车辆液压系统遗传神经网络诊断技术研究

　　近年来，神经网络、支持向量机等智能诊断技术被广泛地应用于车辆液压系统的故障诊断研究中，但是由于诊断过程中需要故障样本的支持，智能诊断技术在实际应用中受到了一定限制。尤其是针对新产品的智能诊断，故障样本和专家知识的贫乏是影响智能诊断效率的主要因素之一^[1] 。

　　本文以牵引-制动型液力变矩器液压系统为对象引入流体仿真软件 AMESim，采用仿真的方法将研发人员对产品故障的知识通过故障仿真样本的形式具体化，定量化。故障仿真的目的在于，将研发人员的已有故障知识定量化和 复现小概率故障的特征，这样就可以在新产品应用初期实现智能诊断，尤其对于知识贫乏的使用者而言具有较大应用价值。

　　1 遗传神经网络诊断流程

　　如图1所示，将故障仿真样本、实测样本结合形成故障库，通过试验由研发人员对故障仿真样本进行修正，在应用中可以通过不断添加实测样本和修正仿 真样本来提高诊断效率。本文采用故障仿真样本、遗传算法优化和BP神经网络相结合的方法来加强BP 神经网络在应用中的实用性。其中，遗传算法是模拟自然界中生物进化规律而提出的一种非数学型自适应优化探索方法，具有高效率的并行搜索能力，本质上属于随 机寻优过程，因此可以用来克服BP算法收敛速度慢和容易陷入局部极小点等缺陷^[2].

　　2 液压系统建模

　　牵引-制动型液力变矩器是将液力变矩器和液力减速器在结构上相结合而得到的一种新型变矩器[3]，其液压系统工作原理如图2。牵引-制动型液力 变矩器具有闭锁牵引、解锁牵引、闭锁制动、解锁制动四种工况，由 A1、A2、A3、A4 组成的进口调压回路的功能是根据其工况改变相应地调整变矩器进口压力。变矩器入口压力调节回路要与2 个离合器协调工作，其故障直接影响到变矩器工况转换的品质，甚至会导致变矩器的损坏，因此本文以变矩器进口压力为研究对象详细分析了其故障原因和特征。

　　2.1 建模

　　根据如图2所示的液压回路，在AMESim 的Sketch mode下，调用了机械库、信号库和液压库的元件模块，构造了图3 所示的液压系统模型。

　　系统中有2 路油源，一路1是1.5MPa 的控制油，由车上的控制泵及其附带的溢流阀提供，模型中以恒压模型来描述;一路是变矩器的循环油，由与发动机输出端相连的前泵提供，无模型中采用调速电机模型和定量齿轮泵模型来描述。

　　进口调压阀1 是个有反向控制腔的直动溢阀，采用不可变容腔来模拟控制腔，用可变容腔和阻尼孔模型来模拟调压阀敏感腔，用可变容腔和活塞模拟反向控制腔，在控制腔和回油路之间添加了泄漏模型，以模拟调压阀的内部泄漏和粘性阻尼。