CN112985830A - 一种abs结果自动判定算法 - Google Patents
一种abs结果自动判定算法 Download PDFInfo
- Publication number
- CN112985830A CN112985830A CN202110161343.6A CN202110161343A CN112985830A CN 112985830 A CN112985830 A CN 112985830A CN 202110161343 A CN202110161343 A CN 202110161343A CN 112985830 A CN112985830 A CN 112985830A
- Authority
- CN
- China
- Prior art keywords
- data
- abs
- layer
- vehicle
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明提供一种abs结果自动判定算法,包括以下步骤,S1:获取制动过程中与汽车ABS制动性能检测相关的测量数据及附加信息;S2:对获取的测量数据及附加信息进行数据预处理;S3:制作带标签的样本数据;S4:无监督深度学习网络模型的训练,利用云数据库积累实车测量以及对应的室内整车测试数据,能够较全面地检测装配ABS的车辆在各种路面上的制动执行情况,从而确保车辆制动的安全性,减少交通事故的发生,具有较高的实用价值,通过提供一种从特征提取到模式识别阶段的全程无监督深度学习网络,使之适用于类别标签缺失情况下的汽车ABS工作状态的自动判定。
Description
[技术领域]
本发明涉及ABS制动性能检测技术领域,尤其涉及一种应用效果突出的abs结果自动判定算法。
[背景技术]
随着防抱死制动***(简称ABS)在汽车上应用越来越广,在汽车整车检测线中,需要相应的增加对汽车ABS制动性能检测设备,这些设备通过检测车辆制动时的轮速、车身速度、踏板及管路压力等,来判断ABS的工作性能。由于,普通检测人员并不具备相关的专业知识,因此,汽车ABS制动性能检测设备应能对被测车辆ABS的工作状态进行自动判定。
在海量的监测数据中,由于故障的发生几率相比正常工况很低,且人工标记信息比较困难,因此,通常很难构建大量高价值、有标注的样本集。如何在有限或缺乏训练样本标签信息的情况下,进行有效的状态监测与故障识别,是一个既充满挑战又有重要应用价值的关键问题。
[发明内容]
为克服现有技术所存在的问题,本发明提供一种应用效果突出的abs结果自动判定算法。
本发明解决技术问题的方案是提供一种abs结果自动判定算法,包括以下步骤,
S1:获取制动过程中与汽车ABS制动性能检测相关的测量数据及附加信息;
S2:对获取的测量数据及附加信息进行数据预处理;
S3:制作带标签的样本数据;
S4:无监督深度学习网络模型的训练。
优选地,所述步骤S1中的测量数据包括车速、轮速、踏板力、abs制动时间、间隔、制动管路压力数据;所述附加信息包括车型、车号、车龄、道路位置以及车型技术参数。
优选地,所述步骤S1中还包括将获取的测量数据及附加信息,区分为结构化数据和非结构化数据;所述结构化数据包括数值型数据、数据库;所述非结构化数据包括文字型数据或时域波形图。
优选地,所述步骤S2具体包括以下步骤,A1:截取所述测量数据波形时间曲线中与abs制动动作相关长度的数据作为原始波形数据;A2:采用高通滤波器去除基线漂移噪音;A3:基于标准方差和阈值法确认噪音是否过高,噪音过高时使用低通巴特沃斯滤波器去除噪音干扰;A4:针对数据来源多源、异构的特点,对所有数据进行归一化处理。
优选地,所述步骤S3中,Abs制动***在不同工况下运行的测量数据具有一定的相似度,其故障数据时域分布图具有一定的相似性,即源领域和目标领域具有公共部分。
优选地,所述步骤S3中,对处理后的不同工况下的数据添加标签并记为源领域(Source Domain,简称SD);对ABS整体状态的评价结论,其标签包括正常、故障、不足;预处理后的实时采集的数据记为目标领域(TargetDomain,简称TD)。
优选地,所述步骤S4中的无监督深度学习网络模型包括主网络和次网络;所述主网络具有前馈连接和反馈连接结构,含有局部记忆能力,主网络依次由输入层、承接层、中间层和输出层构成;所述次网络用于主网络初始化,次网络含有一个可视层和一个隐含层。
优选地,所述步骤S4的训练过程分为两个阶段:第一步是,采用自下而上的无监督训练方式;第二步是,采用自上而下的有监督学习方式;所述自下而上的训练,是用无标定数据或有标定数据进行分层训练;首先输入训练样本,学习网络第一层的权重,直至模型第n-1层,其输出作为模型第n层输入,由此得到每层的神经元参数,其训练过程是无监督的;所述自上而下的学习,是在第一步训练过程结束后,通过带标签的数据进一步训练网络,使误差自上而下逐层传输,从而对预训练所得的网络参数进行微调,最终确定模型的各层网络参数,这个训练过程是有监督的。
优选地,所述针对已积累丰富故障数据的车型和或abs制动***,在有限或缺乏训练样本标签信息的情况下,从不同车型、车号、车龄、道路位置,以及数值、文字、图片等多来源,多结构的被测车辆测量数据及附加信息中,全方位、有效地提取故障特征,使之适用于类别标签缺失情况下的汽车ABS工作状态的自动判定;具体步骤如下:A、将非结构化数据,作为卷积神经网络的输入,将结构化数据作为深度神经网络的输入;B、通过一个包含多个隐含层的特征融合层,将CNN的全连接层和DNN的最后一层隐含层中的神经元,与特征融合层中第一个隐含层的神经元进行全连接,这个全连接操作将CNN从非结构化数据中提取的故障特征和DNN从结构化数据中提取的故障特征进行了无缝集成;C、将特征融合层最后一个隐含层的输出,输入到softmax分类器,对故障进行分类。
优选地,所述从不同工况的不同数据集下,自动提取隐含的代表性特征,建立一个通用的故障诊断模型,使其能够在变工况的前提下实现abs***的故障诊断;具体步骤如下:A、获取ABS制动性能检测数据,分析ABS检测结果,选取m个能反映汽车ABS工作性能的特征参数;B、制作带标签的样本数据;C、针对所述特征参数的n个样本数据(n=ns+nt),进行数据清洗处理;D、构建无监督深度学习网络模型。
与现有技术相比,本发明一种abs结果自动判定算法利用云数据库积累实车测量以及对应的室内整车测试数据,能够较全面地检测装配ABS的车辆在各种路面上的制动执行情况,从而确保车辆制动的安全性,减少交通事故的发生,具有较高的实用价值。
[附图说明]
图1是本发明的数据库应用***结构图。
图2是本发明的无监督深度学习模型。
图3是本发明的ABS制动性能检验结果自动判定算法1。
图4是本发明的ABS制动性能检验结果自动判定算法2。
图5(a)是本发明的ABS正常工作时的车速/轮速对比曲线。
图5(b)是本发明的ABS故障时的车速/轮速对比曲线。
图6(a)是本发明的同一附着系数路面下ABS正常工作时的车速/轮速对比曲线。
图6(b)是本发明的同一附着系数路面下ABS制动力不足时的车速/轮速对比曲线。
图7是本发明的ABS制动数据降维处理流程。
图8是本发明一种abs结果自动判定算法的流程示意图。
[具体实施方式]
为使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定此发明。
请参阅以下视图,本发明一种abs结果自动判定算法所对应的一种汽车abs制动故障诊断***数据库应用***,如下图1所述,
具体包括:私有数据接口1、公有数据接口2、以太网3、制动台电控柜4、abs制动检测台5、被测车辆6、ODB适配器7、工位计算机8。
所述工位计算机8通过现场总线(RS232/CAN总线等)与制动台电控柜4、ODB适配器7连接;并可通过以太网3与私有数据接口1、公有数据接口2连接通讯。
所述OBD适配器7的另一端通过车载诊断协议(K线/CAN总线)连接被测车辆6的车载OBD接口,与其上的ABS电子控制单元(ECU)通讯。
所述制动台电控柜4安装有嵌入式控制板卡及A/D信号转换板卡,并通过信号线连接abs制动检测台5。
作为示例,这些组件可以具有下述功能:
1、工位计算机:
a.与制动台电控柜通信,协调被测车辆和abs制动检测台进行检测,接收abs制动测试数据;
b.指示被测车辆进行制动,并通过OBD适配器,接收被测车辆的abs制动操作数据;
c.内嵌深度学习算法模型,以实现深度神经网络模型的数据库应用,对被测车辆的abs制动性能进行自动判定;
d.内嵌人机界面(HMI)、可视化图表等,以实现日常的工业设备智能监控和交互;
e.与私有数据接口、公有数据接口连接通讯,发布数据并接收数据反馈。
2、abs制动检测台、制动台电控柜
a.执行abs制动检测;
b.采集abs制动测试数据;
c.将采集的数据,调理为计算机能够识别的数字信号。
3、被测车辆、ODB适配器
a.执行abs制动;
b.采集abs制动操作数据;
c.将采集的数据,调理为计算机能够识别的数字信号。
4、私有数据接口、公有数据接口
a.连接私有云平台、公有云平台;
b.接收工位计算机发布的测试数据、测试结果;
c.接收针对特定车型、车号的abs制动数据标注样本集;
d.针对特定车型、车号,向工位计算机反馈完成训练的深度神经网络模型,和/或工位计算机完成深度神经网络模型训练所需的abs制动标注样本集。
本发明一种基于无监督深度学习模型的ABS制动性能检验结果自动判定算法,如上述图2所示,具体包括以下步骤:
1、获取制动过程中与汽车ABS制动性能检测相关的测量数据及附加信息;
a.所述检测数据包括车速、轮速、踏板力、abs制动时间、间隔、制动管路压力等制动过程的测量数据;
b.所述附加信息包括但不限于:车型、车号、车龄、道路位置;车型技术参数,例如:轴距、轮距、整备质量、轮胎规格、ABS形式、ABS信号,以及功率、扭矩等动力数据,这些数据来源于预设的车型、车号技术参数数据库;
c.在本发明的一个实施例中,将获取的测量数据及附加信息,区分为结构化数据和非结构化数据。结构化数据,例如,数值型数据、数据库等;非结构化数据,例如,文字型数据、时域波形图等;
2、对获取的测量数据及附加信息进行数据预处理,包括以下步骤:
a.截取所述测量数据波形时间曲线中与abs制动动作相关长度的数据作为原始波形数据;
b.采用高通滤波器去除基线漂移噪音;
c.基于标准方差和阈值法确认噪音是否过高,噪音过高时使用低通巴特沃斯滤波器去除噪音干扰;
d.针对本发明中数据来源多源、异构的特点,对所有数据进行归一化处理;
3、制作带标签的样本数据:
a.Abs制动***在不同工况下运行的测量数据具有一定的相似度,其故障数据时域分布图具有一定的相似性,即源领域和目标领域具有公共部分,这是在本发明中采用无监督深度学习网络模型的前提。
b.在本发明的一个实施例中,对处理后的不同工况下的数据添加标签并记为源领域(Source Domain,简称SD),例如,对ABS整体状态的评价结论,其标签包括正常、故障、不足;预处理后的实时采集的数据记为目标领域(TargetDomain,简称TD)。
4、无监督深度学习网络模型的训练
a.对输入数据进行特征提取是机器学习算法中非常重要的一个步骤,同时也是最耗时间的一个阶段;在故障识别前依赖人为经验和大量的实验研究提取特征指标,工作量较大,选取的特征指标是否能完全表达abs制动过程的运行模式也无法得到验证;
本发明采用无监督深度学习网络模型,在整个学习过程中跳过了特征设计这一阶段,可以对不同模式下的输入信号进行直接的学习,在模型的学习过程中,通过逐层的特征变换学习到信号本身的全部特征信息,从而更能得到全局性而非局部最优的故障识别结果;
所述模型可以包括:主网络和次网络;主网络具有前馈连接和反馈连接结构,含有局部记忆能力,主网络依次由输入层、承接层、中间层和输出层构成;次网络用于主网络初始化,次网络含有一个可视层和一个隐含层;
模型的任务可以是分类,也可以是回归,与所建模的问题本身及标签的形式有关。在本发明中的分类任务,可以是abs制动性能检测结果的自动判定;回归任务可以是根据当前检测结果,对被测车辆下一次abs制动性能故障类型及发生时间的预测。
b.无监督深度学习网络模型的训练过程,分为两个阶段:第一步是,采用自下而上的无监督训练方式;第二步是,采用自上而下的有监督学习方式;
所述自下而上的训练,是用无标定数据(有标定数据也可)进行分层训练;首先输入训练样本,学习网络第一层的权重,直至模型第n-1层,其输出作为模型第n层输入,由此得到每层的神经元参数,其训练过程是无监督的;
这其实就是一个特征学习的过程,在训练过程中,由于深度模型自身的容量限制、稀疏性约束等特点,会使模型有能力学习到其海量输入数据中包含的所有信息;这也是其与传统神经网络最大的区别所在,其模型初值是在学习训练样本的内部结构中得到的,更加地接近网络的全局最优,因此往往能够比神经网络取得更加准确的效果;
所述自上而下的学习,是在第一步训练过程结束后,通过带标签的数据进一步训练网络,使误差自上而下逐层传输,从而对预训练所得的网络参数进行微调,最终确定模型的各层网络参数,这个训练过程是有监督的。
无监督深度学习网络模型的训练过程依赖于大数据,在本发明中数据的获取方式包括,通过路试、台试,车载跟踪测量获得,也可以通过已有的数据库获得,或者通过其它途径获得。
本发明的一个算法实施例,如下述图3所示,其目标是针对已积累丰富故障数据的车型和或abs制动***,在有限或缺乏训练样本标签信息的情况下,从不同车型、车号、车龄、道路位置,以及数值、文字、图片等多来源,多结构的被测车辆测量数据及附加信息中,全方位、有效地提取故障特征,使之适用于类别标签缺失情况下的汽车ABS工作状态的自动判定;具体步骤如下:
1、首先将非结构化数据,作为卷积神经网络的输入,将结构化数据作为深度神经网络的输入;
a.所述卷积神经网络(CNN)由卷积层、子采样层和全连接层组成,通过卷积与池化等操作,其全连接层的输出,就是从非结构化数据中提取的故障特征;
b.所述深度神经网络(DNN)具有多个隐藏层,第一个隐藏层从原始数据中提取基本的低层特征,后继隐藏层将它们逐层转换成更抽象的高层特征,这些高层特征能够更加精确地描述数据分布;DNN可以自适应地从样本数据中学习到一些深层隐藏的规律,而不需要特定领域的专业知识;DNN最后一层隐含层的输出就是从结构化数据中提取的故障特征;
2、通过一个包含多个隐含层的特征融合层,将CNN的全连接层和DNN的最后一层隐含层中的神经元,与特征融合层中第一个隐含层的神经元进行全连接,这个全连接操作将CNN从非结构化数据中提取的故障特征和DNN从结构化数据中提取的故障特征进行了无缝集成;
a.设CNN全连接层的输出维数为NC,则其特征向量Vc∈R1×Nc(Vc属于1×Nc维的空间);设DNN最后一层隐含层的输出维数为Nd,则其特征向量Vd∈R1×Nd(Vd属于1×Nd维的空间);则全连接操作后构造的特征向量Vin∈R1×(Nc+Nd)(Vin属于1×(Nc+Nd)维的空间);
b.将Vin作为特征融合层第一个隐含层的输入,在特征融合层的多个隐含层中,对特征向量Vin进行融合映射;
3、最后,将特征融合层最后一个隐含层的输出,输入到softmax分类器,对故障进行分类。
本发明的又一个算法实施例,其目标是从不同工况的不同数据集下,自动提取隐含的代表性特征,建立一个通用的故障诊断模型,使其能够在变工况的前提下实现abs***的故障诊断,例如,室内测试台的对开路面工况模拟,以及复杂路面下的车载实时测量数据的自动判定等等;具体如下:
1、获取ABS制动性能检测数据,分析ABS检测结果,选取m个能反映汽车ABS工作性能的特征参数;例如:选择滑移率、附着系数利用率等,作为ABS检测结果的判定指标;
a.滑移率表示汽车制动过程中车速与轮速差异程度;其计算公式为: 其中,S表示滑移率,V表示车速,r表示车轮半径,ω表示车轮角速度;汽车abs对制动过程的控制原理就是使车辆在制动过程中保持在最佳滑移率附近以获得较大的地面附着力;
b.附着系数利用率:路面附着系数是指附着力与车轮法向压力的比值,它可以看作是车轮与路面间的静摩擦系数,这个系数越大,可利用的附着力就越大,车轮越不容易打滑。附着系数利用率是指在制动过程中整车对地面的最大附着力的有效利用程度,它是在某一确定的附着系数路面上,ABS控制制动效率的具体体现;
2、制作带标签的样本数据;
a.确定标签参数;例如,对ABS整体状态的评价,用(0,1)表示正常状态,用(1,0)表示故障状态,用(0,0)表示制动力不足的状态;
b.对不同工况下的样本数据集Xs添加标签Ys并记为源领域(Source Domain,简称SD)(见下表);
表4:源领域样本数据
c.对实时采集的无标签样本数据Xt,记为目标领域(TargetDomain,简称TD);
d.经过上述步骤,获得源领域SD的数据输入Xs和其标签输出Ys,以及目标领域TD的数据输入Xt;假设Xs=Xt、Ys=Yt;并且源数据和目标数据的边缘分布不同(即P(Xs)≠P(Xt)),条件分布不同(即Q(Ys∣Xs)≠Q(Yt∣Xt));需要解决的问题是,使用源数据训练的分类器预测目标数据输入Xt的标签输出Yt;
3、针对所述特征参数的n个样本数据(n=ns+nt),进行数据清洗处理;
a.对非二值化的样本数据进行线性归一化处理,使其分布在0与1之间;计算公式为:X'=(X-Xmin)/(Xmax-Xmin);
其中,X表示某项数据属性中某条样本值,Xmax表示某项数据属性中的最大值,Xmin表示某项数据属性中的最小值,X'表示归一化处理后的数值;
b.通过傅里叶变换去除归一化处理后数据中包含的噪声;
4、构建无监督深度学习网络模型,如图5所示;
a.所述无监督深度学习网络模型,其结构上与传统多层神经网络相同,包含输入层、多个隐含层和输出层:每一层的神经元之间无连接,层与层之间为全连接;对于abs制动***通用故障诊断模型,其输入层和输出层的节点数分别与数据集的输入属性和类别数相对应;
其隐含层的前部由多层自动编码器(Auto-Encoder,简称AE)堆叠而成,训练时采用逐层训练的方法,即将前一层的输出作为下一层的输入依次训练;每一层自动编码器提取出特征之后,通过边缘分布适配和条件分布适配提取出隐含在数据集下的源领域和目标领域之间的公共信息,得到显著减少源域和目标域的边缘分布和条件分布差异的特征表示;
其隐含层的最后一层为代表期望输出变量的分类层,优选为适用于非线性多分类问题的Softmax分类器,其输出为相应样本分别属于不同标签状态的概率值,概率值最大的状态即为诊断的最终结果;
其训练过程分为预训练和微调两个阶段,预训练采用源领域SD或目标领域TD的样本数据作为网络的输入,通过BP算法完成前部若干层AE参数的初始化;预训练各层AE参数时,会固定其它层参数保持不变,微调则是采用带标签的源数据通过BP算法同时对包括分类层在内的整个网络参数进行调整,使得网络的判别性能达到最优;
b.所述自动编码器AE包括输出层、隐含层与输入层,其中输出层与输入层具有相同的规模;从输入层到隐含层的特征变换过程称为编码,从隐含层到输出层的特征变换过程称为解码;
其编码函数定义为f(x)=Sf(Wx+p),解码函数定义为g(h)=Sg(WTh+q),式中:Sf、Sg优选为sigmoid函数,W表示输入层与隐含层之间的权值矩阵,WT表示隐含层与输出层之间的权值矩阵;p表示隐含层的偏置向量;q表示输出层的偏置向量;上述AE参数记为θ;
假设训练样本集S={X1,…,Xn},训练AE的过程实质上就是利用S对参数θ进行训练的过程;具体方法为:
c.abs制动***通用故障诊断模型运行于不同的工况,其源数据和目标数据边缘分布不一致,需要更进一步拉近源域和目标域边缘分布的距离,具体方法为:
JM表示边缘分布适配,XS,XT表示来自源领域和目标领域的特征表示;通过使用边缘分布适配学习特征变换矩阵A,得到新的特征表示Z=ATX;
d.abs制动***通用故障诊断模型的训练,需要使用源数据训练的分类器预测目标源的标签,考虑源数据和目标数据之间条件分布的差异性,需要最小化类条件概率来达到最小化条件概率的目标,依然使用最大平均差异(maximize mean discrepancy,简称MMD)来拉近源域和目标域条件分布的距离,具体方法为:
JC表示条件分布适配,XS,XT表示来自源领域和目标领域的特征表示,C是类条件概率,Q(XS|YS=C)、Q(XT|YT=C),C∈{1,2…,n};通过使用条件分布适配学习特征变换矩阵A,得到新的特征表示Z=ATX;
e.在源数据和目标数据的边缘分布和条件分布差异都很大的情况下,使用源数据训练的分类器预测目标数据的输出Yt,需要把边缘分布和所有类条件分布的MMD距离加起来进行优化,具体为:
是需优化的正交变换矩阵,其中,XHXT是中心矩阵X={Xij}∈Rm×n的协方差矩阵,λ||A||2是正则化项;这个优化问题可以通过求解,新的特征表示Z=ATX提取了源域和目标域的公共特征,这样源域的分类器就可以作为目标域的分类器;显然这样针对目标域的分类方法,使用的是伪标签策略,因此需要采取BP算法反复迭代,逐渐提高伪标签的正确率,直至收敛。
f.所述BP算法反复迭代的过程的具体步骤为:
通过预训练,将模型的每一层都看成一个自编码网络,对输入数据不断进行编码、解码的操作,直到深度模型的输出层。同时,不断利用反向传播算法来计算训练样本误差,根据误差的梯度来优化每一层中的损失函数,得到最优化的权值与偏置参数,具体为;
其中,W是调整前的权重,W′是调整后的权重,E是误差,η是学习率;
计算连续两次迭代的误差变化σ,当0≤σ≤H时,停止反向传播算法的迭代过程;
最后,再次利用反向传播来将***的预期输出和实际输出之间的误差传递到每一层,从而对整体模型参数进行调优;
g.所述Softmax分类器通过前部多层自动编码器输出的特征向量进行训练;假设总共有k个分类类别,则Softmax分类器的输出为一阶概率矩阵,对类标签从1到k估算出概率值p,其***方程为:
该矩阵的每一行是一个分类标签对应分类器的参数,总计k行,其损失函数可以表示为:
式中,l{·}为一指示性函数,即当括号中的值为真时,函数值为1,否则为0。
损失函数对参数θ的偏导函数如下:
根据训练样本,损失函数和其偏导函数,利用梯度下降法即可求得***的参数值。
5、具体针对abs制动***通用故障诊断模型的构建步骤如下;
a.利用源领域的标签样本对算法模型进行预训练,得到模型的权值与偏置参数;
b.分别在源领域和目标领域选取相同数目的样本数据作为输入,再一次调整模型的权值与偏置参数,同时得到这些数据相应的特征表示;
c.将源领域的特征表示用来训练Softmax分类器,得到训练好的分类模型,
d.把目标领域的特征表示作为Softmax分类器的输入,得到每个样本的分类标签,从而得到汽车abs制动性能自动判定算法模型;
下面,说明在本发明中可采用的ABS检测参数及其检测方法的例子。
(例1)说明用减速度比作为ABS检测结果的特征判定指标。
图5简要地示出ABS制动时车速/轮速对比曲线。减速度比是指制动时车轮减速度与车身减速度的比值,在ABS正常工作情况下(图5(a)),车轮与车身减速度大小基本一致,ABS故障时(图5(b)),车轮迅速抱死,轮速在较短时间内减小为零,而车身速度减小相对缓慢,两者减速度间形成较大差距。因此,减速度比越大,说明ABS调节能力越差;
(例2)说明用制动减速度作为ABS检测结果的特征判定指标。
图6简要地示出同一附着系数路面下ABS制动时车速/轮速对比曲线,制动减速度反映了制动时车辆速度下降的速率,因此,制动减速度在一定程度上体现了制动***的制动效能。如果在相同附着系数路面上,出现减速度值较小,则可能出现如图6(b)所示的制动力不足的情况(图6(b)在制动初速度小于图6(a)的情况下,制动距离为图6(a)的8倍);
(例3)说明通过深度学习算法对ABS制动的原始数据进行重构的方法及实例。
图7简要地示出采用自动编码器AE对ABS制动的原始数据进行降维处理的流程。
反映ABS工作性能的特征参数较多,要根据所有参数评价ABS工作性能,不仅使神经网络的训练更为复杂,而且可能因为特征参数之间的多重相关性而无法得出准确的结论。因此,对于期望的abs制动***通用故障诊断模型,可首先采用自动编码器AE对数据源进行降维处理,其有益效果如下:
自动编码器AE可以自动从无标注的数据中学习特征,是一种以重构输入信息为目标的神经网络,具有较强的特征学习能力,并可以给出比原始数据更好的特征描述;
与传统的主成分分析(principal component analysis,简称PCA)算法比较,自动编码器AE既能表征线性变换,也能表征非线性变换,并可作为层用于构建深度学习网络。通过设置合适的维度和稀疏约束,自编码器AE可以学习到比采用PCA等技术更有意义的数据投影;
(例4)说明通过车速和轮速来判断abs性能的实施例。
1、原始数据准备
1.1、首先是数据的准备部分。
在本实施例的实际操作中,我们选取车身速度和车轮速度为研究对象。以制动初速度40km/h作为基准,选择数据采样频率为每10毫秒1个点,采样时间为30秒,后20秒每100毫秒取1个点,主要用于制动力不足的检测。
1.2、测试工况
根据GB/T 13594-2003对ABS道路试验要求,abs性能检测主要包括高附着系数路面、低附着系数路面、对开路面和对接路面等工况。
1.3、标签数据
参考图5、图6,对源领域的样本数据加入正常状态、故障状态、制动力不足等对ABS整体状态的评价标签。
2、深度学习模型训练
2.1、建立abs制动性能自动判定算法模型
建立由多层自动编码器组成的深度学习神经网络,并采用Softmax回归算法作为顶层分类器得到abs制动性能自动判定隐含层的结果。
隐含层的数目为两层,对应1200个神经元的输入层,第一层隐含层有50个神经元,第二层隐含层有25个神经元。将第一个隐含层的输出作为第二个隐含层的输入,通过对数据的逐层学习得到最终的重构基向量。
输出层根据分类数目,设定为2个神经元。用(0,1)表示正常状态,用(1,0)表示故障状态,用(0,0)表示制动力不足的状态。
2.2、数据的遮挡处理
为了加强算法模型的鲁棒性,需要对输入数据进行“遮挡”处理,遮挡比例为0.25,即将输入层25%的神经元节点数据以均匀分布(qD分布)置0,得到新的输入样本x';然后以遮挡处理后的x'作为模型的输入,通过多层神经网络的深度学习来表达出遮挡前的样本x,实现对原始数据的重构,从而实现高鲁棒性的特征自表达,提高算法的抗噪能力。
2.3、微调
无监督自学习过程缺乏足够的标签,导致其分类的精度不高,无法满足性能判定的分类精度要求。微调过程采用带标签的源数据,基于反向传播算法对包括分类层在内的整个网络参数进行调整,减小神经元的输出残差,进而优化网络模型的权值和偏置参数,使得网络的判别精度达到99%以上。
如上所述,说明了若干本发明中可采用的ABS检测参数及其检测方法的例子,但本发明可利用的ABS检测参数及其检测方法不限于以上的例子,设计者可以根据车辆类型、ABS工作模型、室内检测平台、测控***以及相关模拟机构的结构类型等来自由设计。
不难发现,相比于传统的ABS检测方法,本发明利用云数据库积累实车测量以及对应的室内整车测试数据,能够较全面地检测装配ABS的车辆在各种路面上的制动执行情况,从而确保车辆制动的安全性,减少交通事故的发生,具有较高的实用价值。
以上所述的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (10)
1.一种abs结果自动判定算法,其特征在于:包括以下步骤,
S1:获取制动过程中与汽车ABS制动性能检测相关的测量数据及附加信息;
S2:对获取的测量数据及附加信息进行数据预处理;
S3:制作带标签的样本数据;
S4:无监督深度学习网络模型的训练。
2.如权利要求1所述的一种abs结果自动判定算法,其特征在于:所述步骤S1中的测量数据包括车速、轮速、踏板力、abs制动时间、间隔、制动管路压力数据;所述附加信息包括车型、车号、车龄、道路位置以及车型技术参数。
3.如权利要求2所述的一种abs结果自动判定算法,其特征在于:所述步骤S1中还包括将获取的测量数据及附加信息,区分为结构化数据和非结构化数据;所述结构化数据包括数值型数据、数据库;所述非结构化数据包括文字型数据或时域波形图。
4.如权利要求1所述的一种abs结果自动判定算法,其特征在于:所述步骤S2具体包括以下步骤,A1:截取所述测量数据波形时间曲线中与abs制动动作相关长度的数据作为原始波形数据;A2:采用高通滤波器去除基线漂移噪音;A3:基于标准方差和阈值法确认噪音是否过高,噪音过高时使用低通巴特沃斯滤波器去除噪音干扰;A4:针对数据来源多源、异构的特点,对所有数据进行归一化处理。
5.如权利要求1所述的一种abs结果自动判定算法,其特征在于:所述步骤S3中,Abs制动***在不同工况下运行的测量数据具有一定的相似度,其故障数据时域分布图具有一定的相似性,即源领域和目标领域具有公共部分。
6.如权利要求5所述的一种abs结果自动判定算法,其特征在于:所述步骤S3中,对处理后的不同工况下的数据添加标签并记为源领域(Source Domain,简称SD);对ABS整体状态的评价结论,其标签包括正常、故障、不足;预处理后的实时采集的数据记为目标领域(TargetDomain,简称TD)。
7.如权利要求1所述的一种abs结果自动判定算法,其特征在于:所述步骤S4中的无监督深度学习网络模型包括主网络和次网络;所述主网络具有前馈连接和反馈连接结构,含有局部记忆能力,主网络依次由输入层、承接层、中间层和输出层构成;所述次网络用于主网络初始化,次网络含有一个可视层和一个隐含层。
8.如权利要求7所述的一种abs结果自动判定算法,其特征在于:所述步骤S4的训练过程分为两个阶段:第一步是,采用自下而上的无监督训练方式;第二步是,采用自上而下的有监督学习方式;所述自下而上的训练,是用无标定数据或有标定数据进行分层训练;首先输入训练样本,学习网络第一层的权重,直至模型第n-1层,其输出作为模型第n层输入,由此得到每层的神经元参数,其训练过程是无监督的;所述自上而下的学习,是在第一步训练过程结束后,通过带标签的数据进一步训练网络,使误差自上而下逐层传输,从而对预训练所得的网络参数进行微调,最终确定模型的各层网络参数,这个训练过程是有监督的。
9.如权利要求1所述的一种abs结果自动判定算法,其特征在于:所述针对已积累丰富故障数据的车型和或abs制动***,在有限或缺乏训练样本标签信息的情况下,从不同车型、车号、车龄、道路位置,以及数值、文字、图片等多来源,多结构的被测车辆测量数据及附加信息中,全方位、有效地提取故障特征,使之适用于类别标签缺失情况下的汽车ABS工作状态的自动判定;具体步骤如下:A、将非结构化数据,作为卷积神经网络的输入,将结构化数据作为深度神经网络的输入;B、通过一个包含多个隐含层的特征融合层,将CNN的全连接层和DNN的最后一层隐含层中的神经元,与特征融合层中第一个隐含层的神经元进行全连接,这个全连接操作将CNN从非结构化数据中提取的故障特征和DNN从结构化数据中提取的故障特征进行了无缝集成;C、将特征融合层最后一个隐含层的输出,输入到softmax分类器,对故障进行分类。
10.如权利要求1所述的一种abs结果自动判定算法,其特征在于:所述从不同工况的不同数据集下,自动提取隐含的代表性特征,建立一个通用的故障诊断模型,使其能够在变工况的前提下实现abs***的故障诊断;具体步骤如下:A、获取ABS制动性能检测数据,分析ABS检测结果,选取m个能反映汽车ABS工作性能的特征参数;B、制作带标签的样本数据;C、针对所述特征参数的n个样本数据(n=ns+nt),进行数据清洗处理;D、构建无监督深度学习网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110161343.6A CN112985830B (zh) | 2021-02-05 | 2021-02-05 | 一种abs结果自动判定算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110161343.6A CN112985830B (zh) | 2021-02-05 | 2021-02-05 | 一种abs结果自动判定算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112985830A true CN112985830A (zh) | 2021-06-18 |
CN112985830B CN112985830B (zh) | 2023-06-23 |
Family
ID=76348107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110161343.6A Active CN112985830B (zh) | 2021-02-05 | 2021-02-05 | 一种abs结果自动判定算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112985830B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156913A (zh) * | 2021-02-05 | 2021-07-23 | 深圳大雷汽车检测股份有限公司 | 一种abs故障诊断***及方法 |
CN113188807A (zh) * | 2021-02-05 | 2021-07-30 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
CN114155476A (zh) * | 2022-02-07 | 2022-03-08 | 天津所托瑞安汽车科技有限公司 | Aeb有效避免事故场景识别方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001344590A (ja) * | 2000-05-31 | 2001-12-14 | Fuji Electric Co Ltd | ニューラルネットワーク及びその学習方法、解析方法並びに異常判定方法 |
CN106482938A (zh) * | 2016-10-14 | 2017-03-08 | 温州大学 | 基于ga‑bp网络的液压制动***多源融合故障预示方法 |
CN108956153A (zh) * | 2018-04-27 | 2018-12-07 | 东华大学 | 一种基于rbf径向基神经网络的汽车防抱死检测方法 |
CN109000935A (zh) * | 2018-07-12 | 2018-12-14 | 清华大学深圳研究生院 | 新能源汽车制动***性能的判定方法 |
CN110751633A (zh) * | 2019-10-11 | 2020-02-04 | 上海眼控科技股份有限公司 | 基于深度学习的多轴大车制动检测方法、装置、*** |
CN111238825A (zh) * | 2020-01-10 | 2020-06-05 | 东南大学 | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 |
US20200239026A1 (en) * | 2019-01-30 | 2020-07-30 | Perceptive Automata, Inc. | Navigating autonomous vehicles based on modulation of a world model representing traffic entities |
CN111814966A (zh) * | 2020-08-24 | 2020-10-23 | 国网浙江省电力有限公司 | 神经网络架构搜索方法、神经网络应用方法、设备及存储介质 |
-
2021
- 2021-02-05 CN CN202110161343.6A patent/CN112985830B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001344590A (ja) * | 2000-05-31 | 2001-12-14 | Fuji Electric Co Ltd | ニューラルネットワーク及びその学習方法、解析方法並びに異常判定方法 |
CN106482938A (zh) * | 2016-10-14 | 2017-03-08 | 温州大学 | 基于ga‑bp网络的液压制动***多源融合故障预示方法 |
CN108956153A (zh) * | 2018-04-27 | 2018-12-07 | 东华大学 | 一种基于rbf径向基神经网络的汽车防抱死检测方法 |
CN109000935A (zh) * | 2018-07-12 | 2018-12-14 | 清华大学深圳研究生院 | 新能源汽车制动***性能的判定方法 |
US20200239026A1 (en) * | 2019-01-30 | 2020-07-30 | Perceptive Automata, Inc. | Navigating autonomous vehicles based on modulation of a world model representing traffic entities |
CN110751633A (zh) * | 2019-10-11 | 2020-02-04 | 上海眼控科技股份有限公司 | 基于深度学习的多轴大车制动检测方法、装置、*** |
CN111238825A (zh) * | 2020-01-10 | 2020-06-05 | 东南大学 | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 |
CN111814966A (zh) * | 2020-08-24 | 2020-10-23 | 国网浙江省电力有限公司 | 神经网络架构搜索方法、神经网络应用方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
付昌星: "汽车制动性能检测***中神经网络的应用分析", 《汽车与驾驶维修(维修版)》, no. 07, pages 103 * |
杨宇等: "全参数动态学习深度信念网络在滚动轴承寿命预测中的应用", 《振动与冲击》, no. 10, pages 199 - 205 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156913A (zh) * | 2021-02-05 | 2021-07-23 | 深圳大雷汽车检测股份有限公司 | 一种abs故障诊断***及方法 |
CN113188807A (zh) * | 2021-02-05 | 2021-07-30 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
CN113188807B (zh) * | 2021-02-05 | 2024-05-03 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
CN114155476A (zh) * | 2022-02-07 | 2022-03-08 | 天津所托瑞安汽车科技有限公司 | Aeb有效避免事故场景识别方法、装置、设备及介质 |
CN114155476B (zh) * | 2022-02-07 | 2022-07-05 | 天津所托瑞安汽车科技有限公司 | Aeb有效避免事故场景识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112985830B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113188807B (zh) | 一种abs结果自动判定算法 | |
CN112985830A (zh) | 一种abs结果自动判定算法 | |
CN110164128B (zh) | 一种城市级智能交通仿真*** | |
CN110097755B (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
CN111666982B (zh) | 一种基于深度神经网络的机电设备故障诊断方法 | |
WO2019037557A1 (zh) | 一种机车运行时序特征学习方法 | |
CN112000084B (zh) | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 | |
CN113392931B (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN112838946B (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
US11954923B2 (en) | Method for rating a state of a three-dimensional test object, and corresponding rating system | |
CN111414932A (zh) | 一种飞行器多尺度信号的分类识别与故障检测方法 | |
CN110991471B (zh) | 一种高速列车牵引***故障诊断方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和*** | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN114218872A (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
CN112613542A (zh) | 一种基于双向lstm的企业除污设备负荷辨识方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及*** | |
CN113283546B (zh) | 加热炉完整性管理集控装置的炉况异常报警方法及*** | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN113156913A (zh) | 一种abs故障诊断***及方法 | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
Zhang et al. | Cycle condition identification of loader based on optimized KNN algorithm | |
Zhang et al. | Kalman Filter-Based CNN-BiLSTM-ATT Model for Traffic Flow Prediction. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |