搜索
基于虚拟仪器和神经网络的汽车自动变速器故障诊断的研究杜灿谊，喻菲菲，覃明园（华南农业大学车辆工程系，广州，510642）E-mail:ducanyi@21cn.com摘要：本文研究一种基于虚拟仪器和人工神经网络的汽车电控自动变速器故障诊断的新方法。利用虚拟仪器技术，可方便地对变速器运行状况进行数据采集，配合神经网络系统，能对采集的数据作实时有效的分析，直接给出故障诊断结果。关键词：自动变速器，虚拟仪器，神经网络，故障诊断1.引言自动变速器作为汽车的重要传动部件，其质量和运行状况将直接影响汽车整车的使用情况。随着变速器性能的不断完善，结构也相对复杂，成为集液压技术、电子技术和机械技术于一体的精密机电产品。自动变速器的故障可能是电子控制系统、液压控制系统或者是变速器内部机械部分出现的问题有关,而且各部分本身的情况又比较复杂,故障的可能原因和部位也不是单一的，传统的技术手段往往显示出较大的局限性。由于神经网络有其独特优点，即具有容错、联想、推测、记忆、自适应、自学习和处理复杂多模式的功能[1]，利用虚拟仪器技术和神经网络技术相结合的方法，研究变速器在不解体的情况下进行有效的检测诊断就显得十分重要。2.电控自动变速器故障的分析2.1电子控制系统的基本构成和控制原理要对电控自动变速器的故障作检测诊断，首先要熟悉自动变速器的工作原理。本文以2000年出厂的广州本田雅阁（HondaAccord）2.3VTI轿车MAXA型电控自动变速器为例探讨此方法的应用[2]。它由定轴式齿轮变速传动系统、液压控制系统、电子控制系统等三大部分组成。这里主要从电子控制系统出发，采集多个关键传感器数据进行分析推断,得到故障发生的类别。电子控制系统由变速器控制模块PCM(PowerControlModel)，各种传感器，3个-1-换挡控制电磁阀、2个A/T离合器压力控制电磁阀、1个锁止控制电磁阀等执行器组成。控制模块根据换挡杆的位置信号、进气歧管压力信号、发动机转速信号、节气门位置信号、车速信号、变速器主轴和中间轴转速以及冷却水温等信号，实现换挡时刻控制、变矩器的锁定、坡度模式控制、安全失效保护和故障显示及自诊断等功能。行车中，当PCM接受到各传感器的输入信号需要实施换挡时，PCM将控制换挡电磁阀A、B、C以及A/T离合器压力控制电磁阀A、B等执行器作相应动作，前三者将变换换挡阀的位置确定所选择的挡位，后两者则调节其自身的压力，并视情况给某一离合器的油路增压，以使相关齿轮组工作，从而实现变速器高低挡间的准确而平顺的变换[3]。2.2诊断方案的提出自动变速器故障通常分为机械系统故障、液压系统故障和电子控制系统故障等几方面，大多数故障可采用一些传统方法进行检测诊断。事实上，自动变速器故障通常为离合器打滑、磨损，制动器故障，调压阀故障等机械方面故障，还有油路压力低，ATF油变质等液压系统故障和换挡电磁阀，压力控制电磁阀，车速传感器故障等电子系统方面的故障[3]。当发生故障时，自动变速器将不能正确的根据油门和车速等输入信号及时进行切换挡位，这就使自动变速器的挡位实际变换时刻和发动机转速、油门、车速、主轴（输入轴）转速等信号和换挡电磁阀等执行器输出信号存在一定的对应关系，而根据变速器的工作特点，在一定的故障情况下，自动变速器在这些参数上面就有一定的映射关系，可以用神经网络的方法来从中抽取出各自的特征规律，得出数学模型，它能正确识别出对应于这种特征规律的故障。所以，基于这种情况，本文探讨一种基于虚拟仪器技术和神经网络技术故障诊断程序，从数据采集到得出结论，整个操作过程简单快捷。在对变速器故障规律和特点作了详细分析之后，选择了能反映其规律的特征参数作为神经网络的输入向量：发动机转速、节气门开度信号、车速信号、主轴转速信号、冷却液温度信号、换挡电磁阀的通断信号等。方案流程如图1所示[4]，整个过程是分两个阶段完成的，第一阶段：使用图形编程软件LabVIEW7.1，按要求设计出用以采集神经网络的训练样本数据的采集仪器。第二阶段：将采集到的样本数据进行神经网络训练至性能合格可用，就可在Labveiw中调用这个神经网络模型，进行实时测量分析，当有预先设定的故障出现时，由实时采集到的数据，经过神经网络软件分析，可立即给出诊断结果。-2-虚拟仪器的设计[5]为了采集神经网络训练数据样本，按设计制作了基于虚拟仪器技术的采集仪器，用来采集试验数据，跟元征X-431、金奔腾电脑诊断仪比较，采集的数据误差很小，达到实验要求。整个系统包括硬件和软件两部分，如图2所示。硬件主要是数据采集卡(NI公司E系列PCMCIA6024DAQ卡)，可调电阻分压器、笔记本个人电脑、连接线等。传感器信号预处理数据采集(DAQ)第二阶段神经网络模型数据处理分析（PCLabVIEWMatlab）诊断结果数据显示、储存图1方案流程图发动机转速信号车速传感器信号主轴传感器信号换挡电磁阀A信号换挡电磁阀B信号换挡电磁阀C信号信号调理DAQ计算机LabVIEWMatlab神经网络节气门开度信号冷却液温度信号第一阶段图2系统结构图结果显示上述八个传感器和执行器的信号是直接从汽车ECU端子上获取的，其中发动机转速信号、节气门开度信号、冷却液温度信号、车速传感器信号和主轴转速信号都采用模拟输入的方式输入电脑，三个换档电磁阀信号则以立即方式数字输入的方式输入。由于几个模拟输入信号都在采集卡输入范围内，而且信号规则，无需进行调理，但换档电磁阀通断信号则需要-3-在采集之前进行分压处理，使原本接通电压12V变为5V左右，从而使数据采集卡在测量范围下工作。软件部分用图形编程软件LabVIEW编制，它可以直接调用Matlab应用程序进行神经网络分析[6-7]，其前面板如图3所示。主要有三大功能模块：一是实现发动机转速、节气门开度、电磁阀通断情况、主轴、中间轴等信号的测量显示与数据实时采集，二是记录数据并用Excel保存起来，三是对实时采集的数据进行神经网络的处理分析。实际上，用户还可以根据需要进一步扩展功能，而这种修改是很方便快捷的，这就是虚拟仪器比传统仪器优胜的地方之一。程序设计中，比较关键的一点就是第二阶段的如何通过调用Matlab神经网络工具进而使用训练好的神经网络模型。其方法如图4和图5所示[8-9]：图3程序操作界面．BP神经网络模型的设计[10]4.1神经网络训练样本数据采集仪器制作完成后，就可在不同情况下（本文中人为设定了两种故障）做多次实验，并记录上述分析的必要数据，作为神经网络训练样本（用上面制作好的虚拟仪器进行采集与记录）。理论上，网络的训练样本应该尽可能多一些为好。部分训练样本数据如下表。输出变量采用了二进制编码方式。此例只有3种情况，所以只需要2个节点即可，也就是两个输出神经元。用00表示[00]，输出向量代表的含义：00——无故障，01——换挡电表1部分训练样本序号发动机转速(N)节气门开度(V)车速(km/h)水温(。C)主轴转速(HZ)换挡电磁阀A换挡电磁阀B换挡电磁阀C期望输出18430.496.481.756301100219130.8415.283.8124601100321851.0430.183.3135611000426081.2538.184.6170311000530271.6665.882.4199610100630982.2810084.9202400000736163.03121.882.4245400000816730.837.5785.417000001919020.9916.084.4339000011022041.2830.183.1621000011125951.6666.486.41349000011213220.745.0685.8261110101326821.6456.384.6171110110注：上表是采集的原始数据，训练时进行归一化。换挡电磁阀1表示ECU发出接通信号ON，0表示断开信号OFF。其中，1-7为正常，8-11为换挡电磁阀B或者换挡阀B故障，12-13为中间轴转速传感器线路故障-5-故障，10——中间轴转速传感器故障。表2给出部分检测样本。表2部分检测样本序号发动机转速(N)节气门开度(V)车速(km/h)水温(。C)主轴转速(HZ)换挡电磁阀A换挡电磁阀B换挡电磁阀C期望输出125891.5134.382.8153211000232211.7571.283.1215610100322161.3046.884.295600001427962.2273.990.0149700001521331.5116.186.0736110104.2网络的训练神经网络训练过程即是权值和阀值的获取过程。其主要任务是对输入模式（样本）对进行训练，建立预期的网络。首先根据经验与已有的数据，建立足够的输入与输出训练模式对,再通过网络训练来建立权值和阀值并不断对其进行调整，以达到预期的精度要求。本文采用BP神经网络结构参数为3层（输入层、隐层和输出层）；输入层神经元数为8；输出层为2；隐层为12。隐层和输出层神经元的激励函数取logsig和purelin，网络训练函数取trainlm.系统总误差为0.001。图6为网络训练误差曲线。图6网络训练误差曲线4.3网络诊断模型的诊断结果-6-所示。测试样本期望输出和实际输入如下：[00][00][01][01][10],[-0.1468-0.2383][-0.09360.0396][0.03130.9664][000510.9992][0.9833–0.0517]，由上面结果显示，网络仿真与实际相符，误差很小。用此种方法诊断自动变速器故障是可行的。在实际操作应用时，应该用更多的训练样本，可能的话，增加多一些传感器，丰富输入信号，这是非常必要的。对于本文采用的本田F23A发动机配对的变速器来说，若能增加进气歧管压力、变速器油温、各路油压、振动传感器等信号的话，更能准确地表达变速器的实际运行状态，诊断的范围更广泛，系统的误差也更小，结果更精确。序号期望输出实际输出1000.00190.00132000.0049-0.0033300-0.0008-0.00194000.0916-0.0078500-0.0094-0.00886000.0538-0.0038700-0.08880.00418010.02530.9912901-0.01201.005810010.00471.005811010.00470.995412100.99760.003513100.94410.0152表3训练结果5.结论运用虚拟仪器技术和BP神经网络技术相结合的方法对电控自动变速器某些故障诊断的结果表明，这种方法是基本可行的，但对于其他故障的诊断可行性、系统模型的优化、算法的完善等还需进一步深入探讨。-7-参考文献[1]丁康,王志杰.汽车变速器故障检测诊断技术的研究[J].汽车研究与开发,1997,4:50-54.[2]李东江,张大成等.广州本田雅阁系列轿车维修手册[M].北京:北京理工大学出版社,2001.[3]张泰岭,陆华忠,罗锡文.汽车自动变速器原理与检修[M].广州:广东科技出版社,1998.[4]燕学智,钱耀义.基于人工神经网络技术的发动机故障诊断系统.内燃机工程,2001,1.[5]雷振山.LabVIEW7Express实用技术教程[M].北京:中国铁道出版社,2005.[6]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业版社,2005.[7]王赟松,许洪国.基于虚拟仪器