表2 ANFIS和BP訓練結果對比

通過對比可見，PSA網絡模型在訓練速度、收斂性以及擬合能力等方面均優(yōu)于PCA—BP網絡模型。

同理，其他子系統(tǒng)也可根據(jù)獲得的數(shù)據(jù)進行PSA建模，并分別進行測試和調整。最后將所有的診斷子系統(tǒng)通過圖形化編輯方式或應用命令行函數(shù)進行合并，建立整體診斷模型。

將檢測樣本分別輸入各ANFIS子網絡與BP網絡，進行2種模型泛化能力驗證，對比結果如表3所示(部分數(shù)據(jù))。表中各輸出值意義：1為無故障；2為換擋閥卡滯；3為輸入軸轉速傳感器故障；“一”表示未能作出診斷。

表3 ANFIS和BP故障診斷結果對比

表3結果表明，自適應模糊神經網絡能準確地診斷出包括正常工況在內的3類故障模式，而BP網絡存在誤判和輸出分類效果較差等問題。

圖6 2種模型的訓練誤差曲線

4結論

(1)基于CAN總線通信網絡構建的新型AMT故障診斷系統(tǒng)，可以充分利用車輛行駛狀態(tài)信息，實現(xiàn)實時分布式在線故障診斷。

(2)結合PCA和subtraetive clustering方法建立的ANFIS診斷模型，具有較好的學習速率和精度，能夠根據(jù)發(fā)動機轉速、節(jié)氣門開度等真實工況參數(shù)變化的趨勢準確地診斷出AMT無上行換擋故障原因。

(3)PSA模型與PCA—BP模型相比，其在訓練速度、擬合能力以及收斂性等方面均優(yōu)于后者，更適用于故障診斷。