【技术实现步骤摘要】
本专利技术涉及制动器故障检测的，具体涉及一种基于模糊神经网络的液压制动器故障检测方法及系统。
技术介绍
1、随着现代汽车工业和机械设备制造技术的飞速发展，液压制动系统因其反应速度快、操作稳定性强、输出力大等优点被广泛应用在各类车辆及重型机械设备中。然而，液压制动器作为该系统的核心部件，其工作状态直接影响着整个系统的性能和安全性。尽管现有的液压制动器在设计和制造上已经达到了相当高的技术水平，但长期运行过程中出现的磨损、老化以及突发故障等问题依然无法完全避免，这不仅可能导致制动效能降低，更有可能引发严重的安全事故。目前，针对液压制动器的故障预测技术已成为行业研究的重要方向之一。传统的故障检测手段大多依赖于定期的机械检查和更换，这种方式虽然直观有效，但由于缺乏对设备实际运行状态的实时监控和预警机制，往往无法做到早期发现潜在故障，导致维修成本增加，甚至可能错过最佳维修时机。
2、近年来，伴随着传感器技术和数据处理能力的进步，越来越多的研究开始采用数据驱动的方法来进行液压制动器的故障检测；但当前的液压制动器故障检测技术仍存在诸多不足。首先，在数据获取层面，如何全面、准确地收集与检测故障相关的多元信息是一个技术难点。其次，尽管机器学习和人工智能算法在故障预测领域显示出巨大的潜力，但在构建适用于液压制动器故障预测的模型时，如何选择合适的算法框架，并进行有效的训练以提高预测精度和鲁棒性，也是目前亟待解决的问题。且现有的液压制动器故障检测手段无法对不同型号的车辆以及不同的车辆工况进行区分和适应性调整，导致检测精度受限。综上所述，尽管液
3、如授权公告号为cn106482938b的中国专利公开了一种基于ga-bp网络的液压制动系统多源融合故障预示方法，具体如下：对液压制动系统中的油液进行采样，并随机分成训练集、测试集，对样本进行分析，并进行多源信息融合，得到油液相关的分析数据；利用遗传算法来对神经网络的初始值进行优化；将训练集的分析数据用于ga-bp网络的建模；利用测试集来训练出来的神经网络进行测试，直到神经网络的性能能够符合要求；最后，利用训练好的ga-bp神经网络来对液压制动系统状态进行分析，对可能存在的故障进行预示。该专利技术可以定性和定量地评价被监测液压制动系统的状态，并预测其发展趋势；使得故障诊断过程更加智能化，检测的准确性更高。然而，该专利存在本
技术介绍
提出的问题：缺乏对不同车辆、不同工况下的适应性故障检测，可能存在故障误报、漏报的情况。
4、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
技术实现思路
1、本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于模糊神经网络的液压制动器故障检测方法及系统，实现对制动器工作状态的动态监测，提前预见潜在故障，提高故障发现的及时性；更准确地识别不同车辆的故障特征，提高诊断的准确性。
2、为解决上述技术问题，本专利技术提供如下技术方案：
3、一方面，本专利技术提供一种基于模糊神经网络的液压制动器故障检测方法，包括以下步骤：
4、s1：收集液压制动器参数、制动过程参数、车辆型号参数；
5、s2：对所述液压制动器参数、制动过程参数、车辆型号参数进行预处理；
6、s3：构建并训练用于预测液压制动器故障的模糊神经网络模型；
7、s4：采集实时的液压制动器参数、制动过程参数，基于所述神经网络模型预测液压制动器的故障；
8、s5：根据液压制动器的故障预测结果，提供故障排查与维护建议。
9、作为本专利技术所述基于模糊神经网络的液压制动器故障检测方法的一种优选方案，其中：所述液压制动器参数包括制动力矩、制动片剩余厚度、制动液液位、制动液压力、制动杠杆偏移率；
10、所述制动杠杆偏移率的计算公式如下：
11、；
12、其中，p表示制动杠杆偏移率；表示制动杠杆在非制动状态下的平均位置；表示制动杠杆在非制动状态下的参考位置；表示制动杠杆在制动状态下的平均位置；表示制动杠杆在制动状态下的参考位置。
13、作为本专利技术所述基于模糊神经网络的液压制动器故障检测方法的一种优选方案，其中：所述制动过程参数包括车轮转速差异度、制动响应时间、制动效率系数、制动温度系数、制动噪声参数、制动助力参数；
14、所述车轮转速差异度的计算公式如下：
15、；
16、其中，s表示车轮转速差异度；表示第i个车轮的转速；表示4个车轮的平均转速；
17、所述制动效率系数的计算公式如下：
18、；
19、其中，表示制动效率系数，d表示制动距离，表示制动前的车辆速度；
20、所述制动温度系数的计算公式如下：
21、；
22、其中，表示制动温度系数，表示制动时制动器的最高温度，表示制动前的制动器温度。
23、作为本专利技术所述基于模糊神经网络的液压制动器故障检测方法的一种优选方案，其中：所述制动噪声参数包括峰值频率、声压级、频带能量占比；采集方法如下：
24、持续采集液压制动器的振动声音信号；
25、将所述振动声音信号中关于制动事件的片段分割出来，标记为制动声音信号；
26、对所述制动声音信号进行滤波降噪；
27、计算制动声音信号的声压级；
28、对制动声音信号进行频率变换，得到频谱；
29、从所述频谱中提取峰值频率，并计算频带能量占比，公式如下：
30、；
31、其中，表示第k个频带的频带能量占比；k的取值范围为1，2，……，n，n为频带的划分个数；表示频谱密度函数；为第k个频带的下限频率，为第k个频带的上限频率，df表示积分变量为频率。
32、作为本专利技术所述基于模糊神经网络的液压制动器故障检测方法的一种优选方案，其中：所述制动助力参数包括制动过程中，启动阶段的踏板力、增压阶段的踏板力、保持阶段的踏板力、释放阶段的踏板力，以及踏板从全压状态恢复到初始位置所需的时间。
33、作为本专利技术所述基于模糊神经网络的液压制动器故障检测方法的一种优选方案，其中：所述车辆型号参数包括车辆总质量、制动系统类型、制动器规格参数、车辆常用工况、轴荷分配指数；
34、所述制动系统类型包括盘式制动系统、鼓式制动系统；
35、所述制动器规格参数包括制动盘/鼓的直径、制动蹄片/刹车片的面积和厚度、制动液容量；
36、所述车辆常用工况包括城市道路、越野、高速公路、重载运输；
37、所述轴荷分配指数的计算公式如下：
38、；
39、其中，i表示轴荷分配指数；表示权重因子；m表示车辆本文档来自技高网...
【技术保护点】
1.一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：包括以下步骤：
2.如权利要求1所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述液压制动器参数包括制动力矩、制动片剩余厚度、制动液液位、制动液压力、制动杠杆偏移率；
3.如权利要求2所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述制动过程参数包括车轮转速差异度、制动响应时间、制动效率系数、制动温度系数、制动噪声参数、制动助力参数；
4.如权利要求3所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述制动噪声参数包括峰值频率、声压级、频带能量占比；采集方法如下：
5.如权利要求4所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述制动助力参数包括制动过程中，启动阶段的踏板力、增压阶段的踏板力、保持阶段的踏板力、释放阶段的踏板力，以及踏板从全压状态恢复到初始位置所需的时间。
6.如权利要求5所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述车辆型号参数包括车辆总质量、制动系统
7.如权利要求6所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述液压制动器的故障包括老化磨损、制动器间隙不当、液压系统故障、电气系统故障、制动助力器故障。
8.如权利要求7所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：构建并训练所述模糊神经网络的方法如下：
9.如权利要求8所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述模糊神经网络包括模糊化层、模糊推理层、隐藏层、解模糊层；其中：
10.一种基于模糊神经网络的液压制动器故障检测系统，其基于权利要求1-9中任一项所述的一种基于模糊神经网络的液压制动器故障检测方法实现，其特征在于：包括数据采集模块、预处理模块、网络模型模块、故障预测模块、维护建议模块、用户界面模块；其中：
...【技术特征摘要】
1.一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：包括以下步骤：
2.如权利要求1所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述液压制动器参数包括制动力矩、制动片剩余厚度、制动液液位、制动液压力、制动杠杆偏移率；
3.如权利要求2所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述制动过程参数包括车轮转速差异度、制动响应时间、制动效率系数、制动温度系数、制动噪声参数、制动助力参数；
4.如权利要求3所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述制动噪声参数包括峰值频率、声压级、频带能量占比；采集方法如下：
5.如权利要求4所述的一种基于模糊神经网络的液压制动器故障检测方法，其特征在于：所述制动助力参数包括制动过程中，启动阶段的踏板力、增压阶段的踏板力、保持阶段的踏板力、释放阶段的踏板力，以及踏板从全压状态恢复到初始位置所需的时间。
6.如权利要求5...
【专利技术属性】
技术研发人员：周国贞，杨芝刚，周国龙，何平，
申请(专利权)人：南京讯联液压技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。