故障诊断和控制系统在多电机电动汽车上的应用研究外文翻译资料

 2022-10-08 10:10

英语原文共 8 页,剩余内容已隐藏,支付完成后下载完整资料


故障诊断和控制系统在多电机电动汽车上的应用研究

Alexandre Silveira1 , Rui Esteves Arauacute;jo2, Ricardo de Castro2

1 波尔图高级能源研究所

2 葡萄牙波尔图大学

摘要:在过去几年中,我们见证了学术界和汽车工业对多电机电动汽车的关注。电子元件性能的提升也进一步增加电子设备在汽车上的使用。此外,汽车制造商正在进行相关研究,并已经提出了一些基于X-By-Wire概念的车辆。由于执行器和其控制系统日益复杂,以及出于提升车辆安全性和可靠性的需要,使得专用于电驱动系统故障诊断和检测的控制器得到研究并发展。基于上述原因,要进行前沿的研究,在电动车辆中开展电驱动系统的故障诊断创新性研究就成了这个研究方向的基础。因此,本研究的主要目标包括对书目修订和多电机电动汽车专用故障诊断和控制系统的研究。

关键字:故障检测和诊断;容错故障控制系统;多电机电动汽车

  1. 绪论

因为电动汽车是以电机作为驱动推进系统的,电机这一驱动系统属于关键系统,因此在电机控制中进行容错故障诊断系统研究变得尤其重要。正如参考文献[1]和[2]中提到的,在系统中引入容错故障诊断,容错和冗余的目的是为了提高系统的安全性和稳定性。一个系统如果能够防止对人、设备和环境的任何伤害则可以被认为是安全的。并且在一定的条件下,对于给定的所需的功能能够正确执行,则可以被认为是可靠的。这些特性在飞机、火车、汽车和发电厂等安全相关的进程和系统中显得尤其重要[2]

因此,为了提过系统的可靠性和操作安全性,减少故障发生的可能性和在做到在事故发生前进行预测的必要性。有一种方法就是采用故障检测和诊断系统(Fault Detection and Diagnosis systems FDD)。FDD系统包括发生错误时做出的二进制的决策,以及确定故障的位置和性质。这种方法是基于分析超标数据的思想,其可以通过硬件或分析超标数据来得出结果。在前者中,备用传感器和执行器会在识别出特定故障的时候替换有故障的传感器和执行器。由于产品或者成本条件的约束,这种策略不会总是可行。为了使系统能够做到更加可靠,有使用数学模型和对超标数据进行分析的概念。在这种概念下,系统能够自己关闭或者采用适当的程序来容忍故障并为此系统的继续运行[3]

本文的主要内容如下:第2部分展示的是本文研究的前景;第3部分是对电动汽车(EVs)中的故障检测和诊断技术进行了一个概述;第4部分是给出了关于该项调查的一个结论。

  1. 研究前景

进来,由于环境问题和当代社会的强烈需求,对电动汽车的关注有所上升[4]。此外,在乘用汽车行业,许多设计人员都在尽最大努力研发第一代纯电动汽车,比如日产的Leaf汽车、三菱的iMIEV汽车和雷诺的风朗Z.E汽车。事实上,有些纯电动已经进入了欧洲市场。因此有必要研究在这些新车型中使用的容错故障诊断和控制系统,这可以使这些汽车更加安全和可靠,提升这种车辆应用的前景。

  1. 电动汽车中故障检测和诊断系统概述

在参考文献[1]、[5]和[6]中,对故障检测和诊断技术进行了深入地研究,并且研究结果也越来越多地应用到工业流程和产品中。因此,该技术的实际应用现状激发了后续工作,包括:在实时检测的同时,控制器必须能够在保证安全的条件下保持车辆的功能。换而言之,有必要研究和开发专用于未来纯电动汽车的容错控制架构。最近,随着我们的社会越来越关注汽车的安全性、可靠性和可持续性。故障检测和诊断系统的研究有所增多,引发了众多FDD技术的发展[1],[7]。虽然这些技术和科学有所进步,但是纯电动汽车容错控制器这一概念还是一个复杂而又有趣的项目。这其中的原因就是难以用高效、有效和安全的方式控制多电机电动汽车的几个驱动系统的固有特性。

故障过程的详细分析表明,需要在设备出现故障后迅速采取行动,用以防止可能导致驱动系统灾难性故障的可能性。为了使得故障的影响最小,必须准确地识别故障设备和故障模式。

历史上,大量关于容错故障诊断系统的研究并开始实际应用是从航空航天工业开始的[1]。现在容错控制的理论概念已经被成熟地认识,其中的先驱之一就有Ron Patton [8]。其中,他做了包括主要容错系统控制区域的数目修订。Mutoh和Nakano[9]通过模拟证明,对于多电机电动汽车,驱动系统之一的故障是导致车辆受损的稳定因素.基于此,他们的工作促使关于电机数量和电机在车辆中定位于不同配置研究工作的必要性。轮毂电机设计的可能性将有助于对未来车辆在新的创新比如主动扭矩分配方法的概念化、验证和实施,进一步使其处理、安全性和稳定性的改进。然而,这种创新的解决方案带来了新的挑战,因为电机由具有更大故障概率的电子功率转换器供电。在混合动力汽车中,如果不监测电动机运行状况,电动机的故障可能导致严重的故障甚至事故[10]

考虑到电动汽车使用电机驱动力,这一系统作为电动车辆的关键系统,使用容错控制技术是必不可少的。另一方面,采用“X-by-wire”技术也激励了对容错故障诊断控制器的研究,其中“X”表示在车辆中控制的几个子系统,如“线控转向”,“节气门”或“线控制动”[11],[12]。

从参考文献中,以电子转换器和电机作为关键点,我们可以在容错机电执行器的研究方向中找到几种解决方案[13]。Delgado的研究[14]介绍了电子速度驱动器对直流电机和感应电机的容错系统以及一些硬件配置。 另外,Murphrey等人[15]提出了一种故障诊断神经网络系统,使用机器学习技术检测和定位电驱动器中的多种故障。

关于牵引应用,Akin [10]提出了一种基于快速傅里叶变换(the Fast-Fourier Transform FFT)方法的电动或混合动力车辆电动机的故障诊断系统。在四轮转向和四轮驱动系统(4WS4WD)中,我们必须认可杨的研究[16]。他提出了一种容错混合方法,用以存在故障时,能够维持车辆的功能状态。因此,对于在传感器、执行器和部件中存在故障和故障的情况下,对于动态系统的自动操作有了更多的需求。基于此,故障检测和诊断是自主容错控制系统中的重要组成部分[17]。我们有必要设计能够容忍这些系统中可能的故障控制系统,用以提高可靠性和实用性[18]

容错控制系统(Fault-Tolerant Control Systems FTCS)是一种够适应系统组件(执行器、传感器)故障,并能够保证稳定性和可接受性能水平的控制系统。FTCS还可以防止子系统中的故障发展成系统级故障[18]。FTCS可以分为两种类型:无源(PFTCS)和有源(AFTCS)。与前者相反,后者主动响应系统组件故障,并重新实施配置操作,以保持系统稳定和可接受的性能[1]。AFTCS通常由四个子系统构成:可重构控制器,FDD方案,控制器重配置机制和命令/参考调节器[1],如图1所示。

图1 AFTCS的总体构成

上面表示的FDD块能够检测其监视的系统中的故障的存在,能够确定它们的位置并且能够估计它们的严重性。换句话说,它能够完成以下三个任务[17]

bull;故障检测:确定系统是否正常工作或出现故障;

bull;故障隔离:确定故障的位置(组件,传感器,执行器);

bull;故障识别:估计故障的严重性,类型或性质。

可重构控制器应该被设计成可以自动补偿系统中的故障引起的变化,以便保持它们的稳定性和闭环系统性能[1]

近年来,在FDD领域已经进行了许多研究和工作。一个例子就是Zhang和Jiang [1]的论文,他们提出了一个几种FDD分类的方法。如他们所解释的,FDD方法通常分为两类:(1)基于模型的和(2)基于数据的(无模型)方案。此外,这两种方案也可以分为定性和定量方法。相对于这种分类,Muenchhof [7]和Liu [19]提到经典的无模型方法依赖于大量硬件,这会导致超额的硬件设备、成本和尺寸,但另一方面可以减少导致系统意外停机的时间。相反,基于模型的方法依赖于大量分析,通过分析模型得出预期行为和实际测量结果之间的一致性[19]。如参考文献[18]中所描述的,基于模型的方法最适合应用于可以测量输入和输出信号的过程。然而,如果我们只能测量过程的输出,则应该应用基于信号的方法。

3.1 基于模型的方法

在参考文献[2]、[7]、[19]、[20]、[21]和[22]中对基于模型的故障检测方法进行了充分的研究和描述。根据参考文献[18]的描述,基于模型的方法被广泛使用,通常分两步执行:残差生成和残差评价。在这种方法中,实际测量和预期行为之间的差异称为残差。如Isermann [2]所述,这包括通过在不同的可测量信号之间使用由数学过程模型表示的依赖性来检测执行器和传感器的故障。基于模型的故障检测的基本结构如图2所示。

图2 基于模型和基于信号FD的基本结构[2]

基于输入信号U和输出信号Y的测量,所检测得到的结果称为特征的残差r,参数估计 或状态估计 。与正常特征进行比较,检测到异常数据,则会出现分析症状[2]。这种分析症状的生成是关于过程的可量化和分析信息,并且是来自测量信号数据处理的结果[18]。我们可以将基于模型的的方法划分为四个主要类别:状态估计法、奇偶空间法、参数估计法和状态/参数同时估计法。在第一类中,系统输出是通过测量获得:在一定的条件下,通过时使用Luenberger观测器,线性或非线性观测器,滑模式观测器和高增益非线性观测器测量估算出系统输出值;在随机条件下,使用卡尔曼滤波器(线性,扩展和无限)或滚动时域估计器[17和18]来估计输出值。

在奇偶空间方法中,残差值为测量输出和估计输出之间的差值以及他们相关的导数。在参数估计法中,通过连续估计过程模型的参数来计算残差作为参数估计的误差[18]。奇偶空间方法基于简单的代数投影和几何,并且与基于观察者的方法相比对测量噪声和过程噪声更为敏感[17]。然而,这些方法主要适用于故障递增条件下的检测和分离。相对于依靠观察者的技术,这一方法更加简单且易于实现。使用参数估计方法的前提假设条件是:故障反应在系统的物理参数中。这种方法中,使用参数估计技术在线估计系统参数[17]

从 [11],[12],[21],[23]和[24] 的相关研究中,我们可以看出,在这种基于模型的方法中,还存在一些与诸如线控驱动,线控转向,线控节气门或线控制动之类的X-by-Wire系统的安全问题。

大多说容错故障诊断系统需要大量硬件用来保证他们工作更加可靠。这意味着一个或者多个模块通常需要并联连接。这样的过量设计可能来自于硬件、软件、信息处理、机械或者类似于传感器,执行器,微型计算机或者电源的电气部件[12]。关于这些过量设计,有两种用于容错的基本方法:(1)静态过量和(2)动态过量。静态过量使用多个具有多数表决的过量模块(所有模块都处于活动状态)。动态过量则对模块的需求更少,代价是有更多的信息需要处理。没有过量的机械,需要通过实施容错故障控制技术来提高系统可靠性[21]。事实上,由于利润率已经很低了,过量的机械设计是不能被汽车行业接受的。

使用分析大量数据技术而不是采用大量硬件,这有可能会降低成本、体积和重量到一个汽车制造商乐于接受的范围,同时又不损害消费者所期望的安全性和可靠性[26]。根据参考文献[20],分析过量数据的概念一般用于分析重建被监测的系统或者工作状态。对于Anwar [24],已经研究了分析过量数据的概念用于代替大量硬件设计,以降低总成本并且同时提高系统可靠性。

如果可以使用准确的模型,那么上述基于模型的故障诊断方法的技术是非常强大的。但是在获取不了准确和鲁棒的模型时,这种诊断方法就会受到限制。

3.2 基于数据的方法

基于模型的残差生成结果的这一替代方法是基于数据的方法,也称为无模型方法。这种基于学习的方法从系统的历史输入和输出数据学习运转机械的模型,即:通过分析测量信号的特定属性来检测故障。根据参考文献[17],基于数据的方法是以信号处理技术为基础的,使用一下两种类型之一来获取结果:(1)时域极限检查和/或趋势分析;(2)频率或混合时频域分析。在前者中,将系统的可测量状态和输出的统计与标称操作限度进行比较。在后者中,对系统状态的时间序列和由系统传感器测量的输出进行分析[17]。在时域中,最常见的技术是定性趋势分析(Qualitative Trend Analysis QTA),而在频域中,最广泛使用

剩余内容已隐藏,支付完成后下载完整资料


资料编号:[136706],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。