混合动力车用开关磁阻BSG位置传感器的故障诊断方法

摘要

本发明公开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，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，将实时磁链值ψ和电流值i输入小波神经网络位置估算器，小波神经网络位置估算器输出估算的转子位置角度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；采用小波神经网络算法对输入的采集样本进行训练，充分利用小波变换良好的时频局部化特性以及神经网络的快速自学习、高度鲁棒性和容错的能力，与传统神经网络对比，收敛速度增快，准确率上升。

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

[0001] 本发明属于混合动力技术领域，具体是混合动力车用皮带驱动式起动发电一体机(以下简称为BSG)位置传感器的故障诊断技术。

背景技术

[0002] 混合动力汽车具有高效率、低污染等突出优点，发电机是混合动力汽车的关键部件之一，要求发电机能高效、稳定可靠地工作。传统的汽车启动机和发电机是分开的两个部
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。

[0003] 对于开关磁阻BSG而言，为检测其转子位置，在其上安装了位置传感器，位置传感器输出换相信息。位置传感器是开关磁阻BSG正确换相的关键，如果位置信号出现故障，电
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。

[0004] 位置传感器的故障类型包括：完全失效故障、精度下降、固定偏差故障和漂移偏差故障。前两种故障类型比较容易发现且可以及时处理，但固定偏差故障和漂移偏差故障是
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。

[0005] 现有的位置传感器故障诊断技术中，多为基于解析模型的故障诊断方法，该类方法利用神经网络故障观测器生成残差，再对残差进行分析而诊断故障。然而基于解析模型
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。

[0006] 小波神经网络是基于小波变换而构建的神经网络模型，它既能吸收小波变换在时域和频域具有良好的局部化特征，又能利用神经网络具有自适应、自学习、鲁棒性等优点，
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。

[0007] 现有磁链检测技术多采用间接测量方案，即通过测量某相绕组的电压和电流而间接计算磁链特性，磁链计算公式为： 式中ψi(t)是某一
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

[0008] 本发明的目的是针对现有技术存在的问题，提供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，实时、快速、精准地诊断位置传感器的故障，为开关磁阻BSG系统高效可靠的工作提供保障。

[0009] 本发明混合动力车用开关磁阻BSG位置传感器的故障诊断方法采用的技术方案是：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，还包括以下步骤：

[0010] 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；

[0011] 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

[0012] 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。

[0013] 进一步地，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。

[0014] 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。

[0015] 进一步地，步骤A中，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。

[0016] 本发明的有益效果是：

[0017] 1、本发明采用小波神经网络算法对输入的采集样本进行训练，充分利用小波变换良好的时频局部化特性以及神经网络的快速自学习、高度鲁棒性和容错的能力，与传统神
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。

[0018] 2、利用安装在开关磁阻BSG上的磁传感器直接测量磁链和采用磁链获取模块获取实时磁链值，可以快速准确地在线输入实时数据，实用性强，具有广泛的工程应用价值。

[0019] 3、本发明采用小波神经网络位置估算器输出的位置角度和由位置传感器输出的实际转子位置角度进行残差处理，得到的残余精度与设定的阈值对比来判断故障类型。该
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

[0020] 图1为混合动力车用开关磁阻BSG的位置传感器故障诊断系统框图；

[0021] 图2为本发明混合动力车用开关磁阻BSG的位置传感器故障诊断方法的流程图；

[0022] 图3为图1中开关磁阻电机BSG某一相的磁链特性曲线图；

[0023] 图4为图1中开关磁阻BSG发生固定偏差故障图；

[0024] 图5为图1中开关磁阻BSG发生漂移偏差故障图。

[0025] 图1中：1.被测对象；2.转子位置信号估算及故障诊断模块；3.蓄电池；4.功率变换器；5.发动机；6.离合器；7.变速器；11.开关磁阻BSG；12.位置传感器；21.小波神经网络位置估算器；22.磁链获取模块；23.故障诊断模块；24.磁传感器。

具体实施方式

[0026] 如图1所示，开关磁阻BSG11和位置传感器12组成故障诊断的被测对象1，位置传感器12安装在开关磁阻BSG11上，检测开关磁阻BSG11的转子位置，输出实际转子位置角度θ信
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。

[0027] 开关磁阻BSG11分别连接发动机5和功率变换器4，发动机5通过离合器6和变速器7相连接，功率变换器4是DC/DC变换器，连接汽车电源蓄电池3。当汽车起动瞬间，开关磁阻
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。

[0028] 转子位置信号估算及故障诊断模块2由小波神经网络位置估算器21、磁链获取模块22、故障诊断模块23和磁传感器24组成。

[0029] 对小波神经网络位置估算器21采用离线训练的方法进行训练。开关磁阻BSG11通过电磁场软件ANSOFT建立有限元模型，获取开关磁阻BSG11正常运行状态下的磁链-电流-
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。

[0030] 将磁传感器24的输出端与磁链获取模块22的输入端相连，训练好的小波神经网络位置估算器21串接在磁链获取模块22的输出端。磁传感器24安装在开关磁阻BSG11上，直接
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

[0031] 故障诊断模块23将估算的转子位置角度 和位置传感器12输出的实际转子位置角度θ作为输入信号，并将估算的转子位置角度 和实际转子位置角度θ进行残差处理，将得到残差Ri与设定的阈值Ti作对比来判断故障类型，参见图2。

[0032] 故障诊断模块23定义残差 式中f代表Ri与 的函数关系，将Ri与决定位置传感器12正常状态和故障状态的阈值Ti进行比较。若Ri≤Ti，则可以判断位置传感器
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。

[0033] 根据以上所述，便可以实现本发明。对本领域的技术人员在不背离本发明的精神和保护范围的情况下做出的其它的变化和修改，仍然包括在本发明保护范围之内。