基于经验模态和神经网络的纯电动汽车集中式电驱系统振动信号分析与故障预测

方晓汾

（衢州职业技术学院，浙江 衢州324000）

0 引 言

在纯电动汽车中，电驱系统包括驱动电动机、电动机控制器、动力输出部件等，是整车的关键部件。电驱系统在各工况下的可靠性直接影响整车的动力性、安全性。相比传统的内燃机动力系统，电驱系统结构具有体积小、机电耦合程度高、集成程度高等特点，从而导致该部件不易维修等问题。

针对机电系统中滑动轴承润滑状态中的不同频带的能量分布进行分析，通过经验模态分解（Empirical Mode Decomposition，EMD）将滑动轴承非平稳声发射信号分解为有限个平稳的本征模态函数(IMF),选取包含主要故障信息的前10阶IMF分量计算能量比例, 对轴承故障进行分类[1]，该方法应用于汽轮机转子故障诊断中，能较好地进行汽轮机转子不平衡、转子碰摩和转子油膜等振动信号的分析[2]，但仅应用经验模态分解(EMD)不仅存在信号单一、系统简单等局限性，而且仍然处于故障诊断中的被动诊断，较难发现复杂机电系统中潜在的安全隐患和故障预警。因此，研究在纯电动汽车电驱系统这类耦合程度高、产生信号干涉多、安全可靠性要求高的复杂机电系统，具有重要的研究意义。

针对复杂程度高、耦合度高的复杂系统的振动问题，一般来说，建立振动系统的动力学模型，分析干扰耦合的产生原因[3]，不仅计算量大、数学模型复杂，而且处理效率不高。针对复杂的非线性、非平稳信号，雷亚国等[4]应用Hilbert-Huang方法分析机械故障诊断中的非线性信号处理，分析分量中的故障敏感信息，借助计算能力的提升，应用大数据驱动下保障装备安全运行，依靠充足的可用监测数据训练智能诊断模型进行智能诊断，进而准确识别装备的健康状态[5-7]。

国家电网将压电式加速度传感器安装在开关操动机构主轴附近，通过数据采集卡和波形显示存储平台采集配电开关不同机械状态下分、合闸时刻的振动信号；然后进行EMD时频分解，得到有限个不同频率、不等带宽的固有模态分量和残差分量；计算不同机械状态下振动信号各阶IMF的样本熵，以样本熵矩阵作为FCM的输入，通过模糊聚类方法诊断出配电开关的机械状态[8]。

本文基于经验模态分析方法对纯电动汽车电驱动系统进行分析，将集中式电驱动系统中的各类组件进行拆解，根据相互干涉关系确定信号采集来源，应用经验模态算法生成IMF分量，再将IMF分量输入神经网络进行训练，输出系统可能存在的安全隐患和故障预测。

1 电驱系统结构

纯电动汽车驱动系统主要包括箱体、驱动电动机、传动系统、功率变换器及控制器等五大部分，驱动电动机作为动力输出源，是影响动力性能的核心部件。驱动电动机主要的类型包括永磁同步电动机、开关磁阻电动机、直流电动机及交流异步电动机等。综合考虑到体积、质量、效率、控制等影响因素，纯电动汽车主要采用永磁同步电动机，例如大众e-Lavida、丰田Prius、北汽EV/EU系列、吉利EV系列等。

纯电动汽车电驱动系统根据布置形式的不同，可以分为集中式驱动、分布式驱动两大类，由于集中式驱动控制简单、布置方式易于实现、成本低等优点，在目前纯电动汽车中占有最大比例。

在纯电动汽车集中式驱动系统中，包括驱动电动机、电动机控制器、变速器、差速器及半轴。驱动电动机结构包括电动机壳体、定子部件、转子部件等，电动机控制器包括各类控制模块、I/O接口、连接组件及箱体。传动系统一般为固定速比的变速器，包括输入轴、输出轴、齿轮系及壳体。差速器包括输入轴、输出轴、锥齿轮组及壳体，驱动电动机输入的转矩传动至2根或4根驱动半轴。

纯电动汽车电驱动系统在静止启动、加速、匀速、减速、制动等不同工况运行过程中，其振动信号通常包含了系统运行的诸多信息，特别是系统运行中潜在的故障隐患。将纯电动汽车电驱动系统中各个组件设置为：A 为驱动电动机，B为变速箱，C为差速器，D为驱动半轴，两者之间存在干涉定义为t，表1为电驱动系统中各组件干涉关系，例如AB之间存在刚性的机械连接，tab表示AB之间的振动干涉，然而A本身产生的振动表示为taa。

图1 纯电动汽车电驱动系统示意图

图2 纯电动汽车电驱动系统三维结构图

在集中式电驱动系统中，由于各组件的安装紧凑，虽然输入输出组件没有机械耦合，但往往壳体箱体存在振动干涉，在分析振动信号的干涉时，忽略干涉方向性，即tab=tba，所以该表格为对称的；虽然驱动电动机A与差速器C、驱动半轴D没有直接的机械耦合，但其壳体之间相连，仍然存在较强的振动干涉。

纯电动汽车电驱动系统属于一个复杂的机电系统，

表1 电驱动系统中各组件干涉关系

2 Hilbert-Huang变换的经验模态分解

Hilbert-Huang变换在处理非线性、非平稳信号具有大的优势，经验模态分解（EMD）是Hilbert-Huang变换重要组成部分。如图3所示。将采集到的原始信号分解为若干个固有的内禀模式函数（Intrinsic Mode Function，IMF），能够将任意的复杂信号分解为一系列分量，能够快速地筛分出复杂信号中的从高到低不同频率段的特征成分。运用EMD分解内禀模式函数IMF的算法流程包括：

图3 经验模态分解算法流程图

Step1：将x(t)赋值给r，取原始信号x(t)局部极大值点，将极大值点依次连接形成上包络线E1(t)；同 理，取 原 始 信号x(t)局部极小值点，将极小值点依次连接形成下包络线E2(t)。

Step2：计算上下包络线的平均值m(t)，m(t)=[E1(t)+E2(t)]/2，然后求出原始信号x(t)与平均值m(t)的差，h=x(t)- m(t)，且判断h是否满足IMF的条件，若满足则算法生成第一个IMF分量h；若不满足IMF的条件，则将h重新赋值给x(t)，进入Step1进行计算。

Step3：将h赋值给c(n)，将r即x(t)中分离出h的IMF分量后，n=n+1，r=r-c(n)，判断r是否满足终止条件，若不满足，将r重新赋值给x(t)，进行Step1计算；若r满足终止条件，则算法终止。

判断h是否满足IMF条件需要同时满足：1) 信号的极值点数目与经过零点数目相等或最多相差一个；2) 由局部极大值构成的上包络线和由局部最小值构成的下包络线的平均值为0。

终止条件：r值成为一个单调信号或值小于预先设定的阈值。

假设原始信号被分解为n个IMF分量c1,c2,…,cn，余项r=rn，那么原始信号等同于n个IMF分量的叠加与余项rn之和：

式中：k=1…n。

3 卷积神经网络模型

卷积神经网络（Convolutional Neural Networks，CNN）是包含卷积计算且具有深度结构的神经网络，目前卷积神经网络在图像识别、语音识别等领域都有应用，比较常见 的 算 法 包 括LeNet、AlexNet、VGG、NIN、GooLeNet、GoogLeNet、ResNet等，在智能故障诊断中应用ResNet等算法[9-10]进行机电系统故障诊断。

人工神经网络拓扑结构如图4所示，它能够学习大量的输入-输出之间的映射关系来达到训练目的，其步骤包括：

图4 人工神经网络模型

Step1: 从样本集合中选取某一个样本Xi作为输入进入神经网络，计算相应的实际输出Yi；

Step2:计算理想输出Oi与实际输出Yi的差值μ，再按极小化差值的方法反向传播调整权矩阵。

卷积神经网络一般包括卷积层、pooling 层、全连 接 层，LeNet 包括输入层、卷积层、降采样层、全连接层、输出层，如图5所示。

图5 LeNet的CNN结构

4 振动信号分析与故障预测

驱动电动机是纯电动汽车电驱动系统的重要组成部件，同时也是纯电动汽车电驱动系统出故障的最常见部位。

美国电力研究院EPRI报告数据显示，电动机的故障53%来源于机械原因，引起故障的外在原因包括过载、潮湿、润滑不良、化学污染和粉尘颗粒、单相运行、轴承失效、绝缘老化等。传统的检测方法包括静态电气测试、动态电气测试、动态机械测试。然而对于纯电动汽车的电驱动系统来说，静态电气测试、动态电气测试、动态机械测试通常也是处于出现故障后的被动的测试，但是在电驱动系统出现故障的前提下，重新通电进行测试是很危险的。

4.1 采集振动信号

将纯电动汽车集中式电驱动系统结构中采集振动信号的采集点设置为Xn，如图6所示。

图6 电驱系统结构中采集振动信号

1）在纯电动汽车从0～60 km/h加速运行工况下，采集振动信号13组样本Xn，每个样本至少包括1024个点，将Xn产生振动信号采用EMD分解为m个IMF分量集合Ai。

2）在纯电动汽车从80～100 km/h之间匀速运行工况下，采集13组振动信号样本Xn，每个样本至少包括1024个点，将Xn产生振动信号采用EMD分解为m个IMF分量集合Bj。

3）在纯电动汽车从60～0 km/h紧急制动运行工况下，采集13组振动信号样本Xn，每个样本至少包括1024个点，将Xn产生振动信号采用EMD分解为m个IMF分量集合Ck。

4.2 训练神经网络

构建智能故障诊断的卷积神经网络模型，通过TensorFlow搭建神经网络输入/输出层。

图7 智能故障诊断的卷积神经网络模型

通过挖掘企业维修记录中的不同工况（0～60 km/h加速、80～100 km/h之间匀速运行、60～0 km/h紧急制动等三种工况）下振动信号Xn′，将Xn′部分缺省数据删除，并运用EMD算法将企业维修历史记录数据中的振动信号Xn′作为训练集，建立映射关系f：

4.3 故障预测

将监测纯电动汽车电驱系统运行过程中产生的振动信号Xn进行EMD分解，并将不同工况下的IMF分量形成输入集合I，输入模型进行计算，从而获得实际输出Y。

式中：Ai、Bj、Ck分别为不同工况下不同组件振动信号经过EMD分解后的IMF分量集合；Yn为输出预测的故障信息。

5 结 论

通过基于经验模态分析方法与神经网络相结合，采集纯电动汽车集中式驱动系统的振动信号为原始数据，分析复杂的机电系统振动信号来识别系统中隐藏的故障信息，对提高系统的可靠性具有借鉴意义。本文提出了一种基于经验模态分析和卷积神经网络相结合的振动信号分析方法，建立了纯电动汽车集中式电驱动系统中各组件IMF分量数据集合与故障之间的映射关系f。

纯电动汽车电驱动系统具有结构复杂、机电耦合程度高、集成程度高等特点，由于振动信号的测试数据集有限且振动信号数据量大，在实际操作过程中，通常存在数据缺省严重问题，而数据完整度对模型预测的准确性具有很大的影响，未来需要进一步在缺省部分数据情况下研究模型预测的准确性。

不同维度的数据类型（如图像、声音、电磁信号等）共同作为输入时，如何构建智能诊断网络模型，是未来进一步研究的方向。