论文部分内容阅读
摘要 随着社会发展，汽车已经成为家庭的重要出行工具。汽车运行时间越长，故障发生率越高，不利于人们的生命健康安全。因此，利用现代模式识别、机器学习等技术构建一个汽车故障率预测模型，及时发现汽车运行故障，以便能够保证汽车以及乘用人的生命安全。本文详细地分析了BP神经网络的基本理论和概念，同时将其应用到汽车故障率预测中，可以提高故障率预测的准确度。
关键词BP神经网络；汽车故障率；神经元；梯度下降
中图分类号U2 文献标识码A 文章编号2095—6363（2017）03—0063—02
随着互联网、数据库、云计算、移动通信技术的快速发展和进步，促进了其在多领域得到广泛普及，开发电子政务、电子商务、在线学习、物流仓储、智能家居、金融证券等领域得到广泛普及和使用，已经积累了海量的应用数据资源，并且持续呈现几何级数增长。汽车是信息化普及和使用的一个重要方向，汽车生产制造、保养修复、运行监控等都开发了先进的智能管理系统，这些系统运行也积累了海量数据，可以采用分类算法挖掘潜在有价值信息，形成一个个的数据类别，这些数据类别内部具有高度相似性，类别之间高度相异，因此就可以根据用户输入的信息主体划分数据资源，提供一个合理的知识解释和决策信息。
1 BP神经网络理论
目前，汽车故障数据分析主要包括2个类别，一是有监督学习方法，比如BP神经网络、支持向量机、贝叶斯理论；一种是无监督学习方法，比如谱聚类、密度聚类、K均值、信息論等方法。有监督大数据分析方法需要利用人们的经验，预先构建一个分析模型，然后尽可能提高这个学习模型的准确性，从而保证类别分析的精确度；无监督学习方法却不需要任何先验知识，系统自动的将数据按照不同的关注角度进行分类。
BP神经网络能够按照统计学规则，实现误差逆传播，是一种多层次的前馈神经网络，目前已经在多个机器学习和模式识别领域得到广泛普及。BP神经网络可以学习和存储海量的数据信息，并且经过自学习形成一个强大的支持网络结构，并且利用当前最为流行的梯度下降方法，不断调整网络的结构、权值和阈值，降低网络的误差平方和，准确提取相关的数据隐含模式信息。汽车运行数据处理过程中，输入层可以接收所有数据，并且将这些数据传输给中间层的神经元，神经元可以负责数据信息处理、变换，并且能够根据信息变化能力的需求，改变和整合中间层结构汽车运行数据流经过识别和处理之后，就可以从中间层分发到输出层，这样就可以完成一次学习过程，将BP神经网络训练成为一个准确度非常高的模型，还可以通过误差梯度下降等修正各个层次的权值，向隐藏层逐级反馈，实现反向传播和修正，提高汽车运行数据识别精确度。
2汽车故障率预测模型设计
汽车故障是指企业部分组件或全部组件丧失工作能力，也即是零部件机器相互配合的状态发生了异常变化，汽车故障广泛地发生于生产制造、运行使用、修理维护等全过程，因此每一个环节都需要非常小心和注意，尤其是在汽车使用故障发生时，一定要及时发现故障类型，及时排除故障内容，才能够保证汽车使用中尽量降低事故发生率。目前，汽车故障形成具有很多原因，具体原因如下所述。
1）汽车组成部件自身质量差异。汽车及其自身组件由于生产厂家、生产批次均不同，因此不可避免的存在许多质量差异，原厂配件在使用过程中将会出现很多问题，协作厂和不合格的配件装配到汽车上之后将会出现很多问题，对于不同批次、规格相同的部件来讲，可以将其划分为好中差3个层次，权值因子设置为0.95、0.8和0.6。
2）汽车消耗品质量差异。汽车运行中，消耗品包括燃油、润滑油等，这些消耗品的自身质量将会影响汽车运行性能和使用寿命，非常容易的导致企业发生故障。目前汽车常用的燃油包括90#、95#和97#。
3）汽车使用环境影响。汽车使用环境复杂，路面易发生各类型事故，同时山区、城市、丘陵等地带由于地势不同，耗费的动力也是不同，汽车使用环境复杂多变，容易诱发汽车故障，将使用环境划分为3个方面，分别是好良中，权值因子设置为I/0.8和0.5。
4）汽车故障诊断和维修的影响。汽车运行中，需要定期对其进行保养，以便能够准确诊断故障，才能够将这些内容修复完毕。汽车运行维护、故障诊断、维修服务中需要较高的技术，因此为了提高这些技术产品的应用性，可以将汽车定期维护程度划分为多个时间长短的内容，分别是0-3/4-6/7-9三个阶段。
5）汽车的自然损耗。汽车各个组件会随着运行公里的增加逐渐衰弱，汽车自燃损耗越多，产生故障的概率就越大，因此汽车的自然损耗也是一个关键因素。
基于BP神经网络的汽车故障率预测模式可以利用管理系统、传感器等采集上述5个方面的数据信息，将这些信息输入到BP网络的输入层，输入层接收道数据之后，将其按照权值因子进行整合，输入到隐藏层网络，隐藏藏网络利用梯度下降、多层反馈等关键技术，对BP神经网络进行训练和学习，通过对此类标签对比，不断拟合调整网络权值，形成一个强大的故障率预测网络结构，这样就可以准确预测网络结构，将其输出到显示器上，具体的BP神经网络运行如图1所示。
3结论
汽车运行故障率预测模式可以实时通过传感器采集汽车运行数据，分析汽车运行状态信息，将未来一段时间内汽车发生故障的概率分析出来，输出到显示器上供人们进行决策，更好进行故障率预测。
关键词BP神经网络；汽车故障率；神经元；梯度下降
中图分类号U2 文献标识码A 文章编号2095—6363（2017）03—0063—02
随着互联网、数据库、云计算、移动通信技术的快速发展和进步，促进了其在多领域得到广泛普及，开发电子政务、电子商务、在线学习、物流仓储、智能家居、金融证券等领域得到广泛普及和使用，已经积累了海量的应用数据资源，并且持续呈现几何级数增长。汽车是信息化普及和使用的一个重要方向，汽车生产制造、保养修复、运行监控等都开发了先进的智能管理系统，这些系统运行也积累了海量数据，可以采用分类算法挖掘潜在有价值信息，形成一个个的数据类别，这些数据类别内部具有高度相似性，类别之间高度相异，因此就可以根据用户输入的信息主体划分数据资源，提供一个合理的知识解释和决策信息。
1 BP神经网络理论
目前，汽车故障数据分析主要包括2个类别，一是有监督学习方法，比如BP神经网络、支持向量机、贝叶斯理论；一种是无监督学习方法，比如谱聚类、密度聚类、K均值、信息論等方法。有监督大数据分析方法需要利用人们的经验，预先构建一个分析模型，然后尽可能提高这个学习模型的准确性，从而保证类别分析的精确度；无监督学习方法却不需要任何先验知识，系统自动的将数据按照不同的关注角度进行分类。
BP神经网络能够按照统计学规则，实现误差逆传播，是一种多层次的前馈神经网络，目前已经在多个机器学习和模式识别领域得到广泛普及。BP神经网络可以学习和存储海量的数据信息，并且经过自学习形成一个强大的支持网络结构，并且利用当前最为流行的梯度下降方法，不断调整网络的结构、权值和阈值，降低网络的误差平方和，准确提取相关的数据隐含模式信息。汽车运行数据处理过程中，输入层可以接收所有数据，并且将这些数据传输给中间层的神经元，神经元可以负责数据信息处理、变换，并且能够根据信息变化能力的需求，改变和整合中间层结构汽车运行数据流经过识别和处理之后，就可以从中间层分发到输出层，这样就可以完成一次学习过程，将BP神经网络训练成为一个准确度非常高的模型，还可以通过误差梯度下降等修正各个层次的权值，向隐藏层逐级反馈，实现反向传播和修正，提高汽车运行数据识别精确度。
2汽车故障率预测模型设计
汽车故障是指企业部分组件或全部组件丧失工作能力，也即是零部件机器相互配合的状态发生了异常变化，汽车故障广泛地发生于生产制造、运行使用、修理维护等全过程，因此每一个环节都需要非常小心和注意，尤其是在汽车使用故障发生时，一定要及时发现故障类型，及时排除故障内容，才能够保证汽车使用中尽量降低事故发生率。目前，汽车故障形成具有很多原因，具体原因如下所述。
1）汽车组成部件自身质量差异。汽车及其自身组件由于生产厂家、生产批次均不同，因此不可避免的存在许多质量差异，原厂配件在使用过程中将会出现很多问题，协作厂和不合格的配件装配到汽车上之后将会出现很多问题，对于不同批次、规格相同的部件来讲，可以将其划分为好中差3个层次，权值因子设置为0.95、0.8和0.6。
2）汽车消耗品质量差异。汽车运行中，消耗品包括燃油、润滑油等，这些消耗品的自身质量将会影响汽车运行性能和使用寿命，非常容易的导致企业发生故障。目前汽车常用的燃油包括90#、95#和97#。
3）汽车使用环境影响。汽车使用环境复杂，路面易发生各类型事故，同时山区、城市、丘陵等地带由于地势不同，耗费的动力也是不同，汽车使用环境复杂多变，容易诱发汽车故障，将使用环境划分为3个方面，分别是好良中，权值因子设置为I/0.8和0.5。
4）汽车故障诊断和维修的影响。汽车运行中，需要定期对其进行保养，以便能够准确诊断故障，才能够将这些内容修复完毕。汽车运行维护、故障诊断、维修服务中需要较高的技术，因此为了提高这些技术产品的应用性，可以将汽车定期维护程度划分为多个时间长短的内容，分别是0-3/4-6/7-9三个阶段。
5）汽车的自然损耗。汽车各个组件会随着运行公里的增加逐渐衰弱，汽车自燃损耗越多，产生故障的概率就越大，因此汽车的自然损耗也是一个关键因素。
基于BP神经网络的汽车故障率预测模式可以利用管理系统、传感器等采集上述5个方面的数据信息，将这些信息输入到BP网络的输入层，输入层接收道数据之后，将其按照权值因子进行整合，输入到隐藏层网络，隐藏藏网络利用梯度下降、多层反馈等关键技术，对BP神经网络进行训练和学习，通过对此类标签对比，不断拟合调整网络权值，形成一个强大的故障率预测网络结构，这样就可以准确预测网络结构，将其输出到显示器上，具体的BP神经网络运行如图1所示。
3结论
汽车运行故障率预测模式可以实时通过传感器采集汽车运行数据，分析汽车运行状态信息，将未来一段时间内汽车发生故障的概率分析出来，输出到显示器上供人们进行决策，更好进行故障率预测。