謝敬友

（德州職業(yè)技術(shù)學(xué)院，山東德州 253000）

1 重型汽車ABS 制動系統(tǒng)分析

ABS（Antilock Brake System，防抱死制動系統(tǒng)）是汽車制動系統(tǒng)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(diào)節(jié)器（Hydraulic Control Unit，HCU）（圖1）。

圖1 ABS 制動系統(tǒng)

（1）輪速傳感器。車輪速度傳感器是感知車輪轉(zhuǎn)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(gòu)發(fā)出指令。

（3）制動壓力調(diào)節(jié)器。制動壓力調(diào)節(jié)裝置通過電子控制單元的指令開啟和關(guān)閉電磁閥改變制動系統(tǒng)的壓力，使車輪保持最佳制動狀態(tài)。

2 進化神經(jīng)網(wǎng)絡(luò)算法

2.1 算法理論分析

BP（Back Propagation，神經(jīng)網(wǎng)絡(luò)）具有很高的非線性表達(dá)能力，可以建立從n 維特征空間到m 維空間的映射關(guān)系n 和m 分別是是模型的輸入和輸出個數(shù)，BP 網(wǎng)絡(luò)結(jié)構(gòu)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(yōu)化可以獲得良好的學(xué)習(xí)效果并簡化算法的使用。它主要由2 個內(nèi)部和外部兩級優(yōu)化過程組成：①外部進化循環(huán)執(zhí)行BP 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的演化；②內(nèi)層進化循環(huán)執(zhí)行初始權(quán)重的演化。

BP 神經(jīng)網(wǎng)絡(luò)算法循環(huán)是在遺傳算法優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)和初始權(quán)重之后執(zhí)行的，構(gòu)成了整個學(xué)習(xí)過程。

2.2 算法實現(xiàn)步驟

2.2.1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的遺傳算法演化

在BP 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)優(yōu)化循環(huán)中，遺傳算法用于搜索BP 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。

2.2.2 BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)重遺傳算法的優(yōu)化計算

對于在遺傳算法的演化周期中生成的每個BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)組，可以根據(jù)BP 網(wǎng)絡(luò)的連接機制來計算諸如權(quán)重系數(shù)的數(shù)量之類的信息。適應(yīng)值計算公式：

式中 Oi，j——預(yù)測結(jié)果

n——樣本個數(shù)

m——輸出個數(shù)

2.2.3 優(yōu)化后初始權(quán)值的訓(xùn)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(jié)構(gòu)參數(shù)及其優(yōu)化的初始權(quán)重，有必要根據(jù)通用BP 算法進行學(xué)習(xí)訓(xùn)練，并進行局部優(yōu)化。全局和本地兩層優(yōu)化網(wǎng)絡(luò)權(quán)重和相應(yīng)結(jié)果參數(shù)的組合，構(gòu)成了在當(dāng)前網(wǎng)絡(luò)結(jié)構(gòu)配置下可以實現(xiàn)的最佳BP網(wǎng)絡(luò)模型。

3 重型汽車ABS 故障診斷模型

根據(jù)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(zhuǎn)速，x5左后輪轉(zhuǎn)速，x6右后輪轉(zhuǎn)速作為BP 神經(jīng)網(wǎng)絡(luò)的輸入，將不同條件下的相應(yīng)故障類型的預(yù)期值作為輸出。輸出類型為：y1無故障，y2左前調(diào)節(jié)器故障，y3右前調(diào)節(jié)器故障，y4左后調(diào)節(jié)器故障，y5右后調(diào)節(jié)器故障。

3.1 學(xué)習(xí)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(yīng)BP 神經(jīng)網(wǎng)絡(luò)的6 個輸入層節(jié)點和5 個輸出層節(jié)點。每種故障類型包含10 組樣本，總共50 組樣本數(shù)據(jù)。ABS 調(diào)節(jié)器訓(xùn)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(shù)據(jù)信息為檢測樣本，其他數(shù)據(jù)信息作為訓(xùn)練樣本。

表1 0.6 s 時檢測樣本數(shù)據(jù)m/s

根據(jù)神經(jīng)網(wǎng)絡(luò)算法規(guī)則對目標(biāo)輸出值進行二進制設(shè)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(shù)據(jù)的大小變化較大，為更高效進行算法計算，需要對數(shù)據(jù)進行歸一化處理，使得樣本數(shù)據(jù)輸入和輸出值在（-1，1）范圍內(nèi)[6]。

3.2 ABS 故障診斷模型建立

在模型學(xué)習(xí)訓(xùn)練過程中，模型學(xué)習(xí)誤差設(shè)置為0.000 1，模型學(xué)習(xí)訓(xùn)練由Matlab軟件完成。遺傳算法參數(shù)設(shè)置為：種群30，最大迭代次數(shù)為110，交叉概率為0.3，變異概率為0.1；模型為3 層網(wǎng)絡(luò)，輸入?yún)?shù)為6。輸出參數(shù)為5（圖2），網(wǎng)絡(luò)訓(xùn)練過程中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和初始權(quán)值進化代數(shù)為8 時趨于穩(wěn)定（圖3），網(wǎng)絡(luò)訓(xùn)練次數(shù)為5000 時，模型輸出誤差趨于穩(wěn)定。

圖2 最佳適應(yīng)值變化

圖3 模型預(yù)測誤差變化

3.3 故障診斷模型檢驗

將1.5 s 時的調(diào)節(jié)器檢測樣本輸入訓(xùn)練好的網(wǎng)絡(luò)，經(jīng)遺傳神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)得出的ABS 調(diào)節(jié)器故障診斷結(jié)果如表2 所示。

表2 檢測樣本輸出數(shù)據(jù)

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(jié)論

本項目通過對重型汽車ABS 制動系統(tǒng)分析，確定了ABS制動系統(tǒng)結(jié)構(gòu)。對進化神經(jīng)網(wǎng)絡(luò)算法進行了分析，確定了算法實現(xiàn)的基本流程和方法。對學(xué)習(xí)樣本數(shù)據(jù)進行了收集以及樣本數(shù)據(jù)的處理，得到50 組樣本數(shù)據(jù)，其中以0.6 s 條件下的5組數(shù)據(jù)為檢測樣本。運用Matlap 軟件進行了數(shù)據(jù)樣本的學(xué)習(xí)訓(xùn)練，得到了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和初始權(quán)值進化代數(shù)為8，網(wǎng)絡(luò)訓(xùn)練次數(shù)為5000 時的網(wǎng)絡(luò)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(shù)據(jù)，證明了該故障診斷模型有較高精度的輸出值。