基于模糊神经网络的电动汽车变速器故障检测研究①

吴筱岑, 韩敬贤

(安徽粮食工程职业学院,安徽 合肥 231635)

0 引 言

电动汽车变速器的结构日益复杂,变速器故障呈现多样化和不确定性的发展趋势。为了更好地检测电动汽车变速器故障,将模糊理论应用于电动汽车变速器故障检测中,提升电动汽车变速器的故障检测性能[1]。模糊理论适用于检测不确定性的故障。模糊理论通过分析事件,确定事件的模糊规则,选择隶属度函数,描述故障的经验知识检测故障[2],但是模糊理论并不具有学习能力。BP神经网络是具有极强学习能力的重要技术,神经网络通过不断学习样本,输出故障检测结果[3],容错性高。结合模糊理论和BP神经网络方法,利用模糊理论对电动汽车变速器的故障信息进行模糊化处理,完成模糊化处理后的电动汽车变速器故障信息,利用BP神经网络方法分类,输出精准的电动汽车变速器故障检测结果。

1 电动汽车变速器故障检测

1.1 电动汽车变速器故障模糊检测与隶属函数确定

利用模糊理论模糊化处理电动汽车变速器的故障数据,提升电动汽车变速器不确定性故障的检测性能。模糊理论通过衡量电动汽车变速器故障征兆的隶属度[4],获取电动汽车不同故障原因的隶属度。用{x1,x2,…,xm}与{y1,y2,…,yn}分别表示电动汽车变速器故障征兆以及导致电动汽车出现该故障征兆的故障原因。针对电动汽车变速器构建的故障征兆模糊向量和故障原因模糊向量分别用X=(ηx1,ηx2,…,ηxm)和Y=(ηy1,ηy2,…,ηyn)表示,其中ηxi与ηyi分别表示测试样本与故障征兆xi以及故障原因yi的隶属度。构建电动汽车变速器故障征兆与故障原因的模糊检测方程表达式如下:

Y=XH

(1)

式中,H表示模糊检测矩阵,模糊检测矩阵H由变速器故障检测的专家知识构成,模糊检测矩阵中的元素hij,表示利用模糊理论以及专家知识获取[5],不同模糊特征参数下的模糊隶属度。

公式(1)可以转化如下:

(y1,y2,…,yn)=(x1,x2,…,xm)·

(2)

利用模糊理论生成电动汽车变速器故障检测的模糊规则,将传统的故障检测规则模糊化处理,构建应用于电动汽车变速器故障检测的模糊规则库。用Ui′与Vi′分别表示论域U⊂H与V⊂H内的模糊集合,x与y分别表示模糊系统的输入变量和输出变量,二者均为语言变量,电动汽车变速器故障检测的模糊推理规则表达式如下:

H:ifxisUi′,thenyisVi′

(3)

公式(3)的电动汽车变速器故障检测模糊规则中,包含电动汽车变速器全部故障类型的语言信息。

模糊理论中的隶属函数表达极为重要。隶属函数的设置,是检测电动汽车变速器故障的基础。构建电动汽车变速器故障检测的隶属函数曲线,依据曲线形状选取相应隶属函数。对于电动汽车变速器故障,设置-3,-2,-1,0,1,2,3七种模糊特征参数,分别表示极低、过低、偏低、正常、偏高、过高以及极高七种类型。正常的模糊特征参数服从中间型分布;极低、过低和偏低三种模糊特征参数服从偏小型分布;过高、偏高和极高三种模糊特征参数服从偏大型分布。依据正态分布方法处理中间型分布,依据降半正态分布和升半正态分布处理偏小型分布以及偏大型分布。模糊特征参数为正常时,i=0,正态分布处理模糊特征参数表达式如下:

f(x)=e-B(x-A)2

(4)

模糊特征参数服从偏小型分布时,i=-1,-2,-3,依据降半正态分布处理模糊特征参数的表达式如下:

(5)

模糊特征参数服从偏大型分布时,i=1,2,3,依据升半正态分布处理模糊特征参数的表达式如下:

(6)

式中,x与f分别表示论域中的元素以及模糊规则的隶属函数,A与B分别表示电动汽车变速器故障检测的特征值以及修正值,依据专家经验数据以及试验数据获取。

将模糊理论应用于电动汽车变速器故障检测时,主要包括故障征兆提取和故障征兆向量映射至故障原因向量两部分,分别介绍各部分如下:

(1)提取电动汽车变速器故障征兆

电动汽车变速器中包含众多的电子元件信号,采集电动汽车变速器电子元件信号的传感器数量较多,不同的电子元件信号间存在众多的冗余关系。依据专家经验和电动汽车变速器故障征兆的冗余关系,提取电动汽车变速器的故障征兆。

(2) 故障征兆映射至故障原因向量。依据电动汽车变速器故障检测的模糊推理规则,完成故障征兆向量至故障原因向量的连续映射,利用映射结果构建电动汽车变速器的故障规则库。电动汽车变速器故障向量元素的可信度数值区间为[0,1]。

1.2 模糊神经网络的电动汽车变速器故障检测

利用BP神经网络学习所构建的电动汽车变速器故障检测的故障规则库,输出电动汽车变速器故障检测结果。设BP神经网络包含输入样本X={x1,x2,…,xn}数量为n,用W={w1,w2,…,wn}表示神经网络输入样本对应的权值,输入样本及其对应权值与神经元的节点连接。神经网络隐含层的输出函数表达式如下:

y=g(W×X×φ)

(7)

公式(7)中,g表示激活函数,φ表示神经元的阈值。

选取Sigmoid函数作为BP神经网络检测电动汽车变速器故障的激活函数,其表达式如下:

(8)

BP神经网络在学习电动汽车变速器故障规则库的过程中,从上层向下层传递误差,实现权值修正。设输入BP神经网络的电动汽车变速器故障规则学习样本数量为s,用z1,z2,…,zs表示BP神经网络输出故障检测结果的期望值。BP神经网络中,测试样本i的误差计算公式如下:

(9)

公式(9)中,zi与oi分别表示BP神经网络的期望输出以及BP神经网络的实际输出。

通过修正BP神经网络的输入层与隐含层以及隐含层和输出层的连接权值wij与wij′,令神经网络检测电动汽车变速器故障时,输出的误差函数E,沿着负梯度方向下降。BP神经网络检测电动汽车变速器故障的隐含层节点输出表达式如下:

(10)

BP神经网络检测电动汽车变速器故障的输出层节点输出公式如下:

(11)

检测电动汽车变速器故障时,BP神经网络输出层节点的输出误差公式如下:

(12)

将BP神经网络权值wij沿负方向修正的表达式如下:

(13)

公式(13)中,β表示学习因子。

利用模糊神经网络检测电动汽车变速器故障的流程图如图1所示。

图1 模糊神经网络的故障检测流程图

通过图1的模糊神经网络故障检测流程图可以看出,利用模糊神经网络检测电动汽车变速器故障主要包括以下流程:

(1)采集电动汽车变速器故障状态的工况数据,提取电动汽车变速器的故障征兆参数,归一化处理电动汽车变速器的故障征兆参数;

(2)模糊化处理电动汽车变速器的故障征兆参数,依据利用隶属度表示的电动汽车变速器故障征兆参数,构建模糊规则库;

(3)将完成模糊化处理的电动汽车变速器故障数据构建的模糊规则库,作为BP神经网络的输入样本。初始化BP神经网络的阈值和权值,设置BP神经网络的神经元函数以及调节参数;

(4)正向传播。于输入的模糊规则库内的样本,计算BP神经网络随机节点的输出值;

(5)反向传播。反向计算BP神经网络输出层至输入层各节点的误差值;

(6)权值修正。利用公式(13)修正BP神经网络的权值;

(7)将BP神经网络依据修正获取的新权值,正向计算。BP神经网络的学习样本对输出层各神经元的输出,均满足设定的精度阈值需求时,完成BP神经网络的训练。否则返回至步骤(4),重新进行正向以及反向传播,修正网络权值,直至满足精度阈值要求为止。

(8)将电动汽车变速器的测试样本输入完成训练的BP神经网络,BP神经网络通过故障模糊规则库的学习,推理获取电动汽车变速器故障原因;

(9)确定电动汽车变速器故障原因的模糊隶属度向量,输出电动汽车变速器故障类型。

2 实例分析

为了验证所研究基于模糊神经网络的电动汽车变速器故障检测方法,将该方法应用于某电动汽车的变速器故障检测中。选取尼欧Ⅱ型的纯电动汽车作为实验对象,该电动汽车选取B7XA型电控自动变速器实现电动汽车的速度调节。电动汽车的电控自动变速器运行时,需要定期对零部件施加自动变速器油,定期更换O形圈、密封垫等零件。

采用本文方法针对电动汽车变速器故障检测设置的模糊特征值如表1所示。

表1 故障检测模糊特征值

完成电动汽车变速器故障检测的模糊特征值设置后。依据电动汽车变速器故障检测的模糊特征值,构建电动汽车变速器故障检测的模糊规则库,模糊规则库中的部分模糊规则如表2所示。通过表2实验结果可以看出,采用本文方法可以有效依据电动汽车变速器的故障特征值,构建应用于电动汽车变速器故障检测的模糊规则库。利用模糊规则库中包含的电动汽车故障检测的模糊规则,作为BP神经网络的输入。将待检测的故障样本输入BP神经网络后,BP神经网络从所构建的故障模糊规则库搜寻所需的故障规则,输出电动汽车变速器的故障检测结果。

表2 电动汽车变速器故障检测模糊规则

输入待检测电动汽车变速器的故障测试样本,验证本文方法的电动汽车变速器故障检测性能。测试样本中的其中10组故障检测输入样本,经过故障征兆参数归一化处理后的结果如表3所示。

表3 电动汽车变速器故障征兆参数归一化

通过表3实验结果可以看出,采用本文方法可以实现电动汽车变速器故障检测的故障征兆参数归一化。依据表3电动汽车变速器故障检测的10组样本,采用本文方法检测电动汽车变速器故障。本文方法对电动汽车变速器的故障检测结果如表4所示。表4实验结果可以看出,本文方法可以有效利用模糊神经网络检测电动汽车变速器的离合器打滑、制动器故障等不同类型的故障。电动汽车变速器在故障状态下,无法依据车况以及车速等信号,切换电动汽车挡位,影响电动汽车的运行性能。本文方法充分考虑电动汽车变速器的工作特点,利用模糊理论确定电动汽车变速器故障征兆与故障原因间的映射关系,利用BP神经网络方法实现电动汽车变速器故障的最终检测。通过实验验证了该方法检测电动汽车变速器的有效性,本文方法可以正确识别电动汽车变速器不同类型故障的特征规律,输出变速器故障的最终检测结果。

表4 电动汽车变速器故障检测结果

为了进一步验证本文方法对电动汽车变速器故障检测的有效性,选取表4中序号2的检测结果为变速器齿轮断齿故障为例,该故障样本的时域波形图如图2所示。图2为采用本文方法检测电动汽车变速器齿轮断齿故障的时域波形图,通过图2实验结果可以看出,图2中变速器齿轮的时域波形表现出了明显的冲击性特征,呈现典型的故障波动。图2实验结果验证,采用本文方法检测电动汽车变速器故障,检测水平较高,可以有效检测齿轮断齿的故障,故障检测结果与实际结果相符,检测结果较高。电动汽车变速器齿轮断齿故障的故障特征较为复杂,断齿故障的振动信号复杂度较高,特征并不明显。本文方法采用模糊神经网络,对于特征不明显的齿轮断齿故障,仍然可以精准检测,具有较高的应用水平。

图2 变速器齿轮断齿故障时域波形图

3 结 论

将模糊神经网络应用于电动汽车变速器故障检测中,利用模糊理论构建电动汽车变速器故障检测的模糊规则库。通过BP神经网络学习模糊规则库,输出电动汽车变速器故障检测结果。模糊理论可以有效解决电动汽车变速器故障检测中的不确定性以及多样化问题,提升电动汽车变速器的故障检测性能。通过实验验证该方法可以有效检测电动汽车变速器故障,对于电动汽车变速器的齿轮故障、离合器故障等不同类型故障均可以精准检测,具有较高的应用性,为电动汽车的可靠运行提供理论基础。