اكتشاف الأخطاء والتحكم المتسامح مع الأخطاء لنظام الفرامل المانعة للانغلاق في المركبات الحديثة

الباحث

اياد قيس عبد الكريم

المشرف

عبد الرحيم ذياب حمود - عدي علي احمد

الجامعة

الجامعة التكنولوجية

الكلية / القسم

قسم الهندسة الكهربائية / هندسة الالكترونيك والاتصالات

الشهادة

دكتوراه

السنة

2023

لغة الرسالة

انكليزي

الكلمات المفتاحية

Anti-lock braking system;Fault detection;Fault-tolerant control;Modern vehicles

يعتبر نظام المكابح المانعة للانغلاق (ABS) نظام أمان أساسي في معظم السيارات الحديثة. وقد تم تصميمه للتدخل أثناء الكبح الشديد أو الطارئ للحصول على اكبر قوة احتكاك ممكنة بين الطريق و العجلات بالاضافة الى الحفاظ على قدرة السائق على المناورة وايضا منع العجلات من ،DAY الأمر الذي سيؤدي بدوره إلى حوادث تضر بالسلامة العامة والتي ايضا قد تشكل تهديداً لحياة السائق او غيره. تقترح هذه الأطروحة طرق اكتشاف الأخطاء (FD) والتحكم المتسامح مع الأخطاء (FTC) لنظام ABS لزيادة اعتماديتها وموثوقيتها بالاضافة الى تحسين سلامة قيادة السيارة. تتضمن الطرق المقترحة كلا من نهج FTC الخامل و الفعال. يتم تنفيذ FTC الخامل من خلال تصميم وحدة تحكم فعالة غير خطية (PD) تم توليف معاملاتها بواسطة خوارزمية الامثلة المعتمدة على سرب من الجسيمات (PSO) بعد ذلكء تم إجراء audi لهذه الوحدة تجاه التدهور الذي قد يصيب الوحدة الهيدروليكية. وقد أظهرت نتائج الاختبار أن PD غير الخطي نجح في الحفاظ على موثوقية استجابة النظام واتساقها حتى عندما انخفض عزم الكبح المتولد من قيمته الاسمية إلى %12 للطرق الإسفلتية الجافة، 5 %28 للطرق الإسفلتية الرطبة، و9640 للطرق المرصوفة بالحصى الرطبة. من ناحية ،gal تم FTC chal الفعال من خلال تصميم طريقة FD-FTC هجينة تتكون من وحدتين تتعاونان مع بعضهما البعض لكشف وتشخيص اماكن الأخطاء في حساس سرعة السيارة وحساس سرعة العجلات والتسامح معها. الوحدة الأولى هي وحدة اكتشاف وتشخيص الأخطاء، والتي تعتمد على مصنف k-Nearest Neighbor (KNN) والمصممة لاكتشاف الأخطاء في إشارات مستشعرات السرعة وتشخيص مكان حدوثها. تم اختيار مصنف KNN بدقة 4 لأنه تفوق في الأداء على كل من SVM بنسبة %91.7 ومصنف (DT) بدقة 4 االوحدة الثانية هي وحدة بناء البيانات (DC) والتي تم إنشاؤها على أساس نماذج الشبكة العصبية (/ال(-112/ا) والمصممة لمحاكاة مستشعرات السرعة وبناء إشارة بديلة لها. وأظهرت نتائج الاختبار قدرة ملحوظة قامت بها كلتا الوحدتين، ونجحتا في إنجاز مهامهما من خلال الكشف الدقيق عن التشخيص و التسامح مع الأخطاء في إشارات مستشعر سرعة “ABS من أجل عملية تحكم دقيقة، تم تطبيق طريقة جديدة لتقدير نوع سطح الطريق (RST) لتحديد نوع الطريق sly على الأساليب القائمة على البيانات. تم إجراء مقارنة بين ثلاثة مصنفات مختارة، وكانت النتائج 1%96 SVM و 1%95.4 DT و 94, ل -KNN تم استخدام ا/ا/ا5 لدقته العالية. وأخيراء يتم تنفيذ تنفيذ الأجهزة باستخدام طراز .Raspberry Pi 4 8 (RPi-4B) وتظهر نتائج الاختبار قدرة النماذج المطورة على تحقيق غرض التصميم.

Anti-Lock Braking System (ABS) is considered an essential safety system in most modern vehicles. It is designed to maximize friction force and maintain vehicle maneuverability while preventing the wheels from locking up during hard or emergency braking, which in turn will result in safety accidents and even human life threats. This thesis proposes Fault Detection (FD) and Fault-Tolerant Control (FTC) methods for ABS to increase its dependability, reliability, and improving vehicle driving safety. The proposed methods includes both passive and active FTC approaches. A passive FTC is performed by designing an effective nonlinear Proportional- Derivative (PD) controller tuned by Particle Swarm Optimization (PSO) algorithm. Then, an evaluation for an augmented PD controller was performed for hydraulic unit faults. Testing results demonstrated that the nonlinear PD successfully maintained system response reliability and consistency even when the produced braking torque decreased from its nominal value to 12% for dry asphalt roads, 28% for wet asphalt roads, and 40% for wet pebble roads. In the other hand, an active FTC was performed by designing a hybrid FD-FTC method that consists of two units cooperate with each other to detect, diagnose, and tolerate faults in vehicle speed and wheel speed sensors. The first unit is the Fault Detection and Diagnosis unit, which is based on a k-Nearest Neighbor (kNN) classifier and designed to detect faults in speed sensors signals and diagnose their locations. The kNN classifier with an accuracy of 98.4% was chosen because it outperformed both, the Support Vector Machine SVM with 91.7% and the Decision Tree (DT) classifier with an accuracy of 84.4%. The second unit is the Data Construction (DC) unit, which is constructed based on Multi-Layer Perceptron Neural Network (MLP-NN) models and designed to simulate the speed sensors and construct an alternative signal to them. The results of the online test demonstrated a remarkable ability performed by both units, and they successfully fulfill their tasks by accurately detecting diagnosing, and tolerating faults in ABS speed sensor signals. For accurate control operation, a new Road Surface Type (RST) estimation method for road type identification was implemented based on data-based methods. A comparison among three selected classifiers was carried out, and the results were 96% for SVM, 95.4% for DT, and 94% for kNN. The SVM was employed for its higher accuracy. Finally, a hardware implementation is performed using the Raspberry Pi 4 model B (RPi-4B). The testing results demonstrate the developed models' ability to fulfill the design purpose.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب