shí)現(xiàn)電磁閥故障檢測.如圖2所示為CVT控制閥PWM驅(qū)動(dòng)圖.

在整個(gè)電路中,線圈、電源和開關(guān)管之間串聯(lián)一個(gè)阻抗性分流器作為電流傳感器.由于阻抗電流分流器的阻值較小,在分流器和電流表并聯(lián)的時(shí)刻,根據(jù)分流器阻值和電流表內(nèi)阻,可以通過電流表顯示讀出大電流數(shù)值.通過阻抗性分流器兩端電壓偏差計(jì)算閥線圈電流,完成電流檢測.由于電流檢測部分的運(yùn)算放大器工作于高壓端,必須選用高共軛抑制比的差分運(yùn)算放大器,檢測出感應(yīng)電流提供一個(gè)更加準(zhǔn)確的平均電流.復(fù)合晶體管工作于地端,TCU輸出的邏輯電平可以直接驅(qū)動(dòng)復(fù)合晶體管,更重要的作用是在所有可能短路的故障發(fā)生時(shí),短路電流都要通過分流器起到檢測短路的作用.

2.3 CVT故障預(yù)測模型建立

新增2個(gè)電流傳感器于電控單元,用于檢測夾緊力和速比控制閥線圈的過通電流,再結(jié)合主、從動(dòng)帶輪轉(zhuǎn)速傳感器和從動(dòng)帶輪油壓傳感器分別用于檢測速比和油壓,共5個(gè)傳感器獲取實(shí)時(shí)信號(hào).電控單元的控制輸出為速比控制器占空比和夾緊力控制器占空比.利用相應(yīng)的輸入、輸出關(guān)系,建立以下6組預(yù)測模型.

夾緊力預(yù)測模型為

(10)

夾緊力PWM驅(qū)動(dòng)器輸出電流模型為

(11)

夾緊力執(zhí)行機(jī)構(gòu)模型為

(12)

速比預(yù)測模型為

(13)

(14)

圖1 改進(jìn)的人工蜂群最小二乘向量機(jī)算法流程圖Fig.1 IABC-LSSVM flow chart

圖2 CVT控制閥PWM驅(qū)動(dòng)Fig.2 PWM driving of CVT control valve

速比PWM驅(qū)動(dòng)器輸出電流I模型為

(15)

速比執(zhí)行機(jī)構(gòu)模型為

(16)

式中：Kf為PWM驅(qū)動(dòng)器靜態(tài)增益；τ為控制器輸出信號(hào)占空比；I為PWM驅(qū)動(dòng)器輸出電流；p為從動(dòng)帶輪液壓缸壓力；K1為速比變化率低速區(qū),K2為速比變化率高速區(qū),比例系數(shù)由i決定.

連接上述模型比較預(yù)測模型與實(shí)際輸出值,設(shè)殘差值為r(k),當(dāng)無故障和噪聲時(shí),殘差一般應(yīng)為零；在故障發(fā)生后,殘差以確定性偏移量的形式出現(xiàn).本文設(shè)殘差r(k)偏離某數(shù)值為Δ,當(dāng)系統(tǒng)無故障時(shí),r(k)趨于某數(shù)值Δ.

(17)

式中：Δ為故障閾值.

基于以上6組預(yù)測模型的輸出以及當(dāng)前系統(tǒng)的實(shí)際輸出,可以得到系統(tǒng)全局和局部的故障診斷結(jié)果.根據(jù)控制電流的實(shí)際檢測值以及夾緊力和速比控制系統(tǒng)的工作原理,可以得到用于故障檢測隔離與定位的故障邏輯表,如表1和2所示.當(dāng)電流真實(shí)測量值超過夾緊力控制閥的額定電流時(shí)稱為“故障”,即I≥Δn時(shí)，輸出故障；電流真實(shí)測量值為零時(shí)稱為“零值”；當(dāng)電流真實(shí)測量值介于“零值”與“故障”之間時(shí)稱為“正常”,即I<Δn時(shí)，輸出正常.

表1 夾緊力控制系統(tǒng)故障隔離與定位邏輯

Tab.1 Fault isolation and location logic of clamping force control system

電流實(shí)測值全局模型驅(qū)動(dòng)器模型執(zhí)行機(jī)構(gòu)模型可能的故障正常I<ΔI<ΔI<Δ無故障正常I≥Δ1I≥Δ1I<Δ1驅(qū)動(dòng)器故障正常I<Δ2I≥Δ2I≥Δ2電流傳感器故障正常I≥Δ3I<Δ3I≥Δ3控制閥故障液壓缸故障或壓力傳感器故障過大I≥Δ4I≥Δ4I≥Δ4驅(qū)動(dòng)電路或控制閥線圈短路零值I≥Δ5I≥Δ5I<Δ5驅(qū)動(dòng)電路或控制閥線圈斷路

表2 速比控制系統(tǒng)隔離與定位的故障邏輯表

Tab.2 Fault isolation and location logic of ratio control system

電流實(shí)測值電流傳感器電流模型速比傳感器速比模型可能的故障正常I≥Δ6I<Δ6電流傳感器故障正常I<Δ7I≥Δ7速比傳感器故障正常I<Δ8I<Δ8正常零值I>Δ9I>Δ9驅(qū)動(dòng)電路故障速比傳感器速比模型發(fā)動(dòng)機(jī)轉(zhuǎn)速主動(dòng)錐輪轉(zhuǎn)速從動(dòng)錐輪轉(zhuǎn)速車速可能的故障I≥Δ7I>ΔaI<Δa主動(dòng)錐輪故障I<ΔbI>Δb從動(dòng)錐輪故障I<ΔcI<Δc執(zhí)行機(jī)構(gòu)故障I>ΔdI>Δd主、從動(dòng)傳感器故障

2.4 基于IABC-LSSVM算法對(duì)CVT故障預(yù)測樣本的提取及分類辨識(shí)測試

采用經(jīng)過預(yù)處理的200組樣本數(shù)據(jù)仿真,其中120組用于模型訓(xùn)練樣本,其余80組用于模型測試樣本.在Matlab2010b仿真環(huán)境下,利用IABC算法對(duì)擾動(dòng)因子μ和向心參數(shù)σ進(jìn)行優(yōu)化修正,經(jīng)過多次重復(fù)迭代試驗(yàn),食物源數(shù)量設(shè)為30,食物源最大循環(huán)迭代次數(shù)為500,終止循環(huán)次數(shù)為50.

圖3 電流特征向量Fig.3 Feature vectors of current

圖4 從動(dòng)油缸壓力特征向量Fig.4 Feature vectors of second cylinder pressure

圖5 速比特征向量Fig.5 Feature vectors of ratio

圖6 執(zhí)行機(jī)構(gòu)特征向量Fig.6 Feature vectors of actuator

利用改進(jìn)的LSSVM模型對(duì)測試樣本預(yù)測,繪制電流特征樣本、從動(dòng)油缸壓力特征樣本、速比特征樣本及執(zhí)行機(jī)構(gòu)特征樣本部分曲線,如圖3～ 6所示.圖中，V為運(yùn)行電壓，T為周期.

為了證明IABC-LSSVM算法可提高預(yù)測模型的精度,建立無故障情況下特征向量的對(duì)比.對(duì)比結(jié)果可以看出,利用提取的參數(shù)方法可以有效地反映各特征向量分類情況.對(duì)CVT故障樣本進(jìn)行基礎(chǔ)分類辨識(shí)測試,如圖7所示.圖中,X、Y軸分別代表各種故障的綜合參數(shù)，沒有固定單位.

圖7 多種故障診斷分類Fig.7 Multiple faults diagnosis and classification

從圖7可以看出,以復(fù)合故障為例,由于傳感器獲取的綜合參數(shù)具有很高的相似度,傳統(tǒng)的故障分析模式無法區(qū)分,利用提出的IABC-LSSVM的方法,在多模態(tài)特征信息分析中能夠有效地辨識(shí)故障類型.

2.5 CVT容錯(cuò)控制策略

CVT容錯(cuò)控制策略的本質(zhì)是分析多重狀態(tài)故障特征向量,進(jìn)行故障模式識(shí)別后的分類辨識(shí).分類識(shí)別的主要過程包括故障參數(shù)特征分析提取、多重狀態(tài)下分類訓(xùn)練以及相應(yīng)的識(shí)別診斷等幾大環(huán)節(jié).CVT電控單元作為電液控制系統(tǒng)關(guān)鍵技術(shù)中的重要組成部分,它接收來自各種傳感器和開關(guān)的輸入信號(hào),并通過運(yùn)算分析,判斷、預(yù)測CVT狀態(tài).在系統(tǒng)存在一定容錯(cuò)冗余度的情況下確定輸出信號(hào),診斷CVT可能發(fā)生的故障,從而有效地對(duì)CVT進(jìn)行控制,使整個(gè)系統(tǒng)的魯棒性更強(qiáng).如圖8所示為CVT診斷及容錯(cuò)策略流程圖.

3 CVT容錯(cuò)仿真驗(yàn)證

由于CVT多特征提取模型的方法能夠克服單一特征提取方法中所存在的缺陷,通過有效利用多特征信息的互補(bǔ),為分類器組提供完備的診斷依據(jù).對(duì)CVT容錯(cuò)仿真能力進(jìn)行試驗(yàn)驗(yàn)證,建立硬件在環(huán)仿真模型,通過提取CVT故障注入后的參數(shù),驗(yàn)證了仿真模型在容錯(cuò)控制的基礎(chǔ)上對(duì)故障的有效識(shí)別.

3.1 無級(jí)變速器傳動(dòng)系統(tǒng)模型建立

在仿真模型中,以國產(chǎn)CVT車型為研究對(duì)象,主要參數(shù)見表3.由于CVT傳動(dòng)系統(tǒng)存在非線性的子系統(tǒng),將傳動(dòng)系統(tǒng)進(jìn)行合理化的精簡,這樣不僅便于轉(zhuǎn)矩比動(dòng)態(tài)模型的建立,而且對(duì)實(shí)用性沒有任何影響,簡化圖如圖9所示.

綜合考慮驅(qū)動(dòng)系統(tǒng)輸出軸上相對(duì)的扭轉(zhuǎn)剛度及阻尼,將輸出軸簡化為彈性系統(tǒng).傳動(dòng)系統(tǒng)的動(dòng)力學(xué)關(guān)系如下描述.

1) 發(fā)動(dòng)機(jī)模型為

(18)

式中：Te為發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩.

圖8 CVT診斷及容錯(cuò)策略流程圖Fig.8 Diagnosis and fault-tolerant strategy flow chart of CVT

參數(shù)參數(shù)值CVT速比0.44～2.43主減速比5.27帶輪錐角11°主從動(dòng)缸面積比2.0125油泵排量9.4L發(fā)動(dòng)機(jī)排量1.587L整車質(zhì)量/kg1555

圖9 CVT傳動(dòng)系統(tǒng)簡化圖Fig.9 Transmission system simplified diagram of CVT

2)CVT模型為

iCVTTin=

(19)

(20)

式中:Ie為發(fā)動(dòng)機(jī)飛輪轉(zhuǎn)動(dòng)慣量,Is為從動(dòng)帶輪及主減速器在從動(dòng)帶輪上的等效轉(zhuǎn)動(dòng)慣量,Iv為驅(qū)動(dòng)軸上等效轉(zhuǎn)動(dòng)慣量,iCVT為無級(jí)變速器傳動(dòng)比,i0為主減速器傳動(dòng)比,θt為驅(qū)動(dòng)軸相對(duì)扭轉(zhuǎn)角,Kt為相對(duì)扭轉(zhuǎn)剛度,Ct為阻尼系數(shù),Td為行駛中阻力矩.

3)驅(qū)動(dòng)軸模型為

θt=θs/io-θv,

(21)

iCVT=ωs/io-ωv,

(22)

dθt/dt=ωs/io-ωv,

(23)

dωe/dt=iCVT·dωs/dt+ωs·diCVT/dt.

(24)

式中：ωe為發(fā)動(dòng)機(jī)角速度,ωs為從動(dòng)軸轉(zhuǎn)速,ωv為車輪角速度,Tin為主動(dòng)輪輸入轉(zhuǎn)矩.

4) 整車模型為

(25)

式中：r為輪胎半徑；Ff為地面滾動(dòng)阻力；Fw為車輛空氣阻力；Fi為車輛行駛地面阻力,此處設(shè)為零；Fj為汽車加速阻力.

3.2 CVT傳感器故障注入模型

CVT傳感器的常見故障通常表現(xiàn)為5類,即偏差、增益、短路、斷路及噪聲干擾.在LSSVM基礎(chǔ)上對(duì)以上故障進(jìn)行建模分析.目的在于實(shí)現(xiàn)整車故障模式下,容錯(cuò)理論的有效控制.

1)傳感器偏差故障為

(26)

式中：Δi為偏差常數(shù).

2)傳感器增益故障為

(27)

式中：ki為增益系數(shù).

3)傳感器短路故障為

(28)

第i個(gè)傳感器輸出為常值0.

4)傳感器斷路故障：

(29)

式中：Yi為傳感器輸出信號(hào)的極值,為常數(shù).

5)傳感器噪聲干擾故障為

(30)

式中：rni(t)為持續(xù)白噪聲干擾.其中,故障注入代碼“0”無故障,“1”偏差,“2”增益,“3”短路,“4”斷路,“5”噪聲干擾.

3.3 無級(jí)變速器控制系統(tǒng)動(dòng)態(tài)仿真模型

針對(duì)車輛實(shí)際行駛工況下無級(jí)變速器液壓系統(tǒng)油門開度α、轉(zhuǎn)速n、轉(zhuǎn)矩T、從動(dòng)油缸壓力p、速度V、目標(biāo)夾緊力、目標(biāo)速比、油壓輸入、功率輸入信號(hào)等變化及功率匹配,利用容錯(cuò)控制理論在MATLAB/Simulink中建立無級(jí)變速器系統(tǒng)硬件在環(huán)仿真動(dòng)態(tài)模型,如圖10所示.

為了驗(yàn)證容錯(cuò)控制在CVT產(chǎn)生故障時(shí)的效果,對(duì)比了速比控制及從動(dòng)油缸壓力控制在出現(xiàn)故障后,有無容錯(cuò)控制對(duì)比如圖11～16所示.

從圖11、12可以看出,無故障下,目標(biāo)速比在限制范圍內(nèi)可以達(dá)到最大速比2.5.從圖13、14可以看出,當(dāng)出現(xiàn)故障后,實(shí)際速比迅速升高.從圖15、16可以看出,經(jīng)過容錯(cuò)控制后的實(shí)際速比無限接近最大速比,這樣可以穩(wěn)定系統(tǒng)運(yùn)行.從動(dòng)油缸壓力在無故障的情況下維持在4.25 MPa波動(dòng),在出現(xiàn)故障后實(shí)際壓力迅速上升.經(jīng)過容錯(cuò)后的從動(dòng)油缸壓力最終維持在目標(biāo)壓力附近,保證了系統(tǒng)的穩(wěn)定性,兩者的容錯(cuò)率均可達(dá)到98.728%.由此證明,本文運(yùn)用IABC-LSSVM對(duì)故障參數(shù)提取在CVT故障診斷中的合理性.

圖10 CVT系統(tǒng)硬件在環(huán)仿真動(dòng)態(tài)模型Fig.10 System hardware-in-loop dynamic simulation model of CVT

圖11 無故障下目標(biāo)速比與實(shí)際速比Fig.11 Target ratio compare with real ratio under no-failure

圖12 無故障下目標(biāo)壓力與實(shí)際壓力Fig.12 Target pressure compare with real pressure under no-failure

圖13 故障目標(biāo)速比與實(shí)際速比Fig.13 Target ratio compare with real ratio under failure

圖14 故障目標(biāo)壓力與實(shí)際壓力Fig.14 Target pressure compare with real pressure under failure

圖15 經(jīng)容錯(cuò)控制后的目標(biāo)速比與實(shí)際速比Fig.15 Target ratio compare with real ratio after fault-tolerant

圖16 經(jīng)容錯(cuò)控制后的目標(biāo)壓力與實(shí)際壓力Fig.16 Target pressure compare with real pressure after fault-tolerant

4 結(jié) 論

(1)提出用于CVT故障診斷的多特征組分析方法.該方法在不增加過多硬件設(shè)備和過大運(yùn)算量的前提下,利用容錯(cuò)解析冗余的控制方法對(duì)CVT電液控制系統(tǒng)故障進(jìn)行診斷,在此基礎(chǔ)上建立了無級(jí)變速器硬件在環(huán)仿真動(dòng)態(tài)模型.

(2)采用IABC-LSSVM法獲取CVT全局與局部零部件特征參數(shù),建立夾緊力控制系統(tǒng)與速比控制系統(tǒng)的故障預(yù)測模型.按照故障模型進(jìn)行分類辨識(shí),針對(duì)提取的部分故障特征向量進(jìn)行仿真分析.

(3)在MATLAB/Simulink中建立硬件在環(huán)動(dòng)態(tài)仿真,分析CVT無故障和產(chǎn)生故障情況下,經(jīng)容錯(cuò)理論控制,系統(tǒng)在“跛行”狀態(tài)下的對(duì)比效果.結(jié)果表明：利用該方法實(shí)現(xiàn)了對(duì)CVT在線故障診斷及容錯(cuò)控制,且容錯(cuò)識(shí)別精度較高可達(dá)99.728%,較其他參數(shù)提取的算法效率和解的質(zhì)量更高.綜合以上分析,結(jié)合提出的方法,對(duì)提高CVT電液控制系統(tǒng)的可靠性及穩(wěn)定性具有重要意義.

[1] 韓玲.無級(jí)變速器電液控制系統(tǒng)關(guān)鍵技術(shù)研究[D].吉林：吉林大學(xué),2015.

HAN Ling. Research on the key technology of the electric-hydraulic system of continuously variable transmission [D]. Jilin: Jilin University, 2015.

[2] 田承偉,宗長富,王翔,等.線控轉(zhuǎn)向汽車傳感器的容錯(cuò)控制[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版,2010,40(1): 6-12.

TIAN Cheng-wei, ZONG Chang-fu, WANG Xiang, et al. Sensor fault tolerance control method for steer-by-wire car [J]. Journal of Jilin University: Engineering and Technology, 2010, 40(1): 6-12.

[3] 楊柳青,陳無畏,張榮蕓,等.基于控制律重組的汽車主動(dòng)懸架容錯(cuò)控制與試驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(10): 1-9.

YANG Liu-qing, CHEN Wu-wei, ZHANG Rong-yun, et al. Fault-tolerant control and experiment on vehicle semi-active suspension system based on control law reconfiguration [J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(10): 1-9.

[4] 宗長富,李剛,鄭宏宇,等.線控汽車底盤控制技術(shù)研究進(jìn)展及展望[J].中國公路學(xué)報(bào),2013,26(02): 160-176.

ZONG Chang-fu, LI Gang, ZHENG Hong-yu, et al. Study progress and outlook of chassis control technology for X-by-wire automobile [J]. China Journal of Highway and Transport, 2013, 26(02): 160-176.

[5] ATAUR R, SAZZAD B, AKM M, et al. Energy efficient electromagnetic actuated CVT system [J]. Journal of Mechanical Science and Technology, 2014, 28(4): 1153-1160.

[6] AKEHURST S, VAUGHAN N D, PARKER D A, et al. Modeling of loss mechanisms in a pushing metal V-belt continuously variable transmission. Part2: pulley deflection losses and total torque loss validation [J]. Proceedings of Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 2004, 218(11): 1283-1293.

[7] 王國芳,方舟,李平.基于批量遞歸最小二乘的自然Actor-critic算法[J].浙江大學(xué)學(xué)報(bào)：工學(xué)版,2015,49(07): 1335-1342.

WANG Guo-fang, FANG Zhou, LI Ping. Natural actor-critic based on batch recursive least-squares [J]. Journal of Zhejiang University: Engineering Science, 2015, 49(07): 1335-1342.

[8] 陳昌富,龔曉南,王貽蓀.自適應(yīng)蟻群算法及其在邊坡工程中的應(yīng)用[J].浙江大學(xué)學(xué)報(bào):工學(xué)版,2003, 37(10): 70-73.

CHEN Chang-fu, GONG Xiao-nan, WANG Yi-sun.Adaptive colony algorithm and its application to the slope engineering [J]. Journal of Zhejiang University: Engineering Science, 2003, 37(10): 70-73.

[9] 劉路,王太勇.基于人工蜂群算法的支持向量機(jī)優(yōu)化[J].天津大學(xué)學(xué)報(bào)：2011,44(09): 803-809.

LIU Lu, WANG Tai-yong. Support vector machine optimization based on artificial bee colony algorithm [J]. Journal of Tianjin University, 2011, 44(09): 803-809.

[10] 李鑫濱,陳云強(qiáng),張淑清.基于改進(jìn)ABC算法優(yōu)化的LSSVM多分類器組機(jī)械故障診斷模型[J].中國機(jī)械工程,2013, 24(16): 2157-2163.

LI Xin-bin, CHEN Yun-qiang, ZHANG Shu-qing. Mechanical fault diagnosis model based on IABC algorithm optimized multiple Lssvm classifier group [J]. China Mechanical Engineering, 2013, 24(16):2157-2163.

[11] 岳云力. 基于改進(jìn)人工蜂群算法的機(jī)組組合優(yōu)化方法[D].杭州：浙江大學(xué),2012.

YUE Yun-li. Method of unit commitment based on an improved artificial bees colony algorithm [D]. Hangzhou: Zhejiang University, 2012.

[12] 張偉.人工蜂群混合優(yōu)化算法及應(yīng)用研究[D].杭州: 浙江大學(xué),2013.

ZHANG Wei. Research on artificial bee colony based hybrid optimization algorithms and applications [D]. Hangzhou: Zhejiang University, 2013.

[13] KOBAYASHI D, MABUCHI Y, KATOH Y. A study on the torque capacity of a metal pushing V-belt for CVT [J]. SAE Transactions, 1998, 2(8): 31-39.

[14] RAYMOND F W, KATHERINE M R. CVT lubrication: the effect of lubricants on the frictional characteristics of the belt-pulley interface [J]. Tribo Test, 2006, 6(2): 151-170.

[15] SUN J D, FU W Y, LEI H, et al. Rotational swash plate pulse continuously variable transmission based on helical gear axial meshing transmission [J]. Springer Journal, 2012, 6(04): 1138-1142.

[16] SAZZAD B S, HOWWAIN A. Kinematics and non-linear control of electromagnetic actuated CVT system [J]. Journal of Mechanical, Science and Technology, 2012, 26(07): 2189-2196.

Faults diagnosis and classification based on fault-tolerant theory for continuously variable transmission

HAN Ling1, LU Yan-hui2, AN Ying3, TIAN Li-yuan1

(1.SchoolofMechatronicEngineering,ChangchunUniversityofTechnology,Changchun130021,China;2.CollegeofAutomotiveEngineering,JilinUniversity,Changchun130022,China;3.CollegeofAutomotiveEngineering,HunanUniversity,Changsha410000,China)

The fault vectors were extracted by feature extraction of continuously variable transmission (CVT) based on the improved artificial colony algorithm combining with least squares support vector machine in order to fulfill the requirements about on-line fault diagnosis and classification of CVT. The fault predicting models of clamping force and ratio were established. The faults location and identification classification were based on predicting models. Parts of fault feature vectors for second cylinder pressure, ratio, and actuator were extracted to simulation by Matlab. The classification of feature vectors after the fault-tolerant controlled was analyzed by simulation curve change trend. CVT was built hardware-in-the-loop simulation by fault-tolerant with Matlab/Simulink. Results showed that the probability of continue working reached 98.728% by using the method for fault-CVT, and the needs of CVT reliability and stability for the online fault diagnosis were meeted.

continuously variable transmission; fault-tolerant; improved artificial bees colony algorithm; fault diagnosis

2015-08-27.

國家自然科學(xué)基金資助項(xiàng)目(50775094).

韓玲(1984—)，女，博士，講師，從事車輛工程研究. ORCID: 0000-0002-8574-7028.E-mail: hanling@ccut.edu.cn.com

盧延輝，男，副教授. ORCID: 0000-0002-1360-9830.E-mail: luyh@jlu.edu.cn

10.3785/j.issn.1008-973X.2016.10.012

U 472

A

1008-973X(2016)10-1927-10

浙江大學(xué)學(xué)報(bào)(工學(xué)版)網(wǎng)址： www.zjujournals.com/eng