汽车ABS故障诊断分析

汽车ABS故障诊断分析 本文关键词：故障诊断，分析，汽车，ABS

汽车ABS故障诊断分析 本文简介：【摘要】针对传统故障诊断专家系统存在效率低、无法满足现代汽车智能化发展要求等问题，提出了神经网络技术完成对ABS故障诊断的设计方案。论文分析了ABS系统的工作原理，找出了ABS系统常见的故障模式和原因，并以传感器和调节器为对象建立BP神经网络模型进行训练，针对传统BP神经网络存在的局部极小值和收敛速

汽车ABS故障诊断分析 本文内容：

【摘要】针对传统故障诊断专家系统存在效率低、无法满足现代汽车智能化发展要求等问题，提出了神经网络技术完成对ABS故障诊断的设计方案。论文分析了ABS系统的工作原理，找出了ABS系统常见的故障模式和原因，并以传感器和调节器为对象建立BP神经网络模型进行训练，针对传统BP神经网络存在的局部极小值和收敛速度慢的问题，提出了基于数值优化L-M算法对BP网络进行改进，缩短了诊断时间，提高了诊断效率。

【关键词】汽车ABS；故障诊断；BP神经网络

1引言

随着汽车相关技术的快速发展，人们对车辆行驶速度的要求越来越高，交通事故也日益频繁，近年来，我国因制动方面的故障而发生的交通事故占60%以上。作为汽车的主动安全装置之一的汽车防抱死制动系统（Anti-lockBrakingSystem，ABS),通过调节车轮制动力来防止车轮抱死，因此对ABS系统故障诊断技术的研究具有重要意义。

2ABS系统的工作原理

目前，典型的ABS系统主要由车轮转速传感器、电子控制单元（ECU）和制动压力调节器三个部分组成，车轮转速传感器，电控单元计算分析车轮速度、滑移率、加减速等信息后，向压力调节器发出制动压力控制指令，控制制动压力增加、减小或不变，以调节制动力矩与地面附着状况相适应。

3ABS系统故障分析

通常根据故障指示灯的闪烁规律对ABS系统进行排查和维修。正常情况下，点火后指示灯闪后，发动机启动后，指示灯熄灭，进入正常工作状态；如果ABS系统以及其制动系统发生故障，则指示灯会间歇性闪亮不正常等现象。故障原因包括5种：①车轮转速传感器信号不良；②电控单元内部故障；③制动调节电磁阀故障；④指示灯故障；⑤液压电泵故障。其中车轮转速传感器和电磁阀（调节器）故障是故障发生的主要原因，对其进行诊断，分析故障模式和故障原因[1]。

4基于BP网络的故障诊断

BP神经网络是误差反向传播（ErrorBackPropagation）单向传播的多层前馈网络,包括输入层、隐含层和输出层，隐含层的数有多个，采用是三层神经网络。

4.1确定节点数

根据故障模式和原因分析确定BP网络的输入层和输出层节点数。以故障模式X=｛x1、x2、x3、x4、x5、x6｝输入，原因输出Y=｛y1、y2、y3、y4、y5｝；同理，对于调节器来说，以故障模式X=｛x7、x8、x9、x10、x11、x12｝输入，以故障原因Y=｛y6、y7、y8、y9、y10｝为样本输出，对应6个输入节点和5个输出节点。即输出结果中yi=0示无故障，yi=1示相应位置发生故障。选取10个样本数据分析研究，以多种故障原因的模式作为训练样本，建立故障模式与故障原因之间的映射关系。确定网络模型后，激活函数，一般BP采用S型函数，具有非线性放大系数功能，变换为（-1,1）间的输出。S型函数分:tansig函数（值域在（0,1））和logsig函数。

4.2网络的训练与仿真

值域在（-1,1）），将输出限制（0,1），S型作为输出函数，隐含层来说，将两种分别训练，对比结果，选择隐含层函数。结果表明隐含层采用tansig函数需1950步迭代网络收敛，而隐含层采用logsig函数预先步数2500，曲线趋于平行网络未能收敛，未能进行故障诊断。因此，对传感器的故障诊断采用隐含层为tansig的BP神经网络。选取2s时速度数据作为检验样本，因2s时相应车轮抱死代表与其对应的轮速传感器发生故障，得到仿真结果。对于调节器，隐含层采用tagsig函数的网络需1963步迭代后网络收敛，而隐含层采用logsig函数的网络迭代2727时，网络最小梯度达到下限，但性能目标未达到。因此，故障诊断采用隐含层为tansig函数的BP神经网络。结果得出传感器的最大误差,0.0051，最大误差为0.0035，两种BP神经网络训练后可满足故障诊断要求。但是仍存在以下不足：①迭代次数较多，训练时间较长；②易陷入局部极小值导致训练失败；③预测能力与训练能力出现“过拟合”现象。

5基于改进BP网络的故障诊断

针对BP网络改进方案主要分为:启发式改进和数值优化改进。启发式改进法是通过改进BP神经网络各项参数来克服网络学习中的各项缺陷，在解决复杂问题时，而数值优化方法在求解非目标函数时收敛快，受到专家学者的青睐。基于数值优化的改进方法包括牛顿法、共轭梯度法和Levenberg-Marquardt(L-M)法等,采用L-M法对BP神经网络优化，基本计算步骤如下：①对权值和阈值向量初始化，并给出训练误差精度ε，因子β，常数μ0，并令μ=μ0；②计算网络输出以及指标函数E[w（k）]：基于L-M算法的BP网络中，根据迭代结果自动调整比例系数μ，即动态调整迭代的收敛方向，使得每次的误差下降，收敛速度更快，训练精度也更高[2]。根据L-M算法进行训练仿真所示。选取2s时速度数据特征值作为传感器训练网络模型的检验样本，选取1.5s时的速度数据特征值作为调节器训练网络模型的检验样本，得到仿真结果。对比发现：采用基于L-M算法的网络训练方法迭代次数更小，收敛速度明显提高[3]。

6结论

本文根据ABS系统的工作原理，总结常见的故障实例以及诊断方法，从中找出问题，结合MATALAB仿真结果，对比发现后者有效克服了传统神经网络的问题，改善了训练效果，提高了诊断的效率和精度，为ABS故障诊断增加了一种可行途径。

【参考文献】

【1】丁舒平,余同进.道路交通事故的间接成因分析[J].公路交通科技:应用技术版,2009(3):170-171+182.

【2】王华中,钱晋,陈明福.汽车检测与诊断技术[M].湖南：中南大学出版社,2012.

【3】李巍.汽车ABS/ASR/BAS/DSC/ESP系统维修实例精选及剖析[M].北京：机械工业出版社,2010.

作者：翟梅杰 高鹏 单位：装甲兵工程学院机械工程系 渤海理工职业学院

《汽车ABS故障诊断分析》由：免费论文网互联网用户整理提供；
链接地址：http://www.csmayi.cn/show/211371.html
转载请保留,谢谢!

• 上一篇：基层乡镇农业机械化服务问题与措施
• 下一篇：电气设备热故障预防措施