一种汽车abs检测装置及方法

[技术领域]

本发明涉及汽车abs检测技术领域，尤其涉及一种应用效果突出、可实现真实、快速、准确的反映车辆ABS系统的实际制动情况的汽车abs检测装置及方法。

[背景技术]

防抱死制动系统(简称ABS)在汽车上应用越来越广，因此在汽车整车检测线中，需要相应的增加对汽车ABS系统的检测。

整车台架检测法检测周期短、检测结果重复性较好，可用于汽车ABS系统的检测，但现有整车台架检测只能通过机械装置对不同路面的附着系数以及汽车的运动状况进行简单模拟，不能真实地反映装配ABS的车辆在各种路面上的制动执行情况。

[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汽车abs 检测装置及方法。

本发明解决技术问题的方案是提供一种汽车abs检测装置，包括整车室内检测平台、被测车辆以及测控单元；所述测控单元包括ODB适配器、工位计算机、LED点阵屏以及电控柜；所述工位计算机通过现场总线与ODB适配器、工位计算机、LED点阵屏与电控柜连接；所述OBD适配器的另一端通过车载诊断协议连接被测车辆的车载OBD接口，与电子控制单元(ECU)通讯；所述电控柜安装有嵌入式控制板卡及A/D信号转换板卡，通过信号线控制检测平台；所述被测车辆组装设置有电子控制单元(ECU)以及ABS控制程序，采集所需测量数据。

优选地，所述整车室内检测平台包括用于模拟移动路面的滚筒装置、用于模拟汽车运动惯量的运动惯量模拟机构以及用于模拟路面附着系数的附着系数模拟机构。

优选地，所述测控单元的工位计算机通过以太网与业务管理计算机、调度计算机、数据库服务器连接通讯；所述业务管理计算机用于登录车辆信息、打印报表、数据统计等车辆检测业务；所述调度计算机用于控制待检车辆调度上线，协调各检测工位的进度；所述数据库服务器安装数据库，实现数据存储。

一种汽车abs检测方法，包括以下步骤，

S1：在实际车辆上安装本发明的ABS_ECU软硬件结构，采集实车abs制动的道路测量数据，并上传至云端数据库；

S2：通过数据库服务器从所述云端数据库下载所述测量数据，采用深度学习算法对海量测量数据进行分类，包括车辆类型、各类道路状况，以及具体车辆编号；

S3：依据深度学习算法的计算结果，甄选各类实车、各类道路状况下，最佳ABS_ECU装置制动性能测试数据，记录实车测试结果；

S4：通过工位计算机从所述数据库服务器下载对应车型、车号的制动性能测试数据，调节检测平台模拟机构，满足测试条件；

S5：进行室内整车测试，记录、上传室内测试结果至所述数据库服务器，并与实车测量结果比较，分析测试方法的精度和可靠性，对被测车辆的制动性能作出评价。

优选地，所述步骤S2中的深度学习算法的训练具体包括，B1：数据样本选取：根据车辆类型、各类道路状况，以及具体车辆编号，对车轮速度传感器、液压传感器测量装置采集到的测量数据进行筛选处理；B2：数据类型编码：根据汽车ABS制动性能的检测目标,对数据类型进行编码，包括检测ABS_ECU装置的功能故障时，用1代表发生了相应的故障，0代表无故障，并根据数据类型编码，收集云数据库中已经有过准确结论的ABS系统执行器和传感器的故障数据，然后筛选出能够用来作为训练样本的数据，要求各种故障类型的数据分布比较均匀；B3：深度学习算法建模：选取合适的深度学习算法训练参数；B4：深度学习算法训练：将选取多组作为训练样本的数据，放到上述深度学习算法模型中进行训练，通过所述云数据库以及数据库服务器中不断积累的样本数据，持续深入的修正所述深度学习算法的参数，得到一个不断完善的最优解模型；B5：深度学习算法测试：对已经训练好深度学习算法模型进行测试，找到需判断的数据类型，并将计算结果与期望数据进行比较。

优选地，所述步骤S5中的评价方式具体包括，C1：实车测量数据分类：根据车辆类型、具体车辆编号，以及各类道路状况，采用已经训练完成的实车测量数据分类算法模型，对实车abs制动测量数据进行自动分类；C2：提取实车测量数据：基于所述预设数据库中自动分类后的实车ABS道路测量数据，提取能反映汽车ABS工作性能的特征参数；C3：模拟实车测量数据：基于提取的预设数据库实车ABS道路测量数据，生成室内检测平台模拟测试所需的数据文件，并将其换算成相应的控制信号至检测平台模拟机构执行检测； C4：检测结果自动判定：采用已经训练完成的检测结果自动判定算法模型，对检测平台的测试结果进行自动判定，并采用已经训练完成的检测与实车数据对比算法模型，将检测平台的测试数据以及判定结果与实车道路采集数据和判定结果进行对比、分析，判定检测平台、测控系统以及相关模拟机构的精度和可靠性。

与现有技术相比，本发明一种汽车abs检测装置及方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是本发明一种汽车abs检测装置的架构示意图。

图2是ABS_ECU软硬件系统结构示意图。

图3是检测平台结构示意图。

图4是室内整车台架测试流程示意图。

图5是深度学习算法训练流程示意图。

图6是ABS检测结果自动判定流程示意图。

图7a是ABS故障时的车速/轮速对比曲线图。

图7b是ABS正常工作时的车速/轮速对比曲线图。

图7c是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。

图7d是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。

[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。

请参阅图1至图6，本发明一种汽车abs检测装置1包括整车室内检测平台、被测车辆以及测控单元；所述测控单元包括ODB适配器、工位计算机、 LED点阵屏以及电控柜；所述工位计算机通过现场总线与ODB适配器、工位计算机、LED点阵屏与电控柜连接；所述OBD适配器的另一端通过车载诊断协议连接被测车辆的车载OBD接口，与电子控制单元(ECU)通讯；所述电控柜安装有嵌入式控制板卡及A/D信号转换板卡，通过信号线控制检测平台；所述被测车辆组装设置有电子控制单元(ECU)以及ABS控制程序，采集所需测量数据。

优选地，所述整车室内检测平台包括用于模拟移动路面的滚筒装置、用于模拟汽车运动惯量的运动惯量模拟机构以及用于模拟路面附着系数的附着系数模拟机构。

优选地，所述测控单元的工位计算机通过以太网与业务管理计算机、调度计算机、数据库服务器连接通讯；所述业务管理计算机用于登录车辆信息、打印报表、数据统计等车辆检测业务；所述调度计算机用于控制待检车辆调度上线，协调各检测工位的进度；所述数据库服务器安装数据库，实现数据存储。

本发明的汽车abs检测装置由整车室内检测平台1、被测车辆2、以及测控单元3构成。

所述被测车辆2组装有本发明的电子控制单元(ECU)、ABS控制程序(软件)，采集所需测量数据，比如轮速、液压等的传感器，由于其可为任意的结构，因此在本说明书中不进行详细说明。

所述测控单元3包括ODB适配器4、工位计算机5、LED点阵屏10、电控柜11等硬件，并装有本发明的测控程序(软件)。

所述工位计算机5通过现场总线(RS232/CAN总线等)与ODB适配器4、工位计算机5、LED点阵屏10、电控柜11连接。

所述OBD适配器4的另一端通过车载诊断协议(K线/CAN总线)连接被测车辆19的车载OBD接口，与电子控制单元(ECU)通讯。

所述电控柜11安装有嵌入式控制板卡及A/D信号转换板卡，通过信号线控制检测平台1。

在检测线整体布局中，测控单元3的工位计算机5通过以太网9与业务管理计算机6、调度计算机7、数据库服务器8连接通讯；其中，业务管理计算机6用于登录车辆信息、打印报表、数据统计等车辆检测业务；调度计算机7用于控制待检车辆调度上线，协调各检测工位的进度，数据库服务器8 安装数据库，实现数据存储。

本发明的汽车abs检测装置的系统结构不限于图1所示的系统结构，只要不违反本发明的精神，可以增减系统部件。

图2简要地示出使用本发明的被测车辆ABS_ECU软硬件系统结构。

本发明被测车辆2上的ECU(电子控制单元)12的硬件结构除了包括通过以太网9向云数据库服务器15上传测量传感器14的测量数据的网络硬件之外，与现有技术中用于ABS控制的ECU装置相同，由于其可为任意的结构，因此在本说明书中不进行详细说明。

其中，本发明的ABS控制程序(ABS软件)具有从测量传感器14接收车轮速度传感器、液压传感器等各测量装置的测量数据，并将接收的数据上传至云数据库服务器15的功能。

本发明的ABS控制程序可以通过在现有技术的ABS控制程序中装入向云数据库上传测量数据的功能来实现，所述现有技术的ABS控制程序是指仅安装有对ABS液压调节器13的控制功能，没有向云数据库服务器15上传测量数据功能的ABS控制程序。由于现有技术的ABS控制程序的功能是已知的，并且其可为任意的结构，因此在本说明书中不进行详细说明。

本发明的数据库服务器8具有从所述云端数据库服务器15下载所述测量数据，采用深度学习算法对海量测量数据进行分类，并通过深度学习算法的计算结果对具体车辆的ABS_ECU装置的功能是否正常进行判断；记录、甄选各类实车、各类道路状况下，最佳ABS_ECU装置测试参数及其实车数据结果的功能；由于所述功能的实现可为任意的结构，因此在本说明书中不进行详细说明。

图3简要地示出使用本发明的检测平台结构。

所述检测平台1包括用于模拟移动路面的滚筒装置16、用于模拟汽车运动惯量的运动惯量模拟机构17、以及用于模拟路面附着系数的附着系数模拟机构18，由于其可为任意的结构，因此在本说明书中不进行详细说明。

所述工位计算机5装有本发明的测控程序(软件)，本发明的测控程序具有根据车辆类型、以及具体车辆编号下载相关深度学习计算结果，基于真实汽车行驶过程中记录的预设数据库，控制测控平台1，对被测车辆的ABS制动性能测试数据进行自动设置，自动化测试，并评估其是否为最佳，并将测试数据和结果，通过以太网9上传至数据库服务器8的功能，其可为任意的结构，因此在本说明书中不进行详细说明。

汽车abs制动性能的室内整车台架检测方法，其特征在于它是通过以下步骤实现的：

a.在实际车辆上安装本发明的ABS_ECU软硬件结构，采集实车abs制动的道路测量数据，并上传至云端数据库；

b.通过数据库服务器从所述云端数据库下载所述测量数据，采用深度学习算法对海量测量数据进行分类，包括车辆类型、各类道路状况，以及具体车辆编号；

c.依据深度学习算法的计算结果，甄选各类实车、各类道路状况下，最佳ABS_ECU装置制动性能测试数据，记录实车测试结果；

d.通过工位计算机从所述数据库服务器下载对应车型、车号的制动性能测试数据，调节检测平台模拟机构，满足测试条件；

e.进行室内整车测试，记录、上传室内测试结果至所述数据库服务器，并与实车测量结果比较，分析测试方法的精度和可靠性，对被测车辆的制动性能作出评价。通常两组数据越接近，该种测试方法的精度和可靠性越好。

本发明的优点有：

1、汽车Abs装置的实际参数，通过车载仪器实时测量记录，上传至云端数据库，并通过深度学习算法进行分类，能够真实反映实车ABS的执行情况，并对车辆ABS_ECU的精度及其可靠性进行有效评估。

2、室内整车测试中，运动惯量模拟、路面附着系数模拟基于真实汽车行驶过程中记录的预设数据库，并基于真实汽车行驶过程中记录的预设数据库进行比较评估，保证ABS_ECU测试更接近实际工况，提高了检测结果的有效性。

3、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，提高了可检测路面条件的多样性，并且易于进行大规模推广应用。

深度学习算法的训练是通过以下步骤实现的：

a.数据样本选取：根据车辆类型、各类道路状况，以及具体车辆编号，对车轮速度传感器、液压传感器等各测量装置采集到的测量数据进行筛选处理；

b数据类型编码：根据汽车ABS制动性能的检测目标,对数据类型进行编码，例如检测ABS_ECU装置的功能故障时，用1代表发生了相应的故障，0代表无故障，并根据数据类型编码，收集云数据库中已经有过准确结论的ABS 系统执行器和传感器的故障数据，然后筛选出能够用来作为训练样本的数据，要求各种故障类型的数据分布比较均匀；

c.深度学习算法建模：选取合适的深度学习算法训练参数，由于其可为任意的结构，因此在本说明书中不进行详细说明；

d.深度学习算法训练：将选取多组作为训练样本的数据，放到上述深度学习算法模型中进行训练，通过所述云数据库以及数据库服务器中不断积累的样本数据，持续深入的修正所述深度学习算法的参数，得到一个不断完善的最优解模型；

e.深度学习算法测试：对已经训练好深度学习算法模型进行测试，找到需判断的数据类型，并将计算结果与期望数据进行比较。

(例2)说明对ABS检测结果进行自动判定

本发明的汽车abs检测装置可基于预设数据库中自动分类后的实车ABS 道路测量数据，将其换算成相应的控制信号至检测平台模拟机构执行检测，但普通检测人员并不具备根据检测结果判读ABS制动性能的专业知识，因此，测控软件应对ABS的工作状态进行自动判定，并将测试数据与实车道路采集的数据进行对比，分析测试结果的精度和可靠性。

ABS检测结果的自动判定是通过以下步骤实现的：

a.实车测量数据分类：根据车辆类型、具体车辆编号，以及各类道路状况，采用已经训练完成的实车测量数据分类算法模型，对实车abs制动测量数据进行自动分类；所述道路状况包括在单一路面、对接路面、对开路面等三种路面上进行的abs防抱死制动性能检验；

b.提取实车测量数据：基于所述预设数据库中自动分类后的实车ABS道路测量数据，提取能反映汽车ABS工作性能的特征参数，包括但不限于：

(1)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技术参数数据库；

(2)车速、轮速、制动压力等测量数据，以及滑移率、附着系数利用率、制动减速度、车轮车身减速度比、制动时间、制动距离等计算数据；由于从所述测量数据推算所述计算数据的方法依据相关检验规范或已知的专业知识，能以任意的方法进行，因此此处不作说明。

(3)滑移率阈值、滑移率均值、滑移率方差、ABS调整次数等评价abs 性能的特征数据，其中，滑移率阈值就是滑移率的变化范围，滑移率均值为 abs起作用期间滑移率的总体分布，滑移率方差表示abs的调整速度，ABS调整次数代表在滑移率与车速曲线中的一个ABS调整波形；

(4)ABS工作状态判定结果，例如，对ABS整体状态的评价结果(正常、故障、不足)；对ABS制动次数、制动压力、制动定时等预设控制参数的评价结果(正常、故障、不足)等等；

c.模拟实车测量数据：基于提取的预设数据库实车ABS道路测量数据，生成室内检测平台模拟测试所需的数据文件，并将其换算成相应的控制信号至检测平台模拟机构执行检测；由于从所述预设数据库生成数据文件并推算相应的控制信号的方法是已知的，能以任意的方法进行，因此此处不作说明。

d.检测结果自动判定：采用已经训练完成的检测结果自动判定算法模型，对检测平台的测试结果进行自动判定，并采用已经训练完成的检测与实车数据对比算法模型，将检测平台的测试数据以及判定结果与实车道路采集数据和判定结果进行对比、分析，判定检测平台、测控系统以及相关模拟机构的精度和可靠性。

(例3)说明对ABS检测结果进行自动判定的实施例

对上述abs制动性能自动判定深度学习算法的具体实施方式举例如下：

步骤(1)原始数据准备

1、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100秒，后90秒每100毫秒取1个点，主要用于制动力不足的检测。参考图6，对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、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。为每种工况下的故障和正常情况收集300个样本。

步骤(2)人工特征的计算

根据相关领域的先验知识和专家经验，对步骤(1)获取的一维时域波形信号滤波降噪处理后，计算滑移率、制动减速度、附着系数利用率、车轮车身减速度比、制动时间、制动距离作为ABS检测结果的判定指标。

其中，滑移率表示制动过程中车速与轮速差异程度；制动减速度反映了制动时车辆速度下降的速率；路面附着系数是指附着力与车轮法向压力的比值；减速度比是指制动时车轮减速度与车身减速度的比值；制动时间是指行驶中的汽车从脚接触制动踏板开始到车辆完全停止所经历的时间；制动距离是指车辆在规定的制动初速度下，从脚接触到制动踏板到车辆停止这个过程中车辆驶过的距离。

步骤(3)浅层模型的预训练与专家知识的数据化表达

1、针对已有的稀少的带标签样本，根据步骤(1)和步骤(2)中的方法进行预处理和特征提取。

2、采用浅层模型，基于上述特征和标签进行模型训练。采用原始数据集每类1％、2％、3％、4％的样本作为新的数据集，构成小样本数据集。训练方式包括两种：一是采用相同的人工特征，训练不同的浅层模型；二是对同一种浅层模型，改变不同的特征组合，进行模型训练。

3、设定分类准确率阈值和计算时间阈值，对上述模型进行筛选，构成候选模型池。

4、从上述候选模型池中选择模型，针对原始数据集剩余的样本数据进行预测，得到预测标签；并将上述不同候选模型的预测标签进行融合，与已有的稀少的有标签样本共同构建训练集，用于后续深度神经网络的训练。

步骤(3)获得非结构化数据所表达的分类特征

选取车身速度和车轮速度为研究对象，图7简要地示出ABS制动时车速/ 轮速对比曲线图，其中，图7(a)显示ABS故障时，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，两者的减速度间形成较大差距；图7(b)显示ABS正常工作情况时，车轮与车身减速度大小基本一致；图7(c)、图7(d)显示，在相同附着系数路面上，制动力不足时，出现了图7(d)在制动初速度小于图7(c)的情况下，制动距离远远大于图7(c)的情况；

2、对于非结构化数据所表达的分类特征可采用以下几种算法模型来进行提取：

A、模型1：构建卷积神经网络，其输入层的神经元为1900个，隐含层为 1层，隐含层的神经元为62个。

B、模型2：建立由多层自动编码器组成的深度学习神经网络，隐含层的数目为两层，对应1900个神经元的输入层，第一层隐含层有62个神经元，第二层隐含层有31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。

C、模型3：对于每一个ABS工况至少可以生成1900个复杂网络节点。得到所有abs制动工况的可视图复杂网络后，分别提取每一个复杂网络的节点聚集系数、节点度、节点介数、节点接近中心度和节点特征向量中心性等指标，将这些网络指标作为一个样本。

步骤(4)获得结构化数据所表达的分类特征

1、选取能反映汽车ABS工作性能的特征参数，按顺序组合为特征集f＝{f

表1：样本数据实例

2、将特征矩阵X

步骤(5)异构数据的特征融合：

1、设计一个包含2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，这个全连接操作用于将多模态数据的特征提取无缝集成到特征融合中。

2、将V

步骤(6)采用softmax分类器，对abs制动性能的分类结果进行归一化；所述Softmax分类器通过特征融合层最后一个隐含层输出的特征向量U

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、测控系统以及相关模拟机构的结构类型等来自由设计。

与现有技术相比，本发明一种汽车abs检测装置及方法1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。