轮毂电机电动汽车驱动系统共性与故障特征协同提取方法

本发明属于汽车以及故障检测领域，涉及轮毂电机电动汽车驱动系统的故障特征提取，具体是轮毂电机电动汽车驱动系统的共性特征与故障特征的提取方法。

背景技术：

1、轮毂电机是现阶段新能源汽车行业研究的一大热点，对车辆来说，轮毂电机能让汽车的结构更简单，并且根据轮毂电机组成的驱动系统更具备灵活性，能够实现多种复杂的驱动方式，轮毂电机也与其他驱动系统相比较而言，也更适合运用于新能源汽车上。但是，由于轮毂电机特殊的工作位置和复杂的路面工况，轮毂电机在正常工作时也容易受到外界环境的影响，如面临水、灰尘等多方面侵袭，导致轮毂电机发生故障。因此，研究轮毂电机故障特征提取，对驱动系统的运行和维护是一个关键环节。现阶段，对具有多个轮毂电机的汽车驱动系统的故障特征提取，无论是针对子系统的局部故障特征，还是针对驱动系统的全局共性特征，大多基于单个子系统本身的状态提取，例如：

2、(1)2019年xue等在杂志《华中科技大学学报(自然科学版)》的“基于ahn的轮毂电机轴承故障特征提取方法”论文中公布了一种基于ahn的轮毂电机轴承故障特征提取方法，该方法利用有机化合物及其分子对信息具有封装特性的特点，实现信号中高低频信号的分离，滤除干扰信号并提取间歇性强干扰下故障特征信号，进而实现轮毂电机轴承的故障特征提取。但该方法只利用了单个电机轴承振动信号作为特征提取方法的输入来提取故障特征信号，在多个轮毂电机的汽车驱动系统中，只能提取各个子系统的单一故障特征，具有局限性。

3、(2)2020年lee等在《iet electric power applications》上发表的“optimisedapproach of feature selection based on genetic and binary state transitionalgorithm in the classification of bearing fault in bldc motor”提出了一种基于遗传和二进制状态转换的特征提取算法，能有效提取电机轴承故障信息，在特定条件下具有提取精度高、针对性强等特点。但该方法面对轮毂直驱系统全工作域范围广、变化频繁、随机性强等特点，难以在全工作域内保持相对稳定的故障特征提取效果。

技术实现思路

1、基于上述问题，本发明提供一种基于时频分析理论和层次聚类算法的轮毂电机电动汽车驱动系统的共性特征与故障特征的协同提取方法，以提高故障特征的准确性和时效性。

2、为实现上述目的，本发明采用的技术方案是包括以下步骤：

3、步骤1)：根据轮毂电机电动汽车驱动系统的运行场景以及外部激励条件，分别采集所述的驱动系统的各个子系统的电机轴承振动信号，对所述的电机轴承振动信号进行时频分析，计算出各个子系统的每个电机轴承振动信号在每个时刻、每个频率下的幅值，将所有的幅值作为元素组成各子系统的时频矩阵；

4、步骤2)：将各个子系统在相同的系统内部工作状态或相同的外部耦合激励下的特征的时频元素归为一类，得到归类后的数据集；

5、步骤3)：对所述的归类后的数据集中的元素采用层次聚类算法进行分类，经合并区块后得到对应的区块，根据所述的对应的区块中的元素的分布情况，将元素分类成共性特征元素集和个性特征元素集；

6、步骤4)：设定与步骤1)中所述的时频矩阵同行同列的空的共性特征矩阵以及空的个性特征矩阵，对步骤3)中所述的共性特征元素集中的所有元素，分别将其放入所述的空的共性特征矩阵中与自身时频相同的元素位置上，对所述的个性特征元素集中的所有元素，分别将其放入所述的空的个性特征矩阵中与自身时频相同的元素位置上，对未存放元素的位置补零，构造出各子系统的共性特征矩阵和个性特征矩阵；

7、步骤5)：对所有子系统的所述的共性特征矩阵和个性特征矩阵进行逆变换，得到各子系统在时域下表征系统共性特征的共性特征参数和表征系统故障特征的个性特征参数。

8、进一步地，步骤2)中，当路面工况简单时，选择所述的时频矩阵中同一频率与同一时间的元素归为一类；当路面工况复杂时，选择在同一频率下，第一个时频矩阵中的第1个时间点的对应元素，第二个时频矩阵中的第2个时间点的对应元素，直至第n/2个时频矩阵中的第n/2个时间点的对应元素归为一类。

9、进一步地，步骤3)中所述的层次聚类算法是：

10、步骤a：对所述的样本集中每个元素都定义为一个独立的初始区块，以每个所述的初始区块中所有元素的均值作为区块中心值，

11、步骤b：计算所有的两两区块间的区块距离，当最小区块距离dmin≤α，α为设定的阈值，将最小区块距离为dmin的若干个区块合并成一个新的区块，并计算新区块的均值，得到新区块的区块中心值；

12、步骤b：重复步骤b，直至dmin＞α，得到所述的经合并区块后对应的区块。

13、更进一步地，所述的元素的分布情况有：

14、情况1：在β>1的β个区块中存在一个元素数量大于p/2的区块，p是数据集中的元素总数，则该区块中的所有元素为共性特征元素，并归在共性特征元素集中，剩余区块中的元素分在个性特征元素集中：

15、情况2：在β＝1的区块中，增大所述的阈值α一次，并对数据集的元素基于层次聚类算法重新分类，之后执行所述的情况1；若仍然是β＝1，则将数据集中的所有元素归在共性特征元素集中；

16、情况3：在β>1的β个区块中存在一个包含元素数量最多的区块，但该区块中的元素数量小于或等于q/2，减小阈值α的大小一次，并对数据集的元素基于层次聚类算法重新分类，之后执行所述的情况1；若包含元素数量最多的区块的元素数量依旧小于或等于p/2，则无法得到共性特征元素集和个性特征元素集；

17、情况4：若在分类结束后，存在若干个包含元素数量相同且最多的区块，则无法得到共性特征元素集和个性特征元素集。

18、本发明的有益效果是：

19、1.本发明面对轮毂直驱系统全工作域范围广、变化频繁、随机性强等特点，基于层次聚类算法，能同时提取轮毂直驱系统各子系统电机轴承振动信号的共性特征和故障特征，提高了特征提取的准确性和时效性。

20、2.本发明基于时频分析方法对轮毂直驱系统各子系统的电机轴承振动信号进行处理，通过构造时频矩阵的方法，有利于对各子系统同时频的信息进行分类处理，从而建立了面向系统共性特征过滤和局部故障特征提取的各子系统同步电机轴承振动信号时频矩阵协同分解机制，能够将实时的系统共性特征作为信号处理的基准，有利于发现当前状态下子系统的局部故障特征，在全工作域内保持相对稳定的故障特征提取效果。

21、3.本发明通过对轮毂直驱系统各子系统在相同的系统内部工作状态或外部耦合激励下的时频信息进行分析，能够将该系统内部条件下或该外部耦合激励下的特征进行分类。

技术特征：

1.一种轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，其特征是包括以下步骤：

2.根据权利要求1所述的轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，其特征是：步骤2)中，当路面工况简单时，选择所述的时频矩阵中同一频率与同一时间的元素归为一类；当路面工况复杂时，选择在同一频率下，第一个时频矩阵中的第1个时间点的对应元素，第二个时频矩阵中的第2个时间点的对应元素，直至第n/2个时频矩阵中的第n/2个时间点的对应元素归为一类。

3.根据权利要求1所述的轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，其特征是：步骤3)中所述的层次聚类算法是：

4.根据权利要求3所述的轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，其特征是：所述的元素的分布情况有：

5.根据权利要求1所述的轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，其特征是：步骤1)所述的各个子系统分别是子系统1，2，…，n/2，…,，n，n为子系统总数，子系统1，2，…，n/2在轮毂电机电动汽车同一侧，子系统n/2+1，n/2+2，…，n在另一侧；子系统1和子系统n/2+1属于同一车轴，子系统2和子系统n/2+2属于同一车轴，子系统n/2和子系统n是于同一车轴，如此一一对应。

6.根据权利要求1所述的轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，其特征是：步骤1)中，子系统i的电机轴承振动信号x(i)在对应时间点t(m)、对应频率点f(y)下的幅值为：

7.根据权利要求3所述的轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，其特征是：每个区块中心值为所述的两两区块间的区块距离且g≠h。

8.根据权利要求1所述的轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，其特征是：步骤1)中，采集电机轴承振动信号的采样的时间间隔为轴距与该时刻电动汽车瞬时车速的比值。

9.根据权利要求1所述的轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，其特征是：所述的时频矩阵s(1)，s(2)，...，s(n)为：是幅值。

10.根据权利要求4所述的轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，其特征是：增大或减小阈值α的幅度为5％。

技术总结
本发明公开汽车及故障检测领域中的一种轮毂电机电动汽车驱动系统共性与故障特征协同提取方法，分别采集各个子系统的电机轴承振动信号并进行时频分析，计算出所有的幅值作为元素组成各子系统的时频矩阵，将各个子系统在相同的系统内部工作状态或相同的外部耦合激励下的特征的时频元素归为一类，对归类后的数据集中的元素采用层次聚类算法分类成共性特征元素集和个性特征元素集，设定与时频矩阵同行同列的空的共性特征矩阵以及空的个性特征矩阵，对共性特征元素集和个性特征元素集中所有元素分别将其放入与自身时频相同的元素位置上，构造出共性特征矩阵和个性特征矩阵，逆变换得到共性特征参数和个性特征参数，提高特征提取的准确性和时效性。

技术研发人员：薛红涛,戈淳,任晓波,颜骏
受保护的技术使用者：江苏大学
技术研发日：
技术公布日：2024/1/14