CN108437798B - 一种基于键合图模型的电动代步车故障诊断和估计方法 - Google Patents

Abstract

本发明涉及一种电动代步车故障诊断方法，特别涉及一种基于键合图模型的电动代步车故障诊断和估计方法。本发明首先对电动代步车建模，得到电动代步车的键合图模型，根据电动代步车的键合图模型解析出冗余关系，根据解析冗余关系生成残差，得到故障特征矩阵，改变电动代步车的键合图模型的参数值的大小，判断残差的大小是否超出了设定阈值，如果超出设定阈值，则电动代步车系统发生故障，将相干向量和故障特征矩阵对比得到可能的故障集合，利用无迹卡尔曼滤波方法对故障集合中的元素与系统原状态变量进行联合估计，得出电动代步车系统的实际故障。本发明能够通过故障辨识将故障参数精确到具体的数值，能够及时、准确地诊断并隔离出故障源。

Description

一种基于键合图模型的电动代步车故障诊断和估计方法

技术领域

本发明涉及一种电动代步车故障诊断方法，特别涉及一种基于键合图模型的电动代步车故障诊断和估计方法。

背景技术

近年来，随着交通工具的发展和人们环保意识的提高，电动车作为一种轻便、清洁的代步工具，广受欢迎和喜爱。如何对电动代步车进行故障诊断，方便人们出行以及减少交通事故成为许多人关心的问题。

目前，故障诊断的方法有定性的方法和定量的方法，其中，定量的方法分为基于数据驱动的方法和基于模型的方法，基于数据驱动的方法需要充足和完备的数据，从而进行后验分析，要求十分严苛，而且故障诊断不及时，故障源判断不准确。

发明内容

本发明为了克服上述现有技术的不足，提供了一种基于键合图模型的电动代步车故障诊断和估计方法，本发明能够快速准确地判断出故障源所在位置。

为实现上述目的，本发明采用了以下技术措施：

一种基于键合图模型的电动代步车故障诊断和估计方法，包括以下步骤：

S1、对电动代步车系统建模，得到电动代步车系统的键合图模型；

S2、根据电动代步车系统的键合图模型得到解析冗余关系，根据解析冗余关系生成残差，得到故障特征矩阵；

S3、改变电动代步车系统的键合图模型的参数值的大小，判断残差的大小是否超出了设定阈值，如果超出设定阈值，则电动代步车系统发生故障，如果未超出设定阈值，则电动代步车系统正常；

S4、根据残差的大小是否超出了设定阈值得出相干向量，将相干向量与故障特征矩阵进行对比，得出电动代步车系统可能发生故障的集合；

S5、在电动代步车系统中选择状态变量和观测变量建立状态空间方程；

S6、将所述电动代步车系统可能发生故障的集合中的元素添加至电动代步车系统的状态空间方程的状态变量中，得到新的电动代步车系统的状态变量，利用无迹卡尔曼滤波方法对新的电动代步车系统的状态变量进行联合估计，得出电动代步车系统的实际故障。

优选的，所述电动代步车的键合图模型包括驱动键合图模型、电机键合图模型、后轮键合图模型、车身键合图模型、前轮键合图模型；所述电动代步车的键合图模型的功率流的方向依次由驱动键合图模型、电机键合图模型、后轮键合图模型、车身键合图模型指向前轮键合图模型。

优选的，所述驱动键合图模型，其包括U_in电压源，系数为k₁的第一TF转换器；所述U_in电压源经过第一TF转换器转换为电流，所述电流进入电机键合图模型；

电机键合图模型，其包括电机电气部分的电阻R₁，系数为k₂的第一回转器GY，电机的转动惯量J₁，电机机械部分的摩擦R₂，系数为k₃的第二转换器TF；所述电流进入电机键合图模型后，电流经过系数为k₂的第一回转器GY转换为电机的转矩，所述电机的转矩经过系数为k₃的第二转换器TF转换为后轮的角速度，所述后轮的角速度进入后轮键合图模型；

后轮键合图模型，其包括后轮的转动惯量J₂，后轮的机械摩擦R₃，安装在后轮上的传感器Df:

后轮的角速度在后轮的转动惯量J₂和后轮的机械摩擦R₃的作用下进入车身键合图模型；

车身键合图模型，其包括后轮到车身的传动轴刚度C₁，系数为k₄的第三转换器TF，车身的重量m，安装在车身的传感器Df:

车身到前轮的传动轴刚度C₂；所述后轮的角速度进入车身键合图模型后，经过系数为k₄的第三转换器TF转换为车身的线速度，再经过系数为k₄的第四转换器TF转换为角速度，并将角速度送入前轮键合图模型；

前轮键合图模型，其包括前轮的转动惯量J₃，前轮的机械摩擦R₄，安装在前轮上的传感器Df:

所述前轮键合图模型在前轮的转动惯量J₃和前轮的机械摩擦R₄的作用下输出角速度。

优选的，步骤S2中的根据电动代步车系统的键合图模型解析冗余关系由公式(1)表示：

ARR_i(θ,u,De,Df)＝0 (1)

其中，ARR_i为第i个解析冗余关系，i＝1,2,...,n，θ为电动代步车的键合图模型的标称参数，u为电动代步车的键合图模型的输入信号，De为势传感器的测量值，Df为流传感器的测量值，n为电动代步车的键合图模型中的传感器的总个数。

优选的，步骤S2中的根据解析冗余关系生成残差，得到故障特征矩阵的具体操作步骤包括：

在电动代步车系统的后轮处设置增量编码器，根据后轮处增量编码器的共流结的特点，得到后轮处增量编码器处的势变量如公式(2)：

e₁₀＝e₉-e₁₁-e₁₂-e₁₃＝0 (2)

其中，e₁₀为后轮处增量编码器处的势变量，e₉表示键号为9所对应的势变量，e₁₁表示键号为11所对应的势变量，e₁₂表示键号为12所对应的势变量，e₁₃表示键号为13所对应的势变量；

根据电动代步车的键合图模型得到公式(3)：

其中，u_in为电动代步车的键合图模型中的输入信号，k₁为电压到电流的转换比，k₂为电流到后轮转矩的转换比，k₃为电机转矩到角速度的转换比，k₄为车轮的半径，kf为电机的粘性机械摩擦，Fu为电机的库伦机械摩擦，kf₁为后轮的粘性机械摩擦，Fu₁为后轮的库伦机械摩擦，J₁电机转动惯量，J₂为后轮转动惯量，C₁为后轮到车身传动轴的刚度，

为后轮的角速度，

为车身的线速度，

为后轮的角加速度，sign()为符号函数，∫()dt为积分符号，e₅、e₆、e₇、e₈、e₁₄分别为对应键上的势变量，f₁₁、f₁₂、f₁₃、f₁₄、f₁₅分别为对应键上的流变量；

将公式(3)代入公式(2)，由传感器处e₁₀＝0得到第一个残差为公式(4)；

车身的速度传感器处的残差为公式(5)，以及前轮的增量编码器处的残差为公式(6)：

其中，m为电动代步车的重量，C₂为车身到前轮传动轴的刚度，

为前轮的角速度，J₃为前轮的转动惯量，

为前轮的角加速度，kf₂为前轮的粘性机械摩擦，Fu₂为前轮的库伦机械摩擦，

为车身的线加速度；

根据公式(4)、公式(5)和公式(6)得到故障特征矩阵，所述故障特征矩阵为6×4矩阵，所述故障特征矩阵的行依次为R₃(kf₁,Fu₁)，R₄(kf₂,Fu₂)，

k₄，故障特征矩阵的列依次为ARR₁、ARR₂、ARR₃、Db，其中，(R₃(kf₁,Fu₁)，ARR₁)＝1，(R₃(kf₁,Fu₁)，ARR₂)＝0，(R₃(kf₁,Fu₁)，ARR₃)＝0，(R₃(kf₁,Fu₁)，Db)＝1；(R₄(kf₂,Fu₂)，ARR₁)＝0，(R₄(kf₂,Fu₂)，ARR₂)＝0，(R₄(kf₂,Fu₂)，ARR₃)＝1，(R₄(kf₂,Fu₂)，Db)＝1；

(k₄，ARR₁)＝1，(k₄，ARR₂)＝1，(k₄，ARR₃)＝1，(k₄，Db)＝1；其中，Db为故障可检测性，

为传感器Df:

的有效因子，

为传感器Df:

的有效因子，

为传感器Df:

的有效因子，R₃(kf₁,Fu₁)为后轮的机械摩擦，R₄(kf₂,Fu₂)为前轮的机械摩擦，k₄为转换器的系数。

进一步的，步骤S4中的根据残差的大小是否超出了设定阈值得出相干向量，所述相干向量为Cv，其中Cv＝[c₁ c₂ ... c_i]，i表示残差的个数，c_i表示第i个残差，如果残差的大小超出设定阈值，则c_i＝1，如果未超出设定阈值，则c_i＝0。

进一步的，步骤S5中的建立状态空间方程具体包括以下步骤：

在电动代步车系统中选择状态变量

观测变量

得到状态空间方程为公式(7)和公式(8)：

其中，x₁＝θ₁，

x₃＝s，

x₅＝θ₂，

x₁，x₂，x₃，x₄，x₅，x₆分别为选择的状态变量的对应参数，y₁，y₂，y₃分别为选择的观测变量的对应参数，θ₁为后轮转动的角度，s为车身的位移，θ₂前轮转动的角度。

本发明的有益效果在于：

1)、本发明首先对电动代步车建模，得到电动代步车的键合图模型，再通过解析冗余关系得到残差、故障特征矩阵，通过判断残差的大小是否超出了设定阈值，从而判断出电动代步车系统是否正常，利用无迹卡尔曼滤波方法对新的电动代步车系统的状态变量进行联合估计，得出电动代步车系统的实际故障。本发明能够通过故障辨识将故障参数精确到具体的数值，能够及时、准确地诊断并隔离出故障源。

2)、本发明采用的键合图建模方法能够定量地描述电动代步车系统各个结构之间的物理关系，在进行故障诊断时，为定位出具体的参数故障提供了基础。

3)、本发明采用的无迹卡尔曼滤波方法能够对非线性系统实现更加有效、精确的追踪，不需要考虑非线性系统的线性化问题，从而减小了舍入误差。

附图说明

图1为本发明的方法流程图；

图2为本发明的电动代步车系统的键合图模型；

图3(1)为本发明的电动代步车系统的参数故障曲线；

图3(2)为本发明的第一个残差变化的曲线；

图3(3)为本发明的第二个残差变化的曲线；

图3(4)为本发明的第三个残差变化的曲线；

图4(1)为本发明的传感器df1测量值和UKF估计曲线；

图4(2)为本发明的传感器df2测量值和UKF估计曲线；

图4(3)为本发明的传感器df3测量值和UKF估计曲线；

图5(1)为本发明的故障集合中参数

估计结果曲线；

图5(2)为本发明的故障集合中参数kf₁估计结果曲线。

图中的附图标记含义如下：

10—驱动键合图模型 20—电机键合图模型

30—后轮键合图模型 40—车身键合图模型

50—前轮键合图模型

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于键合图模型的电动代步车故障诊断和估计方法，包括以下步骤：

S1、对电动代步车系统建模，得到电动代步车系统的键合图模型；

S2、根据电动代步车系统的键合图模型得到解析冗余关系，根据解析冗余关系生成残差，得到故障特征矩阵；

S3、利用MATLAB\SIMULINK仿真工具改变电动代步车系统的键合图模型的参数值的大小，判断残差的大小是否超出了设定阈值，如果超出设定阈值，则电动代步车系统发生故障，如果未超出设定阈值，则电动代步车系统正常；

具体的，改变电动代步车系统的键合图模型的参数值的大小中的参数可以为图2中的所有参数，包括电机电气部分的电阻R₁，系数为k₂的第一回转器GY，电机的转动惯量J₁等参数。

所述设定阈值的大小是由故障类型及达到电动代步车故障的程度决定的；

S4、根据残差的大小是否超出了设定阈值得出相干向量，将相干向量与故障特征矩阵进行对比，得出电动代步车系统可能发生故障的集合；

S5、在电动代步车系统中选择状态变量和观测变量建立状态空间方程；

S6、将所述电动代步车系统可能发生故障的集合中的元素添加至电动代步车系统的状态空间方程的状态变量中，得到新的电动代步车系统的状态变量，利用无迹卡尔曼滤波方法对新的电动代步车系统的状态变量进行联合估计，得出电动代步车系统的实际故障。

如图2所示，所述电动代步车的键合图模型包括驱动键合图模型10、电机键合图模型20、后轮键合图模型30、车身键合图模型40、前轮键合图模型50；所述电动代步车的键合图模型的功率流的方向依次由驱动键合图模型10、电机键合图模型20、后轮键合图模型30、车身键合图模型40指向前轮键合图模型50。

具体的，所述驱动键合图模型10，其包括U_in电压源，系数为k₁的第一TF转换器；所述U_in电压源经过第一TF转换器转换为电流，所述电流进入电机键合图模型20；

电机键合图模型20，其包括电机电气部分的电阻R₁，系数为k₂的第一回转器GY，电机的转动惯量J₁，电机机械部分的摩擦R₂，系数为k₃的第二转换器TF；所述电流进入电机键合图模型20后，电流经过系数为k₂的第一回转器GY转换为电机的转矩，所述电机的转矩经过系数为k₃的第二转换器TF转换为后轮的角速度，所述后轮的角速度进入后轮键合图模型30；

后轮键合图模型30，其包括后轮的转动惯量J₂，后轮的机械摩擦R₃，安装在后轮上的传感器Df:

后轮的角速度在后轮的转动惯量J₂和后轮的机械摩擦R₃的作用下进入车身键合图模型40；

车身键合图模型40，其包括后轮到车身的传动轴刚度C₁，系数为k₄的第三转换器TF，车身的重量m，安装在车身的传感器Df:

车身到前轮的传动轴刚度C₂；所述后轮的角速度进入车身键合图模型40后，经过系数为k₄的第三转换器TF转换为车身的线速度，再经过系数为k₄的第四转换器TF转换为角速度，并将角速度送入前轮键合图模型50；

前轮键合图模型50，其包括前轮的转动惯量J₃，前轮的机械摩擦R₄，安装在前轮上的传感器Df:

所述前轮键合图模型50在前轮的转动惯量J₃和前轮的机械摩擦R₄的作用下输出角速度。

步骤S2中的根据电动代步车系统的键合图模型解析冗余关系由公式(1)表示：

ARR_i(θ,u,De,Df)＝0 (1)

其中，ARR_i为第i个解析冗余关系，i＝1,2,...,n，θ为电动代步车的键合图模型的标称参数，u为电动代步车的键合图模型的输入信号，De为势传感器的测量值，Df为流传感器的测量值，n为电动代步车的键合图模型中的传感器的总个数。

步骤S2中的根据解析冗余关系生成残差，得到故障特征矩阵的具体操作步骤包括：

在电动代步车系统的后轮处设置增量编码器，根据后轮处增量编码器的共流结的特点，得到后轮处增量编码器处的势变量如公式(2)：

e₁₀＝e₉-e₁₁-e₁₂-e₁₃＝0 (2)

其中，e₁₀为后轮处增量编码器处的势变量，e₉表示键号为9所对应的势变量，e₁₁表示键号为11所对应的势变量，e₁₂表示键号为12所对应的势变量，e₁₃表示键号为13所对应的势变量；

根据电动代步车的键合图模型得到公式(3)：

其中，u_in为电动代步车的键合图模型中的输入信号，k₁为电压到电流的转换比，k₂为电流到后轮转矩的转换比，k₃为电机转矩到角速度的转换比，k₄为车轮的半径，kf为电机的粘性机械摩擦，Fu为电机的库伦机械摩擦，kf₁为后轮的粘性机械摩擦，Fu₁为后轮的库伦机械摩擦，J₁电机转动惯量，J₂为后轮转动惯量，C₁为后轮到车身传动轴的刚度，

为后轮的角速度，

为车身的线速度，

为后轮的角加速度，sign()为符号函数，∫()dt为积分符号，e₅、e₆、e₇、e₈、e₁₄分别为对应键上的势变量，f₁₁、f₁₂、f₁₃、f₁₄、f₁₅分别为对应键上的流变量；

将公式(3)代入公式(2)，由传感器处e₁₀＝0得到第一个残差为公式(4)；

车身的速度传感器处的残差为公式(5)，以及前轮的增量编码器处的残差为公式(6)：

其中，m为电动代步车的重量，C₂为车身到前轮传动轴的刚度，

为前轮的角速度，J₃为前轮的转动惯量，

为前轮的角加速度，kf₂为前轮的粘性机械摩擦，Fu₂为前轮的库伦机械摩擦，

为车身的线加速度；

根据公式(4)、公式(5)和公式(6)得到故障特征矩阵，所述故障特征矩阵为6×4矩阵，所述故障特征矩阵如表1所示；

表1：

其中，Db为故障可检测性，

为传感器Df:

的有效因子，

为传感器Df:

的有效因子，

为传感器Df:

的有效因子，R₃(kf₁,Fu₁)为后轮的机械摩擦，R₄(kf₂,Fu₂)为前轮的机械摩擦，k₄为转换器的系数。

如图3所示，利用MATLAB\SIMULINK仿真工具改变了模型参数

的大小即后轮传感器的有效因子(大小在20s时由1跳变为0.9)，来模拟后轮处传感器的故障。根据残差ARR的变化曲线得出的相干向量与故障特征矩阵对比可以得出故障集合为

将故障集合中的元素

和R₃作为特殊状态，将特殊状态添加至电动代步车系统的状态变量中，即选择x₇＝R₃,

得到增广后的状态空间方程如下：

离散化后的状态空间方程利用UKF实现未知参数R₃、

和系统状态的联合估计，根据估计值判断实际故障。

如图4所示，UKF估计值与传感器的实际测量值之间的误差很小，这在一定程度上反映了UKF估计算法的正确性。如图5所示，UKF对

的估计结果为0.9069，接近于实际的0.9，UKF对kf₁的估计结果也非常接近实际的数值0.03545。根据对以上两个故障参数的估计结果可以准确地判断出实际故障为传感器故障，有效因子的大小从1.0降为0.9左右。实验的结果有效地验证了故障诊断方法的正确性。

Claims (3)

1.一种基于键合图模型的电动代步车故障诊断和估计方法，其特征在于，包括以下步骤：

S1、对电动代步车系统建模，得到电动代步车系统的键合图模型；

S2、根据电动代步车系统的键合图模型得到解析冗余关系，根据解析冗余关系生成残差，得到故障特征矩阵；

S3、改变电动代步车系统的键合图模型的参数值的大小，判断残差的大小是否超出了设定阈值，如果超出设定阈值，则电动代步车系统发生故障，如果未超出设定阈值，则电动代步车系统正常；

S4、根据残差的大小是否超出了设定阈值得出相干向量，将相干向量与故障特征矩阵进行对比，得出电动代步车系统可能发生故障的集合；

S5、在电动代步车系统中选择状态变量和观测变量建立状态空间方程；

S6、将所述电动代步车系统可能发生故障的集合中的元素添加至电动代步车系统的状态空间方程的状态变量中，得到新的电动代步车系统的状态变量，利用无迹卡尔曼滤波方法对新的电动代步车系统的状态变量进行联合估计，得出电动代步车系统的实际故障；

所述电动代步车的键合图模型包括驱动键合图模型(10)、电机键合图模型(20)、后轮键合图模型(30)、车身键合图模型(40)、前轮键合图模型(50)；所述电动代步车的键合图模型的功率流的方向依次由驱动键合图模型(10)、电机键合图模型(20)、后轮键合图模型(30)、车身键合图模型(40)指向前轮键合图模型(50)；

所述驱动键合图模型(10)，其包括U_in电压源，系数为k₁的第一TF转换器；所述U_in电压源经过第一TF转换器转换为电流，所述电流进入电机键合图模型(20)；

电机键合图模型(20)，其包括电机电气部分的电阻R₁，系数为k₂的第一回转器GY，电机的转动惯量J₁，电机机械部分的摩擦R₂，系数为k₃的第二转换器TF；所述电流进入电机键合图模型(20)后，电流经过系数为k₂的第一回转器GY转换为电机的转矩，所述电机的转矩经过系数为k₃的第二转换器TF转换为后轮的角速度，所述后轮的角速度进入后轮键合图模型(30)；

后轮键合图模型(30)，其包括后轮的转动惯量J₂，后轮的机械摩擦R₃，安装在后轮上的传感器

后轮的角速度在后轮的转动惯量J₂和后轮的机械摩擦R₃的作用下进入车身键合图模型(40)；

车身键合图模型(40)，其包括后轮到车身的传动轴刚度C₁，系数为k₄的第三转换器TF，车身的重量m，安装在车身的传感器

车身到前轮的传动轴刚度C₂；所述后轮的角速度进入车身键合图模型(40)后，经过系数为k₄的第三转换器TF转换为车身的线速度，再经过系数为k₄的第四转换器TF转换为角速度，并将角速度送入前轮键合图模型(50)；

前轮键合图模型(50)，其包括前轮的转动惯量J₃，前轮的机械摩擦R₄，安装在前轮上的传感器

所述前轮键合图模型(50)在前轮的转动惯量J₃和前轮的机械摩擦R₄的作用下输出角速度；

步骤S2中的根据电动代步车系统的键合图模型解析冗余关系由公式(1)表示：

ARR_i(θ,u,De,Df)＝0 (1)

其中，ARR_i为第i个解析冗余关系，i＝1,2,...,n，θ为电动代步车的键合图模型的标称参数，u为电动代步车的键合图模型的输入信号，De为势传感器的测量值，Df为流传感器的测量值，n为电动代步车的键合图模型中的传感器的总个数；

步骤S2中的根据解析冗余关系生成残差，得到故障特征矩阵的具体操作步骤包括：

在电动代步车系统的后轮处设置增量编码器，根据后轮处增量编码器的共流结的特点，得到后轮处增量编码器处的势变量如公式(2)：

e₁₀＝e₉-e₁₁-e₁₂-e₁₃＝0 (2)

其中，e₁₀为后轮处增量编码器处的势变量，e₉表示键号为9所对应的势变量，e₁₁表示键号为11所对应的势变量，e₁₂表示键号为12所对应的势变量，e₁₃表示键号为13所对应的势变量；

根据电动代步车的键合图模型得到公式(3)：

其中，u_in为电动代步车的键合图模型中的输入信号，k₁为电压到电流的转换比，k₂为电流到后轮转矩的转换比，k₃为电机转矩到角速度的转换比，k₄为车轮的半径，kf为电机的粘性机械摩擦，Fu为电机的库伦机械摩擦，kf₁为后轮的粘性机械摩擦，Fu₁为后轮的库伦机械摩擦，J₁电机转动惯量，J₂为后轮转动惯量，C₁为后轮到车身传动轴的刚度，

为后轮的角速度，

为车身的线速度，

为后轮的角加速度，sign()为符号函数，∫()dt为积分符号，e₅、e₆、e₇、e₈、e₁₄分别为对应键上的势变量，f₁₁、f₁₂、f₁₃、f₁₄、f₁₅分别为对应键上的流变量；

将公式(3)代入公式(2)，由传感器处e₁₀＝0得到第一个残差为公式(4)；

车身的速度传感器处的残差为公式(5)，以及前轮的增量编码器处的残差为公式(6)：

其中，m为电动代步车的重量，C₂为车身到前轮传动轴的刚度，

为前轮的角速度，J₃为前轮的转动惯量，

为前轮的角加速度，kf₂为前轮的粘性机械摩擦，Fu₂为前轮的库伦机械摩擦，

为车身的线加速度；

根据公式(4)、公式(5)和公式(6)得到故障特征矩阵，所述故障特征矩阵为6×4矩阵，所述故障特征矩阵的行依次为R₃(kf₁,Fu₁)，R₄(kf₂,Fu₂)，

k₄，故障特征矩阵的列依次为ARR₁、ARR₂、ARR₃、Db，其中，(R₃(kf₁,Fu₁)，ARR₁)＝1，(R₃(kf₁,Fu₁)，ARR₂)＝0，(R₃(kf₁,Fu₁)，ARR₃)＝0，(R₃(kf₁,Fu₁)，Db)＝1；(R₄(kf₂,Fu₂)，ARR₁)＝0，(R₄(kf₂,Fu₂)，ARR₂)＝0，(R₄(kf₂,Fu₂)，ARR₃)＝1，(R₄(kf₂,Fu₂)，Db)＝1；

(k₄，ARR₁)＝1，(k₄，ARR₂)＝1，(k₄，ARR₃)＝1，(k₄，Db)＝1；其中，Db为故障可检测性，

为传感器

的有效因子，

为传感器

的有效因子，

为传感器

的有效因子，R₃(kf₁,Fu₁)为后轮的机械摩擦，R₄(kf₂,Fu₂)为前轮的机械摩擦，k₄为转换器的系数。

2.如权利要求1所述的一种基于键合图模型的电动代步车故障诊断和估计方法，其特征在于：

步骤S4中的根据残差的大小是否超出了设定阈值得出相干向量，所述相干向量为Cv，其中Cv＝[c₁ c₂...c_i]，i表示残差的个数，c_i表示第i个残差，如果残差的大小超出设定阈值，则c_i＝1，如果未超出设定阈值，则c_i＝0。

3.如权利要求2所述的一种基于键合图模型的电动代步车故障诊断和估计方法，其特征在于，步骤S5中的建立状态空间方程具体包括以下步骤：

在电动代步车系统中选择状态变量

观测变量

得到状态空间方程为公式(7)和公式(8)：

其中，x₁＝θ₁，

x₃＝s，

x₅＝θ₂，

x₁，x₂，x₃，x₄，x₅，x₆分别为选择的状态变量的对应参数，y₁，y₂，y₃分别为选择的观测变量的对应参数，θ₁为后轮转动的角度，s为车身的位移，θ₂前轮转动的角度。

Images