一种永磁同步电机传感器故障诊断方法和系统技术方案

本发明专利技术提出了一种永磁同步电机传感器故障诊断方法和系统，该方法包括：获取永磁同步电机的历史测量数据，构建用于分类模型训练的数据集；采用数据集对分类模型进行离线训练；将当前时间窗口采集的永磁同步电机的数据输入至训练完成的分类模型中，判断分类模型输出结果是否可信；如果可信，则当前时间窗口下的诊断过程停止，输出诊断类型和故障位置；如果不可信，则进行下一窗口诊断。基于该方法，还提出了一种永磁同步电机传感器故障诊断系统。本发明专利技术具有高度可扩展性，具有较强的自主学习能力，不依赖于电机的物理模型，并对系统噪声及外部扰动具有较强的鲁棒性，在保证诊断结果准确率的前提下，适当的提高了诊断速度。适当的提高了诊断速度。适当的提高了诊断速度。

【技术实现步骤摘要】
一种永磁同步电机传感器故障诊断方法和系统


[0001]本专利技术属于电机传感器故障诊断
，特别涉及一种永磁同步电机传感器故障诊断方法和系统。

技术介绍

[0002]纯电动汽车(Battery Electric Vehicle,简称BEV)，它是完全由可充电电池(如铅酸电池、镍镉电池、镍氢电池或锂离子电池)提供动力源的汽车。纯电动汽车是指以车载电源为动力，用电机驱动车轮行驶，符合道路交通、安全法规各项要求的车辆。车用永磁同步电机工作环境复杂多变，且该系统具有较强的非线性特性。其传感器故障的发生不会引起电机本体参数变化，但会使控制参数以及状态参数发生剧烈变化，且无特定变化规律。
[0003]目前对车用永磁同步电机传感器故障诊断方法主要集中在基于硬件冗余和基于模型的故障诊断方法。基于硬件冗余的故障诊断方法核心在于采用完全相同的硬件重构过程部件。如果出现某个传感器故障，其系统的输出不等于冗余部件的输出，那么就可以判定某传感器或冗余传感器至少有一个发生了故障，从而检测出故障的发生。该诊断方法虽然具有高可靠性和可直接隔离故障的特性，但由于增加了冗余硬件，从而增加了投入成本，对于车用永磁同步电机并不可用。而基于模型的故障诊断方法是基于电机的物理模型，提出一种基于模型的故障诊断方法，如Luenbueger观测器，卡尔曼观测器等。此方法虽实时性强，但太依赖于永磁同步电机的物理模型，从而使得该方法对于电机参数变化、系统噪声及外部扰动比较敏感，从而造成诊断的错误率比较高。所以现有技术方案太依赖于永磁同步电机的物理模型，对于电机参数变化、系统噪声及外部扰动比较敏感，从而造成故障诊断的错误率比较高。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种永磁同步电机传感器故障诊断方法，不依赖于电机的物理模型，并对系统噪声及外部扰动具有较强的鲁棒性，在保证诊断结果准确率的前提下，适当的提高了诊断速度。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]一种永磁同步电机传感器故障诊断方法，包括以下步骤：
[0007]获取永磁同步电机的历史测量数据，构建用于分类模型训练的数据集；采用所述数据集对分类模型进行离线训练；
[0008]将当前时间窗口采集的永磁同步电机的数据输入至训练完成的分类模型中，判断分类模型输出结果是否可信；如果可信，则当前时间窗口下的诊断过程停止，输出诊断类型和故障位置；如果不可信，则进行下一窗口诊断。
[0009]进一步的，所述永磁同步电机的历史测量数据包括电压、电流、位置、电机转速和车速。
[0010]进一步的，所述构建用于分类模型训练的数据集的过程包括：采集不同故障和工
况下的电压、电流、位置、电机转速和车速，并为不同故障设立不同的标签，组成用于离线训练的的数据集。
[0011]进一步的，所述分类器的输出方程表示为：
[0012][0013]其中，i为隐含节点数量；β
i
为连接第i个隐含层节点和输出层节点的权重向量；h
i
(x)为第i个隐含层节点的映射函数；h(x)即为特征映射函数；β为特征权重向量。
[0014]进一步的，采用所述数据集对分类模型进行离线训练的过程包括：
[0015]按照预设比例将所述数据集分成训练集和测试集；
[0016]将所述训练集导入至EML分类器中，将所述EML分类器训练为用于提取系统状态和故障状态之间映射关系的分类器；
[0017]采用测试集去测试训练完成的分类器，检验训练完成的分类器的准确性。
[0018]进一步的，在训练完成之后，还包括将多个训练完成的分类器组合成分类器集，采用测试集去测试分类器集，检验训练完成的分类器集的准确性。
[0019]进一步的，所述分类器集的决策函数为：
[0020][0021]m是输出节点的个数；x为训练样本；f
i
(x)为第i个隐含节点的输出。
[0022]进一步的，判断分类模型输出结果是否可信的方法为：
[0023]将单个分类器输出节点的总和作为输出；
[0024]对比集成分类器中最大输出节点与输出节点的平均值；当输出节点的最大值与平均值之间的差值超过设定阈值时，将认为分类结果可信，反之则认为不可信。
[0025]本专利技术还提出了一种永磁同步电机传感器故障诊断系统，所述系统包括训练模块和诊断模块；
[0026]所述训练模块用于获取永磁同步电机的历史测量数据，构建用于分类模型训练的数据集；采用所述数据集对分类模型进行离线训练；
[0027]所述诊断模块用于将当前时间窗口采集的永磁同步电机的数据输入至训练完成的分类模型中，判断分类模型输出结果是否可信；如果可信，则当前时间窗口下的诊断过程停止，输出诊断类型和故障位置；如果不可信，则进行下一窗口诊断。
[0028]进一步的，所述诊断模块中判断分类模型输出结果是否可信的方法为：
[0029]将单个分类器输出节点的总和作为输出；
[0030]对比集成分类器中最大输出节点与输出节点的平均值；当输出节点的最大值与平均值之间的差值超过设定阈值时，将认为分类结果可信，反之则认为不可信。
[0031]
技术实现思路
中提供的效果仅仅是实施例的效果，而不是专利技术所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
[0032]本专利技术提出了一种永磁同步电机传感器故障诊断方法和系统，该方法包括以下步骤：获取永磁同步电机的历史测量数据，构建用于分类模型训练的数据集；采用所述数据集对分类模型进行离线训练；将当前时间窗口采集的永磁同步电机的数据输入至训练完成的分类模型中，判断分类模型输出结果是否可信；如果可信，则当前时间窗口下的诊断过程停
输出向量。对于一个有l个隐含层节点的ELM网络，其输出方程可以表示为：
[0046][0047]其中，g(x)被称为特征映射或激活函数，其作用是将原始数据空间映射到ELM特征空间；ω
i
和b
i
是激活函数的参数，其中ω
i
为连接第i个隐含层节点和输入层节点的权重向量，b
i
是第i个隐含层节点的偏差值；β
i
为连接第i个隐含层节点和输出层节点的权重向量；ω
i
·
x
j
表示ω
i
和x
j
的内积。
[0048]常见的激活函数见下表。
[0049][0050][0051]ELM在分类问题上，既可以解决二分类问题，又可以解决多分类问题。公
[0052]式1可写为如下形式
[0053][0054]式中h(x)为相对于输入向量隐含层的输出向量，其意义实际上是将n维输入空间映射到l维隐含层特征空间，因此h(x)即为特征映射函数。
[0055]采用数据集对分类模型进行离线训练的过程包括：
[0056]按照预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种永磁同步电机传感器故障诊断方法，其特征在于，包括以下步骤：获取永磁同步电机的历史测量数据，构建用于分类模型训练的数据集；采用所述数据集对分类模型进行离线训练；将当前时间窗口采集的永磁同步电机的数据输入至训练完成的分类模型中，判断分类模型输出结果是否可信；如果可信，则当前时间窗口下的诊断过程停止，输出诊断类型和故障位置；如果不可信，则进行下一窗口诊断。2.根据权利要求1所述的一种永磁同步电机传感器故障诊断方法，其特征在于，所述永磁同步电机的历史测量数据包括电压、电流、位置、电机转速和车速。3.根据权利要求2所述的一种永磁同步电机传感器故障诊断方法，其特征在于，所述构建用于分类模型训练的数据集的过程包括：采集不同故障和工况下的电压、电流、位置、电机转速和车速，并为不同故障设立不同的标签，组成用于离线训练的的数据集。4.根据权利要求1所述的一种永磁同步电机传感器故障诊断方法，其特征在于，所述分类器的输出方程表示为：其中，i为隐含节点数量；β
i
为连接第i个隐含层节点和输出层节点的权重向量；h
i
(x)为第i个隐含层节点的映射函数；h(x)即为特征映射函数；β为特征权重向量。5.根据权利要求4所述的一种永磁同步电机传感器故障诊断方法，其特征在于，采用所述数据集对分类模型进行离线训练的过程包括：按照预设比例将所述数据集分成训练集和测试集；将所述训练集导入至EML分类器中，将所述EML分类器训练为用于提取系统状态和故障状态之间映射关系的分类器；采用测试集去测试训练完成的分类器，检验训练完成的分类器的准确性。6.根据权利要...

【专利技术属性】
技术研发人员：周娜娜，王钰凇，韩冰，赵宪华，唐静雅，李加峰，
申请(专利权)人：北京理工大学前沿技术研究院，
类型：发明
国别省市：