覃卓庚

摘要：為了改善電動汽車驅(qū)動電機故障診斷效率和診斷精準度，本文選擇遺傳算法和模糊故障診斷方法作為研究工具，設(shè)計一套新型電機故障診斷專家系統(tǒng)。該系統(tǒng)利用傳感器采集電機作業(yè)狀態(tài)數(shù)據(jù)，經(jīng)過模糊處理，按照模糊規(guī)則，調(diào)動知識庫和數(shù)據(jù)庫，對電機作業(yè)狀態(tài)進行診斷。測試結(jié)果顯示，本系統(tǒng)在電機故障診斷精準度為99.8%，響應(yīng)時間控制在200？滋s以內(nèi)，較傳統(tǒng)系統(tǒng)性能有了很大改善。

Abstract： In order to improve the efficiency and accuracy of fault diagnosis of electric vehicle drive motors， this paper selects genetic algorithms and fuzzy fault diagnosis methods as research tools to design a new set of motor fault diagnosis expert systems. The system uses sensors to collect motor operating status data， and after fuzzy processing， according to fuzzy rules， the knowledge base and database are mobilized to diagnose the motor operating status. The test results show that the accuracy of the system's motor fault diagnosis is 99.8%， and the response time is controlled within 200， which has greatly improved the performance of the traditional system.

關(guān)鍵詞：模糊故障診斷;遺傳算法;電動汽車驅(qū)動電機

Key words： fuzzy fault diagnosis;genetic algorithm;electric vehicle drive motor

中圖分類號：TM307? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ?文章編號：1674-957X（2021）17-0202-03

0? 引言

電動汽車作為新時代推出的環(huán)保類汽車，其電機運行期間不會對環(huán)境造成影響，目前已經(jīng)在我國南部地區(qū)大范圍推廣，逐漸擴展至北部[1]。該類型汽車電機采用新能源驅(qū)動，電機驅(qū)動控制器的開發(fā)尚不成熟，電機作業(yè)期間可能發(fā)生故障，如何快速診斷故障并加以修復(fù)，是當(dāng)前新能源電動汽車發(fā)展的關(guān)鍵[2]。當(dāng)前提出的一些數(shù)學(xué)模型故障診斷方法精準度存在較大提升空間，神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)構(gòu)較為復(fù)雜，診斷效率較低[3]。本文在以往研究基礎(chǔ)上，引入遺傳算法，與模糊邏輯診斷方法結(jié)合，提出一種新的診斷方法，并將其應(yīng)用至電機故障診斷當(dāng)中，設(shè)計一套故障診斷專家系統(tǒng)。

1? 模糊故障診斷方法

1.1 數(shù)學(xué)模型與神經(jīng)網(wǎng)絡(luò)診斷方法? 數(shù)學(xué)模型診斷方法在電機故障診斷中應(yīng)用較多，根據(jù)電機作業(yè)原理及相關(guān)參數(shù)，構(gòu)建數(shù)學(xué)模型。通過測量電機作業(yè)參數(shù)數(shù)據(jù)，對電機當(dāng)前作業(yè)狀態(tài)進行診斷，判斷是否發(fā)生故障。這種方法能夠判斷即將發(fā)生的故障或者已經(jīng)產(chǎn)生的故障。其中，數(shù)學(xué)模型的精準度取決于參數(shù)數(shù)據(jù)精度、故障診斷方案。所以，數(shù)學(xué)診斷模型需要與算法共同應(yīng)用。

目前，神經(jīng)網(wǎng)絡(luò)算法與數(shù)學(xué)診斷模型的共同應(yīng)用較多。利用該算法對故障類別進行劃分，判斷當(dāng)前診斷對象發(fā)生的故障情況。一般情況下，算法應(yīng)用期間需要經(jīng)過多次學(xué)習(xí)，最終確定系統(tǒng)結(jié)構(gòu)，這個學(xué)習(xí)的過程就是訓(xùn)練。該診斷方法在電動汽車驅(qū)動電機故障診斷中的應(yīng)用，以測量數(shù)據(jù)作為電機故障診斷支撐，帶入神經(jīng)網(wǎng)絡(luò)模型中，對故障做出診斷。依據(jù)神經(jīng)網(wǎng)絡(luò)算法作業(yè)原理可知，該算法對測量數(shù)據(jù)精準度要求較高，如果測量數(shù)據(jù)中摻雜了1個或者多個偏差較大的數(shù)據(jù)，則會出現(xiàn)故障診斷精準度下降現(xiàn)象。

1.2 模糊邏輯故障診斷方法? 對于神經(jīng)網(wǎng)絡(luò)算法存在的測量數(shù)據(jù)偏差影響問題，模糊邏輯故障診斷方法對此進行了完善，對測量數(shù)據(jù)進行了處理。其中，處理工具為模糊化單元，按照底層模糊規(guī)則，采取模糊推理，得到更為精準的診斷結(jié)果。如圖1所示為模糊邏輯故障診斷框架結(jié)構(gòu)。

該診斷結(jié)構(gòu)通過檢測電動汽車電機與控制器（驅(qū)動裝置）作業(yè)狀態(tài)，獲取相關(guān)參數(shù)數(shù)據(jù)，對于這些數(shù)據(jù)采取模糊化單元處理，得到多個單元模塊，從模糊入口輸入數(shù)據(jù)。以底層模糊規(guī)則作為推斷依據(jù)，給出模糊推斷結(jié)論，從輸出端輸出結(jié)果，采用解模糊化處理手段，生成可視化故障診斷結(jié)果。該方法模糊推理是診斷方法的關(guān)鍵，當(dāng)前提出的一些模糊推理結(jié)構(gòu)較為復(fù)雜，并且遍歷路徑較多，存在偏離最佳路徑情況，仍需進一步完善。

1.3 模糊邏輯故障診斷方法的優(yōu)化? 本研究在模糊邏輯故障診斷方法基礎(chǔ)上，引入遺傳算法，對該診斷方法進行優(yōu)化。該優(yōu)化方案建立在遺傳學(xué)和自然選擇原理基礎(chǔ)上，通過多次遍歷尋找最優(yōu)路徑，與其它路徑選擇方法相比，這種算法更為精準，能夠掌控全局信息，加快了遍歷效率。本研究將遺傳算法應(yīng)用至故障診斷中，對電動汽車驅(qū)動電機故障進行診斷。如圖2所示為優(yōu)化后的故障診斷方法框架結(jié)構(gòu)。

該診斷方法將遺傳算法應(yīng)用神經(jīng)網(wǎng)絡(luò)中，經(jīng)過一番訓(xùn)練處理后，與專家診斷結(jié)果結(jié)合，對當(dāng)前故障進行綜合診斷，以此提高電機故障診斷精準度。其中，算法診斷速度在DSP作用下，響應(yīng)時間大大縮短，能夠控制在300？滋s。從理論層面分析，該診斷方法針對單故障信號和雙故障信號的診斷精準度可達98%、66%。

2? 電動汽車驅(qū)動電機故障診斷專家系統(tǒng)功能設(shè)計

本研究利用優(yōu)化后的故障診斷模型，構(gòu)建一套新型電機故障診斷專家系統(tǒng)。該系統(tǒng)包含4個接口，分別是狀態(tài)信息輸入接口、數(shù)據(jù)通信接口、人機接口、診斷輸出接口。系統(tǒng)所有數(shù)據(jù)從通信接口輸入，作為系統(tǒng)診斷狀態(tài)信息，從“輸入接口”輸入，在診斷輸出接口生成診斷結(jié)果。人機接口用來建立系統(tǒng)與操作人員的交互，通過觀察操作界面，獲取相關(guān)診斷信息。該系統(tǒng)各個接口連接的內(nèi)部結(jié)構(gòu)設(shè)計，主要包括數(shù)據(jù)庫、知識庫、推理機、故障處理、知識獲取6個模塊。①數(shù)據(jù)庫：該模塊作為系統(tǒng)信息存儲工具，主要用來存儲電機作業(yè)相關(guān)數(shù)據(jù)。其中，獲取數(shù)據(jù)來自電機傳感器。②知識庫：該模塊作為故障診斷參考工具，用來存儲故障診斷相關(guān)知識，并且歸納了一些狀況下的故障類別和相應(yīng)處理方法。③推理機：該模塊作為故障診斷工具，根據(jù)知識庫中的故障判斷依據(jù)，對數(shù)據(jù)庫存儲的數(shù)據(jù)進行推理分析，推斷電機當(dāng)前作業(yè)是否發(fā)生故障，并判斷故障類別。④故障處理：根據(jù)故障診斷結(jié)果，調(diào)用系統(tǒng)知識庫，從中查詢當(dāng)前故障的處理方法。如果知識庫中不存在此狀況故障，則需要技術(shù)人員探討決策。⑤人機接口：該模塊是建立工作人員和系統(tǒng)交互的工具，通過此接口便可以獲取故障數(shù)據(jù)/下發(fā)控制命令。⑥知識獲?。涸撃K是對知識庫的完善與更新，利用“查詢”和“檢索”功能，獲取電機故障診斷知識，對當(dāng)前知識庫中的診斷知識采取刪除、修改、添加等操作，獲取更為全面的判斷依據(jù)。

3? 電動汽車驅(qū)動電機故障診斷專家系統(tǒng)詳細設(shè)計

3.1 系統(tǒng)硬件框架結(jié)構(gòu)設(shè)計? 本系統(tǒng)選取PC104主板作為核心控制器，對電機作業(yè)狀態(tài)檢測傳感器進行驅(qū)動，從而采集相關(guān)數(shù)據(jù)，通過總線連接，建立測試口與現(xiàn)場電機通信連接。如圖3所示為系統(tǒng)硬件框架結(jié)構(gòu)。

該結(jié)構(gòu)中，利用傳感器采集測量信號，包括電流、溫度、轉(zhuǎn)速、電壓等信號，將這些信號通過總線傳輸至PC104主板，而后通過人機接口上傳至管理人員計算機，在顯示屏中展示結(jié)果。

3.2 系統(tǒng)故障診斷專家系統(tǒng)流程設(shè)計? 本系統(tǒng)軟件在Keil環(huán)境下編譯程序，根據(jù)電機故障診斷需求，編譯系統(tǒng)程序。軟件作業(yè)流程作為系統(tǒng)軟件開發(fā)的核心，需要建立在電機故障診斷功能開發(fā)需求詳細設(shè)計。如圖4所示為系統(tǒng)軟件故障診斷作業(yè)流程。

首先，運行系統(tǒng)主程序，登錄表單，進入系統(tǒng)主界面。而后按照操作功能部分，為用戶提供“故障診斷”服務(wù)、“系統(tǒng)維護”服務(wù)。其次，根據(jù)操作需求，選擇相應(yīng)功能的主表單。最后，錄入相關(guān)信息數(shù)據(jù)，等待電機故障診斷結(jié)果的輸出。

3.2.1 故障診斷主表單運行流程? 該表單功能主要包括3項，分別是故障診斷功能、數(shù)據(jù)錄入功能、數(shù)據(jù)查詢功能。其中，數(shù)據(jù)診斷功能，根據(jù)錄入的信息數(shù)據(jù)進行判斷，涉及到的信息類型包括結(jié)構(gòu)信息、現(xiàn)象信息、電氣信息、事例信息、原因信息。數(shù)據(jù)查詢功能，支持設(shè)計參數(shù)、事例信息、標準信息3項操作。

3.2.2 系統(tǒng)維護主表單運行流程? 該項功能的設(shè)置是為了給予系統(tǒng)正常運行保障，當(dāng)系統(tǒng)運行發(fā)生異常時，立即開啟系統(tǒng)維護功能，使得系統(tǒng)故障診斷系統(tǒng)得以恢復(fù)，再次進入正常作業(yè)狀態(tài)。另外，該項功能模塊還支持系統(tǒng)信息和用戶信息操控，包括修改、更新、添加等。為了支持故障診斷功能，該表單模塊還支持知識庫功能，根據(jù)最新提供的信息，更新知識庫內(nèi)容，為系統(tǒng)維護、系統(tǒng)故障診斷提供更為全面時效性更強的信息。故障修復(fù)作為表單模塊核心功能，根據(jù)知識庫信息進行處理。

3.2.3 系統(tǒng)知識表示? 本系統(tǒng)知識表示方法建立在模糊數(shù)學(xué)基礎(chǔ)上，按照產(chǎn)生原則，以啟發(fā)式知識作為表達手法，通過分析數(shù)據(jù)可靠性，計算可信度因子，綜合各項因子數(shù)據(jù)，完成模糊推理。其中，模糊產(chǎn)生原則是模糊推理的基礎(chǔ)，本研究在傳統(tǒng)產(chǎn)生式規(guī)則基礎(chǔ)上，對其采取模糊化處理。假設(shè)規(guī)則激活閾值為？姿，取值范圍（0，1），對應(yīng)的可信度記為CF，取值范圍（0，1）。以下為模糊規(guī)則及知識表達：

按照上述運行程序中的規(guī)則，對電機當(dāng)前作業(yè)狀態(tài)進行診斷，并輸出診斷結(jié)果。

3.2.4 系統(tǒng)模糊數(shù)據(jù)庫

考慮到系統(tǒng)采集到的數(shù)據(jù)可能存在偏差，并且涉及到的信息類別較多，為了提高診斷效率和診斷精準度，本文提出了模糊數(shù)學(xué)理論和遺傳算法的應(yīng)用，將這兩種技術(shù)融合到一起，建立系統(tǒng)數(shù)據(jù)庫。通過模糊學(xué)習(xí)，合理設(shè)置故障產(chǎn)生原因隸屬度，根據(jù)系統(tǒng)作業(yè)狀態(tài)，實時修改學(xué)習(xí)體系，打造智能診斷專家系統(tǒng)。為了充分發(fā)揮智能化診斷作用，本系統(tǒng)數(shù)據(jù)庫加強表之間關(guān)系的創(chuàng)建，簡化了表關(guān)系結(jié)構(gòu)體系，以此提高數(shù)據(jù)庫信息調(diào)用速度，支持故障診斷條件自動篩選，即根據(jù)當(dāng)前電機故障診斷需求，自動匹配相關(guān)數(shù)據(jù)，默認實時數(shù)據(jù)。如果操作人員有歷史數(shù)據(jù)查詢需求，可以在查詢欄中輸入數(shù)據(jù)時間，完成針對某一具體時間的故障診斷。

3.2.5 系統(tǒng)推理機

系統(tǒng)推理機是故障診斷結(jié)果生成的重要環(huán)節(jié)，以知識庫作為主要推理依據(jù)，同時運行模糊數(shù)據(jù)庫，獲取當(dāng)前或者某一時段下電機作業(yè)狀態(tài)信息，打造綜合數(shù)據(jù)庫，通過建立此數(shù)據(jù)庫與工作人員操作計算機的通訊連接，從而完成故障推理。

故障推理期間，采用匹配處理方法，從綜合數(shù)據(jù)庫中找到與電機當(dāng)前作業(yè)狀態(tài)匹配的故障類別。其中，涉及到的運算為模糊集合運算，采用此運算方法計算產(chǎn)生故障原因隸屬度數(shù)值。如果計算結(jié)果超出閾值范圍，則認為當(dāng)前電機作業(yè)發(fā)生故障，系統(tǒng)將自動向用戶計算機發(fā)送此條消息。如果未超出閾值范圍，則等待下一組數(shù)據(jù)診斷，用戶在計算機操作界面不會查閱到異常信息。為了給予故障維修便利條件，本系統(tǒng)增加了故障維修建議提供服務(wù)，在推理機作業(yè)期間，如果檢測到電機作業(yè)發(fā)生異常，自動生成與之匹配的維修建議。此項功能的開發(fā)，使用的是知識庫，在知識庫中設(shè)立電機故障原因分析數(shù)據(jù)文件夾，同時創(chuàng)建故障維修方案文件夾，根據(jù)原因與維修方案之間的關(guān)系，建立數(shù)據(jù)庫表關(guān)聯(lián)關(guān)系，從而實現(xiàn)智能化診斷與維修建議發(fā)送。

4? 系統(tǒng)測試分析

本研究利用模擬軟件，建立電動汽車驅(qū)動電機作業(yè)故障診斷模擬環(huán)境，在此環(huán)境下通過測試汽車駕駛期間電機作業(yè)電壓、電流、轉(zhuǎn)速、溫度4項指標數(shù)據(jù)。對比系統(tǒng)模擬測試數(shù)據(jù)與設(shè)置的正常范圍，判斷當(dāng)前電機作業(yè)是否發(fā)生故障。另外，本次測試還記錄了每一次故障診斷耗用的時間，與傳統(tǒng)診斷系統(tǒng)作業(yè)效率進行對比。目前，大部分診斷系統(tǒng)診斷響應(yīng)時間在300us左右。如表1所示為系統(tǒng)測試結(jié)果。

表1中測試結(jié)果顯示，本系統(tǒng)能夠根據(jù)設(shè)定的標準范圍，在不同模擬環(huán)境中，準確判斷電機當(dāng)前作業(yè)狀態(tài)。本次測試中設(shè)置的4項測試指標中，當(dāng)其中某一項指標數(shù)據(jù)發(fā)生異常時，系統(tǒng)都會自動顯示故障診斷結(jié)果，并將結(jié)果發(fā)送至用戶計算機。與以往設(shè)計的電機故障診斷系統(tǒng)相比，本系統(tǒng)作業(yè)效率也有很大改善。4次測試中，故障診斷時間均在200us以內(nèi)，大約縮短了100us。

為了檢測系統(tǒng)故障診斷精準度，本次測試于2021年6月開展了1000次模擬測試工作。測試結(jié)果顯示，僅有2次診斷結(jié)果出現(xiàn)了偏差，問題出現(xiàn)在轉(zhuǎn)速數(shù)據(jù)上，導(dǎo)致模擬診斷結(jié)果錯誤。所以，該系統(tǒng)當(dāng)前的診斷精準度為99.8%，較傳統(tǒng)診斷系統(tǒng)有了較為顯著的改善。

因此，本文設(shè)計的電機故障診斷系統(tǒng)在診斷精準度和作業(yè)效率兩個方面均有所改善，可以作為電動汽車驅(qū)動電機診斷控制系統(tǒng)開發(fā)參考依據(jù)。目前，該系統(tǒng)的研發(fā)處于模擬測試階段，需要在接下來的研究中投入使用，將其運用至產(chǎn)品開發(fā)中，經(jīng)過多次調(diào)試，使得診斷系統(tǒng)得以不斷完善。

5? 總結(jié)

本文針對電動汽車驅(qū)動電機故障診斷問題展開探究，通過分析以往故障診斷系統(tǒng)開發(fā)方案的不足，引入遺傳算法和模糊故障診斷方法，提出一種新的電機故障診斷專家系統(tǒng)設(shè)計方案研究。該系統(tǒng)選取PC104主板作為核心控制器，采用總線通信技術(shù)建立電機作業(yè)現(xiàn)場和指揮工作室之間的通訊連接。測試結(jié)果顯示，本系統(tǒng)能夠較為明顯地改善系統(tǒng)的電機故障診斷精準度和診斷效率，可以作為電動汽車驅(qū)動電機故障診斷工具。

參考文獻：

[1]陳奇，汪金成.基于模型的汽車電動助力轉(zhuǎn)向系統(tǒng)故障診斷[J].汽車工程，2019，41（7）：839-850.

[2]王慶豐，吳俊勇，劉自程.一種基于諧波平面檢測的五相電機驅(qū)動系統(tǒng)單相斷相故障診斷方法[J].中國電機工程學(xué)報，2019（2）：105-114，327.

[3]張超，杜博超，崔淑梅，等.一種為實現(xiàn)電動汽車薄膜母線電容準在線故障診斷的容值辨識方法[J].電工技術(shù)學(xué)報，2020，35（1）：220-227.