混合动力车用开关磁阻BSG位置传感器的故障诊断方法转让专利
申请号 : CN201610692991.3
文献号 : CN106338264B
文献日 : 2018-08-21
发明人 : 孙晓东 , 薛正旺 , 陈龙 , 杨泽斌 , 韩守义 , 江浩斌 , 汪若尘 , 徐兴 , 陈建锋
申请人 : 江苏大学
摘要 :
权利要求 :
1.一种混合动力车用开关磁阻BSG位置传感器的故障诊断方法,位置传感器检测并输出开关磁阻BSG的实际转子位置角度θ,由蓄电池输出的电能经功率变换器后为开关磁阻BSG提供电流值i,其特征是还包括以下步骤:
A、对小波神经网络位置估算器离线训练后串接在磁链获取模块的输出端,采用磁链获取模块获取开关磁阻BSG的实时磁链值ψ;
对小波神经网络位置估算器离线训练的方法是:先获取开关磁阻BSG正常运行状态下的磁链-电流-转子位置角的关系曲线,组成初始样本集{ia,ib,ic,id,ψa,ψb,ψc,ψd,θa,θb,θc,θd},对初始样本集离线训练;ia,ib,ic,id分别表示开关磁阻BSG的A、B、C、D相的相电流,ψa,ψb,ψc,ψd分别表示开关磁阻BSG的A、B、C、D相的磁链,θa,θb,θc,θd分别表示开关磁阻BSG的A、B、C、D相的位置角度;小波神经网络位置估算器的小波神经网络包括输入层、输出层和隐含层,隐含层为两层结构,另外采用小波函数h(x)=(1-x2)e-x/2作为隐含层节点的神经元激励函数,x为时间常量,B、将所述实时磁链值ψ和所述电流值i作为输入信号输入小波神经网络位置估算器,小波神经网络位置估算器对ψ和i处理后输出估算的转子位置角度
C、将估算的转子位置角度 和实际转子位置角度θ作为输入信号输入故障诊断模块,故障诊断模块对 和θ作残差处理得到残差Ri,将残差Ri与设定的阈值Ti作对比来判断故障类型。
2.根据权利要求1所述的故障诊断方法,其特征是:步骤C中,若Ri≤Ti,则判断位置传感器正常工作;若Ri>Ti,则判断位置传感器有故障;若残差Ri在某一时刻ti以后出现大于阈值Ti且Ri值恒定现象,则判断位置传感器在故障发生时刻ti发生了固定偏差故障;若残差Ri在某一时刻ti以后出现大于阈值Ti且Ri与Ti的差值越来越大现象,则判断位置传感器在故障发生时刻ti发生了漂移偏差故障。
3.根据权利要求1所述的故障诊断方法,其特征是:采用算法Mk+1=Mk-[KTK+μI]-1KTd对小波神经网络进行训练,Mk+1为当迭代次数为k+1时小波神经网络的权系数的全体所组成的向量;Mk为当迭代次数为k时小波神经网络的权系数的全体所组成的向量;K为小波神经网络权系数的误差的一阶导数的雅可比矩阵;T为矩阵转置;μ=104为精度系数;I为单位矩阵;d为小波神经网络对于权系数的误差。
4.根据权利要求3所述的故障诊断方法,其特征是:所述雅可比矩阵K中每个元素的计算公式为 m、n为输入变量个数;
Kij(Mk+1)为k+1时刻雅可比矩阵K的函数,fi(Mk)为k时刻小波神经网络期望输出与实际输出之差,fi(Mk+1)为k+1时刻小波神经网络期望输出与实际输出之差, 为k时刻小波神经网络的权系数的全体所组成的向量,Mk+1为k+1时刻小波神经网络的权系数的全体所组成的向量。
说明书 :
混合动力车用开关磁阻BSG位置传感器的故障诊断方法
技术领域
背景技术
件,而BSG将起动机和发电机集于一身,当汽车起动瞬间,BSG作为起动机快速拖动发动机到
怠速转速,当汽车正常行驶或者减速时,BSG作为发电机给汽车电源及用电设备充电。BSG取
代传统汽车发电机,这样不仅可以简化发动机设计、减少车重,而且可以减少燃油消耗与污
染排放。目前,BSG多为混合励磁爪极电机、永磁电机和感应电机,然而对于混合励磁爪极电机,在低速时获得高转矩较难且转子结构复杂,不利于高速运行;对于永磁电机,由于存在
永磁材料,所以成本高且在高温和高磁场环境下的稳定性难以保证;对于感应电机,其调速
性能较差,不易进行精准控制,对电机的控制系统要求较高。开关磁阻电机以其结构简单牢
固、成本低和可靠性高等优点,适用于高速运行和恶劣环境,被BSG采用,称之为开关磁阻
BSG。
机的换相逻辑将出现紊乱,导致电机转矩输出能力降低,电机转速下降或者为零。因此,为
提高开关磁阻BSG系统的可靠性,使电机在正确的转子位置输出换相信息,对位置传感器进
行快速精准地故障检测诊断是必要的。
不容易发现的故障,在故障发生的过程中会引起一系列无法预计的问题,使控制系统长期
不能正常发挥作用。
的故障诊断方法需要建立系统模型的数学表达,而这对于严重非线性的开关磁阻电机控制
系统而言几乎难以实现,而且神经网络故障观测器需要系统在各种故障状态下的样本进行
训练,然而实际控制过程中,故障样本十分缺乏。
使得小波神经网络在模式识别、非线性科学、故障诊断等方面得以广泛应用。
相的磁链,ui、ii、Ri分别表示某一相的电压、电流和电阻。然而该方法难以满足实时在线检测磁链的实际工程应用。
发明内容
率变换器后为开关磁阻BSG提供电流值i,还包括以下步骤:
Ti的差值越来越大现象,则判断位置传感器在故障发生时刻ti发生了漂移偏差故障。
经网络对比,收敛速度增快,准确率上升。同时,在训练小波神经网络时只需要系统正常状
态下的采集样本,克服了位置传感器故障样本缺少的难题。
方法控制原理简单,而且只需要通过软件编程实现,无需其他硬件设备,成本低,易于工程
实现。
附图说明
具体实施方式
号给转子位置信号估算及故障诊断模块2。转子位置信号估算及故障诊断模块2串联在被测
对象1的位置传感器12后面,接收位置传感器12输出的实际转子位置角度θ信号,来诊断位
置传感器12的故障类型。
BSG11作为起动机工作,此时蓄电池3输出的电能经功率变换器4作用后为开关磁阻BSG11提
供合适的电流值i,同时开关磁阻BSG11为发动机5提供旋转动力ω,旋转动力ω再经由离合
器6和变速器7后驱动汽车起步;当汽车正常行驶或者减速时,开关磁阻BSG11作为发电机工
作,此时开关磁阻BSG11接收发动机5提供的旋转动力ω而发电,得到的电流值i经由功率变
换器4作用后为蓄电池3提供电能。
转子位置角的关系曲线,如图3所示的关系曲线,由此来组成初始样本集{ia,ib,ic,id,ψa,ψb,ψc,ψd,θa,θb,θc,θd},其中ia,ib,ic,id分别表示开关磁阻BSG11的A、B、C、D相的相电流,ψa,ψb,ψc,ψd分别表示开关磁阻BSG11的A、B、C、D相的磁链,θa,θb,θc,θd分别表示开关磁阻BSG11的A、B、C、D相的位置角度,采用离线训练的方法对初始样本集进行训练。小波神经网络位置估算器21的小波神经网络采用四层结构,分别包括输入层、输出层和隐含层,隐含层选为两
层结构,其节点数的确定方法为:首先选取两个隐含层的节点数都为8,然后采用逐步增长
法和逐步修剪法,通过试验逐步添加和删除各隐含层的节点个数,最后得到2层隐含层的节
点数分别为10和8。另外采用Mexican hat(墨西哥帽)小波函数作为隐含层节点的神经元激
励函数,该小波函数可表示为: 式中h(x)为墨西哥帽小波函数,x为时间常
量。在确定小波神经网络的结构后,采用Powell(鲍威尔)算法对小波神经网络进行训练,
Powell算法可以表示为:Mk+1=Mk-[KTK+μI]-1KTd,其中,Mk+1为当迭代次数为k+1时小波神经网络的权系数的全体所组成的向量;Mk为当迭代次数为k时小波神经网络的权系数的全体
所组成的向量;M为小波神经网络的权系数的全体所组成的向量;μ=104为精度系数;k为当前迭代次数;K为小波神经网络权系数的误差的一阶导数的雅可比矩阵;KT为小波神经网络
权系数的误差的一阶导数的雅可比转置矩阵;T为矩阵转置;I表示单位矩阵;d为小波神经
网络对于权系数的误差。雅可比矩阵K中每个元素的计算公式为:
其中i=1,2,3,…,m,m为输入变量个数;j=1,2,3,…,n,n为输入变量个数;Kij(Mk+1)为k+1k k+1
时刻雅可比矩阵K的函数,fi(M)为k时刻小波神经网络期望输出与实际输出之差,fi(M )
为k+1时刻小波神经网络期望输出与实际输出之差, 为k时刻小波神经网络的权系数的
全体所组成的向量, 为k+1时刻小波神经网络的权系数的全体所组成的向量。
测量开关磁阻BSG11实时磁链,采用磁链获取模块22获取开关磁阻BSG11的实时的磁链值ψ。
将磁链获取模块22输出的磁链值ψ和功率变换器4输出的电流值i作为训练好的小波神经网
络位置估算器21的输入信号,磁链值ψ和电流值i经过小波神经网络位置估算器21处理后输
出估算的转子位置角度
12正常工作;若Ri>Ti,则可以判断位置传感器12有故障。参见图4,若残差Ri在某一时刻ti以后出现大于阈值Ti且Ri值恒定现象,则可以判断位置传感器12在故障发生时刻ti发生了
固定偏差故障。参见图5,若残差Ri在某一时刻ti以后出现大于阈值Ti且Ri与Ti的差值越来越大现象,则判断位置传感器12在故障发生时刻ti发生了漂移偏差故障。针对不同故障类型
设置故障报警,以便实时快速诊断故障类型。