柳熾偉， 景玉軍， 李 軍， 孫文中

(中山職業(yè)技術學院 機電工程學院, 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，需要維護部門具備較強的電動汽車故障檢測與診斷技術。當前許多電動汽車運營企業(yè)的維修技術力量不足，車輛故障的檢測與診斷過分依賴于系統(tǒng)供應商的售后服務，影響了車輛使用可靠性和經濟性[1]。為提高企業(yè)車輛運營效益，加快電動汽車診斷技術人員培養(yǎng)，開發(fā)智能化的故障診斷系統(tǒng)具有重要的現(xiàn)實意義。

1 汽車電驅動系統(tǒng)故障分析

純電動汽車驅動系統(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，如電機軸承松曠、轉子變形和偏心等還會對勵磁電流產生影響[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，但往往不能準確判定故障點。特別是機械和液力系統(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故障特征信號，輸入診斷模型處理后輸出故障點和故障模式。鑒于電驅動系統(tǒng)故障模式和故障點的非線性和多樣性，本文采用Dempster合成規(guī)則進行決策層信息融合，建立神經網絡模型及專家系統(tǒng)產生式規(guī)則混合決策的診斷模型。

2 電驅動系統(tǒng)故障診斷模型理論

人工神經網絡是一種具有自學習、自適應、分布存儲、并行處理以及魯棒性、容錯性強等特點的數(shù)學模型，可以用來逼近任何難以用數(shù)學語言或者規(guī)則描述的非線性系統(tǒng)，能較好地應用于故障診斷中。徑向基函數(shù)神經網絡(Radial Basis Function Neural Network，以下簡稱RBFNN)具有局部響應特點，能避免BP神經網絡訓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行速度，因此本文選其作為電驅動子系統(tǒng)故障診斷的模型。

2.1 徑向基函數(shù)神經網絡模型

RBFNN是由輸入層、隱含層和輸出層組成的三層前向神經網絡，結構如圖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))進行非線性映射而形成一個高維特征空間，在高維空間內尋求線性可分的可能性，進而實現(xiàn)問題的求解。

圖1 RBFNN結構

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)點和輸出節(jié)點的連接權值；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(故障特征值)作為輸入值進行網絡訓練，故障分類就是RBFNN的輸出值。訓練后得到的RBFNN還需通過非訓練組的樣本數(shù)據進行驗證，以檢驗其故障識別的能力。

2.2 D-S證據理論的Dempster合成規(guī)則

在實際故障診斷過程中，當目標子系統(tǒng)較復雜時，單個神經網絡模型也會存在診斷結果“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際狀態(tài)，只有從各種不同方面獲得的多維數(shù)據和特征才能進行更準確的診斷，而且不同的模型輸出也需要進行比較和歸納的融合。D-S證據理論以其較強的不確定信息的融合處理能力，廣泛應用在目標決策、狀態(tài)監(jiān)測和故障診斷等領域，其重要概念之一是Dempster證據合成規(guī)則。

設有識別框架

Ω={A1,A2,…,AN}

其中N為焦元的個數(shù)，有n個證據進行組合，證據集E={E1，E2，…，En}，各證據對應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證據合成規(guī)則為[4-5]：

(3)

其中k是沖突系數(shù)，表示某個證據與證據集中的其他證據的沖突程度。而

(4)

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

2.3 專家系統(tǒng)的產生式規(guī)則

產生式規(guī)則是專家系統(tǒng)知識表示的一種方法，它具有一般性，易于被領域專家理解，表示知識準確靈活，能充分表達領域相關的推理規(guī)則和行為。尤其在求解問題數(shù)據不全時，可用來模擬和解釋大量的計算或求解過程，實現(xiàn)專家系統(tǒng)的符號推理[6]。

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

為避免汽車電驅動系統(tǒng)診斷模型采用單個人工神經網絡結構過于復雜無法收斂的問題，構建如圖2所示的并行RBF子神經網絡診斷模型，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，分別輸入相應的RBF子神經網絡，其輸出結果再與專家系統(tǒng)結果通過D-S理論的Dempster合成規(guī)則進行決策層信息融合。

圖2 電驅動系統(tǒng)診斷模型

采用模塊化的子神經網絡模型具有較簡單的結構，而且各個子網絡模型互不影響，當有新的故障模式增加時，只需增加新的子神經網絡，而不會影響原有子網絡[7]。對于能采集故障特征參數(shù)信號及其訓練數(shù)據充足的子系統(tǒng)采用模塊化的神經網絡模型，其余不具備神經網絡訓練條件的子系統(tǒng)則采用專家系統(tǒng)產生式規(guī)則，在神經網絡模型和專家系統(tǒng)規(guī)則間建立一種協(xié)同決策關系。

在汽車電驅動系統(tǒng)出現(xiàn)的故障中，電源電壓及逆變器IGBT異常、電機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進行識別。驅動電機及變速器的RBFNN則對電機的輸入電流和電壓進行監(jiān)測，以識別定子繞組和轉子的電磁故障。

當電機出現(xiàn)軸承損壞、轉子偏心、卡滯等機械故障時，工業(yè)應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行診斷[2]。鑒于汽車的結構和運行狀況復雜，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及估計權值[8-10]，建立相應規(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證據理論進行決策層的信息融合。為避免可能出現(xiàn)的證據沖突悖論，在神經網絡診斷模塊輸出后再進一步和專家系統(tǒng)的產生式規(guī)則交互融合，最后輸出診斷結果。

3.2 電機RBFNN的訓練和測試

如何選取神經網絡的訓練樣本，將直接影響到故障診斷的能力和網絡的泛化能力。在汽車電機及控制器開放協(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行信號采集，再對信號進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，而小波變換是利用小波基對時變信號進行分解的一種信號處理方法，其可調窗口特性與信號的頻率變化相適應，是比較理想的分析工具[12-14]。同步驅動電機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。

由于工程實際中較難獲得各種故障特征數(shù)據，因此利用Matlab的Simulink搭建永磁同步電機仿真模型，提取主要故障的特征參數(shù)來進行RBFNN的訓練。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存為單獨的數(shù)組，應用小波分析工具箱wavedec函數(shù)對各組信號進行5層小波分解，小波基函數(shù)選用db6。再將5組高頻系數(shù)分別進行重構得出5組數(shù)據，取出每組數(shù)據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[15]的同步電機相電流故障特征樣本數(shù)據輸入電機RBFNN進行訓練和測試，輸出測試結果見表1。表1中Q0代表無故障，Q1指相間短路，Q2指單相接地，Q3指轉子失磁等故障類型。訓練步長曲線如圖3(a)所示，可見該RBFNN只需9步即達到目標誤差值，而文獻[15]采用的Elman網絡訓練一般需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)據誤差最大，但其值僅在-0.14以內，表明模型測試效果較佳。

表1 RBFNN模型期望與實際輸出m (Qi)測試結果

(a)RBFNN訓練步長曲線

(b)RBFNN測試誤差曲線

圖3 RBFNN測試結果分析

3.3 診斷的決策層融合

電機和變速器RBFNN子模型的診斷輸出主要用于確定電機勵磁線圈及相關電路短路或斷路、轉子失磁等故障，但電機軸承損壞和轉子偏心振動等機械故障需采集和分析振動信號后與層次分析診斷模型結果進行信息融合。如表2所示，m1(Ai)是模擬電機相關故障，通過同步電機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、轉子失磁、電機軸承損壞等故障。

考慮基于D-S證據理論的故障決策遵循的規(guī)則：判定故障原因應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，因為原同步電機RBFNN沒有直接輸出故障信度函數(shù)值，為避免證據高度沖突產生決策融合悖論，當m1(A1)～m1(A3)的信度值均低于某一閾值時(此處為0.23)，可設定m1的A4信度函數(shù)值即m1(A4)為0.2[16]。

根據式(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

同理可計算出其他焦元融合后的信度值，結果見表2中m12(Ai)。

由表2可知，經過D-S規(guī)則融合計算后輸出的電機軸承故障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故障原因。沖突系數(shù)k為0.408 3，表明證據體m1(Ai)和證據體m2(Ai)的沖突程度不高，引起沖突悖論機會少，結果可信度較高。原電機RBFNN計算結果m1(Ai)中，雖然A3的信度值較高，但未達到閾值，所以輸出為不確定，與層次模型輸出結果m2(Ai)融合后，輸出結果中最大值為m12(A4),即軸承故障，與所設故障類型吻合，避免了原RBFNN輸出m1(A3)導致的A3類型故障這一錯誤結論。

再進一步分析，在整個電驅動系統(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，此時應根據各個RBFNN的輸出信息，結合專家系統(tǒng)的專家知識(產生式規(guī)則)對各故障類型進行權值排序和判定，最后輸出診斷結果，這樣可大大提高專家系統(tǒng)推理機的正反向推理速度和輸出結果精度。

4 結束語

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