برآورد ساییدگی لنت ترمز با استفاده از مدل CNN-MLP و داده های واحد کنترل الکترونیکی خودرو

تخمین دقیق سایش لنت ترمز برای ایمنی خودرو و بهینه سازی استراتژیهای نگهداری پیش بینانه امری حیاتی است با این حال روشهای مرسوم معمولا به حسگرهای تخصصی یا بازرسیهای دستی زمان بر و پرزحمت وابسته هستند که از نظر منابع پرهزینه و ناکارآمد می باشند. این مطالعه یک چارچوب نوین بدون حسگر را برای تخمین وضعیت سایش لنت ترمز معرفی میکند که از دادههای استخراج شده توسط واحد کنترل الکترونیکی خودرو استفاده کرده و از طریق یک مدل یادگیری عمیق شبکه CNN-MLP پردازش می شود. برخلاف روشهای سنتی مبتنی بر تجمیع سایش لنت در طول زمان این رویکرد وضعیت لنت ترمز را مستقیما از وضعیت دینامیکی لحظه ای رویدادهای ترمزگیری استنباط می کند و نیاز به ردیابی تجمعی سایش در طول زمان یا حسگرهای اختصاصی لنت ترمز ندارد. دادههای رانندگی در دنیای واقعی از یک خودروی سواری با لنتهای ترمز با سه وضعیت سایش متمایز از نو تا کاملا فرسوده جمع آوری شده است. رویدادهای ترمزگیری به توالی هایی با طول ثابت برای تحلیل تقسیم شدند و مدل CNN-MLP برای طبقه بندی سایش لنت ترمز بر اساس وضعیت دینامیکی خودرو و رفتار موتور در طول این رویدادها آموزش داده شده است. این مدل به دقتی وزنی ۷۹٪ دست یافته و صحت و بازیابی متعادلی را در تمام کلاسهای سایش نشان داده است. این یافته ها پتانسیل استفاده از دادههای استاندارد واحد کنترل الکترونیکی خودرو و یادگیری عمیق را برای تخمین دقیق سایش لنت ترمز بدون نیاز به حسگرهای اختصاصی لنت ترمز را نشان می دهند.

کلیدواژه ها:

سایش لنت ترمز ، طبقه بندی لنت ترمز ، نگهداری پیش بینانه ، یادگیری عمیق