基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法与流程

本发明涉及汽车轮毂电机机械故障的状态监测与智能诊断领域，特别是一种基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法。
背景技术：
：采用轮毂电机驱动的电动汽车具有结构简单紧凑、传动效率高等突出优点。轮毂电机是电动汽车驱动系统的核心，由于轮毂电机安装在狭小的轮毂空间内，磁场饱和、转矩波动、负载突变等因素对其性能影响明显，且多变的汽车行驶工况和复杂的路况极易诱发轮毂电机机械故障，从而引起振动增强、效率下降、温升加剧，持续长时间运行还会导致绝缘材料性能下降、定转子摩擦，进而引发绕组受损、匝间断路、相间短路等次生故障，危及车辆运行安全，因此有必要对轮毂电机运行状态进行在线监测和诊断，提高识别轮毂电机机械故障的准确性与时效性。轮毂电机在运行过程中产生的振动及其特征信息反映了其运行状态的变化，因此有效地分析振动信号、提炼出对故障敏感度高的特征参数是进行精确诊断的关键。目前采用较多的故障信号提取方法包括：(1)2013年lik等在杂志《sensors》(第13卷第6期)的“sequentialfuzzydiagnosismethodformotorrollerbearinginvariableoperatingconditionsbasedonvibrationanalysis”论文中提到了一种区分度指标法(distinguishindex,di)，它由di值和两状态区分率(discriminationrate,dr)组成，但是该方法仅对两种状态下单一高敏感特征参数快捷有效，无法同时选取多个高敏感特征参数。(2)2012年lik等在杂志《sensors》(第12卷第5期)的“anintelligentdiagnosismethodforrotatingmachineryusingleastsquaresmappingandafuzzyneuralnetwork”论文中公布了一种综合区分度指标法(syntheticdetectionindex,sdi)，用于提取多个敏感特征参数，它由多个状态下的di值组成，但是该方法忽略了通常情况下机械设备均有多种工况，不能够选取对多种工况均高度敏感的特征参数。贝叶斯网络(bayesiannetworks,bns)使用了一种方便的框架结构来表示因果关系，使不确定性推理在逻辑上变得更为清晰。已有不少将贝叶斯网络应用于故障诊断技术中，具体包括：(1)2011年liz等在杂志《procediaengineering》(第16卷第16期)的“faultdiagnosisofmotorbearingbasedonthebayesiannetwork”论文中公布了一种将贝叶斯网络应用于电机轴承故障的诊断方法，它基于振动信号和贝叶斯诊断模型进行诊断，但是该方法没有把前一时间段对当前时间段的状态影响考虑进去，不能够动态地调整诊断结果。(2)2016年赵月南等在杂志《机电工程》(第33卷第2期)的“采用布谷鸟算法的贝叶斯网络在异步机故障诊断中的应用”论文中公布了一种采用布谷鸟算法的贝叶斯网络，并将其应用于异步电机的故障诊断中，它基于异步电机故障电流信号和贝叶斯诊断模型进行诊断，但是由于轮毂电机运行环境复杂，该方法对轮毂电机故障状态的识别比较低，并且该方法是基于离线数据进行的故障诊断，不能够实现快速有效的在线识别诊断，无法满足轮毂电机的运行安全要求。技术实现要素：针对上述问题，本发明提供一种基于动态贝叶斯网络(dynamicbayesiannetworks,dbns)的轮毂电机机械故障在线诊断方法，考虑到相邻时间片之间的状态影响，因此能动态地调整诊断结果，并且能在线识别诊断，快速有效地识别诊断。本发明所述的基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法采用的技术方案是具有以下步骤：步骤一：采集轮毂电机在正常和故障运行状态下的运行信息，包括车速信号、加速度信号，将每种加速度信号等分为15段，分别计算每段加速度信号时域和频域高敏感特征参数；步骤二：根据运行状态、加速度、高敏感特征参数建立训练数据集，将运行状态、加速度作为隐藏节点，高敏感特征参数作为可观测的高斯节点，对训练数据集进行参数学习，构建当前时间片段k对应的速度片vk的贝叶斯网络结构，得到各网络节点的条件概率分布，确定前一时间片段k-1对应的速度片vk-1与当前时间片段k对应的速度片vk之间的二速度片vk-1-vk状态转移概率分布；步骤三：结合当前时间片段k对应的速度片vk的贝叶斯网络结构和二速度片vk-1-vk状态转移概率分布，建立动态贝叶斯网络模型；步骤四：根据速度片vk-1和速度片vk之间的多种状态转移概率分布建立二速度片vk-1-vk轮毂电机机械故障诊断模型群；步骤五：在线采集轮毂电机的车速vk、加速度a，计算出当前时间片段k中加速度信号a的高敏感特征参数；步骤六：根据前一时间片段k-1的车速vk-1和当前时间片段k的车速vk从所述的轮毂电机故障诊断模型群中选择相应的二速度片vk-1-vk诊断模型。步骤七：将步骤五中所述的高敏感特征参数作为选择的二速度片vk-1-vk诊断模型的输入，计算轮毂电机运行状态的后验概率分布；步骤八：根据所述的后验概率判断轮毂电机正常或故障。本发明的有益效果是：1、本发明通过提出的综合权重诊断指标法(syntheticweightdetectionindex，swdi)可以提炼出对多种工况下多种状态均具有高敏感度的多个特征参数，更有利于所建模型的推理，提高诊断结果的精度。2、本发明提出的速度片，解决轮毂电机运行状态在相邻时间片之间无法构建转移概率分布的问题，从而建立轮毂电机故障诊断模型群。3、本发明基于dbns的轮毂电机故障诊断模型群能够实现轮毂电机机械故障的在线诊断，提高了识别轮毂电机机械故障的准确性与时效性。4、本发明能有效降低故障诊断错误率，提高轮毂电机运行的安全性。附图说明图1是本发明在第一阶段轮毂电机机械故障诊断模型群的建立流程图：图2是图1中获得加速度信号的时域、频域高敏感特征参数的流程图；图3是图1中当前时间片段k对应的速度片vk内的轮毂电机贝叶斯网络诊断模型；图4是图1中基于二速度片的动态贝叶斯网络的轮毂电机机械故障诊断模型；图5是本发明中在第二阶段基于诊断模型群的轮毂电机机械故障在线诊采用的模块结构图；图6是本发明在第二阶段实施轮毂电机机械故障在线诊断方法的流程图。具体实施方式下面结合附图和具体实施方式对本发明技术方案作进一步的详细描述。本发明包括两个阶段，第一阶段为基于离线数据的轮毂电机机械故障诊断模型群的建立阶段；第二阶段是基于诊断模型群的机械故障在线诊断阶段。将轮毂电机运行状态的改变过程理解为一系列随速度改变的快照，每个快照描述了轮毂电机在相应时间片段内特定速度下的状态，这样的快照被称为“速度片”，则可先构建单个“速度片”内的贝叶斯网络模型，再通过确定不同“速度片”之间的状态转移概率分布构建“二速度片”动态贝叶斯网络，即构建前一时间片段k-1对应的速度片vk-1与当前时间片段k对应的速度片vk的轮毂电机机械故障诊断模型群。如图1所示的第一阶段轮毂电机机械故障诊断模型群的建立流程图，其具体步骤如下：步骤一：收集并整理轮毂电机在正常和故障状态下的运行信息作为建立故障诊断模型群的离线数据。具体包括在车速5km/h，10km/h，15km/h，20km/h和25km/h下的正常和故障时轮毂电机轴承处的垂向的加速度信号，这样，正常时轮毂电机轴承处的垂向加速信号有5种，故障时轮毂电机轴承处的垂向加速度信号有5种，共10种加速度信号，每种信号采样频率为12800hz，采样时间为45秒，所采集的所有加速度信号均为时域信号；而轮毂电机运行状态信息s分为正常状态和故障状态。在10种加速度信号中，将加速度信号类型信息c共计分为10种类型，分别为：加速度信号类型c1：车速5km/h下轮毂电机的正常运行状态加速度信号类型；加速度信号类型c2：车速10km/h下轮毂电机的正常运行状态加速度信号类型；加速度信号类型c3：车速15km/h下轮毂电机的正常运行状态加速度信号类型；加速度信号类型c4：车速20km/h下轮毂电机的正常运行状态加速度信号类型；加速度信号类型c5：车速25km/h下轮毂电机的正常运行状态加速度信号类型；加速度信号类型c6：车速5km/h下轮毂电机的故障运行状态加速度信号类型；加速度信号类型c7：车速10km/h下轮毂电机的故障运行状态加速度信号类型；加速度信号类型c8：车速15km/h下轮毂电机的故障运行状态加速度信号类型；加速度信号类型c9：车速20km/h下轮毂电机的故障运行状态加速度信号类型；加速度信号类型c10：车速25km/h下轮毂电机的故障运行状态加速度信号类型。步骤二：10种加速信号中，将每种加速度信号等分为15段，再分别计算每段加速度信号时域和频域高敏感特征参数。特征参数的敏感性是指特征参数在区分机械设备不同运行状态时的难易程度，高敏感特征参数越容易识别机械设备的不同运行状态，本发明设计了以提取加速度信号在时域和频域中的多个高敏感特征参数为目标的综合权重诊断指标法(swdi)，如图2所示是该方法的流程图，具体步骤如下：(1)针对轮毂电机运行工况，从时域和频域中预选取出8个反映轮毂电机运行状态的特征参数，在将每种加速度信号分段的基础上分别计算10种加速度信号下的8个特征参数值，分别是4个时域信号特征参数和4个频域信号特征参数。具体的8个特征参数如下所示：加速度信号的时域信号表示为xi，i＝1～n，n为采样点数，在本发明中因为加速度信号等分为15段，因此n＝38400，计算出其平均值和标准差σ分别为：计算出时域信号特征参数sp1为：定义{xi}中极大值为{xpi}，其中：j＝1～np，np为{xi}中极大值的总数，则可计算出极大值平均值和极大值标准差由此再计算出时域信号特征参数sp2、sp3、sp4分别为：式中，nv为{xi}中极小值的总数。将加速度xi信号的时域信号经过快速傅里叶变换后转化为频域信号，表示为fi，其中，i＝1～i，i是采样频率的一半，即i＝6400，f(fi)是第fi的频谱值，频域信号特征参数sp5、sp6、sp7、sp8、根据以下公式进行计算：计算完成后，得到每种加速度信号下的15组特征参数组，每组特征参数组包含8个特征参数值，例如下表1所示为5km/h车速下某轮毂电机正常运转状态下加速度信号的特征参数组：表15km/h车速下某轮毂电机正常运转状态下加速度信号的特征参数组组号sp1sp2sp3sp4sp5sp6sp7sp810.1670.3942.4810.98148410.630.4130.0130.003220.1990.4262.6670.96448180.150.4030.0190.005930.1690.3842.5850.91948308.410.4120.0140.003440.1440.3342.3430.96748903.750.4330.0100.003050.1410.3172.2460.92648891.710.4340.0090.003260.1820.4222.5340.92047994.670.4080.0160.003570.1660.3722.3640.95148293.720.4140.0130.003580.1450.3352.4350.94048835.910.4350.0100.003190.1550.3682.6880.95048616.670.4220.0110.0031100.2250.4712.4951.0247279.220.3990.0250.0062110.1710.3862.5220.97148198.960.4070.0140.0032120.1460.3292.2560.95348601.90.4330.0100.0027130.1750.3972.5630.90447958.630.4120.0150.0030140.2000.4302.6050.96947863.550.4110.0190.0052150.1420.3242.3410.95148500.770.4310.0100.0025(2)根据得到的特征参数组，分别计算5种车速下、轮毂电机正常和故障运行状态的8个信号特征参数的平均值μsp和标准差σsp。某一车速下某一特征参数的平均值μsp和标准差σsp用下式计算：式中(sp)i表示为该特征参数的第i组的值，因分段为15，所以n＝15。计算具体结果如下表2、表3所示：表25种车速下、轮毂电机正常和故障运行状态的8个特征参数数值的平均值μsp表35种车速下、轮毂电机正常和故障运行状态的8个特征参数数值的标准差σsp(3)根据计算得到的不同加速度信号下各特征参数的平均值μsp和标准差σsp，再计算各特征参数在各车速工况下正常与故障状态之间的区分度指标值di(distinguishindex,di)如下：式中，μsp1是某一特征参数在某一车速下正常状态对应的平均值，μsp2是该特征参数在同一车速下故障状态时对应的平均值，σsp1、σsp2是对应的标准差。(4)根据区分度指标值di计算各特征参数对两种状态的区分率dr(discriminationrate,dr)：x是积分变量，dx是x的变化量。各特征参数di值与dr值如表4所示。表4di值与dr值的对应关系didr＜0.85＜80％0.85-1.3080％-90％1.30-1.6590％-95％1.65-2.3395％-99％＞2.33＞99％(5)根据区分度指标值di、区分率dr计算出综合权重指标值(syntheticweightdetectionindex，swdi)，定义如下：式中，m代表不同状态(正常状态，故障1状态，故障2状态等)的数目，本发明涉及正常与故障两种状态，因此m取值为2；r代表所要选取高敏感特征参数的数量，需从8个特征参数中优选出4个高敏感特征参数，因此r取值为4；l代表运行工况类别的数目，涉及5种不同车速的工况，因此l取值为5。将大于2.33的di值全部近似取为2.33，用f(di)表示；w是权重系数，式中α是高敏感特征参数阈值，取α为95％；y是积分变量，dy是y的变化量。(6)取综合权重指标值swdi的最大值所对应的一组特征参数作为优选出的高敏感特征参数组。例如表5所示，通过计算，第11组swdi值最大，为45.97，因此选取的高敏感特征参数为sp1、sp2、sp5和sp7。表5不同特征参数组的swdi值因此，得到了加速度信号的时域高敏感特征参数sp1、sp2和频域高敏感特征参数sp5、sp7。步骤三：基于步骤一中整理的轮毂电机在正常和故障状态下的运行状态信息s、加速度信号类型信息c和步骤二计算得出的高敏感特征参数sp1、sp2、sp5、sp7建立训练数据集。步骤四：利用专家知识构建当前时间片段k对应的速度片vk内的贝叶斯网络结构，如图3所示，将具体的将轮毂电机机运行状态s、加速度信号类型c作为隐藏节点，高敏感特征参数sp1、sp2、sp5、sp7作为可观测的多个高斯节点，则在速度片vk轮毂电机运行状态节点用sk表示，加速度信号类型节点用ck表示，各高敏感特征参数节点分别用sp1k、sp2k、sp5k、sp7k表示。根据2013年朱金林在杂志《信息与控制》(第42卷第4期)的“基于动态贝叶斯网络的缺失数据系统故障识别”论文中提到参数学习方法，基于步骤三中的训练数据集进行参数学习，得到各网络节点的条件概率分布，具体包括速度片vk中高敏感特征参数节点sp1k和加速度信号类型节点ck的条件概率分布p(sp1k|ck)，速度片vk中高敏感特征参数节点sp2k和加速度信号类型节点ck的条件概率分布p(sp2k|ck)，速度片vk中高敏感特征参数节点sp5k和加速度信号类型节点ck的条件概率分布p(sp5k|ck)，速度片vk中高敏感特征参数节点sp7k和加速度信号类型节点ck的条件概率分布p(sp7k|ck)，速度片vk中轮毂电机运行状态节点sk的先验概率分布pf(sk)，速度片vk中加速度信号节点ck的先验概率分布pf(ck)。步骤五：利用专家知识制定如下表6所示的不同“速度片”之间的状态转移概率分布选择表，确定前一时间片段k-1对应的速度片vk-1与当前时间片段k对应的速度片vk之间的状态转移概率分布p(sk-1|sk)，sk-1是轮毂电机在前一时间片段k-1对应的速度片vk-1中的运行状态，sk是轮毂电机在当前时间片段k对应的速度片vk中的运行状态。特别的，速度片对应的车速为5km/h，10km/h，15km/h，20km/h和25km/h。表6轮毂电机二速度片之间的运行状态转移概率分布选择表步骤六：结合当前时间片段k对应的速度片vk的贝叶斯网络和二速度片vk-1-vk间的状态转移概率分布，建立如图4所示的二速度片vk-1-vk轮毂电机机械故障诊断的动态贝叶斯网络模型。将步骤四和步骤五中得到的各网络节点间的条件概率分布和状态转移概率分布设置为所建动态贝叶斯网络的网络参数，具体包括速度片vk中高敏感特征参数节点sp1k和加速度信号类型节点ck的条件概率分布p(sp1k|ck)，速度片vk中高敏感特征参数节点sp2k和加速度信号类型节点ck的条件概率分布p(sp2k|ck)，速度片vk中高敏感特征参数节点sp5k和加速度信号类型节点ck的条件概率分布p(sp5k|ck)，速度片vk中高敏感特征参数节点sp7k和加速度信号类型节点ck的条件概率分布p(sp7k|ck)，速度片vk中轮毂电机运行状态节点sk的先验概率分布pf(sk)，速度片vk中加速度信号节点ck的先验概率分布pf(ck)以及速度片vk-1和速度片vk之间的状态转移概率分布p(sk-1|sk)。根据速度片vk-1和速度片vk之间的多种状态转移概率分布p(sk-1|sk)，建立二速度片轮毂电机机械故障诊断模型群，每个模型的参数中仅状态转移概率分布不同，其他参数一样。如图5所示，为第二阶段基于机械故障诊断模型群的机械故障的在线诊阶段。将簧下质量加速度采集模块1安装在轮毂电机轴承处，用于在线采集车辆行驶时轮毂电机的振动信号信息，即垂向加速度a信号。采集当前时间片段k内的加速度信号，采样时长为3s，采样频率为12800hz。簧下质量加速度采集模块1的输出与信号特征参数提取模块3的输入连接，通过信号传输线将垂向加速度a信息传递至信号特征参数提取模块3。再采用车速采集模块2采集车辆行驶的车速vk信息。具体为当前时间片段k中间时刻的车速，车速vk信息从汽车can总线通讯系统中读取。车速采集模块2的输出连接诊断模型选择模块4的输入，通过信号传输线将车速vk信息传递至诊断模型选择模块4。信号特征参数提取模块3用于对所述垂向加速度信号a的处理，具体为计算加速度信号在时域和频域的高敏感特征参数sp1、sp2、sp5、sp7，并通过信号传输路线将得到的高敏感特征参数提供给集成诊断推理算法的ecu5。诊断模型选取模块4中内置了第一阶段离线得到的轮毂电机机械故障诊断群，并储存有前一时间片段k-1的车速信息vk-1，则根据前一时间片段和当前时间片段的车速vk-1和vk从轮毂电机机械故障诊断模型群中选择相应的“二速度片”轮毂电机诊断模型。选择诊断模型的具体步骤如下：(1)将车速vk-1和vk划分为相应的速度片vk-1和vk，划分标准如下：(2)根据得到的vk-1-vk从轮毂电机机械故障诊断模型群中选择相应的诊断模型。诊断模型选择模块4的输出与集成诊断推理算法的ecu5的输入连接，将选择的轮毂电机机械故障诊断模型传输至集成诊断推理算法的ecu5，同时将前一时间片段k-1的车速信息vk-1删除，并储存当前时间片段k的车速信息vk。集成诊断推理算法的ecu5集成了诊断推理算法，并储存有前一时间片段k-1对应的速度片vk-1中轮毂电机运行状态sk-1的诊断结果。ecu5用于对当前时间片段k对应的速度片vk中轮毂电机运行状态sk的在线推理，将高敏感特征参数sp1、sp2、sp5、sp7作为轮毂电机机械故障诊断模型的输入，从而完成对当前时间片段k对应的速度片vk中轮毂电机运行状态sk的诊断，并将轮毂电机运行状态sk的诊断结果提供给诊断结果显示模块6，同时将前一时间片段k-1对应的速度片vk-1中轮毂电机运行状态sk-1诊断结果删除，并储存当前时间片段k对应的速度片vk中轮毂电机运行状态sk的诊断结果。诊断结果显示模块6用于将接收到的轮毂电机运行状态sk的诊断结果对应到当前的时间片段k，并将结果显示出来提供给驾驶员。如图6所示，为第二阶段基于诊断模型群的机械故障在线诊断流程图，在线诊断流程是循环进行的，具体步骤如下：步骤一：在线采集当前时间片段k中的加速度信号a，采集时长为3s，采样频率12800hz，以及该时间片段中间时刻的车速vk。步骤二：计算当前时间片段k中加速度信号a的高敏感特征参数sp1、sp2、sp5、sp7。步骤三：根据前一时间片段的车速信息vk-1和当前时间片段的车速信息vk从轮毂电机故障诊断模型群中选择相应的二速度片vk-1-vk诊断模型。进一步的，所述选择诊断模型具体步骤如下：(1)将车速vk-1和vk划分为相应的速度片vk-1和vk，划分标准如下：(2)根据得到的vk-1-vk从轮毂电机机械故障诊断模型群中选择相应的诊断模型。步骤四：将步骤二中的计算得到的高敏感特征参数作为二速度片诊断模型的输入，对当前时间片段k对应的速度片vk中轮毂电机运行状态sk进行推理诊断，即计算轮毂电机运行状态sk的后验概率分布pu(sk)。进一步的，基于二速度片诊断模型的诊断过程如下：(1)ecu5中储存有前一时间片段k-1对应的速度片vk-1的轮毂电机运行状态sk-1的诊断结果即轮毂电机运行状态sk-1的后验概率pu(sk-1)；根据步骤二中计算的高敏感特征参数，输入模型可获得在速度片vk内各高敏感特征参数节点的概率分布，包括：高敏感特征参数节点sp1k概率分布p(sp1k)，高敏感特征参数节点sp2k概率分布p(sp2k)，高敏感特征参数节点sp5k概率分布p(sp5k)，高敏感特征参数节点sp7k概率分布p(sp7k)。结合速度片vk中加速度信号类型节点ck的先验概率分布pf(ck)推理得到加速度信号类型节点ck的后验概率分布：其中，下标u表示所属概率分布为后验概率分布，下标f表示所属概率分布为先验概率分布。(2)结合速度片vk-1和速度片vk的轮毂电机状态转移概率分布p(sk-1|sk)，速度片vk中加速度信号类型节点ck与轮毂电机运行状态节点sk的条件概率分布p(ck|sk)，速度片vk中轮毂电机运行状态节点sk的先验概率pf(sk)推理得到速度片vk中轮毂电机运行状态节点sk的后验概率：(3)根据马尔可夫性，更新得到时间片段k+1对应的速度片vk+1中加速度信号类型节点ck+1和轮毂电机运行状态节点sk+1的先验概率分布：pf(ck+1)＝pu(ck)，pf(sk+1)＝pu(sk)，根据后验概率pu(sk)判断电机运行状态，当pu(sk)≤50％时判断轮毂电机运行状态为正常，当pu(sk)>50％时判断轮毂电机运行状态为故障。步骤五：将速度片vk中轮毂电机运行状态sk的诊断结果对应到当前时间片段k中，并将诊断结果提供给驾驶员。步骤六：采集下一时间片段k+1的加速度信号和该时间片段中间时刻的车速vk+1，重复步骤二～步骤六。当前第1页12