本发明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。
背景技术：
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，尽管液压制动器故障检测技术已取得一定进展，但仍面临数据采集完整性、数据分析有效性、模型构建精准性以及故障处理实用性等诸多方面的挑战。
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。该发明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，该专利存在本背景技术提出的问题：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、公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，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、本发明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，本发明提供如下技术方案：
3、一方面，本发明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、作为本发明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、作为本发明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、作为本发明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、作为本发明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、作为本发明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表示车辆总质量；令车辆由n个质量块组成，表示车辆的第i个质量块的质量，表示第i个质量块的重心到车辆前轴的水平距离，经过了标准化处理，为无量纲参数；表示车辆前轴承载的重量。
40、作为本发明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。
41、作为本发明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：构建并训练所述模糊神经网络的方法如下：
42、s301：将预处理后的液压制动器参数、制动过程参数、车辆型号参数进行标准化处理，并划分为训练集与测试集；
43、所述标准化处理包括数值参数标准化和非数值参数编码；
44、s302：构建模糊神经网络，输入为液压制动器参数、制动过程参数、车辆型号参数，输出为每种故障的发生概率；
45、s303：进行模糊神经网络的参数初始化，并使用训练集进行模型训练；
46、s304：使用测试集进行模糊神经网络的测试和调优。
47、作为本发明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：
48、所述模糊化层用于接收输入变量并通过隶属函数将输入变量转换为模糊集的隶属度；所述输入变量为标准化处理后的液压制动器参数、制动过程参数、车辆型号参数；所述模糊集是为每个输入变量设置的状态集；
49、所述模糊推理层用于接收所述输入变量及每个输入变量在对应的模糊集中的隶属度，并通过模糊规则进行模糊推理操作，得到模糊推理结果；所述模糊规则为预先设定的，用于将输入变量及每个输入变量在对应的模糊集中的隶属度转化为任一种故障类型的风险大小；
50、所述隐藏层用于整合和调整所述模糊推理结果，得到模糊输出值；
51、所述解模糊层用于将所述模糊输出值转化为故障类型的概率分布。
52、第二方面，本发明提供一种基于模糊神经网络的液压制动器故障检测系统，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：
53、数据采集模块用于收集故障预测参数，包括液压制动器参数、制动过程参数、车辆型号参数；
54、预处理模块用于对液压制动器参数、制动过程参数、车辆型号参数进行预处理；
55、网络模型模块用于构建并训练预测液压制动器故障的模糊神经网络模型；
56、故障预测模块用于预测液压制动器的潜在故障；
57、维护建议模块用于根据故障预测结果向用户推荐故障排查与维护建议；
58、用户界面模块用于向用户展示故障预测结果以及故障排查与维护建议。
59、与现有技术相比，本发明所达到的有益效果如下：
60、本发明提出的基于模糊神经网络的液压制动器故障检测方法通过实时采集液压制动器的运行参数、制动过程参数以及车辆型号参数，实现了对制动器工作状态的动态监测，能够提前预见潜在故障，提高了故障发现的及时性。
61、利用模糊神经网络模型进行故障预测，将复杂的非线性关系和模糊逻辑相结合，提升了预测模型的泛化能力和准确性，从而有效识别不同工况下的多种潜在故障模式；更准确地识别不同车辆的故障特征，提高诊断的准确性，提高系统的适用性，减少误报和漏报情况。
62、基于预测结果，能够及时提供故障排查和维护建议，有助于从源头上防止因制动器故障引起的行车安全隐患，同时降低了维修成本，减少了意外停机时间，提高了设备的可用率和使用寿命；促进了设备维护由被动向主动转变，增强了整个交通运输系统的运行效率和安全性。
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、制动系统类型、制动器规格参数、车辆常用工况、轴荷分配指数；
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：
