一种有监督数据驱动的电动汽车轮毂电机故障检测方法技术

本发明专利技术公开了一种有监督数据驱动的电动汽车轮毂电机故障检测方法，该方法主要包括以下步骤：1、数据集重组：采集故障数据，添加电机故障标签，组建复合交叉数据集；2、训练和验证CDAE‑SVC模型：最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉验证SVC分类器；3、测试轮毂电机故障：采集车辆运行工作时有关电机的各项指标数据，输入训练好的模型中，计算后验分类概率，判断轮毂电机是否有故障，确定故障类别。本发明专利技术针对无法通过建立准确车辆模型进行故障检测的技术问题，提出了一种有监督的数据驱动方法，具有快速、准确、鲁棒性强等特点。

【技术实现步骤摘要】
一种有监督数据驱动的电动汽车轮毂电机故障检测方法
本专利技术涉及电动汽车四轮独立驱动轮毂电机的故障检测领域，尤其涉及基于数据驱动方法的有监督故障检测技术。
技术介绍
电动化，智能化是未来汽车发展的主流趋势，为满足L3及以上级别智能车线控底盘系统对响应速度，控制潜力和集成化的要求，作为汽车执行器之一的轮毂电机技术因其优异性能受到广大研究者的重视。轮毂电机技术是新能源汽车的一种线控驱动技术，消除了传统机械结构动力传输链，以电信号的形式传播，对控制指令的响应速度快，其次它具有每个车轮单独控制，可实现独立力矩分配的特殊优势，车辆纵横向控制潜力大，另外轮毂电机技术将电机安装在轮毂内部，集驱动，传动，制动等多种功能为一体，减少了机械耦合连接，大大节省了可扩展空间，满足了智能车对轻量化的要求。汽车的运行工况复杂多变，车轮行驶环境恶劣无常，轮毂电机特定的结构使其必然受到外界环境的影响，当一个或多个轮边电机故障失效时，电机不能输出期望转矩(罗剑.分布式电驱动车辆制/驱动力协调及主动容错控制[D].清华大学,2014.)，直接导致汽车动力性能下降乃至系统失衡，破坏车辆的操纵稳定性和行驶安全性，严重的会引发交通事故，不满足智能车对安全性的要求。因此，轮毂电机在智能车线控技术中的引入不仅带来了车辆的横纵控制优势，其车轮独立驱动的特性也使轮毂电机的故障检测成为一个重要的研究领域(JinseongPark,ParkYoungjin.OptimalInputDesignforFaultIdentificationofOveractuatedElectricGroundVehicles[J].IEEETransactionsonVehicularTechnology,2016,65(4):1912-1923.)。传统的故障诊断方法大都是基于模型的故障诊断方法，在建立一个精确模型的基础上能清楚地了解故障信息，将其完整的分离出来。但是车辆具有非常强的非线性，车辆动力学模型，轮胎模型等对驾驶员方向盘输入，油门踏板和制动踏板的输入有很强的非线性表现，大多研究使用的车辆模型(如整车七自由度动力学模型)无法考虑未建模动态(刘攀.基于智能汽车制动执行器失效的容错控制策略研究[D].湖南大学,2018.)，加之汽车行驶环境复杂，车辆本身参数与路面参数多变，简化的车辆等效模型不能完整且准确的描述车辆行驶特性，因此，在此基础上开展的基于模型的轮毂电机故障检测方法效果不尽如人意，故障识别的快速性，准确性，鲁棒性得不到保证。
技术实现思路
本专利技术针对无法通过建立准确车辆模型进行故障检测的难题，提出了一种基于收缩降噪自编码器(ContractiveDenoisingAutoEncoder,CDAE)和支持向量机用于分类(SupportVectorClassification,SVC)的有监督监测方法，应用于轮毂电机技术的非线性故障检测中。本专利技术的目的是通过以下技术方案来实现的：一种有监督数据驱动的电动汽车轮毂电机故障检测方法，包括如下步骤：(1)重组包含轮毂电机故障信息数据集：采集具有电机故障属性的输入输出变量信息，对不同故障工况训练集进行故障类别划分，为每个样本添加一个故障类别标签量，组建复合工况数据集；(2)训练CDAE-SVC模型：使用(1)组建的数据集形成交叉数据集，利用数据集最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉训练SVC分类器；(3)测试轮毂电机故障过程：采集车辆运行工作时有关电机的各项指标数据，对数据集进行处理，输入隐层变量到(2)训练好的CDAE-SVC模型中，计算后验分类概率，判断轮毂电机是否有故障，确定故障类别。进一步地，所述步骤(1)包括以下子步骤：(1.1)首先定义描述失效前后执行器执行能力的失效因子δ，再根据具体轮毂电机故障失效类型，将失效因子等效转化为可以描述是否发生失效的参考标准；(1.2)根据轮毂电机失效的位置和数量分布，将四轮独立驱动的汽车轮毂电机失效类型划分为6种模式，即单个电机失效、同侧两个电机失效、异侧同轴两个电机失效、异侧不同轴两个电机失效、三个电机失效及四个电机失效，分别对应标签量1，2，3，4，5，6；(1.3)采集在(1.2)定义的不同故障失效类别下，车辆行驶时的输入输出数据，比如某种故障下的驱动力矩，制动力矩，四个轮毂电机的输出力矩等信息，形成带有标签量的数据集，将每种类型下的数据集复合在一起，形成一个用来训练和测试的总的数据集，选择合适节点，制成交叉数据集。进一步地，所述步骤(2)包括以下子步骤：(2.1)在(1.3)制定的数据集样本中添加相同维度的高斯白噪声，即在目标损失函数中增加噪声惩罚项其中f是编码层函数，g是解码层函数，L是两个元素之间的误差平方。(2.2)在损失函数中增加另一惩罚项，即隐层向量的雅可比矩阵的F范数平方其中λ是调节参数，是隐层向量对输入xi的偏导数的平方之和；(2.3)采用CDAE模型提取表征向量，再将表征向量输入到SVC模型中进行分类，输出标签量，实现有监督的过程检测；(2.4)采用随机梯度下降法，最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉训练SVC分类器。进一步地，所述步骤(3)包括以下子步骤：(3.1)采集车辆运行工作时方向盘转角，驱动力矩，制动力矩，四个轮毂电机的输出力矩等传感器信息，形成数据集，对数据集进行各维度max-min的标准化；(3.2)将标准化处理后的样本输入到(2.4)优化好的CDAE模型中，并计算各样本对应的隐层变量；(3.3)将隐层向量和标签输入到(2.4)优化好的SVC模型，计算该样本对应的后验分类概率；(3.4)取对应模型中最大后验分类概率对应的标签量作为该样本的故障类别，判断轮毂电机是否有故障，确定故障类别。本专利技术的技术方案概括为：1、本专利技术制定了包含训练和验证功能的带有标签量的交叉数据集。首先定义轮毂电机失效因子δ，再根据轮毂电机失效的位置和数量分布，将四轮独立驱动的汽车轮毂电机失效类型划分为6种模式，分别对应不同的标签量，选取合适的输入输出变量，经标准化处理后形成可用作模型参数优化的复合数据集；2、本专利技术为增加模型对特征噪声的鲁棒性，在输入样本中添加相同维度的高斯白噪声，即在目标损失函数中增加噪声惩罚项，这样模型在处理潜在的带噪声的数据样本时，所提取的特征向量更稳定，同时在损失函数中增加另一惩罚项，即隐层向量的雅可比矩阵的F范数平方，最小化损失函数的过程中，该惩罚项可使得模型隐层向量对输入的偏导数趋于0，可使自编码器的隐层向量对输入向量的小幅度变化不敏感，这样所建立的CDAE模型的损失函数包含一个潜在的噪声惩罚项和雅可比范式惩罚项；3、本专利技术开发了一种能提高CDAE模型特征提取能力的有监督故障检测方法。首先采用CDAE模型提取表征向量，再将表征向量输入到SVC模型中进行分类，输出标签量，实现有监督的过程检测，本文档来自技高网...

【技术保护点】
1.一种有监督数据驱动的电动汽车轮毂电机故障检测方法，其特征在于，包括以下步骤：/n(1)重组包含轮毂电机故障信息数据集：采集具有电机故障属性的输入输出变量信息，对不同故障工况训练集进行故障类别划分，为每个样本添加一个故障类别标签量，组建复合工况数据集。/n(2)训练和验证CDAE-SVC模型：使用步骤1组建的数据集形成交叉数据集，利用数据集最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉验证SVC分类器。/n(3)测试轮毂电机故障：采集车辆运行工作时，待测轮毂电机的各项指标数据，对数据集进行处理后，输入隐层变量到步骤2训练好的CDAE-SVC模型中，计算后验分类概率，确定故障分类。/n

【技术特征摘要】
1.一种有监督数据驱动的电动汽车轮毂电机故障检测方法，其特征在于，包括以下步骤：
(1)重组包含轮毂电机故障信息数据集：采集具有电机故障属性的输入输出变量信息，对不同故障工况训练集进行故障类别划分，为每个样本添加一个故障类别标签量，组建复合工况数据集。
(2)训练和验证CDAE-SVC模型：使用步骤1组建的数据集形成交叉数据集，利用数据集最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉验证SVC分类器。
(3)测试轮毂电机故障：采集车辆运行工作时，待测轮毂电机的各项指标数据，对数据集进行处理后，输入隐层变量到步骤2训练好的CDAE-SVC模型中，计算后验分类概率，确定故障分类。


2.根据权利要求1所述的一种有监督数据驱动的电动汽车轮毂电机故障检测方法，其特征在于，所述步骤(1)包括以下子步骤：
(1.1)首先定义描述失效前后轮毂电机执行能力的失效因子δ，再根据具体轮毂电机故障失效类型，将失效因子等效转化为可以描述是否发生失效的参考标准。
(1.2)根据轮毂电机失效的位置和数量分布，将四轮独立驱动的汽车轮毂电机失效类型划分为6种模式，即单个电机失效、同侧两个电机失效、异侧同轴两个电机失效、异侧不同轴两个电机失效、三个电机失效及四个电机失效，分别对应标签量1，2，3，4，5，6。
(1.3)采集在(1.2)定义的不同故障失效类别下，车辆行驶时的输入输出数据，所述输入输出数据包括某种故障下的驱动力矩、制动力矩、四个轮毂电机的输出力矩等信息，形成带有对...

【专利技术属性】
技术研发人员：梁军，范家钰，汪子扬，罗潇逸，刘潇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33