基于支持向量机回归算法的电子机械制动传感器系统故障分析

摘 要：基于支持向量机回归算法的电子机械制动传感器系统故障分析方法在自动化领域逐渐被广泛应用。本文将对电子机械制动传感器系统与支持向量机回归算法原理进行简要分析，并重点探究基于支持向量机回归算法的电子机械制动传感器系统故障分析。

关键词：电子机械制动传感器;支持向量机回归算法;预测模型

为充分提升电子机械制动传感器系统的稳定性，该领域的学者研究出基于支持向量机回归算法的故障判断方法。因此，探究基于支持向量机回归算法的电子机械制动传感器系统故障分析有着重要意义。

1 电子机械制动传感器系统

电子机械制动传感器系统主要包括电子机械制动传感器控制算法，电子机械制动传感器，电子机械制动传感器执行器以及底层控制器。电子机械制动传感器的执行机构主要由执行电机、运动转换机构以及减速机构三部分构成。目标制动力进入电子机械制动传感器的底层控制器中的控制电路转化为信号，传入驱动电路，进而导入电流传感器当中。电压信号从电子机械制动传感器底层控制器中传入电机中，依次进入减速机构运动转换装置、压力传感器以及制动钳这一系列环节构成了电子机械制动传感器的执行器。部分信号会由电子机械制动传感器、执行器传递到电子机械制动传感器底层控制器中，这一系列流程构成了电子机械制动传感器系统。电子机械制动传感器控制系统运用了三闭环控制算法。三闭环结构从内至外依次为电流环、转速环以及压力环。其中的主要控制环为压力环，借助转速环对电机的响应速度进行相应的增强，电流环的作用主要是消减压力变化阶段以及启动阶段带来的电流扰动[1]。上述分析表明，借助闭环控制结构，传感器系統能够为电子机械制动传感器的控制器提供重要信息。这进一步表明，电子机械制动传感器的性能直接决定电子机械制动传感器系统能否正常运转。

2 支持向量机回归算法原理

在应用于问题分类处理阶段，支持向量机原理是借助找寻分类面的最优状态。对相关样本进行正确分类操作。而将上述操作步骤推广开来，借助数据样本来进行实函数估计为支持向量机回归原理。借助支持向量进行问题分类的具体表述为，在一组训练样本中，，借助非线性映射，将传统空间映射到高维度特征空间，在此处空间中构造超平面，进而将原本的非线性问题分类转化为线性问题分类。使用支持向量机回归算法不能对上述问题直接进行求解，由于很难找到非线性映射的具体模式，因此常用核函数进行替代。借助核函数算法，能够将原本的高维度特征空间的运算转化为低维度特征空间的运算。核函数的定义为任意满足mercer条件的函数，进而可将原本复杂的运算问题转变为优化对偶问题。对于支持向量机回归算法可以采用时间滚动方式进行学习。在增量学习的过程中，样本呈递增态势，随着时间的变动，样本的数量也会持续增加，但新增的样本不一定会对支持向量回归产生直接影响。若新增样本出现传统样本集中不具备的信息，那么支持向量就会出现一定程度的变动;若是新增样本出现了传统样本集中的信息，那么支持向量就不会产生相应的变动。

3 基于支持向量机回归算法的电子机械制动传感器系统故障分析

基于支持向量机回归算法对电子机械制动传感器系统进行故障分析，主要是针对电子机械制动传感器系统中的压力、转速以及电流三个电子机械制动器传感器进行故障分析。首先需要建立基于支持向量机的预测模型，然后将电子机械制动传感器实测的残差值与基于支持向量机预测模型的估计值比对，进而得出相应的故障分析结果，并对故障分析结果进行相应分类。下文将依照压力、信号转速以及电流在空间和时间的冗余关系中建立两个独特的基于向量机回归算法的预测模型。此种预设方式比依照压力、信号转速以及电流三者各建立一个基于支持向量机回归算法的预测模型有着更高的效率。在具体的实验进程中，首先收集两组对照电子机械制动传感器的样本值。两组样本分别为由转速信号和电流构成的样本，以及由压力信号和电流构成的样本[2]。以当前时刻k为基准，记录过往时刻的连续数据。将过往样本各连续时刻的压力值与电流值作为输入性样本，以某一特定时刻的压力值和电流值为输出样本，建立相应的支持向量机回归算法的模型。待基于支持向量机回归算法的预测模型设置完成后，借助过去某一特定时刻的样本值。对当前传感器的传输值进行预测。两组电子机械制动传感器对照组基于支持向量机回归算法的预测模型一和二会出现两个不同的输出值。将两个来自于不同预测模型的估计值与现场的电流值进行比对，然后两两做差形成序列残差。其中残差值一包括了电流和转速信号在空间与时间方面的冗余信息，残差值二包括了电流与压力信号，在空间与时间方面的冗余信息;残差值三包括了压力信号、电流以及转速信号在空间与时间方面的冗余信息。基于上述分析我们可以假设在时刻k电子机械制动传感器出现故障，则时刻k的电流值将与电子机械制动传感器系统正常的输出电流值存在一定的偏差。由于时刻k前后的任意时刻的电流测量值都是准确的，则基于支持向量机回归算法预测模型计算出的电流输出值更为接近电子机械制动传感器系统的正确电流输出值，这就会导致残差值一与残差之二出现显著变化，残差值三基本不会出现变动。当电子机械制动传感系统的转速传感器在时刻k出现故障时，时刻k的电流测量值将偏离电子机械制动传感器系统的正确电流输出值;当电子机械制动传感器系统的压力传感器在时刻k出现故障时，残差值一基本不会出现变动;残差值二与残差值三会出现显著变化。基于上述分析，采用支持向量机回归算法对电子机械制动传感器系统故障的分析过程为，收集样本、数据处理、建立支持向量机预测模型形成残差值，进而判断系统故障原因。

综上所述，基于支持向量机回归算法诊断系统故障分析方法为构建故障模块，开展相应的实验研究。相关实验数据表明该种方法能够对电子机械制动传感器系统中的各类故障进行有效分析，进而充分提升电子机械制动传感器的稳定性。

参考文献：

[1]黄钰.无力传感器的电子机械制动系统控制问题分析[J].山东工业技术，2019（06）：144.

[2]陆一祎.模糊多输出最小二乘支持向量机的分类与回归研究[D].南京信息工程大学，2018.

作者简介：张林林（1984-），男，河南巩义人，本科，讲师，研究方向：中职机电技术教育。