基于概率神經網絡的汽車防抱死控制系統(tǒng)故障診斷方法研究

任藝　劉翕瑤

摘要：針對汽車防抱死控制系統(tǒng)故障診斷問題，應用概率神經網絡技術，分析了汽車ABS的工作原理、常見故障及故障原因，并將汽車速度、左前輪速、右前輪速、左后輪速、右后輪速和橫向輪速作為特征值建立神經網絡，對其進行學習訓練和測試。并以40組故障數據為測試數據，對所設計的故障診斷方法進行驗證。通過實驗數據得出：基于概率神經網絡的汽車ABS故障診斷方法可以快速準確地找出故障原因及故障點。

關鍵詞：概率神經網絡;ABS;故障診斷

0 ?引言

隨著汽車的快速普及，汽車行駛的安全性能也成為重要的評價指標之一。汽車防抱死控制系統(tǒng)作為主動安全裝置能夠有效的控制車輛在制動時的運動狀態(tài)，提高汽車的安全性能。防抱死控制系統(tǒng)已成為現代車輛不可缺少的安全裝置，因此對其故障診斷方法的研究也越來越重要。汽車防抱死控制系統(tǒng)其技術狀況和工作能力可由下述兩方面進行表征：ABS傳感器的工作狀況、ABS對于制動力握力損失與恢復的調節(jié)。所以，對于ABS故障的診斷實際上是對其調節(jié)器和傳感器的狀況評判[2]。文獻[8][9]指出新型PNN神經網絡可以對發(fā)動機系統(tǒng)進行故障診斷且具有速度快和準確率高等優(yōu)點。本文依據汽車制動時6個速度的參數作為PNN神經網絡的輸入，并將ABS系統(tǒng)中傳感器和調節(jié)器的故障點作為輸出，設計出一種基于概率神經網絡的ABS故障診斷方法。

1 ?防抱死控制系統(tǒng)簡介

1.1 防抱死控制系統(tǒng)的工作原理

汽車電控防抱死控制系統(tǒng)（Anti-Lock Brake System，ABS）是現在汽車必備的主動安全裝置，當汽車出現過度制動車輪有抱死傾向時，ABS將控制制動壓力調節(jié)器，提高制動時汽車的穩(wěn)定性，確保制動距離保證行駛時的安全性。

防抱死制動系統(tǒng)主要由輪速傳感器、加速度傳感器、電子控制單元、制動壓力調節(jié)器組成。每個車輪上的輪速傳感器檢測其速度并將速度的大小傳遞給ECU。在一般的制動情況下，制動力較小，車輪不會出現抱死的情況，ABS也不會工作。但是當車輪出現緊急制動，車輪趨于抱死時，ECU發(fā)出指令，制動壓力調節(jié)器實施增壓、保壓和減壓相應工作，確保滑移率在最佳的范圍內，確保汽車的行車安全。

1.2 防抱死控制系統(tǒng)故障診斷

通過對ABS系統(tǒng)的功用及工作原理的分析，可以看出ABS的工作時間，如何控制車輪的制動力是其技術狀況和工作性能的評判標準。所以對于ABS故障的診斷就是對輪速傳感器以及執(zhí)行器制動壓力調節(jié)器的故障診斷。因此基于概率神經網絡所建立的故障診斷系統(tǒng)的輸出為9個，分別為左前、右前、左后、右后四個車輪傳感器和制動調節(jié)器故障以及ABS無故障。

2 ?概率神經網絡

概率神經網絡（Probabilistic Neural Networks，PNN）是一種結構簡單、應用廣泛的神經網絡。其具有結構簡單、容易設計算法、能用線性學習方法實現非線性學習算法的功能，在模式分類問題中獲得了廣泛應。

概率神經網絡與傳統(tǒng)的BP神經網絡相比是由4層組成的，分別為輸入層、模式層、求和層和輸出層組成。PNN第一層為輸入層，用于接收來自訓練樣本的值，將數據傳遞給隱含層。本故障診斷的神經網絡有6個特征值的輸入，分別為：汽車速度、左前輪速、右前輪速、左后輪速、右后輪速和橫向輪速。第二層為模式層既徑向基層，每一個模式層的神經元節(jié)點擁有一個中心，神經元的個數等于各類別訓練樣本之和。在求和層中，每一個類別對應于一個神經元。模式層的每個神經元已被劃到了某個類別。網絡的輸出層由競爭神經元組成，神經元個數和求和層相同，它接收求和層的輸出。本故障這段網絡的輸出有9個故障點。

3 ?概率神經網絡的故障診斷

3.1 神經網絡的建立

ABS故障診斷的概率網絡建立所選取的輸入特征向量，必須能夠正確的反應問題的特征。因此基于第1部分對防抱死系統(tǒng)工作原理及常見故障的分析，此故障診斷神經網絡的6個輸入特征向量為汽車速度、左前輪速、右前輪速、左后輪速、右后輪速和橫向輪速，特征值的編碼分別為1-6。輸出的向量為故障編碼1-9。編碼1-4代表左前、右前、左后、右后輪速傳感器故障;編碼5-8代表左前、右前、左后、右后車輪制動調節(jié)器故障;編碼9代表無故障。建立概率神經網絡的故障診斷流程，如圖1所示。

3.2 神經網絡的訓練及測試

本文共收集185組故障數據[2][3]，其中145組故障數據進行神經網絡的訓練，40組數據作為神經網絡的測試數據。其中部分訓練數據如表1所示，測試數據如表2所示。

將145組的數據收入到神經網絡中，對其進行學習和訓練。其訓練結果的誤差如圖2所示。其中橫坐標代表145組的訓練數據標號，縱坐標代表輸出故障編碼與實際故障編碼之差。若縱坐標顯示結果為0，說明實際故障編碼與輸出相一致，不為0，則表明故障診斷結果出現誤差。從圖中可以看出，經過訓練之后的概率神經網絡分類的準確率為92%。

將50組的測試數據輸入到已經訓練好的神經網絡中進行測試，其中部分測試數據如表2所示。

測試數據的分類結果如圖3所示。橫坐標代表的是測試數據的樣本編號，縱坐標代表的是故障代碼即分類結果1-9，其中藍色空心三角形代表的是實際輸出的故障編碼，紅色星號代表的是測試數據輸出的故障編碼，其中40組測試數據的準確率高達97.5%。

4 ?結論

為了解決汽車防抱死控制系統(tǒng)的故障診斷，通過分析ABS的工作原理將汽車的橫向和縱向車速以及四個車輪速度作為特征值，應用概率神經網絡，輸出ABS的故障點。并輸入145組的數據用作學習和訓練，40組的數據用于測試。通過訓練和測試的準確率可以看出，基于概率神經網絡可以容忍個別錯誤樣本，能夠為汽車防抱死控制系統(tǒng)進行故障診斷。

參考文獻：

[1]關德穎.ABS防抱死系統(tǒng)故障診斷與修理[J].遼寧廣播電視大學學報，2017（2）：15-16.

[2]謝超.基于神經網絡集成的汽車ABS故障診斷研究[D].長安大學，2017.

[3]李洪東.基于BP神經網絡的汽車ABS系統(tǒng)故障診斷[D].吉林大學，2008.

[4]史峰，王小川，等.MATLAB神經網絡30個案例分析[M].北京航空航天大學出版社，2010.

[5]成英，高鮮萍.基于信息熵的汽車故障診斷復雜性評價[J].數學的實踐與認識，2017，3（2）：106-113.

[6]李虹.基于故障樹專家系統(tǒng)的汽車ABS故障診斷系統(tǒng)研究[D].河北工業(yè)大學，2015.

[7]朱峰.如何診斷和維修汽車制動防抱死系統(tǒng)故障診斷[J].汽車與駕駛維修，2017（06）：90-92.

[8]馬運勇.概率神經網絡的結構優(yōu)化研究及其應用[D].深圳： 哈爾濱工業(yè)大學，2008.

[9]王子健，王德軍.基于概率神經網絡得汽車發(fā)動機失火故障診斷[J].吉林大學學報，2016，3（2）：229-236.

[10]Sharkey A J C.On combining artificial neural nets connection science， 2016， 8（3/4）： 299-314.

基金項目：項目名稱：基于概率神經網絡的汽車ABS系統(tǒng)故障診斷方法研究，項目立項編號：HKZYYB-2018-2。

作者簡介：任藝（1993-），女，滿族，遼寧阜新人，研究生，助教，研究方向為汽車故障診斷;劉翕瑤（1992-），女，內蒙古呼和浩特人，研究生，助教，研究方向為交通環(huán)境與安全技術。