下载文档原格式
传感器在智能电动汽车中的应用研究在当今科技飞速发展的时代，智能电动汽车正逐渐成为人们出行的重要选择。
而传感器作为智能电动汽车的“眼睛”和“耳朵”，在车辆的性能优化、安全保障以及智能化驾驶等方面发挥着至关重要的作用。
首先，让我们来了解一下什么是传感器。
传感器是一种能够感知物理世界中的各种信息，并将其转换为电信号或其他可测量形式的装置。
在智能电动汽车中，常见的传感器类型包括但不限于：位置传感器、速度传感器、加速度传感器、压力传感器、温度传感器、图像传感器等等。
位置传感器对于智能电动汽车的定位和导航至关重要。
通过全球定位系统（GPS）和惯性测量单元（IMU）等位置传感器，车辆能够准确地获取自身的地理位置和行驶方向，为自动驾驶和路径规划提供基础数据。
速度传感器和加速度传感器则时刻监测车辆的运动状态。
这些传感器的数据有助于车辆控制系统实时调整动力输出和制动力度，以实现平稳的加速、减速和转向，提高驾驶的舒适性和安全性。
压力传感器在轮胎压力监测系统中发挥着关键作用。
实时监测轮胎的气压，一旦发现异常能够及时提醒驾驶员，避免因轮胎气压不足或过高而导致的安全隐患和轮胎磨损。
温度传感器广泛应用于电池管理系统和动力系统中。
电池在工作过程中会产生大量的热量，如果温度过高可能会影响电池的性能和寿命，甚至引发安全问题。
温度传感器能够及时监测电池和动力系统的温度，通过冷却系统进行有效的温度控制。
图像传感器，如摄像头，是实现智能驾驶辅助系统和自动驾驶功能的重要组成部分。
它们可以识别道路标志、交通信号灯、行人、其他车辆等，为车辆的决策和控制提供丰富的视觉信息。
在智能电动汽车的安全保障方面，传感器更是功不可没。
碰撞传感器能够在车辆发生碰撞时迅速感知并触发安全气囊的弹出，保护驾乘人员的生命安全。
距离传感器和雷达可以实时监测车辆与周围物体的距离和相对速度，当存在碰撞风险时及时发出警报并采取自动制动等措施，避免事故的发生。
此外，传感器还在智能电动汽车的能源管理方面发挥着重要作用。
传感器技术在智能电动汽车中的应用研究在当今科技飞速发展的时代，智能电动汽车逐渐成为了汽车行业的主流趋势。
传感器技术作为智能电动汽车的关键组成部分，发挥着至关重要的作用。
它就像是智能电动汽车的“眼睛”和“耳朵”，能够实时感知车辆周围的环境和自身的状态，为车辆的安全、高效运行提供了有力的保障。
智能电动汽车中的传感器种类繁多，包括但不限于激光雷达、毫米波雷达、摄像头、超声波传感器、惯性测量单元（IMU）、GPS 传感器等。
这些传感器各自具有独特的工作原理和优势，相互配合，为车辆提供了全面、准确的信息。
激光雷达是一种通过发射激光束并测量反射光来获取物体距离和形状信息的传感器。
它具有高精度、高分辨率和长探测距离的特点，能够在复杂的环境中准确地识别障碍物和道路标识。
在智能电动汽车中，激光雷达通常被安装在车顶或车头部位，用于自动驾驶系统的环境感知。
然而，激光雷达的成本较高，这在一定程度上限制了其在量产车型中的广泛应用。
毫米波雷达则是利用毫米波频段的电磁波进行探测的传感器。
它能够在恶劣天气条件下（如雨雪、雾等）正常工作，具有较好的穿透能力。
毫米波雷达主要用于测量车辆与前方障碍物的距离和相对速度，为自适应巡航控制和自动紧急制动等功能提供支持。
与激光雷达相比，毫米波雷达的成本相对较低，但精度和分辨率略逊一筹。
摄像头是智能电动汽车中最常见的传感器之一。
它可以获取丰富的图像信息，包括道路标线、交通信号灯、行人、车辆等。
通过图像处理算法，摄像头能够识别各种交通标识和物体。
不过，摄像头在光线不足或恶劣天气条件下的性能会受到一定影响，而且其对距离的测量精度不如激光雷达和毫米波雷达。
超声波传感器主要用于短距离探测，如车辆的泊车辅助系统。
它通过发射超声波并接收反射波来测量障碍物的距离，具有成本低、安装方便的优点。
但超声波传感器的探测范围较小，通常在数米以内。
惯性测量单元（IMU）用于测量车辆的加速度、角速度和姿态等信息。
它可以帮助车辆在没有 GPS 信号的情况下保持定位和导航的准确性，同时也为车辆的稳定性控制提供了重要的数据支持。
《永磁同步电机全速度范围无位置传感器控制技术的研究与实现》篇一一、引言永磁同步电机（Permanent Magnet Synchronous Motor, PMSM）是一种重要的电动传动系统部件，因其具有高效率、高功率密度和良好的调速性能等优点，被广泛应用于工业、汽车、航空航天等领域。
然而，传统的PMSM控制系统通常需要使用位置传感器来获取电机的位置信息，这不仅增加了系统的复杂性和成本，还可能降低系统的可靠性和稳定性。
因此，无位置传感器控制技术成为了近年来研究的热点。
本文旨在研究并实现永磁同步电机全速度范围无位置传感器控制技术，以提高电机控制系统的性能和可靠性。
二、永磁同步电机基本原理永磁同步电机的基本原理是利用永磁体产生的磁场与定子电流产生的磁场相互作用，产生转矩，使电机转动。
PMSM的转子不需要外部供电，具有结构简单、运行可靠等优点。
然而，要实现电机的精确控制，必须准确获取电机的位置和速度信息。
传统的PMSM控制系统通过位置传感器来获取这些信息，但无位置传感器控制技术则通过电机内部的电气信号来估算电机的位置和速度。
三、无位置传感器控制技术无位置传感器控制技术主要通过电机内部的电气信号来估算电机的位置和速度。
常见的无位置传感器控制技术包括基于反电动势法、模型参考自适应法、滑模观测器法等。
本文采用基于反电动势法的无位置传感器控制技术，通过检测电机的反电动势来估算电机的位置和速度。
四、全速度范围无位置传感器控制策略为了实现永磁同步电机全速度范围的无位置传感器控制，需要采用合适的控制策略。
本文采用基于矢量控制的策略，通过实时调整电机的电压和电流来控制电机的位置和速度。
在低速阶段，采用初始位置估算和误差补偿技术来提高位置的估算精度；在高速阶段，则采用反电动势法来准确估算电机的位置和速度。
此外，还采用了自适应控制技术来应对电机参数变化和外部干扰的影响。
五、实验与结果分析为了验证本文所提出的无位置传感器控制技术的有效性，进行了实验验证。
《永磁同步电机全速度范围无位置传感器控制策略研究》篇一一、引言随着电力电子技术的不断发展，永磁同步电机（PMSM）在工业、汽车、航空等众多领域得到了广泛应用。
然而，传统的PMSM控制系统通常需要使用位置传感器来获取转子的位置信息，这不仅增加了系统的复杂性和成本，还可能受到环境因素的干扰。
因此，研究无位置传感器控制策略对于提高PMSM的性能和可靠性具有重要意义。
本文将重点研究永磁同步电机全速度范围无位置传感器控制策略，旨在为PMSM的进一步应用提供理论依据和技术支持。
二、永磁同步电机基本原理永磁同步电机是一种基于磁场相互作用原理的电机，其转子采用永磁体材料制成。
当电机通电时，定子产生的磁场与转子永磁体产生的磁场相互作用，使转子按照一定的速度和方向旋转。
PMSM具有高效率、高功率密度、低噪音等优点，在许多领域得到广泛应用。
三、无位置传感器控制策略无位置传感器控制策略是实现PMSM控制的重要技术。
目前，常见的无位置传感器控制策略包括基于反电动势的估计方法、基于电流模型的方法、基于卡尔曼滤波器的方法等。
这些方法在不同的速度范围内具有不同的优缺点。
四、全速度范围无位置传感器控制策略针对PMSM的全速度范围无位置传感器控制策略，本文提出一种基于多种控制策略的综合方法。
在低速阶段，采用基于反电动势的估计方法，结合特定的启动策略实现稳定启动和位置跟踪；在高速阶段，采用基于电流模型的方法或卡尔曼滤波器等方法进行位置估计。
同时，根据电机运行状态和负载变化，实时调整控制策略，保证电机在不同速度范围内的稳定性和准确性。
五、实验与结果分析为了验证所提出的全速度范围无位置传感器控制策略的有效性，本文进行了大量实验。
实验结果表明，该控制策略在全速度范围内均具有较高的精度和稳定性。
在低速阶段，通过特定的启动策略实现了快速稳定启动和位置跟踪；在高速阶段，采用多种估计方法有效减小了位置估计误差。
此外，在不同负载和工作环境下的实验结果也证明了该控制策略的鲁棒性和可靠性。
汽车车身电控系统常见故障诊断与维修【摘要】汽车车身电控系统在现代汽车中起着至关重要的作用，它可以控制车辆的各种功能，如车门锁、车窗升降、灯光控制等。
随着汽车电子技术的不断发展，车身电控系统也面临着各种故障问题。
本文对汽车车身电控系统常见的故障进行了诊断与维修的探讨。
首先介绍了电控系统的组成部分，包括各种传感器、控制器和执行器。
然后分析了常见的故障现象及可能的原因，如电路短路、传感器损坏等。
接着介绍了故障诊断方法，包括使用诊断仪器和查找故障码。
针对不同的故障情况，提出了相应的维修措施，如更换零部件、修复电路等。
最后强调了预防措施的重要性，如定期检查维护电控系统，避免不必要的故障发生。
通过本文的研究，有助于提高汽车车身电控系统的稳定性和可靠性。
【关键词】汽车车身、电控系统、常见故障、诊断、维修、预防措施、组成部分1. 引言1.1 研究背景汽车车身电控系统是现代汽车的重要部分，它负责控制车身上的各种电子设备和功能，如车窗升降、中控屏操作、车灯控制等。
随着汽车科技的不断发展，车身电控系统也变得越来越复杂，其中包含了大量的传感器、控制模块和电子元件。
随着车身电控系统的复杂化，相关故障问题也日益频繁。
汽车车身电控系统故障会导致车辆无法正常行驶，甚至影响行车安全。
对汽车车身电控系统常见故障进行诊断与维修显得尤为重要。
目前，虽然汽车维修技术不断提升，但仍有许多车主对车身电控系统故障诊断与维修缺乏相关知识，导致维修过程中出现困难。
对汽车车身电控系统常见故障进行深入研究，总结故障诊断方法和维修措施，将有助于提升汽车维修技术水平，保障行车安全，提升驾驶体验。
1.2 研究目的研究目的：汽车车身电控系统作为汽车的重要组成部分，其稳定运行直接影响到行车安全和舒适性。
本文旨在通过对汽车车身电控系统常见故障的诊断与维修方法的研究，探索有效的解决方案，提高故障诊断与维修效率，确保汽车的正常运行。
通过深入分析电控系统的组成部分、常见故障现象及原因分析、以及相应的诊断和维修措施，旨在为汽车维修技术人员提供实用的指导，帮助他们更好地应对各类车身电控系统故障，提高维修水平，为车主提供更为安全可靠的驾驶体验。
电动汽车动力电池热失控故障诊断研究摘要：伴随新能源汽车实现快速发展，近些年相关火灾事故报道数量增加，可知动力电池问题造成的新能源汽车事故占比较高。
此种电池故障主要是指过充、过放以及过热等，上述故障会造成电池组内部温度数值以及压力数值上升，造成电池系统失去控制。
避免新能源汽车安全事故出现，目前相关研究人员从车载端以及云端实施全方位电池故障诊断以及安全管理工作。
以往车载端电池管理系统，借助检测电池组的电压参数、电流参数等，评估电池组的实际充电情况以及健康状态，以此确保动力电池安全性，但由于过程中会受到BMS限制，安全预警策略比较简单，不能实时管控电池系统安全。
为解决上述问题，需重视远程平台故障诊断以及预警技术，借助车载终端可将动力电池系统数据传输到新能源汽车大数据云端平台，可通过挖掘海量数据综合性分析动力电池故障诊断方式。
关键词：电动汽车；动力电池；故障诊断引言电动汽车保量的不断增加导致在使用过程中动力电池出现热失控发生自燃事故。
电动汽车自燃主要发生在使用过程的各个环节中，有行驶过程中自燃，充电过程中自燃，停置时自燃，高温下自燃，发生碰撞事故后自燃。
但对于电动车来说，并不是每一次的自燃，我们都能找到准确的原因。
电动汽车自然都是在各种诱因下从动力电池内部单体理离子电池热失控后，从内部发生剧烈化学反应产生大量热量，伴随着喷射、泄气和爆炸等现象快速引起整块动力电池起火燃烧。
因为无法知晓确定原因，且不知道什么时候会发生，所以很难完全避免。
随着电动汽车保有量不断增加，部分电动汽车使用年限和里程增大，引起自燃频发及起火原因的不确定性或导致电动汽车使用安全性下降，本文通过研究电动汽车动力电池热失控故障现象，对引发热失控的诱因进行预防诊断分析。
1热失控过充、火源、挤压、穿刺、短路都会造成锂离子电池热失控行为的发生，热失控的顺序为ＳＥＩ膜分解、电解液分解、正极释氧分解。
在此过程中，短时间内电池内部会产生大量的热，内部温度急剧升高，最后燃烧爆炸，释放出大量有毒烟雾。
电机传感器故障检测与诊断电机是工业生产中常用的动力设备，被广泛应用于各种机械设备中，如风机、水泵、压缩机等。
为了保证电机的正常运行，传感器被引入电机控制系统中，用于检测电机的运行状态和监测电机周围的环境参数。
然而，由于长期使用和环境条件的限制，电机传感器常常会出现故障，导致电机的性能下降甚至停机。
因此，电机传感器故障的检测与诊断显得尤为重要。
首先，我们需要了解电机传感器的基本原理和工作模式。
电机传感器是一种能够将电机的机械信号、电气信号或磁场信号转化为电信号输出的装置。
常用的电机传感器包括速度传感器、温度传感器、震动传感器等。
这些传感器可以通过测量电机旋转速度、温度或振动情况，来监测电机的运行状态是否正常。
当电机传感器发生故障时，我们需要通过检测与诊断来找出故障原因，并进行维修或更换。
接下来，我们将介绍一些常见的电机传感器故障及其检测与诊断方法。
首先是速度传感器故障的检测与诊断。
速度传感器是电机控制系统中常用的传感器之一，用于测量电机的转速。
如果速度传感器发生故障，电机的转速信号将无法正常获取，从而导致电机控制系统无法对电机进行准确的控制。
为了检测速度传感器是否正常工作，可以通过测量传感器输出的电压信号和电阻值，并与标准值进行比较，来判断传感器是否损坏。
同时，还可以借助电机控制系统中的自检功能，通过观察电机控制系统的故障代码和报警信号，来判断速度传感器是否存在故障。
其次是温度传感器故障的检测与诊断。
温度传感器用于监测电机的温度变化，当电机过热时，温度传感器将发出警报信号，以保护电机不过载损坏。
然而，温度传感器也可能由于长期使用而出现故障，导致无法准确测量电机的温度。
为了检测温度传感器是否正常工作，可以使用温度计等工具，对传感器所在位置进行温度测量，并与传感器显示的数值进行对比。
同时，还可以参考电机控制系统中的温度报警功能，观察报警信号是否与实际温度相符，来判断温度传感器是否有故障。
最后是震动传感器故障的检测与诊断。
电机控制系统中的故障诊断与容错控制方法研究摘要：电机控制系统在工业领域的广泛应用中扮演着重要角色。
然而，由于不可避免的故障和异常情况，这些系统可能会受到严重影响，甚至导致生产中断和安全事故。
因此，开发可靠的故障诊断与容错控制方法对于确保电机控制系统的可靠性、稳定性和安全性至关重要。
传统的故障诊断方法主要基于信号处理和模型匹配技术，凭借对异常信号和已知模型的比对来识别故障。
尽管这些方法在一定程度上能够实现故障诊断的目标，但仍然存在对特定故障模式的依赖性和对系统动态特性的不足之处。
然而，随着机器学习和人工智能技术的迅猛发展，基于这些新方法的故障诊断技术逐渐受到关注，如深度学习、支持向量机和贝叶斯网络等。
这些方法通过学习大量数据来建立模型并进行故障分类，从而提高了故障诊断的准确性和鲁棒性。
基于此，本篇文章对电机控制系统中的故障诊断与容错控制方法进行研究，以供参考。
关键词：电机控制系统；故障诊断；容错控制方法引言电机控制系统中的故障诊断与容错控制方法。
基于机器学习和人工智能的故障诊断方法以及基于模型预测控制的故障诊断方法，比较它们的性能和适用性。
基于模型预测控制的容错控制方法，包括算法设计、系统重构和状态切换等方面。
对于电机控制系统的容错控制，传统方法主要采用备件冗余、积分调节和自适应控制等手段，以提高系统的鲁棒性和稳定性。
基于模型预测控制的容错控制方法正在逐渐崭露头角。
该方法能够通过建立精确的系统模型，并根据故障状态进行在线优化，从而根据实际情况调整控制策略，保证系统正常运行。
基于此，强调了故障诊断与容错控制方法在提高电机控制系统可靠性和安全性方面的重要性。
1电机控制系统在工业应用中的重要性电机控制系统在工业应用中具有重要性的原因如下：（1）驱动力。
电机作为一种将电能转化为机械能的设备，是工业生产中最常用的驱动力之一。
它们广泛应用于各个行业，如制造业、采矿业、建筑业和交通运输等。
（2）精确控制。
电机控制系统可以通过改变电机的转速、转矩和位置等来实现精确控制。
基于声振信号的电机故障诊断方法
孙翊云;贺笑;丑永新
【期刊名称】《常熟理工学院学报》
【年(卷),期】2024(38)2
【摘要】电机在工作时产生的异常噪音往往表明电机存在潜在故障或处于不良的工作状态.本研究提出了一种基于振动信号分析的电机异音检测方法,该方法通过安装加速度传感器和麦克风等设备采集电机运行时的振动信号数据,并对采集到的振动信号进行信号处理和特征提取.接着构建一个分类模型,利用支持向量机算法对提取的特征进行训练和分类.实验结果表明,该方法在检测电机异常噪音方面展现出良好的性能和准确性.大量实际电机运行数据测试结果表明该方法能够有效地判断电机是否存在异常噪音,并提前预测潜在故障.
【总页数】7页(P25-30)
【作者】孙翊云;贺笑;丑永新
【作者单位】常熟理工学院电气与自动化工程学院;盐城工学院电气工程学院【正文语种】中文
【中图分类】TN820.1
【相关文献】
1.基于声振信号EMD分解的轻微碰摩故障诊断方法研究
2.基于声-振信号分析的抽油机运行故障诊断方法研究
3.声振信号联合1D-CNN的大型电机故障诊断方法
4.声振信号构造CNN特征矩阵的断路器储能机构故障诊断方法
5.声振信号分离提纯的风力发电机故障诊断方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
电动汽车电机速度传感器故障诊断研究发表时间：2019-06-10T15:00:03.703Z 来源：《知识-力量》2019年8月27期作者：冯枫[导读] 在电动汽车电机驱动系统中，因系统噪声、传感器自身工作特性以及安装接触不良等因素的影响，速度传感器极易处于异常工作状态和故障状态，若此时电动汽车电机驱动系统接受速度传感器提供的错误采集信息（潍坊科技学院，山东寿光 262700）基金项目：2018年度潍坊科技学院校级（科技类）课题（编号：2018KJYB06）在电动汽车电机驱动系统中，因系统噪声、传感器自身工作特性以及安装接触不良等因素的影响，速度传感器极易处于异常工作状态和故障状态，若此时电动汽车电机驱动系统接受速度传感器提供的错误采集信息，必将引起电机驱动系统性能的下降，严重时可能导致系统停车并危及驾驶员人身安全。
本文提出基于RBF人工神经网络对电动汽车电机驱动系统速度传感器进行在线故障诊断，最后基于MATLAB设计出该神经网络并对速度传感器故障进行诊断仿真，验证了该法可以及时有效地诊断速度传感器故障。
1 基于人工神经网络建立的速度传感器故障诊断方法目前基于人工神经网络建立的速度传感器故障诊断方法分为离线故障诊断和在线故障诊断两种方法。
离线故障诊断方法建立的数学模型结构固定不变，预先设定好神经网络输出层的操作过程，这样的学习过程和诊断方法决定其只适用于工作状态是有规律可重复再现的被控目标。
对于结构和参数固定，且在线输出操作可以预判的系统，可采用离线故障诊断方法。
在线故障诊断情况下，神经网络与电机驱动系统直接相连，神经网络可以自动获得速度传感器的输出值，然后由神经网络内部自组织、自学习以判定故障信息及现象。
通过此法神经网络对速度传感器的输出值进行实时监测，当电动汽车电机驱动系统速度传感器突然出现故障时，会输出相应的故障诊断信号，系统根据故障诊断信号，就可以判定系统中的速度传感器是否出现故障。
目前绝大多电机驱动系统由于自身强稱合特性、运行过程中参数变化以及电动汽车运行工况的不确定性，难以对其建立精准的数学模型，采用在线故障诊断的方法可以保证较高的诊断准确率。
考虑到电动汽车行驶路况的复杂性和不确定性，本文选用在线故障诊断的方法对电动汽车速度传感器进行故障诊断。
RBF人工神经网络预测速度传感器的采集输出，这种方法是基于神经网络对电动汽车速度建立预测模型，选择前几个时刻速度传感器的实测输出作为神经网络的输入向量并建立学习样本，速度传感器输出的当前时刻预测值作为神经网络的输出。
基于神经网络预测值与速度传感器实际输出值建立残差序列，设定误差阈值进行故障诊断。
本文提出基于RBF神经网络对速度传感器建立RBF神经网络输出预测器的在线故障诊断方法，该法通过速度传感器实际采集输出值与RBF神经网络预测输出值的残差序列来实现速度传感器故障的在线诊断。
该方法的实时性较好，故障识别准确率高，适用于电动汽车电机驱动系统。
将RBF神经网络预测器进行速度传感器故障在线诊断方法应用于电动汽车电机驱动系统的原理图见图1：图1速度传感器故障诊断原理图当电动汽车电机驱动系统开始运行时，假定速度传感器并未发生故障处于正常运行状态。
这时电机驱动系统中的控制设备得到速度传感器的前m + 3个时刻实际采集输出值序列x(l)，x(2)，...，x(m + 3)，将其建立RBF神经网络的初始学习样本。
构建RBF神经网络第一个学习样本时以x(l)，x(2)，...，x(m)为RBF神经网络输入值，x(m+ 1)作为RBF神经网络预测输出值。
向前递推一步构建RBF神经网络第二个学习样本，以x(2)，x(3)为RBF神经网络输入值，x(m + 2)作为RBF神经网络预测输出值。
再向前递推一步构建RBF神经网络第三个学习样本，以x(3)，x(4)，...，x(m + 2)为RBF神经网络输入值，x(m + 3)作为RBF神经网络预测输出值。
这样基于RBF神经预测器的输入样本与输出样本建立完毕。
若RBF神经网络预测器的输入向量以表示，输出向量以r表示，根据上文所述则有：以为输入向量，r为输出向量建立学习样本，对RBF神经网络进行在线学习训练，通过直接计算法调整隐含层到输出层的线性权值矩阵。
当RBF神经网络输出经训练达到设定精度后，RBF神经网络预测器进入工作状态。
此时，以m个数据即x(4)，x(5)，...，x(m + 3)作为RBF神经网络预测器的输入向量，RBF神经网络预测器计算得出速度传感器在下一时刻即m+4时刻的采集输出值x(m+4)。
电动汽车电机驱动系统电子控制设备采集得到速度传感器在m+4时刻的实际采集输出值x(m+4)，再将其与RBF神经网络预测器预测值进行比较，得到误差若实际釆集值与预测值的误差小于误差阈值则认为当前速度传感器并未发生故障，将当前时刻采样值加入到学习样本中对RBF神经网络进行新的学习训练，实现RBF网络的在线更新，那么得到新的学习样本空间按照此法依此类推，RBF神经网络预测器通过速度传感器实时釆集数据对网络进行在线更新，同时预测速度传感器的下一时刻输出值。
如果得到的误差大于误差阈值e'，则认为此时刻速度传感器处于异常工作状态，但这种异常工作状态可能由传感器噪声或传感器工作环境噪声引起的。
为避免RBF神经网络预测器误报故障诊断信号，此时该预测器应该在设定时间段A内继续预测速度传感器下一时刻的输出值，并计算该时间段内预测器输出和速度传感器实际输出的平均误差若小于设定的误差阈值e'，则判定速度传感器并未发生故障，反之则通过RBF神经网络预测器诊断出速度传感器故障，并且发出相应的故障诊断信号。
2 速度传感器故障诊断仿真研究及分析在RBF人工神经网络中，各层节点数目的多少以及各层之间传递函数的选择对RBF人工神经网络的性能会产生很大的影响，下面对其进行探讨。
输入层及输出层节点选择RBF神经网络输入信号数据源的维度或输入特征向量的维度决定了其输入层节点的数目。
在确定输入层节点数目时应当全面收集被测系统的样本特性数据，并对数据进行相关性分析，选择对神经网络输出产生影响的数据，最终确定特征向量的维度。
2.1 隐含层节点数确定隐含层节点数目会对RBF神经网络训练产生很大的影响。
过少的隐含层节点数目会限制RBF神经网络从样本中获取信息的能力，网络容易出现陷入局部极小值的问题，甚至无法对学习样本进行训练;如果隐含层数目太多，会导致学习样本的非规律性信息出现过度不吻合的现象，造成学习时间延长，误差也不一定为最小。
目前通常通过设计的经验和不断的测试来确定隐含层节点数目。
在MATLAB中的RBF函数newrb中设置隐含层节点的最大数目后，该函数可以根据训练情况自动选择最佳的数目，本文设置隐含层节点最大数目mn=20。
2.2 传递函数选择对RBF人工神经网络进行训练本质上就是学习训练其两组网络参数：1）隐含层节点中心、RBF网络的宽度以及隐含层节点数目；2）隐含层到输出层的连接权值。
径向基函数的训练本文选用K均值法，该法对输入样本集合的类别数预先进行估计，将其作为隐含层的节点数，以输入矢量作为径向基函数中心值，然后调整中心值。
可以通过各种最小二乘法，以求解线性方程组的方法计算隐含层到输出层的线性连接权值。
本文选用一般的最小二乘法求解RBF网络隐含层到输出层的线性连接权值。
3 速度传感器故障诊断仿真根据前文介绍的速度传感器的故障诊断方法，需要确定该法中m的值，即需要明确通过RBF人工神经网络对速度传感器输出值进行预测与前几个采集值有关系。
m的选值应该使该法误差较小，但又不会造成计算量过大。
通过美国可再生能源实验室NREL(National Renewable Energy Laboratory)开发的汽车仿真软件ADVISOR(Advanced Vehicle Simulator，高级车辆仿真器)中的路况数据对m的值进行选定。
在研究中选用了CYC_HWFET、CYCNEDC、CYC—UKBUS6和CYC—WVUCITY这四种工况对不同的值产生的均方差进行分析。
随着m值的增大，RBF人工神经网络学习样本增加，有此产生的均方差逐步减小。
当m的值超过5以后，均方差的减小速度开始减缓，文中选择m=5。
在m为5时对RBF人工神经网络进行训练，由MATLAB的训练结果可见该网络可以快速达到训练精度，如图2所示。
设置训练精度为0.01，该网络只需要经过3次训练后便达到训练精度要求。
训练周期短，花费时间少，可以很好满足电动汽车电机驱动系统实时性要求。
图2 RBF人工神经网络训练图根据速度传感器几种主要故障现象，本文对卡死故障现象进行仿真并测试通过RBF人工神经网络对速度传感器在线诊断的有效性。
本文以ADVISOR中的CYC—HWFET工况进行障仿真，其故障现象表现为电动汽车速度值在某一时刻开始保持恒定不变。
根据m=5时的均方差设置故障阈值为2，其仿真结果如图3所示。
图3 转速卡死故障诊断仿真由图可见，在ADVISOR中的CYC_HWFET工况下，山速度传感器采集的电机转速实测值，在290s时设置速度传感器卡死故障，速度传感器采集值保持34km/h不变，由RBF人工神经网络计算的预测值与速度传感器实测值的偏差超过误差阈值，为避免系统因系统噪声引起误判，此时故障诊断模块并不发出故障诊断信号，将RBF神经网络预测值替代实测值更新网络，进行下一时刻故障诊断，两次预测平均误差超过误差阈值，则认为确实有故障发生，由下图可见此时速度传感器故障诊断模块发出故障诊断信号。
由此可知，本文根据RBF人工神经网络对电动汽车电机驱动系统速度传感器在线故障诊断的方法行之有效。
在速度传感器出现故障时，该法可以及时准确的发出故障诊断信号。
作者简介：冯枫（1984-），男，硕士，潍坊科技学院教师，主要从事智能检测与控制技术研究。
