PLC技术下新能源汽车电机驱动系统故障检测

王良成，汪 源，张永辉

（1.三亚学院理工学院，海南 三亚 572022；2.海南大学信息与通信工程学院，海南 海口 570228）

1 引言

近年来，环境污染和能源短缺问题日益突出，世界各个国家开始重视开发清洁环保的能源，尤其是针对汽车行业。电动汽车以环保和节能的理念[1-2]，逐渐被各个国家接受，同时投入大量的资金促进其发展，使其成为未来汽车发展的主要方向。

汽车是人类代步的主要工具，人们对汽车驾驶的稳定性和安全性要求较高，同时汽车的重要动力来源—电机驱动系统，如果系统出现故障，车辆的整体均会受到不同程度的影响，甚至还会出现车毁人亡的现象。所以，发展新能源汽车电机驱动系统故障检测技术是当务之急。国内外相关专家针对该方面的内容进行了大量的研究，例如，文献[3]首先对高阶滑膜观测器进行优化；然后通过新型滑膜观测器计算汽车驱动系统的转速估计值，将实际转速和估计转速两者之间的差值设定为特征向量，以此为依据进行故障检测。文献[4]将定子相电流进行克拉克变换，获取平面电流分量，对其进行归一化等相关操作，利用故障因子阈值进行判别，同时结合平面电流轨迹有效完成故障检测。

但是，由于上述两种方法没有在故障检测过程中进行电机的非线性驱动信息转换，导致检测结果不准确，同时故障检出率较低。为此，在PLC技术下进行新能源汽车电机驱动系统故障检测方法研究。仿真实验结果表明，所提方法能够获取精准的故障检测结果和较高的故障检出率。

2 电机驱动系统故障检测

此次研究新能源汽车动力系统架构，如图1所示。从图1中可以看出，汽车电力系统可以通过燃料电池系统或燃料发电机系统进行供电，能量存储系统可以应用化学蓄电池或超级电容。新能源汽车驱动电机多采用永磁同步电机，永磁同步电机具有运行效率高、转矩密度大以及转矩稳定性高的特点，振动噪声较小，基本可忽略。因此，永磁同步电机在新能源电动汽车领域得到了广泛的应用。

图1 新能源汽车动力系统架构Fig.1 Power System Architecture of New Energy Vehicles

永磁同步电机的电力驱动模式主要有正弦波驱动与方波驱动，此次研究对新能源汽车中永磁同步电机的正弦波驱动模式进行分析。永磁同步电机主要由定子与转子两部分组成其结构，如图2所示。

图2 永磁同步电机结构Fig.2 Structure of Permanent Magnet Synchronous Motor

2.1 故障特征参数提取

通过多分辨分析能够有效完成信号的时频分析，以提取驱动电机的故障特征参数。在多分辨率分析过程中，设定正交和为其中，Wj为小波函数ψ(t)对应的小波子空间。同时，将尺度子空间Vj和小波子空间Wj采用全新的子空间表示[5]，则能够获取以下形式的表达式：

小波包分解的具体过程，如图3所示。

图3 三层小波包分解树结构图Fig.3 Three-Layer Wavelet Packet Decomposition Tree Structure Diagram

小波包分解对全部区域内的频带进行分解，基本操作思路为：通过二次抽取计算第一次分解得到的高频部分，保留奇数或者偶数部分。在接下来分解的过程中，需要高低频同时分解，再次对分解结果进行二次抽取计算，促使各个频段含有相同的分辨频率。如果连续观察信号的频率保持一致，需要保留频率段的系数，同时将频率系数设定为零，需要将信号进行重构，同时确保数据量得到有效增加[6]。因此，在提取电机驱动系统故障时，需要通过小波包分解与重构来进行。电机驱动系统频率的小波包分解计算公式为：

通过式（2）计算得到电机驱动系统频率小波包分解结果，进一步进行电机驱动系统频率的重构，计算公式为：

式中：ak-2i、bk-2i—小波包重构的二维参数。

依据重构结果，提取电机驱动系统的故障特征参数：

式中：hl-2k—电机驱动系统故障特征—电机驱动故障频率因子。

2.2 PLC技术下新能源汽车电机驱动系统故障检测

在PLC技术下，将核方法和主成分分析方法两者相融合，将空间非线性信息转换为线性信息，对前文提取的电机驱动系统故障特征参数进行化简操作，以完成新能源汽车电机驱动系统的故障检测。以下给出具体的操作流程：

进行主成分分析的主要目的就是完成故障特征参数化简，即对映射数据全部进行中心化处理［7-8］，具体的计算公式为：

式中：n—核参数取值；k—元素总数。

在PLC技术下，结合核方法和主成分分析进行空间信息转换，具体的转换过程，如式（6）所示。

通过模糊核聚类分析进行故障检测，聚类分析在故障特征检测中占据十分重要的地位。在没有任何先验条件的情况下，将数据样本划分为多个不同的子集或者类，该方法被广泛应用于各个研究领域中。模糊控制主要是组建模糊集合，通过集合元素，完成机器语言编写，获取最终的决策方案。模糊控制器的组成结构，如图4所示。

图4 模糊控制器的具体组成Fig.4 The Specific Composition of the Fuzzy Controller

模糊控制器主要是由知识库和规则库两者共同组成，模糊控制分类就是在上述环境下诞生的，以优越的机理以及性能被广泛应用于不同的研究领域中。

设定需要进行分类的样本为X=[x1,x2,...,xn]T，样本为xi，抽取的特征矢量为fi，其中fij代表第i个样本的第j个特征值。

模糊关系矩阵可以采用R表示：

通过模糊关系矩阵可以确定样本对象xi和xj两者的近似度rij，同时组建模糊相似矩阵。现阶段，进行相似度计算的方法有很多，以下主要使用比较广泛的欧式距离分别计算各个样本间的相似程度[9]，具体的计算式如下：

其中，近似度rij的绝对值越接近1，说明xi和xj两者的相似程度越高。

标定各个样本的距离，构建样本的模糊相似矩阵R，其中模糊相似矩阵需要通过模糊等级关系完成聚类分析。为了促使模糊相似矩阵满足不同的特性，通过传递闭包法对R进行改造，则有：

模糊核聚类理论主要是通过模糊聚类和核方法提出的，优先使用核方法进行空间转换，在高维线性空间内进行模糊聚类分析，具体的操作过程为：

当样本为(ϕ(x1)，ϕ(x2)，ϕ(xn))，则误差平方和准则函数对应的表达形式为：

式中：Nj—第j类Sj的样本数，则有：

式中：k(xi，xj)—核函数。

特征空间中任意两点之间的距离计算式为：

在聚类过程中，设定初始聚类中心为原始空间内任意一点，其中新的聚类中心主要利用核变换矩阵获取。在进行模糊聚类分析的过程中，针对不同接口分别进行模糊化处理，设定模糊语言论域[10]。隶属度矩阵的表示形式，如表1所示。

表1 隶属度矩阵列表Tab.1 Membership Matrix List

在上述分析的基础上，采用模糊核聚类分析方法对新能源汽车电机驱动系统故障数据进行聚类，聚类结果即为故障检测结果。具体计算公式为：

式中：uij—聚类特征因子。

根据聚类计算结果，完成新能源汽车电机驱动系统故障检测。

3 仿真实验

为了验证所提出的PLC技术下新能源汽车电机驱动系统故障检测方法的有效性，进行仿真对比验证实验。设定电机驱动系统的参数，如表2所示。

表2 电机驱动系统参数Tab.2 Motor Drive System Parameters

新能源汽车驱动电机安装示意图，如图5所示。

图5 新能源汽车驱动电机安装示意图Fig.5 Schematic Diagram of Installation of Driving Motor for New Energy Vehicle

为了验证各个故障检测方法的检测性能，设定测试指标为误报率和漏报率。其中两项指标的取值越低，说明检测结果准确性越高。误报率与漏报率实验结果，如表3、表4所示。

表3 误报率对比Tab.3 Comparison of False Alarm Rates

表4 漏报率对比Tab.4 Comparison of Underreporting Rate

分析表3和表4中的实验数据可知，随着实验次数的持续增加，文献[3-4]方法的漏报率和误报率均呈直线上升趋势，由于所提方法在故障检测的过程中加入PLC技术，促使整个方法的两项测试指标得到有效降低，能够更加精准的检测出故障，及时给出对应的治理措施。为了更进一步验证所提方法的优越性，以下实验测试对比三种不同方法的故障检出率。故障检出率实验结果，如图6所示。

图6 故障检出率对比Fig.6 Comparison of Fault Detection Rate

分析图6中的实验数据可知，和另外两种方法相比，所提方法能够最大概率检测出新能源汽车电机驱动系统出现的故障，而另外两种方法则呈现忽高忽低的状态，十分不稳定，后续将对其进行改善。

4 结束语

为了更好地研究新能源汽车电机驱动系统故障的特点，提出一种PLC技术下新能源汽车电机驱动系统故障检测方法。在PLC技术下，融合核方法和主成分分析方法，有效聚类电机驱动系统故障数据，得到故障检测结果。测试结果表明：

（1）所提方法能够精准检测出新能源汽车电机驱动系统中出现的故障，误报率与漏报率的最高值均未超过0.05%；

（2）所提方法能够最大概率检测出新能源汽车电机驱动系统出现的故障，故障检出率始终保持在95%以上。