韓耀輝，劉波瀾，王文泰，劉凡碩，張俊偉

（北京理工大學(xué)機(jī)械與車(chē)輛學(xué)院，北京100081）

0 概述

由于混合動(dòng)力汽車(chē)較傳統(tǒng)汽車(chē)系統(tǒng)結(jié)構(gòu)復(fù)雜，可能發(fā)生的故障種類(lèi)和形式更多，故障的表現(xiàn)和故障的成因之間的關(guān)系也更加錯(cuò)綜復(fù)雜?；旌蟿?dòng)力汽車(chē)與傳統(tǒng)汽車(chē)相比新增了高壓元器件及附屬設(shè)備，這也提高了原車(chē)上弱電設(shè)備出現(xiàn)故障的可能性。同時(shí)，從控制層面而言，新增的電機(jī)控制器單元（motor control unit，MCU）和電池管理系統(tǒng)（battery management system，BMS）提高了控制系統(tǒng)的復(fù)雜度，也提高了故障發(fā)生的可能性。多種因素使得傳統(tǒng)汽車(chē)的故障診斷技術(shù)在面對(duì)混合動(dòng)力汽車(chē)時(shí)捉襟見(jiàn)肘。雖然應(yīng)用于傳統(tǒng)汽車(chē)上的發(fā)動(dòng)機(jī)、變速器等系統(tǒng)的診斷技術(shù)可移植到混動(dòng)汽車(chē)的相應(yīng)部件上［1-3］，但混合動(dòng)力汽車(chē)相比傳統(tǒng)汽車(chē)新增的部件也需新的診斷方案。針對(duì)動(dòng)力電池故障，目前有用基于密度空間的聚類(lèi)算法［4］、遺傳算法［5］、基于隨機(jī)森林分類(lèi)器的算法［6］、人工神經(jīng)網(wǎng)絡(luò)［7］、模糊算法［8］等；針對(duì)電機(jī)故障，目前有基于短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的故障診斷算法［9］、基于支持向量機(jī)的故障診斷算法［10］、基于電機(jī)電流頻譜分析和支持向量機(jī)結(jié)合的故障診斷算法［11］。這些故障診斷算法被廣泛應(yīng)用于發(fā)動(dòng)機(jī)、電池及電機(jī)的故障診斷。然而，針對(duì)單一部件的故障診斷并不是完整的混合動(dòng)力系統(tǒng)故障診斷解決方案，在實(shí)際系統(tǒng)運(yùn)行時(shí)各部件作為一個(gè)整體互相影響，從單一部件出發(fā)的故障診斷可能不足以準(zhǔn)確地定位故障。如并聯(lián)模式時(shí)，由于電機(jī)欠功率而引發(fā)的發(fā)動(dòng)機(jī)輸出功率提高從而導(dǎo)致油耗增加，單從發(fā)動(dòng)機(jī)故障診斷而言難以定位故障。綜上，需要研究一種能對(duì)動(dòng)力系統(tǒng)所有部件同時(shí)進(jìn)行故障診斷的診斷算法。

本文中提出了一種基于支持向量機(jī)的故障診斷方案。通過(guò)搭建整車(chē)實(shí)時(shí)仿真模型，從系統(tǒng)級(jí)出發(fā)，融合混合動(dòng)力系統(tǒng)中各個(gè)部件的特征信號(hào)，構(gòu)建了基于支持向量機(jī)（support vector machine，SVM）柴電混合動(dòng)力系統(tǒng)的診斷框架，進(jìn)行了單故障注入和多故障注入的離線和實(shí)時(shí)仿真。該故障診斷算法能夠?qū)崿F(xiàn)在實(shí)時(shí)環(huán)境下對(duì)不同故障形式的辨識(shí)，相較只針對(duì)單一部件的故障診斷，該故障診斷算法能綜合考慮系統(tǒng)的運(yùn)行狀態(tài)，更加準(zhǔn)確地對(duì)動(dòng)力系統(tǒng)所有部件同時(shí)進(jìn)行故障診斷。

1 實(shí)時(shí)仿真模型

1.1 實(shí)時(shí)仿真模型建立

基于單軸并聯(lián)式的混合動(dòng)力系統(tǒng)的整車(chē)和各部件參數(shù)如表1 所示，運(yùn)用發(fā)動(dòng)機(jī)仿真軟件GT-Suite利用整車(chē)及各部件參數(shù)搭建了物理模型與MAP 模型混合的柴油機(jī)實(shí)時(shí)模型、基于MAP 的電機(jī)模型及基于等效電路的動(dòng)力電池組組成的電驅(qū)動(dòng)系統(tǒng)模型，如圖1 所示。

表1 整車(chē)及各部件技術(shù)參數(shù)表

圖1 整車(chē)實(shí)時(shí)模型

1.2 模型驗(yàn)證

為驗(yàn)證本文建立的仿真模型的準(zhǔn)確性，首先需要對(duì)該柴油機(jī)全轉(zhuǎn)速工況進(jìn)行仿真計(jì)算，得到最高燃燒壓力、制動(dòng)比油耗（brake specific fuel consumption，BSFC）和轉(zhuǎn)矩的試驗(yàn)值與仿真值的對(duì)比，如圖2 所示?？梢钥闯觯抡娅@得的數(shù)據(jù)和試驗(yàn)獲得的數(shù)據(jù)相吻合，最大誤差均小于5%，較為準(zhǔn)確地模擬了柴油機(jī)運(yùn)行特性，基本滿足性能仿真的需要。

圖2 仿真模型的最高燃燒壓力、BSFC 和轉(zhuǎn)矩校核結(jié)果

在GT-Suite 平臺(tái)完成車(chē)輛建模后，選定中國(guó)典型城市公交循環(huán)（China typical urban driving cycle，CTUDC）工況進(jìn)行仿真，模型的車(chē)速跟隨效果如圖3 所示。車(chē)速誤差基本保持在±3 km/h 內(nèi)，考慮到車(chē)速跟隨誤差較大處基本為當(dāng)前車(chē)速較高時(shí)，認(rèn)為模型具備后續(xù)進(jìn)行診斷算法研究所需精度。

圖3 速度跟隨效果圖

1.3 故障注入

本文中針對(duì)柴油機(jī)、電機(jī)和動(dòng)力電池組故障進(jìn)行診斷算法研究，故障數(shù)據(jù)來(lái)源于仿真結(jié)果，選定CTUDC中含有電機(jī)單獨(dú)驅(qū)動(dòng)及電機(jī)與發(fā)動(dòng)機(jī)混合驅(qū)動(dòng)的1 228 s至1 277 s 段為整車(chē)模型的目標(biāo)工況，如圖4 所示。

圖4 仿真循環(huán)工況

針對(duì)柴電混合動(dòng)力系統(tǒng)常見(jiàn)故障，選取柴油機(jī)配氣系統(tǒng)故障、電機(jī)機(jī)械故障及動(dòng)力電池組電池內(nèi)阻故障進(jìn)行模擬分析，故障模擬方案見(jiàn)表2。

表2 故障數(shù)據(jù)樣本

2 基于支持向量機(jī)的混動(dòng)故障診斷方法

2.1 特征參數(shù)提取

數(shù)據(jù)樣本作為診斷模型的輸入，是由多個(gè)特征信號(hào)構(gòu)成的，而特征信號(hào)的選取應(yīng)遵循以下依據(jù)：由于所有的特征信號(hào)來(lái)源都是搭建模型的仿真結(jié)果，所有選取的特征信號(hào)必須包含在混動(dòng)模型中；此外，為了兼顧診斷算法在整車(chē)控制器上的可兼容性，所選的特征信號(hào)應(yīng)盡量為車(chē)輛控制器的輸入信號(hào)，即實(shí)車(chē)上可通過(guò)傳感器采集到的信號(hào)。采集信號(hào)如表3 所示。

表3 特征信號(hào)選取

2.2 不同SVM 多分類(lèi)器模型對(duì)比

20 世紀(jì)90年代，科研人員在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上提出了SVM 算法［12-15］。該算法具有小樣本、非線性和高維模式識(shí)別的特點(diǎn)，具有很強(qiáng)的泛化能力。

民樂(lè)銅礦的礦石結(jié)構(gòu)以交代結(jié)構(gòu)為主，其次為共結(jié)邊結(jié)構(gòu)、假像結(jié)構(gòu)、包含結(jié)構(gòu)。交代結(jié)構(gòu)中，可進(jìn)一步劃分為脈狀穿插結(jié)構(gòu)、交代殘余結(jié)構(gòu)、骸晶結(jié)構(gòu)、交代港灣結(jié)構(gòu)等。

使用SVM 進(jìn)行診斷研究，故障定位實(shí)際上是通過(guò)分類(lèi)實(shí)現(xiàn)的。SVM 本質(zhì)上是二分類(lèi)算法，而二分類(lèi)對(duì)于可能出現(xiàn)多種需要一一識(shí)別的故障模式的復(fù)雜系統(tǒng)顯然不夠，需要構(gòu)建SVM 多分類(lèi)器。構(gòu)建SVM 多分類(lèi)器的方法中，根據(jù)是否對(duì)目標(biāo)函數(shù)進(jìn)行改動(dòng)可分為直接法和間接法兩類(lèi)。本節(jié)采用間接法實(shí)現(xiàn)多分類(lèi)器的構(gòu)建，間接法是通過(guò)組合多個(gè)二分類(lèi)器實(shí)現(xiàn)多分類(lèi)的，主要有一對(duì)一（one-verseone，OVO）和一對(duì)多（one-verse-all，OVA）兩種構(gòu)建方式。文獻(xiàn)［16］表明，相較于OVA，OVO 是最適用的多分類(lèi)算法，有著最好的分類(lèi)性能。

針對(duì)無(wú)故障、柴油機(jī)故障、電機(jī)故障和動(dòng)力電池故障4 種類(lèi)別，構(gòu)建6 個(gè)不同的二分類(lèi)器，依次為無(wú)故障—?jiǎng)恿﹄姵毓收戏诸?lèi)器SVM0-1、無(wú)故障—電機(jī)故障分類(lèi)器SVM0-2、無(wú)故障—柴油機(jī)故障分類(lèi)器SVM0-3、動(dòng)力電池故障—電機(jī)故障分類(lèi)器SVM1-2、動(dòng)力電池故障—柴油機(jī)故障分類(lèi)器SVM1-3和電機(jī)故障—柴油機(jī)故障分類(lèi)器SVM2-3。在二分類(lèi)器構(gòu)建完成后，采用OVO 方法的OVO-SVM 多分類(lèi)器，標(biāo)簽0、1、2、3 分別表示無(wú)故障、動(dòng)力電池故障、電機(jī)故障和柴油機(jī)故障。圖5 為OVO-SVM 預(yù)測(cè)結(jié)果，可以看出，有較多實(shí)際類(lèi)別為無(wú)故障的樣本被預(yù)測(cè)成了電機(jī)故障樣本，同時(shí)較多電機(jī)故障樣本被預(yù)測(cè)成無(wú)故障類(lèi)別。

圖5 OVO-SVM 多分類(lèi)器預(yù)測(cè)結(jié)果

表4 為上述6 個(gè)SVM 二分類(lèi)和OVO-SVM 多分類(lèi)器的預(yù)測(cè)準(zhǔn)確率，雖然OVO-SVM 較部分二分類(lèi)器的準(zhǔn)確率低，但OVO-SVM 的誤判明顯小于6個(gè)二分類(lèi)器的誤判總和，這也進(jìn)一步驗(yàn)證了OVOSVM 構(gòu)造方式可以增加故障診斷的準(zhǔn)確率。因此本文中選定OVO 構(gòu)建方法進(jìn)行故障診斷多分類(lèi)器構(gòu)建。

表4 二分類(lèi)和多分類(lèi)器準(zhǔn)確率

2.3 基于SVM 的故障診斷模型

確定了需要柴電混合動(dòng)力系統(tǒng)故障模擬的方案后，搭建了基于SVM 的柴電混合動(dòng)力系統(tǒng)故障部位識(shí)別診斷框架?；赟VM 的故障診斷主要分為數(shù)據(jù)樣本獲得與處理、SVM 多分類(lèi)器的構(gòu)建和對(duì)樣本故障類(lèi)別的辨識(shí)三部分，如圖6 所示。

圖6 故障部位識(shí)別診斷框架

數(shù)據(jù)樣本的獲取來(lái)源為所建立的整車(chē)模型，而整車(chē)模型在GT-Suite 中搭建，診斷算法模型在MATLAB/Simulink 中搭建，特征信號(hào)需通過(guò)Simulink harness 模塊和GT S-function 傳遞到故障診斷模型中，經(jīng)過(guò)數(shù)據(jù)處理后將樣本輸入SVM 多分類(lèi)器。而SVM 多分類(lèi)器采用OVO 的方法進(jìn)行構(gòu)建，首先拆分訓(xùn)練樣本依次構(gòu)建了6 個(gè)二分類(lèi)器，再組合6 個(gè)二分類(lèi)器構(gòu)建SVM 多分類(lèi)器。SVM多分類(lèi)器輸出樣本類(lèi)別，從而確認(rèn)故障部位。

2.4 故障診斷流程

時(shí)域中的柴電混合動(dòng)力系統(tǒng)故障診斷主要包括數(shù)據(jù)采集傳輸和故障診斷兩部分。數(shù)據(jù)采集和傳輸部分實(shí)現(xiàn)對(duì)柴電混合動(dòng)力系統(tǒng)注入故障，然后將柴油機(jī)特征信號(hào)、電機(jī)特征信號(hào)和電池特征信號(hào)傳遞到數(shù)據(jù)交互接口。故障診斷部分包括對(duì)特征信號(hào)進(jìn)行處理，然后經(jīng)過(guò)SVM 多分類(lèi)器的故障識(shí)別，最后經(jīng)過(guò)故障確認(rèn)模塊得到故障類(lèi)別。故障診斷流程如圖7 所示，聯(lián)合仿真的軟件保持步長(zhǎng)一致，確保故障診斷部分不會(huì)遺失或者增加包含故障信息的樣本點(diǎn)。

圖7 故障診斷流程

2.5 故障確認(rèn)

在進(jìn)行故障確認(rèn)時(shí)，期望的效果是綜合考慮故障持續(xù)時(shí)間和間隔來(lái)進(jìn)行故障確認(rèn)，于是采用基于計(jì)數(shù)的故障確認(rèn)，原理是依據(jù)當(dāng)前故障狀態(tài)來(lái)進(jìn)行計(jì)數(shù)，最后根據(jù)計(jì)數(shù)值來(lái)確認(rèn)故障的狀態(tài)。具體計(jì)數(shù)規(guī)則如下：當(dāng)故障狀態(tài)非0（默認(rèn)）時(shí)計(jì)數(shù)器加1，當(dāng)故障狀態(tài)為0（非默認(rèn)）時(shí)計(jì)數(shù)器減1。當(dāng)計(jì)數(shù)器值在給定計(jì)數(shù)器上限（the given counter upper limit，TUL）和計(jì)數(shù)器下限（the given counter lower limit，TLL）之間時(shí)輸出實(shí)際的計(jì)數(shù)器值，當(dāng)計(jì)數(shù)器值超過(guò)TUL 時(shí)輸出TUL；當(dāng)計(jì)數(shù)器值等于TLL 且當(dāng)前輸入故障狀態(tài)為0 時(shí)輸出TLL；當(dāng)計(jì)數(shù)器值等于TLL且當(dāng)前輸入故障狀態(tài)為1 時(shí)輸出0。當(dāng)計(jì)數(shù)器值達(dá)到計(jì)數(shù)上限時(shí)，確認(rèn)該故障，輸出故障狀態(tài)確認(rèn)標(biāo)簽。TUL 根據(jù)汽車(chē)安全完整性水平國(guó)際標(biāo)準(zhǔn)取值為127，TLL 根據(jù)國(guó)際標(biāo)準(zhǔn)取值為-128。基于計(jì)數(shù)的故障確認(rèn)效果如圖8 所示。

圖8 基于計(jì)數(shù)的故障確認(rèn)

3 故障診斷在線仿真

3.1 實(shí)時(shí)仿真平臺(tái)

圖9 實(shí)時(shí)故障診斷仿真平臺(tái)架構(gòu)

3.2 實(shí)時(shí)仿真與離線仿真對(duì)比

模型加載到實(shí)時(shí)仿真平臺(tái)后，采用CTUDC 工況進(jìn)行了模擬。圖10 為離線仿真與實(shí)時(shí)仿真的車(chē)速和電機(jī)轉(zhuǎn)速對(duì)比結(jié)果。從仿真結(jié)果中可以看出，離線和實(shí)時(shí)的仿真中車(chē)速和電機(jī)轉(zhuǎn)速有相似的運(yùn)行軌跡。結(jié)果說(shuō)明在兩種不同的仿真模式下，全局的運(yùn)行結(jié)果相似，實(shí)時(shí)和離線仿真的結(jié)果沒(méi)有明顯區(qū)別。但在一些瞬態(tài)工況下，實(shí)時(shí)仿真和離線仿真結(jié)果有所不同。圖11 為CTUDC 中200 s—250 s 段離線仿真與實(shí)時(shí)仿真的對(duì)比結(jié)果。從圖中可以看出，隨著車(chē)速不斷提高，電機(jī)轉(zhuǎn)速不斷提高，230 s 左右車(chē)輛進(jìn)入聯(lián)合驅(qū)動(dòng)模式，此時(shí)發(fā)動(dòng)機(jī)起動(dòng)，實(shí)時(shí)仿真結(jié)果的發(fā)動(dòng)機(jī)轉(zhuǎn)速相較離線仿真有一個(gè)劇烈的上升。由于車(chē)輛從純電驅(qū)動(dòng)切換至聯(lián)合驅(qū)動(dòng)，離合器接合時(shí)轉(zhuǎn)矩沖擊會(huì)導(dǎo)致轉(zhuǎn)速較大的瞬態(tài)變化。實(shí)時(shí)仿真在瞬態(tài)工況時(shí)相較于離線仿真更能還原真實(shí)的情況，因此進(jìn)行故障診斷實(shí)時(shí)仿真能進(jìn)一步驗(yàn)證診斷算法對(duì)故障的辨識(shí)能力，能更好地模擬真實(shí)控制器上故障診斷的環(huán)境。

圖10 離線仿真與實(shí)時(shí)仿真車(chē)速和電機(jī)轉(zhuǎn)速對(duì)比

圖11 離線仿真與實(shí)時(shí)仿真瞬態(tài)工況對(duì)比

3.3 單故障注入診斷

完成實(shí)時(shí)仿真平臺(tái)搭建后，在實(shí)時(shí)環(huán)境下進(jìn)行故障診斷仿真，驗(yàn)證基于SVM 的故障診斷算法的可行性。單故障注入診斷是在第25 s 時(shí)分別對(duì)柴油機(jī)、電機(jī)和動(dòng)力電池進(jìn)行故障注入；多故障注入診斷是在第10 s 至第18 s 注入電池故障，在第10 s 至第21 s 注入電機(jī)故障，在第25 s 至第50 s 注入柴油機(jī)故障。

采用上述實(shí)時(shí)仿真平臺(tái)，分別進(jìn)行了電池、電機(jī)和柴油機(jī)的實(shí)時(shí)故障診斷仿真。車(chē)輛行駛工況與上文相同，在第25 s 時(shí)分別注入3 種故障。電池故障診斷實(shí)時(shí)仿真結(jié)果如圖12 所示。相比無(wú)故障注入時(shí)，第25 s 電池故障注入后車(chē)速提升略變慢，較正常情況下晚3 s 左右到達(dá)最高車(chē)速，同時(shí)電池荷電狀態(tài)（state of charge，SOC）也因內(nèi)阻變大而下降更快。由于故障剛注入幾秒內(nèi)特征參數(shù)變化較小，故障診斷模塊在29 s 左右辨識(shí)到故障發(fā)生，計(jì)數(shù)器的值開(kāi)始增加，相較離線仿真時(shí)慢1 s 左右，在故障辨識(shí)模塊識(shí)別到故障發(fā)生后，大約6 s 左右確認(rèn)故障發(fā)生，輸出故障標(biāo)簽1，即確認(rèn)為電池故障，完成在實(shí)時(shí)環(huán)境下對(duì)電池故障的識(shí)別和確認(rèn)。

圖12 電池故障診斷實(shí)時(shí)仿真

電機(jī)實(shí)時(shí)故障診斷仿真結(jié)果如圖13 所示。25 s電機(jī)故障注入后，由于電機(jī)機(jī)械效率降低，電機(jī)驅(qū)動(dòng)能力下降，車(chē)速的跟隨能力下降。同時(shí)從電機(jī)的轉(zhuǎn)矩圖中也能直觀看出25 s 后電機(jī)的轉(zhuǎn)矩較正常情況時(shí)有所下降，影響到整車(chē)的加速性能。車(chē)輛在49 s 左右加速到最高車(chē)速，較正常情況下晚6 s 左右。故障診斷模塊對(duì)電機(jī)故障的診斷同樣會(huì)有延遲，在28 s 左右識(shí)別到電機(jī)故障發(fā)生，計(jì)數(shù)器值開(kāi)始增加，大約6 s 后確認(rèn)電機(jī)故障發(fā)生，輸出故障標(biāo)簽2，完成在實(shí)時(shí)環(huán)境下對(duì)電機(jī)故障的識(shí)別和確認(rèn)。

圖13 電機(jī)故障診斷實(shí)時(shí)仿真

柴油機(jī)實(shí)時(shí)故障診斷仿真結(jié)果如圖14 所示。從進(jìn)氣壓力和排氣溫度這兩個(gè)特征信號(hào)可以看出，車(chē)輛在第16 s 左右進(jìn)入聯(lián)合驅(qū)動(dòng)模式，柴油機(jī)起動(dòng)。第25 s 時(shí)注入故障，進(jìn)氣壓力降低0.025 MPa 后，隨著轉(zhuǎn)速和負(fù)荷的變化，進(jìn)氣壓力的最高值也低于無(wú)故障注入時(shí)的最高值。而由于進(jìn)氣壓力下降，進(jìn)氣量減小，空燃比變小，排氣溫度上升，從圖中可以看出故障注入后的排氣溫度一直高于正常情況下的排氣溫度。由于對(duì)柴油機(jī)故障注入的形式不同，特征信號(hào)發(fā)生突變，變化的值較大，因此故障診斷模塊馬上識(shí)別到故障的發(fā)生，同樣經(jīng)過(guò)6 s 后故障確認(rèn)模塊輸出故障標(biāo)簽3，即確認(rèn)柴油機(jī)故障發(fā)生，完成在實(shí)時(shí)環(huán)境下對(duì)柴油機(jī)故障的識(shí)別和確認(rèn)。

圖14 柴油機(jī)故障診斷實(shí)時(shí)仿真

3.4 多故障注入診斷

電池+柴油機(jī)故障診斷實(shí)時(shí)仿真結(jié)果如圖15所示。電池故障在第10 s 注入后，由于電池的輸出能力下降，車(chē)速跟隨能力降低，同時(shí)由于內(nèi)阻變大，SOC 下降速度更快。由于加速過(guò)程變慢，達(dá)到混合動(dòng)力模式切換條件時(shí)間變長(zhǎng)，發(fā)動(dòng)機(jī)起動(dòng)延遲2 s 左右，較離線仿真時(shí)延遲時(shí)間更短，因?yàn)閷?shí)時(shí)仿真時(shí)相同屬性的電池故障注入后對(duì)整車(chē)的影響相對(duì)較小，車(chē)速的跟隨能力在實(shí)時(shí)仿真中下降得相對(duì)較小。在25 s 時(shí)注入柴油機(jī)故障，進(jìn)氣壓力下降0.025 MPa，與單獨(dú)注入柴油機(jī)故障相似，而由于進(jìn)氣壓力下降，進(jìn)氣量減小，空燃比變小，排氣溫度上升。同理，進(jìn)氣壓力曲線和排氣溫度曲線也會(huì)較無(wú)故障時(shí)延遲2 s 左右。

圖15 電池+柴油機(jī)故障診斷實(shí)時(shí)仿真

故障識(shí)別模塊對(duì)電池+柴油機(jī)故障注入的識(shí)別結(jié)果如圖16 所示。從圖中可以看出電池故障計(jì)數(shù)器值從11 s 左右開(kāi)始增加，較故障注入時(shí)間延遲1 s左右，6 s 之后故障標(biāo)簽變成1，確認(rèn)電池故障發(fā)生。第18 s 后，電池故障停止注入，0.5 s 左右后故障標(biāo)簽變?yōu)?，電池故障計(jì)數(shù)器值逐漸遞減到-128。柴油機(jī)故障計(jì)數(shù)器的值從25 s 開(kāi)始遞增，第31 s 左右確認(rèn)柴油機(jī)故障發(fā)生，故障標(biāo)簽變成3。總故障狀態(tài)在第17 s 至第18 s 和第31 s 至第50 s 兩個(gè)時(shí)間段都為1，能準(zhǔn)確識(shí)別和確認(rèn)電池和柴油機(jī)故障狀態(tài)。

圖16 電池+柴油機(jī)故障識(shí)別結(jié)果

電機(jī)+柴油機(jī)故障診斷實(shí)時(shí)仿真結(jié)果如圖17 所示。純電驅(qū)動(dòng)模式時(shí)電機(jī)是唯一動(dòng)力輸出源，第10 s電機(jī)故障注入后電機(jī)轉(zhuǎn)矩下降，車(chē)速跟隨能力降低，相較無(wú)故障時(shí)晚5 s 左右達(dá)到最高車(chē)速。無(wú)故障注入時(shí)，第16 s 左右發(fā)動(dòng)機(jī)起動(dòng)，電機(jī)轉(zhuǎn)矩下降較快，而由于切換到聯(lián)合驅(qū)動(dòng)模式的時(shí)間推遲，電機(jī)轉(zhuǎn)矩的下降速度變慢。第25 s 時(shí)柴油機(jī)故障注入，進(jìn)氣壓力降低0.025 MPa，而由于進(jìn)氣壓力下降，進(jìn)氣量減小，空燃比變小，排氣溫度上升。進(jìn)氣壓力較無(wú)故障注入時(shí)峰值減小，排氣溫度高于無(wú)故障注入時(shí)排氣溫度。

圖17 電機(jī)+柴油機(jī)故障診斷實(shí)時(shí)仿真

電機(jī)+柴油機(jī)故障識(shí)別結(jié)果如圖18 所示。電機(jī)故障的計(jì)數(shù)器從第10 s 開(kāi)始累加，6 s 后電機(jī)故障標(biāo)簽輸出2，確認(rèn)電機(jī)故障發(fā)生，第21 s 后電機(jī)故障停止注入，計(jì)數(shù)器值開(kāi)始遞減至-128，同時(shí)故障標(biāo)簽輸出0。柴油機(jī)故障計(jì)數(shù)器從第25 s 開(kāi)始累加，第31 s 左右故障標(biāo)簽輸出3，確認(rèn)柴油機(jī)故障發(fā)生?？偣收蠣顟B(tài)計(jì)數(shù)器值從第21 s 開(kāi)始遞減，第25 s 時(shí)計(jì)數(shù)器值又由于柴油機(jī)故障注入開(kāi)始遞增，因此總故障狀態(tài)標(biāo)簽在第28 s 左右又會(huì)輸出1，較柴油機(jī)故障標(biāo)簽變成3 早3 s 左右。從圖中可以看出，故障識(shí)別模塊能準(zhǔn)確識(shí)別和確認(rèn)電機(jī)和柴油機(jī)故障狀態(tài)。

圖18 電機(jī)+柴油機(jī)故障識(shí)別結(jié)果

4 結(jié)論

（1）經(jīng)驗(yàn)證，所建立的單軸并聯(lián)柴電混合動(dòng)力系統(tǒng)模型的轉(zhuǎn)矩、油耗及最高燃燒壓力的仿真值與試驗(yàn)值間的誤差均在5% 之內(nèi)，滿足準(zhǔn)確性要求。

（2）采用基于OVO 方法的構(gòu)建混合動(dòng)力系統(tǒng)多分類(lèi)器的故障識(shí)別準(zhǔn)確率達(dá)到98%。

（3）單故障注入和多故障注入的故障診斷實(shí)時(shí)仿真結(jié)果表明，在實(shí)時(shí)環(huán)境下，基于SVM 的故障診斷算法對(duì)混合動(dòng)力系統(tǒng)級(jí)別故障具有良好的辨識(shí)能力。