[发明专利]基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法

说明书

本发明公开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，分别计算每段加速度信号时域和频域高敏感特征参数，构建当前时间片段k对应的速度片v_k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v_k‑1与当前时间片段k对应的速度片v_k之间的二速度片v_k‑1‑v_k状态转移概率分布，建立动态贝叶斯网络模型，根据速度片v_k‑1和速度片v_k之间的多种状态转移概率分布建立故障诊断模型群，在线采集轮毂电机运行信息，从故障诊断模型群中选择相应的二速度片v_k‑1‑v_k诊断模型，计算后验概率分布，判断轮毂电机正常或故障，提高了识别轮毂电机机械故障的准确性与时效性。

技术领域

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Li K等在杂志《Sensors》(第13卷第6期)的“Sequential fuzzydiagnosis method for motor roller bearing in variable operating conditionsbased on vibration analysis”论文中提到了一种区分度指标法(Distinguish index,DI)，它由DI值和两状态区分率(Discrimination Rate,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Li K等在杂志《Sensors》(第12卷第5期)的“An IntelligentDiagnosis Method for Rotating Machinery Using Least Squares Mapping and aFuzzy Neural Network”论文中公布了一种综合区分度指标法(Synthetic detectionindex,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(Bayesian Networks,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Li Z等在杂志《Procedia Engineering》(第16卷第16期)的“FaultDiagnosis of Motor Bearing Based on the Bayesian Network”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。