基于狼群算法的轮毂电机故障诊断方法

电动汽车轮毂电机故障诊断及维修探析1 案例分析某一辆用于维修研究的纯电动汽车，且以轮毂电机来实现驱动;该辆车在行使时，其动力开始逐步下降，并无法有效满足汽车爬坡以及紧急加速的需求。

2 故障检查负责维修的人员通过举升机将故障车辆举起，并先后分别对前进挡、倒挡以及加速踏板进行了全方位的检查。

在这个过程中发现汽车的右后轮未正常运转，此时，维修人员认为汽车的后右轮动力系统应该出现了问题。

纯电动汽车的驱动系统由电机、控制器两大部分组成;为了能够保障车辆的舒适性，为其设置量独立控制器，数量为2个，其作用是汽车后轴的驱动轮毂进行有效控制。

后左轮驱动正常，基于此，维修人员将左右后轮的控制器进行互调，即用左后轮的控制器来对右后的电机进行控制，但是未将故障有效排除。

此时，经过分析之后，维修人员认为后轮毂电机自身方面出现了问题。

该车辆的电动机为直流无刷电动机，其中以星状的方式布置以及连接了三组线圈。

电机转子内圈之中有粘有磁块（稀土永磁材料制作而成），并在霍尔传感器的支持下能够实现转子磁场的检测，然后针对对应的控制器传输对应的信号。

控制器发挥作用必须要有这些信号为基本依据，从而有效1/ 4控制定子电流的大小、方向，这样电机则可以将整个车轮带动。

制动方面的能量必须要进行回收，此时，车轮会随着电机的作用力而进行旋转。

与此同时，永磁体会持续的运动，然后形成对应的磁场，并保持持续性运动;接着，定子线圈范围当中有会感应的电动势逐步形成，同时，发电机会被电动机岁替代。

另外，控制器在点火开关断开之后会立刻停止，其定子线圈也处于到断路的状态之中，面对这样的形式，感应电动势则难以再形成回路，而且对于感应电流来讲，定子线圈之中也无法获得，这就意味着没有办法形成反力矩，而对于驱动轮转动的阻力也会比较小。

将点火开关断开，并将两个后轮进行转动，可以进一步发现左后轮的阻力明显较小，而有后轮的阻力则明显比较大，此时维修人员做出判断，即：汽车右后轮的电机定子之中的线圈，一方面是有了感应的电流，另外一方面还形成了回路。

第49卷第4期2021年4月华中科技大学学报（自然科学版）J. Huazhong Univ. of Sci. & Tech. (Natural Science Edition)Vol.49 No.4Apr. 2021DOI：10.13245/j.hust.210405基于W M M-H M M的轮毂电机机械故障诊断方法薛红涛a周嘉文a童鹏1(江苏大学a.汽车与交通工程学院；b.机械工程学院，江苏镇江212013)摘要为有效监控电动汽车用轮毅电机的运行状态，保障整车的运行安全，提出了一种基于混合Weibull分布模 型(WMM)与隐马尔科夫模型(HMM)的轮毂电机机械故障诊断方法(WMM-HMM诊断法).首先，利用轮毂电机振 动信号提取敏感特征参数，用以表征其运行状态，建立观测序列.其次，利用WMM对轮毂电机各种运行状态下 有限的观测序列进行拓展，获取足量的观测序列作为HMM的训练样本集，确立HMM参数，进而在低、中速工 况下分别构建轮毅电机运行状态的WMM-HMM诊断模型.最后，定制相应的故障轮毂电机，搭建试验台，对所 提出的方法进行验证.结果表明：所提出的方法能够在低、中速工况下精确识别出轮毂电机的机械故障状态，较 传统方法识别精度至少提高了 9.3%.关键词轮毂电机；振动信号；故障诊断；混合Weibull分布模型：隐马尔科夫模型中图分类号TM307.1 文献标志码A 文章编号1671-4512(2021)04-0032-06Mechanical fault diagnosis method of in-wheel motor based on WMM-HMMXUE Hongtaoa ZHOU Jiawen- TONG Peng''(a. School of Automotive and Traffic Engineering；b. School of Mechanical Engineering, Jiangsu University,Zhenjiang 212013, Jiangsu China)Abstract To effectively monitor the operation state of in-wheel motor used in electric vehicle and ensure the safety of the whole vehicle, a mechanical fault diagnosis method based on Weibull mixture model (WMM) and hidden Markov model (HMM) was proposed for in-wheel motor (WMM-HMM diagnosis method). First, vibration signals of in-wheel motor were used to extract sensitive symptom parameters to characterize its operation state and establish observation sequence. Second, WMM was used to expand the limited observation sequence under various operating states of in-wheel motor, and sufficient observation sequence were obtained as the training sample set of HMM to determine the HMM parameters. Then, the WMM-HMM diagnosis models of the running state of in-wheel motor were constructed under low and medium speed conditionst respectively. Finally* the corresponding fault in-wheel motors were customized and the test bench was built to verify the proposed method. Results show that the proposed method can accurately identify the mechanical fault state of in-wheel motor under low and medium speed conditions* and the recognition accuracy is at least 9.3% higher than that of the traditional method.Key words in-wheel motor；vibration signal；fault diagnosis；Weibull mixture model；hidden Markov model由于资源消耗和环境破坏等问题，环保型新能 源汽车的研制得到迅速发展，轮毂电机驱动电动汽车成为汽车行业的研究热点.然而轮毂电机特殊的 安装位置及复杂的工作环境，极易诱发零件磨损，导致机械故障，因此对轮毂电机运行状态进行监测和故障诊断是非常重要的.智能算法在故障诊断领域中得到了广泛运 用而传统的故障诊断监测方法通常采用单一阶 段的运行状态信息推断是否存在故障，缺少对多个 阶段状态信息进行综合判断.隐马尔可夫模型收稿日期2020-08-18.作者简介薛红涛(1978-)，男，副教授，E-mail: *************.cn.基金项目国家自然科学基金资助项目(51775245).第4期薛红涛，等：基于W M M-H M M的轮毂电机机械故障诊断方法•33.(HMM)作为一种时序状态模型，能够以时序的递 推来估计隐含状态链的变化，被许多学者运用在故 障诊断领域当中在HMM构建过程中，通常需 要大量的观测数据来训练模型参数.但在实际的轮 穀电机运行状态监控过程中，很难获取大量实时数 据.若利用少量点检数据，基于一种可行的方式，模拟一些符合实际工况的训练数据，来构建故障诊 断模型，则会更符合实际工程需求.常见的将数据 拟合与HMM结合的方法是高斯混合模型-隐马尔 科夫模型(GMM-HMM),常用于语音识别领域|7].文献[8-10]均是利用GMM来描述HMM中的观测概 率矩阵，以GMM-HMM为基础，从而构建相应的 诊断识别模型.针对大部分机电类产品，其磨损累计失效的分 布形式都符合Weibull分布，Weibull分布被广泛运 行于可靠性工程及相关数据的拟合中根据现有文献，在可靠性检验和故障诊断方面，单一 Weibull分布得到了运用，而结合了数据拟合的 HMM(特别是GMM和HMM的结合)常被用在语音 识别领域，在故障诊断领域中运用较少.鉴于Weibull分布良好的数据拟合性能，本研究在传统 HMM基础上，结合Weibull分布，提出一种基于混 合Weibull分布模型(Weibul丨mixture model,WMM)与HMM的轮毂电机机械故障诊断方法，简称 WMM-HMM诊断法，在采集的少量观测数据中提 取诊断用高敏感特征参数，并对其进行Weibull分布拟合，获取足量的训练样本集，用以训练HMM 参数，从而构建WMM-HMM诊断模型，利用模型 对轮毂电机故障状态进行监测与诊断.1混合W e i b u l l模型-隐马尔科夫模型U隐马尔科夫模型HMM是-种随时间变化的概率模型，它由隐 含状态链和可观测序列组成，描述了由隐马尔可夫 链生成不可观测状态序列，再由每个状态生成可观 测序列的过程.在轮毂电机的实际运行过程中，其运行状态难以直接观察，属于隐含序列，通常是利 用其运行过程中可监测的信号变化特征，如振动信 号的特征参数，表征轮毂电机的运行状态.轮毅电 机的状态演变过程符合马尔科夫链的变化规律 HMM可以作为轮毂电机机械故障诊断的工具.HMM的主要模型参数可以描述为A=(y4 9B1C J)jat J = p(Sj(t+ l)|S,(〇)(1^ $ T V,1^7'^ N),bim= p(v(m)\S,)C= [c,,c2, •••, c… ■■■,c j.c,. =/?(5',|/0),式中：4为状态转移矩阵，对于轮毂电机的运行状 态，矩阵中的元素+反映了从f时刻状态*5,到什1时刻状态$的概率；W为状态类型的个数；B为观测 概率矩阵，其元素匕为在状态5：下获取到观测值 v如)的概率；M为状态S,下所有可能的观测值数 目；C1为初始状态向量，向量中元素表示为初始时 刻处于某种状态的概率.特别地，若在轮毂电机 运行状态监测中，获取的观测序列v(m)包含振动信 号多个特征参数，则定义观测序列v(m)是由个单一特征参数序列组成的观测序列，即v(/n)=[v,(W), v2(/n)，…，v*(w)，v^m)，…，v[(w)]•当 A=(/4, 〇的参数被确定后，便可构建最基本的隐马尔 科夫模型.1.2 混合Weibull模型(WMM)相较于常用的高斯分布模型，Weibull分布的 一般性使其更适用于描述机电类产品的磨损累计失 效分布形式和振动信号特征参数.针对于多个敏感 特征参数，可利用混合Weibull模型进行拟合描述. 若上述观测序列v中每一个元素&是振动信号的单 个特征参数序列，则v t在某种隐含状态下的分布可 用Weibull分布的概率密度函数描述，即式中;/t>0，汉>0分别为Weibull分布中的尺度和形 状参数.相应地，由尺个特征参数序列构成的观测 序列v在某种隐含状态下的分布可用Weibull混合 模型描述，有/(V;W，"，y?)=X w t/(V*; //*，久)，k = 1式中：7和y ff分别为相应的参数集合；（U={w丨，（02,…，ft)K}为权重系数集合，叫为第A:个Weibull分布 的权重系数，须满足非负及相加之和为1,即0，且 ---l~(U A=l.1.3 WMM-HMM传统的HMM通常需要全局的观测序列，然而 轮毂电机状态监测往往是基于状态数据进行诊断.若仅用有限的试验数据建立HMM诊断模型，则可 能因观测序列有限影响HMM参数B,〇的准确性，从而影响HMM的构建，降低诊断精度.在现实的科学研究中，有许多领域经常使用不同拟•34*华中科技大学学报（自然科学版）第49卷合方法对试验数据进行拟合，预测全局分布，获得 相应数据|U1.基于轮毂电机振动信号的前期研究，不难发现其特征参数遵循Weibull分布，因此本研 究提出基于试验数据对轮毂电机振动信号特征参数 进行Weibull分布拟合，获取较完备的全局数据，再训练HMM的诊断模型.通常情况下，在轮毂电 机状态监测中经常使用振动信号多个特征参数，因此须构建WMM-HM M诊断模型.构建WMM-HMM诊断模型的步骤如下所述.步骤1求解WMM参数;和(U.由上描述 可知：观测序列v(m)由个单一特征参数组成，且任一特征参数相互独立，所以通过极大似然估计M51或最小二乘法™便能求得某一隐含状态下单个特征 参数所符合的Weibull分布概率密度函数的分布参 数％和汊.针对WMM中的权重系数集合co，本研 宄提出基于特征参数状态区分度的方法进行求解，其中第A个Weibull分布的权重系数可表示为I = 1 /n = 1_ K K M.(1)-,(v;(w))丨i = 1y = 1 m = 1随着w确定，WMM便得以确定.步骤2拓展观测数据，获取足量的HMM训练样本集.利用确定的WMM，某种隐含状态下的所有可能的观测序列v=[v(l),v(2)，…，v(Af)]都能确定，并能通过WMM对观测序列进行拟合，从而可对少量观测数据进行拓展，将数据量扩张到原 数据量的《倍.具体利用WMM对观测数据进行拟 合并对其进行拓展的过程如下.观测数据序列v(m)中单个特征参数序列vt(m)是由;c个数据点组成的数组，定义数据点最小值为 vto,…(w)，最大值为V w(w).由于vt(w)符合单个 Weibull分布，因此可利用Weibull分布概率密度函 数的反函数，在单个Weibul丨分布参数(&,汉)确定条件下，拓展出指定数量的训练样本集，即(v*m a x(w)- vtm in(w))/(« - 1) *：vtm a x(w)],式中：vt(w)’为原数据量《倍的训练样本；y1为原 函数/的反函数.以相同方式，对v(W)中所有K个特征参数序列分别进行拓展，基于对应的权重系数 叫，可获取较完备的全局训练样本集.步骤3优化HMM参数广=〇4*, B*,C*).基于步骤2获取的训练样本集中包含r个时间片段的 隐含状态及对应的拓展观测数据[(S,,«卟，（5> «v)2,…，（51,，《v)r]，利用统计方法即可得到為，S,…,&(1),进而确定 HMM参数B*，C*),具体为j = 1m = 1C; =S,(1)/坌S,(l)，i=l式中：<为训练样本集中由状态5；转移到5；的频 数；为在状态下获取到拓展观测序列《v(w)的频数；5：(1)为在初始时间片段状态为的频数.通 过上述步骤，便可将Weibu丨丨分布与隐马尔科夫模 型结合，构建WMM-HMM诊断模型.利用WMM-HMM诊断模型，运用Viterbi算法，在获取轮毂电机运行状态振动信号的情况下，可获得特征参数表征的运行状态最优路径，进而判 断轮毂电机是否发生故障.即在模型参数r=M*，«*，c*)确定的条件下，运用当前监测状态中r个时间片段获取的观测序列0=[0(1), 0(2),…，6»(D](O e[以1),以2),…，v4(M)]),求得对应的隐含序列最优解5-=[况1广况2)‘，…，災7)_]，即(5(1)\ 5(2)', 5(r)*)= argmaX ip(5(l),S(2), •••,S(T)\0(\), 0(2),•••,O(T),D.综上所述，WMM-HMM诊断模型的构建及应 用流程如下所述：首先获取观测序列v,求解 WMM参数…yff和构建WMM;然后利用 WMM获取拓展观测数据v‘；进而利用v‘训练 HMM模型参数，构建WMM-HMM.2试验分析2.1轮毂电机台架试验为了验证WMM-HMM方法的有效性，本研究 以轮毂电机常见的轴承机械故障为研究对象，分别 定制正常和轴承不同位置有故障(外圈、内圈、滚动体)的轮毂电机，并搭建试验台架如图1所示. 试验由电动汽车车载电源供电，磁粉制动器模拟负 载，单片机模拟油门踏板控制电机转速，加速度传 感器实时监测轮毂电机在100, 200,…，700 r/min图1轮毂电机试验台架第4期薛红涛，等：基于W M M-H M M的轮毂电机机械故障诊断方法•35 •这7种转速，以及20N*m负载条件下运行的振动信号.2.2诊断模型的构建为了验证本研宄所提出诊断方法的泛化性及实 际诊断过程中的适用性，弱化不同的轮毂电机转速 对诊断模型构建的影响，根据试验中轮毂电机适配 的车型n71获取轮毂电机转速与电动车车速的对应关 系，将轮毂电机100，200, 300，400 r/min转速统 称为低速工况，将500，600, 700 r/min转速称为 为中速工况，分别构建低、中速工况下故障诊断模 型.同时，分析轮毂电机运行状态的时序变化过 程，可知其是一个逐渐退化过程，即轮毂电机只能 从正常状态转移到故障状态，而无法从故障状态转 移到正常状态，且不同故障状态之间也不能相互转 移.因此，轮毂电机隐含状态转移是无跨越左右型 马尔科夫链，即正常状态向内圈故障、外圈故障及 滚动体故障单向转移.进一步地，单一故障可能诱 发复合故障，如外圈故障极易导致滚动体发生故 障，进而蔓延至内圈.本研究重点针对单一故障状 态，分别构建轮毂电机正常状态以)与内圈故障 〇S2)、外圈故障(&)、滚动体故障〇s4)W w m m-h m m 诊断模型.显然，在低、中速工况下共须构建6个WMM-HMM诊断模型.本研宄以低速工况下正常状态与 内圈故障的WMM-HMM诊断模型为例，详细阐述 诊断模型的构建过程.a.特征参数基于常用的振动信号特征参数，选用均方根 值、歪度、波形率作为敏感特征参数，表征轮毂电 机的运行状态.以2 s为一个观察时间段，根据其 监测信号求出对应的特征参数，并用45个观察时 间段组建成特征参数序列尺，P2,P3，其分布如图 2所示，图中：？为时间；为P,分布；&2为尽分布；&为尺分布.同时，分别用高斯分布和 Weibull分布拟合尺，P2，P3的数据序列，对应的概 率密度函数如图3所示，图中：F,为Weibull分布的 概率密度函数；尸2为正态分布的概率密度函数.分 析图2及图3可知：相对于高斯分布而言，特征参 数更符合于Weibull分布.b.WMM参数的获取敏感特征参数序列符合Weibull分布，可分别 求得正常电机与内圈故障电机在低速工况下的3个敏感特征参数序列P,,P2，P3相对应的Weibull分布参数集.进而可利用式(1)求得每个敏感特征参0.4450.4350.4250.4153.383.34^ 3.33.23.227.2 -(a)(b)P26.8€6.46.020406080(c)P3图2特征参数分布6.0 6.4 6.87.2S p3(c)P3图3特征参数对应的概率密度函数•36 •华中科技大学学报（自然科学版）第49卷数符合的Weibull分布权重系数，如表1所不. 2.4对比分析表1W M M参数表参数n P V V S,S!&s2 1.003 1.004934.061151.30.3140.324A 1.003 1.0041084.481230.20.3600.357尸3 1.000 1.0001029.17937.170.3260.318c.HMM参数的获取将少量特征参数集输入到模型参数h，A v v}确定的WMM，利用WMM概率密度函数获取由特 征参数序列构成的足量HMM观测序列P’，其中产 的数据量为原数据量的4倍，即45x4x3x4=2 160个数据点.其中4和3分别代表将100〜400 r/min这4种转速工况下的3个特征参数序列组合，从而形成 拓展数据产.运用监督学习方法，利用产的50%(即1 080个)数据点训练HMM模型参数T=〇4*,C*).其中C*0.80.2A*0.80.21B*0 0 •••0.022 2 0.011 1•••0.011 10.01 M'0 0.066 7 •••0.022 2 0.055 6 •••0.0111 02.3诊断模型的应用为了验证诊断模型的识别精度，将各个诊断模 型中拓展数据尸‘的剩余50%作为测试样本，用以测 试诊断模型对于轮毂电机机械故障的诊断识别率.统计低速及中速工况下正常状态分别与内圈故障、外圈故障、滚动体故障的诊断识别率，获取轮毂电 机4种运行状态的诊断识别结果如表2所示.表2 W M M-H M M方法诊断识别精度表工况5,52s、低速0.9560.967 1.0000.978中速0.9890.9890.9440.689从表2可看出在中速工况下滚动体故障的识别 率较其他诊断结果低.通过分析滚动体故障电机的 故障频率与整个试验台架的系统振动频率，发现两 者重叠区域较多.同时针对电动汽车的实际运行工 况及相对单一的车载信号处理单元，试验中对不同 转速工况下四种运行状态的轮毂电机振动信号采用 了同样的信号处理方法，因为没有对中速工况下的 滚动体故障振动信号作单独处理，所以中速工况下 滚动体故障的识别率受到了影响.除此之外，其余 三种轮毂电机故障状态的识别率均较高，模型的总 体诊断识别率超过0.93,从而证明本研宄提出的基 于WMM-HMM的轮毂电机机械故障诊断方法能够 对轮毂电机的故障状态实现精确的诊断识别.为了验证本研究提出的故障诊断方法在故障识别精度上的优势，分别利用传统的HMM,GMM-HMM诊断模型，以及WMM-HMM诊断模型对轮穀电机机械故障进行诊断识别，将低速及中速工况下的运行状态识别结果汇总，取平均值处理，得到4种运行状态的识别精度如表3所示.显然，本研究提出的WMM-HMM诊断法在轮毂电机台架试验中对轮毂电机各种运行状态的识别精度明显高于传统的HM M与GMM-HM M诊断法，较HMM与GMM-HMM诊断法的识别精度分别提高了 57.3%和9.3%,进一步验证了 WMM-HMM方法的有效性.表3不同方法的诊断识别精度对比方法乂HMM0.6090.6220.6390.517 GMM-HMM0.9170.8830.8830.750WMM-HMM0.9720.9780.9720.8333结论为了有效判断轮毂电机经时序推移后的运行状态变化，获取其机械故障信息，本研究提出了 WMM-HMM诊断法，其优越性如下所述.a.利用WMM可将少量观测序列拓展出足量 训练样本集，既保障了识别精度，又弥补了现实试验条件下难以获取足量训练数据的不利因素影响.b.将WMM与HMM结合，利用监督学习算法 获取HMM参数，避免了非监督学习算法中对HMM初始模型参数设定的随机性及不确定性，更有利于HMM诊断模型的合理构建.c.充分考虑轮毂电机运行状态符合的马尔科 夫链变化规律，分别构建在低、中速工况下正常状态与单一故障诊断模型，更切合轮毂电机现实条件下的运行状态退化规律.参考文献[1] UPADHYAY N, KANKAR P K. Diagnosis of bearingdefects using tunable Q-wavelet transform[J]. Journal ofMechanical Science & Technology, 2018，32(2)：549-558.[2] KORDESTAN1 M，SAMADl M F，SAIF M，etal. Anew fault diagnosis of multifunctional spoiler system us­ing integrated artificial neural network and discrete wave­let transform methods[J]. IEEE Sensors Journal, 2018,18(12)：4990-5001.[3] KRISHN K R, RAMACHANDRAN K I. Machinery第4期薛红涛，等：基于W M M-H M M的轮毂电机机械故障诊断方法•37*bearing fault diagnosis using variational mode decomposi­tion and support vector machine as a classifier[J]. IOP Conference Series：Materials Science and Engineering, 2018, 310：012076.[4] ROYYANM, CHAJH,LEEJ M,et al. Data-drivenfaulty node detection scheme for wireless sensor networks[C]// Proc of IFIP Wireless Days. New York：IEEE,2017：205-207.[5] LIU Baoqi, XU Jinxue, LI Yuan. Fault diagnosis meth­od based on diffusion maps and hidden Markov model for TE process[C]// Proc of the 36th Chinese Control Confer­ence. New York：IEEE, 2017：7253-7258.[6]王志霞，郭利.基于熵特征与HMM的滚动轴承退化状态识别[J].组合机床与自动化加工技术，2018(7): 64-68 •[7] KUMAR A, VERM A S, MANGLA H. A survey ofdeep learning techniques in speech recognition[C]// Proc of IEEE 2018 International Conference on Advances in Computing, Communication Control and Networking.New York：IEEE, 2018：179-185.[8] KHONGLAH B K, DEY A, PRASANNA S R M.Speech enhancement using source information for pho­neme recognition of speech with background music[J].Circuits Systems & Signal Processing, 2019，38(2): 643-663.[9] PENG Pingan» HE Zhengxiang, WANG Liguan. Auto­matic classification of microseismic signals based on MF- CC and GMM-HMM in underground mines[J]. Shock and Vibration, 2019, 2019：1-9.[10] TEJEDOR J, MACIAS-GUARASA J, MARTINS H,et al. A contextual GMM-HMM smart fiber optic surveil­lance system for pipeline integrity threat detection [J].Journal of Lightwave Technology»2019, 37(18)：4514- 4522.[11] YANG Jianwei* WANG Jinhai, HUANG Qiang, etal.Reliability assessment for the solenoid valve of a high­speed train braking system under small sample size[J].Chinese Journal of Mechanical Engineering, 2018，31(1)：1-11.[12] LI Rui, ZHENG Shuaiyong, WANG Zhipeng，et al.Evaluation of GNSS signal-in-space continuity： aWeibull-distribution-based Method[J]. Chinese Journalof Electronics, 2018, 27(3)：634-640.[13] 江金源.基于HMM的滚动轴承故障诊断方法研究及硬件实现[D].哈尔滨：哈尔滨工业大学图书馆，2018.[14] GRECO A, STAROSTIN V, KARAPANAGIOTIS C,et al. Fast fitting of reflectivity data of growing thinfilms using neural networks[J]. Journal of Applied Crys­tallography, 2019, 52(6)：1342-1347.[15] MENG Xiangping, ZHAO Chuanqi, HUO Lei. Maxi­mum likelihood method for parameter estimation of Weibull distribution model based on fruit fly optimization algorithm[J]. Applied Mechanics & Materials, 2014,602-605：3508-3511.[16] 李海清，朱永国，杨洁.基于威布尔分布最小二乘法估计的数控车床故障间隔时间研究m.制造技术与机 床，2019(6): 89-92.[17] 陈震宇.基于DBNs的轮毅电机轴承故障在线诊断方法研究[D].镇江：江苏大学图书馆，2019.。

风力发电机组轮毂的故障诊断与维护策略一、故障诊断风力发电机组轮毂作为风力发电机的重要组成部分，一旦发生故障将严重影响整机运行效率，因此及时并准确地进行故障诊断至关重要。

1. 异常噪音当风力发电机组轮毂出现异常噪音时，可能是由于轴承损坏、齿轮磨损或叶片与轮毂接触不当等原因造成。

可通过仔细听取异常噪音的位置和频率，结合设备运行状况和维护记录进行分析，定位故障点。

2. 振动异常轮毂振动异常可能是由于叶片不平衡、轴承损坏或轴向间隙过大等原因引起。

通过使用振动传感器测量振动的幅值、频率和位置，利用振动谱分析技术进行诊断，找出引起振动异常的根本原因。

3. 温度异常轮毂温度异常可能是由于润滑不良、风扇散热失效或齿轮传动系统故障等原因导致。

可通过红外线测温仪监测轮毂不同部位的温度分布，结合工作环境和轮毂材料特性进行分析，确认异常温度升高的具体原因。

二、维护策略有效的维护策略可以延长风力发电机组轮毂的使用寿命，提高整机的可靠性和稳定性，下面介绍几点维护策略供参考。

1. 定期检测定期对轮毂进行检测，包括声学检测、振动检测和温度检测等，建立健全的检测记录和维护档案，以便及时发现并解决潜在问题。

2. 润滑维护轮毂的润滑保养至关重要，定期更换润滑油和轴承，确保润滑系统的正常工作，减少因润滑不良引起的故障。

3. 清洁保养保持轮毂清洁干净，定期清除积聚的尘土和杂物，避免对轮毂表面和风扇散热造成影响，保持轮毂的散热效果和工作效率。

4. 及时维修一旦发现轮毂故障，在确定故障原因的基础上，及时采取维修措施，避免故障扩大和影响整机运行，确保风力发电机的正常工作。

综上所述，风力发电机组轮毂的故障诊断和维护策略对于保障风力发电机组的安全稳定运行至关重要。

只有通过科学的诊断手段和有效的维护措施，才能及时发现和解决问题，确保轮毂的正常工作，延长整机的使用寿命，提高风电设备的综合效益。

电动汽车轮毂电机故障诊断与维修作者：陆展来源：《时代汽车》2019年第03期摘要：该案例中故障点主要集中在电机供电线路损坏以及电机传感器损坏两方面，这一案例在电动汽车驱动系统故障当中属于典型案例，笔者希望通过本文的分析可为维修人员提供一定的参考。

关键词：电机供电线路；传感器；驱动系统故障1 故障现象一辆教研用轮毂电机驱动式纯电动汽车行驶时突然动力下降，动力不足，无法满足紧急加速以及爬坡的需要。

2 检查分析使用举升机举起车辆后，先后挂前进挡和倒挡，脚踩加速踏板，操作后发现车辆的两个后轮当中右轮不转，对此初步诊断为右轮动力系统故障。

一般而言，驱动系统主要由两部分组成，分别是控制器和电机。

车辆当中设有2个独立控制器，其可有效控制后轴的2个驱动轮毂。

车辆左轮驱动正常，因此笔者将左后轮控制器与右后轮控制器调位，用左后轮控制器控制右后电机，结果依然没有排除故障，故而我们将故障锁定到右后轮毂电机自身问题。

电机为直流无刷电动机，电机定子中有三组线圈，线圈采取星状连接方式。

稀土永磁材料制作成的磁块粘贴在了电机转子内圈当中，主要由三组霍尔传感器完成转子磁场变换检测，并将信号传输到控制器当中。

控制器以信号为依据，控制定子电流的大小和方向，让电机带动车轮转动。

在回收制动能量过程中，车轮会带动电机旋转，且永磁体运动产生的磁场会不断运动，进而在定子线圈中产生感应电动势，这时电动机可替代发电机。

另外，断开点火开关时，控制器会立即停止运转，定子线圈处于断路状态，这种情况下，感应电动势无法形成回路，定子线圈当中无法获得感应电流，不能形成反力矩，这种状态下驱动轮转动的阻力较小。

下面为烧蚀的电机外部线束图，见图1。

断开点火开关时，转动2个后轮，左侧的阻力较小而右侧阻力较大，证明后轮电机定子线圈当中产生了感应电流并形成回路。

控制器可正常运转，故而电机定子线圈线束短路是引起这一故障的主要原因。

利用万能表测电机定子线圈引出线黄、绿蓝三个端子间的电阻值发现，黄绿端子以及绿蓝端子之间的阻值相同，均为0.4Ω，黄蓝端子之间的电阻值接近于0，判断出黄蓝线束之间出现了短路。

采用GWO优化SVM的燃气轮机气路故障诊断张云;钱玉良;邱正;张霄【摘要】将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类.将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法.【期刊名称】《上海电力学院学报》【年(卷),期】2019(035)002【总页数】7页(P187-192,196)【关键词】燃气轮机;故障诊断;支持向量机;灰狼优化算法【作者】张云;钱玉良;邱正;张霄【作者单位】上海电力学院自动化工程学院,上海200090;上海电力学院自动化工程学院,上海200090;上海电力学院自动化工程学院,上海200090;上海电力学院自动化工程学院,上海200090【正文语种】中文【中图分类】TK221燃气轮机是火力发电站的关键设备,对整个电站的经济性和安全性有着重大影响,因此实现对燃气轮机的状态监测与故障诊断具有十分重大的意义[1-3]。

与活塞式内燃机和蒸汽动力装置相比,燃气轮机具有结构简单、小而轻等特点,被广泛应用于各个领域,如电力、工业、军事、航空等。

燃气轮机的工作环境很恶劣,往往是在高温高压环境下,所以比较容易产生故障。

最早得到广泛应用的方法是由URBAN L A[4]提出的故障方程法。

该方法认为,在具体的某一工况下,可以使用影响系数矩阵表示燃气轮机的各个可测量参数的偏差与不可测量参数的偏差之间的关系,通过小偏差方程处理对燃气轮机的故障进行有效诊断。

由于该方法基于线性模型,且过于理想化,其诊断结果的准确度受测量传感器的精度、测量参数的位置和个数、噪声干扰等多方面的影响。

近年来,计算机技术和人工智能技术得到了快速的发展,许多人工智能算法在燃气轮机故障诊断中得到了应用。

专利名称：一种基于狼群算法的多特征融合参数的电网故障诊断方法
专利类型：发明专利
发明人：沈志辉,赵建洋,陈冠华,徐敏
申请号：CN201910980217.6
申请日：20191015
公开号：CN110824293A
公开日：
20200221
专利内容由知识产权出版社提供
摘要：本发明涉及智能电网技术领域，公开了一种基于狼群算法的多特征融合参数的电网故障诊断方法，包括S1将采集的电网数据做时域和频域的特征参数Y的计算；S2采用狼群算法求得目标适度函数P；S3再求特征参数的融合参数Q，并求最优融合特征参数权重系数组合ω；S4判断是否存在故障。

与现有技术相比，本发明将数据的多个合适的特征参数进行融合，对于电网的突发性变化能够很精准的捕捉突变量多个特征值，对每个点数据深度分析，更加精准分析数据的特征，实现对配电网络运行状态的监测和诊断。

申请人：淮阴工学院
地址：223005 江苏省淮安市经济技术开发区枚乘路1号
国籍：CN
代理机构：淮安市科文知识产权事务所
代理人：谢观素
更多信息请下载全文后查看。

可编辑修改精选全文完整版摘要：汽车现在已经成为生产生活重要交通设备，生产制造技术也在不断更新，尤其是生产数量持续增加，已经由研发阶段进入到量化生产阶段。

为提高运行可靠性，需要对常见故障原因进行分析，应用有效技术进行诊断，最终选择合适措施进行维护，及时消除故障，避免造成更进一步的影响，本文就此进行了简单分析。

对于纯来讲，在故障诊断与维护技术的选择上，与传统差异较大。

为提高维修效果，还需要从专业角度出发，结合纯特点，选择有效技术维护处理，避免故障对汽车运行状态的影响。

1 纯驱动系统分析驱动系统为新型电机驱动方式，布置灵活性高，以车辆驱动方式为依据，可以设置在汽车两后轮、两前轮或者四个车轮轮毂内。

与传统内燃机汽车以及其他驱动形式相比，驱动式汽车在底盘结构、动力源配置等方面具有更大优势。

例如，车轮却动力可实现独立控制，响应速度快，正反转灵活性高，并且可以实现各轮电气制动、制动能量回馈、机电复合制动等，提高了对整车能源的利用效率。

另外，应用此种驱动系统，整车布局与车身造型设计自由性提高，实现了产品多样化与系列化设计，可有效缩短产品设计周期。

2 基于滑模观测器车故障诊断2.1轮毂电机故障分析基于滑模观测器对车故障进行诊断时，可以将电机与电机驱动看作为一个整体，可用控制增益k表示，其定义为如下。

k=T/u其中丁表示电机输出转矩，u表示控制器遵循驾驶员意图传输给电机的控制信号。

正常状态下k为正常值，电机输出转矩丁通过增益时民据驾驶员意图变化。

如果电机运行出现异常情况，增益k将会发生变化，使得电机输出转矩与期望转矩之间产生差异，将其作为电机故障诊断依据。

电机运行经常会因为各项因素的影响出现故障，且表现形式不同。

当其出现磁性减弱、电机温度升高以及绕组反向等故障时，电机控制增益k值减小，电机输出转矩小于期望转矩。

如果出现电机定子绕组开路或者匝间短路等故障时，电机控制增益k值会随着时间发生正弦变化，电机输出转矩也随时间发生正弦变化。

专利名称：一种轮毂电机分布式驱动系统故障处理方法专利类型：发明专利
发明人：李良波,张强,胡伟,孙录哲,张强辉
申请号：CN202010951890.X
申请日：20200911
公开号：CN112373293A
公开日：
20210219
专利内容由知识产权出版社提供
摘要：本发明公开了一种轮毂电机分布式驱动系统故障处理方法，判断每个轮毂电机是否失效；调整失效轮毂电机的转矩T，失效轮毂电机的转矩0＜T＜该失效轮毂电机实际输出转矩；根据车辆动力性能需求和整车稳定性调整每个正常轮毂电机的转矩。

本发明利用驱动失效因子控制失效轮毂电机转矩，在维持整车稳定性的前提下，结合驾驶员意图，控制其他轮毂电机转矩保证车辆动力性，在最大程度上发挥分布式驱动轮毂电机车辆独立可控的优势，有效解决了失效故障下四轮毂电机驱动车辆动力性不足的问题，提高了抢险救援工作的安全性以及工作效率。

申请人：东风越野车有限公司,武汉理工大学
地址：430056 湖北省十堰市张湾区工业新区A区建设大道特1号
国籍：CN
代理机构：武汉开元知识产权代理有限公司
更多信息请下载全文后查看。

基于MGWO-SCN的滚动轴承故障诊断方法冯铃;张楚;刘伟渭【期刊名称】《机电工程》【年(卷),期】2022(39)10【摘要】为了提高滚动轴承故障诊断模型的鲁棒性和泛化能力,提出了一种基于改进灰狼算法优化随机配置网络(MGWO-SCN)的滚动轴承故障诊断模型。

首先,在随机配置网络(SCN)中引入L2范数惩罚项,提高了SCN在实际应用中的泛化能力;然后,在灰狼算法(GWO)中融入差分进化机制,构建了改进灰狼算法(MGWO),并用其对SCN的惩罚项系数C进行了优化;最后,通过分析美国凯斯西储大学(CWRU)轴承振动信号数据集的频域特征信息,构造了基于频域特征参量的振动数据集;并分别用BP神经网络(BPNN)、极限学习机(ELM)和支持向量机(SVM)诊断模型,以及MGWO和粒子群优化算法(PSO)对所提模型进行了对比仿真测试。

研究结果表明:在30次重复实验中,采用基于改进灰狼算法优化随机配置网络(MGWO-SCN)的方法,可以准确地识别出12种轴承运行状态,相比于BPNN、ELM和SVM轴承诊断方法,该方法的诊断平均准确率分别提高了7.27%、6.47%和8.67%;另外,MGWO-SCN在优化故障诊断模型方面具有更强的全局搜索能力,相比于GWO-SCN和PSO-SCN,该模型预测结果的偏差值更小,测试集准确率更高。

【总页数】8页(P1382-1389)【作者】冯铃;张楚;刘伟渭【作者单位】四川化工职业技术学院智能制造学院;西南大学人工智能学院;西南交通大学机械工程学院【正文语种】中文【中图分类】TH133.33【相关文献】1.基于NLF-LSTM的滚动轴承故障诊断方法2.基于频谱包络改进的EWT方法的滚动轴承故障诊断研究3.基于二维卷积神经网络的滚动轴承变工况故障诊断方法4.基于自组织映射神经网络的滚动轴承故障诊断方法5.基于多传感器两级特征融合的滚动轴承故障诊断方法因版权原因，仅展示原文概要，查看原文内容请购买。

基于灰狼算法优化极限学习机的中介轴承故障诊断方法
栾孝驰;张席;沙云东;徐石
【期刊名称】《推进技术》
【年(卷),期】2024(45)4
【摘要】针对中介轴承故障振动信号具有传递路径复杂、强背景噪声干扰等特点,其故障特征不易提取的问题,提出基于自适应噪声完全经验模态分解(CEEMDAN)与灰狼算法(GWO)优化的极限学习机(ELM)相结合的中介轴承故障诊断方法。

利用CEEMDAN和相关系数-能量比-峭度准则(CEKC)对振动信号进行分解、筛选、重构;再提取重构信号的时域和频域特征构成特征矩阵;然后以平均错误率作为GWO 的适应度值,对ELM的输入层与隐含层的权值和隐含层阈值进行优化后重新构建ELM;最后将特征矩阵输入ELM得到故障诊断结果。

应用于中介轴承故障诊断中,ELM在GWO优化后故障诊断正确率有明显提升,其中45°方向传感器数据正确率由93.33%提升到99.17%。

结果表明:该方法能够有效诊断中介轴承故障类型,表现出了较强的泛化能力。

【总页数】11页(P190-200)
【作者】栾孝驰;张席;沙云东;徐石
【作者单位】沈阳航空航天大学航空发动机学院
【正文语种】中文
【中图分类】V231.1
【相关文献】
1.基于灰狼算法优化核极限学习机的网络入侵检测研究
2.基于灰狼算法优化极限学习机的锂离子电池SOC估计
3.基于变分模态分解与灰狼算法优化极限学习机的滚动轴承故障诊断
4.基于ICEEMDAN和松鼠算法优化极限学习机的滚动轴承故障诊断
5.基于CEEMD能量熵与极限学习机的滚动轴承故障诊断方法
因版权原因，仅展示原文概要，查看原文内容请购买。

融合多策略改进的灰狼优化算法及其在汽轮机转子应力监测上的应用丁先;李汪繁;徐佳敏;臧剑南;吴何来【期刊名称】《汽轮机技术》【年(卷),期】2024(66)2【摘要】针对灰狼优化算法求解精度低和易陷入局部最优的缺陷,提出一种融合多策略改进的灰狼优化算法(improved grey wolf optimization algorithm,IGWO)。

首先采用混沌映射规则生成初始解,以增强初始种群的均匀性和遍历性;其次加入狼群交叉变异过程,以增加种群的多样性,避免陷入局部最优;最后引入动态惯性权重对灰狼位置进行更新,加快迭代过程的收敛。

将IGWO与其它相似算法进行实验对比分析,结果表明:IGWO在6个标准函数的测试中优化性能表现最优,验证了其求解精度更高,泛化能力更强;将IGWO应用到某300MW级火电机组的汽轮机转子应力监测问题上,采用IGWO优化支持向量回归(support vector regression,SVR)建立的预测模型相对误差处于[-1.33%,1.88%],平均相对误差为0.64%;相较于其它预测方法,IGWO-SVR具有较高的求解精度和稳定性,验证了改进措施可有效提高IGWO的寻优性能,相关研究结论可为GWO的改进和汽轮机转子应力监测提供参考。

【总页数】7页(P138-144)【作者】丁先;李汪繁;徐佳敏;臧剑南;吴何来【作者单位】上海发电设备成套设计研究院有限责任公司【正文语种】中文【中图分类】TP18;TK267【相关文献】1.汽轮机焊接转子接头残余应力研究三:125MW及1000MW汽轮机低压焊接转子产品残余应力2.基于改进灰狼优化算法的区域监测机器人路径规划3.基于改进灰狼优化算法应力强度因子预测模型4.求解TSP问题的改进融合遗传灰狼优化算法5.融合多策略的黄金正弦灰狼优化算法因版权原因，仅展示原文概要，查看原文内容请购买。