基于概率神經網絡的汽車防抱死控制系統故障診斷方法研究

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，提高汽車的安全性能。防抱死控制系統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。所以，對于ABS故障的診斷實際上是對其調節器和傳感器的狀況評判[2]。文獻[8][9]指出新型PNN神經網絡可以對發動機系統進行故障診斷且具有速度快和準確率高等優點。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系統中傳感器和調節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 ?防抱死控制系統簡介

1.1 防抱死控制系統的工作原理

汽車電控防抱死控制系統（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器，提高制動時汽車的穩定性，確保制動距離保證行駛時的安全性。

防抱死制動系統主要由輪速傳感器、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發出指令，制動壓力調節器實施增壓、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 防抱死控制系統故障診斷

通過對ABS系統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行器制動壓力調節器的故障診斷。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進行故障診斷。

參考文獻：

[1]關德穎.ABS防抱死系統故障診斷與修理[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的汽車ABS故障診斷系統研究[D].河北工業大學，2015.

[7]朱峰.如何診斷和維修汽車制動防抱死系統故障診斷[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化研究及其應用[D].深圳： 哈爾濱工業大學，2008.

[9]王子健，王德軍.基于概率神經網絡得汽車發動機失火故障診斷[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，研究方向為交通環境與安全技術。