The use of artificial intelligence methods in the analysis of the results of vehicle braking deceleration tests in the diagnostics of the braking system of a motor vehicle

• Autorzy: Dobaj Krzysztof

Identyfikatory

DOI

10.24136/tren.2022.003

Warianty tytułu

PL

Wykorzystanie metod sztucznej inteligencji w analizie wyników badań opóźnienia hamowania pojazdu w diagnostyce układu hamulcowego pojazdu samochodowego

• Języki publikacji: EN

Abstrakty

EN

The article presents the concept of using an artificial neural network to approximate the parameters describing the vehicle braking process, from the point of view of the application of this method in the diagnostics of the braking system. The artificial neural network of non-linear autoregressionwas used to approximate the dependence of the braking deceleration and the pressure in the braking system. The effectiveness of the neural network was checked depending on the number of neurons in its hidden layerand on the applied learning algorithm. The operation of the neural network was verified based on the actual braking processes of the Skoda Octavia, carried out with different dynamics, with different car weights and different tire inflation pressures. After verifying the neural network, it was used to approximate the braking deceleration values for the pressure values exceeding those present in the input data set. This action allows the analysis of the possibility of the vehicle obtaining a braking deceleration, which qualifies its braking system as efficient. Two concepts of using a neural network to solve this problem were analyzed. Conclusions related to the validity of the development of the discussed methods were drawn.

PL

W artykule przedstawiono koncepcję wykorzystania sztucznej sieci neuronowej do aproksymacji parametrów opisujących proces hamowania pojazdu z punktu widzenia zastosowania tej metody w diagnostyce układu hamulcowego. Do aproksymacji zależności opóźnienia hamowania od ciśnienia w układzie hamulcowym wykorzystano sztuczną sieć neuronową nieliniowej autoregresji. Skuteczność sieci neuronowej sprawdzono w zależności od liczby neuronów w jej warstwie ukrytej oraz zastosowanego algorytmu uczenia. Działanie sieci neuronowej zostało zweryfikowane na podstawie rzeczywistych procesów hamowania Skody Octavii, realizowanych z różną dynamiką, przy różnych masach samochodów i różnych ciśnieniach w oponach. Po weryfikacji sieci neuronowej posłużono się nią do aproksymacji wartości opóźnienia hamowania dla wartości ciśnień przekraczających te występujące w zbiorze danych wejściowych. Działanie to pozwala na analizę możliwości uzyskania przez pojazd opóźnienia hamowania, co kwalifikuje jego układ hamulcowy jako sprawny. Przeanalizowano dwie koncepcje wykorzystania sieci neuronowej do rozwiązania tego problemu. Wyciągnięto wnioski związane z zasadnością rozwoju omawianych metod.

Słowa kluczowe

EN

artificial intelligence; braking system; deceleration; diagnostics; motor vehicle

PL

opóźnienie; diagnostyka; pojazd samochodowy; sztuczna inteligencja; układ hamulcowy

• Wydawca: Uniwersytet Technologiczno-Humanistyczny im. Kazimierza Pułaskiego w Radomiu
• Czasopismo: Journal of civil engineering and transport
• Rocznik: 2022
• Tom: Vol. 4, No. 1
• Strony: 33--45
• Opis fizyczny: Bibliogr. 11 poz., rys., wykr.

Twórcy

autor

Dobaj Krzysztof

• Cracow University of Technology, Faculty of Mechanical Engineering, al. Jana PawłaII 37, 31-864 Kraków, Poland

• https://orcid.org/0000-0002-7344-3895

Bibliografia

• [1] Adamiec-Wójcik I., Obrocki K., Warwas K.(2005) Distributed Neural Network Used in Control of Brake Torque Distribution, In: IEEE Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, Sofia, Bulgaria, https://doi.org/10.1109/IDAACS.2005.282952
• [2] Adamiec-Wójcik I., Obrocki K., Warwas K.(2009) Artificial Neural Networks to Control Braking Moments on Wheels of an Articulated Vehicle, In: IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, Rende, Italy, https://doi.org/10.1109/IDAACS.2009.5342974
• [3] ZhaoJ., GuoL., ZhumB., DuanW. (2011) Modeling and Control of Automotive Antilock Brake Systems through PI and Neural Network Arithmetic, In: Proceedings of 2011 International Conference on Electronic & Mechanical Engineering and Information Technology, https://doi.org/10.1109/EMEIT.2011.6023010
• [4] Borecki M., Rychlik A., Vrublevskyi O., Olejnik A., Korwin-Pawłowski M.L. (2021) Method of Non Invasive determination of wheel rim technical condition using vibration measurement and artificial neural network, Measurement(185), https://doi.org/10.1016/j.measurement.2021.1 10050
• [5] The initial conception of the neural network model for the driving active safety estimation, IOP Conference Series: Materials Science and Engineering, 421(3)2018, https://doi.org/10.1088/1757-899X/421/3/032007
• [6] Murphey Yi L., Zhihang Chen, Mahmoud Abou Nasr, Baker R., Feldkamp T., Kolmanovsky I.(2009) Ensembles of Neural Networks with Generalization Capabilities for Vehicle Fault Diagnostics, Proceedings of International Joint Conference on Neural Networks, Atlanta, GA,USA, https://doi.org/10.1109/IJCNN.2009.5178857
• [7] Gajek A. (2016) Diagnostics monitor of the braking efficiency in the on board diagnostics system for the motor vehicles, IOP Conf. Ser.: Mater. Sci. Eng. 148, 012038, https://doi.org/10.1088/1757-899X/148/1/012038
• [8] Pawełczyk M, Fulara S, Sepe M, De Luca A, Badora M. (2020) Industrial gas turbine operating parameters monitoring and data-driven prediction. Eksploatacja i Niezawodność -Maintenance and Reliability; 22(3), pp 391–399, http://dx.doi.org/10.17531/ein.2020.3.2
• [9] Zuber N, Bajrić R. (2020) Gearbox faults feature selection and severity classification using machine learning. Eksploatacja i Niezawodność - Maintenance and Reliability; 22(4), pp 748–756, http://dx.doi.org/10.17531/ein.2020.4.19
• [10] Li X, Li J, He D, Qu Y. (2019) Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning. Eksploatacja i Niezawodność - Maintenance and Reliability, 21(3), pp 403–410, http://dx.doi.org/10.17531/ein.2019.3.6
• [11] Tabaszewski M, Szymański GM. (2020) Engine valve clearance diagnostics based on vibration signals and machine learning methods. Eksploatacja i Niezawodność - Maintenance and Reliability, 22(2), pp 331–339, http://dx.doi.org/10.17531/ein.2020.2.16

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).