浅析人工神经网络在汽车轮轴松旷间隙检测中的应用
张慧玲 李峰珠
摘要：随着现代化生产技术的迅速发展，汽车的制造技术也在发生质的飞跃，其中汽车的结构和装置和传统的汽车相比有了很大的不同。同时汽车的维护工作也随着汽车的结构和装置的变化发生着本质的变化，现在很多汽车维修中心也正在从盲目拆卸向着先检测后维修的作业方式发生转变。汽车底盘的工作状况对于汽车行车安全的保障、环保、节能具有非常重要的意义。在此种情况下，研究开发一种具有多功能的既经济又实用的汽车底盘综合检测诊断设备便具有十分重要的意义。
关键词：汽车；底盘；检测；人工神经网络；数学模型；模糊
首先，来了解一下什么是人工神经网络。“人工神经网络是由多个非常简单的处理单元，彼此按照某种方式相互连接并由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态响应而进行信息处理”这是著名的神经网络研究专家Hecht-Nielsen给人工神经网络下的定义。随着这一技术的发展，逐渐开始应用到各种领域当中，其中汽车轮、轴松旷间隙的检测也开始应用了这一技术。
其次，再来分析一下汽车轮、轴松旷间隙对汽车产生的影响。汽车轮毂轴承、主销松旷间隙是汽车轮、轴总体间隙的主要组成部分，它的大小可以换算成轮缘的轴向位移量来，并使用这一位移量来表示。行驶在路上的汽车轮毂、主销间隙必须保持在一定的范围之内才能保证汽车安全可靠的行驶。如果间隙过大，则会导致汽车操纵稳定性变差，行车的会出现摇摆不定的情况。同是也会让轮胎与悬架零件加快磨损，也会出现转向不灵敏等后果，严重的时候还会将导致交通事故的发生，所以我们必须认真仔细并定期地对轮毂轴承、主销配合间隙进行检测和排除故障。
然后，再来了解T目前国内外汽车检测的设备。虽然汽车检测的设备目前有不少，但是在轮、轴间隙方面检测设备更是少的可怜，现在有的大部分还只是代替人工的摆动车轮，由人工观测其间隙大小，虽然目前对汽车轮、轴松旷间隙单项检测已经开发完成，基本上实现了自动化，在检测时，汽车要停在检测台上，由计算机控制检测台滑板来运动，从而带动汽车车轮的运动，使汽车轮、轴松旷间隙充分暴露，通过测控系统来检测轮胎受力和台板的位移量，最终通过计算可以得到它的间隙值。但是由于测得的力和位移与间隙类别之间没有明确的对应关系，所以对此间隙的类别判断还需人为地进行判断，这样的话，就影响了检测的智能化程度。因此目前急需要一种更为智能化的检测工具，人工神经网络的出现让我们看到了希望。
接下来，分析一下人工神经网络在汽车检测方面是如何应用的。①通过学习轮、轴松旷间隙检测的知识理论，可以测定力和位移的关系曲线，而根据曲线的变化特征，就可以测得轮、轴松旷间隙的大小。但是通过大量的实践操作，发现只有当主销间隙或轮毂出现间隙时，间隙类别的判断才需要人为干预。所以如果各曲线之间没有明显的特征差异，便无法用精确的数学模型来描述。所以，提出了一种模糊自组织神经网络模型，将模糊等价关系和类距离阈限引入自组织神经网络模型中，可直接从原始数据中归纳出诊断规则，实现对间隙的识别。②假定轮毂轴承有松旷间隙，主销处无松旷间隙，忽略车轮自身重力，台板不动。取车轮为研究对象进行受力分析，可以得出：轮毂内轴承静态径向支反力+轮毂外轴承静态径向支反力=地面对车轮的支反力（即轮荷）。当台板右移时，通过对其受力分析可以得出：轮毂内轴承动态径向支反力+轮毂外轴承动态径向支反力=地面对车轮的支反力（即轮荷）。③轮毂外轴承动态径向支反力随着检测台板施加到车轮边缘的侧向力的增大而逐渐减小，轮毂内轴承动态径向支反力却随之逐渐增大。当检测台板施加到车轮边缘的侧向力增大到一定程度时，则内轴承支承全部轮荷，此时轮毂轴承处松旷间隙开始暴露出来。由此开始从一个极限位置向另一个极限位置的转变。在此转变过程中，由于某些参数不发生变化，随着台板位移量增加，但轮胎变形增量为零，所以检测台板施加到车轮边缘的侧向力保持为恒定值。当台板位移一定距离后，其配合副转移到另一极限位置。此时，轮毂轴承处松旷间隙完全暴露出来，即为此处的松旷间隙。随着台板的继续右移，曲线从水平直线段产生转折，直至轮胎与上台板之间产生滑移，台板达到右侧最大行程，由于检测台板施加到车轮边缘的侧向力不能再继续增加，曲线又开始转折为水平直线段，直到右侧终点。④检测系统需要采集两种信息：开关信号和模拟信号。开关信号，即状态信号，其信号电平只有高电平与低电平两种。对于这些信号，只需要经放大、整形和电平转换后，即可直接输入计算机系统。而对模拟信号，由于模拟信号的电压或电流是连续变化的，其信号幅度在任何时刻都有定义。⑤选择传感器。根据我们检测系统所要实现的功能，来选择适合本系统所需要的传感器，本传感器需要能感受车轮所受的3个方向的力，并可以将其转换成电量的装置，这是测试系统中关键的元件，其质量和性能是实现准确测量的基本保证。当弹性元件受到截割力、牵引力、和侧向力3个方向的载荷时，其表面将产生伸长或缩短。这时，固定在上面的应变片将会发生变化。使用测量仪器测出其电阻的变化，根据变换的原理便可得到弹性元件三个方向的应变值，然后利用弹性力学中应力与应变的关系，便可求出被测3个力的大小。⑥由于传感器的输出信号比较微弱一些，所以一般还需要接入一个放大器，以便进行缓冲、隔离、放大和电平的转换等处理。同时，由于要度量传送过来的电信号，因此，对于测量系统中采用的放大器应当有精确和稳定的增益。通常，放大器的增益是通过它的外接电阻来实现的，所以获得精确的增益值也是可以很容易做到的。但更为重要的要在放大器的工作条件下保持增益值的稳定性，因此，要求对采用的放大器需要具有良好的线性度、低的漂移、高输入阻抗、高共模抑制比和低的输出阻抗。⑦本检测系统的控制系统的主要目标就是对液压站的控制，过程如下：控制信号由计算机发出，然后送到电路板上，驱动继电器动作，从而控制液压站的电磁阀进行运动，使液压缸进、排油驱动柱塞运动，即可使滑板发生运动。此时，装在设备上的传感器会发出电压信号到电路板上，再由放大电路放大后再送到A/D转换器，使计算机获得数据。最后经计算机的处理后再作下一步的处理。⑧抗“干扰”设计。“干扰”是本检测系统中的一种无用信号，它会导致在测量结果中产生一定的误差。所以，要获得好的测量结果，就必须对干扰来源采取一定的抑制措施。本检测系统主要应用于汽车维修站，现场检测时，很易受到汽车振动、环境气候、电源、磁场等干扰源产生的各种干扰因素的干扰。如果不对这些干扰采取一定的有效措施，本系统可靠运行就无法得到保证，严重时可能还会损坏元器件。
最后，通过构建的神经网络模型来实现汽车轮、轴松旷间隙的检测。本检测系统提出一种模糊自组织神经网络模型，将模糊等价关系和类距离阈限引入自组织神经网络模型中，可直接从原始数据中归纳出诊断规则，实现对间隙的识别。
（1）数据的归一化与模糊等价关系。
由于在测得的原始数据和经过信号处理后的数据的各自特征不同，取值范围也不一样而且物理单位也不同，所以不能直接对它们进行分析与聚类，所以在分析处理前，需要对原始数据进行归一化处理，还要将各自的特征值映射到指定的区间内。模糊匹配运算就是采用的点值的模糊等价关系方法，先计算输入的原始数据与聚类中心各特征值的模糊等价关系，然后再对所有特征值的模糊等价关系求最后的平均值，也就是匹配度。
（2）模糊自组织网络的结构。
本检测系统的模糊自组织神经网络是由匹配子网和竞争子网两部分组成的。在匹配子网中，使用模糊等价关系和类距离阈限以指导自组织聚类，这样方便实现对偶发故障模式的在线学习，同时还非常容易适应渐变的工作环境。匹配子网包括传统的前3层：第1层即输入层，主要用来输入数据的特征数，其神经元是线性的。第2层是全互联结，该层神经元的作用是实现输入数据和各聚类中心数据的模糊匹配运算，它的输出即为匹配度。第3层是聚类指导层，其作用是辅助上层即竞争层进行聚类的分析，这样可以避免由于权值初始化的不当，引起已聚类好的类权值被刚输入的数据所破坏，同时还可以对新增类别进行聚类。第4层为竞争子网，其输出矢量为最终分类的结构。神经元的输入由来自上一层的输入和来自竞争层内互相抑制的加权和2部分完成。竞争后只能有1个神经元获胜，也就是输入和为最大的神经元节点获胜。而输出层节点数则根据间隙的模式来确定，有几种状态可能就会有几个输出节点。
（3）网络的学习算法。
当得到获胜节点后，就需要对与获胜节点相连的第1层权值进行修正，使其与输入矢量的差越来越小，从而使可用权值来表示输入矢量的特征，进而对输入矢量进行分类，提取规则。
（4）提取的算法流程。
利用上面提到的模糊自组织神经网络进行聚类的整个流程如下：①对原始数据进行归一化处理。②设定参数节点数、误差常数、总循环次数及初始学习系数。③随机初始化第1层与第2层神经元之间的权值系数。④设时刻输入的训练样本，然后计算输入样本的匹配度；最终得到计算竞争层的输出。⑤对网络权值进行学习。⑥以范数计算误差，如果误差大，则转到④重新执行。最后，模糊神经网络对归一化训练数据学习收敛，即得到对原始数据的聚类。
综上所述，使用本检测系统的采用的方法，可以很好地对轮、轴松旷间隙进行分类处理。通过调整类距离的阈限，可以按不同的精度对数据进行聚类的分析，它可以克服近似数据聚类先后再去干扰时导致的无法控制的缺陷。神经网络对间隙识别后，本检测系统将根据前面研究的理论计算出间隙的大小。对于检测结果为无间隙的类别，则直接输出测试合格的最终诊断结果，而不再判断间隙的大小；对于只有一种间隙的类别，只给出这个间隙的大小；而对于有两种间隙的类别，则会分别计算出各个间隙的值。
