[发明专利]基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法

说明书

本发明公开一种对轮毂电机的机械故障进行诊断的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，采集不同负载和转速下的轮毂电机的正常和故障状态振动信息，提炼出3个高敏感特征参数并离散化得到离散化后的特征参数，将离散化后的特征参数输入到人工碳氢网络模型中构建AHNs模型，对AHNs模型进行训练学习得到训练后的AHNs模型，并计算出其概率密度函数和隶属度函数，构建模糊诊断模型，将训练后的AHNs模型和模糊诊断模型相串联构成AHNs模糊诊断模型用于在线诊断，本发明基于粗糙集理论将原始特征参数离散化，有效降低模型运算量，减少车辆运行工况复杂多变对识别精度的影响程度，有效提高轮毂电机机械故障诊断的泛化性和鲁棒性。

技术领域

本发明涉及故障诊断领域，是对轮毂电机的机械故障进行诊断的方法，涉及基于粗糙集和人工碳氢网络的轮毂电机机械故障的诊断方法。

背景技术

轮毂电机是电动汽车“轮式驱动”的核心，相比于集中式驱动电动汽车，不仅集驱动、制动、承载等多种功能于一体，而且在能耗、传动效率等方面有较明显的优势，但同时也存在着安全性、可靠性，以及耐用性不足的问题。轮毂电机由于特殊的安装位置和汽车复杂的运行工况，极易诱发轮毂电机的机械故障，一旦一个或多个轮毂电机发生故障，就会产生相应的转矩脉动，效率下降，然后意外的偏航力矩将导致车辆行驶偏离，从而导致交通事故。因此，实现对轮毂电机机械故障的有效监测，提高诊断精度，是轮毂电机广泛应用于电动汽车的关键之一。

粗糙集理论能够直接对数据进行分析和推理，并发现其隐含知识，挖掘出隐含规律，是处理不完整和不确定知识的有效工具。目前粗糙集理论已经广泛应用于机器学习、决策分析、数据挖掘等领域。

中国专利公开号为CN110031225A的文献中提出了一种基于人工碳氢网络的轮毂电机轴承故障逐次诊断方法，该方法用人工碳氢网络构建逐次诊断模型，可以有序识别轮毂电机轴承故障，该方法在单一工况下对轮毂电机轴承故障能够有效识别，但是在较为复杂的工况下，例如多种车速和负载的工况下，该方法识别效率较低；且该方法是将原始特征参数作为模型的输入来进行识别，而在轮毂电机机械故障诊断中，由于汽车运行工况复杂多变，导致由传感器采集的信号往往是不完整、不精确和复杂的，如果直接使用，会增加模型的运算时间，影响模型鲁棒性和识别精度，因此需要对原始特征参数进行处理；该方法所使用的AHNs模型的输出值不一定恰好是一个整数，其利用Round函数估计输出值，虽然可以快速识别状态类型，但是忽略了不同类型状态的差异性，容易出现误判现象，因此需要对输出进行改进优化。

发明内容

本发明针对现有技术的不足，提供了一种基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断诊断方法，在多种车速和负载的工况下，分别对模型的输入和输出进行了改进，提高对轮毂电机机械故障诊断的精度。

本发明提出的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法采用的技术方案是包括以下步骤：

步骤(1)：采集不同负载和转速下的轮毂电机的正常状态和故障状态振动信息，提炼出振动信号的3个高敏感特征参数，对3个高敏感特征参数离散化得到离散化后的特征参数f(x)；

步骤(2)：将离散化后的特征参数f(x)输入到人工碳氢网络模型中构建AHNs模型为输出状态类型y；L是碳原子数，ω_i是第i个碳原子值，h_ij是与第i个碳原子相连的第j个氢原子值，k是在第i个与碳原子连接的氢原子的数目；

步骤(3)：对AHNs模型进行训练学习，得到训练后的AHNs模型为并计算出其概率密度函数和隶属度函数p(y')，y'是由f(x)激发的学习后的AHNs模型输出的状态类型，ω_i*、h_ij^*分别是ω_i、h_ij的最优值，μ和σ分别为数学期望值标准差；