某种车辆电源系统故障诊断方法研究.pdf

《某种车辆电源系统故障诊断方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、竺竺竺呈竺竺兰!丝!竺竺竺竺竺堡三塞量塞里!!!!：竺!!!丝!某种车辆电源系统故障诊断方法研究程廷伟，谢永成，李光升C}IENGY砸weLⅪEY抽gch锄岛UG憎ngsheng装甲兵工程学院控制系，北京l咖72D印an蚴tofco曲哪，Al珊搬dFo瞄Engill∞ringln慨酬in910∞72，chimc耻NGY蛆W吐ⅫEY0n霉血％LIG叫咿h姐昏R绷劬oⅡh心di_霉嘲hof"叫dep州盯叩怔皿co呻uterEn咖e*l雌_酣^p叫Ⅻ岫

2、，舯12’柏(1)：245·2他A咖畦：By锄aI曲mc酊部l

3、alcha船c衄isd∞of洲cle挪懈sy咖m，倒tdia弘∞ingmethodis—qm9cd，w蛐is啪啊ned袖w州el吐p诎就a枷lbid如nM锄joov如odcl．W-也也efe砒叫嚣∞由翟伽蛔1hev砒妇髓岫0f州甘摹yglembyw蚪d吐packdde_鲫印0碰0n，nseI础dlei枷alv矗IIleofHMMbyimpmvedKm麒珊al鲥血mbased∞nleg蝴衄lealjn品仃ainsCl删wj血the危曲珊v∞to‘whichisllsedlbfc加di石∞币删吐toringand

4、酬tdia鲫i8ofpm啊码吲舶．mr髓ln乜sh侧th址“h够挑：cl岫m．a鲫sistb删gh辄mI协liIljngs锄ple．K昭wor山：舭sy咖m；劬ltdiagn∞is；姗veMpack吐；阿dd锄MarkwM0del(删)摘要：通过分析车辆电源系统的信号特征，提出了基于小波包与隐马尔可夫相结合的故障诊断方法．利用小波包分解提取电源系统各种状态下的信号特征，基于模拟退火思想改进置均值算法选取卸删初值，用特征向量训练连续}删，再用训练好的卸州进行电源系统的状态监测与故障诊断，实验结果表明用少量样本就

5、能取得很好的诊断效果．关键词：电源系统；故障诊断；小波包；隐马尔可夫模型(}咖)DOI：lO．377斯血∞．1002·8331．2012．01．070文章绾号：1∞2—站3l(2012)01．0245—04文簟标识码：A中图分类号：口206t3目前．装甲车辆电源系统是由同步发电机和硅整流桥构成的低压直流系统．同时采用蓄电池作为辅助电源，与发电机并联连接。所构成的系统是—个不对称、非线性系统。但随着精密耗电装置在车辆中的大量使用，对电源系统的可靠性要求越来越高。然而，实际的车辆电源系统的模型很难建立，故障状态下

6、的分析也较复杂。因而研究无需考虑复杂数学摸型的智能故障诊断技术具有重要的意义。l电源系统信号特征分析由于车辆电源系统的特性复杂．设备间信号交联耦合多，在性能提升的同时，相互间电磁关系也变得复杂。而传统的方法采用肿变换，分析信号在频域中变化，容易丢失信号在时域中的信息。而小波包方法是在多分辨率分析基础上构成的一种正交分解方法，可在全频带对信号进行多层次频带划分，具有良好时频局部化特点，可以很好地分析信号特征。以实际测得的发电机输出电压信号分析来说明。图l为发电机激磁电流为0．2A，转速为2100r／8，发电机正

7、常和故障状态下，输出的电压信号及频域分析。从实际的输出信号很难看出．发电机的工作状态。通过FFr变换后．信号在频域中发生了变换，由于高频及噪声的干扰，相对很难辨识出发电机状态。而通过小渡包变换．可以在时域中很好地将高频和低频部分分开，来分析系统状态。图2为正常状态下，利用曲5小波基进行3层小渡包分解后，重构的发电机输出电压l青号。从重构的低频信号【3o】可以看出信号特征的变化。同时。其他重构的信号可以分析不同频段的信号特征。由于电源系统工作时，故障只能通过外部来检测。而隐马尔可夫模型I删M(Hidd髓M缸hM

8、0dcl)是一种广泛晌h时间％i一；区警§一O5∞l棚O15∞20∞时问h时间h图2正，I状鸯小渡包分■重扮圈作者篱介：程延伟(198l一)．男。博士研究生，从事车辆电气系统蜘章诊断技术研究。E-m越I：ch∞科柚眦跏嘶蛐饥㈨收稿日期：20IO-06．10；售目日辫：加lo_lo-14≥掌≥幽譬2462012，48(1)cD碑Ⅲ招r蚴eP胁曙口耐铆，fc口砌埘计算机工程与应用用于信号处理和模式识别中的双重随机过程，具有很好的解释能力和良好的模式分类能力，已经成功地应用于语音识别领域川，也开始逐渐应用于故障诊断

9、领域∽，，取得了很好的效果。为此，本文结合小波包与Ⅷ删的优点，对车辆电源系统进行故障诊断。2HMM基本原理HMM是一个双重随机过程，其中之一是Markov链，是隐性的，描述状态的转移；另—个随棚．过程描述状态和观察值之间的统计对应关系。模型中的真实状态不能直接观察，而是通过一个随机过程去感知状态的存在及特性，因此称为隐马尔可夫模型。一个HMM由五个元素组成，即A=(Ⅳ，M，万，彳，两，模型参数如下嗍