汽車電驅動系統(tǒng)多源異構信號融合分類研究

奚易

摘 ?要：多源異構數據融合作為汽車電驅動系統(tǒng)領域中的重要數據處理手段備受矚目，其在汽車電驅動系統(tǒng)領域中扮演著關鍵角色，為深入理解系統(tǒng)運行特征和解決復雜問題提供有效手段。該文通過對多源異構信號特點、融合層次分類的剖析，提出一種應用于汽車電驅動系統(tǒng)的多源異構數據融合方法，并利用采集到的電驅動多源異構數據對融合算法進行驗證，結果表明，融合分析能夠有效地區(qū)分汽車電驅動系統(tǒng)質量。

關鍵詞：電驅動系統(tǒng)；多源異構數據；特征提取；多源融合；加權融合

中圖分類號：TP393 ? ? ?文獻標志碼：A ? ? ? ? ?文章編號：2095-2945（2024）18-0020-04

Abstract： Multi source heterogeneous data fusion， as an important data processing method in the field of automotive electric drive systems， has attracted much attention. It plays a key role in the field of automotive electric drive systems， providing an effective means for a deeper understanding of system operation characteristics and solving complex problems. This paper proposes a multi-source heterogeneous data fusion method applied to automotive electric drive systems by analyzing the characteristics of multi-source heterogeneous signals and the classification of fusion levels. The fusion algorithm is validated using the collected multi-source heterogeneous data of electric drive systems， and the results show that fusion analysis can effectively distinguish the quality of automotive electric drive systems.

Keywords： electric drive system; multi-source heterogeneous data; feature extraction; multi-source fusion; weighted fusion

汽車電驅動系統(tǒng)是一種使用電能來推動車輛的系統(tǒng)，主要由電動機、電池和電控系統(tǒng)組成。在其工作過程中[1]，“機-電-控-磁-熱”異構信號十分繁雜，而且系統(tǒng)涉及到的高速旋轉件眾多，因此表現出極強的異構信號耦合和多源扭振問題，此外，由于單一信息源提供的信息無法準確揭示電驅動系統(tǒng)的全貌，無法對多源異構信號進行準確測試、辨識和融合，所以多源數據融合成為揭示汽車電驅動系統(tǒng)動力學規(guī)律、驗證系統(tǒng)動力學機理的關鍵[2]。在此背景下，深入分析汽車電驅動系統(tǒng)各個方面變得至關重要。通過精確測試、辨識和融合異構信號，研究人員可以更全面地理解汽車電驅動系統(tǒng)的行為，從而優(yōu)化系統(tǒng)設計、提高性能，并解決異構信號帶來的復雜問題。這一過程對于推動汽車電驅動技術的發(fā)展和應用至關重要。

本文基于多源異構信號特點、異構數據融合層次分類方法提出了一種汽車電驅動系統(tǒng)多源異構融合算法，利用實測汽車電驅動系統(tǒng)多源異構數據對融合方法進行了驗證。

1 ?異構數據特點和融合分類

1.1 ?多源異構數據特點

多源異構數據是指來自不同來源、不同類型或不同結構的數據集合[3]。這種異構數據常常體現出數據的差異性，會使得采集到的數據不經過處理難以進行分析和利用，因此在進行分析、整合和利用的時候，需要處理其差異性，同時，為了提升數據的完整性和全面性，以及提高數據的準確性和可信度，必須進行多源融合。

多源異構數據主要有多源性、異構性和復雜性3個特點，具體如下。

多源性：指數據來自不同的數據源。例如，在汽車電驅動系統(tǒng)中的電流、電壓、溫度和轉速等數據被視為多源異構數據，因為他們來自汽車電驅動系統(tǒng)中的不同組成部分。

異構性：指數據的類型、格式、結構等方面存在差異。例如，在汽車電驅動系統(tǒng)中，電流、轉速、溫度等數據的多源異構性體現在他們不僅單位和量綱不同，并且采樣頻率也存在差異。

復雜性：在電驅動系統(tǒng)中，需要綜合考慮電流、轉速、溫度等多種異構數據。為有效處理這些數據的多源性和異構性，需要應用適當的融合技術。解決復雜性涉及數據預處理、特征工程和融合算法的運用，才能得到多源異構數據的融合結果。

1.2 ?多源異構數據融合層次分類

多源異構數據按融合層次分類可分為像素級融合、特征級融合和決策級融合3類[4]。

像素級融合是指直接對原始數據進行關聯融合，不對原始數據作任何處理，在融合之后進行特征提取和做決策，如圖1所示。這種融合方法在最大程度上保留了原始數據特征，能夠提供更多的細節(jié)信息，但是融合受原始數據的不確定性、不完整性和不穩(wěn)定性的影響較大并且對傳感器、通信能力等要求較高。

特征級融合是指先提取原始數據特征信息再進行融合，融合之后進行關聯和做決策，如圖2所示。特征信息可以是數量、方向、距離等信息。特征級融合的融合順序使得其可以做到較好的信息壓縮，較像素級融合而言有更好的實時性。同時由于特征提取部分直接與決策分析相關，因而在保證實時性的同時也能夠最大程度地給出決策所需的特質信息，但是該方法在特征信息提取階段會損失數據，可能會導致結果不精確。

決策級融合是從各個特征源獲取信息并進行決策之后再融合[5]，并對融合之后的結果進行最終決策，如圖3所示。該方法能提高容錯性，對傳感器的依賴較小，但是融合結果的精度低、決策的初始代價高。

3種融合層次各有其優(yōu)勢和限制，本文在處理汽車電驅動系統(tǒng)多源異構數據上選擇特征級融合作為主要策略，其在保留原始數據關鍵特征的同時，通過信息壓縮實現更好的實時性，相較于像素級融合具有更好的靈活性。同時，通過細致的特征提取和融合，特征級融合能夠一定程度上克服決策級融合的精度問題，提高整體融合結果的準確性，使系統(tǒng)更具魯棒性。

2 ?電驅動系統(tǒng)多源異構數據融合

在多源異構數據融合中，常見的算法包括D-S證據理論、支持向量機和加權融合[6-7]。D-S證據理論以其處理不確定性和沖突信息的優(yōu)勢而被選用，其計算過程較為復雜，涉及Belief函數和Plausibility函數的組合規(guī)則。支持向量機適用于高維空間的分類問題，通過找到最優(yōu)超平面分離不同類別的數據，但在大規(guī)模數據上的計算開銷較大。相對而言，加權融合算法簡單直觀，通過動態(tài)調整權重靈活適應不同數據源的貢獻，提高整體融合效果。因此，本文選擇使用加權平均融合算法對汽車電驅動系統(tǒng)多源異構信號進行特征級融合處理。

加權平均算法的核心原理是在多源異構信息融合中通過計算每個信息源的加權平均值來得到整體融合結果[8]。其步驟如下：首先，為每個信息源分配權重，這些權重反映了各信息源在最終融合結果中的相對貢獻。這一權重的確定可以基于各信息源的可靠性、精度、信任度等因素，以確保對不同信息源進行合理的重要性分配。

其次，在每個時刻或數據更新周期，通過將每個信息源的值與其相應的權重相乘，得到各信息源的加權值。這一步考慮了不同信息源的權重，使得對于更為可信或準確的信息源，其在融合結果中的貢獻更為突出。

最后，通過將所有信息源的加權值相加，得到加權平均值。這個最終結果即為融合后的數據，其中每個信息源的貢獻被動態(tài)地考慮并體現在最終結果中。通過這種方式，加權平均算法能夠靈活地適應不同信息源在不同時刻的貢獻度，從而實現更為全面和準確的數據融合。其融合公式為

， （1）

式中：Ｆw為融合結果；？棕1，？棕2，…，？棕n為對應的權重；Ｆ1，Ｆ2，…，Ｆn為特征。

不同特征或數據源可能具有不同的數值范圍，例如一個特征的數值范圍在0到1之間，而另一個特征可能在幾百或幾千的數量級。如果在不進行歸一化的情況下直接進行加權融合，數值較大的特征或數據源可能會在融合結果中占據主導地位，而數值較小的特征則可能被忽略。

因此，為確保不同特征或數據源的數值范圍一致，防止某些特征或數據源對融合結果產生過大的影響[9]，在融合前需對原始數據進行歸一化處理，以保證各個特征的數值映射到相似的尺度范圍內，使他們具有相對一致的權重，從而能夠在加權融合中更公平地貢獻到最終結果。

最小-最大值歸一化的過程公式為

式中：Ｘn為歸一化結果；Ｘ為當前值；Ｘmin為最小值；Ｘmax為最大值。

接著，在對原始數據進行歸一化處理后，為確保各項歸一化特征在融合中能夠合理貢獻，一般采用確定各項歸一化特征結果的權重。這一步驟是為了在加權融合過程中考慮不同特征的相對重要性，避免某些特征對最終融合結果產生不必要的過大影響[9]。權重的確定可以根據特征的重要性、可靠性或者其他相關因素進行賦值。一種常見的做法是基于信息熵來為每個特征進行權重分配，公式為

將式（3）計算得到的權重和式（2）計算得到的歸一化結果帶入式（1）得到加權融合結果。

3 ?汽車電驅動多源異構數據融合

從電驅動系統(tǒng)總成下線檢測試驗臺（圖4）獲取約5 000臺電驅動系統(tǒng)下線檢測數據，其中下線檢測不合格產品約500臺，合格產品約4 500臺。為了進行全面的性能評估，我們從電驅動系統(tǒng)下線測試環(huán)節(jié)中整理了多個關鍵特征，包括平均轉速、振動均方根值、A計權聲壓級等作為多源特征，接下來進行多源融合分析，并以下線檢測結果作為判斷結果。

首先，對于每個電驅動系統(tǒng)的特征，包括平均轉速、振動均方根值、A計權聲壓級等，進行最小-最大歸一化處理，將原始數據映射到[0， 1]的范圍內，以消除不同特征之間的尺度差異，確保他們在融合分析中具有相似的權重。歸一化的過程采用了式（2）。接下來，通過式（3）利用信息熵為每個特征計算權重。將歸一化結果帶入權重計算公式計算出權重系數見表1。

對于每個樣本，使用之前計算得到的權重系數與歸一化后的特征值，按照加權融合式（1）進行計算得到樣本加權融合結果，將每個樣本的融合結果與下線檢測判斷結果結合，得到下線檢測合格產品與不合格產品分布區(qū)間，如圖5所示。

從融合結果分布區(qū)間可看出，不合格產品融合分析結果大致分布于（300，350），合格產品融合分析結果大致分布于（170，300）， 兩者數據分布區(qū)間并不重疊，且與下線檢測結果分布一致。探究不合格分布在（300，350）區(qū)間的原因發(fā)現當電驅動系統(tǒng)出現問題時會導致噪聲或者振動值變大，從而使加權結果值變大。這突顯了通過融合分析的敏感性，其能夠捕捉到系統(tǒng)性能異常，并且可有效區(qū)分汽車電驅動系統(tǒng)質量。此外，數據分布在（170，350）的原因是因為在進行加權融合的過程中，由于平均轉速提供的有用信息較少，故使用歸一化的結果，會對融合結果產生很大的影響，因此，本文使用原始的平均轉速數據進行融合。

4 ?結論

多源異構數據融合在深入理解汽車電驅動系統(tǒng)運行特征和解決復雜問題中可發(fā)揮關鍵作用。本文深入研究了汽車電驅動系統(tǒng)的多源異構數據融合問題。通過對多源異構數據特點和融合分類的探討，提出了加權融合算法。在電驅動系統(tǒng)數據分析中，采用了加權融合算法對轉速、噪聲和振動等數據進行處理與融合。實驗結果表明，融合分析能有效區(qū)分汽車電驅動系統(tǒng)的合格和不合格產品，為系統(tǒng)設計和性能優(yōu)化提供了有力支持。

此外，加權融合算法在處理樣本不足和特征不全面時表現不夠完善，需要進一步優(yōu)化以提高其穩(wěn)定性和可靠性。

參考文獻：

[1] 杜克強，許檬，李璇，等.純電動汽車用高速電驅動系統(tǒng)發(fā)展綜述[J].汽車實用技術，2022，47（3）：10-16.

[2] 侯磊，范旭紅，杜長虹，等.多合一電驅動系統(tǒng)的結構原理及CAE仿真分析[J].微特電機，2019，47（10）：1-5，10.

[3] 唐莉，程世娟，張曉潔，等.多源異構數據貝葉斯變權融合可靠性評估模型[J].重慶理工大學學報（自然科學），2023，37（2）：272-277.

[4] 祁友杰，王琦.多源數據融合算法綜述[J].航天電子對抗，2017，33（6）：37-41.

[5] 賀雅琪.多源異構數據融合關鍵技術研究及其應用[D].成都：電子科技大學，2018.

[6] 謝保林.基于DS證據理論的多傳感器數據融合方法研究[D].鄭州：河南大學，2022.

[7] 張寧波.基于SVM和DS證據理論的多傳感器信息融合故障診斷[J].山西電子技術，2015（4）：44-46.

[8] 袁維，李小春，白冰，等.透鏡體對尾礦壩安全性影響的參數敏感性分析[J].中南大學學報（自然科學版），2013，44（3）：1174-1183.

[9] 聶慶科，孫廣，郝永攀，等.多源異構監(jiān)測數據融合方法及應用[J].科學技術與工程，2022，22（13）：5348-5357.