奚易

摘 ?要：多源異構(gòu)數(shù)據(jù)融合作為汽車電驅(qū)動系統(tǒng)領(lǐng)域中的重要數(shù)據(jù)處理手段備受矚目，其在汽車電驅(qū)動系統(tǒng)領(lǐng)域中扮演著關(guān)鍵角色，為深入理解系統(tǒng)運行特征和解決復(fù)雜問題提供有效手段。該文通過對多源異構(gòu)信號特點、融合層次分類的剖析，提出一種應(yīng)用于汽車電驅(qū)動系統(tǒng)的多源異構(gòu)數(shù)據(jù)融合方法，并利用采集到的電驅(qū)動多源異構(gòu)數(shù)據(jù)對融合算法進行驗證，結(jié)果表明，融合分析能夠有效地區(qū)分汽車電驅(qū)動系統(tǒng)質(zhì)量。

關(guān)鍵詞：電驅(qū)動系統(tǒng)；多源異構(gòu)數(shù)據(jù)；特征提??；多源融合；加權(quán)融合

中圖分類號：TP393 ? ? ?文獻標(biāo)志碼：A ? ? ? ? ?文章編號：2095-2945（2024）18-0020-04

Abstract： Multi source heterogeneous data fusion， as an important data processing method in the field of automotive electric drive systems， has attracted much attention. It plays a key role in the field of automotive electric drive systems， providing an effective means for a deeper understanding of system operation characteristics and solving complex problems. This paper proposes a multi-source heterogeneous data fusion method applied to automotive electric drive systems by analyzing the characteristics of multi-source heterogeneous signals and the classification of fusion levels. The fusion algorithm is validated using the collected multi-source heterogeneous data of electric drive systems， and the results show that fusion analysis can effectively distinguish the quality of automotive electric drive systems.

Keywords： electric drive system; multi-source heterogeneous data; feature extraction; multi-source fusion; weighted fusion

汽車電驅(qū)動系統(tǒng)是一種使用電能來推動車輛的系統(tǒng)，主要由電動機、電池和電控系統(tǒng)組成。在其工作過程中[1]，“機-電-控-磁-熱”異構(gòu)信號十分繁雜，而且系統(tǒng)涉及到的高速旋轉(zhuǎn)件眾多，因此表現(xiàn)出極強的異構(gòu)信號耦合和多源扭振問題，此外，由于單一信息源提供的信息無法準(zhǔn)確揭示電驅(qū)動系統(tǒng)的全貌，無法對多源異構(gòu)信號進行準(zhǔn)確測試、辨識和融合，所以多源數(shù)據(jù)融合成為揭示汽車電驅(qū)動系統(tǒng)動力學(xué)規(guī)律、驗證系統(tǒng)動力學(xué)機理的關(guān)鍵[2]。在此背景下，深入分析汽車電驅(qū)動系統(tǒng)各個方面變得至關(guān)重要。通過精確測試、辨識和融合異構(gòu)信號，研究人員可以更全面地理解汽車電驅(qū)動系統(tǒng)的行為，從而優(yōu)化系統(tǒng)設(shè)計、提高性能，并解決異構(gòu)信號帶來的復(fù)雜問題。這一過程對于推動汽車電驅(qū)動技術(shù)的發(fā)展和應(yīng)用至關(guān)重要。

本文基于多源異構(gòu)信號特點、異構(gòu)數(shù)據(jù)融合層次分類方法提出了一種汽車電驅(qū)動系統(tǒng)多源異構(gòu)融合算法，利用實測汽車電驅(qū)動系統(tǒng)多源異構(gòu)數(shù)據(jù)對融合方法進行了驗證。

1 ?異構(gòu)數(shù)據(jù)特點和融合分類

1.1 ?多源異構(gòu)數(shù)據(jù)特點

多源異構(gòu)數(shù)據(jù)是指來自不同來源、不同類型或不同結(jié)構(gòu)的數(shù)據(jù)集合[3]。這種異構(gòu)數(shù)據(jù)常常體現(xiàn)出數(shù)據(jù)的差異性，會使得采集到的數(shù)據(jù)不經(jīng)過處理難以進行分析和利用，因此在進行分析、整合和利用的時候，需要處理其差異性，同時，為了提升數(shù)據(jù)的完整性和全面性，以及提高數(shù)據(jù)的準(zhǔn)確性和可信度，必須進行多源融合。

多源異構(gòu)數(shù)據(jù)主要有多源性、異構(gòu)性和復(fù)雜性3個特點，具體如下。

多源性：指數(shù)據(jù)來自不同的數(shù)據(jù)源。例如，在汽車電驅(qū)動系統(tǒng)中的電流、電壓、溫度和轉(zhuǎn)速等數(shù)據(jù)被視為多源異構(gòu)數(shù)據(jù)，因為他們來自汽車電驅(qū)動系統(tǒng)中的不同組成部分。

異構(gòu)性：指數(shù)據(jù)的類型、格式、結(jié)構(gòu)等方面存在差異。例如，在汽車電驅(qū)動系統(tǒng)中，電流、轉(zhuǎn)速、溫度等數(shù)據(jù)的多源異構(gòu)性體現(xiàn)在他們不僅單位和量綱不同，并且采樣頻率也存在差異。

復(fù)雜性：在電驅(qū)動系統(tǒng)中，需要綜合考慮電流、轉(zhuǎn)速、溫度等多種異構(gòu)數(shù)據(jù)。為有效處理這些數(shù)據(jù)的多源性和異構(gòu)性，需要應(yīng)用適當(dāng)?shù)娜诤霞夹g(shù)。解決復(fù)雜性涉及數(shù)據(jù)預(yù)處理、特征工程和融合算法的運用，才能得到多源異構(gòu)數(shù)據(jù)的融合結(jié)果。

1.2 ?多源異構(gòu)數(shù)據(jù)融合層次分類

多源異構(gòu)數(shù)據(jù)按融合層次分類可分為像素級融合、特征級融合和決策級融合3類[4]。

像素級融合是指直接對原始數(shù)據(jù)進行關(guān)聯(lián)融合，不對原始數(shù)據(jù)作任何處理，在融合之后進行特征提取和做決策，如圖1所示。這種融合方法在最大程度上保留了原始數(shù)據(jù)特征，能夠提供更多的細節(jié)信息，但是融合受原始數(shù)據(jù)的不確定性、不完整性和不穩(wěn)定性的影響較大并且對傳感器、通信能力等要求較高。

特征級融合是指先提取原始數(shù)據(jù)特征信息再進行融合，融合之后進行關(guān)聯(lián)和做決策，如圖2所示。特征信息可以是數(shù)量、方向、距離等信息。特征級融合的融合順序使得其可以做到較好的信息壓縮，較像素級融合而言有更好的實時性。同時由于特征提取部分直接與決策分析相關(guān)，因而在保證實時性的同時也能夠最大程度地給出決策所需的特質(zhì)信息，但是該方法在特征信息提取階段會損失數(shù)據(jù)，可能會導(dǎo)致結(jié)果不精確。

決策級融合是從各個特征源獲取信息并進行決策之后再融合[5]，并對融合之后的結(jié)果進行最終決策，如圖3所示。該方法能提高容錯性，對傳感器的依賴較小，但是融合結(jié)果的精度低、決策的初始代價高。

3種融合層次各有其優(yōu)勢和限制，本文在處理汽車電驅(qū)動系統(tǒng)多源異構(gòu)數(shù)據(jù)上選擇特征級融合作為主要策略，其在保留原始數(shù)據(jù)關(guān)鍵特征的同時，通過信息壓縮實現(xiàn)更好的實時性，相較于像素級融合具有更好的靈活性。同時，通過細致的特征提取和融合，特征級融合能夠一定程度上克服決策級融合的精度問題，提高整體融合結(jié)果的準(zhǔn)確性，使系統(tǒng)更具魯棒性。

2 ?電驅(qū)動系統(tǒng)多源異構(gòu)數(shù)據(jù)融合

在多源異構(gòu)數(shù)據(jù)融合中，常見的算法包括D-S證據(jù)理論、支持向量機和加權(quán)融合[6-7]。D-S證據(jù)理論以其處理不確定性和沖突信息的優(yōu)勢而被選用，其計算過程較為復(fù)雜，涉及Belief函數(shù)和Plausibility函數(shù)的組合規(guī)則。支持向量機適用于高維空間的分類問題，通過找到最優(yōu)超平面分離不同類別的數(shù)據(jù)，但在大規(guī)模數(shù)據(jù)上的計算開銷較大。相對而言，加權(quán)融合算法簡單直觀，通過動態(tài)調(diào)整權(quán)重靈活適應(yīng)不同數(shù)據(jù)源的貢獻，提高整體融合效果。因此，本文選擇使用加權(quán)平均融合算法對汽車電驅(qū)動系統(tǒng)多源異構(gòu)信號進行特征級融合處理。

加權(quán)平均算法的核心原理是在多源異構(gòu)信息融合中通過計算每個信息源的加權(quán)平均值來得到整體融合結(jié)果[8]。其步驟如下：首先，為每個信息源分配權(quán)重，這些權(quán)重反映了各信息源在最終融合結(jié)果中的相對貢獻。這一權(quán)重的確定可以基于各信息源的可靠性、精度、信任度等因素，以確保對不同信息源進行合理的重要性分配。

其次，在每個時刻或數(shù)據(jù)更新周期，通過將每個信息源的值與其相應(yīng)的權(quán)重相乘，得到各信息源的加權(quán)值。這一步考慮了不同信息源的權(quán)重，使得對于更為可信或準(zhǔn)確的信息源，其在融合結(jié)果中的貢獻更為突出。

最后，通過將所有信息源的加權(quán)值相加，得到加權(quán)平均值。這個最終結(jié)果即為融合后的數(shù)據(jù)，其中每個信息源的貢獻被動態(tài)地考慮并體現(xiàn)在最終結(jié)果中。通過這種方式，加權(quán)平均算法能夠靈活地適應(yīng)不同信息源在不同時刻的貢獻度，從而實現(xiàn)更為全面和準(zhǔn)確的數(shù)據(jù)融合。其融合公式為

， （1）

式中：Ｆw為融合結(jié)果；？棕1，？棕2，…，？棕n為對應(yīng)的權(quán)重；Ｆ1，Ｆ2，…，Ｆn為特征。

不同特征或數(shù)據(jù)源可能具有不同的數(shù)值范圍，例如一個特征的數(shù)值范圍在0到1之間，而另一個特征可能在幾百或幾千的數(shù)量級。如果在不進行歸一化的情況下直接進行加權(quán)融合，數(shù)值較大的特征或數(shù)據(jù)源可能會在融合結(jié)果中占據(jù)主導(dǎo)地位，而數(shù)值較小的特征則可能被忽略。

因此，為確保不同特征或數(shù)據(jù)源的數(shù)值范圍一致，防止某些特征或數(shù)據(jù)源對融合結(jié)果產(chǎn)生過大的影響[9]，在融合前需對原始數(shù)據(jù)進行歸一化處理，以保證各個特征的數(shù)值映射到相似的尺度范圍內(nèi)，使他們具有相對一致的權(quán)重，從而能夠在加權(quán)融合中更公平地貢獻到最終結(jié)果。

最小-最大值歸一化的過程公式為

式中：Ｘn為歸一化結(jié)果；Ｘ為當(dāng)前值；Ｘmin為最小值；Ｘmax為最大值。

接著，在對原始數(shù)據(jù)進行歸一化處理后，為確保各項歸一化特征在融合中能夠合理貢獻，一般采用確定各項歸一化特征結(jié)果的權(quán)重。這一步驟是為了在加權(quán)融合過程中考慮不同特征的相對重要性，避免某些特征對最終融合結(jié)果產(chǎn)生不必要的過大影響[9]。權(quán)重的確定可以根據(jù)特征的重要性、可靠性或者其他相關(guān)因素進行賦值。一種常見的做法是基于信息熵來為每個特征進行權(quán)重分配，公式為

將式（3）計算得到的權(quán)重和式（2）計算得到的歸一化結(jié)果帶入式（1）得到加權(quán)融合結(jié)果。

3 ?汽車電驅(qū)動多源異構(gòu)數(shù)據(jù)融合

從電驅(qū)動系統(tǒng)總成下線檢測試驗臺（圖4）獲取約5 000臺電驅(qū)動系統(tǒng)下線檢測數(shù)據(jù)，其中下線檢測不合格產(chǎn)品約500臺，合格產(chǎn)品約4 500臺。為了進行全面的性能評估，我們從電驅(qū)動系統(tǒng)下線測試環(huán)節(jié)中整理了多個關(guān)鍵特征，包括平均轉(zhuǎn)速、振動均方根值、A計權(quán)聲壓級等作為多源特征，接下來進行多源融合分析，并以下線檢測結(jié)果作為判斷結(jié)果。

首先，對于每個電驅(qū)動系統(tǒng)的特征，包括平均轉(zhuǎn)速、振動均方根值、A計權(quán)聲壓級等，進行最小-最大歸一化處理，將原始數(shù)據(jù)映射到[0， 1]的范圍內(nèi)，以消除不同特征之間的尺度差異，確保他們在融合分析中具有相似的權(quán)重。歸一化的過程采用了式（2）。接下來，通過式（3）利用信息熵為每個特征計算權(quán)重。將歸一化結(jié)果帶入權(quán)重計算公式計算出權(quán)重系數(shù)見表1。

對于每個樣本，使用之前計算得到的權(quán)重系數(shù)與歸一化后的特征值，按照加權(quán)融合式（1）進行計算得到樣本加權(quán)融合結(jié)果，將每個樣本的融合結(jié)果與下線檢測判斷結(jié)果結(jié)合，得到下線檢測合格產(chǎn)品與不合格產(chǎn)品分布區(qū)間，如圖5所示。

從融合結(jié)果分布區(qū)間可看出，不合格產(chǎn)品融合分析結(jié)果大致分布于（300，350），合格產(chǎn)品融合分析結(jié)果大致分布于（170，300）， 兩者數(shù)據(jù)分布區(qū)間并不重疊，且與下線檢測結(jié)果分布一致。探究不合格分布在（300，350）區(qū)間的原因發(fā)現(xiàn)當(dāng)電驅(qū)動系統(tǒng)出現(xiàn)問題時會導(dǎo)致噪聲或者振動值變大，從而使加權(quán)結(jié)果值變大。這突顯了通過融合分析的敏感性，其能夠捕捉到系統(tǒng)性能異常，并且可有效區(qū)分汽車電驅(qū)動系統(tǒng)質(zhì)量。此外，數(shù)據(jù)分布在（170，350）的原因是因為在進行加權(quán)融合的過程中，由于平均轉(zhuǎn)速提供的有用信息較少，故使用歸一化的結(jié)果，會對融合結(jié)果產(chǎn)生很大的影響，因此，本文使用原始的平均轉(zhuǎn)速數(shù)據(jù)進行融合。

4 ?結(jié)論

多源異構(gòu)數(shù)據(jù)融合在深入理解汽車電驅(qū)動系統(tǒng)運行特征和解決復(fù)雜問題中可發(fā)揮關(guān)鍵作用。本文深入研究了汽車電驅(qū)動系統(tǒng)的多源異構(gòu)數(shù)據(jù)融合問題。通過對多源異構(gòu)數(shù)據(jù)特點和融合分類的探討，提出了加權(quán)融合算法。在電驅(qū)動系統(tǒng)數(shù)據(jù)分析中，采用了加權(quán)融合算法對轉(zhuǎn)速、噪聲和振動等數(shù)據(jù)進行處理與融合。實驗結(jié)果表明，融合分析能有效區(qū)分汽車電驅(qū)動系統(tǒng)的合格和不合格產(chǎn)品，為系統(tǒng)設(shè)計和性能優(yōu)化提供了有力支持。

此外，加權(quán)融合算法在處理樣本不足和特征不全面時表現(xiàn)不夠完善，需要進一步優(yōu)化以提高其穩(wěn)定性和可靠性。

參考文獻：

[1] 杜克強，許檬，李璇，等.純電動汽車用高速電驅(qū)動系統(tǒng)發(fā)展綜述[J].汽車實用技術(shù)，2022，47（3）：10-16.

[2] 侯磊，范旭紅，杜長虹，等.多合一電驅(qū)動系統(tǒng)的結(jié)構(gòu)原理及CAE仿真分析[J].微特電機，2019，47（10）：1-5，10.

[3] 唐莉，程世娟，張曉潔，等.多源異構(gòu)數(shù)據(jù)貝葉斯變權(quán)融合可靠性評估模型[J].重慶理工大學(xué)學(xué)報（自然科學(xué)），2023，37（2）：272-277.

[4] 祁友杰，王琦.多源數(shù)據(jù)融合算法綜述[J].航天電子對抗，2017，33（6）：37-41.

[5] 賀雅琪.多源異構(gòu)數(shù)據(jù)融合關(guān)鍵技術(shù)研究及其應(yīng)用[D].成都：電子科技大學(xué)，2018.

[6] 謝保林.基于DS證據(jù)理論的多傳感器數(shù)據(jù)融合方法研究[D].鄭州：河南大學(xué)，2022.

[7] 張寧波.基于SVM和DS證據(jù)理論的多傳感器信息融合故障診斷[J].山西電子技術(shù)，2015（4）：44-46.

[8] 袁維，李小春，白冰，等.透鏡體對尾礦壩安全性影響的參數(shù)敏感性分析[J].中南大學(xué)學(xué)報（自然科學(xué)版），2013，44（3）：1174-1183.

[9] 聶慶科，孫廣，郝永攀，等.多源異構(gòu)監(jiān)測數(shù)據(jù)融合方法及應(yīng)用[J].科學(xué)技術(shù)與工程，2022，22（13）：5348-5357.