制动液是液压制动系统中传递制动压力的介质,在汽车的安全行驶中起着重要的作用,制动液含水率的检测是保证制动液是否合格的重要技术。为此研究一种能够快速准确检测制动液含水率的方有重要的理论研究意义和使用价值。本文首先设计了含水率检测系统的下位机和上位机,并通过实验验证了该检测系统的可靠性与正确性,并通过实验完成了制动液电参数的采集。利用采集到的电参数,采用BP神经网络、支持向量机和极限学习机等三种机器学习方法,构建了制动液含水率与电参数之间的非线性映射关系,完成了对制动液含水率的预测实验。实验结果表明BP神经网络的回归预测总体均方误差为0.002,决定系数R值为0.9574,分类精度为86.1%;支持向量机的回归预测总体均方误差为0.0043,决定系数R值为0.9662,分类精度为94.4%;极限学习机的回归预测总体均方值为0.009,决定系数R值为0.8778,分类精度为88.9%。进一步又采用长短期神经网络和堆栈稀疏自编码器完成了对制动液含水率的预测实验。实验结果表明长短期神经网络的回归预测大致为一条直线,将所有样本的含水率都预测成了一个值,将样本都分为了一类,说明长短期神经网络不适用于此类数据的预测分析。SAE优化后仅有极限学习机的预测效果变好,均方误差变小、分类精度变高;BP神经网络的预测效果反而变差,总体均方误差变大,拟合优度变小,但分类精度有所提升;而支持向量机预测效果严重变差,拟合优度为极低的0.0949,均方误差也变大为0.05,几乎无法对含水率进行预测。通过样条插值法对数据进行扩充后,三个模型的预测效果都有所提升,其中SAE+BP、SAE+SVM、SAE+ELM的均方误差分别为0.0081、0.0159、0.0004,分类精度分别为96.3%、88.9%、95.4%。从实验结果可以得知SAE+ELM模型的回归预测效果较好,SAE+BP模型的分类效果较好,准确率达到了96.3%。表明检测系统能够满足制动液含水率检测的要求。