基于Bayes纯电动汽车电机控制系统的故障仿真分析＊

赵 旭

（广东白云学院机电工程学院，广东 广州 510400）

前言

对于纯电动汽车电机控制系统而言，当其发生故障时，需采用汽车解码器进行诊断。但由于电机控制系统和其他部件之间存在着紧密关系，单凭故障代码进行诊断，可能会导致诊断不准确或时间过长[1]；而对于纯机械故障，仅凭借工人经验进行诊断会大大降低诊断效率。

故障树是常用的分析及故障诊断模型，能够对可能发生的故障原因进行分析并确定逻辑关系，进而确定故障原因及其发生的概率[2]。贝叶斯网络是一种基于概率推理的模型，在多个领域上都已成功应用。与故障树相比，其在复杂系统故障诊断方面具有较强的优势[2]。将二者相结合，构建基于故障树的故障贝叶斯网络，能够解决很多故障诊断相关问题[3]。

采用故障贝叶斯网络对电机控制系统故障进行诊断，能够更好地对其进行定性和定量的分析[4]。进行故障诊断时，在故障贝叶斯网络分析的基础上，结合汽车解码器的故障码进行故障诊断，能够大大提高故障诊断效率。

1 贝叶斯网络的基本原理

事件B已经发生的前提下，事件A也发生的概率记作P（A|B），该表达即为事件B发生条件下事件A发生的条件概率，相应地，将P（A）定义为无条件概率。

当事件A与事件B中任一事件的出现都不会影响到另一事件的发生概率时，则事件A与事件B被视为相互独立事件，满足：

先验概率：先验概率是指未经检验，按照历史资料及经验确定各事件发生的概率[5]。

后验概率：后验概率是基于新的附加信息，对先验概率进行修正，从而得到更加符合实际的概率[5]。

2 基于故障树的故障贝叶斯网络模型的建立

组成故障贝叶斯网络的关键为节点和概率分布，故障贝叶斯网络与故障树之间存在着对应的映射关系。因此，将故障树转化为故障贝叶斯网络的具体过程如下[6]：

1）将故障树中的事件以故障贝叶斯网络中的节点的方式表达出来，其中节点状态对应事件状态；

2）将故障树中基础事件的先验概率对应给故障贝叶斯网络中的根节点；

3）将故障树中的逻辑门以节点的方式表达出来，再根据其逻辑关系列出条件概率表；

4）根据逻辑门与各事件之间的关系，将各节点用有向边相连接，方向与逻辑门的输入及输出相对应。

结合纯电动汽车电机控制系统故障体系如表1，构建故障树如图1所示。

表1 电机控制系统故障体系

图1 电机控制系统故障树

贝叶斯网络是将故障原因自下而上用树状的形式表示，其结构与故障树结构相对应，因此可以将已建立的故障树模型通过Matlab直接映射成为故障贝叶斯网络模型[7]。

Matlab平台下的贝叶斯网络工具箱BNT是用于开发和学习的软件包[5]，基于BNT所建立的仿真模型，当节点A至B存在一条弧时，矩阵中对应的（A，B）值为1，反之（A,B）对应值为0。

以电机控制系统故障为例，电机控制系统故障主要是由传感器故障和CAN总线故障所引起，其中传感器故障较为普遍，主要是由于线路高温老化，从而导致各传感器出现问题。其中底事件X1：高温老化，X2：校准误差，X3：机械震荡分别为中间事件。N1：电流传感器故障，N2：转自未知传感器故障，N3：转速“传感器故障”的公共底事件。三个中间事件又同为中间事件M1“传感器故障”的公共中间事件，反映到贝叶斯网络中则是一个具有三个子节点的父节点，如图2所示。

图2 电机控制系统贝叶斯网络模型仿真

3 基于故障贝叶斯模型的电机控制系统故障分析

贝叶斯网络的推理核心为计算后验概率分布，在条件概率的基础上，采用贝叶斯模型计算各故障的后验概率，主要包括故障原因分析和重要度判断，最终得出结论。

3.1 故障因果关系推理

故障因果推理是有故障结论推到原因的过程，目的在于基于已发生故障结果，通过贝叶斯网络进行计算，获得故障原因的后验概率。

以CAN总线故障为例计算后验概率。得到：

X4表示连线脱落，X5表示电路损坏。通过后验概率的计算，基本可以判断由电路损坏引发CAN总线故障的概率比由于连线脱落引发CAN总线故障大，故在进行故障诊断时可优先考虑电路损坏，并开展工作。

3.2 故障重要度判断

以电机控制系统中电流传感器故障N1为例，X1：高温老化，X2：校准误差，X3：机械震荡是电流传感器的三个主要故障模式，其中电流传感器故障N1与X1、X2、X3故障是由逻辑或门相连的，即X1、X2、X3中任意一个故障都有可能导致N1故障的发生，故可以通过三个故障底事件先验概率和后验概率来验证对故障模式重要度的判断，X1、X2、X3的先验概率如表2所示，N1的条件概率如表2所示：

表2 基础故障节点先验概率

如表2所示为三个故障底事件的先验概率，能够在一定程度上反映各故障底事件对公共故障的影响程度，但并不能直接说明其重要程度。在三个底事件中，高温老化故障X1先验概率最高为0.15，校准误差故障X2和机械振荡故障X3的先验概率分别为0.01和0.02，它们的先验概率极为接近，紧紧依靠先验概率是无法完全确定它们重要程度排序的。

表3 电流传感器故障节点的条件概率

结合条件概率表，当X2校准误差和X3机械振荡未发生故障时，由X1高温老化引起的电流传感器故障的条件概率值为0.63；当X1高温老化和X3机械振荡未发生故障时，由X2校准误差引起的电流传感器故障的条件概率值为0.33；当X1高温老化和X2校准误差未发生故障时，由X3机械振荡引起的电流传感器故障的条件概率值为0.35。故可以推断出X1高温老化是导致电流传感器故障的最主要原因，下面通过诊断推理进行验证。

通过贝叶斯网络得到三个故障底事件发生的概率，基于Matlab中的BNT平台，构建故障贝叶斯网络，并计算它们的后验概率，如表4所示：

表4 基础故障节点后验概率

通过对先验概率及条件概率的分析可知，高温老化故障底事件的先验概率比较高，通过故障后验概率的计算可知，后验概率值越高，其对应事件对系统故障发生的影响程度就越大，因此，根据表4中数据可知，三个底事件对于电流传感器故障的重要度排序为：高温老化故障X1高于机械振荡故障X3高于校准误差故障X2，验证了前面的分析结论。

4 结论

故障树与贝叶斯网络具有一定的相通性，本文将故障树与贝叶斯网络相结合，形成故障贝叶斯网络。文章以电机及控制系统中控制系统为例，进行基于故障贝叶斯网络的实例分析，得到电机控制系统故障时各部件发生故障的可能性大小，再进行故障诊断，实现了故障贝叶斯网络模型的仿真，同时进行了故障原因的推理和其重要度判断分析，从而大大降低维修人员的维修效率。