基于支持向量機的柴電混合動力故障診斷研究

韓耀輝，劉波瀾，王文泰，劉凡碩，張俊偉

（北京理工大學機械與車輛學院，北京100081）

0 概述

由于混合動力汽車較傳統(tǒng)汽車系統(tǒng)結(jié)構(gòu)復雜，可能發(fā)生的故障種類和形式更多，故障的表現(xiàn)和故障的成因之間的關系也更加錯綜復雜?；旌蟿恿ζ嚺c傳統(tǒng)汽車相比新增了高壓元器件及附屬設備，這也提高了原車上弱電設備出現(xiàn)故障的可能性。同時，從控制層面而言，新增的電機控制器單元（motor control unit，MCU）和電池管理系統(tǒng)（battery management system，BMS）提高了控制系統(tǒng)的復雜度，也提高了故障發(fā)生的可能性。多種因素使得傳統(tǒng)汽車的故障診斷技術在面對混合動力汽車時捉襟見肘。雖然應用于傳統(tǒng)汽車上的發(fā)動機、變速器等系統(tǒng)的診斷技術可移植到混動汽車的相應部件上［1-3］，但混合動力汽車相比傳統(tǒng)汽車新增的部件也需新的診斷方案。針對動力電池故障，目前有用基于密度空間的聚類算法［4］、遺傳算法［5］、基于隨機森林分類器的算法［6］、人工神經(jīng)網(wǎng)絡［7］、模糊算法［8］等；針對電機故障，目前有基于短時傅里葉變換和卷積神經(jīng)網(wǎng)絡的故障診斷算法［9］、基于支持向量機的故障診斷算法［10］、基于電機電流頻譜分析和支持向量機結(jié)合的故障診斷算法［11］。這些故障診斷算法被廣泛應用于發(fā)動機、電池及電機的故障診斷。然而，針對單一部件的故障診斷并不是完整的混合動力系統(tǒng)故障診斷解決方案，在實際系統(tǒng)運行時各部件作為一個整體互相影響，從單一部件出發(fā)的故障診斷可能不足以準確地定位故障。如并聯(lián)模式時，由于電機欠功率而引發(fā)的發(fā)動機輸出功率提高從而導致油耗增加，單從發(fā)動機故障診斷而言難以定位故障。綜上，需要研究一種能對動力系統(tǒng)所有部件同時進行故障診斷的診斷算法。

本文中提出了一種基于支持向量機的故障診斷方案。通過搭建整車實時仿真模型，從系統(tǒng)級出發(fā)，融合混合動力系統(tǒng)中各個部件的特征信號，構(gòu)建了基于支持向量機（support vector machine，SVM）柴電混合動力系統(tǒng)的診斷框架，進行了單故障注入和多故障注入的離線和實時仿真。該故障診斷算法能夠?qū)崿F(xiàn)在實時環(huán)境下對不同故障形式的辨識，相較只針對單一部件的故障診斷，該故障診斷算法能綜合考慮系統(tǒng)的運行狀態(tài)，更加準確地對動力系統(tǒng)所有部件同時進行故障診斷。

1 實時仿真模型

1.1 實時仿真模型建立

基于單軸并聯(lián)式的混合動力系統(tǒng)的整車和各部件參數(shù)如表1 所示，運用發(fā)動機仿真軟件GT-Suite利用整車及各部件參數(shù)搭建了物理模型與MAP 模型混合的柴油機實時模型、基于MAP 的電機模型及基于等效電路的動力電池組組成的電驅(qū)動系統(tǒng)模型，如圖1 所示。

表1 整車及各部件技術參數(shù)表

圖1 整車實時模型

1.2 模型驗證

為驗證本文建立的仿真模型的準確性，首先需要對該柴油機全轉(zhuǎn)速工況進行仿真計算，得到最高燃燒壓力、制動比油耗（brake specific fuel consumption，BSFC）和轉(zhuǎn)矩的試驗值與仿真值的對比，如圖2 所示?？梢钥闯?，仿真獲得的數(shù)據(jù)和試驗獲得的數(shù)據(jù)相吻合，最大誤差均小于5%，較為準確地模擬了柴油機運行特性，基本滿足性能仿真的需要。

圖2 仿真模型的最高燃燒壓力、BSFC 和轉(zhuǎn)矩校核結(jié)果

在GT-Suite 平臺完成車輛建模后，選定中國典型城市公交循環(huán)（China typical urban driving cycle，CTUDC）工況進行仿真，模型的車速跟隨效果如圖3 所示。車速誤差基本保持在±3 km/h 內(nèi)，考慮到車速跟隨誤差較大處基本為當前車速較高時，認為模型具備后續(xù)進行診斷算法研究所需精度。

圖3 速度跟隨效果圖

1.3 故障注入

本文中針對柴油機、電機和動力電池組故障進行診斷算法研究，故障數(shù)據(jù)來源于仿真結(jié)果，選定CTUDC中含有電機單獨驅(qū)動及電機與發(fā)動機混合驅(qū)動的1 228 s至1 277 s 段為整車模型的目標工況，如圖4 所示。

圖4 仿真循環(huán)工況

針對柴電混合動力系統(tǒng)常見故障，選取柴油機配氣系統(tǒng)故障、電機機械故障及動力電池組電池內(nèi)阻故障進行模擬分析，故障模擬方案見表2。

表2 故障數(shù)據(jù)樣本

2 基于支持向量機的混動故障診斷方法

2.1 特征參數(shù)提取

數(shù)據(jù)樣本作為診斷模型的輸入，是由多個特征信號構(gòu)成的，而特征信號的選取應遵循以下依據(jù)：由于所有的特征信號來源都是搭建模型的仿真結(jié)果，所有選取的特征信號必須包含在混動模型中；此外，為了兼顧診斷算法在整車控制器上的可兼容性，所選的特征信號應盡量為車輛控制器的輸入信號，即實車上可通過傳感器采集到的信號。采集信號如表3 所示。

表3 特征信號選取

2.2 不同SVM 多分類器模型對比

20 世紀90年代，科研人員在統(tǒng)計學習理論的基礎上提出了SVM 算法［12-15］。該算法具有小樣本、非線性和高維模式識別的特點，具有很強的泛化能力。

民樂銅礦的礦石結(jié)構(gòu)以交代結(jié)構(gòu)為主，其次為共結(jié)邊結(jié)構(gòu)、假像結(jié)構(gòu)、包含結(jié)構(gòu)。交代結(jié)構(gòu)中，可進一步劃分為脈狀穿插結(jié)構(gòu)、交代殘余結(jié)構(gòu)、骸晶結(jié)構(gòu)、交代港灣結(jié)構(gòu)等。

使用SVM 進行診斷研究，故障定位實際上是通過分類實現(xiàn)的。SVM 本質(zhì)上是二分類算法，而二分類對于可能出現(xiàn)多種需要一一識別的故障模式的復雜系統(tǒng)顯然不夠，需要構(gòu)建SVM 多分類器。構(gòu)建SVM 多分類器的方法中，根據(jù)是否對目標函數(shù)進行改動可分為直接法和間接法兩類。本節(jié)采用間接法實現(xiàn)多分類器的構(gòu)建，間接法是通過組合多個二分類器實現(xiàn)多分類的，主要有一對一（one-verseone，OVO）和一對多（one-verse-all，OVA）兩種構(gòu)建方式。文獻［16］表明，相較于OVA，OVO 是最適用的多分類算法，有著最好的分類性能。

針對無故障、柴油機故障、電機故障和動力電池故障4 種類別，構(gòu)建6 個不同的二分類器，依次為無故障—動力電池故障分類器SVM0-1、無故障—電機故障分類器SVM0-2、無故障—柴油機故障分類器SVM0-3、動力電池故障—電機故障分類器SVM1-2、動力電池故障—柴油機故障分類器SVM1-3和電機故障—柴油機故障分類器SVM2-3。在二分類器構(gòu)建完成后，采用OVO 方法的OVO-SVM 多分類器，標簽0、1、2、3 分別表示無故障、動力電池故障、電機故障和柴油機故障。圖5 為OVO-SVM 預測結(jié)果，可以看出，有較多實際類別為無故障的樣本被預測成了電機故障樣本，同時較多電機故障樣本被預測成無故障類別。

圖5 OVO-SVM 多分類器預測結(jié)果

表4 為上述6 個SVM 二分類和OVO-SVM 多分類器的預測準確率，雖然OVO-SVM 較部分二分類器的準確率低，但OVO-SVM 的誤判明顯小于6個二分類器的誤判總和，這也進一步驗證了OVOSVM 構(gòu)造方式可以增加故障診斷的準確率。因此本文中選定OVO 構(gòu)建方法進行故障診斷多分類器構(gòu)建。

表4 二分類和多分類器準確率

2.3 基于SVM 的故障診斷模型

確定了需要柴電混合動力系統(tǒng)故障模擬的方案后，搭建了基于SVM 的柴電混合動力系統(tǒng)故障部位識別診斷框架?；赟VM 的故障診斷主要分為數(shù)據(jù)樣本獲得與處理、SVM 多分類器的構(gòu)建和對樣本故障類別的辨識三部分，如圖6 所示。

圖6 故障部位識別診斷框架

數(shù)據(jù)樣本的獲取來源為所建立的整車模型，而整車模型在GT-Suite 中搭建，診斷算法模型在MATLAB/Simulink 中搭建，特征信號需通過Simulink harness 模塊和GT S-function 傳遞到故障診斷模型中，經(jīng)過數(shù)據(jù)處理后將樣本輸入SVM 多分類器。而SVM 多分類器采用OVO 的方法進行構(gòu)建，首先拆分訓練樣本依次構(gòu)建了6 個二分類器，再組合6 個二分類器構(gòu)建SVM 多分類器。SVM多分類器輸出樣本類別，從而確認故障部位。

2.4 故障診斷流程

時域中的柴電混合動力系統(tǒng)故障診斷主要包括數(shù)據(jù)采集傳輸和故障診斷兩部分。數(shù)據(jù)采集和傳輸部分實現(xiàn)對柴電混合動力系統(tǒng)注入故障，然后將柴油機特征信號、電機特征信號和電池特征信號傳遞到數(shù)據(jù)交互接口。故障診斷部分包括對特征信號進行處理，然后經(jīng)過SVM 多分類器的故障識別，最后經(jīng)過故障確認模塊得到故障類別。故障診斷流程如圖7 所示，聯(lián)合仿真的軟件保持步長一致，確保故障診斷部分不會遺失或者增加包含故障信息的樣本點。

圖7 故障診斷流程

2.5 故障確認

在進行故障確認時，期望的效果是綜合考慮故障持續(xù)時間和間隔來進行故障確認，于是采用基于計數(shù)的故障確認，原理是依據(jù)當前故障狀態(tài)來進行計數(shù)，最后根據(jù)計數(shù)值來確認故障的狀態(tài)。具體計數(shù)規(guī)則如下：當故障狀態(tài)非0（默認）時計數(shù)器加1，當故障狀態(tài)為0（非默認）時計數(shù)器減1。當計數(shù)器值在給定計數(shù)器上限（the given counter upper limit，TUL）和計數(shù)器下限（the given counter lower limit，TLL）之間時輸出實際的計數(shù)器值，當計數(shù)器值超過TUL 時輸出TUL；當計數(shù)器值等于TLL 且當前輸入故障狀態(tài)為0 時輸出TLL；當計數(shù)器值等于TLL且當前輸入故障狀態(tài)為1 時輸出0。當計數(shù)器值達到計數(shù)上限時，確認該故障，輸出故障狀態(tài)確認標簽。TUL 根據(jù)汽車安全完整性水平國際標準取值為127，TLL 根據(jù)國際標準取值為-128。基于計數(shù)的故障確認效果如圖8 所示。

圖8 基于計數(shù)的故障確認

3 故障診斷在線仿真

3.1 實時仿真平臺

圖9 實時故障診斷仿真平臺架構(gòu)

3.2 實時仿真與離線仿真對比

模型加載到實時仿真平臺后，采用CTUDC 工況進行了模擬。圖10 為離線仿真與實時仿真的車速和電機轉(zhuǎn)速對比結(jié)果。從仿真結(jié)果中可以看出，離線和實時的仿真中車速和電機轉(zhuǎn)速有相似的運行軌跡。結(jié)果說明在兩種不同的仿真模式下，全局的運行結(jié)果相似，實時和離線仿真的結(jié)果沒有明顯區(qū)別。但在一些瞬態(tài)工況下，實時仿真和離線仿真結(jié)果有所不同。圖11 為CTUDC 中200 s—250 s 段離線仿真與實時仿真的對比結(jié)果。從圖中可以看出，隨著車速不斷提高，電機轉(zhuǎn)速不斷提高，230 s 左右車輛進入聯(lián)合驅(qū)動模式，此時發(fā)動機起動，實時仿真結(jié)果的發(fā)動機轉(zhuǎn)速相較離線仿真有一個劇烈的上升。由于車輛從純電驅(qū)動切換至聯(lián)合驅(qū)動，離合器接合時轉(zhuǎn)矩沖擊會導致轉(zhuǎn)速較大的瞬態(tài)變化。實時仿真在瞬態(tài)工況時相較于離線仿真更能還原真實的情況，因此進行故障診斷實時仿真能進一步驗證診斷算法對故障的辨識能力，能更好地模擬真實控制器上故障診斷的環(huán)境。

圖10 離線仿真與實時仿真車速和電機轉(zhuǎn)速對比

圖11 離線仿真與實時仿真瞬態(tài)工況對比

3.3 單故障注入診斷

完成實時仿真平臺搭建后，在實時環(huán)境下進行故障診斷仿真，驗證基于SVM 的故障診斷算法的可行性。單故障注入診斷是在第25 s 時分別對柴油機、電機和動力電池進行故障注入；多故障注入診斷是在第10 s 至第18 s 注入電池故障，在第10 s 至第21 s 注入電機故障，在第25 s 至第50 s 注入柴油機故障。

采用上述實時仿真平臺，分別進行了電池、電機和柴油機的實時故障診斷仿真。車輛行駛工況與上文相同，在第25 s 時分別注入3 種故障。電池故障診斷實時仿真結(jié)果如圖12 所示。相比無故障注入時，第25 s 電池故障注入后車速提升略變慢，較正常情況下晚3 s 左右到達最高車速，同時電池荷電狀態(tài)（state of charge，SOC）也因內(nèi)阻變大而下降更快。由于故障剛注入幾秒內(nèi)特征參數(shù)變化較小，故障診斷模塊在29 s 左右辨識到故障發(fā)生，計數(shù)器的值開始增加，相較離線仿真時慢1 s 左右，在故障辨識模塊識別到故障發(fā)生后，大約6 s 左右確認故障發(fā)生，輸出故障標簽1，即確認為電池故障，完成在實時環(huán)境下對電池故障的識別和確認。

圖12 電池故障診斷實時仿真

電機實時故障診斷仿真結(jié)果如圖13 所示。25 s電機故障注入后，由于電機機械效率降低，電機驅(qū)動能力下降，車速的跟隨能力下降。同時從電機的轉(zhuǎn)矩圖中也能直觀看出25 s 后電機的轉(zhuǎn)矩較正常情況時有所下降，影響到整車的加速性能。車輛在49 s 左右加速到最高車速，較正常情況下晚6 s 左右。故障診斷模塊對電機故障的診斷同樣會有延遲，在28 s 左右識別到電機故障發(fā)生，計數(shù)器值開始增加，大約6 s 后確認電機故障發(fā)生，輸出故障標簽2，完成在實時環(huán)境下對電機故障的識別和確認。

圖13 電機故障診斷實時仿真

柴油機實時故障診斷仿真結(jié)果如圖14 所示。從進氣壓力和排氣溫度這兩個特征信號可以看出，車輛在第16 s 左右進入聯(lián)合驅(qū)動模式，柴油機起動。第25 s 時注入故障，進氣壓力降低0.025 MPa 后，隨著轉(zhuǎn)速和負荷的變化，進氣壓力的最高值也低于無故障注入時的最高值。而由于進氣壓力下降，進氣量減小，空燃比變小，排氣溫度上升，從圖中可以看出故障注入后的排氣溫度一直高于正常情況下的排氣溫度。由于對柴油機故障注入的形式不同，特征信號發(fā)生突變，變化的值較大，因此故障診斷模塊馬上識別到故障的發(fā)生，同樣經(jīng)過6 s 后故障確認模塊輸出故障標簽3，即確認柴油機故障發(fā)生，完成在實時環(huán)境下對柴油機故障的識別和確認。

圖14 柴油機故障診斷實時仿真

3.4 多故障注入診斷

電池+柴油機故障診斷實時仿真結(jié)果如圖15所示。電池故障在第10 s 注入后，由于電池的輸出能力下降，車速跟隨能力降低，同時由于內(nèi)阻變大，SOC 下降速度更快。由于加速過程變慢，達到混合動力模式切換條件時間變長，發(fā)動機起動延遲2 s 左右，較離線仿真時延遲時間更短，因為實時仿真時相同屬性的電池故障注入后對整車的影響相對較小，車速的跟隨能力在實時仿真中下降得相對較小。在25 s 時注入柴油機故障，進氣壓力下降0.025 MPa，與單獨注入柴油機故障相似，而由于進氣壓力下降，進氣量減小，空燃比變小，排氣溫度上升。同理，進氣壓力曲線和排氣溫度曲線也會較無故障時延遲2 s 左右。

圖15 電池+柴油機故障診斷實時仿真

故障識別模塊對電池+柴油機故障注入的識別結(jié)果如圖16 所示。從圖中可以看出電池故障計數(shù)器值從11 s 左右開始增加，較故障注入時間延遲1 s左右，6 s 之后故障標簽變成1，確認電池故障發(fā)生。第18 s 后，電池故障停止注入，0.5 s 左右后故障標簽變?yōu)?，電池故障計數(shù)器值逐漸遞減到-128。柴油機故障計數(shù)器的值從25 s 開始遞增，第31 s 左右確認柴油機故障發(fā)生，故障標簽變成3?？偣收蠣顟B(tài)在第17 s 至第18 s 和第31 s 至第50 s 兩個時間段都為1，能準確識別和確認電池和柴油機故障狀態(tài)。

圖16 電池+柴油機故障識別結(jié)果

電機+柴油機故障診斷實時仿真結(jié)果如圖17 所示。純電驅(qū)動模式時電機是唯一動力輸出源，第10 s電機故障注入后電機轉(zhuǎn)矩下降，車速跟隨能力降低，相較無故障時晚5 s 左右達到最高車速。無故障注入時，第16 s 左右發(fā)動機起動，電機轉(zhuǎn)矩下降較快，而由于切換到聯(lián)合驅(qū)動模式的時間推遲，電機轉(zhuǎn)矩的下降速度變慢。第25 s 時柴油機故障注入，進氣壓力降低0.025 MPa，而由于進氣壓力下降，進氣量減小，空燃比變小，排氣溫度上升。進氣壓力較無故障注入時峰值減小，排氣溫度高于無故障注入時排氣溫度。

圖17 電機+柴油機故障診斷實時仿真

電機+柴油機故障識別結(jié)果如圖18 所示。電機故障的計數(shù)器從第10 s 開始累加，6 s 后電機故障標簽輸出2，確認電機故障發(fā)生，第21 s 后電機故障停止注入，計數(shù)器值開始遞減至-128，同時故障標簽輸出0。柴油機故障計數(shù)器從第25 s 開始累加，第31 s 左右故障標簽輸出3，確認柴油機故障發(fā)生。總故障狀態(tài)計數(shù)器值從第21 s 開始遞減，第25 s 時計數(shù)器值又由于柴油機故障注入開始遞增，因此總故障狀態(tài)標簽在第28 s 左右又會輸出1，較柴油機故障標簽變成3 早3 s 左右。從圖中可以看出，故障識別模塊能準確識別和確認電機和柴油機故障狀態(tài)。

圖18 電機+柴油機故障識別結(jié)果

4 結(jié)論

（1）經(jīng)驗證，所建立的單軸并聯(lián)柴電混合動力系統(tǒng)模型的轉(zhuǎn)矩、油耗及最高燃燒壓力的仿真值與試驗值間的誤差均在5% 之內(nèi)，滿足準確性要求。

（2）采用基于OVO 方法的構(gòu)建混合動力系統(tǒng)多分類器的故障識別準確率達到98%。

（3）單故障注入和多故障注入的故障診斷實時仿真結(jié)果表明，在實時環(huán)境下，基于SVM 的故障診斷算法對混合動力系統(tǒng)級別故障具有良好的辨識能力。