基于經驗模態和神經網絡的純電動汽車集中式電驅系統振動信號分析與故障預測

方曉汾

（衢州職業技術學院，浙江 衢州324000）

0 引 言

在純電動汽車中，電驅系統包括驅動電動機、電動機控制器、動力輸出部件等，是整車的關鍵部件。電驅系統在各工況下的可靠性直接影響整車的動力性、安全性。相比傳統的內燃機動力系統，電驅系統結構具有體積小、機電耦合程度高、集成程度高等特點，從而導致該部件不易維修等問題。

針對機電系統中滑動軸承潤滑狀態中的不同頻帶的能量分布進行分析，通過經驗模態分解（Empirical Mode Decomposition，EMD）將滑動軸承非平穩聲發射信號分解為有限個平穩的本征模態函數(IMF),選取包含主要故障信息的前10階IMF分量計算能量比例, 對軸承故障進行分類[1]，該方法應用于汽輪機轉子故障診斷中，能較好地進行汽輪機轉子不平衡、轉子碰摩和轉子油膜等振動信號的分析[2]，但僅應用經驗模態分解(EMD)不僅存在信號單一、系統簡單等局限性，而且仍然處于故障診斷中的被動診斷，較難發現復雜機電系統中潛在的安全隱患和故障預警。因此，研究在純電動汽車電驅系統這類耦合程度高、產生信號干涉多、安全可靠性要求高的復雜機電系統，具有重要的研究意義。

針對復雜程度高、耦合度高的復雜系統的振動問題，一般來說，建立振動系統的動力學模型，分析干擾耦合的產生原因[3]，不僅計算量大、數學模型復雜，而且處理效率不高。針對復雜的非線性、非平穩信號，雷亞國等[4]應用Hilbert-Huang方法分析機械故障診斷中的非線性信號處理，分析分量中的故障敏感信息，借助計算能力的提升，應用大數據驅動下保障裝備安全運行，依靠充足的可用監測數據訓練智能診斷模型進行智能診斷，進而準確識別裝備的健康狀態[5-7]。

國家電網將壓電式加速度傳感器安裝在開關操動機構主軸附近，通過數據采集卡和波形顯示存儲平臺采集配電開關不同機械狀態下分、合閘時刻的振動信號；然后進行EMD時頻分解，得到有限個不同頻率、不等帶寬的固有模態分量和殘差分量；計算不同機械狀態下振動信號各階IMF的樣本熵，以樣本熵矩陣作為FCM的輸入，通過模糊聚類方法診斷出配電開關的機械狀態[8]。

本文基于經驗模態分析方法對純電動汽車電驅動系統進行分析，將集中式電驅動系統中的各類組件進行拆解，根據相互干涉關系確定信號采集來源，應用經驗模態算法生成IMF分量，再將IMF分量輸入神經網絡進行訓練，輸出系統可能存在的安全隱患和故障預測。

1 電驅系統結構

純電動汽車驅動系統主要包括箱體、驅動電動機、傳動系統、功率變換器及控制器等五大部分，驅動電動機作為動力輸出源，是影響動力性能的核心部件。驅動電動機主要的類型包括永磁同步電動機、開關磁阻電動機、直流電動機及交流異步電動機等。綜合考慮到體積、質量、效率、控制等影響因素，純電動汽車主要采用永磁同步電動機，例如大眾e-Lavida、豐田Prius、北汽EV/EU系列、吉利EV系列等。

純電動汽車電驅動系統根據布置形式的不同，可以分為集中式驅動、分布式驅動兩大類，由于集中式驅動控制簡單、布置方式易于實現、成本低等優點，在目前純電動汽車中占有最大比例。

在純電動汽車集中式驅動系統中，包括驅動電動機、電動機控制器、變速器、差速器及半軸。驅動電動機結構包括電動機殼體、定子部件、轉子部件等，電動機控制器包括各類控制模塊、I/O接口、連接組件及箱體。傳動系統一般為固定速比的變速器，包括輸入軸、輸出軸、齒輪系及殼體。差速器包括輸入軸、輸出軸、錐齒輪組及殼體，驅動電動機輸入的轉矩傳動至2根或4根驅動半軸。

純電動汽車電驅動系統在靜止啟動、加速、勻速、減速、制動等不同工況運行過程中，其振動信號通常包含了系統運行的諸多信息，特別是系統運行中潛在的故障隱患。將純電動汽車電驅動系統中各個組件設置為：A 為驅動電動機，B為變速箱，C為差速器，D為驅動半軸，兩者之間存在干涉定義為t，表1為電驅動系統中各組件干涉關系，例如AB之間存在剛性的機械連接，tab表示AB之間的振動干涉，然而A本身產生的振動表示為taa。

圖1 純電動汽車電驅動系統示意圖

圖2 純電動汽車電驅動系統三維結構圖

在集中式電驅動系統中，由于各組件的安裝緊湊，雖然輸入輸出組件沒有機械耦合，但往往殼體箱體存在振動干涉，在分析振動信號的干涉時，忽略干涉方向性，即tab=tba，所以該表格為對稱的；雖然驅動電動機A與差速器C、驅動半軸D沒有直接的機械耦合，但其殼體之間相連，仍然存在較強的振動干涉。

純電動汽車電驅動系統屬于一個復雜的機電系統，

表1 電驅動系統中各組件干涉關系

2 Hilbert-Huang變換的經驗模態分解

Hilbert-Huang變換在處理非線性、非平穩信號具有大的優勢，經驗模態分解（EMD）是Hilbert-Huang變換重要組成部分。如圖3所示。將采集到的原始信號分解為若干個固有的內稟模式函數（Intrinsic Mode Function，IMF），能夠將任意的復雜信號分解為一系列分量，能夠快速地篩分出復雜信號中的從高到低不同頻率段的特征成分。運用EMD分解內稟模式函數IMF的算法流程包括：

圖3 經驗模態分解算法流程圖

Step1：將x(t)賦值給r，取原始信號x(t)局部極大值點，將極大值點依次連接形成上包絡線E1(t)；同 理，取 原 始 信號x(t)局部極小值點，將極小值點依次連接形成下包絡線E2(t)。

Step2：計算上下包絡線的平均值m(t)，m(t)=[E1(t)+E2(t)]/2，然后求出原始信號x(t)與平均值m(t)的差，h=x(t)- m(t)，且判斷h是否滿足IMF的條件，若滿足則算法生成第一個IMF分量h；若不滿足IMF的條件，則將h重新賦值給x(t)，進入Step1進行計算。

Step3：將h賦值給c(n)，將r即x(t)中分離出h的IMF分量后，n=n+1，r=r-c(n)，判斷r是否滿足終止條件，若不滿足，將r重新賦值給x(t)，進行Step1計算；若r滿足終止條件，則算法終止。

判斷h是否滿足IMF條件需要同時滿足：1) 信號的極值點數目與經過零點數目相等或最多相差一個；2) 由局部極大值構成的上包絡線和由局部最小值構成的下包絡線的平均值為0。

終止條件：r值成為一個單調信號或值小于預先設定的閾值。

假設原始信號被分解為n個IMF分量c1,c2,…,cn，余項r=rn，那么原始信號等同于n個IMF分量的疊加與余項rn之和：

式中：k=1…n。

3 卷積神經網絡模型

卷積神經網絡（Convolutional Neural Networks，CNN）是包含卷積計算且具有深度結構的神經網絡，目前卷積神經網絡在圖像識別、語音識別等領域都有應用，比較常見 的 算 法 包 括LeNet、AlexNet、VGG、NIN、GooLeNet、GoogLeNet、ResNet等，在智能故障診斷中應用ResNet等算法[9-10]進行機電系統故障診斷。

人工神經網絡拓撲結構如圖4所示，它能夠學習大量的輸入-輸出之間的映射關系來達到訓練目的，其步驟包括：

圖4 人工神經網絡模型

Step1: 從樣本集合中選取某一個樣本Xi作為輸入進入神經網絡，計算相應的實際輸出Yi；

Step2:計算理想輸出Oi與實際輸出Yi的差值μ，再按極小化差值的方法反向傳播調整權矩陣。

卷積神經網絡一般包括卷積層、pooling 層、全連 接 層，LeNet 包括輸入層、卷積層、降采樣層、全連接層、輸出層，如圖5所示。

圖5 LeNet的CNN結構

4 振動信號分析與故障預測

驅動電動機是純電動汽車電驅動系統的重要組成部件，同時也是純電動汽車電驅動系統出故障的最常見部位。

美國電力研究院EPRI報告數據顯示，電動機的故障53%來源于機械原因，引起故障的外在原因包括過載、潮濕、潤滑不良、化學污染和粉塵顆粒、單相運行、軸承失效、絕緣老化等。傳統的檢測方法包括靜態電氣測試、動態電氣測試、動態機械測試。然而對于純電動汽車的電驅動系統來說，靜態電氣測試、動態電氣測試、動態機械測試通常也是處于出現故障后的被動的測試，但是在電驅動系統出現故障的前提下，重新通電進行測試是很危險的。

4.1 采集振動信號

將純電動汽車集中式電驅動系統結構中采集振動信號的采集點設置為Xn，如圖6所示。

圖6 電驅系統結構中采集振動信號

1）在純電動汽車從0～60 km/h加速運行工況下，采集振動信號13組樣本Xn，每個樣本至少包括1024個點，將Xn產生振動信號采用EMD分解為m個IMF分量集合Ai。

2）在純電動汽車從80～100 km/h之間勻速運行工況下，采集13組振動信號樣本Xn，每個樣本至少包括1024個點，將Xn產生振動信號采用EMD分解為m個IMF分量集合Bj。

3）在純電動汽車從60～0 km/h緊急制動運行工況下，采集13組振動信號樣本Xn，每個樣本至少包括1024個點，將Xn產生振動信號采用EMD分解為m個IMF分量集合Ck。

4.2 訓練神經網絡

構建智能故障診斷的卷積神經網絡模型，通過TensorFlow搭建神經網絡輸入/輸出層。

圖7 智能故障診斷的卷積神經網絡模型

通過挖掘企業維修記錄中的不同工況（0～60 km/h加速、80～100 km/h之間勻速運行、60～0 km/h緊急制動等三種工況）下振動信號Xn′，將Xn′部分缺省數據刪除，并運用EMD算法將企業維修歷史記錄數據中的振動信號Xn′作為訓練集，建立映射關系f：

4.3 故障預測

將監測純電動汽車電驅系統運行過程中產生的振動信號Xn進行EMD分解，并將不同工況下的IMF分量形成輸入集合I，輸入模型進行計算，從而獲得實際輸出Y。

式中：Ai、Bj、Ck分別為不同工況下不同組件振動信號經過EMD分解后的IMF分量集合；Yn為輸出預測的故障信息。

5 結 論

通過基于經驗模態分析方法與神經網絡相結合，采集純電動汽車集中式驅動系統的振動信號為原始數據，分析復雜的機電系統振動信號來識別系統中隱藏的故障信息，對提高系統的可靠性具有借鑒意義。本文提出了一種基于經驗模態分析和卷積神經網絡相結合的振動信號分析方法，建立了純電動汽車集中式電驅動系統中各組件IMF分量數據集合與故障之間的映射關系f。

純電動汽車電驅動系統具有結構復雜、機電耦合程度高、集成程度高等特點，由于振動信號的測試數據集有限且振動信號數據量大，在實際操作過程中，通常存在數據缺省嚴重問題，而數據完整度對模型預測的準確性具有很大的影響，未來需要進一步在缺省部分數據情況下研究模型預測的準確性。

不同維度的數據類型（如圖像、聲音、電磁信號等）共同作為輸入時，如何構建智能診斷網絡模型，是未來進一步研究的方向。