CN104502754A - 一种纯电动车辆动力系统的故障诊断方法 - Google Patents

Abstract

本发明基于MATLAB/Simulink软件建立纯电动车辆的仿真模型，模拟纯电动车辆的故障工况，进而获得纯电动车辆在故障工况下的传感器信号；运用模式识别的理论方法，建立以故障工况下的传感器信号为集合的模式空间，并对其提取特征指数，根据特征指数在不同故障下标准差系数的差异，选择标准差系数最大的特征指数为该传感器信号的特征，通过降维处理建立具有较低维数的电动车辆故障的特征空间；运用人工神经网络分类技术，使用MATLAB神经网络工具箱设计并建立BP神经网络，对特征空间进行判决和分类，从而完成对纯电动车辆故障工况的模式识别，实现纯电动车辆的故障诊断。

Description

一种纯电动车辆动力系统的故障诊断方法

技术领域

本发明涉及电动车辆故障诊断领域，具体涉及的是纯电动车辆动力系统的故障诊断方法。

技术背景

动力系统作为纯电动车辆的重要结构，包含了驱动电机、减速器、控制器以及逆变器等关键部件，这些部件存在的故障，将直接影响车辆的动力性、可操作性甚至安全性能。一种有效的故障诊断方法，应能及时地检测故障并找出引起故障的原因。

目前，传统的燃油车辆由于电气设备较少，各部件都是独立运行，互不干扰，因此故障相对容易确定；而电动车辆电气设备较多，因此参照传统车辆而对电动车辆的各个部件展开故障诊断方法的研究，忽视了电动车辆动力系统的整体性，因此现阶段缺乏系统层面的诊断方法；实践表明，当动力系统中某一部件存在轻微故障时，也有可能显著影响车辆的行驶性能。

发明内容

本发明针对现有纯电动车辆故障诊断方法以部件故障研究为主的局限性，提出一种通过传感器信号特征指数判断车辆故障的方法，从系统层面进行故障类型的判别，其中运用了模式识别方法及人工神经网络技术。

本发明的技术方案如下：

1)收集并整理纯电动车辆常见的故障类型；

2)根据纯电动车辆的系统结构，以MATLAB/Simulink软件为仿真平台，建立纯电动车辆的仿真模型，以纯电动车辆的电力驱动系统为核心，模拟纯电动车辆的故障工况，从而获得纯电动车辆在故障工况下的传感器信号；

3)运用模式识别的理论方法，建立以故障工况下的传感器信号为集合的模式空间，并对其提取特征指数，根据特征指数的在不同故障下标准差系数的差异，选择标准差系数最大的特征指数为该传感器信号的特征，从而建立较低维数的电动车辆故障模式的特征空间；

4)运用人工神经网络分类技术，设计并建立有效的BP神经网络，对特征空间进行判决和分类，建立电动车辆故障模式的类别空间，从而完成对纯电动车辆故障工况的模式识别，实现车辆的故障诊断过程，如图1所示。

本发明的技术方案可以用图2表示。

附图说明

图1在线、离线诊断过程示意图

图2技术方案示意图

图3神经网络示意图

图4BP神经网络训练结果

图5BP神经网络测试结果

具体实施方式

下面结合附图并通过实施例对本发明的技术方案作进一步的描述。

本实施例以纯电动公交车常见的电池组故障(欠压故障)、电机调速系统故障(传感器信号偏置故障)、逆变器故障(IGBT开路故障)、永磁同步电机永磁体退磁故障、永磁同步电机绝缘故障(定子绕组短路故障)为例，描述本故障类型识别方法的开展过程。

1)分析纯电动车辆常见故障，总结其典型的故障类型如表1所示。

表1纯电动车辆故障类型

2)在MATLAB/Simulink环境下建立纯电动车辆的仿真模型，利用该仿真模型，生成不同故障工况下该车的传感信号。本实施例进行故障诊断所需要的传感器信号如表2所示。

表2纯电动车辆故障诊断所需要的传感器信号

3)利用仿真模型，分别生成正常工况和故障工况下不同传感器的时域信号；将两者相减，得到不同传感器信号对应的故障残差，故障残差的定义如式1所示：

r_fault＝S_fault(t)-S_nom(t)  (1)

其中，S_fault(t)表示故障工况下传感器的时域信号，S_nom(t)表示正常工况下的时域信号。

对每个传感信号的故障残差，计算基本的时域、频域统计分析特征指数，利用这些特征指数，描述该工况对应的故障类型。本实施例所选用的特征指数如表3所示。

表3纯电动车辆传感器信号特征指数

对每个传感信号，计算不同工况下的特征指数，进一步统计特征指数的标准差系数，取标准差系数较大的特征指数为该信号的优先指数。本实施例对每个传感器信号筛选标准差系数较大的3个特征指数，并按照其标准差系数从大到小的顺序评定优先级，具体如表4所示。

表4纯电动车辆传感器信号特征指数优先级

选取表4中优先级为1的特征指数作为该信号的特征指数，即对应20个传感信号(S1、S2……S20)，选取优先级为1的20个特征指数(P12、P10……P10)来描述故障工况的特征，从而构成一个故障工况的样本。

4)为测试人工神经网络技术对故障模式识别的可行性，本实施例所研究的故障工况样本如表5所示。

表5纯电动车辆故障工况样本

其中，故障参数表示对应故障引起的系统参偏离正常工况的幅度，例如电池组欠压10％是指故障工况下电池组电压为正常工况的90％。训练样本用于训练神经网络权值及偏差；测试样本用于测试该神经网络能否对同类故障进行正确识别。

所建立的BP神经网络如图3所示。

具体建立的BP神经网络步骤如下：

(1)神经网络层数

双隐含层具有对任意复杂问题进行分类的能力，亦即无论多么复杂的分类问题，用两个隐含层就足够了，只不过问题越复杂，两个隐含层所需的神经元也越多。因此，本发明将BP神经网络的层数确定为4层，包括输入层、输出层以及两个隐含层。其中，隐含层均采用双曲正切函数，实现BP神经网络的非线性性能；输出层采用线性函数，实现线性组合的分类输出。

(2)激活函数

人工神经网络采用的激活函数主要包括阈值型、线性型以及S型函数。另一方面，由于BP神经网络的训练依赖误差反向传播算法，要求网络的激活(传递)函数连续可微，因此，本发明的BP神经网络采用的激活函数为S型函数与线性函数的组合。

(3)初始值

神经网络的初始值是指网络的初始权值W及偏差B。由于系统是非线性的，初始值对于学习是否达到局部最小、是否能够收敛以及训练时间的长短有很大关系。一般取初始值为(0.1,1)之间的随机数。本发明采用MATLAB神经网络工具箱中的initnw.m函数生成网络的初始值。

(4)训练算法

利用训练样本及网络误差不断地修正网络的权值W及偏差B，本质上是一个优化搜索的过程。搜索的结果除了与初始值、网络结果以及样本有关，其搜索的性能很大程度上取决于网络的训练算法。由于BP神经网络采用标准的梯度算法容易陷入局部最小(最优)，因此本发明利用MATLAB神经网络工具箱的train函数，调用不同的训练算法进行大量数值实验。

(5)每层神经网络单元数

该神经网络共四层，输入层包含20个神经元，输出层包含3个神经元，第一隐含层包含10个神经元，第二隐含层包含3个神经元；隐含层的激活函数为双曲正切函数，输出层的激活函数为线性函数。其中，输入层神经元的个数由传感器信号数目所确定，因此输出层为20个神经元；输出层神经元采用二进制表示5种故障类型，因为二进制表示5种故障类型至少需要3个节点，即满足2³>5，因此确定输出层为3个神经元。

本实施例建立的BP神经网络训练结果如图4所示，其中，红色圆圈表示训练样本的目标输出，蓝色十字表示训练样本的实际输出。图4表明，BP神经网络的实际输出与目标输出完全吻合，表明BP神经网络已经完成训练，网络的权值W及偏差B具备了BP神经网络对5类故障模式的识别能力。

本实施例建立的BP神经网络测试结果如图5所示，其中，红色圆圈表示测试样本的目标输出，蓝色十字表示测试样本的实际输出。图5表明，BP神经网络能够正确识别测试样本的故障类别，从而实现了纯电动车辆故障诊断的功能。

Claims (1)

1.一种纯电动车辆动力系统的故障诊断方法，其特征在于包括如下步骤：

1)收集并整理纯电动车辆常见的故障类型，具体见下表；

2)根据纯电动车辆的系统结构，以MATLAB/Simulink软件为仿真平台，建立纯电动车辆的仿真模型，以纯电动车辆的电力驱动系统为核心，模拟纯电动车辆的故障工况，获得纯电动车辆在故障工况下的传感器信号如下表所示；

3)将正常工况和故障工况下不同传感器的时域信号相减，得到不同传感器信号对应的故障残差，故障残差的定义如下式所示：

r_fault＝S_fault(t)-S_nom(t)

其中，S_fault(t)表示故障工况下传感器的时域信号，S_nom(t)表示正常工况下的时域信号。

对每个传感信号的故障残差，计算其特征指数，利用这些特征指数，描述该工况对应的故障类型。本发明所选用的特征指数如下表所示：

对每个传感信号，计算不同工况下的特征指数，进一步统计特征指数的标准差系数，取标准差系数较大的特征指数为该信号的优先指数。本发明对每个传感器信号筛选标准差系数较大的3个特征指数，并按照其标准差系数从大到小的顺序评定优先级，具体如下表所示。

选取上表中优先级为1的特征指数作为该信号的特征指数，即对应20个传感信号(S1、S2……S20)，选取优先级为1的20个特征指数(P12、P10……P10)来描述故障工况的特征，从而构成一个故障工况的样本。

4)运用人工神经网络分类技术，设计并建立有效的BP神经网络，对特征空间进行判决和分类，建立电动车辆故障模式的类别空间，从而完成对纯电动车辆故障工况的模式识别，实现车辆的故障诊断过程。