一种电动汽车故障诊断方法技术

本发明专利技术提供一种电动汽车故障诊断方法，包括：采集加速踏板位置、车速、电动机转速、发电机转速和发动机转速的信号，建立故障决策表，并对采集的数据进行预处理；将建立的故障决策表进行二进制粒化，用粒计算对所述故障决策表进行属性约简，得到最小属性集；以所述最小属性集中的条件属性作为输入，以其决策属性作为输出，进行BP神经网络与RBF神经网络的训练，确定BP神经网络与RBF神经网络的隐含层层数及隐含层神经元节点数，设置训练参数，所述训练参至少包括：训练次数、训练函数；利用训练好的BP神经网络与RBF神经网络进行实时故障诊断，得到两个网络的故障诊断结果；利用证据理论将BP神经网络与RBF神经网络的诊断结果进行融合得到最终诊断结果。

A Fault Diagnosis Method for Electric Vehicles

The invention provides a fault diagnosis method for electric vehicles, which includes collecting signals of accelerating pedal position, vehicle speed, motor speed, generator speed and engine speed, establishing a fault decision table and preprocessing the collected data, binary granulation of the established fault decision table, attribute reduction of the fault decision table by granular calculation, and obtaining the minimum membership. Sex set: The training of BP neural network and RBF neural network is carried out by taking the conditional attributes of the minimum attribute set as input and the decision attributes as output. The number of hidden layers and neuron nodes of the hidden layers of BP neural network and RBF neural network are determined and the training parameters are set. The training parameters include at least training times and training functions; and the use of the trained BP neural network. The network and RBF neural network are used for real-time fault diagnosis, and the fault diagnosis results of the two networks are obtained. The final diagnosis results are obtained by fusing the diagnosis results of BP neural network and RBF neural network using evidence theory.

【技术实现步骤摘要】
一种电动汽车故障诊断方法
本专利技术涉及电动汽车的故障诊断
，特别是涉及一种电动汽车故障诊断方法。
技术介绍
电动汽车作为一个结构复杂、零部件众多的产品，其可靠性和安全性是衡量其好坏的重要指标。故障诊断技术通过对电动汽车运行状态和异常作出判断，从而加强电动汽车的安全性能，保证行车安全。因此，对电动汽车故障诊断技术进行深入研究，具有重要的理论意义和应用价值。电动汽车由于拥有多个子系统且相互关联、紧密耦合从而导致其故障现象与故障原因之间具有极强的不确定性和非线性。因而，神经网络凭借其容错性好、非线性逼近能力和自适应能力强等特点在电动汽车故障诊断中得到了深入的研究。粒计算不需要先验知识，是研究处理不完备、不精确、模糊信息的新方法，能从量繁杂的数据中挖掘出潜在的、不可或缺的知识，去有效去除冗余。证据理论融合技术因其能提高诊断准确性与鲁棒性的优点被广泛用于故障诊断系统。在文献[KongH,ZhangX,BaoW,etal.TheApplicationofGranularComputinginElectricVehicleFaultDiagnosis[J].AustralianJournalofElectrical&ElectronicsEngineering,2014,11(3):327-337.]中，作者将BP神经网络与粒计算算法相结合，先利用粒计算理论有效降低泵的样本维数，再利用约简后的样本作为BP神经网络的输入对神经网络进行训练测试，加快了神经网络故障诊断速度。但是该方法存在不足：(1)虽然粒计算理论可以降低样本维数、去除冗余属性，但是在实际操作中由于每个属性对故障诊断结果或多或少都有一定影响，去除影响很小的属性可以加快神经网络故障诊断速度，但是也会降低故障诊断准确性。中国专利技术专利(CN104330255A)于2015年02月04日公开的《一种基于多传感器信息融合的齿轮故障诊断》，它将DS证据理论与SOM神经网络相结合，利用证据理论的融合规则对证据进行融合诊断，减少误差带来的不确定性，提高故障诊断准确性。但是该方法存在不足：(1)当故障样本数量庞大、维数高时，SOM神经网络训练速度会下降，实时性会得不到保障；(2)采用的是传统的DS证据理论，在面对证据间存在高度冲突时，会产生于直觉相悖的结果，甚至产生错误的结论。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种电动汽车故障诊断方法，旨在解决因电动汽车故障样本庞大、维数高导致的神经网络训练速度慢的问题，而且具有提高电动汽车故障诊断准确性和鲁棒性。为实现上述目的及其他相关目的，本专利技术提供一种电动汽车故障诊断方法一种电动汽车，所述电动汽车故障诊断方法至少包括：采集加速踏板位置、车速、电动机转速、发电机转速和发动机转速的信号，建立故障决策表，并对采集的数据进行预处理；将建立的故障决策表进行二进制粒化，用粒计算对所述故障决策表进行属性约简，得到最小属性集；以所述最小属性集中的条件属性作为输入，以其决策属性作为输出，进行BP神经网络与RBF神经网络的训练，确定BP神经网络与RBF神经网络的隐含层层数及隐含层神经元节点数，设置训练参数，所述训练参至少包括：训练次数、训练目标、学习率和训练函数；利用训练好的BP神经网络与RBF神经网络进行实时故障诊断，分别得到两个网络的故障诊断结果；利用证据理论将BP神经网络与RBF神经网络的诊断结果进行融合得到最终诊断结果。本专利技术的一种实现方式中，所述对采集的数据进行预处理的步骤，包括：对所采集的数据进行离散化，使用等频率离散法进行数据离散化处理。本专利技术的一种实现方式中，所述将建立的故障决策表进行二进制粒化，用粒计算对所述故障决策表进行属性约简，得到最小属性集的步骤，包括：步骤2.1，利用条件属性对决策属性的依赖度k是用来判断原始决策信息系统的相容性，如果k＝1时，决策信息系统的相容，则继续向下执行；否则，将其分解成相容的决策信息系统，同时删除完全相同的决策规则；其中，所述条件属性包括但不限于：加速踏板位置、车速、电动机转速、发电机转速和发动机转速，所述决策属性包括但不限于：正常、加速踏板故障、电动机故障；步骤2.2，求取条件属性C相对于决策属性D的核属性C0；步骤2.3，将核属性C0存入最小属性集R中，获得属性集B，其中，所述属性集B为条件属性C去除核属性C0后的属性，然后转到步骤2.6；步骤2.4，对所有属性b∈B，计算依赖度，求得每个属性的依赖度；步骤2.5，令最小属性集R＝R∪{bi}，若依赖度k＝1，则转到步骤2.7；步骤2.6，若R属性集相对于D属性集的依赖度等于右边C属性集相对于D属性集的依赖度,即γR(D)＝γC(D)则停止运算，否则转到步骤2.4；步骤2.7，获得当前系统的一个最小属性集R。如上所述，本专利技术的一种电动汽车故障诊断方法，具有以下有益效果：1、对于神经网络进行电动汽车故障诊断时，采用粒计算能有效改善故障样本庞大、维数高带来的神经网络学习训练速度慢的问题。2、本专利技术在使用证据理论融合时，考虑了证据间冲突问题，采用证据间距离的合成方法避免了证据冲突带来的融合错误。3、采用证据理论对多个证据进行决策融合，减少了电动汽车故障诊断的不确定性，提高电动汽车故障诊断准确度和鲁棒性。附图说明图1为本专利技术所述的基于GrC-NN和证据理论的电动汽车故障诊断方法的结构示意图；图2为本专利技术方法所述的粒计算属性约简流程示意图；图3为本专利技术所述的神经网络流程示意图；图4为本专利技术所述的证据理论诊断融合流程示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。请参阅图1-图4。需要说明的是，本实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。图1为本专利技术所述的基于GrC-NN和证据理论的电动汽车故障诊断方法的结构示意图，由该图可见，本专利技术提供的一种基于GrC-NN和证据理论的电动汽车故障诊断方法，包括以下步骤：步骤1，采集电动汽车的故障数据，构造原始决策信息系统和建立决策表，并对采集的数据进行预处理；具体的预处理主要是指对连续属性数据进行离散化，使用等频率离散法，即从起始位置开始，每次取相同数目的属性值作为一个间隔，若该属性的属性值总数为m，离散为k类，则每一个间隔中的样本数目为m/k；图2为本专利技术方法所述的粒计算属性约简流程示意图，由图2可见，本实施例的步骤2。基于粒计算的属性约简的过程为：步骤2.1，利用属性的依赖度k判断原始决策信息系统的相容性，如果k＝1时，决策信息系统的相容，则继续向下执行；否则将其分解成相容的决策信息系统，同时删除完全相同的决策规则；步骤2.2，求取条件属性C相对于决策属性D的核属性C0，即经过计算出每个属性的依赖度(重要性)来删除条件属性集C中的不重要的冗余条件属性，如果则a∈C本文档来自技高网...

【技术保护点】
1.一种电动汽车故障诊断方法，其特征在于，所述电动汽车故障诊断方法至少包括：采集加速踏板位置、车速、电动机转速、发电机转速和发动机转速的信号，建立故障决策表，并对采集的数据进行预处理；将建立的故障决策表进行二进制粒化，用粒计算对所述故障决策表进行属性约简，得到最小属性集；以所述最小属性集中的条件属性作为输入，以其决策属性作为输出，进行BP神经网络与RBF神经网络的训练，确定BP神经网络与RBF神经网络的隐含层层数及隐含层神经元节点数，设置训练参数，所述训练参至少包括：训练次数、训练目标、学习率和训练函数；利用训练好的BP神经网络与RBF神经网络进行实时故障诊断，分别得到两个网络的故障诊断结果；利用证据理论将BP神经网络与RBF神经网络的诊断结果进行融合得到最终诊断结果。

【技术特征摘要】
1.一种电动汽车故障诊断方法，其特征在于，所述电动汽车故障诊断方法至少包括：采集加速踏板位置、车速、电动机转速、发电机转速和发动机转速的信号，建立故障决策表，并对采集的数据进行预处理；将建立的故障决策表进行二进制粒化，用粒计算对所述故障决策表进行属性约简，得到最小属性集；以所述最小属性集中的条件属性作为输入，以其决策属性作为输出，进行BP神经网络与RBF神经网络的训练，确定BP神经网络与RBF神经网络的隐含层层数及隐含层神经元节点数，设置训练参数，所述训练参至少包括：训练次数、训练目标、学习率和训练函数；利用训练好的BP神经网络与RBF神经网络进行实时故障诊断，分别得到两个网络的故障诊断结果；利用证据理论将BP神经网络与RBF神经网络的诊断结果进行融合得到最终诊断结果。2.根据权利要求1所述的一种电动汽车故障诊断方法，其特征在于，所述对采集的数据进行预处理的步骤，包括：对所采集的数据进行离散化，使用等频率离散法进行数据离散化处理。3.根据权利要求1所述的一种电动汽车故障诊断方法，其特征在于，所述将建立的...

【专利技术属性】
技术研发人员：孔慧芳，罗京，胡杰，闫佳鹏，黄玮，贾善坤，王海，
申请(专利权)人：合肥工业大学智能制造技术研究院，
类型：发明
国别省市：安徽,34