基于概率神经网络的汽车防抱死控制系统故障诊断方法研究

任艺　刘翕瑶

摘要：针对汽车防抱死控制系统故障诊断问题，应用概率神经网络技术，分析了汽车ABS的工作原理、常見故障及故障原因，并将汽车速度、左前轮速、右前轮速、左后轮速、右后轮速和横向轮速作为特征值建立神经网络，对其进行学习训练和测试。并以40组故障数据为测试数据，对所设计的故障诊断方法进行验证。通过实验数据得出：基于概率神经网络的汽车ABS故障诊断方法可以快速准确地找出故障原因及故障点。

关键词：概率神经网络;ABS;故障诊断

0  引言

随着汽车的快速普及，汽车行驶的安全性能也成为重要的评价指标之一。汽车防抱死控制系统作为主动安全装置能够有效的控制车辆在制动时的运动状态，提高汽车的安全性能。防抱死控制系统已成为现代车辆不可缺少的安全装置，因此对其故障诊断方法的研究也越来越重要。汽车防抱死控制系统其技术状况和工作能力可由下述两方面进行表征：ABS传感器的工作状况、ABS对于制动力握力损失与恢复的调节。所以，对于ABS故障的诊断实际上是对其调节器和传感器的状况评判[2]。文献[8][9]指出新型PNN神经网络可以对发动机系统进行故障诊断且具有速度快和准确率高等优点。本文依据汽车制动时6个速度的参数作为PNN神经网络的输入，并将ABS系统中传感器和调节器的故障点作为输出，设计出一种基于概率神经网络的ABS故障诊断方法。

1  防抱死控制系统简介

1.1 防抱死控制系统的工作原理

汽车电控防抱死控制系统（Anti-Lock Brake System，ABS）是现在汽车必备的主动安全装置，当汽车出现过度制动车轮有抱死倾向时，ABS将控制制动压力调节器，提高制动时汽车的稳定性，确保制动距离保证行驶时的安全性。

防抱死制动系统主要由轮速传感器、加速度传感器、电子控制单元、制动压力调节器组成。每个车轮上的轮速传感器检测其速度并将速度的大小传递给ECU。在一般的制动情况下，制动力较小，车轮不会出现抱死的情况，ABS也不会工作。但是当车轮出现紧急制动，车轮趋于抱死时，ECU发出指令，制动压力调节器实施增压、保压和减压相应工作，确保滑移率在最佳的范围内，确保汽车的行车安全。

1.2 防抱死控制系统故障诊断

通过对ABS系统的功用及工作原理的分析，可以看出ABS的工作时间，如何控制车轮的制动力是其技术状况和工作性能的评判标准。所以对于ABS故障的诊断就是对轮速传感器以及执行器制动压力调节器的故障诊断。因此基于概率神经网络所建立的故障诊断系统的输出为9个，分别为左前、右前、左后、右后四个车轮传感器和制动调节器故障以及ABS无故障。

2  概率神经网络

概率神经网络（Probabilistic Neural Networks，PNN）是一种结构简单、应用广泛的神经网络。其具有结构简单、容易设计算法、能用线性学习方法实现非线性学习算法的功能，在模式分类问题中获得了广泛应。

概率神经网络与传统的BP神经网络相比是由4层组成的，分别为输入层、模式层、求和层和输出层组成。PNN第一层为输入层，用于接收来自训练样本的值，将数据传递给隐含层。本故障诊断的神经网络有6个特征值的输入，分别为：汽车速度、左前轮速、右前轮速、左后轮速、右后轮速和横向轮速。第二层为模式层既径向基层，每一个模式层的神经元节点拥有一个中心，神经元的个数等于各类别训练样本之和。在求和层中，每一个类别对应于一个神经元。模式层的每个神经元已被划到了某个类别。网络的输出层由竞争神经元组成，神经元个数和求和层相同，它接收求和层的输出。本故障这段网络的输出有9个故障点。

3  概率神经网络的故障诊断

3.1 神经网络的建立

ABS故障诊断的概率网络建立所选取的输入特征向量，必须能够正确的反应问题的特征。因此基于第1部分对防抱死系统工作原理及常见故障的分析，此故障诊断神经网络的6个输入特征向量为汽车速度、左前轮速、右前轮速、左后轮速、右后轮速和横向轮速，特征值的编码分别为1-6。输出的向量为故障编码1-9。编码1-4代表左前、右前、左后、右后轮速传感器故障;编码5-8代表左前、右前、左后、右后车轮制动调节器故障;编码9代表无故障。建立概率神经网络的故障诊断流程，如图1所示。

3.2 神经网络的训练及测试

本文共收集185组故障数据[2][3]，其中145组故障数据进行神经网络的训练，40组数据作为神经网络的测试数据。其中部分训练数据如表1所示，测试数据如表2所示。

将145组的数据收入到神经网络中，对其进行学习和训练。其训练结果的误差如图2所示。其中横坐标代表145组的训练数据标号，纵坐标代表输出故障编码与实际故障编码之差。若纵坐标显示结果为0，说明实际故障编码与输出相一致，不为0，则表明故障诊断结果出现误差。从图中可以看出，经过训练之后的概率神经网络分类的准确率为92%。

将50组的测试数据输入到已经训练好的神经网络中进行测试，其中部分测试数据如表2所示。

测试数据的分类结果如图3所示。横坐标代表的是测试数据的样本编号，纵坐标代表的是故障代码即分类结果1-9，其中蓝色空心三角形代表的是实际输出的故障编码，红色星号代表的是测试数据输出的故障编码，其中40组测试数据的准确率高达97.5%。

4  结论

为了解决汽车防抱死控制系统的故障诊断，通过分析ABS的工作原理将汽车的横向和纵向车速以及四个车轮速度作为特征值，应用概率神经网络，输出ABS的故障点。并输入145组的数据用作学习和训练，40组的数据用于测试。通过训练和测试的准确率可以看出，基于概率神经网络可以容忍个别错误样本，能够为汽车防抱死控制系统进行故障诊断。

参考文献：

[1]关德颖.ABS防抱死系统故障诊断与修理[J].辽宁广播电视大学学报，2017（2）：15-16.

[2]谢超.基于神经网络集成的汽车ABS故障诊断研究[D].长安大学，2017.

[3]李洪东.基于BP神经网络的汽车ABS系统故障诊断[D].吉林大学，2008.

[4]史峰，王小川，等.MATLAB神经网络30个案例分析[M].北京航空航天大学出版社，2010.

[5]成英，高鲜萍.基于信息熵的汽车故障诊断复杂性评价[J].数学的实践与认识，2017，3（2）：106-113.

[6]李虹.基于故障树专家系统的汽车ABS故障诊断系统研究[D].河北工业大学，2015.

[7]朱峰.如何诊断和维修汽车制动防抱死系统故障诊断[J].汽车与驾驶维修，2017（06）：90-92.

[8]马运勇.概率神经网络的结构优化研究及其应用[D].深圳： 哈尔滨工业大学，2008.

[9]王子健，王德军.基于概率神经网络得汽车发动机失火故障诊断[J].吉林大学学报，2016，3（2）：229-236.

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

基金项目：项目名称：基于概率神经网络的汽车ABS系统故障诊断方法研究，项目立项编号：HKZYYB-2018-2。

作者简介：任艺（1993-），女，满族，辽宁阜新人，研究生，助教，研究方向为汽车故障诊断;刘翕瑶（1992-），女，内蒙古呼和浩特人，研究生，助教，研究方向为交通环境与安全技术。