PLC技術(shù)下新能源汽車電機驅(qū)動系統(tǒng)故障檢測

王良成，汪 源，張永輝

（1.三亞學(xué)院理工學(xué)院，海南 三亞 572022；2.海南大學(xué)信息與通信工程學(xué)院，海南 海口 570228）

1 引言

近年來，環(huán)境污染和能源短缺問題日益突出，世界各個國家開始重視開發(fā)清潔環(huán)保的能源，尤其是針對汽車行業(yè)。電動汽車以環(huán)保和節(jié)能的理念[1-2]，逐漸被各個國家接受，同時投入大量的資金促進其發(fā)展，使其成為未來汽車發(fā)展的主要方向。

汽車是人類代步的主要工具，人們對汽車駕駛的穩(wěn)定性和安全性要求較高，同時汽車的重要動力來源—電機驅(qū)動系統(tǒng)，如果系統(tǒng)出現(xiàn)故障，車輛的整體均會受到不同程度的影響，甚至還會出現(xiàn)車毀人亡的現(xiàn)象。所以，發(fā)展新能源汽車電機驅(qū)動系統(tǒng)故障檢測技術(shù)是當(dāng)務(wù)之急。國內(nèi)外相關(guān)專家針對該方面的內(nèi)容進行了大量的研究，例如，文獻[3]首先對高階滑膜觀測器進行優(yōu)化；然后通過新型滑膜觀測器計算汽車驅(qū)動系統(tǒng)的轉(zhuǎn)速估計值，將實際轉(zhuǎn)速和估計轉(zhuǎn)速兩者之間的差值設(shè)定為特征向量，以此為依據(jù)進行故障檢測。文獻[4]將定子相電流進行克拉克變換，獲取平面電流分量，對其進行歸一化等相關(guān)操作，利用故障因子閾值進行判別，同時結(jié)合平面電流軌跡有效完成故障檢測。

但是，由于上述兩種方法沒有在故障檢測過程中進行電機的非線性驅(qū)動信息轉(zhuǎn)換，導(dǎo)致檢測結(jié)果不準(zhǔn)確，同時故障檢出率較低。為此，在PLC技術(shù)下進行新能源汽車電機驅(qū)動系統(tǒng)故障檢測方法研究。仿真實驗結(jié)果表明，所提方法能夠獲取精準(zhǔn)的故障檢測結(jié)果和較高的故障檢出率。

2 電機驅(qū)動系統(tǒng)故障檢測

此次研究新能源汽車動力系統(tǒng)架構(gòu)，如圖1所示。從圖1中可以看出，汽車電力系統(tǒng)可以通過燃料電池系統(tǒng)或燃料發(fā)電機系統(tǒng)進行供電，能量存儲系統(tǒng)可以應(yīng)用化學(xué)蓄電池或超級電容。新能源汽車驅(qū)動電機多采用永磁同步電機，永磁同步電機具有運行效率高、轉(zhuǎn)矩密度大以及轉(zhuǎn)矩穩(wěn)定性高的特點，振動噪聲較小，基本可忽略。因此，永磁同步電機在新能源電動汽車領(lǐng)域得到了廣泛的應(yīng)用。

圖1 新能源汽車動力系統(tǒng)架構(gòu)Fig.1 Power System Architecture of New Energy Vehicles

永磁同步電機的電力驅(qū)動模式主要有正弦波驅(qū)動與方波驅(qū)動，此次研究對新能源汽車中永磁同步電機的正弦波驅(qū)動模式進行分析。永磁同步電機主要由定子與轉(zhuǎn)子兩部分組成其結(jié)構(gòu)，如圖2所示。

圖2 永磁同步電機結(jié)構(gòu)Fig.2 Structure of Permanent Magnet Synchronous Motor

2.1 故障特征參數(shù)提取

通過多分辨分析能夠有效完成信號的時頻分析，以提取驅(qū)動電機的故障特征參數(shù)。在多分辨率分析過程中，設(shè)定正交和為其中，Wj為小波函數(shù)ψ(t)對應(yīng)的小波子空間。同時，將尺度子空間Vj和小波子空間Wj采用全新的子空間表示[5]，則能夠獲取以下形式的表達式：

小波包分解的具體過程，如圖3所示。

圖3 三層小波包分解樹結(jié)構(gòu)圖Fig.3 Three-Layer Wavelet Packet Decomposition Tree Structure Diagram

小波包分解對全部區(qū)域內(nèi)的頻帶進行分解，基本操作思路為：通過二次抽取計算第一次分解得到的高頻部分，保留奇數(shù)或者偶數(shù)部分。在接下來分解的過程中，需要高低頻同時分解，再次對分解結(jié)果進行二次抽取計算，促使各個頻段含有相同的分辨頻率。如果連續(xù)觀察信號的頻率保持一致，需要保留頻率段的系數(shù)，同時將頻率系數(shù)設(shè)定為零，需要將信號進行重構(gòu)，同時確保數(shù)據(jù)量得到有效增加[6]。因此，在提取電機驅(qū)動系統(tǒng)故障時，需要通過小波包分解與重構(gòu)來進行。電機驅(qū)動系統(tǒng)頻率的小波包分解計算公式為：

通過式（2）計算得到電機驅(qū)動系統(tǒng)頻率小波包分解結(jié)果，進一步進行電機驅(qū)動系統(tǒng)頻率的重構(gòu)，計算公式為：

式中：ak-2i、bk-2i—小波包重構(gòu)的二維參數(shù)。

依據(jù)重構(gòu)結(jié)果，提取電機驅(qū)動系統(tǒng)的故障特征參數(shù)：

式中：hl-2k—電機驅(qū)動系統(tǒng)故障特征—電機驅(qū)動故障頻率因子。

2.2 PLC技術(shù)下新能源汽車電機驅(qū)動系統(tǒng)故障檢測

在PLC技術(shù)下，將核方法和主成分分析方法兩者相融合，將空間非線性信息轉(zhuǎn)換為線性信息，對前文提取的電機驅(qū)動系統(tǒng)故障特征參數(shù)進行化簡操作，以完成新能源汽車電機驅(qū)動系統(tǒng)的故障檢測。以下給出具體的操作流程：

進行主成分分析的主要目的就是完成故障特征參數(shù)化簡，即對映射數(shù)據(jù)全部進行中心化處理［7-8］，具體的計算公式為：

式中：n—核參數(shù)取值；k—元素總數(shù)。

在PLC技術(shù)下，結(jié)合核方法和主成分分析進行空間信息轉(zhuǎn)換，具體的轉(zhuǎn)換過程，如式（6）所示。

通過模糊核聚類分析進行故障檢測，聚類分析在故障特征檢測中占據(jù)十分重要的地位。在沒有任何先驗條件的情況下，將數(shù)據(jù)樣本劃分為多個不同的子集或者類，該方法被廣泛應(yīng)用于各個研究領(lǐng)域中。模糊控制主要是組建模糊集合，通過集合元素，完成機器語言編寫，獲取最終的決策方案。模糊控制器的組成結(jié)構(gòu)，如圖4所示。

圖4 模糊控制器的具體組成Fig.4 The Specific Composition of the Fuzzy Controller

模糊控制器主要是由知識庫和規(guī)則庫兩者共同組成，模糊控制分類就是在上述環(huán)境下誕生的，以優(yōu)越的機理以及性能被廣泛應(yīng)用于不同的研究領(lǐng)域中。

設(shè)定需要進行分類的樣本為X=[x1,x2,...,xn]T，樣本為xi，抽取的特征矢量為fi，其中fij代表第i個樣本的第j個特征值。

模糊關(guān)系矩陣可以采用R表示：

通過模糊關(guān)系矩陣可以確定樣本對象xi和xj兩者的近似度rij，同時組建模糊相似矩陣。現(xiàn)階段，進行相似度計算的方法有很多，以下主要使用比較廣泛的歐式距離分別計算各個樣本間的相似程度[9]，具體的計算式如下：

其中，近似度rij的絕對值越接近1，說明xi和xj兩者的相似程度越高。

標(biāo)定各個樣本的距離，構(gòu)建樣本的模糊相似矩陣R，其中模糊相似矩陣需要通過模糊等級關(guān)系完成聚類分析。為了促使模糊相似矩陣滿足不同的特性，通過傳遞閉包法對R進行改造，則有：

模糊核聚類理論主要是通過模糊聚類和核方法提出的，優(yōu)先使用核方法進行空間轉(zhuǎn)換，在高維線性空間內(nèi)進行模糊聚類分析，具體的操作過程為：

當(dāng)樣本為(?(x1)，?(x2)，?(xn))，則誤差平方和準(zhǔn)則函數(shù)對應(yīng)的表達形式為：

式中：Nj—第j類Sj的樣本數(shù)，則有：

式中：k(xi，xj)—核函數(shù)。

特征空間中任意兩點之間的距離計算式為：

在聚類過程中，設(shè)定初始聚類中心為原始空間內(nèi)任意一點，其中新的聚類中心主要利用核變換矩陣獲取。在進行模糊聚類分析的過程中，針對不同接口分別進行模糊化處理，設(shè)定模糊語言論域[10]。隸屬度矩陣的表示形式，如表1所示。

表1 隸屬度矩陣列表Tab.1 Membership Matrix List

在上述分析的基礎(chǔ)上，采用模糊核聚類分析方法對新能源汽車電機驅(qū)動系統(tǒng)故障數(shù)據(jù)進行聚類，聚類結(jié)果即為故障檢測結(jié)果。具體計算公式為：

式中：uij—聚類特征因子。

根據(jù)聚類計算結(jié)果，完成新能源汽車電機驅(qū)動系統(tǒng)故障檢測。

3 仿真實驗

為了驗證所提出的PLC技術(shù)下新能源汽車電機驅(qū)動系統(tǒng)故障檢測方法的有效性，進行仿真對比驗證實驗。設(shè)定電機驅(qū)動系統(tǒng)的參數(shù)，如表2所示。

表2 電機驅(qū)動系統(tǒng)參數(shù)Tab.2 Motor Drive System Parameters

新能源汽車驅(qū)動電機安裝示意圖，如圖5所示。

圖5 新能源汽車驅(qū)動電機安裝示意圖Fig.5 Schematic Diagram of Installation of Driving Motor for New Energy Vehicle

為了驗證各個故障檢測方法的檢測性能，設(shè)定測試指標(biāo)為誤報率和漏報率。其中兩項指標(biāo)的取值越低，說明檢測結(jié)果準(zhǔn)確性越高。誤報率與漏報率實驗結(jié)果，如表3、表4所示。

表3 誤報率對比Tab.3 Comparison of False Alarm Rates

表4 漏報率對比Tab.4 Comparison of Underreporting Rate

分析表3和表4中的實驗數(shù)據(jù)可知，隨著實驗次數(shù)的持續(xù)增加，文獻[3-4]方法的漏報率和誤報率均呈直線上升趨勢，由于所提方法在故障檢測的過程中加入PLC技術(shù)，促使整個方法的兩項測試指標(biāo)得到有效降低，能夠更加精準(zhǔn)的檢測出故障，及時給出對應(yīng)的治理措施。為了更進一步驗證所提方法的優(yōu)越性，以下實驗測試對比三種不同方法的故障檢出率。故障檢出率實驗結(jié)果，如圖6所示。

圖6 故障檢出率對比Fig.6 Comparison of Fault Detection Rate

分析圖6中的實驗數(shù)據(jù)可知，和另外兩種方法相比，所提方法能夠最大概率檢測出新能源汽車電機驅(qū)動系統(tǒng)出現(xiàn)的故障，而另外兩種方法則呈現(xiàn)忽高忽低的狀態(tài)，十分不穩(wěn)定，后續(xù)將對其進行改善。

4 結(jié)束語

為了更好地研究新能源汽車電機驅(qū)動系統(tǒng)故障的特點，提出一種PLC技術(shù)下新能源汽車電機驅(qū)動系統(tǒng)故障檢測方法。在PLC技術(shù)下，融合核方法和主成分分析方法，有效聚類電機驅(qū)動系統(tǒng)故障數(shù)據(jù)，得到故障檢測結(jié)果。測試結(jié)果表明：

（1）所提方法能夠精準(zhǔn)檢測出新能源汽車電機驅(qū)動系統(tǒng)中出現(xiàn)的故障，誤報率與漏報率的最高值均未超過0.05%；

（2）所提方法能夠最大概率檢測出新能源汽車電機驅(qū)動系統(tǒng)出現(xiàn)的故障，故障檢出率始終保持在95%以上。