基于模糊故障诊断的电机故障诊断专家系统设计

覃卓庚

摘要：为了改善电动汽车驱动电机故障诊断效率和诊断精准度，本文选择遗传算法和模糊故障诊断方法作为研究工具，设计一套新型电机故障诊断专家系统。该系统利用传感器采集电机作业状态数据，经过模糊处理，按照模糊规则，调动知识库和数据库，对电机作业状态进行诊断。测试结果显示，本系统在电机故障诊断精准度为99.8%，响应时间控制在200？滋s以内，较传统系统性能有了很大改善。

Abstract： In order to improve the efficiency and accuracy of fault diagnosis of electric vehicle drive motors， this paper selects genetic algorithms and fuzzy fault diagnosis methods as research tools to design a new set of motor fault diagnosis expert systems. The system uses sensors to collect motor operating status data， and after fuzzy processing， according to fuzzy rules， the knowledge base and database are mobilized to diagnose the motor operating status. The test results show that the accuracy of the system's motor fault diagnosis is 99.8%， and the response time is controlled within 200， which has greatly improved the performance of the traditional system.

关键词：模糊故障诊断;遗传算法;电动汽车驱动电机

Key words： fuzzy fault diagnosis;genetic algorithm;electric vehicle drive motor

中图分类号：TM307                     文献标识码：A             文章编号：1674-957X（2021）17-0202-03

0  引言

电动汽车作为新时代推出的环保类汽车，其电机运行期间不会对环境造成影响，目前已经在我国南部地区大范围推广，逐渐扩展至北部[1]。该类型汽车电机采用新能源驱动，电机驱动控制器的开发尚不成熟，电机作业期间可能发生故障，如何快速诊断故障并加以修复，是当前新能源电动汽车发展的关键[2]。当前提出的一些数学模型故障诊断方法精准度存在较大提升空间，神经网络故障诊断结构较为复杂，诊断效率较低[3]。本文在以往研究基础上，引入遗传算法，与模糊逻辑诊断方法结合，提出一种新的诊断方法，并将其应用至电机故障诊断当中，设计一套故障诊断专家系统。

1  模糊故障诊断方法

1.1 数学模型与神经网络诊断方法  数学模型诊断方法在电机故障诊断中应用较多，根据电机作业原理及相关参数，构建数学模型。通过测量电机作业参数数据，对电机当前作业状态进行诊断，判断是否发生故障。这种方法能够判断即将发生的故障或者已经产生的故障。其中，数学模型的精准度取决于参数数据精度、故障诊断方案。所以，数学诊断模型需要与算法共同应用。

目前，神经网络算法与数学诊断模型的共同应用较多。利用该算法对故障类别进行划分，判断当前诊断对象发生的故障情况。一般情况下，算法应用期间需要经过多次学习，最终确定系统结构，这个学习的过程就是训练。该诊断方法在电动汽车驱动电机故障诊断中的应用，以测量数据作为电机故障诊断支撑，带入神经网络模型中，对故障做出诊断。依据神经网络算法作业原理可知，该算法对测量数据精准度要求较高，如果测量数据中掺杂了1个或者多个偏差较大的数据，则会出现故障诊断精准度下降现象。

1.2 模糊逻辑故障诊断方法  对于神经网络算法存在的测量数据偏差影响问题，模糊逻辑故障诊断方法对此进行了完善，对测量数据进行了处理。其中，处理工具为模糊化单元，按照底层模糊规则，采取模糊推理，得到更为精准的诊断结果。如图1所示为模糊逻辑故障诊断框架结构。

该诊断结构通过检测电动汽车电机与控制器（驱动装置）作业状态，获取相关参数数据，對于这些数据采取模糊化单元处理，得到多个单元模块，从模糊入口输入数据。以底层模糊规则作为推断依据，给出模糊推断结论，从输出端输出结果，采用解模糊化处理手段，生成可视化故障诊断结果。该方法模糊推理是诊断方法的关键，当前提出的一些模糊推理结构较为复杂，并且遍历路径较多，存在偏离最佳路径情况，仍需进一步完善。

1.3 模糊逻辑故障诊断方法的优化  本研究在模糊逻辑故障诊断方法基础上，引入遗传算法，对该诊断方法进行优化。该优化方案建立在遗传学和自然选择原理基础上，通过多次遍历寻找最优路径，与其它路径选择方法相比，这种算法更为精准，能够掌控全局信息，加快了遍历效率。本研究将遗传算法应用至故障诊断中，对电动汽车驱动电机故障进行诊断。如图2所示为优化后的故障诊断方法框架结构。

该诊断方法将遗传算法应用神经网络中，经过一番训练处理后，与专家诊断结果结合，对当前故障进行综合诊断，以此提高电机故障诊断精准度。其中，算法诊断速度在DSP作用下，响应时间大大缩短，能够控制在300？滋s。从理论层面分析，该诊断方法针对单故障信号和双故障信号的诊断精准度可达98%、66%。

2  电动汽车驱动电机故障诊断专家系统功能设计

本研究利用优化后的故障诊断模型，构建一套新型电机故障诊断专家系统。该系统包含4个接口，分别是状态信息输入接口、数据通信接口、人机接口、诊断输出接口。系统所有数据从通信接口输入，作为系统诊断状态信息，从“输入接口”输入，在诊断输出接口生成诊断结果。人机接口用来建立系统与操作人员的交互，通过观察操作界面，获取相关诊断信息。该系统各个接口连接的内部结构设计，主要包括数据库、知识库、推理机、故障处理、知识获取6个模块。①数据库：该模块作为系统信息存储工具，主要用来存储电机作业相关数据。其中，获取数据来自电机传感器。②知识库：该模块作为故障诊断参考工具，用来存储故障诊断相关知识，并且归纳了一些状况下的故障类别和相应处理方法。③推理机：该模块作为故障诊断工具，根据知识库中的故障判断依据，对数据库存储的数据进行推理分析，推断电机当前作业是否发生故障，并判断故障类别。④故障处理：根据故障诊断结果，调用系统知识库，从中查询当前故障的处理方法。如果知识库中不存在此状况故障，则需要技术人员探讨决策。⑤人机接口：该模块是建立工作人员和系统交互的工具，通过此接口便可以获取故障数据/下发控制命令。⑥知识获取：该模块是对知识库的完善与更新，利用“查询”和“检索”功能，获取电机故障诊断知识，对当前知识库中的诊断知识采取删除、修改、添加等操作，获取更为全面的判断依据。

3  电动汽车驱动电机故障诊断专家系统详细设计

3.1 系统硬件框架结构设计  本系统选取PC104主板作为核心控制器，对电机作业状态检测传感器进行驱动，从而采集相关数据，通过总线连接，建立测试口与现场电机通信连接。如图3所示为系统硬件框架结构。

该结构中，利用传感器采集测量信号，包括电流、温度、转速、电压等信号，将这些信号通过总线传输至PC104主板，而后通过人机接口上传至管理人员计算机，在显示屏中展示结果。

3.2 系统故障诊断专家系统流程设计  本系统软件在Keil环境下编译程序，根据电机故障诊断需求，编译系统程序。软件作业流程作为系统软件开发的核心，需要建立在电机故障诊断功能开发需求详细设计。如图4所示为系统软件故障诊断作业流程。

首先，运行系统主程序，登录表单，进入系统主界面。而后按照操作功能部分，为用户提供“故障诊断”服务、“系统维护”服务。其次，根据操作需求，选择相应功能的主表单。最后，录入相关信息数据，等待电机故障诊断结果的输出。

3.2.1 故障诊断主表单运行流程  該表单功能主要包括3项，分别是故障诊断功能、数据录入功能、数据查询功能。其中，数据诊断功能，根据录入的信息数据进行判断，涉及到的信息类型包括结构信息、现象信息、电气信息、事例信息、原因信息。数据查询功能，支持设计参数、事例信息、标准信息3项操作。

3.2.2 系统维护主表单运行流程  该项功能的设置是为了给予系统正常运行保障，当系统运行发生异常时，立即开启系统维护功能，使得系统故障诊断系统得以恢复，再次进入正常作业状态。另外，该项功能模块还支持系统信息和用户信息操控，包括修改、更新、添加等。为了支持故障诊断功能，该表单模块还支持知识库功能，根据最新提供的信息，更新知识库内容，为系统维护、系统故障诊断提供更为全面时效性更强的信息。故障修复作为表单模块核心功能，根据知识库信息进行处理。

3.2.3 系统知识表示  本系统知识表示方法建立在模糊数学基础上，按照产生原则，以启发式知识作为表达手法，通过分析数据可靠性，计算可信度因子，综合各项因子数据，完成模糊推理。其中，模糊产生原则是模糊推理的基础，本研究在传统产生式规则基础上，对其采取模糊化处理。假设规则激活阈值为？姿，取值范围（0，1），对应的可信度记为CF，取值范围（0，1）。以下为模糊规则及知识表达：

按照上述运行程序中的规则，对电机当前作业状态进行诊断，并输出诊断结果。

3.2.4 系统模糊数据库

考虑到系统采集到的数据可能存在偏差，并且涉及到的信息类别较多，为了提高诊断效率和诊断精准度，本文提出了模糊数学理论和遗传算法的应用，将这两种技术融合到一起，建立系统数据库。通过模糊学习，合理设置故障产生原因隶属度，根据系统作业状态，实时修改学习体系，打造智能诊断专家系统。为了充分发挥智能化诊断作用，本系统数据库加强表之间关系的创建，简化了表关系结构体系，以此提高数据库信息调用速度，支持故障诊断条件自动筛选，即根据当前电机故障诊断需求，自动匹配相关数据，默认实时数据。如果操作人员有历史数据查询需求，可以在查询栏中输入数据时间，完成针对某一具体时间的故障诊断。

3.2.5 系统推理机

系统推理机是故障诊断结果生成的重要环节，以知识库作为主要推理依据，同时运行模糊数据库，获取当前或者某一时段下电机作业状态信息，打造综合数据库，通过建立此数据库与工作人员操作计算机的通讯连接，从而完成故障推理。

故障推理期间，采用匹配处理方法，从综合数据库中找到与电机当前作业状态匹配的故障类别。其中，涉及到的运算为模糊集合运算，采用此运算方法计算产生故障原因隶属度数值。如果计算结果超出阈值范围，则认为当前电机作业发生故障，系统将自动向用户计算机发送此条消息。如果未超出阈值范围，则等待下一组数据诊断，用户在计算机操作界面不会查阅到异常信息。为了给予故障维修便利条件，本系统增加了故障维修建议提供服务，在推理机作业期间，如果检测到电机作业发生异常，自动生成与之匹配的维修建议。此项功能的开发，使用的是知识库，在知识库中设立电机故障原因分析数据文件夹，同时创建故障维修方案文件夹，根据原因与维修方案之间的关系，建立数据库表关联关系，从而实现智能化诊断与维修建议发送。

4  系统测试分析

本研究利用模拟软件，建立电动汽车驱动电机作业故障诊断模拟环境，在此环境下通过测试汽车驾驶期间电机作业电压、电流、转速、温度4项指标数据。对比系统模拟测试数据与设置的正常范围，判断当前电机作业是否发生故障。另外，本次测试还记录了每一次故障诊断耗用的时间，与传统诊断系统作业效率进行对比。目前，大部分诊断系统诊断响应时间在300us左右。如表1所示为系统测试结果。

表1中测试结果显示，本系统能够根据设定的标准范围，在不同模拟环境中，准确判断电机当前作业状态。本次测试中设置的4项测试指标中，当其中某一项指标数据发生异常时，系统都会自动显示故障诊断结果，并将结果发送至用户计算机。与以往设计的电机故障诊断系统相比，本系统作业效率也有很大改善。4次测试中，故障诊断时间均在200us以内，大约缩短了100us。

为了检测系统故障诊断精准度，本次测试于2021年6月开展了1000次模拟测试工作。测试结果显示，仅有2次诊断结果出现了偏差，问题出现在转速数据上，导致模拟诊断结果错误。所以，该系统当前的诊断精准度为99.8%，较传统诊断系统有了较为显著的改善。

因此，本文设计的电机故障诊断系统在诊断精准度和作业效率两个方面均有所改善，可以作为电动汽车驱动电机诊断控制系统开发参考依据。目前，该系统的研发处于模拟测试阶段，需要在接下来的研究中投入使用，将其运用至产品开发中，经过多次调试，使得诊断系统得以不断完善。

5  总结

本文针对電动汽车驱动电机故障诊断问题展开探究，通过分析以往故障诊断系统开发方案的不足，引入遗传算法和模糊故障诊断方法，提出一种新的电机故障诊断专家系统设计方案研究。该系统选取PC104主板作为核心控制器，采用总线通信技术建立电机作业现场和指挥工作室之间的通讯连接。测试结果显示，本系统能够较为明显地改善系统的电机故障诊断精准度和诊断效率，可以作为电动汽车驱动电机故障诊断工具。

参考文献：

[1]陈奇，汪金成.基于模型的汽车电动助力转向系统故障诊断[J].汽车工程，2019，41（7）：839-850.

[2]王庆丰，吴俊勇，刘自程.一种基于谐波平面检测的五相电机驱动系统单相断相故障诊断方法[J].中国电机工程学报，2019（2）：105-114，327.

[3]张超，杜博超，崔淑梅，等.一种为实现电动汽车薄膜母线电容准在线故障诊断的容值辨识方法[J].电工技术学报，2020，35（1）：220-227.