覃卓庚

摘要：為了改善電動汽車驅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。測試結果顯示，本系統(tǒng)在電機故障診斷精準度為99.8%，響應時間控制在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.

關鍵詞：模糊故障診斷;遺傳算法;電動汽車驅動電機

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動，電機驅動控制器的開發(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，是當前新能源電動汽車發(fā)展的關鍵[2]。當前提出的一些數(shù)學模型故障診斷方法精準度存在較大提升空間，神經(jīng)網(wǎng)絡故障診斷結構較為復雜，診斷效率較低[3]。本文在以往研究基礎上，引入遺傳算法，與模糊邏輯診斷方法結合，提出一種新的診斷方法，并將其應用至電機故障診斷當中，設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)學模型與神經(jīng)網(wǎng)絡診斷方法? 數(shù)學模型診斷方法在電機故障診斷中應用較多，根據(jù)電機作業(yè)原理及相關參數(shù)，構建數(shù)學模型。通過測量電機作業(yè)參數(shù)數(shù)據(jù)，對電機當前作業(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)學診斷模型需要與算法共同應用。

目前，神經(jīng)網(wǎng)絡算法與數(shù)學診斷模型的共同應用較多。利用該算法對故障類別進行劃分，判斷當前診斷對象發(fā)生的故障情況。一般情況下，算法應用期間需要經(jīng)過多次學習，最終確定系統(tǒng)結構，這個學習的過程就是訓練。該診斷方法在電動汽車驅動電機故障診斷中的應用，以測量數(shù)據(jù)作為電機故障診斷支撐，帶入神經(jīng)網(wǎng)絡模型中，對故障做出診斷。依據(jù)神經(jīng)網(wǎng)絡算法作業(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果。如圖1所示為模糊邏輯故障診斷框架結構。

該診斷結構通過檢測電動汽車電機與控制器（驅動裝置）作業(yè)狀態(tài)，獲取相關參數(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)，給出模糊推斷結論，從輸出端輸出結果，采用解模糊化處理手段，生成可視化故障診斷結果。該方法模糊推理是診斷方法的關鍵，當前提出的一些模糊推理結構較為復雜，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和自然選擇原理基礎上，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用至故障診斷中，對電動汽車驅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構。

該診斷方法將遺傳算法應用神經(jīng)網(wǎng)絡中，經(jīng)過一番訓練處理后，與專家診斷結果結合，對當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? 電動汽車驅動電機故障診斷專家系統(tǒng)功能設計

本研究利用優(yōu)化后的故障診斷模型，構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，獲取相關診斷信息。該系統(tǒng)各個接口連接的內(nèi)部結構設計，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知識，并且歸納了一些狀況下的故障類別和相應處理方法。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)故障診斷結果，調用系統(tǒng)知識庫，從中查詢當前故障的處理方法。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? 電動汽車驅動電機故障診斷專家系統(tǒng)詳細設計

3.1 系統(tǒng)硬件框架結構設計? 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)檢測傳感器進行驅動，從而采集相關數(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)硬件框架結構。

該結構中，利用傳感器采集測量信號，包括電流、溫度、轉速、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，在顯示屏中展示結果。

3.2 系統(tǒng)故障診斷專家系統(tǒng)流程設計? 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、“系統(tǒng)維護”服務。其次，根據(jù)操作需求，選擇相應功能的主表單。最后，錄入相關信息數(shù)據(jù)，等待電機故障診斷結果的輸出。

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構信息、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? 該項功能的設置是為了給予系統(tǒng)正常運行保障，當系統(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，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)學基礎上，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，本研究在傳統(tǒng)產(chǎn)生式規(guī)則基礎上，對其采取模糊化處理。假設規(guī)則激活閾值為？姿，取值范圍（0，1），對應的可信度記為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，對電機當前作業(yè)狀態(tài)進行診斷，并輸出診斷結果。

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)學理論和遺傳算法的應用，將這兩種技術融合到一起，建立系統(tǒng)數(shù)據(jù)庫。通過模糊學習，合理設置故障產(chǎn)生原因隸屬度，根據(jù)系統(tǒng)作業(yè)狀態(tài)，實時修改學習體系，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)庫加強表之間關系的創(chuàng)建，簡化了表關系結構體系，以此提高數(shù)據(jù)庫信息調用速度，支持故障診斷條件自動篩選，即根據(jù)當前電機故障診斷需求，自動匹配相關數(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。如果計算結果超出閾值范圍，則認為當前電機作業(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，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系，建立數(shù)據(jù)庫表關聯(lián)關系，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)與設置的正常范圍，判斷當前電機作業(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)診斷響應時間在300us左右。如表1所示為系統(tǒng)測試結果。

表1中測試結果顯示，本系統(tǒng)能夠根據(jù)設定的標準范圍，在不同模擬環(huán)境中，準確判斷電機當前作業(yè)狀態(tài)。本次測試中設置的4項測試指標中，當其中某一項指標數(shù)據(jù)發(fā)生異常時，系統(tǒng)都會自動顯示故障診斷結果，并將結果發(fā)送至用戶計算機。與以往設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。測試結果顯示，僅有2次診斷結果出現(xiàn)了偏差，問題出現(xiàn)在轉速數(shù)據(jù)上，導致模擬診斷結果錯誤。所以，該系統(tǒng)當前的診斷精準度為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)過多次調試，使得診斷系統(tǒng)得以不斷完善。

5? 總結

本文針對電動汽車驅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動系統(tǒng)單相斷相故障診斷方法[J].中國電機工程學報，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].電工技術學報，2020，35（1）：220-227.