基于BP神經網絡的汽車故障率預測研究

藍天宇

摘要 隨著社會發展，汽車已經成為家庭的重要出行工具。汽車運行時間越長，故障發生率越高，不利于人們的生命健康安全。因此，利用現代模式識別、機器學習等技術構建一個汽車故障率預測模型，及時發現汽車運行故障，以便能夠保證汽車以及乘用人的生命安全。本文詳細地分析了BP神經網絡的基本理論和概念，同時將其應用到汽車故障率預測中，可以提高故障率預測的準確度。

關鍵詞BP神經網絡；汽車故障率；神經元；梯度下降

中圖分類號U2 文獻標識碼A 文章編號2095—6363（2017）03—0063—02

隨著互聯網、數據庫、云計算、移動通信技術的快速發展和進步，促進了其在多領域得到廣泛普及，開發電子政務、電子商務、在線學習、物流倉儲、智能家居、金融證券等領域得到廣泛普及和使用，已經積累了海量的應用數據資源，并且持續呈現幾何級數增長。汽車是信息化普及和使用的一個重要方向，汽車生產制造、保養修復、運行監控等都開發了先進的智能管理系統，這些系統運行也積累了海量數據，可以采用分類算法挖掘潛在有價值信息，形成一個個的數據類別，這些數據類別內部具有高度相似性，類別之間高度相異，因此就可以根據用戶輸入的信息主體劃分數據資源，提供一個合理的知識解釋和決策信息。

1 BP神經網絡理論

目前，汽車故障數據分析主要包括2個類別，一是有監督學習方法，比如BP神經網絡、支持向量機、貝葉斯理論；一種是無監督學習方法，比如譜聚類、密度聚類、K均值、信息論等方法。有監督大數據分析方法需要利用人們的經驗，預先構建一個分析模型，然后盡可能提高這個學習模型的準確性，從而保證類別分析的精確度；無監督學習方法卻不需要任何先驗知識，系統自動的將數據按照不同的關注角度進行分類。

BP神經網絡能夠按照統計學規則，實現誤差逆傳播，是一種多層次的前饋神經網絡，目前已經在多個機器學習和模式識別領域得到廣泛普及。BP神經網絡可以學習和存儲海量的數據信息，并且經過自學習形成一個強大的支持網絡結構，并且利用當前最為流行的梯度下降方法，不斷調整網絡的結構、權值和閾值，降低網絡的誤差平方和，準確提取相關的數據隱含模式信息。汽車運行數據處理過程中，輸入層可以接收所有數據，并且將這些數據傳輸給中間層的神經元，神經元可以負責數據信息處理、變換，并且能夠根據信息變化能力的需求，改變和整合中間層結構汽車運行數據流經過識別和處理之后，就可以從中間層分發到輸出層，這樣就可以完成一次學習過程，將BP神經網絡訓練成為一個準確度非常高的模型，還可以通過誤差梯度下降等修正各個層次的權值，向隱藏層逐級反饋，實現反向傳播和修正，提高汽車運行數據識別精確度。

2汽車故障率預測模型設計

汽車故障是指企業部分組件或全部組件喪失工作能力，也即是零部件機器相互配合的狀態發生了異常變化，汽車故障廣泛地發生于生產制造、運行使用、修理維護等全過程，因此每一個環節都需要非常小心和注意，尤其是在汽車使用故障發生時，一定要及時發現故障類型，及時排除故障內容，才能夠保證汽車使用中盡量降低事故發生率。目前，汽車故障形成具有很多原因，具體原因如下所述。

1）汽車組成部件自身質量差異。汽車及其自身組件由于生產廠家、生產批次均不同，因此不可避免的存在許多質量差異，原廠配件在使用過程中將會出現很多問題，協作廠和不合格的配件裝配到汽車上之后將會出現很多問題，對于不同批次、規格相同的部件來講，可以將其劃分為好中差3個層次，權值因子設置為0.95、0.8和0.6。

2）汽車消耗品質量差異。汽車運行中，消耗品包括燃油、潤滑油等，這些消耗品的自身質量將會影響汽車運行性能和使用壽命，非常容易的導致企業發生故障。目前汽車常用的燃油包括90#、95#和97#。

3）汽車使用環境影響。汽車使用環境復雜，路面易發生各類型事故，同時山區、城市、丘陵等地帶由于地勢不同，耗費的動力也是不同，汽車使用環境復雜多變，容易誘發汽車故障，將使用環境劃分為3個方面，分別是好良中，權值因子設置為I/0.8和0.5。

4）汽車故障診斷和維修的影響。汽車運行中，需要定期對其進行保養，以便能夠準確診斷故障，才能夠將這些內容修復完畢。汽車運行維護、故障診斷、維修服務中需要較高的技術，因此為了提高這些技術產品的應用性，可以將汽車定期維護程度劃分為多個時間長短的內容，分別是0-3/4-6/7-9三個階段。

5）汽車的自然損耗。汽車各個組件會隨著運行公里的增加逐漸衰弱，汽車自燃損耗越多，產生故障的概率就越大，因此汽車的自然損耗也是一個關鍵因素。

基于BP神經網絡的汽車故障率預測模式可以利用管理系統、傳感器等采集上述5個方面的數據信息，將這些信息輸入到BP網絡的輸入層，輸入層接收道數據之后，將其按照權值因子進行整合，輸入到隱藏層網絡，隱藏藏網絡利用梯度下降、多層反饋等關鍵技術，對BP神經網絡進行訓練和學習，通過對此類標簽對比，不斷擬合調整網絡權值，形成一個強大的故障率預測網絡結構，這樣就可以準確預測網絡結構，將其輸出到顯示器上，具體的BP神經網絡運行如圖1所示。

3結論

汽車運行故障率預測模式可以實時通過傳感器采集汽車運行數據，分析汽車運行狀態信息，將未來一段時間內汽車發生故障的概率分析出來，輸出到顯示器上供人們進行決策，更好進行故障率預測。