柳熾偉， 景玉軍， 李 軍， 孫文中

(中山職業(yè)技術(shù)學(xué)院 機(jī)電工程學(xué)院, 廣東 中山 528403 )

電動汽車采用的動力電源電壓大多在300 V以上，對車輛使用的安全性提出更高的要求，需要維護(hù)部門具備較強(qiáng)的電動汽車故障檢測與診斷技術(shù)。當(dāng)前許多電動汽車運(yùn)營企業(yè)的維修技術(shù)力量不足，車輛故障的檢測與診斷過分依賴于系統(tǒng)供應(yīng)商的售后服務(wù)，影響了車輛使用可靠性和經(jīng)濟(jì)性[1]。為提高企業(yè)車輛運(yùn)營效益，加快電動汽車診斷技術(shù)人員培養(yǎng)，開發(fā)智能化的故障診斷系統(tǒng)具有重要的現(xiàn)實(shí)意義。

1 汽車電驅(qū)動系統(tǒng)故障分析

純電動汽車驅(qū)動系統(tǒng)的故障模式包括電力電子等電器元件的老化、擊穿，電路短路、斷路或虛接，機(jī)械零件發(fā)生磨損、變形，液力系統(tǒng)的滲漏、堵塞，控制軟件的魯棒性、容錯性不足等。不同模式故障間還可能互相干擾，如電機(jī)軸承松曠、轉(zhuǎn)子變形和偏心等還會對勵磁電流產(chǎn)生影響[2]。原車監(jiān)測系統(tǒng)通過檢測電路參數(shù)能反映電器元件或電路的某些故障信息，但往往不能準(zhǔn)確判定故障點(diǎn)。特別是機(jī)械和液力系統(tǒng)方面的故障模式，大多沒有直接反映其性能的電參數(shù)信號，需要采集振動加速度等多個相關(guān)故障特征信號，輸入診斷模型處理后輸出故障點(diǎn)和故障模式。鑒于電驅(qū)動系統(tǒng)故障模式和故障點(diǎn)的非線性和多樣性，本文采用Dempster合成規(guī)則進(jìn)行決策層信息融合，建立神經(jīng)網(wǎng)絡(luò)模型及專家系統(tǒng)產(chǎn)生式規(guī)則混合決策的診斷模型。

2 電驅(qū)動系統(tǒng)故障診斷模型理論

人工神經(jīng)網(wǎng)絡(luò)是一種具有自學(xué)習(xí)、自適應(yīng)、分布存儲、并行處理以及魯棒性、容錯性強(qiáng)等特點(diǎn)的數(shù)學(xué)模型，可以用來逼近任何難以用數(shù)學(xué)語言或者規(guī)則描述的非線性系統(tǒng)，能較好地應(yīng)用于故障診斷中。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network，以下簡稱RBFNN)具有局部響應(yīng)特點(diǎn)，能避免BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程易陷入局部最小等問題[3]，可以得到更好的精度和運(yùn)行速度，因此本文選其作為電驅(qū)動子系統(tǒng)故障診斷的模型。

2.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型

RBFNN是由輸入層、隱含層和輸出層組成的三層前向神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如圖1所示。其基本原理是將在低維空間屬于線性不可分問題，通過隱含層的一個核函數(shù)(徑向基函數(shù))進(jìn)行非線性映射而形成一個高維特征空間，在高維空間內(nèi)尋求線性可分的可能性，進(jìn)而實(shí)現(xiàn)問題的求解。

圖1 RBFNN結(jié)構(gòu)

隱含層中徑向基函數(shù)Ri一般選擇高斯函數(shù)，即

(1)

式中：輸入樣本向量X=[x1，x2，…，xn]；Ci是隱含層節(jié)點(diǎn)的中心；σi是第i個基函數(shù)的寬度。

RBFNN的輸出為：

(2)

式中：wi是隱含層節(jié)點(diǎn)和輸出節(jié)點(diǎn)的連接權(quán)值；b0是常數(shù)；h是中心數(shù)量。

RBFNN作為智能故障判斷方法，首先需由若干組樣本數(shù)據(jù)(故障特征值)作為輸入值進(jìn)行網(wǎng)絡(luò)訓(xùn)練，故障分類就是RBFNN的輸出值。訓(xùn)練后得到的RBFNN還需通過非訓(xùn)練組的樣本數(shù)據(jù)進(jìn)行驗(yàn)證，以檢驗(yàn)其故障識別的能力。

2.2 D-S證據(jù)理論的Dempster合成規(guī)則

在實(shí)際故障診斷過程中，當(dāng)目標(biāo)子系統(tǒng)較復(fù)雜時，單個神經(jīng)網(wǎng)絡(luò)模型也會存在診斷結(jié)果“不確定”或“不知道”等問題，往往不能釆用單一故障癥狀信息反映其實(shí)際狀態(tài)，只有從各種不同方面獲得的多維數(shù)據(jù)和特征才能進(jìn)行更準(zhǔn)確的診斷，而且不同的模型輸出也需要進(jìn)行比較和歸納的融合。D-S證據(jù)理論以其較強(qiáng)的不確定信息的融合處理能力，廣泛應(yīng)用在目標(biāo)決策、狀態(tài)監(jiān)測和故障診斷等領(lǐng)域，其重要概念之一是Dempster證據(jù)合成規(guī)則。

設(shè)有識別框架

Ω={A1,A2,…,AN}

其中N為焦元的個數(shù)，有n個證據(jù)進(jìn)行組合，證據(jù)集E={E1，E2，…，En}，各證據(jù)對應(yīng)的基本信任分配函數(shù)為m1，m2，…，mn，mi分配給Ω中焦元基本可信度mi(Aj)，則Dempster證據(jù)合成規(guī)則為[4-5]：

(3)

其中k是沖突系數(shù)，表示某個證據(jù)與證據(jù)集中的其他證據(jù)的沖突程度。而

(4)

k較大時，表明該證據(jù)存在某種程度奇異，可信度應(yīng)較低，對最終合成結(jié)果的影響較大；反之，該證據(jù)可信度較高，對最終合成結(jié)果影響較小[5]。

2.3 專家系統(tǒng)的產(chǎn)生式規(guī)則

產(chǎn)生式規(guī)則是專家系統(tǒng)知識表示的一種方法，它具有一般性，易于被領(lǐng)域?qū)＜依斫猓硎局R準(zhǔn)確靈活，能充分表達(dá)領(lǐng)域相關(guān)的推理規(guī)則和行為。尤其在求解問題數(shù)據(jù)不全時，可用來模擬和解釋大量的計(jì)算或求解過程，實(shí)現(xiàn)專家系統(tǒng)的符號推理[6]。

產(chǎn)生式規(guī)則表示法基本形式是A→B或IF A THEN B，其中，A是產(chǎn)生式規(guī)則的前提，用于指出該產(chǎn)生式規(guī)則是否可用的條件；B是一組結(jié)論或操作，用于指出當(dāng)前提A所指示的條件被滿足時，應(yīng)該得出的結(jié)論或應(yīng)該執(zhí)行的操作。

3 診斷系統(tǒng)模型的建立與仿真

3.1 診斷系統(tǒng)模型的建立

為避免汽車電驅(qū)動系統(tǒng)診斷模型采用單個人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜無法收斂的問題，構(gòu)建如圖2所示的并行RBF子神經(jīng)網(wǎng)絡(luò)診斷模型，將整個故障特征參數(shù)空間分解為若干個子特征參數(shù)空間，分別輸入相應(yīng)的RBF子神經(jīng)網(wǎng)絡(luò)，其輸出結(jié)果再與專家系統(tǒng)結(jié)果通過D-S理論的Dempster合成規(guī)則進(jìn)行決策層信息融合。

圖2 電驅(qū)動系統(tǒng)診斷模型

采用模塊化的子神經(jīng)網(wǎng)絡(luò)模型具有較簡單的結(jié)構(gòu)，而且各個子網(wǎng)絡(luò)模型互不影響，當(dāng)有新的故障模式增加時，只需增加新的子神經(jīng)網(wǎng)絡(luò)，而不會影響原有子網(wǎng)絡(luò)[7]。對于能采集故障特征參數(shù)信號及其訓(xùn)練數(shù)據(jù)充足的子系統(tǒng)采用模塊化的神經(jīng)網(wǎng)絡(luò)模型，其余不具備神經(jīng)網(wǎng)絡(luò)訓(xùn)練條件的子系統(tǒng)則采用專家系統(tǒng)產(chǎn)生式規(guī)則，在神經(jīng)網(wǎng)絡(luò)模型和專家系統(tǒng)規(guī)則間建立一種協(xié)同決策關(guān)系。

在汽車電驅(qū)動系統(tǒng)出現(xiàn)的故障中，電源電壓及逆變器IGBT異常、電機(jī)及逆變器溫度過高等故障可通過診斷系統(tǒng)的電源及逆變器RBFNN和散熱系統(tǒng)RBFNN進(jìn)行識別。驅(qū)動電機(jī)及變速器的RBFNN則對電機(jī)的輸入電流和電壓進(jìn)行監(jiān)測，以識別定子繞組和轉(zhuǎn)子的電磁故障。

當(dāng)電機(jī)出現(xiàn)軸承損壞、轉(zhuǎn)子偏心、卡滯等機(jī)械故障時，工業(yè)應(yīng)用中一般可外接加速度傳感器測得振動信號，再通過小波包能量分析等方法提取故障特征值進(jìn)行診斷[2]。鑒于汽車的結(jié)構(gòu)和運(yùn)行狀況復(fù)雜，振動檢測信號易受外界干擾，所以先在專家系統(tǒng)中利用故障樹及層次分析法等模型定位故障點(diǎn)及估計(jì)權(quán)值[8-10]，建立相應(yīng)規(guī)則和推理邏輯，再將其輸出的故障信息與RBFNN的輸出信息利用D-S證據(jù)理論進(jìn)行決策層的信息融合。為避免可能出現(xiàn)的證據(jù)沖突悖論，在神經(jīng)網(wǎng)絡(luò)診斷模塊輸出后再進(jìn)一步和專家系統(tǒng)的產(chǎn)生式規(guī)則交互融合，最后輸出診斷結(jié)果。

3.2 電機(jī)RBFNN的訓(xùn)練和測試

如何選取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，將直接影響到故障診斷的能力和網(wǎng)絡(luò)的泛化能力。在汽車電機(jī)及控制器開放協(xié)議的情況下，可以直接從中獲取部分電機(jī)及控制器狀態(tài)信息及故障情況[11]；否則可從外接傳感器進(jìn)行信號采集，再對信號進(jìn)行故障特征值提取處理。由于傅里葉變換存在窗口不能隨頻率變化等缺點(diǎn)，而小波變換是利用小波基對時變信號進(jìn)行分解的一種信號處理方法，其可調(diào)窗口特性與信號的頻率變化相適應(yīng)，是比較理想的分析工具[12-14]。同步驅(qū)動電機(jī)的診斷可先提取定子電流基波分量的幅值，再通過小波變換提取特征向量。

由于工程實(shí)際中較難獲得各種故障特征數(shù)據(jù)，因此利用Matlab的Simulink搭建永磁同步電機(jī)仿真模型，提取主要故障的特征參數(shù)來進(jìn)行RBFNN的訓(xùn)練。主要方法是將在仿真正常和發(fā)生故障時分別采集到的n個(本文為1 001個)電流基波分量采樣點(diǎn)存為單獨(dú)的數(shù)組，應(yīng)用小波分析工具箱wavedec函數(shù)對各組信號進(jìn)行5層小波分解，小波基函數(shù)選用db6。再將5組高頻系數(shù)分別進(jìn)行重構(gòu)得出5組數(shù)據(jù)，取出每組數(shù)據(jù)最具代表性的第一個數(shù)便形成了一組故障特征向量[15]。為便于對比分析，本文利用文獻(xiàn)[15]的同步電機(jī)相電流故障特征樣本數(shù)據(jù)輸入電機(jī)RBFNN進(jìn)行訓(xùn)練和測試，輸出測試結(jié)果見表1。表1中Q0代表無故障，Q1指相間短路，Q2指單相接地，Q3指轉(zhuǎn)子失磁等故障類型。訓(xùn)練步長曲線如圖3(a)所示，可見該RBFNN只需9步即達(dá)到目標(biāo)誤差值，而文獻(xiàn)[15]采用的Elman網(wǎng)絡(luò)訓(xùn)練一般需166步左右才能穩(wěn)定。測試誤差如圖3(b)所示，其中第4組(表中第4行)“失磁故障”測試數(shù)據(jù)誤差最大，但其值僅在-0.14以內(nèi)，表明模型測試效果較佳。

表1 RBFNN模型期望與實(shí)際輸出m (Qi)測試結(jié)果

(a)RBFNN訓(xùn)練步長曲線

(b)RBFNN測試誤差曲線

圖3 RBFNN測試結(jié)果分析

3.3 診斷的決策層融合

電機(jī)和變速器RBFNN子模型的診斷輸出主要用于確定電機(jī)勵磁線圈及相關(guān)電路短路或斷路、轉(zhuǎn)子失磁等故障，但電機(jī)軸承損壞和轉(zhuǎn)子偏心振動等機(jī)械故障需采集和分析振動信號后與層次分析診斷模型結(jié)果進(jìn)行信息融合。如表2所示，m1(Ai)是模擬電機(jī)相關(guān)故障，通過同步電機(jī)RBFNN得到的故障模式輸出的信度值；m2(Ai)是層次分析法模型得到的相關(guān)故障模式的信度值；m12(Ai)是信息融合后的輸出信度值。A1，…，A4分別指定子繞組短路、斷路、轉(zhuǎn)子失磁、電機(jī)軸承損壞等故障。

考慮基于D-S證據(jù)理論的故障決策遵循的規(guī)則：判定故障原因應(yīng)具有最大的信度函數(shù)值，并要大于某一閾值，此處取0.23；判定故障原因和其他類型的信度函數(shù)值之差要大于某一門限值，此處可取0.10。在m1(Ai)中，因?yàn)樵诫姍C(jī)RBFNN沒有直接輸出故障信度函數(shù)值，為避免證據(jù)高度沖突產(chǎn)生決策融合悖論，當(dāng)m1(A1)～m1(A3)的信度值均低于某一閾值時(此處為0.23)，可設(shè)定m1的A4信度函數(shù)值即m1(A4)為0.2[16]。

根據(jù)式(4)得:

將k代入式(3)可得融合后的m1(A1)信度值：

m12(A1)=∑[m1(Ai)m2(Aj)]/(1-k)=
m1(A1)m2(A1)/(1-k)=0.010 3

同理可計(jì)算出其他焦元融合后的信度值，結(jié)果見表2中m12(Ai)。

由表2可知，經(jīng)過D-S規(guī)則融合計(jì)算后輸出的電機(jī)軸承故障A4的信度函數(shù)值m12(A4)最大，且高于判定閾值0.23。所以軸承故障可判定為電機(jī)故障原因。沖突系數(shù)k為0.408 3，表明證據(jù)體m1(Ai)和證據(jù)體m2(Ai)的沖突程度不高，引起沖突悖論機(jī)會少，結(jié)果可信度較高。原電機(jī)RBFNN計(jì)算結(jié)果m1(Ai)中，雖然A3的信度值較高，但未達(dá)到閾值，所以輸出為不確定，與層次模型輸出結(jié)果m2(Ai)融合后，輸出結(jié)果中最大值為m12(A4),即軸承故障，與所設(shè)故障類型吻合，避免了原RBFNN輸出m1(A3)導(dǎo)致的A3類型故障這一錯誤結(jié)論。

再進(jìn)一步分析，在整個電驅(qū)動系統(tǒng)的故障診斷模型中，對于某一故障現(xiàn)象，有可能一個或數(shù)個子系統(tǒng)RBFNN模塊都輸出故障類型，此時應(yīng)根據(jù)各個RBFNN的輸出信息，結(jié)合專家系統(tǒng)的專家知識(產(chǎn)生式規(guī)則)對各故障類型進(jìn)行權(quán)值排序和判定，最后輸出診斷結(jié)果，這樣可大大提高專家系統(tǒng)推理機(jī)的正反向推理速度和輸出結(jié)果精度。

4 結(jié)束語

本文提出了以模塊化的RBFNN診斷模型與專家系統(tǒng)的產(chǎn)生式規(guī)則進(jìn)行混合決策，構(gòu)建車輛電驅(qū)動系統(tǒng)的綜合故障診斷系統(tǒng)，其中電機(jī)及變速器RBFNN與層次分析法模型先進(jìn)行決策級融合，提高了電機(jī)及變速器機(jī)械和電路方面故障診斷的準(zhǔn)確性。