随着电子控制技术在汽车领域的广泛应用,汽车的整体性能已经有了很大的提升,但随之产生的汽车故障也变得越来越复杂,单凭经验判断或简单仪器的检测已无法满足汽车故障诊断的要求。目前,OBD(On-Board Diagnostics)车载诊断系统已被广泛用于汽车电控系统的故障诊断,诊断结果主要以故障代码及相关数据流形式呈现,但最终故障的确定和解决仍需借助其他仪器(如故障诊断仪)的检测及维修人员的专业知识,且这种诊断范围有待进一步扩大,诊断精确性有待进一步提高。因此,寻找一种更加高效智能的汽车电控单元诊断方法成为汽车故障诊断研究领域一个重要方向。为了克服上述的不足,本文在诊断系统中引入人工智能技术,将模糊逻辑和神经网络有机地结合,汇集各自的优点从而得到一个更为有效的汽车故障诊断方法——模糊神经网络。首先,为了采集汽车电控系统的相关传感器的动态参数信息,开发了个人手持汽车故障诊断仪的实物硬件及运行其上的支持多协议和OBDⅡ标准的汽车故障诊断软件。通过个人手持汽车故障诊断仪采集汽车故障状态数据,为后续的数据处理和故障诊断提供原始的检测数据。其次,以汽车防抱死制动系统ABS(Antilock Braking System)的故障诊断为研究对象,建立了基于T-S模型的模糊神经网络模型,并以蚁群优化算法训练该神经网络,通过对比实验表明该诊断方法具有更加高效智能的优点。基于模糊神经网络的ABS故障诊断专家系统,用模糊隶属函数来描述各种故障现象,用神经元及其连接权值的分布表示故障的分布,用蚁群算法和BP算法相融合的ACO-BP算法从训练范例中获取知识,实现知识表示、存储和推理三者融为一体,在知识获取、并行推理、自适应学习、联想推理和容错能力等方面显示出了明显的优越性,能很好的完成汽车ABS故障诊断任务。最后,将基于模糊神经网络的汽车故障诊断方法应用于个人手持汽车故障诊断仪中,使得诊断仪的诊断精度得到进一步提高。基于T-S模型的模糊神经网络一旦训练完成后,就可以用来快速、准确地诊断相应的汽车故障,以达到预期目的。将其固化到诊断仪中,不仅可以更精确化诊断结果,而且可在诊断仪不出现故障提示下,充分挖掘汽车故障的数据流参数,扩大诊断仪的诊断范围。