CN102066743A - 使用参数估计算法的起动机马达诊断和预报的系统和方法 - Google Patents

Abstract

一种用于确定车辆中起动机马达的健康状况的系统和方法，以在故障实际发生之前将潜在的起动机马达故障通知给车辆驾驶员。起动机马达包括每一个都提供电阻的电枢和马达电刷以及提供电枢电感的电枢线圈。此外，由于起动机马达连接到飞轮和车辆发动机，所述起动机马达具有反EMF。所述系统和方法监控电枢和马达电刷的组合电阻、电枢的电感和马达的反EMF常数，并且在这三个值中的任何值明显偏离标定值的情况下提供指示潜在起动机马达故障的信号。在一个实施例中，通过回归模型提供马达电阻、电枢电感和反EMF常数的分析来确定估计的马达参数。

Description

使用参数估计算法的起动机马达诊断和预报的系统和方法

技术领域

本发明总体涉及一种用于确定车辆中起动机马达的健康状况的系统和方法，更具体地，涉及一种采用用于确定起动机马达电阻、电感和反电动势(EMF)的参数估计算法以确定内燃发动机车辆中的起动机马达的健康状况的系统和方法。

背景技术

本领域公知的，内燃发动机通常采用起动机马达，该起动机马达电耦接到车辆电池。当打开点火开关时，将电池能量提供给起动机马达，起动机马达使马达轴旋转，马达轴使飞轮旋转。飞轮使发动机轴旋转，其结合提供给发动机的燃料使发动机起动，从而可以维持发动机的运行。起动机马达可以包括多种组件，包括马达电枢、马达定子、马达电刷以及限定马达的其他电组件。由于起动机马达不能正常运行的多种不同的情况，导致这些组件中的一个或多个可能出现故障，并且因此车辆可能无法起动。例如，由于脏或坏电刷、电枢线圈短路、由于马达中永磁体劣化导致的马达磁场减弱等，马达运行可能会劣化或者马达可能会故障。因此，期望在实际故障之前预测起动机马达故障，从而在车辆驾驶员不能起动车辆之前可以采取补救措施。

发明内容

根据本发明教导，公开了一种用于确定内燃发动机车辆中起动机马达的健康状况的系统和方法，从而可以在故障实际发生之前告知车辆驾驶员潜在的起动机马达故障。起动机马达包括：电枢和马达电刷，每个都提供电阻；以及提供电枢电感的电枢线圈。此外，由于起动机马达耦接到飞轮和车辆发动机，因此起动机马达具有反EMF。所述系统和方法监控电枢和马达电刷的组合电阻、电枢的电感和马达的反EMF常数，并且在这三个值中的任何值明显偏离标定值的情况下提供指示潜在起动机马达故障的信号。在一个实施例中，通过回归模型提供马达电阻、电枢电感和反EMF常数的分析来确定估计的马达参数。回归模型可以采用递推最小二乘算法或批量最小二乘算法。

结合附图，根据以下详细描述和所附权利要求，本发明的额外特征将变得显见。

附图说明

图1是包括起动机马达和用于确定起动机马达健康状况的控制器的车辆起动系统的示意框图；

图2是图1所示的起动机马达的电路图的示意图；

图3是示出使用递推最小二乘回归模型确定起动机马达诊断和预报以确定起动机马达健康状况的方法的流程图；以及

图4是示出使用批量最小二乘回归模型确定起动机马达诊断和预报以确定起动机马达健康状况的方法的流程图。

具体实施方式

下面对用于确定内燃机中起动机马达的健康状况的系统和方法作出的本发明的实施例的讨论仅是示例性的，且不以任何方式限制本发明或其应用或使用。

图1是车辆的起动系统10的示意框图。起动系统10包括车辆发动机12、电池14和起动机马达16，诸如本领域技术人员所公知的永磁体起动机马达类型。起动机马达16通过可旋转马达轴20耦接到飞轮18，飞轮18通过可旋转发动机轴22耦接到发动机12。电压传感器24测量通过起动机马达16的电压V_m，电流传感器26测量从电池14到起动机马达16的电流I_a。另外，温度传感器28测量起动机马达16的温度T。下文将详细讨论，系统10包括诊断和预报控制器30，其接收来自电流传感器26的起动机电流信号I_a、接收来自电压传感器24的起动机电压信号V_m、接收来自发动机12的发动机速度信号ω_E、接收来自温度传感器28的温度信号T，并且提供起动机马达16的健康状况的指示。

图2是起动机马达16的等效电路32的示意图。来自起动机马达16的电枢电流I_a通过电路32中的电组件从正端流到负端。电路32包括电阻R_b，其为起动机马达16的电刷的电阻。电路32还包括电阻R_a，其为起动机马达16内的电枢线圈的电阻。此外，电路32包括电感L_a，其为马达16中电枢线圈的电感。另外，电路32包括通过电压E_b表示为反EMF，其为轴20的旋转速度的函数。起动机马达16可能由于脏或坏的电刷(这将改变电阻R_b)故障，或者由于电枢线圈的短路(这将减小电感L_a且减小反EMF马达常数K_m)故障，或者由于起动机马达16中的永磁体劣化产生的减弱磁场(这将减小反EMF马达常数K_m)故障。

下面将讨论，起动机马达16的健康状况基于这三个值确定，具体指，按如下定义的电阻值R_m、电感值L_a和反EMF值E_b：

R_m＝(R_a+R_b)    (1)

L_m＝L_a         (2)

E_b＝K_mT_sω_E    (3)

其中，K_m是反EMF马达常数，T_s是轴20与轴22的旋转之间的传动比，ω_E是轴22的旋转速度，并且其中，ω_s＝T_Eω_E，其中，ω_s是轴20的旋转速度。

可以通过连续时间模型如下限定起动机马达电流和电压状态：

$L_m\frac{{\mathrm{dI}}_a}{\mathrm{dt}}={-R}_m{I}_a+V_m-K_m{T}_S{\mathrm{\ω}}_E---\left(4\right)$

对于固定的采样时间Δt，该电压/电流关系可被离散化为：

$I_a\left(k\right)=(1-\frac{{\mathrm{\ΔtR}}_m}{L_m})I_a(k-1)+\frac{\mathrm{\Δt}}{L_m}{V}_m(k-1)-\frac{\mathrm{\Δt}}{L_m}{K}_m{T}_S{\mathrm{\ω}}_E(k-1)---\left(5\right)$

据此，可以限定下面的模型参数p₁，p₂和p₃，且可以给出标定值，根据该标定值，可以提供对起动机马达健康的确定。

$p_1=(1-\frac{\mathrm{\Δt}{R}_m}{L_m})---\left(6\right)$

$p_2=\frac{\mathrm{\Δt}}{L_m}---\left(7\right)$

$p_3=\frac{\mathrm{\Δt}}{L_m}{K}_m{T}_S---\left(8\right)$

可以根据起动机电流I_a、起动机电压V_m和发动机RPMω_E估计模型参数p₁，p₂和p₃。

如下面所讨论，估计马达参数来确定起动机马达16的健康状况。在一个实施例中，回归模型首先被定义为：

其中，y(k)＝I_a(k)        (10)

$\mathrm{\θ}=\left\{\begin{array}{c}{p}_1\\ p_2\\ p_3\end{array}\right\}---\left(12\right)$

根据等式(9)、(10)和(11)的回归模型，具有指数遗忘的递推最小二乘算法可以被定义为：

根据本发明的另一实施例，按照矩阵形式定义回归模型为：

Y＝Φθ        (15)

这个回归模型的向量和矩阵可以被定义为：

$\begin{array}{cc}Y=\left\{\begin{array}{c}{I}_a\left(t_2\right)\\ I_a\left(t_3\right)\\ .\\ .\\ .\\ I_a\left(t_n\right)\end{array}\right\}& \mathrm{\Φ}\left[\begin{array}{ccc}{I}_a\left(t_1\right)& V_m\left(t_1\right)& -{\mathrm{\ω}}_E\left(t_1\right)\\ I_a\left(t_2\right)& V_m\left(t_2\right)& -{\mathrm{\ω}}_E\left(t_2\right)\\ .& .& .\\ .& .& .\\ .& .& .\\ I_a\left(t_{n-1}\right)& V_m\left(t_{n-1}\right)& -{\mathrm{\ω}}_E\left(t_{n-1}\right)\end{array}\right]\end{array}---\left(16\right)$

使用批量最小二乘算法可以求解该回归模型，如下：

$\widehat{\mathrm{\θ}}={\left[{\mathrm{\Φ}}^T\mathrm{\Φ}\right]}^{-1}{\mathrm{\Φ}}^{T}Y---\left(17\right)$

参照上面的回归模型中的任何一个，可以估计马达参数R_m、K_m和L_m为：

$R_m=\frac{p_1-1}{p_2}---\left(18\right)$

$K_m=\frac{p_3}{p_2}---\left(19\right)$

$L_m=\frac{p_2}{\mathrm{\Δt}}---\left(20\right)$

在一个实施例中，以基于温度的查找表形式在存储器中存储马达参数R_m、K_m和L_m为

根据马达参数R_m、K_m和L_m，误差e可以被定义为：

$e=\max \left\{W_R\right|\frac{{\hat{R}}_m-K_m^O\left(T\right)}{R_m^O\left(T\right)}|,W_K|\frac{{\hat{K}}_m-K_m^O\left(T\right)}{{\hat{K}}_m}|,W_L\frac{{\hat{L}}_m-L_m^O\left(T\right)}{{\hat{L}}_m}\}---\left(21\right)$

其中，w_R是电阻马达参数R_m的权重因子，w_k是反EMF常数马达参数K_m的权重因子，w_L是电感马达参数L_m的权重因子，其中，权重因子是给出的优化结果。

因此，在误差等式(21)中收集马达电阻R_m、马达常数K_m和电感L_m中的任何改变。通过建立误差阈值e_Th，可以将报警信号给到车辆驾驶员，诸如仪表盘上的指示灯，告知车辆驾驶员起动机马达16的健康状况降低，而这种健康状况的降低可能引起将来的故障。下面的等式(22)基于误差信号e按照百分比给出起动机马达16的健康状况SOH_starter。从控制器30输出这个值。

${\mathrm{SOH}}_{\mathrm{Starter}}=\frac{e_{\mathrm{TH}}-e}{e_{\mathrm{TH}}}\×100---\left(22\right)$

图3是示出使用上面讨论的递推最小二乘算法确定起动机马达16的健康状况的方法的流程图40。当打开点火起动机且马达16被起动时，起动机马达16运行，因而此时来自起动机马达16的信号可用。在框42处，算法确定起动机马达16是否已经起动，然后在框44处，读取起动机马达温度T。然后，在框46处，算法读取起动机电压V_m、起动机电流I_a和发动机RPMω_E。然后，在框48处，算法使用等式(9)-(12)的回归模型和等式(13)和(14)的递推最小二乘算法。一旦算法已经确定回归模型和递推最小二乘算法，那么在菱形判决框50中，算法确定起动是否结束，如果没有结束，则返回框46以读取起动机电压V_m、起动机电流I_a和发动机RPMω_E。如果起动机马达16已经完成起动且已经起动发动机，则在框52处，算法计算等式(18)、(19)和(20)中的马达参数，并且在框54处，使用等式(21)计算马达误差e。然后，在框56处，算法使用等式(22)计算健康状况值SOH_starter，并且在框58处，通知车辆驾驶员起动机马达SOH以及是否需要维修。然后，在框60处，算法等待直到下一点火循环。

图4是示出用批量最小二乘算法确定起动机马达16的健康状况的方法的流程图70。在框72处，算法确定是否已经开始起动机马达起动。如果是，则在框74处设置采样k＝1，然后在框68处读取起动机马达温度T。算法在框76处测量起动机电压V_m、起动机电流I_a和发动机RPMω_E，然后，在框78处将这些值设置为采样k。然后，在菱形判决框80处，算法确定起动机马达起动是否结束，如果没有，则在框82处将采样k加1，并返回以在框76处读取起动机电压V_m、起动机电流I_a和发动机RPMω_E。如果在菱形判决框80处起动机马达起动已经结束，则在框84处，算法使用等式(15)、(16)和(17)确定用于批量最小二乘算法的矩阵Y、

和θ。如上，算法在框86处计算马达参数，在框88处计算马达误差e，在框90处计算起动机马达健康状况SOH_starter，并且在框92处通知车辆驾驶员起动机马达的健康状况。然后在框94处，算法等待直到下一点火循环以开始上述过程。

上述讨论仅公开和描述了本发明的示例性实施例。根据这种讨论以及根据附图和权利要求书，本领域的技术人员将很容易地理解，在不脱离所附权利要求所限定的本发明的精神和范围的情况下，可以进行各种改变、修改和变形。

Claims (20)

1.一种用于确定车辆中起动机马达的健康状况的方法，所述方法包括：

确定起动机马达电流；

确定起动机马达电压；

确定发动机速度；

识别将用于确定所述起动机马达的所述健康状况的起动机马达值；

使用所述起动机马达电压、所述起动机马达电流、所述发动机速度和所述起动机马达值来识别所述起动机马达的时间模型；

从所述时间模型限定模型参数；

基于所述时间模型提供回归模型；

基于所述回归模型确定马达参数；

使用所述马达参数确定误差；以及

将所述误差与误差阈值进行比较以确定所述起动机马达的所述健康状况。

2.根据权利要求1所述的方法，其特征在于，所述起动机马达值是由起动机马达电枢电阻和起动机马达电刷电阻组合的起动机马达电阻、起动机马达电枢电感和反EMF马达常数。

3.根据权利要求2所述的方法，其特征在于，识别所述起动机马达的时间模型包括使用等式：

$L_m\frac{{\mathrm{dI}}_a}{\mathrm{dt}}={-R}_m{I}_a+V_m-K_m{T}_S{\mathrm{\ω}}_E$

其中，L_m是电枢电感，I_a是起动机马达电流，R_m是起动机马达电阻，V_m是起动机马达电压，K_m是反EMF马达常数，T_s是起动机马达轴与发动机轴之间的传动比，ω_E是发动机速度。

4.根据权利要求3所述的方法，其特征在于，从所述时间模型定义离散模型参数包括将模型参数p₁，p₂和p₃限定为：

$p_1=(1-\frac{\mathrm{\Δt}{R}_m}{L_m})$

$p_2=\frac{\mathrm{\Δt}}{L_m}$

$p_3=\frac{\mathrm{\Δt}}{L_m}{K}_m{T}_S$

其中，Δt是采样时间。

5.根据权利要求1所述的方法，其特征在于，提供回归模型包括使用具有指数遗忘的递推最小二乘算法。

6.根据权利要求5所述的方法，其特征在于，所述回归模型使用等式：

其中，y(k)＝I_a(k)，

y和是回归模型值，k是采样，I_a是起动马达电流，V_m是起动机马达电压，ω_E是发动机速度，θ表示模型参数p₁，p₂和p₃。

7.根据权利要求1所述的方法，其特征在于，提供回归模型包括使用批量最小二乘算法。

8.根据权利要求7所述的方法，其特征在于，所述回归模型使用等式：

Y＝Φθ

$\begin{array}{cc}Y=\left\{\begin{array}{c}{I}_a\left(t_2\right)\\ I_a\left(t_3\right)\\ .\\ .\\ .\\ I_a\left(t_n\right)\end{array}\right\}& \mathrm{\Φ}\left[\begin{array}{ccc}{I}_a\left(t_1\right)& V_m\left(t_1\right)& -{\mathrm{\ω}}_E\left(t_1\right)\\ I_a\left(t_2\right)& V_m\left(t_2\right)& -{\mathrm{\ω}}_E\left(t_2\right)\\ .& .& .\\ .& .& .\\ .& .& .\\ I_a\left(t_{n-1}\right)& V_m\left(t_{n-1}\right)& -{\mathrm{\ω}}_E\left(t_{n-1}\right)\end{array}\right]\end{array}$

$\widehat{\mathrm{\θ}}={\left[{\mathrm{\Φ}}^T\mathrm{\Φ}\right]}^{-1}{\mathrm{\Φ}}^{T}Y$

其中，Y和Φ是回归模型值，I_a是起动马达电流，V_m是起动机马达电压，ω_E是发动机速度，θ是模型参数。

9.根据权利要求1所述的方法，其特征在于，通过下面的等式限定所述马达参数R_m、K_m和L_m：

$R_m=\frac{p_1-1}{p_2}$

$K_m=\frac{p_3}{p_2}$

$L_m=\frac{p_2}{\mathrm{\Δt}}$

其中，p₁，p₂和p₃是模型参数，Δt是采样时间。

10.根据权利要求1所述的方法，其特征在于，以查找表将所述马达参数存储为温度。

11.根据权利要求10所述的方法，其特征在于，确定误差包括使用下面的等式确定误差：

$e=\max \left\{W_R\right|\frac{{\hat{R}}_m-K_m^O\left(T\right)}{R_m^O\left(T\right)}|,W_K|\frac{{\hat{K}}_m-K_m^O\left(T\right)}{{\hat{K}}_m}|,W_L\frac{{\hat{L}}_m-L_m^O\left(T\right)}{{\hat{L}}_m}\}$

其中，R_m是电阻马达参数，K_m是反EMF常数马达参数，L_m是电感马达参数，w_R是电阻马达参数R_m的等级因子，w_k是反EMF常数马达参数的K_m的等级因子，w_L是电感马达参数L_m的等级因子，

是基于温度的反EMF常数马达参数，

是基于温度的电阻马达参数，

是基于温度的电感马达参数。

12.一种用于确定车辆中起动机马达的健康状况的方法，所述方法包括：

确定起动机马达电流；

确定起动机马达电压；

确定发动机速度；

识别作为起动机马达电枢电阻和起动机马达电刷电阻的起动机马达电阻；

识别起动机马达电枢电感；

识别反EMF马达常数；

使用所述起动机马达电压、所述起动机马达电流、所述发动机速度、所述起动机马达电阻、所述起动机马达电枢电感和所述反EMF马达常数来识别所述起动机马达的时间模型；

从所述时间模型限定模型参数；

基于所述时间模型提供回归模型；

基于所述回归模型将马达参数R_m、K_m和L_m确定为

知

其中，p₁，p₂和p₃是所述模型参数，R_m是电阻马达参数，K_m是反EMF常数马达参数，L_m是电感马达参数；

使用所述马达参数确定误差；以及

将所述误差与误差阈值进行比较以确定所述起动机马达的所述健康状况。

13.根据权利要求12所述的方法，其特征在于，识别所述起动机马达的时间模型包括使用等式：

$L_m\frac{{\mathrm{dI}}_a}{\mathrm{dt}}={-R}_m{I}_a+V_m-K_m{T}_S{\mathrm{\ω}}_E$

其中，I_a是起动机马达电流，V_m是起动机马达电压，T_s是起动机马达轴与发动机轴之间的传动比，ω_E是发动机速度。

14.根据权利要求12所述的方法，其特征在于，提供回归模型包括使用具有指数遗忘的递推最小二乘算法。

15.根据权利要求12所述的方法，其特征在于，提供回归模型包括使用批量最小二乘算法。

16.一种用于确定车辆中起动机马达的健康状况的方法，所述方法包括：

使用起动机马达电压、起动机马达电流、发动机速度、起动机马达电阻、起动机马达电枢电感和反EMF马达常数识别所述起动机马达的时间模型；

从所述时间模型限定模型参数；

使用所述模型参数确定误差，其用于确定所述起动机马达的所述健康状况。

17.根据权利要求16所述的方法，其特征在于，其还包括：基于所述时间模型提供回归模型，所述回归模型用于将所述模型参数转换为所述误差。

18.根据权利要求17所述的方法，其特征在于，提供回归模型包括使用具有指数遗忘的递推最小二乘算法。

19.根据权利要求17所述的方法，其特征在于，提供回归模型包括使用批量最小二乘算法。

20.根据权利要求16所述的方法，其特征在于，识别所述起动机马达的时间模型包括使用等式：

$L_m\frac{{\mathrm{dI}}_a}{\mathrm{dt}}={-R}_m{I}_a+V_m-K_m{T}_S{\mathrm{\ω}}_E$

其中，L_m是电枢电感，I_a是起动机马达电流，R_m是起动机马达电阻，V_m是起动机马达电压，K_m是反EMF马达常数，T_s是起动机马达轴与发动机轴之间的传动比，ω_E是发动机速度。

Images