楊麗君，陳 東

（湖北工業(yè)職業(yè)技術(shù)學(xué)院，湖北 十堰 442000）

0 引言

隨著我國經(jīng)濟的發(fā)展，人們的生活方式發(fā)生明顯轉(zhuǎn)變，電動汽車作為綠色出行的交通工具之一，受居民的關(guān)注度逐漸提高。然而電動汽車在行駛過程中由于路面不平整、人為錯誤駕駛等問題，汽車底盤會出現(xiàn)不同程度的損壞。因此，針對電動汽車底盤故障制定有效的汽車維修技術(shù)方案，對于汽車的穩(wěn)定運行具有重要意義。通過搜集和整理國內(nèi)外對于汽車維修故障識別的研究成果發(fā)現(xiàn)，部分學(xué)者提出了基于診斷算法與數(shù)據(jù)信號的汽車故障診斷方法。王克勇對于汽車故障診斷的研究中以汽車燃料電池為研究對象，提出了基于自適應(yīng)算法的智能診斷模型，結(jié)合仿真實驗發(fā)現(xiàn)該模型能夠提升車用燃料診斷的準確性[1]。孫強[2]以電動汽車中滾動軸承產(chǎn)生的數(shù)據(jù)信號為基礎(chǔ)，提出了基于小波分解改進算法的滾動軸承診斷方法，以此來解決車輛滾動軸承故障數(shù)據(jù)獲取的難點[2]。喬文山對汽車維修技術(shù)的研究中，提出了基于改進SVM算法的車輛變速箱故障診斷模型，并通過實驗應(yīng)用的方式對該診斷模型的有效性進行驗證，結(jié)果表明該算法能夠提升汽車故障診斷的精準度[3]。汽車維修技術(shù)中，基于穩(wěn)定性約束的研究相對較少，其中黃佃明將以汽車底盤故障作為研究方向，提出了基于穩(wěn)定性約束條件的汽車底盤傳動異常處理模式，結(jié)合汽車維修實例后發(fā)現(xiàn)，該方法能夠增強汽車底盤的穩(wěn)定性[4]。在此基礎(chǔ)之上以穩(wěn)定性約束為視角提出了一種電動汽車底盤系統(tǒng)的動態(tài)穩(wěn)定性預(yù)防維修方法。

1 基于穩(wěn)定性約束視角的汽車工作模態(tài)分析

1.1 汽車工作模態(tài)分析原理

多模態(tài)識別技術(shù)獲取拼箱函數(shù)和模態(tài)參數(shù)的方法為兩種，即頻域識別和時域識別，其中前者指以頻響函數(shù)的峰值對模態(tài)頻率進行識別，該函數(shù)的運算公式如式（1） 所示。

對于系統(tǒng)模態(tài)參數(shù)識別，以響應(yīng)信號形成的相關(guān)函數(shù)為基礎(chǔ)，將其轉(zhuǎn)化為響應(yīng)數(shù)據(jù)，該識別過程能夠拓寬隨機子空間的適用范圍。在此條件下，系統(tǒng)在運行期間要獲取穩(wěn)定性模態(tài)參數(shù)時，激勵信號存在的非白噪聲也不會對獲取結(jié)果造成影響。以電動汽車為例，其在行駛期間的響應(yīng)信號受隨機噪聲以及非穩(wěn)態(tài)成分的影響，容易降低模態(tài)參數(shù)識別的精準度。面對該項問題，需要將同等狀態(tài)下的樣本數(shù)據(jù)進行統(tǒng)計，通過綜合運算以后提升模態(tài)參數(shù)識別的精度，然而其操作難度較大，即便能夠在實驗中保持環(huán)境類似，但受隨機激勵條件影響，仍然難以保障數(shù)據(jù)平均去噪結(jié)果的準確性。

1.2 引入穩(wěn)定性約束函數(shù)

傳統(tǒng)的穩(wěn)定性分析方法中，雖然汽車底盤模型的目標函數(shù)中包含多個約束，但這類目標函數(shù)無法直接作為穩(wěn)定性函數(shù)，另外，由于控制解析式不能直接通過模型預(yù)測控制獲取，導(dǎo)致在傳統(tǒng)穩(wěn)定性分析方法對電動汽車故障診斷的難度較大。鑒于上述原因，文章對于電動汽車穩(wěn)定性的研究中以汽車底盤的大信號作為研究方向，基于李雅普諾夫第二法推導(dǎo)系統(tǒng)的穩(wěn)定性約束條件構(gòu)造函數(shù)，構(gòu)建的穩(wěn)定性狀態(tài)方程如式（2）所示。

為優(yōu)化響應(yīng)信號的信噪比，采用平均去噪的方法構(gòu)建基于穩(wěn)定性約束函數(shù)的協(xié)方差驅(qū)動的隨機子空間法。通過該方法能夠獲取系統(tǒng)模態(tài)參數(shù)中的信息載體，在達到降低噪聲的同時，能夠增強信號成分的目的。基于上述內(nèi)容，基于穩(wěn)定性約束的汽車底盤維修工作模態(tài)流程如圖1所示。

圖1 基于穩(wěn)定性約束的汽車底盤維修工作模態(tài)流程圖

對模態(tài)參數(shù)識別中通過穩(wěn)定性約束的方式在獲取相關(guān)函數(shù)后，將其代替原始數(shù)據(jù)，由于改進后的識別方法能夠增強算法的抗噪性，能夠?qū)崿F(xiàn)對系統(tǒng)中響應(yīng)信號信噪比低的數(shù)據(jù)進行識別，但從整體上來，該算法仍然受環(huán)境激勵和模態(tài)驗證約束。文章以電動汽車作為研究對象，通過改進SVD算法的方式對汽車底盤工作模態(tài)進行識別，進而達到系統(tǒng)定階的目的。通過實際案例應(yīng)用的方式，對基于穩(wěn)定性約束視角的汽車維修技術(shù)有效性進行驗證，通過仿真實驗的方式電動汽車模態(tài)三要素（頻率、阻尼、振型）的相關(guān)數(shù)據(jù)進行分析。

2 基于穩(wěn)定性約束的汽車底盤故障識別與預(yù)防性維修

基于穩(wěn)定性約束視角的汽車工作模態(tài)分析結(jié)果，得出汽車底盤狀態(tài)識別方法。為提升基于穩(wěn)定性約束視角的汽車底盤故障識別精準度，本章在構(gòu)建汽車整車自由度模型的基礎(chǔ)上，確定典型故障源與整車模態(tài)參數(shù)之間的關(guān)系，在搜集系統(tǒng)模型參數(shù)數(shù)據(jù)的同時對電動汽車底盤故障進行識別。

2.1 汽車整車自由度模型的建立

為探究電動汽車的故障特征，選取某類型的電動汽車作為研究對象構(gòu)建電動汽車整車自由度模型，該模型包括車身、整體式車軸垂向、側(cè)傾以及平衡懸架自由度。由于進行汽車整車自由度模型構(gòu)建中的數(shù)據(jù)來源主要為車架支撐點的動態(tài)載荷，因此對電動汽車的汽車座位、車棚等車輛上部分進行簡化。一般情況下，電動汽車在行駛過程中出現(xiàn)側(cè)傾共振后，頻帶的頻率相對較低，在仿真實驗中通常對1/2半車模型進行分析，為提升研究的整體性和可行性，本研究中構(gòu)建的汽車自由度模型以整車進行建模。

2.2 基于穩(wěn)定性約束振動關(guān)系的電動汽車典型故障識別

懸架剛度變化對模態(tài)參數(shù)的影響：電動汽車在行駛過程不僅會受到環(huán)境因素影響，當溫度變化幅度較大時同樣會出現(xiàn)車輛載荷過大，造成懸架彈簧性能發(fā)生變化，進而使汽車出現(xiàn)懸架板簧裂紋、斷裂的情況。如果電動汽車出現(xiàn)的懸架故障是由于彈簧剛度減弱造成，對汽車故障進行檢測則以系統(tǒng)模態(tài)參數(shù)的變化情況為依據(jù)。

減振器阻尼變化對模態(tài)參數(shù)的影響：當電動汽車的減震器發(fā)生故障時，阻尼會發(fā)生變化，探究在阻尼逐漸降低時，其對電動汽車模態(tài)參數(shù)造成的影響。當阻尼減少至正常值的50%左右，實驗車輛前側(cè)的模態(tài)參數(shù)明顯增加，這也表明阻尼達到該數(shù)值時模態(tài)參數(shù)為一個臨界點；當電動汽車左前輪側(cè)減震器出現(xiàn)故障時，跳動模態(tài)的前側(cè)和后測值變動幅度不同，以側(cè)傾值為指標，其中前者表現(xiàn)為該指標逐漸下降，而后測的指標呈現(xiàn)出先提高后降低的趨勢。基于上述內(nèi)容得出，電動汽車在不同情況下阻尼會出現(xiàn)變動，且通過故障信號的數(shù)據(jù)結(jié)果能夠識別汽車出現(xiàn)的故障類型。

輪胎剛度變化對模態(tài)參數(shù)的影響：通過降低輪胎胎壓的方式分析輪胎剛度對模態(tài)參數(shù)的影響中，將彈壓分別降至正常值的90%、80%、70%、60%，隨后通過仿真實驗的方式發(fā)現(xiàn)在輪胎不同胎壓時模態(tài)三要素的變化情況。

結(jié)合上述內(nèi)容中懸架剛度、減震器阻尼、輪胎剛度對模態(tài)參數(shù)的影響可見，基于穩(wěn)定性約束視角的三種因素發(fā)生不同程度的變化時，模態(tài)能量同樣會出現(xiàn)轉(zhuǎn)變。因此，結(jié)合電動汽車模態(tài)能量的值能夠了解車輛存在故障的位置及程度，進而制定有效的維修方案。

2.3 基于故障數(shù)據(jù)的動態(tài)預(yù)防性維修策略

現(xiàn)階段，預(yù)防性維修的周期并不是根據(jù)車輛的故障情況進行設(shè)定，而是按照車輛類型確定維修時間。以電動汽車為例，當汽車行駛至一定公里數(shù)，即達到運轉(zhuǎn)時間T時，則需要對車輛進行預(yù)防性維修，且在完成維修過程后默認車輛能夠達到初始狀態(tài)。但根據(jù)電動汽車實際的預(yù)防性維修情況可見，其只能夠在理論上恢復(fù)初始狀態(tài)，即當車輛行駛里程數(shù)逐漸提升時，電動汽車發(fā)生故障的概率也會有所增加，這也是由于設(shè)備在運轉(zhuǎn)過后會形成不同程度隱性問題導(dǎo)致。因此，想得到優(yōu)化模型的解，需要對電動汽車進行預(yù)防性維修活動的故障率進行綜合分析，得出的動態(tài)預(yù)防性維修策略模型函數(shù)如式（3）所示。

基于上述函數(shù)的運算結(jié)果能夠得到基于故障數(shù)據(jù)的電動汽車動態(tài)預(yù)防性維修模型。

3 實際案例應(yīng)用

通過搜集與汽車底盤系統(tǒng)故障診斷的相關(guān)文獻資料發(fā)現(xiàn)，基于隨機子空間算法的故障診斷模型的有效性較高，但由于汽車在形式過程中底盤容易受非線性動力學(xué)特征的影響，診斷算法的分析結(jié)果容易出現(xiàn)誤差，因此，結(jié)合電動汽車實際行駛過程探究車輛底盤系統(tǒng)故障模型具有重要的研究意義。

3.1 車輛系統(tǒng)設(shè)計及參數(shù)

試驗用車：本次基于穩(wěn)定性約束視角的汽車維修技術(shù)分析實驗選取某汽車公司生產(chǎn)的XX型電動車。車輛的各項參數(shù)見表1。

表1 實驗車輛參數(shù)

3.2 試驗場地

本次針對汽車維修技術(shù)的實驗選擇的場地在某公司的試車場，檢測對象為電動汽車的彈簧故障（剛度弱化）、減振器故障（阻尼下降）及輪胎故障（胎壓不足）。車輛實驗的路面狀況為相對平坦的路面，并且在行駛中保持電動汽車的速度為30 km/h，對上述三種故障的檢測分別重復(fù)進行3次，并記錄車輛的行駛和故障數(shù)據(jù)。

3.3 試驗結(jié)果

3.3.1 試驗工況設(shè)定

為準確地對基于穩(wěn)定性約束視角的汽車維修技術(shù)進行檢測，通過電動汽車實際行駛的方式進行測驗，以隨機輸入的方式對車輛在行駛中的震動情況檢測，在獲取行駛數(shù)據(jù)后對電動汽車底盤系統(tǒng)的變化狀態(tài)進行識別。因此，實驗中需要結(jié)合彈簧、減振器、輪胎三種故障檢測對象進行重復(fù)的檢測實驗，并根據(jù)實驗結(jié)果進行數(shù)據(jù)統(tǒng)計。

3.3.2 動態(tài)預(yù)防維修結(jié)果分析

通過整理汽車預(yù)防性維修方法，將其與本方法進行對比，其中包括維修費用以及故障率兩個指標，基于動態(tài)預(yù)防性維修優(yōu)化模型，集合對電動汽車彈簧、減振器、輪胎故障的檢測結(jié)果如圖2所示。

圖2 傳統(tǒng)方法與本文方法維修費用及故障率

通過對比傳統(tǒng)方法和本方法的維修費用和故障率統(tǒng)計結(jié)果可見，提出的電動汽車維修技術(shù)不僅能夠降低車輛整體的維修費用，還可以大幅降低車輛的故障率。

4 結(jié)論

隨著環(huán)境惡化，電動汽車在近些年的發(fā)展速度較快，有效汽車維修技術(shù)是保障汽車正常行駛的重要方式，對于電動汽車同樣如此。文章基于穩(wěn)定性約束視角對電動汽車的工作模態(tài)進行分析后，構(gòu)建了基于故障數(shù)據(jù)的動態(tài)預(yù)防性維修策略，并通過路面的隨機輸入對車身振動進行激勵，實驗的結(jié)果表明，本文提出的方式能夠在減少電動汽車維修費用的同時，降低其故障發(fā)生概率。