基于改进神经网络的汽车ABS故障诊断
翟梅杰+高鹏
【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。
【Abstract】Aiming at the problem that the traditional fault diagnosis expert system is inefficient and cant meet the requirements of modern automobile intelligent development， the neural network technology is put forward to design the ABS fault diagnosis. This paper analyzes the working principle of ABS system， finds out common failure mode of the ABS system and the reason， and carry out training based on the establishment of BP neural network model， and the BP neural network model is taking the sensor and the regulator as the object. Aiming at the problem of local minimum and convergence speed of traditional BP neural network， this paper proposes an improved L-M algorithm based on numerical optimization， which shortens the diagnosis time and improves the diagnosis efficiency.
【关键词】汽车ABS；故障诊断；BP神经网络
【Keywords】 automobile ABS； fault diagnosis； BP neural network
【中图分类号】T-012 【文献标志码】A 【文章编号】1673-1069（2017）10-0173-02
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-lock Braking System，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。
2 ABS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。
3 ABS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（Error Back Propagation）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。
首先通过公式1对隐含层节点个数进行一个粗略估计，确定取值范围。
式中m为隐含层节点个数，n为输入层节点个数，l为输出层节点个数，α为1～10之间的常数，参数不变，固定收敛精度，确定误差最小节点。如隐含层神经元13时误差最小，所以故障采用网络模型为输入层为6，隐含层为13，输出层5的BP神经网络模型
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 网络的訓练与仿真
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：
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.
【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。
【Abstract】Aiming at the problem that the traditional fault diagnosis expert system is inefficient and cant meet the requirements of modern automobile intelligent development， the neural network technology is put forward to design the ABS fault diagnosis. This paper analyzes the working principle of ABS system， finds out common failure mode of the ABS system and the reason， and carry out training based on the establishment of BP neural network model， and the BP neural network model is taking the sensor and the regulator as the object. Aiming at the problem of local minimum and convergence speed of traditional BP neural network， this paper proposes an improved L-M algorithm based on numerical optimization， which shortens the diagnosis time and improves the diagnosis efficiency.
【关键词】汽车ABS；故障诊断；BP神经网络
【Keywords】 automobile ABS； fault diagnosis； BP neural network
【中图分类号】T-012 【文献标志码】A 【文章编号】1673-1069（2017）10-0173-02
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-lock Braking System，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。
2 ABS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。
3 ABS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（Error Back Propagation）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。
首先通过公式1对隐含层节点个数进行一个粗略估计，确定取值范围。
式中m为隐含层节点个数，n为输入层节点个数，l为输出层节点个数，α为1～10之间的常数，参数不变，固定收敛精度，确定误差最小节点。如隐含层神经元13时误差最小，所以故障采用网络模型为输入层为6，隐含层为13，输出层5的BP神经网络模型
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 网络的訓练与仿真
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：
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.
