基于CDI和AHNs的轮毂电动机轴承故障逐次诊断方法

针对电动汽车轮毂电动机常见的轴承故障,提出了一种基于复合区分度指标(compound distinguish index,CDI)和人工碳氢网络(artificial hydrocarbon networks,AHNs)的轮毂电动机轴承故障逐次诊断方法.首先通过信号共振稀疏分解从原始信号中提取反映故障冲击的低共振分量;然后着重考虑不同车速工况对电动机轴承振动信号的影响程度,基于CDI在时频域中提炼出多个高敏感特征参数来表征电动机轴承运行状态,提高诊断的时效性;最后通过特征参数与轴承状态的隶属关系建立样本集,基于AHNs构建轮毂电动机轴承故障逐次诊断模型,实现多工况下不同故障状态的识别,并在轮毂电动机综合台架上进行了试验验证.结果表明:该方法的诊断正确率高达98.46%,且具有较好的鲁棒性,能够有效实现轮毂电动机轴承故障的诊断.

基于RS和AHNs的轮毂电机故障模糊诊断法

为有效监测电动汽车轮毂电机在复杂工况下的运行状态,保证其运行安全,提出了一种基于粗糙集(rough set,简称RS)理论和人工碳氢网络(artificial hydrocarbon networks,简称AHNs)的轮毂电机故障模糊诊断方法。首先,以轮毂电机运行安全为目标,重点考虑转速和负载转矩对振动信号的影响程度,用特征参数表征轮毂电机运行状态,并基于RS理论提出一种特征参数的离散化方法,对输入层进行了模糊化处理;其次,基于分子间能量优化AHNs算法,建立初步诊断模型,并考虑不同输出状态类型的模糊性,利用模糊理论建立AHNs多输出的隶属度函数,构建轮毂电机故障模糊诊断模型,实现了对复杂工况下轮毂电机故障的诊断;最后,通过轮毂电机机械故障台架试验验证了该方法的有效性。

基于K-AHNs的轮毂电机状态识别方法研究

为规避轮毂电机故障恶化诱发电动汽车运行安全隐患,提出一种基于K-means聚类算法的改进人工碳氢网络(K-means based artificial hydrocarbon networks,K-AHNs)的轮毂电机状态识别新方法,主要通过K-means聚类算法思想改进人工碳氢网络(Artificial hydrocarbon networks,AHNs)碳氢分子区间的更新方式,优化多种状态识别模型,进而达到提高识别精度、降低训练时间的目的。基于轮毂电机内侧滚动轴承内圈、外圈和滚动体3种不同故障状态在4种负载和7种运行状态下的试验数据验证结果表明,K-AHNs法在多种运行工况下能够精准、高效地识别轮毂电机运行状态,状态识别率均大于87%,训练时间均低于19 s。比较传统的AHNs法,K-AHNs法的平均状态识别率提高了14.49%,平均训练时间缩短了7.36倍,具有较高的可靠性和实用性,较好地解决现有的电机故障诊断方法识别精度低、模型训练时间长的问题。

基于AHN的轮毂电机轴承故障特征提取方法

针对间歇性强干扰下轮毂电机用深沟球轴承常见的机械故障,提出一种基于人工碳氢网络(AHN)技术的故障特征提取方法.该方法将监测信号分割成多个窗口以模拟碳氢分子,构建人工碳氢混合物网络模型.基于有机化合物及其分子对信息的封装特性,实现局部信号中高低频信号的分离,滤除干扰信号,并基于正态分布3σ原则选取间歇性强干扰下微弱的非平稳瞬态冲击信号,提取故障特征.通过仿真信号和轮毂电机综合台架实验,验证了该方法可有效提取轮毂电机用深沟球轴承的故障特征.