基于進化神經網絡重型汽車ABS 故障診斷研究

謝敬友

（德州職業技術學院，山東德州 253000）

1 重型汽車ABS 制動系統分析

ABS（Antilock Brake System，防抱死制動系統）是汽車制動系統上的主動安全裝置，其對重型汽車的安全行駛有較大影響。重型汽車的ABS 裝置通常包括車輪速度傳感器、電子控制單元（Electronic Control Unit，ECU）和制動壓力調節器（Hydraulic Control Unit，HCU）（圖1）。

圖1 ABS 制動系統

（1）輪速傳感器。車輪速度傳感器是感知車輪轉速并將信號傳遞給單子控制單元。

（2）電子控制單元。電子控制單元計算每個車輪速度，對操作機構發出指令。

（3）制動壓力調節器。制動壓力調節裝置通過電子控制單元的指令開啟和關閉電磁閥改變制動系統的壓力，使車輪保持最佳制動狀態。

2 進化神經網絡算法

2.1 算法理論分析

BP（Back Propagation，神經網絡）具有很高的非線性表達能力，可以建立從n 維特征空間到m 維空間的映射關系n 和m 分別是是模型的輸入和輸出個數，BP 網絡結構中的輸入和輸出由要解決的問題確定。通過遺傳算法進行全局優化可以獲得良好的學習效果并簡化算法的使用。它主要由2 個內部和外部兩級優化過程組成：①外部進化循環執行BP 網絡結構參數的演化；②內層進化循環執行初始權重的演化。

BP 神經網絡算法循環是在遺傳算法優化的網絡結構和初始權重之后執行的，構成了整個學習過程。

2.2 算法實現步驟

2.2.1 BP 神經網絡結構參數的遺傳算法演化

在BP 網絡結構參數優化循環中，遺傳算法用于搜索BP 網絡結構參數。

2.2.2 BP 神經網絡初始權重遺傳算法的優化計算

對于在遺傳算法的演化周期中生成的每個BP 神經網絡結構參數組，可以根據BP 網絡的連接機制來計算諸如權重系數的數量之類的信息。適應值計算公式：

式中 Oi，j——預測結果

n——樣本個數

m——輸出個數

2.2.3 優化后初始權值的訓練

遺傳進化算法具有出色的全局搜索能力，但在局部精度方面無法加深。因此，對于上述2 個步驟中生成的每個模型結構參數及其優化的初始權重，有必要根據通用BP 算法進行學習訓練，并進行局部優化。全局和本地兩層優化網絡權重和相應結果參數的組合，構成了在當前網絡結構配置下可以實現的最佳BP網絡模型。

3 重型汽車ABS 故障診斷模型

根據ABS 的工作原理和信號采集特性，下面將采用x1縱向速度，x2橫向速度x3左前輪速度，x4右前輪轉速，x5左后輪轉速，x6右后輪轉速作為BP 神經網絡的輸入，將不同條件下的相應故障類型的預期值作為輸出。輸出類型為：y1無故障，y2左前調節器故障，y3右前調節器故障，y4左后調節器故障，y5右后調節器故障。

3.1 學習樣本收集

通過上述分析，有6 個故障特征因子和5 個故障類型，分別對應BP 神經網絡的6 個輸入層節點和5 個輸出層節點。每種故障類型包含10 組樣本，總共50 組樣本數據。ABS 調節器訓練及檢驗樣本的選取分別取0.3 s、0.4 s、0.5 s、0.6 s、1.5 s、1.8 s、3.2 s、3.8 s、4.2 s、4.5 s 時的速度值作為特征信號，5 種故障類型各10 組樣本（表1）。其中，以0.6 s 時的數據信息為檢測樣本，其他數據信息作為訓練樣本。

表1 0.6 s 時檢測樣本數據m/s

根據神經網絡算法規則對目標輸出值進行二進制設置，對編號1 無故障編碼為（10000）；對編號2 左前故障編碼為（01000）；對編號3 右前故障編碼為（00100）；對編號4 左后故障編碼為（00010）；對編號5 右后故障編碼為（00001）。樣本數據的大小變化較大，為更高效進行算法計算，需要對數據進行歸一化處理，使得樣本數據輸入和輸出值在（-1，1）范圍內[6]。

3.2 ABS 故障診斷模型建立

在模型學習訓練過程中，模型學習誤差設置為0.000 1，模型學習訓練由Matlab軟件完成。遺傳算法參數設置為：種群30，最大迭代次數為110，交叉概率為0.3，變異概率為0.1；模型為3 層網絡，輸入參數為6。輸出參數為5（圖2），網絡訓練過程中神經網絡結構和初始權值進化代數為8 時趨于穩定（圖3），網絡訓練次數為5000 時，模型輸出誤差趨于穩定。

圖2 最佳適應值變化

圖3 模型預測誤差變化

3.3 故障診斷模型檢驗

將1.5 s 時的調節器檢測樣本輸入訓練好的網絡，經遺傳神經網絡診斷系統得出的ABS 調節器故障診斷結果如表2 所示。

表2 檢測樣本輸出數據

通過表2 可知，故障診斷模型有正確的輸出值，故障診斷模型有一定的實用價值。

4 結論

本項目通過對重型汽車ABS 制動系統分析，確定了ABS制動系統結構。對進化神經網絡算法進行了分析，確定了算法實現的基本流程和方法。對學習樣本數據進行了收集以及樣本數據的處理，得到50 組樣本數據，其中以0.6 s 條件下的5組數據為檢測樣本。運用Matlap 軟件進行了數據樣本的學習訓練，得到了神經網絡結構和初始權值進化代數為8，網絡訓練次數為5000 時的網絡模型。通過檢測樣本對故障診斷模型進行了檢驗，通過檢驗數據，證明了該故障診斷模型有較高精度的輸出值。