劉艷麗1， 周照2

　　(1. 湖北商貿(mào)學(xué)院 機(jī)電與信息工程學(xué)院，湖北 武漢 430079；

　　2. 武漢理工大學(xué) 信息工程學(xué)院，湖北 武漢 430070)

　　摘要： 針對(duì)OCV閥的磁滯和卡滯不合格存在的誤判提出了改進(jìn)方法，利用小波變換檢測(cè)跳變點(diǎn)的能力很好地解決了該問題。研究了BP網(wǎng)絡(luò)在對(duì)OCV閥質(zhì)量檢測(cè)中的應(yīng)用，結(jié)果表明該方法不僅可以解決誤判問題，還能檢測(cè)出產(chǎn)品所有類型，并且該方法無需經(jīng)常調(diào)整測(cè)試標(biāo)準(zhǔn)，有較好的環(huán)境適應(yīng)性。但該方法仍存在錯(cuò)判，對(duì)此提出了利用模糊閾值的方法，將分類模糊的產(chǎn)品測(cè)試數(shù)據(jù)保存起來交由人工處理。實(shí)驗(yàn)證明，該方法可將錯(cuò)判率降低到0，相對(duì)于現(xiàn)有測(cè)試方法，效率已大幅提高。

　　關(guān)鍵詞：OCV閥；小波變換；BP網(wǎng)絡(luò)

0引言

　　發(fā)動(dòng)機(jī)可變氣門正時(shí)（Variable Valve Timing,VVT）技術(shù)近幾年來廣泛地應(yīng)用于小型汽車的發(fā)動(dòng)機(jī)上。這種技術(shù)可以提高發(fā)動(dòng)機(jī)動(dòng)力并且節(jié)能減排，以提高汽車的環(huán)保性和經(jīng)濟(jì)性［1］。而VVT技術(shù)就是通過OCV (Oil Control Valve) 閥控制執(zhí)行器，改變凸輪軸相位，進(jìn)而調(diào)節(jié)進(jìn)氣量、排氣量和氣門開閉時(shí)機(jī)、角度，使氣缸內(nèi)汽油燃燒狀態(tài)達(dá)到最佳，提高燃燒效率。因?yàn)镺CV閥的測(cè)試研究處于探索階段，尚無可參考的數(shù)據(jù)標(biāo)準(zhǔn)。因此目前測(cè)試標(biāo)準(zhǔn)參數(shù)的選取和人工判斷產(chǎn)品是否合格的依據(jù)，就是通過觀察日本和美國(guó)的OCV原樣產(chǎn)品在該測(cè)試臺(tái)上測(cè)試的數(shù)據(jù)得出的。而該測(cè)試的流量數(shù)據(jù)最清楚直觀的體現(xiàn)就是繪制的PWM流量曲線圖［2］。

　　現(xiàn)有的測(cè)試方法存在的測(cè)試結(jié)果不準(zhǔn)確的問題主要體現(xiàn)在對(duì)磁滯和卡滯不合格的判斷上。磁滯不合格和卡滯不合格發(fā)生的基本原因相同，只是發(fā)生的位置不同，反映在流量曲線上就是曲線發(fā)生跳變。通常，磁滯不合格發(fā)生在PWM信號(hào)的占空比在33%~37%之間，卡滯不合格則是在41%~45%之間。

1OCV閥質(zhì)量檢測(cè)的小波變換方法

　　分析磁滯不合格和卡滯不合格的流量曲線，可以從頻域的角度對(duì)曲線的跳變點(diǎn)進(jìn)行分析。把每個(gè)占空比對(duì)應(yīng)的流量值看作時(shí)域內(nèi)的連續(xù)采樣點(diǎn)，那么就得到了一組由40個(gè)流量值組成的離散序列，然后將該序列變換到頻域進(jìn)行分析［3］。

　　相對(duì)于傅里葉變換，小波變換不僅有更高的分辨率，而且能顯示信號(hào)的時(shí)頻特性。小波變換是一個(gè)有效的時(shí)頻分析工具，它在時(shí)域和頻域上都能很好地表現(xiàn)信號(hào)的局部特征［4］。可以利用小波分解多分辨率的特性對(duì)信號(hào)進(jìn)行多尺度分解，然后通過分析分解后的信號(hào)來確定原始信號(hào)中突變點(diǎn)的位置。

　　對(duì)于OCV閥的流量數(shù)據(jù)（信號(hào)）進(jìn)行小波分解和重構(gòu)，本文使用MATLAB小波工具中的wavedec()和wrcoef()一對(duì)函數(shù)實(shí)現(xiàn)。具體使用的形式如下：

　　［C,L］=wavedec(X,N，‘wname’)

　　X=wrcoef(‘type’,C,L,‘wname’,N)

　　1.1流量曲線跳變點(diǎn)檢測(cè)實(shí)驗(yàn)

　　首先對(duì)流量信號(hào)進(jìn)行多層小波分解，然后用分解的結(jié)構(gòu)在每一層進(jìn)行重構(gòu)。由于這里要分析信號(hào)的跳變點(diǎn)，跳變屬于高頻信息，因此令‘type’=‘d’，進(jìn)行高頻系數(shù)的重構(gòu)，突出細(xì)節(jié)信號(hào)。

　　由于Daubechies5小波和Daubechies6小波更適用于類似所研究對(duì)象的突變點(diǎn)檢測(cè)，因此選取‘wname’=‘db5’和‘wname’=‘db6’進(jìn)行對(duì)比分析。

　　首先選取一個(gè)典型的磁滯不合格樣本，如圖1所示，其中圖1(a)為磁滯不合格的測(cè)試PWM流量曲線圖，圖1(b)為MATLAB將40個(gè)流量值序列按順序繪制的原始信號(hào)圖。從圖1可以看出跳變發(fā)生在序列的第10個(gè)點(diǎn)處。

　　取N=3，‘wname’=‘db5’，對(duì)信號(hào)進(jìn)行小波分解，取‘type’=‘d’，對(duì)分解的序列進(jìn)行高頻重構(gòu)，提取細(xì)節(jié)信息。

　　如圖2所示，d1、d2、d3表示對(duì)分解的信號(hào)進(jìn)行1~3層的高頻重構(gòu)，可以看出d1的重構(gòu)信號(hào)最能體現(xiàn)出原始信號(hào)的跳變，在第10個(gè)點(diǎn)處有最小值，正對(duì)應(yīng)了原始信號(hào)中的跳變位置。實(shí)驗(yàn)證實(shí)對(duì)于檢測(cè)磁滯不合格與卡滯不合格中存在的跳變情況，相比之下，1層重構(gòu)信號(hào)能最好地反映出原始信號(hào)的跳變點(diǎn)。

　　仍就該原始信號(hào)對(duì)比其Daubechies5小波和Daubechies6小波的分解效果，現(xiàn)在只對(duì)比d1的重構(gòu)信號(hào)，如圖3所示。

　　圖3中，實(shí)線表示db5小波分解、重構(gòu)后的信號(hào)圖，虛線表示db6小波分解、重構(gòu)后的信號(hào)圖。可以看出兩個(gè)曲線趨勢(shì)基本相同，都能通過其最小值找出跳變點(diǎn)。

　　為了驗(yàn)證此方法對(duì)于所有磁滯不合格情況都有效，對(duì)20個(gè)挑選出來能代表目前所出現(xiàn)的所有卡滯情況的樣本進(jìn)行試驗(yàn)，結(jié)果顯示通過此方法都能找出跳變點(diǎn)。對(duì)于卡滯不合格情況，跳變的形式與磁滯不合格情況類似，僅是跳變位置不同，此方法同樣適用。

　　1.2小波對(duì)比選擇實(shí)驗(yàn)

　　對(duì)OCV的磁滯和卡滯不合格的檢測(cè)，雖然db5與db6兩種小波都能取得不錯(cuò)的效果，但是實(shí)際應(yīng)用中需要選取一個(gè)更為合適的小波。從圖3中可以看出，實(shí)線最值的絕對(duì)值比虛線最值的絕對(duì)值大，即峰值更突出更明顯，說明對(duì)于所選原信號(hào)，db6小波具有更好的分辨率。

　　為了驗(yàn)證db6小波是否對(duì)于所有的磁滯和卡滯不合格情況的效果比db5小波更好，做了如下比較實(shí)驗(yàn)：將選取的20個(gè)樣本分別用db5與db6小波進(jìn)行分解和重構(gòu)，比較重構(gòu)后兩組數(shù)據(jù)中最大值與次大值的差。實(shí)驗(yàn)所選取的樣本中，流量數(shù)據(jù)均只有一個(gè)跳變點(diǎn)，因此其最大值與次大值之差可以正確地反映所用小波檢測(cè)流量跳變點(diǎn)的分辨能力。

　　圖4兩種小波對(duì)跳變點(diǎn)的分辨能力比較示意圖如圖4所示，橫坐標(biāo)表示樣本的序號(hào)，縱坐標(biāo)表示重構(gòu)序列中絕對(duì)值最大值與絕對(duì)值次大值的差值，該值反映了對(duì)于體現(xiàn)原信號(hào)中跳變點(diǎn)的分辨率。帶“o”曲線代表使用的是db6小波，而帶“+”的曲線代表使用的是db5小波。可以看出，使用db6小波比db5小波在判斷磁滯和卡滯不合格方面的分辨率更高；并且對(duì)于第19個(gè)樣本，使用db5小波對(duì)跳變的識(shí)別力極差，而db6小波則有較好的表現(xiàn)。

　　通過上述實(shí)驗(yàn)可以得出結(jié)論：對(duì)于磁滯不合格和卡滯不合格的情況，利用db5和db6小波都能準(zhǔn)確地找出跳變點(diǎn)，但是使用db6小波效果會(huì)更好。因此可以通過小波分析的方法對(duì)OCV閥的卡滯不合格與磁滯不合格進(jìn)行檢測(cè)，從而提高測(cè)試結(jié)果的準(zhǔn)確性。進(jìn)一步實(shí)驗(yàn)可得出，對(duì)于所有存在磁滯和卡滯不合格樣本，使用db6小波進(jìn)行分解和重構(gòu)后的序列中的最大絕對(duì)值為0109 7，而對(duì)于選取的40組合格樣本序列中最大的絕對(duì)值為0096 1。則判斷是否存在突變點(diǎn)的閾值可以選擇0096 1~0109 7的中間值。

2OCV閥質(zhì)量檢測(cè)的人工神經(jīng)網(wǎng)絡(luò)方法

　　盡管小波方法能夠解決磁滯和卡滯不合格判斷不準(zhǔn)確的問題，但是對(duì)于測(cè)試的參數(shù)標(biāo)準(zhǔn)時(shí)常調(diào)整無法確定的問題就需要采用其他方法解決。雖然對(duì)于不同的測(cè)試臺(tái)、不同的測(cè)試環(huán)境下采集的測(cè)試數(shù)據(jù)存在差異，但對(duì)于同一個(gè)產(chǎn)品，其特征總是相同的，這些特征往往隱藏在其測(cè)試的數(shù)據(jù)中。只要對(duì)這些數(shù)據(jù)進(jìn)行合理的分析，就能提取出其中的特征并將其分類。利用BP網(wǎng)絡(luò)方法就可以在不同的測(cè)試系統(tǒng)環(huán)境下找出合格產(chǎn)品和不合格產(chǎn)品，并分辨出產(chǎn)品屬于哪類不合格。

　　使用BP網(wǎng)絡(luò)，首先要構(gòu)建好BP網(wǎng)絡(luò)的結(jié)構(gòu)，包括如下內(nèi)容：確定網(wǎng)絡(luò)的輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)，確定網(wǎng)絡(luò)隱含層層數(shù)，確定隱含層和輸出層節(jié)點(diǎn)的轉(zhuǎn)移函數(shù)。

　　根據(jù)對(duì)所研究的對(duì)象實(shí)驗(yàn)分析，確定構(gòu)建的BP網(wǎng)絡(luò)為3層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層節(jié)點(diǎn)數(shù)為40，隱含層節(jié)點(diǎn)數(shù)為37，輸出層節(jié)點(diǎn)數(shù)為7，隱含層和輸出層節(jié)點(diǎn)轉(zhuǎn)移函數(shù)為logsig和purelin。輸入層輸入數(shù)據(jù)為采集OCV閥的40個(gè)流量值，輸出層輸出值與對(duì)應(yīng)的產(chǎn)品分類結(jié)果如表1所示。

3BP網(wǎng)絡(luò)對(duì)OCV閥分類的仿真實(shí)驗(yàn)

　　3.1訓(xùn)練樣本的選擇和學(xué)習(xí)率的設(shè)定

　　對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練主要注意兩個(gè)問題：訓(xùn)練樣本的選擇和學(xué)習(xí)率的選擇。訓(xùn)練樣本要盡可能全面，覆蓋所有的類型及每個(gè)類型的各種形式。訓(xùn)練的樣本還應(yīng)該均勻，即對(duì)產(chǎn)品的每個(gè)類型的樣本數(shù)量盡可能相同，對(duì)每種類型下的不同形式的樣本數(shù)也要盡可能平均。

　　網(wǎng)絡(luò)學(xué)習(xí)率包括權(quán)值學(xué)習(xí)率和閾值學(xué)習(xí)率，取值一般在0~1之間，它對(duì)網(wǎng)絡(luò)訓(xùn)練的影響是：當(dāng)網(wǎng)絡(luò)學(xué)習(xí)率較大時(shí)網(wǎng)絡(luò)學(xué)習(xí)速度較快，但在學(xué)習(xí)過程中容易產(chǎn)生震蕩，難以將預(yù)測(cè)誤差收斂到一個(gè)較小的范圍內(nèi)，也容易使網(wǎng)絡(luò)陷入局部最小。而較小的學(xué)習(xí)率可以將網(wǎng)絡(luò)預(yù)測(cè)誤差收斂到較小的范圍，但是學(xué)習(xí)過程緩慢。對(duì)于訓(xùn)練用于對(duì)OCV閥質(zhì)量進(jìn)行分類的網(wǎng)絡(luò)，最重要的是網(wǎng)絡(luò)的預(yù)測(cè)誤差和分類能力，而訓(xùn)練網(wǎng)絡(luò)所用時(shí)間代價(jià)可以不用考慮。因此在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)應(yīng)選擇較小的學(xué)習(xí)率。

　　根據(jù)上述原則，從OCV閥測(cè)試時(shí)采集的流量數(shù)據(jù)中選取了一共105個(gè)訓(xùn)練樣本，對(duì)產(chǎn)品所劃分的7個(gè)類型每種類型選取了15個(gè)樣本。考慮到測(cè)試環(huán)境中的溫度的影響，以及液壓站的不穩(wěn)定和中途經(jīng)過調(diào)節(jié)因素，選擇的樣本產(chǎn)生時(shí)間上的分布也是均勻的。而測(cè)試樣本一共選取了70個(gè)，每種類型10個(gè)樣本。權(quán)值和閾值的學(xué)習(xí)率分別為0001和0005。

　　3.2網(wǎng)絡(luò)訓(xùn)練及預(yù)測(cè)實(shí)驗(yàn)結(jié)果

　　將105個(gè)樣本對(duì)建立好的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為20 000次，學(xué)習(xí)目標(biāo)為對(duì)7個(gè)分類的誤差絕對(duì)值最大的數(shù)小于005，即訓(xùn)練次數(shù)達(dá)到20 000次或者達(dá)到005的學(xué)習(xí)目標(biāo)就會(huì)停止訓(xùn)練。

　　如圖5所示，網(wǎng)絡(luò)最終進(jìn)行了20 000次的訓(xùn)練，說明并沒有達(dá)到預(yù)期的學(xué)習(xí)目標(biāo)，但可以看出誤差率已經(jīng)趨于平穩(wěn)。而且這是通過多次嘗試，訓(xùn)練得最好的一次情況。

　　將訓(xùn)練好的網(wǎng)絡(luò)對(duì)70個(gè)測(cè)試樣本進(jìn)行分類測(cè)試，其預(yù)測(cè)結(jié)果如圖6所示。

　　圖6中帶“”的線代表網(wǎng)絡(luò)的期望輸出，帶“*”的線代表著網(wǎng)絡(luò)的實(shí)際輸出。輸出值從1~7依次代表產(chǎn)品的7種類型。可以看到網(wǎng)絡(luò)對(duì)70個(gè)測(cè)試樣本分類基本上都能成功，但還有4個(gè)產(chǎn)生了誤判，綜合正確率為094。對(duì)于OCV閥的7種類型的分類正確率如表2所示。

　　從表2可以看出，盡管BP網(wǎng)絡(luò)具有較高的分類能力，但是網(wǎng)絡(luò)的分類結(jié)果還是存在一定誤差。圖7顯示了網(wǎng)絡(luò)對(duì)于每個(gè)樣本進(jìn)行預(yù)測(cè)的誤差絕對(duì)值平均數(shù)，該值是由樣本的7個(gè)預(yù)測(cè)輸出與期望輸出差值的絕對(duì)值取平均而得到的。

　　圖7中的樣本次序與圖6的樣本次序是一致的，可以看出誤差絕對(duì)值平均數(shù)的大小與是否準(zhǔn)確預(yù)測(cè)并無直接聯(lián)系，因?yàn)榕袛喈a(chǎn)品的類型是通過找到網(wǎng)絡(luò)輸出的7個(gè)值中有最大值的輸出項(xiàng)，只要與其類型對(duì)應(yīng)的輸出項(xiàng)有最大值就能正確分類，而且當(dāng)輸出項(xiàng)中的最大值大于1或最小值小于0時(shí)會(huì)造成輸出誤差，但不會(huì)影響分類結(jié)果。

　　3.3實(shí)驗(yàn)結(jié)果分析和改進(jìn)方法

　　通過實(shí)驗(yàn)發(fā)現(xiàn)，BP網(wǎng)絡(luò)雖然能夠在對(duì)OCV閥質(zhì)量分類上取得較好的效果，但仍存在誤判的現(xiàn)象。而且雖然有些樣本能夠判斷正確，但是其輸出值確實(shí)模糊的，即輸出的最大值與次大值的差很小。通常在生產(chǎn)中最關(guān)心的問題是產(chǎn)品是否合格，至于不合格產(chǎn)品是屬于哪一類并不是生產(chǎn)過程關(guān)心的重點(diǎn)。因此可設(shè)置模糊區(qū)間解決存在誤判的問題：設(shè)置一個(gè)模糊閾值Δ，當(dāng)網(wǎng)絡(luò)輸出值中最大值與次大值的差大于Δ時(shí)，根據(jù)輸出最大值的節(jié)點(diǎn)序號(hào)確定該樣本的分類，并認(rèn)為分類是準(zhǔn)確的；但當(dāng)最大值與次大值的差小于Δ時(shí)，認(rèn)為網(wǎng)絡(luò)對(duì)該類樣本的分類是模糊的、不可靠的，此時(shí)可以將該類樣本的原始數(shù)據(jù)保存在同一位置，交由人工統(tǒng)一處理。

　　當(dāng)閾值Δ較大時(shí)，雖然能保證分類結(jié)果中不會(huì)把非合格的產(chǎn)品判斷為合格產(chǎn)品，但是存在將合格產(chǎn)品歸于分類模糊的產(chǎn)品的問題，加大了人工處理的工作量。而當(dāng)閾值Δ較小時(shí)，很可能就將不合格產(chǎn)品分類為合格產(chǎn)品。那么就要在這兩種矛盾中找到平衡點(diǎn)，即在保證合格產(chǎn)品質(zhì)量的情況下盡可能地減少人工處理模糊分類結(jié)果的時(shí)間。

　　圖8所示是在當(dāng)前預(yù)測(cè)結(jié)果下，誤判樣本數(shù)與模糊樣本數(shù)隨模糊閾值Δ變化的曲線圖。在圖中，2號(hào)線代表誤判樣本，3號(hào)線代表合格模糊的樣本，1號(hào)線代表總模糊樣本。合格模糊樣本即神經(jīng)網(wǎng)絡(luò)判斷合格但不滿足模糊閾值的分類準(zhǔn)確條件和神經(jīng)網(wǎng)絡(luò)判斷不合格且不滿足模糊閾值的分類準(zhǔn)

　　確條件，且網(wǎng)絡(luò)輸出次大值由Y1輸出的樣本。

　　從圖8可以看出，隨著閾值的不斷增大誤判的數(shù)量隨減少，而模糊的樣本數(shù)量會(huì)不斷增加，而且總模糊樣本數(shù)增加最快。當(dāng)Δ取值為016時(shí)誤判數(shù)為0，總模糊樣本數(shù)約為13，但合格模糊樣本數(shù)只有2。因?yàn)樯a(chǎn)過程中最關(guān)心的只是產(chǎn)品是否合格，只需將合格模糊的樣本數(shù)據(jù)交由人工處理，所以效果比較理想。

　　綜上，BP網(wǎng)絡(luò)整體上的分類效果比較理想，但是仍存在誤判，由此引入了模糊閾值 。對(duì)于本例，模糊閾值取值在016~026之間可以將誤判率降低到0，而需交由人工處理的合格模糊的樣本比率也只有29%。相比之前需要技術(shù)人員監(jiān)測(cè)整個(gè)測(cè)試過程，效率已大幅提高。

4結(jié)論

　　針對(duì)現(xiàn)有的OCV閥測(cè)試方法中測(cè)試軟件對(duì)產(chǎn)品結(jié)果判斷不準(zhǔn)確，需要專門的技術(shù)人員干預(yù)測(cè)試過程的問題，本文將小波方法和BP網(wǎng)絡(luò)方法應(yīng)用在OCV閥的測(cè)試中。小波方法解決了測(cè)試中最主要的磁滯不合格與卡滯不合格判斷不準(zhǔn)確的問題，而對(duì)其他問題的測(cè)試仍沿用原來的測(cè)試方法。而BP網(wǎng)絡(luò)方法可以對(duì)OCV閥的7種類型都能檢測(cè)出，提高了測(cè)試結(jié)果的準(zhǔn)確性，而且不依賴于穩(wěn)定的測(cè)試系統(tǒng)環(huán)境，解決了測(cè)試標(biāo)準(zhǔn)需要經(jīng)常進(jìn)行微調(diào)的問題。

參考文獻(xiàn)

　　［1］ 李智. VVT發(fā)動(dòng)機(jī)OCV閥及執(zhí)行器在線測(cè)試系統(tǒng)［D］.武漢：武漢理工大學(xué),2012.

　　［2］ 陳儉. 單頂置凸輪軸式發(fā)動(dòng)機(jī)VVT機(jī)構(gòu)的研制［D］.濟(jì)南：山東大學(xué),2013.

　　［3］ 章琴,劉以安.基于改進(jìn)的Morlet小波變換的雷達(dá)信號(hào)特征提取［J］.微型機(jī)與應(yīng)用,2015,34(10):7073.

　　［4］ 呂媛,秦祖軍,梁國(guó)令，等.融合數(shù)字累加平均和小波變換的信號(hào)降噪測(cè)試［J］.微型機(jī)與應(yīng)用,2015,34(7):1315,19.