基金项目：2018年度潍坊科技学院校级（科技类）课题（编号：2018KJYB06）
在电动汽车电机驱动系统中，因系统噪声、传感器自身工作特性以及安装接触不良等因素的影响，速度传感器极易处于异常工作状态和故障状态，若此时电动汽车电机驱动系统接受速度传感器提供的错误采集信息，必将引起电机驱动系统性能的下降，严重时可能导致系统停车并危及驾驶员人身安全。本文提出基于RBF人工神经网络对电动汽车电机驱动系统速度传感器进行在线故障诊断，最后基于MATLAB设计出该神经网络并对速度传感器故障进行诊断仿真，验证了该法可以及时有效地诊断速度传感器故障。
1 基于人工神经网络建立的速度传感器故障诊断方法
目前基于人工神经网络建立的速度传感器故障诊断方法分为离线故障诊断和在线故障诊断两种方法。离线故障诊断方法建立的数学模型结构固定不变，预先设定好神经网络输出层的操作过程，这样的学习过程和诊断方法决定其只适用于工作状态是有规律可重复再现的被控目标。对于结构和参数固定，且在线输出操作可以预判的系统，可采用离线故障诊断方法。
在线故障诊断情况下，神经网络与电机驱动系统直接相连，神经网络可以自动获得速度传感器的输出值，然后由神经网络内部自组织、自学习以判定故障信息及现象。通过此法神经网络对速度传感器的输出值进行实时监测，当电动汽车电机驱动系统速度传感器突然出现故障时，会输出相应的故障诊断信号，系统根据故障诊断信号，就可以判定系统中的速度传感器是否出现故障。目前绝大多电机驱动系统由于自身强稱合特性、运行过程中参数变化以及电动汽车运行工况的不确定性，难以对其建立精准的数学模型，采用在线故障诊断的方法可以保证较高的诊断准确率。考虑到电动汽车行驶路况的复杂性和不确定性，本文选用在线故障诊断的方法对电动汽车速度传感器进行故障诊断。RBF人工神经网络预测速度传感器的采集输出，这种方法是基于神经网络对电动汽车速度建立预测模型，选择前几个时刻速度传感器的实测输出作为神经网络的输入向量并建立学习样本，速度传感器输出的当前时刻预测值作为神经网络的输出。基于神经网络预测值与速度传感器实际输出值建立残差序列，设定误差阈值进行故障诊断。
本文提出基于RBF神经网络对速度传感器建立RBF神经网络输出预测器的在线故障诊断方法，该法通过速度传感器实际采集输出值与RBF神经网络预测输出值的残差序列来实现速度传感器故障的在线诊断。该方法的实时性较好，故障识别准确率高，适用于电动汽车电机驱动系统。将RBF神经网络预测器进行速度传感器故障在线诊断方法应用于电动汽车电机驱动系统的原理图见图1：
图1速度传感器故障诊断原理图
当电动汽车电机驱动系统开始运行时，假定速度传感器并未发生故障处于正常运行状态。这时电机驱动系统中的控制设备得到速度传感器的前m + 3个时刻实际采集输出值序列x(l)，x(2)，...，x(m + 3)，将其建立RBF神经网络的初始学习样本。构建RBF神经网络第一个学习样本时以x(l)，x(2)，...，x(m)为RBF神经网络输入值，x(m+ 1)作为RBF神经网络预测输出值。向前递推一步构建RBF神经网络第二个学习样本，以x(2)，x(3)为RBF神经网络输入值，x(m + 2)作为RBF神经网络预测输出值。再向前递推一步构建RBF神经网络第三个学习样本，以x(3)，x(4)，...，x(m + 2)为RBF神经网络输入值，x(m + 3)作为RBF神经网络预测输出值。这样基于RBF神经预测器的输入样本与输出样本建立完毕。若RBF神经网络预测器的输入向量以表示，输出向量以r表示，根据上文所述则有：
以为输入向量，r为输出向量建立学习样本，对RBF神经网络进行在线学习训练，通过直接计算法调整隐含层到输出层的线性权值矩阵。当RBF神经网络输出经训练达到设定精度后，RBF神经网络预测器进入工作状态。此时，以m个数据即x(4)，x(5)，...，x(m + 3)作为RBF神经网络预测器的输入向量，RBF神经网络预测器计算得出速度传感器在下一时刻即m+4时刻的采集输出值x(m+4)。电动汽车电机驱动系统电子控制设备采集得到速度传感器在m+4时刻的实际采集输出值x(m+4)，再将其与RBF神经网络预测器预测值进行比较，得到误差
若实际釆集值与预测值的误差小于误差阈值则认为当前速度传感器并未发生故障，将当前时刻采样值加入到学习样本中对RBF神经网络进行新的学习训练，实现RBF网络的在线更新，那么得到新的学习样本空间
按照此法依此类推，RBF神经网络预测器通过速度传感器实时釆集数据对网络进行在线更新，同时预测速度传感器的下一时刻输出值。如果得到的误差大于误差阈值e'，则认为此时刻速度传感器处于异常工作状态，但这种异常工作状态可能由传感器噪声或传感器工作环境噪声引起的。为避免RBF神经网络预测器误报故障诊断信号，此时该预测器应该在设定时间段A内继续预测速度传感器下一时刻的输出值，并计算该时间段内预测器输出和速度传感器实际输出的平均误差若小于设定的误差阈值e'，则判定速度传感器并未发生故障，反之则通过RBF神经网络预测器诊断出速度传感器故障，并且发出相应的故障诊断信号。
2 速度传感器故障诊断仿真研究及分析
在RBF人工神经网络中，各层节点数目的多少以及各层之间传递函数的选择对RBF人工神经网络的性能会产生很大的影响，下面对其进行探讨。输入层及输出层节点选择RBF神经网络输入信号数据源的维度或输入特征向量的维度决定了其输入层节点的数目。在确定输入层节点数目时应当全面收集被测系统的样本特性数据，并对数据进行相关性分析，选择对神经网络输出产生影响的数据，最终确定特征向量的维度。
2.1 隐含层节点数确定
隐含层节点数目会对RBF神经网络训练产生很大的影响。过少的隐含层节点数目会限制RBF神经网络从样本中获取信息的能力，网络容易出现陷入局部极小值的问题，甚至无法对学习样本进行训练;如果隐含层数目太多，会导致学习样本的非规律性信息出现过度不吻合的现象，造成学习时间延长，误差也不一定为最小。目前通常通过设计的经验和不断的测试来确定隐含层节点数目。在MATLAB中的RBF函数newrb中设置隐含层节点的最大数目后，该函数可以根据训练情况自动选择最佳的数目，本文设置隐含层节点最大数目mn=20。
2.2 传递函数选择
对RBF人工神经网络进行训练本质上就是学习训练其两组网络参数：1）隐含层节点中心、RBF网络的宽度以及隐含层节点数目；2）隐含层到输出层的连接权值。径向基函数的训练本文选用K均值法，该法对输入样本集合的类别数预先进行估计，将其作为隐含层的节点数，以输入矢量作为径向基函数中心值，然后调整中心值。可以通过各种最小二乘法，以求解线性方程组的方法计算隐含层到输出层的线性连接权值。本文选用一般的最小二乘法求解RBF网络隐含层到输出层的线性连接权值。
3 速度传感器故障诊断仿真
根据前文介绍的速度传感器的故障诊断方法，需要确定该法中m的值，即需要明确通过RBF人工神经网络对速度传感器输出值进行预测与前几个采集值有关系。m的选值应该使该法误差较小，但又不会造成计算量过大。通过美国可再生能源实验室NREL(National Renewable Energy Laboratory)开发的汽车仿真软件ADVISOR(Advanced Vehicle Simulator，高级车辆仿真器)中的路况数据对m的值进行选定。在研究中选用了CYC_HWFET、CYCNEDC、CYC—UKBUS6和CYC—WVUCITY这四种工况对不同的值产生的均方差进行分析。随着m值的增大，RBF人工神经网络学习样本增加，有此产生的均方差逐步减小。当m的值超过5以后，均方差的减小速度开始减缓，文中选择m=5。在m为5时对RBF人工神经网络进行训练，由MATLAB的训练结果可见该网络可以快速达到训练精度，如图2所示。设置训练精度为0.01，该网络只需要经过3次训练后便达到训练精度要求。训练周期短，花费时间少，可以很好满足电动汽车电机驱动系统实时性要求。
图2 RBF人工神经网络训练图
根据速度传感器几种主要故障现象，本文对卡死故障现象进行仿真并测试通过RBF人工神经网络对速度传感器在线诊断的有效性。本文以ADVISOR中的CYC—HWFET工况进行障仿真，其故障现象表现为电动汽车速度值在某一时刻开始保持恒定不变。根据m=5时的均方差设置故障阈值为2，其仿真结果如图3所示。
图3 转速卡死故障诊断仿真
由图可见，在ADVISOR中的CYC_HWFET工况下，山速度传感器采集的电机转速实测值，在290s时设置速度传感器卡死故障，速度传感器采集值保持34km/h不变，由RBF人工神经网络计算的预测值与速度传感器实测值的偏差超过误差阈值，为避免系统因系统噪声引起误判，此时故障诊断模块并不发出故障诊断信号，将RBF神经网络预测值替代实测值更新网络，进行下一时刻故障诊断，两次预测平均误差超过误差阈值，则认为确实有故障发生，由下图可见此时速度传感器故障诊断模块发出故障诊断信号。由此可知，本文根据RBF人工神经网络对电动汽车电机驱动系统速度传感器在线故障诊断的方法行之有效。在速度传感器出现故障时，该法可以及时准确的发出故障诊断信号。
作者简介：冯枫（1984-），男，硕士，潍坊科技学院教师，主要从事智能检测与控制技术研究。
论文作者:冯枫
论文发表刊物:《知识-力量》2019年8月27期
论文发表时间:2019/6/10
标签：神经网络论文; 传感器论文; 速度论文; 故障诊断论文; 在线论文; 样本论文; 系统论文; 《知识-力量》2019年8月27期论文;