基于CAN總線和PSA模型的AMT在線故障診斷系統(tǒng)

引言

電控自動變速器(AMT)是機、電、液一體化的復雜總成，它具有非線性、多變量、多參數(shù)和時變等特點，其故障癥狀與產(chǎn)生原因之間關(guān)系復雜。隨著電子自診斷能力的提高，出自AMT電控系統(tǒng)電器元件(如傳感器、電磁閥)本身的故障大多能夠依靠讀解故障碼或通過具體的元器件測試加以診斷。但對于AMT機械、液壓控制系統(tǒng)故障或其他控制單元(如發(fā)動機ECU)部件失效所引起的AMT故障，現(xiàn)有自診斷系統(tǒng)的診斷結(jié)果往往缺乏準確性和全面性。而基于試驗的診斷方法多針對已發(fā)生故障的離線檢測和分析，且需要技術(shù)人員熟練掌握檢測設(shè)備及AMT的結(jié)構(gòu)和工作原理，實施過程相對復雜，在線診斷能力和實時性較差。隨著計算機技術(shù)的發(fā)展，CAN總線作為一種支持分布式實時控制系統(tǒng)的串行通信局域網(wǎng)已開始在中高檔汽車上應用，其具有通信速率高、誤碼率低、可靠性和實時性好、易于整車控制網(wǎng)絡(luò)連接和管理等優(yōu)點，為在線故障診斷提供了基礎(chǔ)平臺。

為進一步提高AMT工作的可靠性和安全性，本文提出并設(shè)計一種構(gòu)建在CAN總線上的在線故障診斷系統(tǒng)(以下簡稱系統(tǒng))。該系統(tǒng)通過CAN總線實時采集AMT控制單元各傳感器提供的工況數(shù)據(jù)作為現(xiàn)實診斷數(shù)據(jù)，結(jié)合數(shù)據(jù)庫中存儲的歷史故障數(shù)據(jù)，利用主成分分析(PCA)實現(xiàn)輸入變量降維和去相關(guān)。并采用減法聚類(subtractive)算法生成模糊推理模型的初始結(jié)構(gòu)，在此基礎(chǔ)上建立自適應模糊神經(jīng)網(wǎng)絡(luò)(ANFIS)診斷模型，實現(xiàn)對AMT故障的在線監(jiān)測和診斷。

1故障診斷系統(tǒng)概述

1．1診斷方案的提出

邏輯分析法是較為常用的故障診斷方法，但該方法的應用要求檢測和維修人員熟悉AMT和相關(guān)檢測設(shè)備的結(jié)構(gòu)功能和工作原理，且分析過程往往需要失速、時滯等相關(guān)試驗結(jié)果的支持，實現(xiàn)在線實時故障診斷存在一定困難。相關(guān)研究表明，一定的故障情況下。AMT的車速、主軸轉(zhuǎn)速等運行參數(shù)與故障原因之間存在一定的映射關(guān)系，應用神經(jīng)網(wǎng)絡(luò)的方法從中抽取出各自的特征規(guī)律，建立診斷數(shù)學模型，使診斷過程中檢測人員無須重點了解AMT和相關(guān)設(shè)備的結(jié)構(gòu)原理即可就此模型正確識別出對應于特征規(guī)律的故障。這是本文故障診斷系統(tǒng)設(shè)計與實現(xiàn)的理論基礎(chǔ)。

1．2系統(tǒng)結(jié)構(gòu)及實現(xiàn)原理

圖1診斷系統(tǒng)總體結(jié)構(gòu)

系統(tǒng)總體結(jié)構(gòu)如圖1所示。該系統(tǒng)包括硬件、軟件兩部分。硬件部分主要完成數(shù)據(jù)的采集與傳輸，軟件部分主要完成信號分析到診斷。系統(tǒng)具體由AMT控制單元、CAN通信闈絡(luò)子系統(tǒng)以及監(jiān)測診斷單元3部分組成。其中AMT控制單元(ECu)負責采集在線狀態(tài)信號并進行預處理，獲得系統(tǒng)需要的原始狀態(tài)數(shù)據(jù)。對于內(nèi)部集成CAN控制器的ECU，可通過CAN收發(fā)器掛入總線并實時向系統(tǒng)發(fā)送數(shù)據(jù)。而對于未集成CAN控制器的ECU，則在系統(tǒng)設(shè)計時采用獨立CAN控制器，將原始數(shù)據(jù)通過CAN總線網(wǎng)絡(luò)實時發(fā)送給監(jiān)測診斷單元。

CAN通信網(wǎng)絡(luò)子系統(tǒng)的關(guān)鍵足CAN控制器和CAN驅(qū)動器。本文選用的CAN控制器為Philips公司的SJAl000，CAN驅(qū)動器為PCA82C250。其可以提供總線的差動發(fā)送和接收能力，傳輸速率可達1 MB／s，有較強的抗干擾能力。采用6N137作為外電路與系統(tǒng)的光電隔離，可提高系統(tǒng)抗干擾能力。

對于監(jiān)測診斷單元，考慮到神經(jīng)網(wǎng)絡(luò)故障診斷實現(xiàn)的算法復雜，計算量大，一般的微處理器難以滿足要求，選用TI公司的32位具有浮點運算能力的DSP芯片TMS320VC33—120作為在線故障診斷系統(tǒng)的主CPU。為便于系統(tǒng)軟、硬件及功能的擴展。整個嵌入式監(jiān)測診斷單元采用基于DSP—ARM雙CPU結(jié)構(gòu)，即DSP芯片將和Philips公司已集成CAN控制器的LPC2292嵌入式處理器結(jié)合起來形成一種全新的嵌入式系統(tǒng)平臺，應用于監(jiān)測診斷單元。監(jiān)測診斷單元可以分為數(shù)據(jù)采集、數(shù)據(jù)處理和系統(tǒng)控制3個部分。數(shù)據(jù)采集和系統(tǒng)控制部分由高性能ARM處理器和Windows CE．NET嵌入式操作系統(tǒng)來完成，數(shù)據(jù)處理部分則采用DSP來完成。

監(jiān)測診斷單元按照功能可分為3個模塊：①主控制模塊。負責通信、數(shù)據(jù)的采集和預處理并最終向用戶界面發(fā)送診斷結(jié)果。②神經(jīng)網(wǎng)絡(luò)故障診斷模塊。根據(jù)歷史數(shù)據(jù)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，利用輸入樣本數(shù)據(jù)進行故障診斷。③嵌入式數(shù)據(jù)庫。負責存儲不斷豐富的歷史故障樣本，為診斷模塊提供充分數(shù)據(jù)支持。

系統(tǒng)診斷流程如圖2所示。

圖2系統(tǒng)實現(xiàn)過程

AMT故障診斷的實現(xiàn)需要大量多類汽車行駛的狀態(tài)數(shù)據(jù)來識別和推理各部件是否處于正常運行狀況，同時，整車行駛性能的提高又需要發(fā)動機、AMT等各單元的協(xié)調(diào)控制。主要體現(xiàn)在以下2個方面：①診斷過程中僅通過單一的控制單元很難保證所采集故障信息的全面性。如發(fā)動機電控系統(tǒng)的節(jié)氣門開度和轉(zhuǎn)速傳感器信號也是AMT系統(tǒng)必需的重要信號。該類信號的異常將影響變速器正常運行。系統(tǒng)通過CAN總線將各控制單元與監(jiān)測診斷單元連接起來，故障診斷模塊可以從其他控制單元獲得相關(guān)故障數(shù)據(jù)，不斷豐富診斷數(shù)據(jù)內(nèi)容，有利于故障特征的充分提取，提高故障診斷模型的輸出精度，從而實現(xiàn)實時分布式故障診斷。②對于已裝備CAN總線控制網(wǎng)絡(luò)的車輛或工程機械，監(jiān)測診斷單元可以作為一個節(jié)點掛接到網(wǎng)絡(luò)中，在達到一定的故障在線自診斷要求下，應用現(xiàn)有的行駛狀態(tài)信息，使增加的硬件達到最小的限度。

2故障診斷模型的建立

傳統(tǒng)的故障診斷方法中，故障模型的建立多采用BP神經(jīng)網(wǎng)絡(luò)算法，但該網(wǎng)絡(luò)存在學習過程易陷入局部最小值，收斂速度慢、訓練時間長、網(wǎng)絡(luò)結(jié)構(gòu)的選取缺少成熟理論指導等問題。因此，本文利用ANFIS來建立AMT故障診斷模型。該模型利用神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)訓練方法，實現(xiàn)模糊系統(tǒng)的自學習和自適應，具有推廣能力強和收斂速度快等特點。此外，為簡化ANFIS模型并提高其學習速率和輸出精度，本文提出一種結(jié)合主成分分析和減法聚類的ANFIS診斷模型，模型結(jié)構(gòu)如圖3所示。

圖3系統(tǒng)故障診斷模型結(jié)構(gòu)

2．1 AMT故障診斷的數(shù)學描述

AMT的常見故障主要包括汽車無法行駛、換擋沖擊過大、不能升擋等。導致AMT故障的原因很多，可能是調(diào)整不當或電控系統(tǒng)故障，也可能是油泵、變矩器、控制閥或者換擋執(zhí)行元件等有故障。本文以MPYA電控自動變速器無上行換擋故障診斷為目標，分析其主要故障原因包括：①換擋閥卡滯。②輸入軸轉(zhuǎn)速傳感器故障。③調(diào)速閥故障或其油路泄漏。④擋位開關(guān)故障等，選擇其中具有代表性的①、②兩類故障作為診斷內(nèi)容，由AMT結(jié)構(gòu)及其控制流程基本原理可知，傳感器故障屬于電控部分故障，而換擋閥等換擋執(zhí)行元件故障則屬于液壓控制部分故障，結(jié)合正常工況共選擇3種待診斷的故障模式進行研究。建立各類故障模式下對應的故障診斷模型，如下列非線性方程為

2．2主成分分析

主成分分析就是設(shè)法將原有多個故障征兆變量重新組合成一組較少的、互相無關(guān)的綜合變量。使較少的綜合指標盡可能多地反映原來指標體系的信息，可以對診斷模型輸入變量矩陣進行降維預處理，達到簡化模型結(jié)構(gòu)并提高其學習速率和輸出精度的目的。