某新能源汽车驱动电机故障分析及预防性的研究*

张瑞军

(江西工业工程职业技术学院 机械工程学院，江西 萍乡 333700)

0 引言

随着新能源汽车技术的发展，新能源汽车对驱动电机性能的要求也越来越高[1]，驱动电机是新能源汽车主要的驱动部件，驱动电机的振动直接影响着汽车的动力性能，目前驱动电机不能充分发挥电机效率，增加了投资费用和运行费用，并且驱动电机的振动会使电机发热量增大，接收的信号不稳定，缩短电机的使用寿命。

本文通过对驱动电机进行模态分析，获取了噪声对驱动电机的影响，模态分析的结果可以为驱动电机的进一步优化设计及动力学分析提供理论依据。通过合理的优化能够提高驱动电机性能，有利于提高驱动电机的可靠性和寿命。

1 经验模态分解在驱动电机上的应用

驱动电机是由电机控制器控制的，电机控制器接收的信号复杂，将该信号通过EMD(经验模态分析)分解为一系列稳态和线性的数据序列集，该序列集称之为固有模态分量(Intrinsic Mode Function，IMF)[2,3]。EMD分解所得的数据来自于电机控制器采集的数据，对电机控制器采集的数据分解是一个自适应过程，分解得到的IMF满足下面两个条件：①驱动电机的固有模态分量中，过零点与极值点的个数最多相差一个；②在驱动电机转动的任意时刻，信号的上包络线和下包络线的平均值为零。

电机控制器采集的信号经过EMD分解之后，再次筛选得到最终的IMF，其具体分解过程如下：

(1)对电机控制器信号进行读取，找出信号y(x)上的所有局部极值点，通过三次样条插值法得到局部极大值点的包络线，而驱动电机采集的所有信号数据均在上、下包络线之间。

(2)通过计算得到上、下包络线的平均值，记为c1，求出：

h1=y(x)-c1.

若h1能够满足IMF条件，那么h1将作为驱动电机信号y(x)的第一个IMF。若h1不满足IMF条件，则将h1作为初始信号数据，重复步骤(1)和步骤(2)，直到得到新的上、下包络线平均值，记为c11，计算h11=h1-c11，并判断h11是否满足IMF的条件，若仍不满足，则继续重复循环，计算h1k=h1(k-1)-c1k(k≥1)，直到h1k满足IMF条件。记b1=h1k，则b1为信号y(x)的第一个IMF,计为IMFb1。

(3)从y(x)将b1分离出来，得到：

r1=y(x)-b1.

将r1重新作为初始数据，重复过程步骤(1)和步骤(2)，直到得到第二个IMF，计为IMFb2。然后重复循环p次，由驱动电机的信号y(x)最终得到p个IMF，此时可以得到驱动电机的振动信号方程：

rp=rp-1-bpp≥1.

此时，经过p次循环，得到的rp是一个单调函数，若驱动电机的信号不满足此方程，则此类信号数据不再从中提取，循环到此结束。此时驱动电机的EMD分解信号方程可以表示为：

2 驱动电机信号噪声对EMD的影响

在EMD(经验模态分析)分解过程中，对驱动电机信号包络值的边界求取至关重要[4]。通过三次样条插值法可以得到上、下包络线的近似值，由于驱动电机的信号都是有限的电压信号，信号存在不稳定性，所以信号的端点极值无法确定，导致在样条插值后边界就会产生误差。具体表现为：①出现端点边界效应，驱动电机信号的两端附近发生信号失真;②影响EMD的分解质量，驱动电机端点边界效应会导致EMD分解筛选出的IMF不能真实反映信号的特征。

对于EMD分解算法产生的端点效应应尽量减小它的影响。而实际信号中必定含有干扰噪声，干扰噪声会增大插值的次数和分解的层数，从而使EMD分解时产生较大的累积误差。采用三次样条插值法就是为了避免进行多次样条插值，降低产生的误差，从而提高驱动电机的可靠性。

3 奇异值去噪及降噪阶次的确定

奇异值分解(SVD)是一种非线性滤波，应用SVD可以使驱动电机的信号消噪，并且可以提取振动信号中的周期[5]。利用奇异值分解振动信号的过程如下：

若矩阵A∈R(m×n)，设m≥n，其秩rank(A)=u，则存在正交矩阵U(m×n)、V(m×n)和一个对角阵S(m×n)，使得公式I=UUT成立，则称该公式为矩阵A的奇异值分解。其中，U=[u1，u2，…，um]∈R(m×n)，UUT=I(I为单位矩阵)，V=[v1，v2，…，vj]∈R(m×n)，VVT=IS，S=diag[λ1，λ2，…，λr，0，…，0]∈R(m×n)(λ1>λ2>λr≥0)。

若驱动电机振动信号的矩阵为Cm，利用SVD理论的矩阵最佳逼近原理可以得到驱动电机原矩阵Cm的最佳逼近矩阵Cm′：

(1)将Cm的奇异值保留前K个，其他均置零。

(2)通过SVD分解的逆过程得到一个矩阵，记为Cm′，则矩阵Cm′为Cm的最佳逼近矩阵。

利用SVD降噪可以得到驱动电机原矩阵的最佳逼近矩阵。其中K值被称为降噪阶次，K的选取对信号的降噪效果有一定的影响。当K取值过小时，信号削弱过多，部分有用信号也被滤除，引起信号缺失；当K取值过大时，噪声信号没有完全去除，降噪结果不理想。由于奇异值曲线下降第一个转折点以后其基本都是由噪声所产生的，所以选取奇异值曲线第一个转折点的K值作为信号降噪阶次，能够在噪声去除和信号完整两方面均达到良好的效果。

4 驱动电机AR模型的建立

4.1 信号自回归滑动平均模型ARMA(f,g)

若将驱动电机的信号划分为零均值、正态、光滑的时间序列{xt}(t=1，2，…，f)，xt的取值不但与其前f个不同取值xt-1，xt-2，…，xt-f有关，而且还与前g步的不同干扰信号at-1，at-2，…，at-g有关，根据多元线性回归的原理，可建立驱动电机信号的ARMA(f,g)模型：

xt=Φ1xt-1+Φ2xt-2+…+Φfxt-f+

θ1at-1+θ2at-2+…+θgat-g+at.

(1)

其中：g为模型的移动平均项数；f为模型的自回归阶次；Φi(i=1，2，…，f)为自回归系数；θj(j=1，2，…，g)为滑动平均系数；at为干扰信号。

4.2 驱动电机信号的自回归模型AR(f)

令滑动平均系数θj=0，将ARMA模型中的滑动平均成份去除，式(1)变为：

xt=Φ1xt-1+Φ2xt-2+…+Φfxt-f+at.

(2)

此时(1)式变为n阶自回归模型，记为AR(f)。通过式(2)可知：在t时刻，xt的值可以通过t时刻前的f个连续取值xt-1，xt-2，…，xt-f与t时刻噪声的线性组合得到。

4.3 移动平均模型MA(g)

令自回归系数Φi=0，相当于去除自回归部分，式(1)变为：

xt=θ1at-1+θ2at-2+…+θgat-g+at.

(3)

此时式(3)为g阶滑动平均模型，记为MA(g)。

通过对三种模型的比较可知：①MA和ARMA模型通过求解一组高阶非线性方程来对参数进行精确估计，计算量较大；②AR模型参数的值只需要解一组线性方程即可得到，并且任何平稳的ARMA模型和MA模型均可以用AR模型去代替。因此通过AR模型能够快速建立驱动电机信号的数学模型。

5 结论

本文通过对驱动电机振动数据的处理可以对驱动电机的信号重构，建立了信号的经验模态方程，并且得到了噪声信号对经验模态方程的影响，从而提高接收信号的稳定性以及电机的使用寿命，并充分发挥驱动电机效率，减少投资费用和运行费用，同时也为驱动电机的进一步优化设计及动力学分析提供了理论依据。