制动系是汽车重要的总成之一,其工作可靠性将直接影响汽车的安全性能.基于大量故障数据的分析是制动系统可靠性分析的基础,而建立制动系模型并进行参数估计是关键.人工神经网络具有独特的结构和处理信息的方法,使其在许多实际应用领域中取得了显著的成效,解决了一些传统计算机极难求解的问题.将人工神经网络应用到可靠性的分析中,同时将机器学习引入可靠性分布的识别过程,能够提高可靠性分布类型识别的自动化和智能化水平,为可靠性理论解决工程技术问题开辟了一条全新的途径,对于促进并深化基于概率论的可靠性工程方法,具有重要的理论指导与科学创新意义.该文主要对BJ6468轻型客车制动系统进行可靠性分析,解决可靠性模型的识别方法和模型的参数估计两大问题.制动系属于复杂的可维修系统,其故障和平均寿命符合复杂系统的故障分布,在分析神经网络中BP网络结构的基础上,选用了具有学习自适应调整策略的改进的BP算法.该文将几种可靠性模型的特点及应用进行了比较和分析,重点介绍了适合复杂设备故障的威布尔分布.利用人工神经网络在可靠性模型选择方向上的优势,设计出可靠性模型识别系统.并说明如何对常用的指数分布和威布尔分布进行参数估计,利用神经网络中改进的BP算法,设计出可靠性模型识别系统.通过所设计可靠性模型识别系统,拟合制动系主要零部件首次故障行驶里程的分布类型,在获得的分布类型的基础上,利用MATLAB强大的统计和人工神经网络工具箱,计算所获得分布的参数值,绘制出可靠度曲线.从而可以对整个制动系各零部件总成的平均寿命进行有效地分析和评价.该文在编写的过程中进行了为期一年的制动系故障跟踪,得到了大量的、宝贵的故障数据,利用威布尔过程对这些数据进行了拟合,用人工神经网络方法进行参数估计,完整的描述了制动系使用初期的各零部件故障规律性.综上所述,该文针对制动系进行的可靠性分析,不但可以评价该型车的制动系各零部件总成的情况,提高汽车的主动安全性,而且能为生产企业提供比较宝贵的资料,有针对性的改进设计.