基于支持向量機回歸算法的電子機械制動傳感器系統故障分析

摘 要：基于支持向量機回歸算法的電子機械制動傳感器系統故障分析方法在自動化領域逐漸被廣泛應用。本文將對電子機械制動傳感器系統與支持向量機回歸算法原理進行簡要分析，并重點探究基于支持向量機回歸算法的電子機械制動傳感器系統故障分析。

關鍵詞：電子機械制動傳感器;支持向量機回歸算法;預測模型

為充分提升電子機械制動傳感器系統的穩定性，該領域的學者研究出基于支持向量機回歸算法的故障判斷方法。因此，探究基于支持向量機回歸算法的電子機械制動傳感器系統故障分析有著重要意義。

1 電子機械制動傳感器系統

電子機械制動傳感器系統主要包括電子機械制動傳感器控制算法，電子機械制動傳感器，電子機械制動傳感器執行器以及底層控制器。電子機械制動傳感器的執行機構主要由執行電機、運動轉換機構以及減速機構三部分構成。目標制動力進入電子機械制動傳感器的底層控制器中的控制電路轉化為信號，傳入驅動電路，進而導入電流傳感器當中。電壓信號從電子機械制動傳感器底層控制器中傳入電機中，依次進入減速機構運動轉換裝置、壓力傳感器以及制動鉗這一系列環節構成了電子機械制動傳感器的執行器。部分信號會由電子機械制動傳感器、執行器傳遞到電子機械制動傳感器底層控制器中，這一系列流程構成了電子機械制動傳感器系統。電子機械制動傳感器控制系統運用了三閉環控制算法。三閉環結構從內至外依次為電流環、轉速環以及壓力環。其中的主要控制環為壓力環，借助轉速環對電機的響應速度進行相應的增強，電流環的作用主要是消減壓力變化階段以及啟動階段帶來的電流擾動[1]。上述分析表明，借助閉環控制結構，傳感器系統能夠為電子機械制動傳感器的控制器提供重要信息。這進一步表明，電子機械制動傳感器的性能直接決定電子機械制動傳感器系統能否正常運轉。

2 支持向量機回歸算法原理

在應用于問題分類處理階段，支持向量機原理是借助找尋分類面的最優狀態。對相關樣本進行正確分類操作。而將上述操作步驟推廣開來，借助數據樣本來進行實函數估計為支持向量機回歸原理。借助支持向量進行問題分類的具體表述為，在一組訓練樣本中，，借助非線性映射，將傳統空間映射到高維度特征空間，在此處空間中構造超平面，進而將原本的非線性問題分類轉化為線性問題分類。使用支持向量機回歸算法不能對上述問題直接進行求解，由于很難找到非線性映射的具體模式，因此常用核函數進行替代。借助核函數算法，能夠將原本的高維度特征空間的運算轉化為低維度特征空間的運算。核函數的定義為任意滿足mercer條件的函數，進而可將原本復雜的運算問題轉變為優化對偶問題。對于支持向量機回歸算法可以采用時間滾動方式進行學習。在增量學習的過程中，樣本呈遞增態勢，隨著時間的變動，樣本的數量也會持續增加，但新增的樣本不一定會對支持向量回歸產生直接影響。若新增樣本出現傳統樣本集中不具備的信息，那么支持向量就會出現一定程度的變動;若是新增樣本出現了傳統樣本集中的信息，那么支持向量就不會產生相應的變動。

3 基于支持向量機回歸算法的電子機械制動傳感器系統故障分析

基于支持向量機回歸算法對電子機械制動傳感器系統進行故障分析，主要是針對電子機械制動傳感器系統中的壓力、轉速以及電流三個電子機械制動器傳感器進行故障分析。首先需要建立基于支持向量機的預測模型，然后將電子機械制動傳感器實測的殘差值與基于支持向量機預測模型的估計值比對，進而得出相應的故障分析結果，并對故障分析結果進行相應分類。下文將依照壓力、信號轉速以及電流在空間和時間的冗余關系中建立兩個獨特的基于向量機回歸算法的預測模型。此種預設方式比依照壓力、信號轉速以及電流三者各建立一個基于支持向量機回歸算法的預測模型有著更高的效率。在具體的實驗進程中，首先收集兩組對照電子機械制動傳感器的樣本值。兩組樣本分別為由轉速信號和電流構成的樣本，以及由壓力信號和電流構成的樣本[2]。以當前時刻k為基準，記錄過往時刻的連續數據。將過往樣本各連續時刻的壓力值與電流值作為輸入性樣本，以某一特定時刻的壓力值和電流值為輸出樣本，建立相應的支持向量機回歸算法的模型。待基于支持向量機回歸算法的預測模型設置完成后，借助過去某一特定時刻的樣本值。對當前傳感器的傳輸值進行預測。兩組電子機械制動傳感器對照組基于支持向量機回歸算法的預測模型一和二會出現兩個不同的輸出值。將兩個來自于不同預測模型的估計值與現場的電流值進行比對，然后兩兩做差形成序列殘差。其中殘差值一包括了電流和轉速信號在空間與時間方面的冗余信息，殘差值二包括了電流與壓力信號，在空間與時間方面的冗余信息;殘差值三包括了壓力信號、電流以及轉速信號在空間與時間方面的冗余信息。基于上述分析我們可以假設在時刻k電子機械制動傳感器出現故障，則時刻k的電流值將與電子機械制動傳感器系統正常的輸出電流值存在一定的偏差。由于時刻k前后的任意時刻的電流測量值都是準確的，則基于支持向量機回歸算法預測模型計算出的電流輸出值更為接近電子機械制動傳感器系統的正確電流輸出值，這就會導致殘差值一與殘差之二出現顯著變化，殘差值三基本不會出現變動。當電子機械制動傳感系統的轉速傳感器在時刻k出現故障時，時刻k的電流測量值將偏離電子機械制動傳感器系統的正確電流輸出值;當電子機械制動傳感器系統的壓力傳感器在時刻k出現故障時，殘差值一基本不會出現變動;殘差值二與殘差值三會出現顯著變化。基于上述分析，采用支持向量機回歸算法對電子機械制動傳感器系統故障的分析過程為，收集樣本、數據處理、建立支持向量機預測模型形成殘差值，進而判斷系統故障原因。

綜上所述，基于支持向量機回歸算法診斷系統故障分析方法為構建故障模塊，開展相應的實驗研究。相關實驗數據表明該種方法能夠對電子機械制動傳感器系統中的各類故障進行有效分析，進而充分提升電子機械制動傳感器的穩定性。

參考文獻：

[1]黃鈺.無力傳感器的電子機械制動系統控制問題分析[J].山東工業技術，2019（06）：144.

[2]陸一祎.模糊多輸出最小二乘支持向量機的分類與回歸研究[D].南京信息工程大學，2018.

作者簡介：張林林（1984-），男，河南鞏義人，本科，講師，研究方向：中職機電技術教育。