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于PCA—BP網絡模型。

同理，其他子系統也可根據獲得的數據進行PSA建模，并分別進行測試和調整。最后將所有的診斷子系統通過圖形化編輯方式或應用命令行函數進行合并，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(部分數據)。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，可以充分利用車輛行駛狀態信息，實現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，能夠根據發動機轉速、節氣門開度等真實工況參數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于后者，更適用于故障診斷。