基于Bayes純電動汽車電機控制系統(tǒng)的故障仿真分析＊

趙 旭

（廣東白云學院機電工程學院，廣東 廣州 510400）

前言

對于純電動汽車電機控制系統(tǒng)而言，當其發(fā)生故障時，需采用汽車解碼器進行診斷。但由于電機控制系統(tǒng)和其他部件之間存在著緊密關系，單憑故障代碼進行診斷，可能會導致診斷不準確或時間過長[1]；而對于純機械故障，僅憑借工人經(jīng)驗進行診斷會大大降低診斷效率。

故障樹是常用的分析及故障診斷模型，能夠?qū)赡馨l(fā)生的故障原因進行分析并確定邏輯關系，進而確定故障原因及其發(fā)生的概率[2]。貝葉斯網(wǎng)絡是一種基于概率推理的模型，在多個領域上都已成功應用。與故障樹相比，其在復雜系統(tǒng)故障診斷方面具有較強的優(yōu)勢[2]。將二者相結合，構建基于故障樹的故障貝葉斯網(wǎng)絡，能夠解決很多故障診斷相關問題[3]。

采用故障貝葉斯網(wǎng)絡對電機控制系統(tǒng)故障進行診斷，能夠更好地對其進行定性和定量的分析[4]。進行故障診斷時，在故障貝葉斯網(wǎng)絡分析的基礎上，結合汽車解碼器的故障碼進行故障診斷，能夠大大提高故障診斷效率。

1 貝葉斯網(wǎng)絡的基本原理

事件B已經(jīng)發(fā)生的前提下，事件A也發(fā)生的概率記作P（A|B），該表達即為事件B發(fā)生條件下事件A發(fā)生的條件概率，相應地，將P（A）定義為無條件概率。

當事件A與事件B中任一事件的出現(xiàn)都不會影響到另一事件的發(fā)生概率時，則事件A與事件B被視為相互獨立事件，滿足：

先驗概率：先驗概率是指未經(jīng)檢驗，按照歷史資料及經(jīng)驗確定各事件發(fā)生的概率[5]。

后驗概率：后驗概率是基于新的附加信息，對先驗概率進行修正，從而得到更加符合實際的概率[5]。

2 基于故障樹的故障貝葉斯網(wǎng)絡模型的建立

組成故障貝葉斯網(wǎng)絡的關鍵為節(jié)點和概率分布，故障貝葉斯網(wǎng)絡與故障樹之間存在著對應的映射關系。因此，將故障樹轉(zhuǎn)化為故障貝葉斯網(wǎng)絡的具體過程如下[6]：

1）將故障樹中的事件以故障貝葉斯網(wǎng)絡中的節(jié)點的方式表達出來，其中節(jié)點狀態(tài)對應事件狀態(tài)；

2）將故障樹中基礎事件的先驗概率對應給故障貝葉斯網(wǎng)絡中的根節(jié)點；

3）將故障樹中的邏輯門以節(jié)點的方式表達出來，再根據(jù)其邏輯關系列出條件概率表；

4）根據(jù)邏輯門與各事件之間的關系，將各節(jié)點用有向邊相連接，方向與邏輯門的輸入及輸出相對應。

結合純電動汽車電機控制系統(tǒng)故障體系如表1，構建故障樹如圖1所示。

表1 電機控制系統(tǒng)故障體系

圖1 電機控制系統(tǒng)故障樹

貝葉斯網(wǎng)絡是將故障原因自下而上用樹狀的形式表示，其結構與故障樹結構相對應，因此可以將已建立的故障樹模型通過Matlab直接映射成為故障貝葉斯網(wǎng)絡模型[7]。

Matlab平臺下的貝葉斯網(wǎng)絡工具箱BNT是用于開發(fā)和學習的軟件包[5]，基于BNT所建立的仿真模型，當節(jié)點A至B存在一條弧時，矩陣中對應的（A，B）值為1，反之（A,B）對應值為0。

以電機控制系統(tǒng)故障為例，電機控制系統(tǒng)故障主要是由傳感器故障和CAN總線故障所引起，其中傳感器故障較為普遍，主要是由于線路高溫老化，從而導致各傳感器出現(xiàn)問題。其中底事件X1：高溫老化，X2：校準誤差，X3：機械震蕩分別為中間事件。N1：電流傳感器故障，N2：轉(zhuǎn)自未知傳感器故障，N3：轉(zhuǎn)速“傳感器故障”的公共底事件。三個中間事件又同為中間事件M1“傳感器故障”的公共中間事件，反映到貝葉斯網(wǎng)絡中則是一個具有三個子節(jié)點的父節(jié)點，如圖2所示。

圖2 電機控制系統(tǒng)貝葉斯網(wǎng)絡模型仿真

3 基于故障貝葉斯模型的電機控制系統(tǒng)故障分析

貝葉斯網(wǎng)絡的推理核心為計算后驗概率分布，在條件概率的基礎上，采用貝葉斯模型計算各故障的后驗概率，主要包括故障原因分析和重要度判斷，最終得出結論。

3.1 故障因果關系推理

故障因果推理是有故障結論推到原因的過程，目的在于基于已發(fā)生故障結果，通過貝葉斯網(wǎng)絡進行計算，獲得故障原因的后驗概率。

以CAN總線故障為例計算后驗概率。得到：

X4表示連線脫落，X5表示電路損壞。通過后驗概率的計算，基本可以判斷由電路損壞引發(fā)CAN總線故障的概率比由于連線脫落引發(fā)CAN總線故障大，故在進行故障診斷時可優(yōu)先考慮電路損壞，并開展工作。

3.2 故障重要度判斷

以電機控制系統(tǒng)中電流傳感器故障N1為例，X1：高溫老化，X2：校準誤差，X3：機械震蕩是電流傳感器的三個主要故障模式，其中電流傳感器故障N1與X1、X2、X3故障是由邏輯或門相連的，即X1、X2、X3中任意一個故障都有可能導致N1故障的發(fā)生，故可以通過三個故障底事件先驗概率和后驗概率來驗證對故障模式重要度的判斷，X1、X2、X3的先驗概率如表2所示，N1的條件概率如表2所示：

表2 基礎故障節(jié)點先驗概率

如表2所示為三個故障底事件的先驗概率，能夠在一定程度上反映各故障底事件對公共故障的影響程度，但并不能直接說明其重要程度。在三個底事件中，高溫老化故障X1先驗概率最高為0.15，校準誤差故障X2和機械振蕩故障X3的先驗概率分別為0.01和0.02，它們的先驗概率極為接近，緊緊依靠先驗概率是無法完全確定它們重要程度排序的。

表3 電流傳感器故障節(jié)點的條件概率

結合條件概率表，當X2校準誤差和X3機械振蕩未發(fā)生故障時，由X1高溫老化引起的電流傳感器故障的條件概率值為0.63；當X1高溫老化和X3機械振蕩未發(fā)生故障時，由X2校準誤差引起的電流傳感器故障的條件概率值為0.33；當X1高溫老化和X2校準誤差未發(fā)生故障時，由X3機械振蕩引起的電流傳感器故障的條件概率值為0.35。故可以推斷出X1高溫老化是導致電流傳感器故障的最主要原因，下面通過診斷推理進行驗證。

通過貝葉斯網(wǎng)絡得到三個故障底事件發(fā)生的概率，基于Matlab中的BNT平臺，構建故障貝葉斯網(wǎng)絡，并計算它們的后驗概率，如表4所示：

表4 基礎故障節(jié)點后驗概率

通過對先驗概率及條件概率的分析可知，高溫老化故障底事件的先驗概率比較高，通過故障后驗概率的計算可知，后驗概率值越高，其對應事件對系統(tǒng)故障發(fā)生的影響程度就越大，因此，根據(jù)表4中數(shù)據(jù)可知，三個底事件對于電流傳感器故障的重要度排序為：高溫老化故障X1高于機械振蕩故障X3高于校準誤差故障X2，驗證了前面的分析結論。

4 結論

故障樹與貝葉斯網(wǎng)絡具有一定的相通性，本文將故障樹與貝葉斯網(wǎng)絡相結合，形成故障貝葉斯網(wǎng)絡。文章以電機及控制系統(tǒng)中控制系統(tǒng)為例，進行基于故障貝葉斯網(wǎng)絡的實例分析，得到電機控制系統(tǒng)故障時各部件發(fā)生故障的可能性大小，再進行故障診斷，實現(xiàn)了故障貝葉斯網(wǎng)絡模型的仿真，同時進行了故障原因的推理和其重要度判斷分析，從而大大降低維修人員的維修效率。