[发明专利]一种电动汽车故障诊断方法

说明书

本发明提供一种电动汽车故障诊断方法，包括：采集加速踏板位置、车速、电动机转速、发电机转速和发动机转速的信号，建立故障决策表，并对采集的数据进行预处理；将建立的故障决策表进行二进制粒化，用粒计算对所述故障决策表进行属性约简，得到最小属性集；以所述最小属性集中的条件属性作为输入，以其决策属性作为输出，进行BP神经网络与RBF神经网络的训练，确定BP神经网络与RBF神经网络的隐含层层数及隐含层神经元节点数，设置训练参数，所述训练参至少包括：训练次数、训练函数；利用训练好的BP神经网络与RBF神经网络进行实时故障诊断，得到两个网络的故障诊断结果；利用证据理论将BP神经网络与RBF神经网络的诊断结果进行融合得到最终诊断结果。

技术领域

本发明涉及电动汽车的故障诊断技术领域，特别是涉及一种电动汽车故障诊断方法。

背景技术

电动汽车作为一个结构复杂、零部件众多的产品，其可靠性和安全性是衡量其好坏的重要指标。故障诊断技术通过对电动汽车运行状态和异常作出判断，从而加强电动汽车的安全性能，保证行车安全。因此，对电动汽车故障诊断技术进行深入研究，具有重要的理论意义和应用价值。电动汽车由于拥有多个子系统且相互关联、紧密耦合从而导致其故障现象与故障原因之间具有极强的不确定性和非线性。因而，神经网络凭借其容错性好、非线性逼近能力和自适应能力强等特点在电动汽车故障诊断中得到了深入的研究。

粒计算不需要先验知识，是研究处理不完备、不精确、模糊信息的新方法，能从量繁杂的数据中挖掘出潜在的、不可或缺的知识，去有效去除冗余。证据理论融合技术因其能提高诊断准确性与鲁棒性的优点被广泛用于故障诊断系统。

在文献[Kong H,Zhang X,Bao W,et al.The Application of GranularComputing in Electric Vehicle Fault Diagnosis[J].Australian Journal ofElectrical&Electronics Engineering,2014,11(3):327-337.]中，作者将BP神经网络与粒计算算法相结合，先利用粒计算理论有效降低泵的样本维数，再利用约简后的样本作为BP神经网络的输入对神经网络进行训练测试，加快了神经网络故障诊断速度。但是该方法存在不足：

(1)虽然粒计算理论可以降低样本维数、去除冗余属性，但是在实际操作中由于每个属性对故障诊断结果或多或少都有一定影响，去除影响很小的属性可以加快神经网络故障诊断速度，但是也会降低故障诊断准确性。

中国发明专利(CN104330255A)于2015年02月04日公开的《一种基于多传感器信息融合的齿轮故障诊断》，它将DS证据理论与SOM神经网络相结合，利用证据理论的融合规则对证据进行融合诊断，减少误差带来的不确定性，提高故障诊断准确性。但是该方法存在不足：

(1)当故障样本数量庞大、维数高时，SOM神经网络训练速度会下降，实时性会得不到保障；

(2)采用的是传统的DS证据理论，在面对证据间存在高度冲突时，会产生于直觉相悖的结果，甚至产生错误的结论。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种电动汽车故障诊断方法，旨在解决因电动汽车故障样本庞大、维数高导致的神经网络训练速度慢的问题，而且具有提高电动汽车故障诊断准确性和鲁棒性。

为实现上述目的及其他相关目的，本发明提供一种电动汽车故障诊断方法一种电动汽车，所述电动汽车故障诊断方法至少包括：

采集加速踏板位置、车速、电动机转速、发电机转速和发动机转速的信号，建立故障决策表，并对采集的数据进行预处理；

将建立的故障决策表进行二进制粒化，用粒计算对所述故障决策表进行属性约简，得到最小属性集；