基于CAN總線和PSA模型的AMT在線故障診斷系統

由模型式(1)的n個輸入觀測樣本構成原始數據矩陣A，對其進行主成分分析，分析流程如圖4所示。

圖4主成分分析流程

分析后得到累計貢獻率超過87％所需的3個主成分：發動機轉速、節氣門開度、車速。故式(1)可簡化為

2．3減法聚類過程

利用減法聚類法對輸入空間進行非線性劃分，以優化ANFIS模型。減法聚類算法是通過建立山峰函數這個數據密度指標，自適應地估計類別數目和聚類中心，聚類結果可以確定模糊系統的初始結構。

由式(2)構建包含N個樣本數據點的樣本集

每個數據點均可能為聚類中心，設最終確定的聚類中心個數為志，聚類過程如圖5所示。

圖5減法聚類過程

2．4 ANFIS建模

Jang提出的ANFIS是Sugeno模糊系統，其模糊推理規則為

采用高斯型隸屬度函數、單值模糊產生器、乘法推理規則以及重心法加權求和，系統模型可由如下函數表示為

將式(5)中參數分解為非線性前提參數和線性結論參數，采用混合算法進行參數優化。

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

3仿真實驗及討論

應用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，實時采集該故障狀態下和正常狀態下的傳感器數據共30組，提取前20組作為PSA模型訓練樣本(部分數據如表1所示)。

表1系統訓練樣本數據

取剩余10組數據作為檢驗樣本，檢驗模型計算值與實測值的擬合度。利用PCA—BP神經網絡對相同的訓練樣本數據進行建模，對2種神經網絡的擬合能力及收斂速度進行比較。對比結果如表2及圖6所示。