基于CAN总线和PSA模型的AMT在线故障诊断系统

由模型式(1)的n个输入观测样本构成原始数据矩阵A，对其进行主成分分析，分析流程如图4所示。

图4主成分分析流程

分析后得到累计贡献率超过87％所需的3个主成分：发动机转速、节气门开度、车速。故式(1)可简化为

2．3减法聚类过程

利用减法聚类法对输入空间进行非线性划分，以优化ANFIS模型。减法聚类算法是通过建立山峰函数这个数据密度指标，自适应地估计类别数目和聚类中心，聚类结果可以确定模糊系统的初始结构。

由式(2)构建包含N个样本数据点的样本集

每个数据点均可能为聚类中心，设最终确定的聚类中心个数为志，聚类过程如图5所示。

图5减法聚类过程

2．4 ANFIS建模

Jang提出的ANFIS是Sugeno模糊系统，其模糊推理规则为

采用高斯型隶属度函数、单值模糊产生器、乘法推理规则以及重心法加权求和，系统模型可由如下函数表示为

将式(5)中参数分解为非线性前提参数和线性结论参数，采用混合算法进行参数优化。

ANFIS不能直接用于建立MIMO系统，故可以根据上述理论先建立以某种故障各征兆参数为输入，以该故障的可信度大小为输出的MISO推理系统。

3仿真实验及讨论

应用Matlab软件工具分别建立各类故障的PSA(PCA—subtractive clustering—ANFIS)诊断子模型。以换挡阀卡滞诊断子模型为例，实时采集该故障状态下和正常状态下的传感器数据共30组，提取前20组作为PSA模型训练样本(部分数据如表1所示)。

表1系统训练样本数据

取剩余10组数据作为检验样本，检验模型计算值与实测值的拟合度。利用PCA—BP神经网络对相同的训练样本数据进行建模，对2种神经网络的拟合能力及收敛速度进行比较。对比结果如表2及图6所示。