缩写说明ＢＰＤＡＱＥＣＭＥＣＴＥＣＵＩＣＭＮＩＰＣＰＣＭＲＰＭＴＣＭＶｌＶＴＩＢａｃｋ一Ｐｒ０ＰａｇａｔｉｎｏＤａａｔＡｃｑｕｉｓｉｔｉｏｎＥｎｇｉｎｅＣｏｎｔｒｏ１ＭｏｄｕｌｅｌＥｇｉｅｎＣｏｏｌｔｎａＴｅ卿ｅｔａｒｅＥｌｅｃｔｒｏｎｉｃＣ０ｎｔｒｏ１ＵｎｉｔＩｎｇｉｔｉｏｎＣ０ｎｔｒｏｌＭｏｄｕ｝ｅＮａｔｉｎｏａｌｌｎｓ七刀ｍｅｎｔＰｅｓｒｏｎａｌＣｏｍＰｌｌｔｅｒＰｏｗｅｒＣｏｎｔｒｏｌＭｏｄｕｌｅＲｅｖｏｌｕｌｉｏｎｓＰｅｒＭｊｌ〕ｕｔｅＴｒａｎｓｉｉｔｏｎＣｏｎｌｒｏｌＭｏｄｕｌｅｉＶｒｔｌｌａ！ｈｉｓｔｕｒｍｅｎｉ、恤行ａｂｌｅ、ｒａｌｖｅＴｉｍｉｎｇｓｙｓｔｅｍ反向传播数据采集发动机控制模块发动机冷却液温度电子控制单元点火控制模块〔美国）国家仪器公司 个人电脑动力控制模块每分钟转速变速器控制模块虚拟仪器可变气门配气相位系统摘要随着汽车技术的发展，汽车自动变速器性能不断完善，结构也相对复杂，成为集液 压技术、电子技术和机械技术于一体的精密机电产品，而且各部分本身的情况又比较复杂，故障定位困难，尤其对于变速器内部故障，传统的技术手段和经验判断已远不能适应技术发展要求，往往显示出较大的局限性。由于神经网络有其独特优点，即具有容错、联想、推测、记忆、自适应、自学习和处理复杂多模式等功能，利用虚拟仪器技术和神经网络技术相结合的方法，研究变速器在不解体的情况下进行有效的检测诊断有一定意义。本文首先概述了虚拟仪器的结构、发展及其在汽车上的应用，再通过分析人工神经 网络的结构和故障诊断原理，结合当前自动变速器故障诊断途径及其特点，提出了基于前两者的故障诊断新方法，建立了初始诊断程序系统，并通过实验分析验证了此法的可行性。本课题主要从自动变速器出现故障时相应的运行工况着手研究，整个研究内容主要 有以下五方面：一、以个人电脑作为工作平台，利用虚拟仪器技术，通过ＮＩ公司图形编程软件ＬａｂＶＩＥｗ设计自动变速器运行时的数据采集和检测系统。该仪器系统能同时采集多个能反映自动变速器运行工况的传感器和执行器信号数据，实时显示在界面上，可进行直观分析，也能把数据保存在硬盘，进行后处理。二、利用自制的虚拟仪器系统在汽车实验室进行实物测试试验，进一步调试和完善程序，使其达到实验精度要求。三、进行实车路试，让自动变速器在正常状况和有故障状态下运行，利用上述虚拟仪器系统采集各状态下的相关数据，并整理和分析这些原始数据，确定用以作为神经网络训练和检测用的样本。四、通过Ｍａｌａｔｂ的神经网络工具建立神经网络模型，并进行训练，检验合格后，再整合到编制好的数据采集虚拟仪器系统中，使仪器具备神经网络诊断分析的功能。五、实验验证。让自动变速器在预先设定的故障下运行，诊断系统将采集到的数据送入神经网络模型的输入端，进行分析判断，得出故障类别并显示在屏幕界面上。通过实验证明，本文提出的这种基于虚拟仪器和神经网络的故障诊断程序基本能识 别设定的故障，这对实现自动变速器故障诊断的自动化和智能化有一定的指导作用。关键词：汽车自动变速器虚拟仪器神经网络故障诊断１前言１．１研究的目的和意义自１ ８８６年卡尔奔驰研制出世界上第一辆三轮汽车至今，汽车的发展经历了一百余年了。在最近十几年间，电子技术发展迅猛，性价比不断提高，为汽车的自动化提供了物质基础，而作为汽车重要传动部件的变速器也成了改善汽车结构的重要方向之一。因此，世界各主要汽车生产国在３０年代开始都不遗余力地对此进行研究，其中液力机械式自动变速器（ＡｕｔｏｍａｉｃＴｒｔａｎｓｍｉｓｉｎ）的发展和应用尤为迅速。经过几十年的发展，现在的ＡｏＴ生产以成系列化和专业化，其优越的动力性能、乘坐舒适性和简便操作，在汽车产业中占据相当重要的地位（邢家喜，２００１）。随着计算机技术的飞速发展，微处理器、单片机应用在汽车液力自动变速器的控制系统也迅速推广。目前，电子控制液压换档系统已广泛应用于液力自动变速器，尤其是现代中高级轿车几乎都采用了电子控制的液力自动变速器（张泰岭等，２００２）。汽车电控系统的结构和控制算法日趋复杂，控制范围日益扩大，控制精度日益提高， 向综合控制和智能控制的方向发展。电子控制液力自动变速器性能不断完善，结构进一步复杂，相应的故障诊断难度也日益增大，利用经验往往无法准确定位故障源，常常会明显地制约产品维修服务质量的提高，过高的维修费用和过长的维修服务周期往往会严重损害企业的商业形象，传统的听、摸、看诊断方法以及经常的大拆大卸开箱解体诊断已远不能适应要求。尽管目前在计算机的帮助下己经能够对自动控制系统的部分故障做出自我诊断，但 是这种自诊断技术大多尚只适用于对电子元件本身的检测，故障诊断的范围极其有限，不能诊断自动变速器内部机械故障和液压系统方面的故障。为了确保自动变速器故障诊断的准确性，通常采用的检测试验方法是在电脑诊断仪或自诊断的基础上，配合使用失速试验、时滞试验、油压试验、道路试验等方法，这些试验方法的基本共性在于能够比较方便地实现不拆检的故障信息提取，初步确定故障发生的部位。一般说来，某一类的试验只能反映出自动变速器某个方面的问题，某一种试验方法只能将故障判定在某个范围之内，确切地指明故障源并非易事，而且这些方法仍然在较大的程度上需要依赖分析者的经验和专业知识。因此，为了不断提高汽车自动变速器维修的效率和质量、降低依靠经验和专业知识的程度，将综合电子、数学、物理、计算机、人工智能等科学精华的现代状态检测与故障诊断技术应用于汽车自动变速器的故障诊断中，并研究在不解体的情况下有效的检测诊断故障的方法是非常有意义的（丁康等，１９９７）。随着微电子技术、计算机技术的高度发展，虚拟仪器技术越来越多地应用于汽车检 测、控制等领域。虚拟仪器，功能多，自动化程度高，并可按用户需求设计，开发时间短，利用其作为开发自动变速器状况和故障诊断的软件有许多的优点。神经网络技术作为一种处理技术，它能够查阅大型数据库，找出所包含的信息模式，其“自学习”能力非常强，对解决复杂的非线性问题有很大的优势，广泛应用于模式识别领域，而故障诊断实质上就是模式的分类。所以，利用虚拟仪器技术和神经网络系统，可方便快捷地对变速器状况进行数据实时采集，并对采集的数据作有效的分析，直接给出诊断结果，这样可使自动变速器故障诊断在一定程度上实现自动化和智能化，为进一步研究和开发自动变速器故障诊断系统提供了理论方法和新的思路。１．２国内外研究现状１．２．１故障诊断技术发展故障诊断技术的发展与科技发展的历史相适应。早期人们依据对设备的触摸及对声 音、振动等状态的直接感受，凭借工匠经验，可以判断某些故障的存在，并提出修复措施。故障诊断作为一门科学，是自２０世纪６０年代发展起来的。就世界范围看，开展故障诊断技术较早的国家是美国。自１９６７年起，在美国宇航局（ＮＡＳＡ）的倡导下，海军研究室（ＯＮＲ）主持成立了美国机械故障预防小组（ＭＦＰＧ）积极从事故障诊断技术的研究与开发。１９７１年ＭＦＰＧ划归美国国家标准局（ＮＳＢ）领导，成为一个官方组织，下设故障机理研究、检测、诊断和预测技术、可靠性设计和材料耐久性评价四个小组，平均每年召开两次会议。至今美国的许多机构和公司已开发出大量的实用系统投入运行，如核反应堆事故诊断与处理系统、内燃机车故障诊断系统、航天飞机主发动机异常处理系统等。在６０年代末，英国机器保健监测中心（ＵＫＭｅ ｃｈａｎｉｃａｌＨｅａｌｈＭｏｔｎｉｔｏｒＣｅｔｎｅｒ）开始诊断技术的开发研究。１９８２年曼彻斯特大学成立了沃福森工业维修公司（ＷＩＭｕ）开展了故障诊断机理分析、诊断仪器、信号处理技术等研发工作；英国原子能机构（ＥＫＡＥＡ）利用噪声分析对锅炉进行监测，以及对锅炉、压力容器、管道的无损检测等进行了卓有成效的研究。日本的故障诊断技术在某些民用工业在世界上占有优势。日本机械维修学会、计测 自动控制学会、电气学会、机械学会等相继设立了专门研究机构：东京大学、京都大学等高校着重基础性理论研究，而许多企业如三菱重工在旋转机械故障诊断方面开展了系统工作，所研制的“机械保健系统”在汽轮发电机组故障监测与诊断方面起到了有效作用。在我国，自１ ９８５年以来，山于中国设备管理协会设备诊断技术委员会、中国振动工程学会机械故障诊断分会分别组织的全国性故障诊断学术会议己先后召开了十余次，极大地推动了我国故障诊断技术的发展。现在，全国己有儿十个单位开展故障诊断技术的研究工作。全国各行各业如电力系统、石化系统、冶金系统、汽车行业、航空航天部门等都很重视在关键设备上装备故障诊断系统，特别是智能化的故障诊断系统（武万龙，２００３）。随着人工智能技术的迅速发展，特别是知识工程、专家系统、人工神经网络以及信 息融合技术在诊断领域中的进一步应用，迫使人们对智能诊断问题进行更深入地研究。一个完备的智能诊断系统应该由人（尤其是领域专家）、计算机硬件及其必要的外部设备、支持硬件的软件所组成，它以对诊断对象进行状态识别与预测为目的。智能诊断系统中最重要的部分是知识处理，包括知识获取、知识存储及知识推理。据此，智能诊断可分为基于符号推理如传统人工智能和基于数值计算如人工神经网络、信息融合技术等方法。汽车故障诊断理论及其技术的研究是随着汽车技术不断进步而逐步完善的过程。汽 车由过去单一的以机械结构为主体的产品到目前的以机电液相结合的复杂产品，使汽车故障诊断问题发生了质的变化。产品结构的复杂化、系统功能的多样化、控制过程的自动化以及显示信息的智能化都成为汽车故障诊断过程中值得注意而且必须考虑的关键问题。为了改变和突破汽车故障诊断以经验和技艺为主的传统观点，以现代故障诊断理论和新技术为基础，建立科学、系统、合理、完善的汽车故障诊断理论及其体系，已成为目前汽车故障诊断的必然要求和技术发展的必然趋势（武万龙，２００３）。１．２．２神经网络故障诊断的应用在研究故障诊断技术进程中，不断产生了一些新的理论与方法，如神经网络、模糊 系统等，这些成熟的理论和先进的技术在车辆电控系统的故障诊断中得到了广泛的应用（张伟等，２００２）。以下是国内外科研机构和研究人员利用上述理论在汽车或相关领域所 作的一些工作：美国泊杜大学的珑ｎ ｋａｔＶｅｎｋａｔｓａｂｒｕｍａａｎｉｎ和助ｎａｇＣｈａｎ等（１９８）首次将人工神经９网络成功地应用于模式匹配和故障诊断中，并与基于知识的专家系统进行了比较。随后，也研究了组合故障的问题，即辨别两种或两种以上同时发生的故障。ａＮ ｉｕｄ等（１９０）用神经网络进行传感器故障检测。结果表明，人工神经网络对传感器故障的预测准确性比其它方法高，训练好的神经网络计算时间要少于其他算法。ａＹ 。和Ｚａｉｆｒｉｕｏ等（１９９）０进一步扩展了采用人工神经网络的故障检测方法，他们采用的是所谓的局部区域网络，并展示了一种去除网络多余节点、提高效率的方法。美国宾夕法尼亚（ Ｐｅｎｓｙｌｖｎａｉａ）大学的Ｕｎｇａｒ等（１９９０）探索了采用自适应人工神经网络进行故障诊断和过程控制，并取得了有意义的成果。北卡罗来纳州立大学的Ｍ． Ｃｈｏｗ和Ｓ．．ｏＹｅ。等（１９９１）用人工神经网络对交流感应电动机进行了故障诊断。Ｋａ ｊｉｏｒｗａｔｎａｂａ。等〔１９９）４用混合神经网络诊断多故障，采用ＨＡＮＮ的一种新型网络进行故障诊断，ＨＡＮＮ将大量的模式分为很多小的子集以便网络能够更有效地对故障进行分类。张成宝等（１９９９ ）通过对神经网络的研究，提出了基于神经网络的故障诊断方法，并以汽车变速器齿轮诊断为例，建立齿轮状态的分类网络，对齿轮状态进行诊断识别。冯雷等〔２０００ ）针对传统专家系统在处理故障诊断中的不足，提出了将人工神经网络技术与专家系统融合的模型，并将此模型应用到汽油机故障诊断中。王赞松等（２００ １）建立了基于神经网络的发动机点火系统故障诊断专家系统，并较好地应用于自行开发的汽车示波器上。王卓和赵丁选（ ２００２）通过ＢＰ神经网络对工程车辆“两参数换档规律”进行系统建模和控制，并利用在ＺＬＳＯ装载机传动系统换档试验中获得的数据进行验证性仿真，所得到的仿真档位与试验档位基本保持一致。季厌庸等（ ２００２）提出了基于虚拟仪器技术和神经网络的旋转机械故障诊断方案。通过转子系统实验验证了利用频谱征兆进行旋转机械常见故障诊断的有效性，给出了神经网络建模的方法。谭德荣等（２００ ３）针对车辆系统存在的故障问题，引入了模式识别的诊断方法，对故障诊断过程中的故障分类、数据采集以及信号处理进行了分析。结合汽车离合器故障特征，应用改进的人工神经网络算法进行了故障识别，满足了故障诊断的要求。王志强等（２００４ ）针对桑塔纳２０００空调、冷却系统的控制关系建立了相关神经网络仿真模型并进行了仿真和故障诊断的研究，并通过试验证明，神经网络技术是复杂车辆控制系统的控制关系分析和故障诊断的一种便捷、有效的方法。廖志辉（ ２００４）对基于模糊推理和人工神经网络的智能诊断技术进行了研究。将模糊逻辑和人工神经网络理论结合起来进行优势互补，开发了一套基于模糊推理和ＢＰ（ＢａｃｋＰｒＰｏａｇｔａｏｉ）ｎ神经网络的机械故障智能诊断系统软件，同时对整个系统的设计思想、软件实现和关键技术进行了详细论述。董恩国等（２００ ５）应用神经网络推理枝术，设计了一种基于尾气分析的发动机故障诊断专家系统。此系统将传统专家系统与神经网络技术科学地加以结合，弥补了传统专家系统地诸多缺陷。蒋红枫和贾民平（２００ ５）引入神经网络理论，结合多媒体技术，研制了电喷发动机故障诊断专家系统并应用于发动机异响故障诊断。郑小霞和钱锋（ ２００６）将模糊神经网络推理引入专家系统，采用修正的ＲＬ－Ｓ算法训练网络的权系数，以此开发了模糊神经网络实时故障诊断专家系统，井将其成功应用于某化工厂大型ＰＴＡ装置。１．２．３虚拟仪器技术在汽车上的应用在国外，虚拟仪器技术已经广泛运用于各个行业，在汽车和发动机行业更是得到蓬 勃的发展。综述如下：密执安工业大学１ ９％年开发了柴油机实验室自动化数据采集和控制系统（金昊等，１９９９）。ｓａ ｎＤｉｅｇ。ｓｔｔａｅｕｎｉｖｒｅｉｓｙｔ（美国圣地亚哥大学）开发了用于混合动力汽车燃油消耗和排放的模拟和优化系统（Ｊｏｓｅｆｃ．Ｂｅｇｙｒｅ，２０００）。Ｍｉ ａｒ（０２０）利用Ｍ的信号调理模块和ＬａｂＶＩＥＷ为ＦｅｄＴｅｃｈ公司构建了一套发动机测功器测试系统。发动机缸压和振动的测量。如Ｃｒ ｅａｔｉｖｅＴｅｃｎｈｉｃａｌｓｏｌｕｔｉｏｎｓｌｎｃ的缸压采集系统（ｗｉｌｌｉａｍＤｏｇｇｅｔ，２００１），Ｒａｅｂｎｒｕ介ｄｌ刀０１０盯Ｉｎｃ的发动机敲缸现象检测和分析系统（ ＡｌｒｆｅｄＧＣｏｌｌｉｎｓ，２００２）。Ｇｕ ｎａｓｒｓｏｎ（０２０３）用ＬａｂｖｌＥ－ｗ和分布式现场总线建立了一个低成本。灵活简单的发动机测试系统。ＥＣｔ Ｊ的检测和模拟。如Ａｌｕａｆｌｔｏｍａｚｉｏｎｅｌｈｃ的ＥＣＵ模拟试验和检测系统（灿ｄｒｅａｓｅＨｉｍ，２００）；Ｍｏｔｒｏｌａ汽车电子的Ｅｃｕ也是用Ｎｌ的相关产品进行编程检测的。在国内，虚拟仪器技术和神经网络理论近年来才慢慢开始发展，还没有得到大范围 的普及，但现在国内的很多高校、科研单位和公司都开始把虚拟仪器应用到科研和生产中，并取得一些成果。综述如下：李永刚（１ ９９９）利用ＬａｂＩＶＥＷ虚拟仪器开发平台，进行了汽油发动机综合测试仪研制，该测试系统由点火性能测试仪、动力性能测试仪、起动性能测试仪等子模块组成，并通过实际测试对该系统进行了检验，测试结果较客观地反映了被测发动机的实际工作状况。童兵等（ ２０００）利用虚拟仪器技术设计了ＴＨ一Ａ型发动机控制系统。该系统已在天津内燃机研究所和无锡柴油机厂使用。王宏伟等（ ０２０１）利用虚拟仪器技术，以ＰＣ工控机为主控单元、以ＬａｂｖＩＥＷ为软件开发平台改造一拖的发动机测试系统。沈益民等（ ２００１）利用虚拟仪器技术研制了一种集汽车拖拉机技术状态检测和故障诊断于一体的检测试验装置，能实时测试发动机的动力性、经济性、排放性能、底盘的安全性能等指标，并能进行故障诊断。该试验台采用机、电、液、电子和计算机等综合技术，具有操作简单，测试项目多，测试精度高等特点，为汽车拖拉机的生产、检测、维修和教学部门提供了一种新的试验、测试装各。王赞松等（ ２００２）利用虚拟仪器技术和神经网络成功构建了一种汽车故障诊断仪器。它具有数字万用表和汽车示波器的双重功能，配有神经网络专家系统，在显示波形的同时，直接给出诊断结果并说明原因。经实车测试，该检测仪测量结果正确，可靠性高，可以替代某些进口的汽车测试设备。王赞松等（ ２００３）研究了一种特征层信息融合方法—基于神经网络的信息融合技术在电控发动机故障诊断中的应用。他利用虚拟仪器技术研制了数据采集与处理系统，可对发动机进行实时数据的采集、历史数据和暂态数据的显示，以及数字滤波、频谱分析、波形显示等方面的数据后处理。赵芙生和张金龙（２００４ ）利用虚拟仪器技术开发的电控汽车智能仪器，以工控机为主控单元，以ＶｉｓｕａｌＣ一为开发平台研制的电控汽车测试系统，能实时检测、记录、显示和存储汽车各种传感器、执行器、电了控制单元及电气设备等的数据及波形，并能利用配备的神经网络专家系统，正确、迅速诊断故障。胡军等〔２０ ０４）运用虚拟仪器技术开发出一个运用计算机进行控制的发动机台架试验系统。该系统能进行速度特性试验、负荷特性试验、示功图的采集和相关的分析处理，能对发动机的转速和油门进行控制，还能按时显示需要的各种数据，并能把所需的数据存储在计算机中，便于管理。刘玉梅等（２００５ ）针对传统仪器在车辆性能测试中存在的不足，将虚拟仪器技术引入到车辆性能测试中，开发了基于虚拟仪器的车辆性能测试系统。通过采用Ｐｃ一ＤＡＱ方案以及多传感器采集和数据融合，配以ＰＣ机平台和虚拟仪器软件，构建了可以对汽车排放、噪声、前大灯、制动、悬架特性、底盘测功、转向操纵以及侧滑等性能进行测试的控制仪器和系统。实车测试证明．该系统的测试结果准确、可靠。１．３现状分析从目前报道的资料来看，虚拟仪器技术正越来越多地应用于汽车领域，如发动机试 验监控、振动分析、综合测试、故障诊断等方面。而神经网络所具有的知识分布式表示存储、高度的大规模并行信息处理、联想存储、高度的容错性和自学习能力，使其在故障诊断领域极具发展前景和应用潜力。事实上，对于汽车自动变速器故障，除了常规传统的检测诊断方法外，也有一些比 较前沿的方法和研究理论，比如：振动诊断法、声学诊断法、油样分析法、运用种经网络技术诊断等。应用比较广泛的是振动测量分析方法，但也只限于某些故障的预测和诊断，而且振动检测诊断方法在处理实际系统非线性所造成的复杂振动现象时有很多不足，对工程技术人员经验有很大的依赖性，对工程实际中存在的多故障、多过程、突发性故障及复杂的变速器进行监测诊断，传统的技术手段和理论往往显示出较大的局限性。随着虚拟仪器技术逐渐地渗透到汽车测控领域，结合神经网络理论在故障诊断方面的应用研究，必将使电控自动变速器故障诊断手段更先进，诊断方法更加有效，并且使故障诊断的智能化程度进一步提高。本文针对当前汽车自动变速器故障诊断的实际情况，充分利用了虚拟仪器和神经网 络技术的特点，将其应用于汽车电控自动变速器故障诊断中去，探讨一种基于这两者的故障诊断新方法。１．４本文主要研究内容利用笔记本电脑、美国ＮＩ公司６ ０２４Ｅ（ｏＰｃＭｃＩｒ）数据采集卡、ＰｃｌＡ一６２２ｏＭ数据采集卡、ｃＢ一８ＬＰ数据线、６６８一ｐｉｎ接线板、连接导线、可调电阻等组建测试系统，通过ＬａｂｖｉＥＷ图形编程软件编制了本田雅阁轿车的自动变速器运行状况数据采集仪器，利用神经网络技术对采集的数据作实时分析，得出故障类别。具体研究内容有以下几项：）在分析虚拟仪器结构、ＢＰ人工神经网络诊断原理和电控自动变速器系统结构和１ 工作原理的基础上，提出研究适合电控自动变速器故障诊断的方法。）利用虚拟仪器技术，根据研究的需要，设计了自动变速器运行时的数据采集和检２ 测系统，并在试验台上调试程序，验证仪器精度，同时不断完善仪器的功能。３）实车在线测试。按实验要求，在故障情况下采集自动变速器相关传感器和执行器 数据，并储存在计算机中，作为神经网路训练样本数据集。）分析和整理采集到的原始数据，通过Ｍａ４ ｌａｔｂ软件建立神经网络模型，验证可用后整合到采集系统中，使采集系统具备神经网络计算分析的功能。５）实车试验验证。让自动变速器在各种预先设定的故障下运行，直接将采集到的数 据送入神经网络模型的输入端，进行分析判断，得出故障类别。最后，分析结果并讨论此法的可行性。２研究的理论基础和方案的提出２．１虚拟仪器技术由于微电子技术、计算机技术和网络技术的高度发展，它们与电子测量技术在仪器 上的应用使新的测量理论、新的测量方法、新的测量领域以及新的测量仪器结构不断出现。在许多方面已经冲破了传统仪器的概念，电子测量仪器的功能和作用发生了质的变化。在这种背景下，１９８６年由美国国家仪器公司（ＮａｉｔｏｎａｌｌｎｓｕｍｅｒｔｎｔｓＣｏ印ｏａｒｔｉｏｎ，Ｍ公司）提出虚拟仪器（ｉ血ａＶｌｌｓｎｔｍｅｕｒｎｔｉ皿，Ｖｔａｌ）的概念。虚拟仪器是指通过应用程序将通用计算机与功能化的通用模块硬件结合起来，用户可以通过友好的图形界面来操作这台计算机，就好像在操作自己定义设计的一台单个仪器一样，从而完成对被测对象的采集、分析判断、显示和数据存储等。虚拟仪器概念的提出是仪器发展史上的一场革命，代表着仪器发展的最新方向和潮流；是信息技术的一个重要领域，对科学技术的发展将产生不可估计的作用。虚拟仪器利用ＰＣ强大的图形环境和在线功能，形成既有普通仪器的基本功能又有一 般仪器没有的特殊功能的高档低价的新型仪器。用户可以建立中英文界面的虚拟仪器面板，完成对仪器的控制、数据分析和结果显示。用其代替传统仪器，改变了传统仪器的使用方式，使仪器的功能和使用效率明显提高，大幅度降低了仪器的价格，使用户可以根据自己需要定义仪器的新功能。在虚拟仪器系统中，硬件仅仅是为了解决信号的输入输出，软件才是整个仪器的关键，任何一个使用者都可以通过修改软件，很方便地改变和增减仪器系统的功能与规模。虚拟仪器的品种多，功能强，自动化程度高，具有良好的人机界面，与传统仪器相 比，如表１示，不难看出虚拟仪器巨大的优越性，其功能与传统仪器的功能是相同的：采集数据，对采集的数据进行分析处理，然后显示并处理结果。但是它们之间的不同之处主要体现在灵活性方面。虚拟仪器可由用户自己定义，这意味着用户可以自由地组合计算机平台硬、软件以及各种完成应用系统所需要的附件，而这种灵活性在供应商定义，功能固定独立的传统仪器是达不到的。因此，虚拟仪器将成为仪器发展的方向和趋势。表１虚拟仪器与传统仪器的比较虚拟仪器传统仪器软件为核心硬件为核心（续）开发和维护费用低 开发和维护费用高 技术更新周期短 技术更新周期长 价格低 价格昂贵 可重复使用和配置，与计算机发展同步固定 可通过网络连接周边各仪器 只可连接有限的设备 多功能、自动化、智能化 功能单一 可远距离遥控 操作不便 数据容易存储、编辑、打印 数据不容易编辑 自定义的图形界面，计算机读数 固化的操作界面，人工读数２．１．１虚拟仪器的构成从功能上来说 虚拟仪器通过应用程序将通用计算机与功能化硬件结合起来，完成对被测试量的采集分析、判断、显示、数据存储等功能，因此，它可划分为数据采集、数据分析、结果显示三大功能模块，图１为其内部功能框图。插入式ＤＡＱ卡信号处理网络传输Ｃ任，ＩＢ仪器、号ａ仪器匕数字滤波统计匕硬复制文件万０ＲＳ一刀２分析图形用户界面采隽汐卜理数据分析 结果表达图１虚拟仪器功能框图其中，采集处理功能主要完成数据的调理采集；数据分析功能对数据进行各种分析处理：结果表达则使将采集到的数据和分析后的结果表达出来。２．１．２虚拟仪器的硬件硬件是虚拟仪器工作的基础，主要完成被测信号的采集、传输、存储、处理及输入 输出等工作，由两部分构成。（１ ）计算机它一般为一台ＰＣ机或者工作站，是硬件平台的核心。包括微处理器、存储器和输入 输出设备等，用来提供实时高效的数据处理工作。（２）插接口设备 即信号采集调理部件，包括Ｐｃ总线的数据采集板卡（ 简称数采卡／板，ＤＡＱ）、ＧＰＩＢ１０ 总线仪器、ｖｘｌ总线仪器模块、串口仪器模块、串口总线仪器等，主要完成被测输入信号的采集、放大、模数转换。主要有５种方式：ｐＣ一ＤＡＱ系统、ＧｐＩＢ（Ｇｅｎｅｒａｌｐ呷ｏｓｅｈｉｅｔａｃｒｅＢｕｓ）系统、ＶＸＩ（ＶＭＥｂｕｓｅｘｔｅｎｓｉｏｎｆｏｒｈｓｔｎｕｎｅｎｔｔａｉｏｎ）系统、Ｐ刀（ＰｃｌｅｔｘｅｎｓｉｏｎｒｒｏＩｎｓＵｍｅｒｔｎｔｉｏｔａｎ）总线、串口系统。２．１３虚拟仪器的软件虚拟仪器软件由两部分构成，即应用程序和ＦＯ接口仪器驭动程序。虚拟仪器应用 程序实现虚拟仪器面板功能并定义测试功能的流程图。ｌｌＤ接口驱动程序完成特定外部硬件设备的扩展、驱动与通信。构造一个虚拟仪器系统时，在基本硬件确定以后，就可以通过不同的软件实现不同 的功能。软件是虚拟仪器系统的关键，提高计算机软件编程的效率意义重大。虚拟仪器系统的软件主要分为４层： 系统管理层、测控程序层、仪器驱动层和Ｔ／Ｏ接口层。作为开发虚拟仪器软件的工具平台，必须使设计出的以上软件层具有鲜明的“即调即用”特征，并且确保用户能用以完成整个系统中所有软件部分的开发工作。目前比较流行的软件开发工具平台有：可视化编程工具、Ｌａ ｂｗｉｎｄｏｗｓ／Ｃｖｉ、ＬａｂＶＩＥＷ。Ｎｌ公司的虚拟仪器开发平台ＬａｂｖｉＥＷ作为目前国际上唯一的编译型图形化编程语言，把复杂、繁琐、费时的语言编程简化成用菜单或图标提示的方法选择功能（图形），并用线条把各种功能（图形）连接起来的简单图形编程方式。ＬａｂｖＩＥｗ中编写的方框图程序，很接近程序流程图。只要把程序流程框图画好，程序也就差不多编好了。同传统的编程语言相比，采用ＬａｂｖｉＥＷ图形编程方式可以节省大约８０％的程序开发时间，而运行速度却几乎不受影响。除了具备其他语言所提供的常规函数功能外，Ｌａ ｂＶＩＥＷ中还集成了大量的生成图形界面的模板，丰富实用的数值分析、数字信号处理功能以及多种硬件设备驱动程序（包括ＲＳ２３２、ＧＰＩＢ、Ｖ沮、数据采集板卡、网络等）。另外，免费提供的几十家仪器厂商的数百种源码及仪器驱动程序，可为用户开发仪器控制系统时节省大量的编程时间。２．２神经网络诊断原理人工神经网络模型是在现代神经生理学和心理学的研究基础上，模仿人的大脑神经 元结构特性而建立起来的一种非线性动力学系统。它由大量简单的非线性处理单元高度并联、互联而成，具有对人脑某些基本特性简单的数学模拟能力。应用神经网络处理信息，不需要开发算法和规则，能极大地减少软件工作量。因而，它具有并行分布、非程序的、适应性的、大脑风格的信息处理本质和能力。神经网络己在语音识别、计算机视觉、图象处理、智能控制等方面显示出极大的应用价值。作为一种新的模式识别技术或知识处理方法，人工神经网络在故障诊断领域中显示了广阔的应用前景。２．２．１即网络理论据统计，在众多神经网络算法中，应用最广泛的要首推ＢＰ神经网络，占８ ０％以上，而在ＢＰ网络中，又以单隐层ＢＰ网络为最多。如图２、图３所示，是一个简单的三层ＢＰ网络模型。网络的输入层包含１（１＝３）各节点，隐层包含ｊ（ｊ二４）各节点，输出层有ｋｋ（＝２）各节点。连接权值ｗ（ｊ，１）表示输入层第１个节点与隐层的第ｊ个节点的连接权值，共有４、３个权值。ｖ（ｋｊ表示隐层第Ｊ个节点与输出层第ｋ个节点的连接权值，共有２ｘ４个连接权值。输入 隐含层输出层才 一、厂一一一一一一一一一一－、厂一、ａｌ＝ｔ．ｎ‘馆匕ｒ俩尸１．ＩＰＩ＋ｂ，）ａＺ＝Ｐ叮ｅｌｉｎｒＬ矶飞，ｌａｌ＋ｂ习图ＺＢＰ网络模型图３ＢＰ网络模型示意图ＢＰ神经网络一般是由多层神经元构成，因此，神经元可以有多种类型，其神经元的 选用需要视情况而定。由于ＢＰ神经网络是通过误差反向传播来实现的，因此，ＢＰ神经网络中的神经元必须是连续可微的，所以，ＢＰ神经网络的神经元函数不能选用限幅函数。对于输出范围比较小的网络，可以将其所有的神经元全部选为５型函数；若网络的输出范围比较大，则一般把隐含层神经元选为５型函数，而把输出层神经元函数选用纯线性函数。从理论上讲，这样选择神经元函数可以任意精度地逼近任意一个平滑函数。对于图３所示的ＢＰ网络模型的神经元作用函数选用情况如下：（１）输入层神经元作用函数选为线性型，故节点１的输出为：０，＝八Ｚｔｎ１乙｝ ｌ 勺其中，ｐ，为第１个节点的输入。（２）隐层神经元作用函数选用正切５型函数：节点ｊ的输出为节点ｊ的总输入为ｑ＝ｆ（ｎ，）１＋ｅ一ａ：几１一ｅ一马（２一２）ｎ，一艺ｑ・鸣＋气ｌ（２一３）（３）输出层神经元作用函数选对数５型函数：节点ｋ的输出：节点ｋ的总输入：认＝心１＋ｅ一月ｋｆ（ｎ；）（２一４）・ｗ勺＋瓦（２一５）当权值、，（ ｌｘＲ个）、ｗ、（ｍｘｌ个）与阀值ｂ，（１个）・ｂ、（ｍ个）随机赋予初始值，确定分组输入尸、，夕２，…夕＊后，根据式（２一１）、（２一２）、（２一３）、（２一４）、（２一５）进行计算，就可得出输出层节点ｋ的输出认与期望输出风存在误差，输出层ｍ个节点的总误差Ｅ取为：Ｅ二工节「ｄ；一认ｒ２汀一（２一６）网络的学习，也称为网络的训练，即通过反复的计算，求取Ｅ，根据Ｅ的大小调整网络参数，最终使得误差Ｅ足够小。按照误差反向传播算法，分别求取输出层训练误差氏，隐层训练误差戈，取后得的权值修正公式。一般地，ＢＰ网络的一个样本的学习步骤如下：①网络初始化，随机设定连接权值ｗ，、叽，阀值ｂ，、ｂ；，学习因子几，势态因子”・②向具有上述初始值的神经网络提供输入学习样本和序号。③计算隐层单元输出值。④计算输出层单元的输出。⑤计算输出层单元误差Ｅａ⑧判断均方差Ｅ是否满足给定允许偏差。．当满足时转到⑧，否则继续执⑦，后再由③顺序执行。 ⑦修正权值。⑧结束训练。２．２．２神经网络的故障诊断应用神经网络作为一种自适应的模式识别技术，并不需要预先给出有关模式的经验知识 和判别函数；它通过自身的学习机制自动形成所要求的决策区域。网络的特性有其拓扑结构、神经元特性、学习和训练规则所决定。它可以充分利用状态信息，对来自于不同状态的信息逐一进行训练而获得某种映射关系。而且网络可以连续学习，如果环境发生改变，这种映射关系还可以自适应地进行调整。因此，神经网络由于自身的特性，在故障模式识别领域中有着越来越广泛的应用。 以下以单层ＢＰ网络为例，说明基于神经网络的故障诊断的方法和特点。其中，网络的输入节点对应着故障征兆，输出节点对应着故障原因。首先利用一组故障样本对网络进行训练，以确定网络的结构（中间层的传递函数和神经元数目）和参数（神经元之间的连接权值和阀值）。网络训练完毕后，故障的模式分类就是根据给定的一组征兆，实现征兆集到故障集之间的非线性映射的过程。利用神经网络进行故障诊断模式识别具有以下特点： （１ ）可用于系统模型未知和系统模型较为复杂，以及非线性系统的故障模式识别。（２）兼有故障信号的模式变换和特征提取功能。 （３）对系统含有不确定因素、噪音及输入模式不完备的情况下不太敏感。 （４）可用于复杂多模式的故障诊断。 （５）可用于离线诊断，也能适应实时检测的要求。 典型的基于神经网络模式识别功能的诊断系统结构如下图２ ．４所示。图４中，基于神经网络的诊断过程分为两步。首先，基于一定数量的训练样本集（通 常称为“故障征兆”数据集）对神经网络进行训练，得到期望的诊断网络；其次，根据当前诊断输入对系统进行诊断，诊断的过程即为利用神经网络进行前向计算的过程。在学习和诊断之前，通常需要对诊断原始数据和训练样本数据进行适当的处理，包括预处理和特征选取／提取等，目的是为诊断网络提供合适的诊断输入和训练样本。此外，尽管图４诊断系统结构图神经网络和传统的故障诊断是两种不同的诊断方法，但两者是紧密联系在一起的。如采用小波分析等数据处理方法，可以为神经网络诊断提供可以利用的特征向量。前向ＢＰ网络的学习算法属于有教师型的。这种算法模型具有很好的推广能力，用于 故障模式识别的效果比较好。训练好的ＢＰ网络计算速度快、内存消耗低，可用于实时检钡１和诊断。但是这种模型要求学习样本具有一定的致密性、遍历性和相容性，在实际工程中，有时候获得这样的样本比较困难。利用ＢＰ网络进行故障诊断的一般步骤和注意事项如下：（１ ）确定合理的网络结构和规模，尤其是网络的中间层神经元个数的选择是网络结构确定和网络性能的关键。（２）确定训练样本集和测试集。训练样本集用于对网络进行训练，而测试集用于检 测网络训练的效果和推广能力。一般来说，训练样本集不仅应全面涵盖所有故障模式类的数据，还应具有一定的代表性，同时还必须保证学习的有效性。测试样本集的选择应ｏｓｓＶａｌｉｄａｉｏｎ）”的原则。ｔ该满足“交叉检验（Ｃｒ（３）根据训练样本集对网络进行训练，经过测试的训练结果即为神经网络故障诊断 知识库。（ ）根据诊断输入，利用ＢＰ网络进行诊断。４２．３电控自动变速器系统及其故障分析２．３．１电控系统结构和原理电控自动变速器由液力变矩器、定轴式齿轮变速传动系统、液压控制系统、电子控 制系统等几大部分组成。本田雅阁ＭＡＸＡ型变速器电液控制系统的控制过程如图５所示。所有这些控制都是 由自动变速器电脑根据各个传感器的输入信号，通过控制电磁阀的通电和断电，从而改变液力控制系统的油路状况来实现的。液压控制系统 －：一－一一一－一－一一一－一－一－一－一－一－一－一－一－一－一－一－一－一一－一－一一门１．图５电液控制系统框图其电子控制系统由变速器控制模块ｐ〔 ：Ｍ（ＰｏｗｅｒＣｏｎｔｒｌｏＭｏｄｅ）ｌ，各种传感器，３个换挡控制电磁阀、２个Ａ汀离合器压力控制电磁阀、１个锁止控制电磁阀等执行器组成。控制模块根据换挡杆的位置信号、进气歧管压力信号、发动机转速信号、节气门位置信号、车速信号、变速器主轴和中间轴转速以及冷却水温等信号，实现换挡时刻控制、变矩器的锁定、坡度模式控制、安全失效保护和故障显示及自诊断等功能。行车中，当ＰＣＭ接受到各传感器的输入信号需要实施换挡时，ＰＣＭ将控制换挡电磁阀Ａ、Ｂ、Ｃ以及Ａ／Ｔ离合器压力控制电磁阀Ａ、Ｂ等执行器作相应动作，前三者将变换换挡阀的位置确定所选择的挡位，后两者则调节其自身的压力，并视情况给某一离合器的油路增压，以使相关齿轮组工作，从而实现变速器高低档间的准确而平顺的变换。２．３２故障分析自动变速器故障通常分为机械系统故障、液压系统故障和电子控制系统故障等几方 面。故障分析的首要任务是判断故障产生的原因属于哪一部分，是发动机动力不足，是操纵杆系变形，还是电子控制系统或变速器内部故障。事实上，大多数故障都是采用一些传统检查和试验方法来检验诊断的。变速器各部分一旦发生故障，都有可能影响整个变速系统的运作，降低了自动变速 器的工作性能。而对于各种故障，总是有它们各自的特征和现象的，或者是多种故障有同一相似现象等。１．机械系统故障包括：多片式离合器、制动器摩擦片和压板磨损、扣一滑、间隙过大，液力变矩器单向离合器打滑以及传动部件机械损坏等。当发生这类故障时，自动变速器会出现打滑、档位变换不顺、无发动机制动等现象。这种现象可以反映于发动机转速、节气门开度、车速、档位等信号的关系。２．液压控制系统故障如：油泵和系统油压过低、过高，油路堵塞、漏油，油路控制 阀阻塞，换档阀、压力控制阀等阀体卡住、损坏等。液压系统故障是常见故障，出现上述故障时，可伴随有前进档打滑和颤动、不能升档或升档滞后、各档位车均不动等现象。这些故障现象可由自动变速器输入、输出轴传感器信号、节气门开度、档位、发动机转速、水温等信号的非线性关系表征。３．电子控制系统故障有：各传感器电路故障，各执行器电路故障，ＥＣｕ故障等。广 州木田雅阁轿车的自动变速器电子控制系统故障可通过电脑自诊断读取故障码来判断故障部位。当变速器控制单元（ＴＣＭ）检测出电脑控制系统出现故障或信号不正常时，仪表板上的Ｄ４档位灯即开始闪烁。当电子控制系统出现故障，即表明某些传感器或执行器出现故障，这些故障可以直接从它们各自的信号得知。２．４研究方案的提出由于自动变速器在运行的时候，可以从相关传感器和执行器的信号和工作情况得知 变速器的运行工况，因为这些传感器和执行器的信号相关关系包含了很多的信息，足以反映变速器的运行状况。正常工作的自动变速器，其换档主要是按照节气门开度和车速两参数进行的，一定 的油门开度和相应的车速对应某一档位。当发生故障时，自动变速器将不能按照原先设定的程序，正确地根据油门和车速等输入信号及时进行档位切换，致使自动变速器的档位实际变换时刻和发动机转速、油门、车速、主轴（输入轴）转速等信号、换挡电磁阀等执行器输出信号存在其它不确定的对应关系，而这些不确定的对应关系又反映于不同的故障类别与上述参数的特征规律中。根据这种特点，可以用神经网络的方法来从中抽取出各自的特征规律，得出数学模型，从而识别出对应于这种特征规律的故障。所以，基于这种情况，本文探讨一种基于虚拟仪器技术和神经网络技术故障诊断程序，从数据采集到得出结论，操作过程简便快捷。根据自动变速器控制原理，在详细分析了变速器故障规律和特点之后，选择了能反 映其规律的特征参数作为神经网络的输入向量：发动机转速信号、节气门开度信号、车速信号、主轴转速信号、冷却液温度信号、换挡电磁阀的通断信号等。理论上，选择尽可能多的相关参数，对分析越有帮助，因为越多的特征向量，越容易判别出具备这些特征的故障类型。所以，选取了上述信号作为特征向量，因为它们能反映自动变速器运行和工作情况。本文方案流程如图６所示。第一阶段第二阶段图６方案流程图整个过程是分两个阶段完成的，第一阶段：使用图形编程软件Ｌａ ｂｖＩＥｗ７．１，按要求设计出用以采集神经网络的训练样本数据的采集仪器。第二阶段：将采集到的样本数据进行神经网络训练至性能合格可用，就可在Ｌａｂ、ｑＥＷ中调用这个神经网络模型，进行实时测量分析，当有预先设定的故障出现时，由实时采集到的数据，经过神经网络软件分析，可立即给出诊断结果。５实车试验和结果分析５．１试验过程实车试验的目的是为了验证基于虚拟仪器平台的神经网络故障诊断系统的操作性和 诊断的准确程度。由于神经网络模型是在学习训练样本的基础上得到的，所以试验的方法也必须按照采集训练样本数据时的方法，同时试验条件要跟采集数据样本时相同。具体过程如下：一、在汽车正常状态下，也就是无故障情况下：运行诊断系统程序，待网络训练完 成即转入数据采集状态。此时，驾驶员先把油门开度迅速踩到５度左右（度数从数据采集系统得知）并稳住，让车子从静止开始加速，同时诊断系统开始分析采集的数据并记录神经网络诊断的输出结果，此时系统的操作界面上也会不停地显示诊断的结果，直到车速达到３５ｋｎｌｈ左右，停止程序。／二、拔掉换档电磁阀Ｂ，也就是让汽车在故障１下行驶，其他步骤同一。 三、拔掉中间轴转速传感器，也就是让汽车在故障２下行驶，其他步骤同一。 四、按以上３种办法，重复试验多次，看结果是否一致。 ５．２结果分析从诊断系统的操作界面就可以大概了解自动变速器的故障类别了。因为它显示了神 经网络的输出结果和对此结果的一个判断。对于设定的３种故障类别，系统基本可以判断出来，只是有少数点判断错误，界面显示的不是实际状态下的故障类别。以下是诊断的结果：一、无故障状态下进行的其中两次的诊断情况如下：此时间内两次试验的油门开度 相当，变化如下图４６所示。一创＼恻嗽泣袋＿＿」一一一一」一一一一」份一一一习一一一一一』一一一一一一Ｌ一＿１一一．第一次一一第二次１２３４５６７８９１０１１１２１３１４１５１６１７１８时间／５ 图４６正常状态下的两次试验油门开度的变化第一次诊断结果如下表８所示。表８无故障时第１次诊断结果 序号网络输出结果显示正确与否序号网络输出结果显示正确与否１１．００００００乃０００无故障了１００００００刀０００无故障２１．００００００刀０００无故障寻１００００００刃０００无故障３１．００００００刀０００无故障护ｌ２１．００００００．００００无故障４１．００００００刀０００无故障矿ｌ３１００００００力０００无故障５１．００００００．００００无故障守１‘００００００．００００无故障６１．０００Ｄ００乃０００无故障铲ｌ５１００００００力０００无故障７０夕４５７００１２６０无故障召１６１．００００００．００００无故障８０．９６３０００」１６０无故障召１７１．００００００刀０００无故障９１００００００．００００无故障甲１８１００００００．００００无故障第二次诊断试验结果如下表９所示。表９无故障时第２次诊断结果序号网络输出结果显示正确与否序号网络输出结果显示正确与否１１＿００００００００００无故障１．００００００刀００３无故障２１．００００００乃０００无故障１＿００００００刀００２无故障３１＿００００００刃０００无故障１．００００００刀００６无故障４１＿００００００．００００无故障１２１＿００００００刀００２无故障５１００００００力０００无故障１３１００００００刀０００无故障６１．００００００．００００无故障ｌ４１．００００００刀０００无故障７１．００００００刀０００无故障１５１＿００００００刀０００无故障８１‘００００００刀０００无故障１６１．００００００刀０００无故障从两次诊断的结果来看，在没有故障的情况下，诊断系统的识别能力很强，对无故障的识别正确率达１００％。二、在故障１的状态下进行的其中两次诊断如下：此时间内两次诊断试验的油门开度相当，其变化如下图４７所示。ｑ八户曰１〔汉１〕，‘．Ｕ巨，，，－第一次一二：觅三一灭侧 ＼侧 嗽 口 澳 １月二络１２．１卜钊１０口户ｎ浦勺】．一一一灰一＿．．一１．一一．３５７９１１１３１５１７１９２１２３２５日 寸间／５图４７故障１状态下的两次试验油门开度的变化两次试验结果如下表１０、１１所示。表１ ０故障１时第１次诊断结果序号网络输出显示０．１５８５０名８４５０力０１８２３４５６７８０夕４５８０１３６３０刀００３０一７５６７０３９０３０‘０００５０＿６１６５０．５１８００刀００７０．１７３９０名５３２０＿００１６０５０１７０．６０８９０．０００９０４０２３０．６８４８０刀０１００３８７３０石９５４０刀０１０结果判断正序网络输出确与否了ＸＸＸ铲沐Ｊ甘甲结果显示０，０４７８０月４９４０．００２９０月９５８０月０９１０．００２２０乃４４ＱＯ月５１６０＿００３００．０２４７０．９６９６０．００３９０．０９３５０夕０８１０刀０２２０力５６６０月３８６０刀０２８０．４１３０月５１５０刀０３２０判断正号１４１确与否故障１无故障故障１故障１气叶６无故障可、生故障１故障１无法判断故障１ 无法判断故障１ ７ｌ８］Ｉ０Ｊ了故障１故障１，ｎ乙Ｕ故障１故障１故障１故障１２１之０‘１６４７０名４８９０刀０１７０刀４７４０夕４５１０力０３１０刀５３５０夕３９７０＿００２９９１００之０１００名３１１４０刀０１５０＿２２２２０名５１４０刀０１４故障１故障１故障１故障１故障１甲２气‘７３２抖５２肠故障１故障１１１１２１３０．１４１５０名７４８０刀０１８０刀９１９０．ｇｌ３ＤＤ刀０２２０刃８０１０夕２２２０刀０２３矿０．１４３６０名６３００刀０１９Ｖ０乃６１３Ｄ‘９３１５０乃０２８０＿０２６１０．９６６５０００４］故障１故障１７表１１故障１时第２次诊断结果序结果判断正序结果判断正网络输出网络输出号显示确与否号显示确与否０＿００４３０夕９５２０刀０８４故障１‘胜肉山介０．０４２２０习５７８０刀０３０故障１ ２０刀２１３０月７３２０，００４２故障１．．１４００１７００．９７２５０．００７６故障１３０１１２２０名９９２０刃０２０故障１巧０＿０２３４０夕４９７０刀２０５故障１ ４０．０３５５０．９６１１０刀０３３故障１６１０刀０６２０屏９５２０，１０４１无法判断５０．０５６１０月４２８０刀０２７故障１７１０＿００７７０夕８５７０刀１３１故障１ ６０．０３９３０９５７２０乃０３２故障１８１０＿００６９０兮９３１０刃０７５故障１ ７０刀０８３０乡８８３０．００６１故障１９１０＿０１４４０乡７６５０．００６１故障１ ８０刀０５６０月９１５０．００７２故障１加０刀１５１０．９７６７０．００６６故障１ ９０．００５８０刀９１００．００７１故障１１２０＿０２９８０．９６５３０刀０４８故障１ １００刀０７３０乡８８７０００６５故障１２００３３９０‘９７１９０刀０４９故障１ １１０刀０４１０９９２２０刀０８５故障］２３０．０２０４０．９８８００．００６８故障１ １２０＿００５６０．９９０８０．００７６故障］２４０刀２８９０乡８９４０刀０７５故障１ 从以上两表可以看出，第一次试验的前几个点判断错误，正确率为８４石％，原因可 能是此时间内的状态参数值存在相似，从网络输出的结果来看，此时的状态是介于无故障与故障１之间，系统无法识别出来。对于第二次试验，其诊断正确率是９５．８％。两次试验总的准确率达９０％。从两次试验的结果看来，诊断系统还是能比较准确地判断出故障１来。但是，由于两次试验判断准确率存在较大差异，因此，有必要通过第三次试验进行验证。第三次试验中测得的全过程油门开度变化如下图４８所示，诊断结果见表１２。八乙ｎ侧 １５＼ 通侧 众， １０户一澳Ｕｄ１３５７９１１１３１５１７１９２１２３时间／５ 图４８故障１状态下第三次试验油门开度的变化５６表１２故障１时第３次诊断结果序网络输出结果显示０２１２２０名４３３０刀０１５０＿３２９９０７５１５０．００１２０＿５４２８０５８３００＿０００８判断正序网络输出确与否召结果显示０＿００１７０乡９６８０．０１１６０刃０２３０．９９５８０刀１０２０．００１８０９９６６０刀１１４判断正确与否号１２３号１３心．盈故障１ 故障１故障１创月『故障１故障１故障１故障１故障１无法判断故障１故障１故障１Ｘ月卫￣、４５６０２０２２０．８３３９０．００１５０＿０６４９０＿９３６４０＿００２６Ｄ乃４５６０．９５２４０刀０３０甲万‘６０．００３２０夕９４６０．００９１０乃０１９０月９６４０＿０１１３０．００２００乡９６４０刀１１３０刀０２６０月９０９０力１００７Ｊ．．几门了丫百．主ｎ６７８９１００刀３６１０．９６０６０刃０３３０刀１８８０．９７７００．００４３０＿０２０１０夕７５７０＿００４２０＿００２２０月９６１００１０４故障１故障１故障１故障１故障１铲．．立ＯＪ故障１故障１故障１故障１故障１故障１了２０２１０刀０１６０夕９５２０刃１３１０刃０３６０月９２８０００９１７了２２２３２４０００５５０９８９７０．００７６０．０１４８０月７６２０００５１０刀０９３０．９８２５０００６３１１１２０＿００３９０月９３８０刀０８３０＿００４３０月９３２０＿００７９了故障１了从第三次试验结果来看，其诊断正确率是９ ５．８％。综合以上３次故障１状态下的试验结果，可以看出，诊断系统对故障１的判断是相当准确的了，除了第一次试验准确率偏低，其余两次都达９５％以上。三、同理，在故障２的状态下进行的其中两次诊断如下：此时间内两次诊断试验的 油门开度相当，其变化如下图４９所示。２０侧＼赵常Ｌ』懊－１５１０第一次一一第二次１２３４５６７８９１０１１１２１３１４１５１６１７１８时间／５图４９故障２状态下两次油门开度的变化５７两次试验结果如下表１３、１４所示。表１ ３故障２时第１次诊断结果序号结果网络输出显示０＿０００００刀００１０乡７９４判断正确与否序网络输出号９００００００．０００００．９９９７Ｏ．０００００．０００００乡９７９０乃００００刀００００．９８５７０＿０１５７０＿０００００＿９４１００４５６１０．ＤＯＤ００名９１４０刀０２８０刀００００夕３２３０．０３７３０．０００００名２１００刀２６２０．０００００名５４５结果显示判断正确与否故障２故障２故障１无法判断故障２故障２ ＪＸ故障２故障２２３４５６７８０刀００００．０００５０乡８８６０力００００月９７２０刀６８３００００００＿０００３０＿３４５１０＿０００００刀０００１．ＯＤ０００刀００００．００００１．０００００＿０００００刀０００１０００００＿００Ｄ００刀００００刀９９９１０１１，１故障２故障２Ｘ２Ｊ．，Ｊ〕Ｊ．Ｖ咭．１１故障２故障２．．１４故障２故障２ 勺．且１１〕故障２故障２Ｊ心，．且‘Ｕ表１４故障２时第２次诊断结果序号网络输出显示０．００００００００００一９９９８２３４５６７８９０＿０００００．０００００９９９８０．０００００刀０００１．０００００＿０００００＿０Ｄ００１０００００＿０００００力０００１．０００００．０００００刀００００乡９９６０＿０００００．０００００一９９９２０刃００００刀００００月９９００＿０００００＿０００００．９９８６结果判断正序网络输出结果显示判断正确与否护号１００刀００００．０００００夕９４４１１０＿０００００刀００００月９０６确与否故障２故障２故障２故障２月〕故障２故障２故障２１Ｚ１０刀００００．０００００夕９７００刀００１０．０００００夕７２５故障２故障２Ｊ〕１ｒ、，‘月ｑ０刀０１００刃００００．９１４５０刀０２５０刀００００名５６６０１５０８０乃００００石４４２故障２故障２故障２故障２故障２故障２故障２故障２故障２召，．ｌ１ｒ｝，ｅ６ｌ『ｌ苦夕０．１３５００．０００００乃５４００１２７３０刀００００万７３０１８从上面两次诊断结果来看，第１次准确率为８ ７乃％，有两个点判断错误，其原因是此时油门开度偏大，与训练样本相差较多。第２次判断准确率为１０％。两次平均准确率为９４．１％。所以，对于故障２，系统可以诊断出来。５８５．３本章小结通过试验可以看到，建立的诊断系统虽然对某些点判断错误，但在整段时间内，诊 断的准确率还是相当高的。比较三种状态下的诊断结果，可以看出“无故障”的诊断结果最准确，主要原因是在建立神经网络模型时，训练样本中“无故障”状态下的样本是最多、最全面的。所以，要是能对训练样本进一步扩展，并且能排除试验操作所造成的误差的话，诊断的结果一定会更好。对于设定的３种故障状态，我们建立的诊断系统是完全可以把它们识别出来的，达到预期的目的。并且，在整个试验中（包括在最开始的样本数据采集试验），虚拟仪器系统表现出优秀的数据测试性能，方便性和实用性很高。６结论与讨论６．１结论本文利用虚拟仪器技术搭建了针对广州本田雅阁轿车电控自动变速器运行工况相关 参数数据采集系统，并在此数据采集系统下，获取了设定的３种故障状态下数据，根据各故障的数据样本，建立了ＢＰ神经网络的故障诊断模型。在验证了网络模型可用之后，把它整合到原来的数据采集系统里面，升级为故障诊断系统。最后，通过试验对诊断系统进行了测试，测试结果表明：在一定驾驶方法和行车条件下，诊断系统对设定的故障具有很好的诊断能力，对设定的故障诊断平均准确率可达９０％以上（并且试验操作误差较大的情况下）。在论文的整个研究过程中，得出了以下几点结论： ）虚拟仪器技术在汽车检测方面的应用非常方便和实用。从搭建的数据采集系统的１ 工作情况来看，无论是信号的采集还是数据的实时记录，都能轻松实现。）在对３种故障状态下采集的数据分析之后，提出了用于建立神经网络的数据样本２ 收集的方法。对本文来说，把油门开度保持在较小位置，从汽车起步到４０ｋｎ〕ｊｈ左右这段时间内，３者的差异比较明显。但在大油门起步时，低车速区域的３种故障状态差异不明显，理论上在高速段才有明显差异，本文没作讨论。）本文设计的ＢＰ神经网络模型对设定的自动变速器故障有很好的识别能力，并且３ 它在加ｂＶＩＥｗ中的应用方便，轻松实现实时数据采集、数据诊断分析、结果显示等功能。）基于Ｌａ４ ｂｖｉＥｗ平台搭建的神经网络诊断系统，能自动进行数据采集并分析判断，在一定程度上实现了故障诊断的智能化。对于本文设定的３种故障状态，诊断系统都能正确识别出来，准确率在９０％以上。所以，本文提出的基于虚拟仪器和神经网络的自动变速器故障诊断的研究方案是基本可行的。总的来说，利用虚拟仪器作为数据采集和显示的平台，而神经网络作为数据分析处 理的工具，两者结合，在汽车电控系统中，应有良好的应用前景。６．２‘讨论６．２．１不足由于实验设备和条件所限，研究工作没有更进一步深入，本文存在以下不足： ）在选取故障特征参数时，没有把各路油压和油温信号添加进去。因为本田雅阁轿１ 车的自动变速器没有油压和油温传感器，私下改装，条件不允许。若是能把这两种传感６０ 器信号也作为神经网络的训练样本参数，会使网络的辨认能力更强，判断更准确。）对于信号的调出，木文是从ＥＣｕ的输出端子上直接连出的。作为试验研究，可２ 以这样做，但对于真正的测试设各来讲，就显得太麻烦了。３）限于试验条件，不能人为地设定更多的故障进行研究。特别是液压系统和机械系 统方面的故障，本实验不允许人为设置。另外，对于多种故障并存的状态，本文也没作讨论。４）本文在建立神经网络时，是在一定的驾驶方法和试验条件下进行的。这样的条件 有时候不容易达到，比如油门开度的控制，稳定在５度左右需要一定的驾驶经验和熟练程度。）本文只进行了ＢＰ神经网络的应用，而其他诸如ＲＢＦ、ＳＯＭ、Ｅ５ ｌｌｎ等在故障诊断中也较适用的网络，本文没有进行同时的比较。６．２．２建议对自动变速器的故障诊断的研究，本文只是建立了一个小模型和应用实例而已，对 于实现自动变速器的智能诊断还有很长的路要走。针对当前的研究现状和本文的不足，提出对今后发展的几点建议：）探讨自动变速器更大范围（应包括电控系统、液压系统和机械系统）的故障类别１ 及其特征模式，建立更实用、更有针对性的诊断方案。）针对自动变速器故障，建立更加全面有效的神经网络模型。使其不限适用于一种２ 固定的车型，而是针对不同的车型，能进行网络模型的选择和结构的调整，达到优化的目的。）完善基于Ｌａ３ ｂｖｉＥｗ的测试诊断系统，包括硬件和软件等方面，使其成为真正的测试设备。）广泛而深入地利用虚拟仪器技术，增加网络功能，实现远程的监控。４ 致谢本文是在导师陆华忠教授的悉心指导下完成的。在论文的准备、开题、试验及撰写 过程中，陆老师花费了宝贵的时间和精力给予了指导和关心。在实验仪器和设备的购置和借用等方面，陆老师更是给予了最大的支持和帮助。陆老师知识渊博、治学严谨，他的言行举止深深地影响着自己，在此向陆老师致以最诚挚的敬意！论文开题时，刘仲国副教授、王海林副教授、胡圣荣副教授也给予了大量的关心、 鼓励和有益的建议；论文试验中，得到了汽车实验室黎锋老师、黄伟强老师、黄燕娟老师的热情帮助和指导，并为本文试验提供了必要的仪器和保证了试验环境，在此一并表示衷心的感谢里试验过程中，吴伟斌、陈建亮、吕恩利、傅斌、喻菲菲、覃明园、李震等同学和师 兄弟给予了很多建议和热心帮助；华南农业大学名车修理厂的员工们也给予了配合和帮助。在此表示衷心感谢！借此机会，向多年来给予我关心和支持的亲人和朋友表示深深的谢意了 最后，感谢家人，特别是父母亲多年来对我的关心和爱护！ 参考文献 Ｊ一康，王志杰汽车变速器故障检测诊断技术的研究．汽车研究与开发，１９７，９（：５压５）４４飞思科技产品研发中心．ＭＡＴＬＡＢ６５辅助神经网络分析与设计．北京：电子工业版社２ｏ０３飞思科技产品研发中心神经网络理论与ＭＡＴＬＡＢ７实现．北京电子工业版社，２０ｏ５王志强，王心晴等基于神经网络汽车空调的控制仿真与故障诊断．湖北汽车工业学院学报，２ｏ０４，８１（ ２）：８一１１王卓，赵丁选不程车辆自动变速器换档的神经网络控制系统西安交通大学学报，２。。，２３６（：２７）３４一２７７王卓，赵Ｊ一选基于ＢＰ神经网络的装载机自动换档控制系统起重机运输机械，２０ｏ２（：１）９５２０王赞松许洪国，高延龄．发动机点火系统故障诊断的研究．农业机械学报，２ｏ１，０３（２：９）３０一３９王赞松，许洪国．基于虚拟仪器的汽车电控系统智能检测仪公路交通科技，２０２，０１（９：ｌ）３３１一１３王赞松，褚福磊．神经网络信息融合方法在电控发动机故障诊断中的应用研究．汽车技术，２００３，（：３８）５一１卢玉州２ｏ１．０基于虚拟仪器的数据采集系统：［硕士学位论文】济南：山东科技大学冯雷，应霞芳，何勇基于神经网络的汽油机故障诊断的专家系统一科技通吉凤２ｏ０认巧侈）：９３一９６任天睿之。０３基于ＢＰ神经网络模型的发动机怠速预测控制１硕士学位论文１南京南京理工大学刘玉梅，王庆年，魏传峰等基于虚拟仪器的车辆性能测试系统吉林大学学报，２ｏ５，０３５（：４６）５２一４６６刘庆华．２０１基于虚拟仪器的汽油发动机数据采集系统与怠速的模糊控制研究：０〔硕士学位论文工南京南京农业大学 刘君华，郭会军、赵向阳等．基于ＬａｂｖｌＥｗ的虚拟仪器设计北京电子工业出版社，２ｏ０３刘君华，郭会军．基于Ｌａｂｖ正ｗ的虚拟仪器设计Ｊ匕京电子工业出版社，２００２朱理，王晓立人工神经网络在汽车故障诊断中的应用湖南大学学报，１９９５，２２（：７）６５一８。汤霞清，侯朝祯基于ＤＰ实现自动变速器神经网络换档研究．Ｓ小型微型计算机系统，２。。３，４（２）：３４０刁７７３邢家喜２。仍流ＭＴ电控系统故障检测与诊断两士学位论文］‘长春：吉林大学何英，孟晨基于模糊神经网络的智能化虚拟仪器研究．电力自动化设备，２００２，２２（：２）５６一２７吴伟斌一加０４基于虚拟仪器技术的发动机测功系统：［硕士学位论文〕．广州：华南农业大学张伟，陈慧岩自动变速电控系统故障诊断技术的发展．车辆与动力技术，加０２，（）２：４８一３５张成宝，丁玉兰雷雨成．人工神经网络在汽车变速器齿轮故障诊断中的应用．汽车工程１９９９２１（ ６）：３７４一３７８张志平，刘正平．在ＬａｂｖＩＥＷ中应用初ＡＴＬＡＢ进行信号处理．－中国测试技术，０２４，００（３４：）７７一８７张泰岭，陆华忠，罗锡文‘汽车自动变速器原理与检修．广州：广东科技出版社，１９９８扶碧波２Ｏ０２虚拟仪器应用研究：［硕士学位论文」．北京北京航空航天大学６３ 李东江，张大成等．广州本田雅阁系列轿车维修手册．北京：北京理工大学出版社．２Ｏ０１李增芳２ｏ０４‘基于人工智能和虚拟仪器技术的发动机故障诊断专家系统研究：［博士学位论文〕．杭州：浙江大学 沈益民，卢航，裘正军等汽车拖拉机综合性能测试试验台的研究与开发．浙江大学学报，２００１，２８（ ４）：４４５一４８武万龙．加０３卜基于神经网络的汽车电控发动机故障诊断研究：〔工程硕士论文〕．大连：大连理工大学郑小霞，钱锋．模糊神经网络推理的实时故障诊断专家系统．计算机工程与应用，２０Ｏ（，６３：）２２６一２２９侯国屏，王砷，叶齐鑫ＬａｂｖｌＥ认１７．１编程与虚拟仪器设计．北京：清华大学出版社，２００５赵芙生，张金龙．电控汽车智能测试仪器的研制．南京师范大学学报，０２４０，（４）３：１３一３３闻新，周露，李翔等，ＭＡＴＬＡＢＬ神经网络仿真与应用．北京：科学出版社，２ｏ０３聂诗良２ｏ１０．基于神经网络的故障诊断技术研究：［硕士学位论文工武汉：武汉理工大学董长虹．Ｍａｌｔａｂ神经网络与应用．北京：国防工业出版社，２００５董恩国，李双义，张蕾基于尾气分析的发动机故障诊断专家系统天津工程师范学院学报，２。５０，巧（４）：２８一０３蒋亚南，楼应候一汽车发动机智能故障诊断专家系统的开发．宁波大学学报（理工版），加００，３１４（）：７５一８７蒋红枫，贾民平．汽车发动机故障诊断专家系统的研究．公路与汽运，２０５０，（：）５１５一８１虞和济，陈长征，张省等基于神经网络的智能诊断北京：冶金工业出版社，２０００雷振山．ＬａｂｉｖＥｗ７Ｅｘｐｒｅｓｓ实用技术教程．北京：中国铁道出版社，２ｏ５０蔡建平２０２０．基于虚拟仪器技术的拖拉机检测系统的研究：［硕士学位论文１杭州：浙江大学谭德荣，韩加蓬．基于ＢＰ的车辆系统故障诊断模式识别山东理工大学学报，２００，３１７（：）３８一２１燕学智，钱耀义基于人工神经网络技术的发动机故障诊断系统．内燃机工程，２０１０，（）１：７８一１８ｌＮ数据采集（ＤＡＱ）白皮书五ｔＰｔ刃ｎｉｏｃｌｌｌ几ｂｉｎ确ａｑ，２ｏ４０数据采集和信号调理．上海．美国国家仪器有限公司，２００５Ｂｅｒｎ’ｈａｒｄＷｔｌｓｔ，ＭａｎｆｒｅｄＢｅｋ，ＡｎＡｄｖａｎｃｅｄＥｌｅｃ奴。ｎｉｃＣｏｎｔｒｏ１ａｎｄＤｉａｇｎｏｓｔｉｃＳｙｓｔｍｅｆｏｒＡｕ晚ｏｍａｔｉｃＴｒ ａｌｌｓｌ刀ｓｓｉｏｎ，ＳＡＥ９４２３３０Ｂｉｔｅｒ，Ｒｉｃｋｅｔｃ．ＬａｂＶＩＥＷＡｄｖａｎｃｅｄＰｒｏｇｒａｎ１ｎ１ｌｎｇＴｅｃｈｎｉｕｑｅｓ．ＢｏｃａＲａｔｏｎ：ＣＲＣＰｒｅｓｓＬＬＣ．２００１ＣｈｕｎｇＦＬ，ｅＬｅＬ．ｅＮｔｗｏｒ－ｋｇｒｏｗｔｈａｐＰｒｏａｃｈｔｏｄｅｓｉｇｎｏｆｆｅｅｄｆｏｗｒａｒｄｎｅｕｒａｌｎｅｔｗｏｋｒｓ．ＩＥＥＥＰｒｏｃ毛ｏｎｔｏｒｌｈｔ ｅｏｒｙＡｐｐｌ，１９９５，１４２（５）：４８６４９２ＫａｊｉｏｒＷ台ｎａｔａｂｅｅｔｃ．ＤｉａｎｇｏｓｉｓｏｆＭｕ１ｔＰｌｌｅＳｉｕｍｌｎａｔｅｎｏｓＦａｕｌｔｖｉａＨｉｒｅａｒｃｈ１ｃａｌＡｒｔｉｉｆｃｉａｌＮｅｒｕａｌＮｅｗｔ０ｒ此．Ｊ ｏ姻ａｌｏｆＡＩＣ比，１９９４，４０（５）：８３９一８４８ＬｅｅＡｔｎｌｓｏｒｔｎｇＴｈｅＲｏａｄｏｆｏｎ一ｏａｒｄＣｏｍＰｕｔｅｒｓＮｅｔｗｏｒｋｓｆｏｒＦａｌｕｔＤｅｔｅｃｔｉｏｎａｎｄＩｓｕｌａｔｉｏｎ，ＳＡＥ９０２２１６Ｍｏ一ＵａｙｎＣｈｏ锹ＡＮｅａｌＮｅｒｕｔｗｏｒｋｓＳＰＰｒｏａｃｈｔｏＲｅａｌ一ｔｉｍｅＣｏｎｄｉｉｔｎＭｏｎｉｏｔｏｒｉｎｇｏｆｌ，ｉｔｉｏｎＭｏｔｏ〔ＩＥＥＥ，ｒ「ａｌｓａｔｃｉｏｎｓｏｎｌｎｄｕｓｔｒｉａｌＥｌｅｃｔｒＯＩｌｉｃｓ，１９９１，３８（６）：４４８一４５３ＮＪＡＭＥＳ下ｕｚＺｙＮｅｕｒａＩＮｅｔｗｏｒｋｓｆｏＭａｃｈｉｒｎｅＭａｉｎｔｅｎａｎｃｅＪＥＥＥｏｎＮｅｕｒａｌＮｅｔｗ０ｒｋｓ，１９９７，８（４）：９３２一９３９Ｎａｌｌ，ｄ５．ＲＥＺａｆｉｉｒｏｕｅｔｃ．ＵｓｅｏｆＮｅａｌＮｅｔｒｕＷｏｒｋｓｆｒＳｅｎｓｏｒＦａｉｏ１１ｕ℃ＤｅｔｅｃｔｉｏｎｉｎａＣｏｎｌｒｏｌｓｙｓｅｔｍ．飞ＥＥＣｏｎｔｏｌｓｙｓｒｔｅｍｓＭａｇ舰ｉｎｅ，１９９０，４９（２）：２２５一２３１ＳｈｅｎｇＺｈａｎｇ，Ａｓａｕｒｋａ，工ｅｔｃ．ＦａｕｌｔｄｉｇｎａｏｓｉｓｓｙｓｔｅｍｆｏｒｒｏｔａｙｍａｃｒｈｉｎｅｓｂａｓｅｄｏｎｆｕＺｚｙｎｅ认入。ｒｋｓ．２００３ＩＥＥＥ／ＡＳＭＥＩｎｔｅｎａｔｒｉｏｎａｌＣｏｎｆｅｅｒｎｃｅｏｎＰｕｂ１ｉｃａｔｉｏｎＤａｔｅ：２０一２４Ｊｕｌｙ２００３．１：１９９一２０４ＵｎｇａｒＬＨｅｔｃ．ＡｄａｔｉＰｖｅＮｅ扒ｖｏｒｓｆｋｒＦａｏｕ１ｔＤｉａｇｎｏｓｉｓａｎｄＰｒｏｃｅｓｓＣｏｎｔｏｌｒ毛ｏｎｌｐｕｔｅｒＣｈｅｍ王ｎ助９．１９９０，１４（４／５）：５６１一５７２ＷＢ一Ｒｉｂｂｅｎｓ，ＡＭａｔｈｍａｔｅｉｃａｌＭｏｄｅｌＢａｓｅｄＭｅｔｈｏｄｆｏｒＤｉａｇｎｏｓｉｎｇＦａｉｌｒｅｓｉｕｎＡｔｌｔ０ｎ双〕ｔＶｉｅＥｌｅｃｔｏｎｒｉｃＳＡＥ９１００６９ａｏ，ｙ５，Ｃ．，ａｎｄＥ．Ｚａｆｉｏｒｔｕ毛ｏｎｔｒｏｌＳｙｓｔｅｍＳｅｎｓｏｒＦａｉ１ｕｒｅＤｅｔｅｃｔｉｏｎｖｉａＮｅｌｗｏｒｋｓｏｆＬａｃａｌｉｚｅｄＲｅｃｅＰｔｉｖｅＦｉｅｌｄｓ・ＡｍｅｒｉｃａｎＣｏｎｔｏｌＣｏｎｆ，ｒＳａｎＤｉｅｇｏ，ｃＡ，Ｊｕｌｌｅ（１９９０）ＺｈａｎｇＪ，ＲｏｂｅｒｓＰＤＤｎ一ｔｌｉｎｇＰｒｏｃｅｓｓｆａｕｌｔｄｉａｇｎ０ｓｉｓｕｓｉｇｎｅｎｒａｌｎｅｔｕｗｏｒｋｔｅｃｌｍｉｑｕｅｓ一ｒａｎｓｊｎｓＴｔ爪ｃ，１９９２，４（４）：１７９一１８８Ｎａｔｉｏｎａｌｌｎｓ七ｎｌｌｌｌｅ爪５２００４刀ａ－ＩｑＪｓｅｒ－ＭａｎｕａｌＮａｔ１０ｌｌａｌｌ此１１．ｕｎｌｅｎｔｓ２００４．Ｌａｂ巧ｅｗ７Ｅｘｐｒｅｓｓ６５ＲｃｓｅａｒｃｈｏｎＦａｕｌｔＤｉａｇｎｏｓｉｓｏｆＡｕｔｏｍｏｂｉｌｅＡｕｔｏｍａｔｉｃＴｒａｎｓｍｉｓｓｉｏｎＢａｓｅｄｏｎＶｉｒｔｕａｌｌｎｓｔｒｕｍｅｎｔａｎｄＮｅｕｒａｌ一ｎｅｔｗｏｒｋＤｕＣａｌｌｙｉ（ＣｏｌｌｅｇｅｏｆＥｎｇｉｎｅｅｉｒｎｇ，ＳｏｕｔｈＣｈｉｎａＡｇｉｒｃｕｈｕｒａｌＵｎｉｖｅｓｒｉ，ｙｔＧｕａｎｇｚｈｏｕ５１０６４２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ｉＷｔｈｔｈｅｄｅｖｅｌｐｏｍｅｔｎｏｆａｕｔｏｍｏｂｉｌｅｔｅｃｎｈｏＩｏｇ，ｙｔｈｅｃｏｎｆｉｇｕｒａｉｔｏｎｏｆａｕｔｍｏａｔｉｃｔｒａ们ｓｉｍｓｓｉｏｎｂｅｃｏｍｅｓｃｏＤ１Ｐ１ｉｃｔａｅｄｃｏｒｒｅｓＰｏｎｄｉｎｇｌ，ｙａｄｎｉｔｈａｓｂｅｅｎｔｈｅｍｅｃｈａｎｉｃａｌａｎｄｅｌｅｃｉｒｔｃａｌｐｒｏｕｄｃｔｗｉｔｈｔｈｅｉｉｎｅｇｒａｔｉｏｎｏｆｈｙｄｒｕａｌｉｃｔｅｃｎｈｏｌｏｇ，ｙｅｌｅｃｔｒｎｏｉｃｔｅｃｎｈｏｌｏｇｙａｎｄｍｅｃｈａｎｉｃａｌｔｅｃｎｈｏｌｏ卧Ｍｏｒｅｏｖｅ，ｒｔｈｅｃｏｎｄｉｔｉｏｎｏｆａｎｙＰａｔ’ｒｉｔｓｅｌｆｉｓｖｅｙｒｃｏｎ１Ｐ１ｉｃａｔｅｄｓｏａｓｔｏｌｏｃａｅｔｔｈｅｆａｌｕｔｂｅｉｇｎｖｅｙｒｄｉｉｆｃｕｌｔ，ｅ印ｅｃｉａｌｌｙｆｏｒｔｒａｎｓｉｍｓｓｉｏｎｉｎｅｒｆａｕ１ｔｓ，ｔａｌｄｉｔｉｏｎａｌｔｅｃｍｌｉｃａｌｍｅｈｔｏｄｓａＩ１ｄｅＰｘｅｉｒｅｎｔｉｌａｊｕｄｇｅｍｅｔｎｓｃａｎｎｏｔａｄａｐｔｔｏｔｈｅｒｅｑｕｅｔｓｏｆｔｈｅｄｅｖｅｌｐｏｍｅｔｎ．Ｎｅａｒｕｌ一ｎｅｗｔｏｒｋｈａｓｉｔｓｕｎｉ卿ｅａｄｖａｎｔａｇｅｓ，ｎａｅｍｌｙｆａｌｌｌｔ一ｔｏｌｅｒａｔｎｔｅｃｉｈｌｉｕｑｅ，ａｓｓｏｃｉａｔｉｏｎ，ｓＰｅｃｕｌｔａｉｎｏ，ｍｅｍＯｒｙ，ｓｅｌ－ｆａｄａＰｔｉｎｇ，ｓｅｌ－ｆｌｅｎｒａｉｎｇａｎｄｄｅａｌｉｎｇｗｉｔｈｃｌ）ｍｐｌｅｘｍｕｌｔｉ一ｏｍｄｅｌｌｂｎｃｔｉｏｎａｌｉｔｉｅｓ，ｓｏｕｓｉｎｇｔｈｅｍｅｈｔｏｄｏｆｃｏｍｂｉｉｎｎｇｖｉｍ】ａｌｉｎｓｔＵｒｍｅｎｔｔｅｃｎｈｏｌｏｇｙａｎｄｎｅｒｕａｌｎｅｗｔｏｒｋｔｅｃｎｈｏｌｏｇｙｔｏｒｅｓｅａｒｈｃｔｈｅｅｅｆｃｉｔｖｅｄｉａｎｇｏｓｉｔｃｔｅｓｔｎｉｇｏｎｔｒａｎｓｍｉｓｓｉｏｎｗｉｈｔｏｕｔｄｉｓａｓｓｅｍｂｌｙｓｅｅｍｓｔｏｂｅｃｅｔｒｉａｎｓｉｇｎｌｉｆｃａｎｔ．Ｔｈｅｄ ｉｓｓｅｔｒｔａｉｏｎｓｕｍｍａｒｉｚｅｓｆｉｒ５ｔ１ｙｔｈｅｖｉＵｔｒａｌｉｎｓ１ｒＩｌｎ１ｅｔｎ’ｓｓＵ’ＩｔｃｒＵｔｅ，ｄｅｖｅｌｐｏｍｅｎｔａｎｄａＰＰｌｉｃａｔｉｎｏｉｎａｌｌｔｏｍｏｂｉｌｅｓ，ａｎｄｔｈｅｎａｎａｙｌｓｅｓｔｈｅａｒｔ１ｉｆｃｉｌａｎｅｒｕａｌｎｅｗｔｏｒｋｓＵｒｔｃｔＵｒｅａｎｄｆａｕ１ｔｉｄａｎｇｏｓｔｉｃＰｉｒｎｃＰｉｌｅｓ．Ｃｏｍｂｉｎｎｉｇｔｈｅｃｅｒｕｎｔａｕｔｏｍｏｂｉｌｅａｕｔｏｍａｔｉｃｔｒａ旧ｓｍｉｓｓｉｎｏｆｉａｌｅｒｕｄｉａｎｇｏｓｉｓｍｅａｎｓａｎｄｆｅａｒＵｔｅｓ，ａｎｅｗｍｅｔｈｏｄｉｓＰｏｓｅｄｂａｓｅｄｏｎｔｈｅｌｂｒｎ１ｅｒｔｅｃｍｌｏｌｏｇｉｅｓ，ａｎｄａｙｓｓｔｅｍｏｆｄｉａｇｎｏｓｔｉｃＰｒｏｃｅｄｕｒｅｓｙｓｔｅｍｈａｓｂｅｅｎｅｓｂａｔｌｉｓｈｅｄ，ａｎｄｆｉｎａｌｙｌｔｈｅｆｅａｓｂｉｉｌｉｙｔｏｆｔｈｉｓｐａＰｒＯａｃｈｉｓｖｅｉｒｉｆｅｄｂｙｅ却ｅｉｒｍｅｎｔａ】ａｎａｌｙｓｉｓ・Ｔｈｅｒ ｅｓｅｅｒａｈｉｎｉｉｔｔａｅｓｏｎｔｈｅｃｏｒｒｅＰｓｏｎｄｉｎｇｓｔｕｔａｓｏｆｔｈｅｏＰｅｒｉｔａｏｎｗｂ１ｌｅｆａ１！ｌｔａＰＰｅａｒｓｉｎ仕ａｌｌｓｌｍｓｓｉｏｎ．Ｔｈｅｗｈｏｌｅｒｅｓｅｒａｃｈｍａｉｎｌｙｉｎｃｌｄｕｅｓｔｈｅｆｏｌｌｏｗｍｇｆｉｖｅａｓｐｅｃｔｓ．Ｆｉｓｒｔ，ｔｈｅＰｅｒｓｏｎａｌｃｏｍＰｕｅｔｒａｎｄｔｈｅｖｉｔｒｕａ１ｉｎｓＵｒｔｍｅｎｔｔｅｃｎｈｏｌｏｇｙａｒｅｕｓｅｄｔｏｄｅｓｉｎｇｔｈｅｄａｔａａｃｑｕｉｓｉｉｔｏｎａｎｄｔｅｓｔｉｎｇｓｙｓｔｅｍｆｏｒａｕｔｏｍａｔｉｃｔｒｎａｓｍｉｓｓｉｎｏｏＰｅｔａｒｉｏｎ．Ｉｔｃａｎｃｏｌｌｅｃｔｖａｉｒｏｕｓｋｉｎｄｓｏｆｓｅｎｓｒｏｓ，ａｎｄａｃｕｔｔａｏｒｓ，ｄａｔａｗｈｉｃｈｃａｎｒｅｌｆｅｃｔｔｈｅｓｔｕｔａｓｏｆｔｈｅＯＰｅｒａｔｉｏｎｏｆａｔｕｏｍａｔｉｃｔｒｎａｓｍｉｓｓｉｏｎ，ａｎｄｔｈｅｄａａｔｃａｎｂｅｓｈｏｗｎｉｎｒｅｌａ一ｉｔｍｅ，ｖｉｓｕａｌａｎａｙｌｓｉｓｃａｎｂｅＰｅｏｆｒｒｍｅｄ，ａｌｓｏｔｈｅｄａｔａｃｎａｂｅｓｖａｅｄｉｎｈａｒｄｄｉｓｋｆｒｏｐｏｓｔｔｒｅａｔｍｅｎｔｓｅｃｏｎｄ，ｔｈｅｈｏｍｅ一ｍａｄｅｓｙｓｔｅｍｉｓｔｅｓｔｅｄｉｎｔｈｅａｕｔ０ｍｏｂｉｌｅ６ｌｂｏｒａｏｒｔａｙａｎｄｂｅｆｕｈｅｔｒｒｄｅｂｕｇｇｅｄａｎｄｉｍＰｒｏｖｅｄｔｏａｃｈｉｅｖｅｅｘＰｅｉｒｍｅｎｔａｌＰｒｅｃｉｓｉｏｎ．Ｔｈｉｒｄ，ｏｎ一ｖｅｈｉｃｌｅｔｅｓｔ．Ｔｈｅｖｉｕａｔｒｌｉｎｓｔｍｅｕｒｎｔｓｙｓｔｅｍｉｓｕｓｅｄｆｏｒｖ硕ｏｕｓｄａｔａａｃｑｕｌｓｉｔｉｏｎｏｆａｕｔｏｍａｔｉｃｔｒｉａ１ｓｍｉｓｓｉｏｎｉｎｔｈｅｎｏｒｍａｌｃｏｎｄｉｔｉｏｎｓａｎｄａｔｆｕｌａｔｓｔａｔｕｓ，ｔｈｅｎａｎａｌｚｉｙｎｇｔｅｒｈｗｄａａｔａ，ａｎｄｅｔｄｅｍ１ｒｎ１ｎｇｔｈｅｓａｍＰｌｅｄａｔａｔｏｂｅｔｒａｉｎｅｄｉｎｎｅ附Ｉｎｅｗｏｒｔｋ．Ｆｏｕｒｈ，ａｑｕａｌｔｉｉｆｅｄｎｅｒａｕｌｎｅ１ＷｏｒｋｍｏｄｅｌｉｓｅｓｔｂｌａｉｓｈｅｄｗｉｈＭａｔｔｌｂｔａｏｏｌｂｏｘａｎｅｒｔｒａｉｎｅｄａｎｄｔｅｓｔｅｄ，ｔｈｅｎ，ｅｍｂｅｄｄｅｄｉｎｔｏｔｈｅｖｉｕａｔｒｌｉｎｓｔｒｕｎ１ｅｎｔａｌｄａｔａａｃｑｕｉｓｉｔｉｏｎｓｙｓｔｅｍｗｈｉｃｈｂｅｅｎ１ａｒｇｅｄａｓａｓｙｓｔｅｍｗｉｈｄｉｔａ即ｏｓｉｔｃａｎｄａｎａｌｔｙｉｃａｌｆｕｌｌｃｔｉｏｎ．Ｆｉｈ，ｅｔｆＰｅｘｉｒｍｅｎｔａｌｖｅｉｒｉｆｃａｔｉｏｎ．Ｗｈｅｎａｕｔｏｍａｔｉｃｔｒａｎｓｍｉｓｓｉｏｎｒｎｓｉｕｎｔｈｅｓｅｔｉｎｇｆａｕｌｔｓｔｕｓｔａ，ｔｈｅｄｉａｇｎｏｓｉｓｓｙｓｔｍｗｏｕｅｌｄｌｏａｄｔｈｅｃｏ１１ｅｃｔｉｎｇｄａｔａｉｎｔｏｎｅｒａｕｌｎｅｗｏｒｔｋｍｏｄｅｌｆｏｒａｎａｌｙｚｉｎｇ，ａｎｄｔｈｅｆｉｌｔｌｌｔｃａｔｅｇｏ巧ｗｉｌｌｂｅｓｈｏｗｅｄｏｎｔｈｅｓｃｒｅｅｎｉｎｔｅｒａｆｃｅ．Ｆｉ ｎａｌｌ，ｅｘＰｅｙｉｒｍｅｎｔｓＰｒｏｖｅｄｔｈａｔｔｈｅｄｉａｇｌ〕ｏｓｉｓｓｙｓｅｔｍｗｈｉｈｂａｃｓｅｄｏｎｔｈｅｖｊｒ仅ｌｌａｉｎｓｔｕｒｎ１ｎｔａｅｎｄｎｅｒａｌｎｅｔｕｗｏｒｋｃｏｕｌｄｆｕｎｄａｍｅｎｔａｌ１ｙｉｄｅｎｔｉｙａｆｌｌｏｆｔｈｅｓｅｔｎｉｇｆａｕｌｔｓ．ＳｏｔｈｉｓｓｕｔｄｙｍｉｇｈｔｇｉｖｅｓｏｍｅｉＩ１１Ｐｏｒｔａｎｔｒｅｅｆｅｒｎｃｅｄｖａｕｌｅｔｏｔｈｅｆａｕ１ｔｄｉａｎｏｓｇｉｓｏｆａｕｔｏｍａｔｉｃｒｔａｎｓｍｉｓ，ｉｏｎＫｅｙ叭ｏｒｄｓ：ＡｕｔｏｏｂｉｍｌｅＡｕｔｏｍａｉｔｃｔｒａｎｓｍｉｓｓｉｏｎＶｉｒｕａｌｉｔｎｓｕｍｅｒｔｎｔＮｅｕｒａｌｎｅ执于ｏｒｋＦａｕｌｔｄｉａｎｏｓｇｉｓ６７华南农业大学毕业研究生对学位论文的承诺书本人郑重声明：本人所呈交的学位论文，是本人在导师指导下独立进行 研究工作所取得的成果。除文中己经注明引用的内容外，本论文不包括任何其他个人或集体己经发表或撰写过的作品成果。对本文的研究作出重要贡献的个人和集体，均己在文中以明确的方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名了月了日日期：：０。扩年 ：关知室