CN109934252A - 一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法 - Google Patents

Abstract

本发明公开一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，根据轮毂电机运行状态信息和高敏感特征参数建立单个时间片段内的初始数据训练集和单个时间片段内的贝叶斯网络模型，建立单个轮毂电机运行状态识别模型；将当前时间片段中将高敏感特征参数、路面等级、载荷等级、车速等级作为识别模型的输入对轮毂电机运行状态在线识别，得到识别结果并上传至识别模型云训练中心，识别模型云训练中心对单个时间片段内的贝叶斯网络进行参数学习，得到各网络节点全新的条件概率分布，利用新数据集将二时间片段之间状态转移概率分布进行更新；解决了仅依靠单一因素对轮毂电机运行状态进行识别的不精准问题，提高了识别准确性。

Description

一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法

技术领域

本发明涉及轮毂电机的状态识别与故障智能诊断领域，特别是一种动态贝叶斯网络参数自更新的轮毂电机运行状态在线识别方法。

背景技术

轮毂电机是一种车轮内装电机，具有控制灵活、结构紧凑、传动效率高等特点，集驱动、制动等多动能于一体。采用轮毂电机为电动汽车搭建四轮分布式驱动系统，被认为是未来电动汽车驱动系统的最佳选择。但是复杂的路况和多变的汽车行驶工况极易影响轮毂电机的安全运行状态，成为制约轮毂电机驱动技术运用推广的关键问题。因此，为保证高效环保的新能源汽车高速发展，对轮毂电机运行状态进行在线识别，提高轮毂电机运行的安全性与稳定性十分必要。

动态贝叶斯网络被广泛应用于系统可靠性监测与状态评估，2013年黄洪钟等人在授权公告号CN103268388 B的专利中提出一种基于动态贝叶斯网络的航空发动机涡轮叶盘系统的可靠性监测方法。该方法通过建立系统动态贝叶斯网络和系统失效模式的动态贝叶斯网络，从而克服了传统可靠性监测方法的复杂性，提高了计算效率，但是随着使用时间的增加，航空发动机涡轮叶盘系统与初始动态贝叶斯网络模型各项参数的匹配度会越来越低，导致监测结果的不准确度增大。又如2017年孙棣华等人在授权公告号为CN104809879 B的专利中提出一种基于动态贝叶斯网络的高速公路路段交通状态估计方法，通过路段交通状态的多个相关参数作为动态贝叶斯网络的节点，并确定它们之间的关系，进一步通过历史数据进行参数学习，从而建立状态估计模型，该方法解决了单一参数估计状态时存在的不确定性问题，提高了交通状态估计的准确性。但是，该方法仍然忽略了各路段每天的状态都是不断变化的，随着时间的推移，初始建立的状态估计模型将不能对各路段作出准确的状态估计。

发明内容

本发明针对现有技术的不足，提供一种动态贝叶斯网络参数自更新的轮毂电机运行状态在线识别方法，针对多因素因素的影响，对各路段每天的状态不断变化作出准确的状态识别。

本发明一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法采用的技术方案是包括以下步骤：

A、收集不同情况下的轮毂电机运行状态信息，计算每个时间片段内轮毂电机垂向加速度信号的高敏感特征参数，根据轮毂电机运行状态信息和高敏感特征参数建立单个时间片段内的初始数据训练集和单个时间片段内的贝叶斯网络模型，获得各网络节点的条件概率分布以及二时间片段之间的状态转移概率分布，将所述的条件概率分布和所述的状态转移概率分布设为动态贝叶斯网络参数，建立基于动态贝叶斯网络的单个轮毂电机运行状态识别模型；

B、采集当前时间片段中轮毂电机轴承处的垂向加速度信号、汽车质心处的垂向加速度信号、乘员载荷信息和车速信息，得到加速度信号的高敏感特征参数、路面等级、载荷等级和车速等级，将高敏感特征参数、路面等级、载荷等级、车速等级作为所述的单个轮毂电机运行状态识别模型的输入，对当前时间片段内的轮毂电机运行状态在线识别，得到当前时间片段内的轮毂电机运行状态识别结果并将高敏感特征参数，路面等级，载荷等级，车速等级以及时间片段内的轮毂电机运行状态识别结果上传至识别模型云训练中心；

C、识别模型云训练中心将接收到的信息添加进行车数据训练集合，在每月最后一天行车结束后，识别模型云训练中心将所述的初始数据训练集与所述的行车数据训练集合并成新数据训练集，对单个时间片段内的贝叶斯网络进行参数学习，得到各网络节点全新的条件概率分布，利用新数据集将二时间片段之间状态转移概率分布进行更新。

步骤C中，识别模型云训练中心在完成更新后，删除该月的行车数据训练集合并在下一月月初的零点将更新的参数下传至集成状态识别模型的ECU中，设置成为识别模型中全新的动态贝叶斯网络参数。

本发明的有益效果是：

1、本发明通过将电动汽车行驶过程中乘员载荷、路面等级、车速等级、轮毂电机轴承处垂向加速度信号等因素都纳入状态识别模型中，从而解决了仅依靠单一因素对轮毂电机运行状态进行识别的不精准问题，提高了识别准确性。

2、本发明利用识别模型云训练中心，基于轮毂电机的运行数据对轮毂电机运行状态识别模型的动态贝叶斯网络参数进行每月自更新，从而使状态识别模型与轮毂电机的使用状态更加匹配，避免了轮毂电机长时间使用后与初始状态识别模型存在较大差异的状况出现。

3、本发明针对电动汽车的4个轮毂电机分别设置4个状态识别模型，从而使状态识别模型跟随各轮毂电机的具体运行情况进行识别与更新，有效提高了各轮毂电机运行状态监测的精确性，从而提高电动汽车行车安全。

4、本发明针对电动汽车的每个轮毂电机运行状态分别建立识别模型，并利用所采集的数据与识别结果对识别模型参数进行参数更新，提高了状态识别模型与单个轮毂电机的匹配度，使轮毂电机运行状态识别更加准确与及时。

附图说明

图1是本发明所述的识别方法中的第一阶段单个轮毂电机运行状态识别模型的建立流程图；

图2是图1中单个时间片段内的基于贝叶斯网络的轮毂电机运行状态识别模型；

图3是图1中基于二时间片段的动态贝叶斯网络的轮毂电机运行状态识别模型；

图4是本发明所述的识别方法中的第二阶段基于识别模型的轮毂电机运行状态在线识别系统的结构框图；

图5是本发明对1号轮毂电机运行状态进行在线识别的流程图；

图6是本发明所述的识别方法中的第三阶段基于识别模型云训练中心的动态贝叶斯网络参数更新流程图。

具体实施方式

下面结合附图和具体实例对本发明技术方案作进一步的详细描述。

本发明一种动态贝叶斯网络参数自更新的轮毂电机运行状态在线识别方法包括三个阶段，第一阶段为单个轮毂电机运行状态识别模型的建立；第二阶段是基于识别模型的轮毂电机运行状态在线识别阶段；第三阶段是基于识别模型云训练中心的动态贝叶斯网络参数更新阶段。

如图1所示，为第一阶段单个轮毂电机运行状态识别模型的建立流程图，其具体步骤如下：

步骤一：收集单个轮毂电机各运行状态信息，并以2s为一个时间片段，对所收集的信息进行整理分类。具体包括每一时间片段内的轮毂电机运行状态S，分为4种，分别为轮毂电机正常运行状态S₁、轮毂电机轴承外圈故障运行状态S₂、轮毂电机轴承内圈故障运行状态S₃、轮毂电机轴承滚动体故障运行状态S₄。

每一时间片段的乘员载荷信息L，进一步的包括5种，L₁：车载1人，0～90kg；L₂：车载2人，90kg～180kg；L₃：车载3人，180kg～270kg；L₄：车载4人，270kg～360kg；L₅：车载5人及以上，取360kg以上。

每一时间片段内的路面等级信息R，进一步的包括3种，R₁：A级路面、R₂：B级路面、R₃：C级路面。

每一时间片段中间时刻的车速等级信息V，进一步的包括14种，V₁：0～10km/h、V₂：10km/h～20km/h、V₃：20km/h～30km/h、V₄：30km/h～40km/h、V₅：40km/h～50km/h、V₆：50km/h～60km/h、V₇：60km/h～70km/h、V₈：70km/h～80km/h、V₉：80km/h～90km/h、V₁₀：90km/h～100km/h、V₁₁：100km/h～110km/h、V₁₂：110km/h～120km/h、V₁₃：120km/h～130km/h、V₁₄：130km/h及以上。

每一时间片段内轮毂电机轴承处的垂向加速度信号C，信号采样频率为100kHz，每一时间片段的采样时间为2秒，所采集的加速度信号为时域信号，进一步的，加速度信号类型包括840种：

表1轮毂电机轴承处的垂向加速度信号C类型

步骤二：将采集到的每段加速度信号进行高敏感特征参数的计算，高敏感特征参数能够准确反映加速度信号中包含的轮毂电机运行状态信息，采集的加速度信号为时域信号，先计算每段加速度信号的时域高敏感特征参数SP₁，SP₂；再将每段加速度信号通过快速傅里叶变换后变成频域信号，计算频域高敏感特征参数SP₃，SP₄。

进一步的，具体的4个高敏感特征参数如下所示：

加速度信号的时域信号表示为{x_i}(i＝1～N)，N为采样点数，在本发明中加速度信号采样时间为2s，因此N＝200000，时域高敏感特征参数根据公式直接计算。

定义{x_i}中极大值{x_pj}(j＝1～N_p)，N_p为{x_i}中极大值的总数。

时域信号通过快速傅里叶变换后变成频域信号，加速度信号的频域信号表示为{f_i}(i＝1～I)，I是采样频率的一半，即I＝50000，F(f_i)是第f_i的频谱值，平均值和标准差分别为频域信号特征参数根据以下公式进行计算。

计算完成后，每段加速度信号得到1组高敏感特征参数组，每组特征参数组包含4个高敏感特征参数数值。

步骤三：将步骤一中整理的轮毂电机运行状态信息和步骤二中得到的高敏感特征参数进一步处理，建立单个时间片内的数据训练集，此处训练数据集称为初始数据训练集。

具体的包括轮毂电机运行状态S＝{S₁，S₂，S₃，S₄}＝{1，2，3，4}，乘员载荷信息L＝{L₁，L₂，L₃，L₄，L₅}，路面等级信息R＝{R₁，R₂，R₃}＝{1，2，3}，车速等级信息V＝{V₁，V₂，V₃，V₄，V₅，V₆，V₇，V₈，V₉，V₁₀，V₁₁，V₁₂，V₁₃，V₁₄}＝{1，2，3，4，5，6，7，8，9，10，11，12,13，14}，轮毂电机轴承处的垂向加速度信号C＝{C₁，C₂，...，C₈₃₉，C₈₄₀}＝{1，2，...，839，840}。高敏感特征参数SP₁、SP₂、SP₃、SP₄属于连续值，直接使用步骤二中计算得到的数值，则初始数据训练集如下表所示。

表2单个时间片内的初始数据训练集

S	C	L	R	V	SP<sub>1</sub>	SP<sub>2</sub>	SP<sub>3</sub>	SP<sub>4</sub>
									1	1	1	1	1	0.209	0.469	4.487	0.376
1	2	1	1	2	0.218	0.482	4.621	0.414
									1	3	1	1	3	0.228	0.640	4.788	0.439
…	…	…	…	…	…	…	…	…

步骤四：构建单个时间片内的贝叶斯网络结构，如图2所示，具体包括轮毂电机运行状态节点S^k、加速度信号类型节点C^k、乘员载荷节点L^k、路面等级节点R^k、车速等级节点V^k、高敏感特征参节点SP₁ ^k、高敏感特征参节点SP₂ ^k、高敏感特征参节点SP₃ ^k、高敏感特征参节点SP₄ ^k。其中轮毂电机运行状态节点S^k、加速度信号类型节点C^k作为隐藏节点，乘员载荷节点L^k、路面等级节点R^k、车速等级节点V^k、高敏感特征参节点SP₁ ^k、高敏感特征参节点SP₂ ^k、高敏感特征参节点SP₃ ^k、高敏感特征参节点SP₄ ^k为可观测节点。根据2013年江南大学朱金林在硕士论文《基于贝叶斯网络的缺失数据系统故障诊断研究》中提到的参数学习方法，基于步骤三中建立的初始数据训练集进行参数学习，得到各网络节点的条件概率分布，具体包括乘员载荷节点L^k和加速度信号类型节点C^k的条件概率分布P(L^k|C^k)，路面等级节点R^k和加速度信号类型节点C^k的条件概率分布P(R^k|C^k)，车速等级节点V^k和加速度信号类型节点C^k的条件概率分布P(V^k|C^k)，高敏感特征参数节点SP₁ ^k与加速度信号类型节点C^k条件概率分布P(SP₁ ^k|C^k)，高敏感特征参数节点SP₂ ^k与加速度信号类型节点C^k条件概率分布P(SP₂ ^k|C^k)，高敏感特征参数节点SP₃ ^k与加速度信号类型节点C^k条件概率分布P(SP₃ ^k|C^k)，高敏感特征参数节点SP₄ ^k与加速度信号类型节点C^k条件概率分布P(SP₄ ^k|C^k)，加速度信号节点C^k的先验概率分布P_f(C^k)，轮毂电机运行状态节点S^k的先验概率分布P_f(S^k)，轮毂电机运行状态S中包含4种运行状态{S₁，S₂，S₃，S₄}，则先验概率P_f(S^k)具体包括4个，分别为P_f(S₁ ^k)，P_f(S₂ ^k)，P_f(S₃ ^k)，P_f(S₄ ^k)，加速度信号类型节点C^k与轮毂电机运行状态节点S^k的条件概率分布P(C^k|S^k)，轮毂电机运行状态S中包含4种运行状态{S₁，S₂，S₃，S₄}，则条件概率分布P(C^k|S^k)具体包含4个，分别为P(C^k|S₁ ^k)，P(C^k|S₂ ^k)，P(C^k|S₃ ^k)，P(C^k|S₄ ^k)。

步骤五：从初始数据训练集取两个连续的时间片段为一组，分别根据每组前一时间片段k-1内的轮毂电机状态S^k-1与当前时间片段k内的轮毂电机运行状态S^k进行组数统计，如下表所示。

表3两连续时间片段轮毂电机运行状态组数统计

S<sup>k-1</sup>	<u>S<sup>k</sup></u>	组数统计
			正常	正常	N<sub>11</sub>
正常	外圈故障	N<sub>12</sub>
			正常	内圈故障	N<sub>13</sub>
正常	滚动体故障	N<sub>14</sub>
			外圈故障	正常	N<sub>21</sub>
外圈故障	外圈故障	N<sub>22</sub>
			外圈故障	内圈故障	N<sub>23</sub>
外圈故障	滚动体故障	N<sub>24</sub>
			内圈故障	正常	N<sub>31</sub>
内圈故|障	外圈故障	N<sub>32</sub>
			内圈故障	内圈故障	N<sub>33</sub>
内圈故障	滚动体故障	N<sub>34</sub>
			滚动体故障	正常	N<sub>41</sub>
滚动体故障	外圈故障	N<sub>42</sub>
			滚动体故障	内圈故障	N<sub>43</sub>
滚动体故障	滚动体故障	N<sub>44</sub>

前一时间片段k-1与当前时间片段k之间的状态转移概率分布P(S^k-1|S^k)可通过下表计算获得。

表4轮毂电机二时间片段之间的运行状态转移概率表

步骤六：建立如图3所示的基于动态贝叶斯网络的轮毂电机运行状态识别模型，将步骤四单个时间片段内的贝叶斯网络各网络节点的条件概率分布与步骤五中得到的二时间片段之间的状态转移概率分布设置为轮毂电机运行状态识别模型的动态贝叶斯网络参数。

如图4所示，本发明一种动态贝叶斯网络参数自更新的轮毂电机运行状态在线识别系统由簧下质量加速度传感器1、簧载质量加速度传感器2、CAN总线通讯系统3、座椅下压力传感器4、高敏感特征参数提取模块5、路面等级判断模块6、车速等级划分模块7、载荷等级划分模块8、集成状态识别模型的ECU9、识别结果显示模块10、识别模型云训练中心11组成。

簧下质量加速度传感器1包括4个安装在电动汽车四个轮毂电机轴承处的单轴垂向加速度传感器，分别用于采集车辆行驶时的四个轮毂电机轴承处垂向加速度信号a₁，a₂，a₃，a₄。a₁对应电动汽车左前轮中的轮毂电机加速度信号，此处电机称为1号轮毂电机；a₂对应电动汽车右前轮中的轮毂电机加速度信号，此处电机称为2号轮毂电机；a₃对应电动汽车左后轮中的轮毂电机加速度信号，此处电机称为3号轮毂电机；a₄对应电动汽车右后轮中的轮毂电机加速度信号，此处电机称为4号轮毂电机。进一步的，采集当前时间片段k内的加速度信号a₁ ^k，a₂ ^k，a₃ ^k，a₄ ^k，采样时长为2s，采样频率为100kHz。簧下质量加速度传感器1的输出与高敏感特征参数提取模块5的输入连接，通过信号传输线将垂向加速度信息传递至高敏感特征参数提取模块5。

簧载质量加速度移传感器2包含1个安装在汽车质心处的单轴垂向加速度传感器，分别用于采集车辆行驶时垂向加速度a₅。进一步的，采集当前时间片段k内的加速度信号a₅ ^k，采样时长为2s，采样频率为100kHz。簧载质量加速度传感器2的输出与路面等级判断模块6的输入相连，通过信号传输线将垂向加速度信号传递至路面等级判断模块6。

CAN总线通讯系统3用于读取当前时间片段k中间时刻的车辆行驶速度V_k，CAN总线通讯系统3的输出与车速等级划分模块7的输入相连，通过信号传输线将车速信息传递至车速等级划分模块7。

座椅下压力传感器4包括4个安装在四个不同座椅下的压力传感器，分别用于采集车辆行驶时各座椅上乘员的载荷信息w₁，w₂，w₃，w₄。进一步的，采集当前时间片段k中间时刻的座椅上乘员的载荷信息w₁ ^k，w₂ ^k，w₃ ^k，w₄ ^k。座椅下压力传感器4的输出连接载荷等级划分模块8的输入，通过信号传输线将乘员载荷信息传递至载荷等级划分模块8。

高敏感特征参数提取模块5用于对所述垂向加速度信号a₁ ^k，a₂ ^k，a₃ ^k，a₄ ^k的处理，具体为计算各加速度信号在时域和频域的高敏感特征参数SP₁、SP₂、SP₃、SP₄。进一步的，加速度信号a₁ ^k的高敏感特征参数为SP_1a1 ^k、SP_2a1 ^k、SP_3a1 ^k、SP_4a1 ^k，加速度信号a₂ ^k的高敏感特征参数为SP_1a2 ^k、SP_2a2 ^k、SP_3a2 ^k、SP_4a2 ^k，加速度信号a₃ ^k的高敏感特征参数为SP_1a3 ^k、SP_2a3 ^k、SP_3a3 ^k、SP_4a3 ^k，加速度信号a₄ ^k的高敏感特征参数为SP_1a4 ^k、SP_2a4 ^k、SP_3a4 ^k、SP_4a4 ^k，并通过信号传输线将得到的高敏感特征参数提供给集成状态识别模型的ECU9。

路面等级判断模块6用于对所述垂向加速度信号a₅ ^k的处理。根据2016年秦也辰等在杂志《东北大学学报(自然科学版)》(第37卷第8期)的“基于路面识别的车辆半主动悬架控制”论文中提到的路面等级识别算法，得到当前时间片段k中汽车所行驶的路面等级lr^k，具体的路面等级分为：A路面lr^k＝1、B级路面lr^k＝2和C级路面lr^k＝3，并通过信号传输线将得到的路面等级lr^k提供给集成状态识别模型的ECU9。

车速等级划分模块7用于对所述当前时间片段k中间时刻的车速信息V_k的处理，得到当前时间片段k中的车速等级lv^k。进一步的，划分标准如下：

车速等级划分模块7的输出与集成状态识别模型的ECU9的输入相连，通过信号传输线将得到的车速等级lv^k提供给集成故障诊断模型的ECU9。

载荷等级划分模块8用于对所述当前时间片段k中间时刻的乘员载荷信息w₁ ^k，w₂ ^k，w₃ ^k，w₄ ^k的处理，得到前时间片段k中的载荷等级lw^k。进一步的，划分标准如下：

载荷等级划分模块8的输出与集成故障诊断模型的ECU9的输入相连，通过信号传输线将得到的载荷等级lw^k提供给集成故障诊断模型的ECU9。

集成状态识别模型的ECU9中内置了第一阶段中的轮毂电机运行状态识别模型，每一个轮毂电机对应一个识别模型，共有4个识别模型。ECU9储存有前一时间片段k-1中每个轮毂电机运行状态S^k-1的识别结果，用于对当前时间片段k内的各轮毂电机运行状态S^k的在线识别。进一步的，1号电机前一时间片段k-1的运行状态为S_a1 ^k-1，当前时间片段k内的电机运行状态S_a1 ^k；2号电机前一时间片段k-1的运行状态为S_a2 ^k-1，当前时间片段k内的电机运行状态S_a2 ^k；3号电机前一时间片段k-1的运行状态为S_a3 ^k-1，当前时间片段k内的电机运行状态S_a3 ^k；4号电机前一时间片段k-1的运行状态为S_a4 ^k-1，当前时间片段k内的电机运行状态S_a4 ^k。以1号轮毂电机为例，将高敏感特征参数SP_1a1 ^k、SP_2a1 ^k、SP_3a1 ^k、SP_4a1 ^k，路面等级lr^k，车速等级lv^k，载荷等级lw^k作为轮毂电机运行状态识别模型的驶入，完成对当前时间片段k内的轮毂电机运行状态S_a1 ^k的识别，并将识别结果提供给识别结果显示模块10，同时将高敏感特征参数SP_1a1 ^k、SP_2a1 ^k、SP_3a1 ^k、SP_4a1 ^k，路面等级lr^k，车速等级lv^k，载荷等级lw^k以及识别结果上传至识别模型云训练中心11。对2号电机、3号电机、4号电机的运行状态识别和数据上传与1号电机同时进行。

识别结果显示模块10用于将接收到的各轮毂电机运行状态S_a1 ^k、S_a2 ^k、S_a2 ^k、S_a2 ^k的识别结果显示出来提供给驾驶员，并由驾驶员决定继续行驶或停车检修。

识别模型云训练中心11用于将接收到的当前时间片段k内的路面等级lr^k，车速等级lv^k，载荷等级lw^k，1号电机高敏感特征参数SP_1a1 ^k、SP_2a1 ^k、SP_3a1 ^k、SP_4a1 ^k，2号电机高敏感特征参数SP_1a2 ^k、SP_2a2 ^k、SP_3a2 ^k、SP_4a2 ^k，3号电机高敏感特征参数SP_1a3 ^k、SP_2a3 ^k、SP_3a3 ^k、SP_4a3 ^k，4号电机高敏感特征参数SP_1a4 ^k、SP_2a4 ^k、SP_3a4 ^k、SP_4a4 ^k，各轮毂电机运行状态S_a1 ^k、S_a2 ^k、S_a2 ^k、S_a2 ^k的识别结果进行信息处理，分别对每一个轮毂电机建立行车数据训练集。识别模型云训练中心11在每月最后一天行车结束后，将行车数据训练集与第一阶段建立的初始数据训练集组成新的数据训练集，利用新的数据训练集进行识别模型的动态贝叶斯网络参数训练与更新，在完成训练后将当月行车数据训练集删除，并在下月月初零点将更新后的参数下传至集成状态识别模型的ECU9中，从而使ECU9的识别模型参数达到自更新的目的。

每一个轮毂电机运行状态的在线识别都是一样的，因此以1号电机为例，阐述第二阶段轮毂电机运行状态在线识别过程。如图5所示，为第二阶段基于识别模型的轮毂电机运行状态在线识别流程图，在线识别过程是循环进行的，具体步骤如下：

步骤一：采集当前时间片段k中1号轮毂电机轴承处的垂向加速度信号a₁ ^k，采样时长为2s，采样频率100kHz；当前时间片段k中汽车质心处的垂向加速度信号a₅ ^k，采样时长为2s，采样频率100kHz；当前时间片段k中间时刻的乘员载荷信息w₁ ^k，w₂ ^k，w₃ ^k，w₄ ^k；当前时间片段k中间时刻的车速信息V_k。

步骤二：计算当前时间片段k中加速度信号a₁ ^k的高敏感特征参数SP_1a1 ^k、SP_2a1 ^k、SP_3a1 ^k、SP_4a1 ^k；根据汽车质心处的垂向加速度信号a₅ ^k计算得到当前时间片段k对应的路面等级lr^k；根据乘员载荷信号w₁ ^k，w₂ ^k，w₃ ^k，w₄ ^k得到当前时间片段k对应的载荷等级lw^k；根据车速信息V_k得到当前时间片段k对应的车速等级lv^k。

步骤三：将步骤二中计算得到的高敏感特征参数SP_1a1 ^k、SP_2a1 ^k、SP_3a1 ^k、SP_4a1 ^k，路面等级lr^k，载荷等级lw^k，车速等级lv^k作为状态识别模型的输入，则通过高敏感特征参数SP_1a1 ^k、SP_2a1 ^k、SP_3a1 ^k、SP_4a1 ^k可获得高敏感特征参数节点SP₁ ^k的概率分布P(SP₁ ^k)、高敏感特征参数节点SP₂ ^k的概率分布P(SP₂ ^k)、高敏感特征参数节点SP₃ ^k的概率分布P(SP₃ ^k)、高敏感特征参数节点SP₄ ^k的概率分布P(SP₄ ^k)，通过路面等级lr^k可获得路面等级节点R^k的概率分布P(R^k)，通过载荷等级lw^k可获得乘员载荷节点L^k的概率分布P(L^k)，通过车速等级lv^k可获得车速等级节点V^k的概率分布P(V^k)。

(1)结合加速度信号类型节点C^k的先验概率分布P_f(C^k)推理得到加速度信号类型节点C^k的后验概率分布：

其中，下标u表示所属概率分布为后验概率分布，下标f表示所属概率分布为先验概率分布。

(2)结合二时间片段之间轮毂电机状态转移概率分布P(S^k-1|S^k)，加速度信号类型节点C^k与轮毂电机运行状态节点S^k的条件概率分布P(C^k|S^k)，轮毂电机运行状态节点S^k的先验概率P_f(S^k)推理得到轮毂电机运行状态节点S^k的后验概率：

针对1号电机使用S_1a1表示轮毂电机正常运行状态，S_2a1表示轮毂电机轴承外圈故障运行状态，S_3a1表示轮毂电机轴承内圈故障运行状态，S_4a1表示轮毂电机轴承滚动体故障运行状态，则状态识别模型中包含的轮毂电机运行状态先验概率P_f(S₁ ^k)，P_f(S₂ ^k)，P_f(S₃ ^k)，P_f(S₄ ^k)分别用P_f(S_1a1 ^k)，P_f(S_2a1 ^k)，P_f(S_3a1 ^k)，P_f(S_4a1 ^k)表示，加速度信号类型节点C^k与轮毂电机运行状态节点S^k的4个条件概率分布P(C^k|S₁ ^k)，P(C^k|S₂ ^k)，P(C^k|S₃ ^k)，P(C^k|S₄ ^k)分别用P(C^k|S_1a1 ^k)，P(C^k|S_2a1 ^k)，P(C^k|S_3a1 ^k)，P(C^k|S_4a1 ^k)表示。

ECU9中存储有1号电机前一时间片段k-1的运行状态为S_a1 ^k-1的识别结果P_u(S_a1 ^k-1)，具体包括前一时间片段k-1内轮毂电机正常运行状态概率P_u(S_1a1 ^k-1)、前一时间片段k-1内轮毂电机轴承外圈故障运行状态概率P_u(S_2a1 ^k-1)、前一时间片段k-1内轮毂电机轴承内圈故障运行状态概率P_u(S_3a1 ^k-1)、前一时间片段k-1内轮毂电机轴承滚动体故障运行状态概率P_u(S_4a1 ^k-1)，特别的P_u(S_a1 ^k-1)＝max{P_u(S_1a1 ^k-1)，P_u(S_2a1 ^k-1)，P_u(S_3a1 ^k-1)，P_u(S_4a1 ^k-1)}。

当前时间片段k内轮毂电机处于正常运行状态S_1a1 ^k的后验概率：

轮毂电机在前一时间片段k-1内的运行状态为S_a1 ^k-1，则可从运行状态转移概率表中选择相应的转移概率P(S_a1 ^k-1|S_1a1 ^k)。

当前时间片段k内轮毂电机处于轴承外圈故障运行状态S_2a1 ^k的后验概率：

轮毂电机在前一时间片段k-1内的运行状态为S_a1 ^k-1，则可从运行状态转移概率表中选择相应的转移概率P(S_a1 ^k-1|S_2a1 ^k)。

当前时间片段k内轮毂电机处于轴承内圈故障运行状态S_3a1 ^k的后验概率：

轮毂电机在前一时间片段k-1内的运行状态为S_a1 ^k-1，则可从运行状态转移概率表中选择相应的转移概率P(S_a1 ^k-1|S_3a1 ^k)。

当前时间片段k内轮毂电机处于轴承滚动体故障运行状态S_4a1 ^k的后验概率：

轮毂电机在前一时间片段k-1内的运行状态为S_a1 ^k-1，则可从运行状态转移概率表中选择相应的转移概率P(S_a1 ^k-1|S_4a1 ^k)。

(3)根据马尔可夫性，更新时间片段k+1中加速度信号类型节点C^k+1和轮毂电机运行状态节点S^k+1的先验概率分布：

P_f(C^k+1)＝P_u(C^k)

则对时间片段k内的1号轮毂电机运行状态S_a1 ^k的识别结果为：

若max{P_u(S_1a1 ^k)，P_u(S_2a1 ^k)，P_u(S_3a1 ^k)，P_u(S_4a1 ^k)}＝P_u(S_1a1 ^k)，则当前时间片段k内的轮毂电机运行状态为正常运行状态；

若max{P_u(S_1a1 ^k)，P_u(S_2a1 ^k)，P_u(S_3a1 ^k)，P_u(S_4a1 ^k)}＝P_u(S_2a1 ^k)，则当前时间片段k内的轮毂电机运行状态为轴承外圈故障运行状态；

若max{P_u(S_1a1 ^k)，P_u(S_2a1 ^k)，P_u(S_3a1 ^k)，P_u(S_4a1 ^k)}＝P_u(S_3a1 ^k)，则当前时间片段k内的轮毂电机运行状态为轴承内圈故障运行状态；

若max{P_u(S_1a1 ^k)，P_u(S_2a1 ^k)，P_u(S_3a1 ^k)，P_u(S_4a1 ^k)}＝P_u(S_4a1 ^k)，则当前时间片段k内的轮毂电机运行状态为轴承滚动体故障运行状态。

步骤四：将当前时间片段k内的轮毂电机运行状态S_a1 ^k识别结果提供给驾驶员，同时将高敏感特征参数SP_1a1 ^k、SP_2a1 ^k、SP_3a1 ^k、SP_4a1 ^k，路面等级lr^k，载荷等级lw^k，车速等级lv^k以及时间片段k内的轮毂电机运行状态S_a1 ^k识别结果上传至识别模型云训练中心。

步骤五：采集下一时间片段k+1的轮毂电机轴承处的垂向加速度信号a₁ ^k+1、汽车质心处的垂向加速度信号a₅ ^k+1、下一时间片段k+1中间时刻的乘员载荷信息w₁ ^k+1，w₂ ^k+1，w₃ ^k+1，w₄ ^k+1、下一时间片段k+1中间时刻的车速信息V_k+1，重复步骤二至步骤五。

2号电机、3号电机和4号电机的运行状态的识别过程与1号电机的识别过程一样，且同时进行。

识别模型云训练中心对每个轮毂电机的识别模型的参数更新都是一样的，因此以1号电机为例，阐述第三阶段基于识别模型云训练中心的参数更新过程。如图6所示，为识别模型云训练中心对1号轮毂电机运行状态识别模型的参数更新流程图，其具体步骤如下。

步骤一：识别模型云训练中心将接收到的每一时间片段k中的路面等级lr^k、载荷等级lw^k、车速等级lv^k、高敏感特征参数(SP_1a1 ^k、SP_2a1 ^k、SP_3a1 ^k、SP_4a1 ^k)以及轮毂电机运行状态S_a1 ^k识别结果进行整理。进一步的，通过路面等级lr^k、载荷等级lw^k、车速等级lv^k确定当前时间片段k内的加速度信号类型C_a1 ^k，并添加进下表所示的数据训练集，此处数据训练集被称为行车数据训练集合。行车数据训练集包含有1个月内接收到的数据。

表5行车数据训练集

S<sub>a1</sub><sup>k</sup>	C<sub>a1</sub><sup>k</sup>	<u>l<sub>w</sub><sup>k</sup></u>	<u>l<sub>r</sub><sup>k</sup></u>	<u>l<sub>v</sub><sup>k</sup></u>	SP<sub>1a1</sub><sup>k</sup>	SP<sub>2a1</sub><sup>k</sup>	SP<sub>3a1</sub><sup>k</sup>	SP<sub>4a1</sub><sup>k</sup>
									1	2	1	1	2	0.203	0.459	4.433	0.369
1	4	1	1	4	0.238	0.668	4.943	0.456
									1	5	1	1	5	0.241	0.670	4.960	0.463
…	…	…	…	…	…	…	…	..

步骤二：每月最后一天行车结束后，识别模型云训练中心将初始数据训练集与行车数据训练集合并成新数据训练集，并对单个时间片段内的贝叶斯网络进行参数学习，得到各网络节点全新的条件概率分布，具体包括乘员载荷节点L^k和加速度信号类型节点C^k的条件概率分布P(L^k|C^k)，路面等级节点R^k和加速度信号类型节点C^k的条件概率分布P(R^k|C^k)，车速等级节点V^k和加速度信号类型节点C^k的条件概率分布P(V^k|C^k)，高敏感特征参数节点SP₁ ^k与加速度信号类型节点C^k条件概率分布P(SP₁ ^k|C^k)，高敏感特征参数节点SP₂ ^k与加速度信号类型节点C^k条件概率分布P(SP₂ ^k|C^k)，高敏感特征参数节点SP₃ ^k与加速度信号类型节点C^k条件概率分布P(SP₃ ^k|C^k)，高敏感特征参数节点SP₄ ^k与加速度信号类型节点C^k条件概率分布P(SP₄ ^k|C^k)，加速度信号节点C^k的先验概率分布P_f(C^k)，轮毂电机运行状态节点S^k的先验概率分布P_f(S^k)，轮毂电机运行状态S中包含4种运行状态{S₁,S₂,S₃,S₄}，则先验概率P_f(S^k)具体包括4个分别为P_f(S₁ ^k)，P_f(S₂ ^k)，P_f(S₃ ^k)，P_f(S₄ ^k)，加速度信号类型节点C^k与轮毂电机运行状态节点S^k的条件概率分布P(C^k|S^k)，轮毂电机运行状态S中包含4种运行状态{S₁,S₂,S₃,S₄}，则条件概率分布P(C^k|S^k)具体包含4个分别为P(C^k|S₁ ^k)，P(C^k|S₂ ^k)，P(C^k|S₃ ^k)，P(C^k|S₄ ^k)。同时利用新数据集将二时间片段之间状态转移概率进行更新(计算方法与第一阶段步骤五相同)，得到全新的P(S^k-1|S^k)。

步骤三：识别模型云训练中心在参数完成训练和更新后，删除该月的行车数据训练集。并在下一月月初的零点将步骤二中更新的参数下传至集成状态识别模型的ECU中，并设置成ECU中状态识别模型的全新动态贝叶斯网络参数。特别的，更新的参数包括单个时间片段内的贝叶斯网络各节点的全新条件概率分布以及二时间片段之间的状态转移概率。

步骤四：识别模型云训练中心继续接受并储存行车数据，重复步骤一至步骤三。

Claims (6)

1.一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是包括以下步骤：

A、收集不同情况下的轮毂电机运行状态信息，计算每个时间片段内轮毂电机垂向加速度信号的高敏感特征参数，根据轮毂电机运行状态信息和高敏感特征参数建立单个时间片段内的初始数据训练集和单个时间片段内的贝叶斯网络模型，获得各网络节点的条件概率分布以及二时间片段之间的状态转移概率分布，将所述的条件概率分布和所述的状态转移概率分布设为动态贝叶斯网络参数，建立基于动态贝叶斯网络的单个轮毂电机运行状态识别模型；

B、采集当前时间片段中轮毂电机轴承处的垂向加速度信号、汽车质心处的垂向加速度信号、乘员载荷信息和车速信息，得到加速度信号的高敏感特征参数、路面等级、载荷等级和车速等级，将高敏感特征参数、路面等级、载荷等级、车速等级作为所述的单个轮毂电机运行状态识别模型的输入，对当前时间片段内的轮毂电机运行状态在线识别，得到当前时间片段内的轮毂电机运行状态识别结果并将高敏感特征参数，路面等级，载荷等级，车速等级以及时间片段内的轮毂电机运行状态识别结果上传至识别模型云训练中心；

C、识别模型云训练中心将接收到的信息添加进行车数据训练集合，在每月最后一天行车结束后，识别模型云训练中心将所述的初始数据训练集与所述的行车数据训练集合并成新数据训练集，对单个时间片段内的贝叶斯网络进行参数学习，得到各网络节点全新的条件概率分布，利用新数据集将二时间片段之间状态转移概率分布进行更新。

2.根据权利要求1所述的一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是：步骤C中，识别模型云训练中心在完成更新后，删除该月的行车数据训练集合并在下一月月初的零点将更新的参数下传至集成状态识别模型的ECU中，设置成为识别模型中全新的动态贝叶斯网络参数。

3.根据权利要求1所述的一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是：步骤A中，轮毂电机运行状态信息包括每个时间片段内的乘员载荷信息、路面等级信息、车速等级信息和轮毂电机垂向加速度信号，以2s为一个时间片段。

4.根据权利要求3所述的一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是：步骤A中，所述的贝叶斯网络模型是将轮毂电机运行状态节点、加速度信号类型节点作为隐藏节点，乘员载荷节点、路面等级节点、车速等级节点、高敏感特征参数节点作为可观测节点，基于所述的初始数据训练集进行参数学习，获得各网络节点的条件概率分布。

5.根据权利要求1所述的一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是：步骤B中，采集当前时间片段中轮毂电机轴承处的垂向加速度信号和汽车质心处的垂向加速度信号的采样时长为2s、采样频率100kHz；根据汽车质心处的垂向加速度信号计算得到当前时间片段k对应的路面等级，根据乘员载荷信号得到当前时间片段对应的载荷等级，根据车速信息得到当前时间片段对应的车速等级。

6.根据权利要求4所述的一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法，其特征是：步骤C中，所述的各网络节点全新的条件概率分布包括包括乘员载荷节点和加速度信号类型节点的条件概率分布、路面等级节点和加速度信号类型节点的条件概率分布、车速等级节点和加速度信号类型节点的条件概率分布、高敏感特征参数节点与加速度信号类型节点条件概率分布、高敏感特征参数节点与加速度信号类型节点条件概率分布、高敏感特征参数节点与加速度信号类型节点条件概率分布、高敏感特征参数节点与加速度信号类型节点条件概率分布、加速度信号节点的先验概率分布、轮毂电机运行状态节点的先验概率分布。