基于CAN總線和PSA模型的AMT在線故障診斷系統(tǒng)

由模型式(1)的n個(gè)輸入觀測(cè)樣本構(gòu)成原始數(shù)據(jù)矩陣A，對(duì)其進(jìn)行主成分分析，分析流程如圖4所示。

圖4主成分分析流程

分析后得到累計(jì)貢獻(xiàn)率超過(guò)87％所需的3個(gè)主成分：發(fā)動(dòng)機(jī)轉(zhuǎn)速、節(jié)氣門(mén)開(kāi)度、車速。故式(1)可簡(jiǎn)化為

2．3減法聚類過(guò)程

利用減法聚類法對(duì)輸入空間進(jìn)行非線性劃分，以優(yōu)化ANFIS模型。減法聚類算法是通過(guò)建立山峰函數(shù)這個(gè)數(shù)據(jù)密度指標(biāo)，自適應(yīng)地估計(jì)類別數(shù)目和聚類中心，聚類結(jié)果可以確定模糊系統(tǒng)的初始結(jié)構(gòu)。

由式(2)構(gòu)建包含N個(gè)樣本數(shù)據(jù)點(diǎn)的樣本集

每個(gè)數(shù)據(jù)點(diǎn)均可能為聚類中心，設(shè)最終確定的聚類中心個(gè)數(shù)為志，聚類過(guò)程如圖5所示。

圖5減法聚類過(guò)程

2．4 ANFIS建模

Jang提出的ANFIS是Sugeno模糊系統(tǒng)，其模糊推理規(guī)則為

采用高斯型隸屬度函數(shù)、單值模糊產(chǎn)生器、乘法推理規(guī)則以及重心法加權(quán)求和，系統(tǒng)模型可由如下函數(shù)表示為

將式(5)中參數(shù)分解為非線性前提參數(shù)和線性結(jié)論參數(shù)，采用混合算法進(jìn)行參數(shù)優(yōu)化。

ANFIS不能直接用于建立MIMO系統(tǒng)，故可以根據(jù)上述理論先建立以某種故障各征兆參數(shù)為輸入，以該故障的可信度大小為輸出的MISO推理系統(tǒng)。

3仿真實(shí)驗(yàn)及討論

應(yīng)用Matlab軟件工具分別建立各類故障的PSA(PCA—subtractive clustering—ANFIS)診斷子模型。以換擋閥卡滯診斷子模型為例，實(shí)時(shí)采集該故障狀態(tài)下和正常狀態(tài)下的傳感器數(shù)據(jù)共30組，提取前20組作為PSA模型訓(xùn)練樣本(部分?jǐn)?shù)據(jù)如表1所示)。

表1系統(tǒng)訓(xùn)練樣本數(shù)據(jù)

取剩余10組數(shù)據(jù)作為檢驗(yàn)樣本，檢驗(yàn)?zāi)Ｐ陀?jì)算值與實(shí)測(cè)值的擬合度。利用PCA—BP神經(jīng)網(wǎng)絡(luò)對(duì)相同的訓(xùn)練樣本數(shù)據(jù)進(jìn)行建模，對(duì)2種神經(jīng)網(wǎng)絡(luò)的擬合能力及收斂速度進(jìn)行比較。對(duì)比結(jié)果如表2及圖6所示。