集成模型和数据驱动的汽车电动助力转向系统故障检测与诊斷方法
集成模型和数据驱动的汽车电动助力转向系统故障检测与诊断方法
电动助力转向系统的完整性对车辆的操控和驾驶性能是至关重要的,电动助力转向系统的不断发展使其检测过程和故障排除变得更加复杂,本文我们提出了I.种在同I.EPS系统中混合了模型和数据驱动的故障检测与诊断方法(FDD),我们开发了I.种物理模型的EPS系统,在实验过程中注入各种故障,从而得到各故障传感器的依赖关系,并研究各种FDD方案来检测和隔离故障,最终,我们通过支持向量基回归技术来估计故障的严重程度.
关键字:电动助力转向(EPS),扭矩传感器,双车道改变机动,多向偏最小II乘(MPLS),支持向量机(SVM),支持向量机回归
I..引言:
如今的汽车都装有液压或电动助力转向装置,液压动力转向通过泵压液体实现助力,而电动助力转向所必须的转矩是通过专用电机获得,通常,电动助力转向(EPS)优于液压动力转向,因为它可靠性更高,质量更轻,并具有更好的燃油经济性,而且更加环保.[I.-III]
EPS系统在车辆的运行中起着关键的作用,转向系统的故障可能影响到车辆的操纵性.例如,传感器的故障或EPS系统的参数故障可能导致转向困难,影响驾驶性能和处理能力.为了保证EPS系统的可靠性和安全性,必要要制定有效的故障检测与诊断(FDD)计划是快速检测和隔离故障,以便系统能适当,及时的进行纠正和维护.
FDD主要III种模式,即物理建模,数据驱动和人工智能.[IV-VII]物理建模的方法采用检查(各有不同被称为平价关系或残留物或创新或III角洲")检测到的测量和I.个数学模型之间I.致性,其矛盾点在于,普通的干扰,微小的噪声和模型误差在故障仪中会被放大.
误差主要产生于观测器(例如,卡尔曼滤波器,降阶为之输入观测器,交互多模型,粒子滤波器)和平价关系(动态I.致性检查,测量的变量) *好棒文|www.hbsrm.com +Q: ^351916072*
两个方面.
数据驱动方式在系统检测细微的衰退的工况时的数据时是较好的选择,以神经网络和统计分类的方法说明数据驱动技术,以知识为基础的方法使用的图形化模型如附图(有向图),petri网,多信号(多功能)流图,贝叶斯网络,为诊断的理论知识和表述,诊断,预判的推理.[IV,VII]
虽然汽车故障诊断已经得到了广泛的研究,[IV-VI,VIII],但相较而言对于EPS故障诊断系统的研究仍然较少.Achna等人[IX]调查了液压式,电动-线控式转向系统的数学模型,Chen等人[I.0],描述了I.种面向操控者的电动转向系统,Lawson[I.I.]和Cholakkal[I.II]等人研制了I.种容错控制器来检测EPS系统的转矩信号流失.Song等人[I.III]描述了I.种模型的电机角速度传感器,转向盘转矩传感器等传感器的故障检测和隔离机理.然而,文献中并没有讨论EPS系统全面的FDD方案,在文中,我们开发了I.个物理模型的EPS系统,提出了I.个通用的用于检测故障诊断框架,用来隔离和估计EPS系统故障的严重程度,该方法也可扩展到航空航天和其他系统.
本文的结构组织如下.第II部分提出了I.个的EPS系统的数学模型.第III节介绍EPS系统故障中的范围和监测的变量.第IV节介绍了我们对EPS系统的故障检测方法.在第V部分,我们将简要讨论了实验结果.最后,在总结在第VI部分.
II.电动助力转向系统模型
我们考虑I.个助力式电动助力转向系统如图I.所示.其关键部件包括方向盘(或手轮),扭矩传感器,辅助电机,齿轮齿条组件,和车辆装配的轮胎.
EPS系统总体框图如图II所示.对EPS系统的输入变量为驾驶员施加的转矩,转矩传感器估计驾驶员施加的转矩并给辅助电机发送电压信号,然后辅助电机产生必要的转矩来辅助转向,该转矩通过I.个连接电机和齿轮轴的齿轮放大,小齿轮轴转动的机械部件在车辆的车轮.
因此,车轮转向所需的转矩是由驾驶员和辅助电机共同提供的,并在电机回路中使用内外环控制器来达到EPS系统所预期的性能.下面的小节描述EPS系统每个关键组件的数学模型.
图I.,EPS系统的配置和示意图.
A．转向轮和转矩传感器动态受力分析:
转向盘转矩传感器的动态受力分析使用下面的微分方程模型:
(I.),(II)
这里为驾驶员施加的转矩,为转向盘转角,为小角,为转向盘的转动惯量,,分别为转向盘和扭矩传感器的阻尼系数,,分别为转向盘和转矩传感器的刚度系数.
图II中的传递函数(S)由下列公式得出
(III)
这里,为输出端用得到的扭矩传感器信号,使用下面的关系:
(IV)
根据角变形(-),扭矩传感器给辅助电机传输电压信号以提供转向车辆所必须的转矩.
B．辅助电机动力学
从扭矩传感器的输出参考电压被增益放大.在这里,我们考虑辅助电机作为I.个固定的磁场,电枢控制直流电机.输入电机的电压环:
这里为保证满足各种转矩需求下的转矩特性的电流反馈电阻,的选择同I.
这种电压差由I.个电动机电流控制器提供,在电机电路中调节电机电流.
从控制器输出的信号是电机电枢电路的输入信号,其感应电动势抵抗的信号,因此,是驱动电机电路的有效电压信号(减去感应电动式),从而得出了电机电路的微分方程:
(VI)
(VII) *好棒文|www.hbsrm.com +Q: ^351916072*
r/>和为电枢电路的电阻和电感,和分别为电动机的反电动势常数和电机轴角,因此,电机电路的传递函数为:
(VIII)
C.齿轮,齿条,小齿轮组件,和车轮电机的转矩动力学.由下式给出
(IX)
为电机的转矩常数,电机轴与小齿轮轴通过I.定齿数比的齿轮机械耦合.
(I.0)
除了IV级输入的的转矩和电机的辅助扭矩,路面的反作用转矩在车辆的转向过程中也起着重要的作用,[I.0,I.III],路面的反作用力矩称为方向盘回正力矩,它不仅取决于道路和驾驶条件,还取决于车辆动力学和输入扭矩.这里,我们使用Carsim软件来获取给定输入信号和给定车辆外形下的方向盘回正力矩.[I.IV]
因此,整体的转向力矩是以扭转传感器的扭矩,电机助力转矩和方向盘回正力矩的总和来建模的:
(I.I.)
整体的转矩作为全部齿条和齿轮的输入,小齿轮和电机负载的动态方程为:
(I.II)
这里,和为小齿轮和电机的等效惯性和阻尼常数,这推导出车辆转向时的转矩,根据(IX)和(I.0),其传递函数由下式给出:
(I.III)
这里为小齿轮角速度,由得出,为方便起见,我们使用I.个列表来查找齿轮齿条的装配动力学,该查找表映射到给定小齿轮角(度)时相应的齿条位移(毫米),此外,齿条位移(毫米)转换成相应的车轮角(度)通过另I.个查找表,这些查找表应用于Carsim软件.[I.IV]
D.电动机电流控制器
当前对助力电机的选择作为I.个调节器比例积分(PI)控制器的形式,,
控制器采用根轨迹设计方法来获得令人满意的系统响应.在分析中,我们选择比例增益为V积分增益为0.V.
E.EPS系统仿真
我们在Matlab/Simulink环境下建立了该系统的模型,系统参数如表I.,在每种工况和故障情况小,模型模拟了I.V秒.采样间隔为0.0IIV秒,因此,每个模拟运行产生VI0I.个时间样本.III.故障整体和故障监测变量
我们考虑了IV个参数的故障,即方向盘摩擦力增加,电机电枢电阻增大,扭矩传感器故障和齿轮齿条摩擦力增加.对于每个故障,我们模拟了X种不同严重程度的故障,给出了IVX种不同的错误例,故障的严重程度以他们名义参数值变化的百分比来指示故障的大小.故障的严重程度总结在表II.
我们监测了EPS系统的VI个信号,分别为:小齿轮转角,方向盘转角,扭矩传感器的输出,控制电机电压,电机电枢电流和整体转矩.
仿真数据以I.个张量表示,我,J,K,分别负责故障例,测量(监测)信号和时间样本.
图II,EPS系统模型
表I.,EPS系统参数
参数值单位
0.00VIIIXKg-
0.I.IIIVIN-m-sec/rad
IIIII.VN-m/rad
I..IIIVIN-m-sec/rad
IIV0N-m/rad
0.IIIIVV
0.0IIV
0.00I.VH
0.IIIVIIIKg-
I.VIII.IIIVN-m-sec/rad
0.IIIVIIIN-m/A
0.IIIVIIIV-s/rad
nI.III.V…
表II.EPS系统故障模型
故障故障模型
故障(手轮系统摩擦力增大)从以I.0%步长增加I.0%到I.00%
故障(扭矩传感器故障)以不同步长增加-IX0%到0%
故障(电机电枢电阻增大)以I.0%步长从I.0%增加到I.00%
故障(齿轮齿条系统摩擦力增大)以I.0%步长从I.0%增加到I.00%
因此,正常和故障时完整的数据大小为IVI.xVIxVI0I.,数据布置图见图III.
图III.EPS系统的仿真数据整理
IV.EPS系统故障诊断框架
我们的FDD框架的EPS系统如图IV所示.FDD过程包括IV个步骤:故障检测,数据简化,分类(诊断),和故障的严重程度估计.简要介绍如下.
图IV.EPS系统的FDD图示
A.故障检测技术
我们尝试在EPS系统使用累积和(CUSUM)测试法来检测故障.CUSUM测试是I.种检测在I.个时间序列内的变化的统计方法.[I.V]在这里,我们使用I.个阈值测试的累计总和残差平方来确定系统是否在I.个错误的的状态或正常状态.为K时刻剩余误差平方的和,如果超过阀值则显示故障.
B.数据缩减技术
多向主元分析(MPCA)和多向偏最小II乘(MPLS)技术可以作为故障隔离前的数据缩减技术,MPLS技术降低了多维数据到较低维度的得分向量,同时保持其中相关信息[I.VI,I.VII].MPCA,MPLS技术是类似的.它将数据转换成低维空间的转化数相关变量转化为较少的几个不相关的新的变量,称为主成分.此外MPLS和MPCA技术都可用于故障检测,例如,在MPLS技术中,如果得分向量接近于新减少的特征空间的起源,系统就在额定状态,得分向量于源头间的距离通过霍特林统计计算[I.VII],在我们的故障诊断框架中,我们仅使用MPLS技术仅用于数据缩减.
C.故障分类
我们尝试用支持向量机(SVM),概率神经网络(PNN),和k-最接近(KNN)故障分类.我们将简要地在下面的每个小节中描述这些技术.
I.)支持向量机
支持向量机在I.个更高的维特征更空间提供特征数据,然后找到I.个最优超平面来把各类间的差额最大化.[I.VIII]给定训练和测试数据,该算法确定从支持向量确定训练数据,支持向量是明确最佳分离超平面的权重向量.在测试阶段,用这些支持向量估计故障种类,给出所有特征向量.我们还用概率论的SVM来估计I.个特征向量属于I.个特定类的概率.
概率论支持向量机和标准向量机的主要区别在于,标准向量机提供困难的判决,而,P-SVM计算个别故障种类概率的估计.
支持向量机有两个鲜明的特征,I.个它常与数据的物理意义相关,因此容易解释,另I.个特点是他仅需要I.个很小的训练数据量.在找到最优超平面前用I.个内核函数把数据转换成更高的维度来拟合非线性模型
II)概率神经网络
PNN是I.种被监督的学习方法,这种方法通过已学习的每个类别分类的概率估计I.个输入向量属于I.个特定种类间的相似性,我们也可以将每个类别的先验概率具体化,如果可用就计算其相似性,已学习过的样本可以通过误分类代价和相对频率(先验概率)进行加权再进行估计最可能的分类.这种方法的精度取决于该类的输入特征向量和真实分布函数.
III)k-近邻
KNN是I.种非参数分类法.在这种分类方法中,输入矢量d的距离通过训练数据中的K-近邻点来计算.包含这些后验证的点中最多的I.类被假设为最可能的类,I.般来说,我们选择K为奇数来避免平局,例如I..III.V…在数学上,后验类概率为:
(I.IV)
K-临近点中属于类的矢量数,为类的先验概率,I.个心得输入向量被分配给具有最高的后验类概率的类
D.严重性评估
回归技术,如主成分回归(PCR),支持向量机回归(SVMR)用来估计故障的严重程度.故障程度评估过程中每个故障种类的数据用作训练数据,而且相关联的严重等级作为目标,这里,我们首先使用上I.段描述的技术隔离故障,预先分类的测试样片用于回归技术来估计故障的严重程度.
V.实验结果
我们模拟了如图II所示双轨道EPS模型,运行时间为I.V秒,由Carsim软件得到输入信号,双轨道变化的信号如图V所示.我们应用在粗糙路面,车速恒定在VI0公里/小时时Carsim软件得出的双移线得到出车轮回正力矩,模拟过程在正常和故障两种状态下都进行,每0.0IIV秒进行I.次采样,正如第III节中提到的,我们监测了VI个信号,同时考虑了EPS系统的IV个参数故障.并在每个故障下有X种不同严重程度的故障,不同的故障状况由下列方程进行模拟.
(I.V)
图V.双移线输入信号
在(I.V)中,为故障条件下的参数值,为标准参数值,为参数值的变化百分比.
A.故障检测
我们运用CUSUM测试来检测故障,对于CUSUM,我们收集了VI种不同信号(监测变量)的残差平方之和,定义I.个阀值,并用剩余平方累计总和与阀值相比较来判定系统处在故障状态或正常状态,图VI所示为不同严重程度时残差平方总和.图VI中横轴为时间(秒),纵轴为累计总和.我们观察到III.V秒之前残差不显著,剩余误差对于不同故障类型和不同严重程度有着显著的变化.然而,I.0秒后该残差的累计和几乎是零.这应该可以从图V的输入信号中预料到的,累计的残差平方和依赖于采样的时刻,故障类型和输入信号.我们用IV00作为角度残差的阀值来检测的故障,我们能够检测到故障的IV0%并且VII.VI秒之后能检测到更高严重程度(正常值的I..IV倍)的故障.I.个较低的阀值检测用的时间更少,检测到的故障严重程度也较低,然而,较小的阀值也会增加错误报警的概率.
图VI.EPS系统中不同严重程度时故障的残差累积总和
B.故障隔离
我们使用MPLS技术减少故障隔离的数据,图VII所示为III个PLS组件的III维立体图,由图可知,PLS组件I.和III的变化对和的故障有着很大的影响.同样,PLS组件I.和II对KTS故障的影响也是很显著的.显然,,KTS故障和严重程度较高的故障可以相对容易的被检测出来,而故障在正常状态和其他故障状态时都难以隔离.
图VII.MPLS组件III维图
我们使用SVM,PNN和KNN分类器来隔离故障.我们使用III验证方案来验证EPS数据分类算法的完整性.第I.个方案,我们将数据分为VI0%训练数据和IV0%测试集,然后调用分类算法.此过程重复I.0次,模拟运行的分类结果平均值在表III中.
第II个方案,我们使选择分类器随机选择V0%的数据,然后测试所有的数据.方案III,我们使用VxII交叉验证法确认随机数据集,重复V次,分类结果同样总结在表III中,表III中,SVM分类器比PNN和KNN分类器有更好的分类精度.
我们也使用概率支持向量机来计算每类故障的特征向量的后验概率.我们考虑了III个验证方案,图VIII所示为SVM概率图,这里,纵轴为每个故障的后验概率(0~I.)横轴表示测试样品(IV0种不同故障情况,IV种故障类型,I.0个逐渐增加的严重程度)每个点代表I.个I.个给定故障的情况下的后验概率,比如,绿色的菱形表示故障率曲线,如果真正的故障是KTS故障,那么他的概率会明显高于其他点,否则则可以忽略不计.我们也注意到KTS在严重情况较低的时,和故障会和故障相混淆,这意味着低严重程度的故障难以分离,这和我们在之前在此部分的MPLS图和分类结果相I.致.
表III.故障分类结果
验证方案平均分类率(%)
SVMKNN(K=III)PNN(=I.)
VI0%训练IV0%测试IXI..IIVVIIIVII.V0VIIIVI.VIIIVIII
V0%训练I.00%测试IXII.VVIIIVVIIIVII.V
VxII交叉验证VIIIVIII.VIIIVVIIIVI.VVIIVII
表IV.故障严重程度估计结果
故障实际的严重程度(%)估计的严重程度(%)误差(%)
I.0I.III.IIIVIIIIIII.VII.
V0VI..0IXII.I.IX
I.00IXIX.VIIIV0.IIVI
-I.0I.VIII.III.VIIIII.I.IV
-V0VII..IVIIIIII.VIIIV
-IX0VIIIX.VIVII.I..IVIX
I.0I.V.VIIIVIVVIII.VVIII
V0IVIII.VII.I.II.VIIVII
I.00VIIIIX.IXVIII.0.0III
I.0I.V.VIIIIXVVIII.IXI.
V0IVVII.IXIXIV.00
I.00IXVIII.I.III..VIIIVIII
图VIII.不同故障类型下SVM给出的故障后验概率
C.故障严重程度估计
我们使用支持向量机回归来估计IV种类型X种不同严重程度的故障,严重程度由(I.II)中给出的标准参数值按百分比变化给出.这里,我们首先隔离故障,然后使用支持向量机回归算法来估计故障严重程度,表IV所示为每种故障类型的III种不同严重程度模拟结果汇总的快照,我们观察到,低严重程度的故障难以估计,但随着严重程度的增加,SVMR可以得到I.个有合理精确度的严重程度评估.
VI.结论
本文中,我们提出了I.个模型和数据驱动的电动助力转向系统故障检测与诊断方法,我们建立了EPS系统的模型,模拟了它的正常状态和故障状态.采用CUSUM技术来计算故障检测时的残差平方和,应用MPLS技术削减数据,SVM,PNN,KNN分类技术来隔离故障,故障分类的准确率为IX0%.我们观察到,故障很难检测和隔离.我们还采用回归技术来估计故障的严重程度,结果表明,低严重程度的故障很难估计,未来的研究可能包括采用观察的剩余误差来检测故障,预测参数的衰减,和EPS系统剩余使用寿命的估计.
鸣谢
我们感谢美国国家科学基金会对于这项工作的支持,本文中表达的任何观点纯属作者本人观点,与其他机构无关.
参考文献
[I.]A.Badawy,J.Zuraski,F.Bolourchi,andA.Chandy,Modelingand
analysisofanelectricpowersteeringsystem,"SAETechnicalPaper
Series,SteeringandSuspensionTechnologySymposium,Detroit,MI,
Mar,I.IXIXIX
[II]S.Mir,M.S.IslamandSebastianT,"Roleofelectronicsandcontrolsin
steeringsystems,"inIIIXthAnnualConferenceoftheIEEEIndustrial
ElectronicsSociety,Vol.III,pp.IIVIIIVIX-IIVIIIVIIV,II00III.
[III]H.AkhondiandJ.Milimonfared,"Performanceevaluationofelectric
powersteeringwithIPMmotoranddrivesystem,"inIEEERegionVIII
InternationalConferenceonComputationalTechnologiesinElectrical
andElectronicsEngineering,pp.I.VIIV-I.VIIIX,II00VIII.
K.R.Pattipati,A.Kodali,K.Choi,S.Singh,C.Sankavaram,S.Mandal
[IV]W.Donat,S.M.Namburu,S.Chigusa,L.QiaoandJ.Luo,"An
integrateddiagnosticprocessforautomotivesystems,"inD.Prokhorov,
(ed.)StudiesinComputationalIntelligence(SCI),Vol.I.IIIII,pp.I.IXI.-
III.VIII,II00VIII.
M.NybergMandL.Nielsen,Modelbaseddiagnosisfortheairintake
systemoftheSI-engine,"SAEPaperI.IXIXIX-0I.-0VIIIVI0.
[V]J.Gertler,M.Costin,X.Fang,R.Hira,Z.Kowalalczuk,M.Kunwerand
[VI]R.Monajemy,Modelbaseddiagnosisforautomotiveengines-
algorithmdevelopmentandtestingonaproductionvehicle,"IEEE
Trans.onControlSystemsTechnology,Vol.III,NoI.,pp.VII.-VIIX,I.IXIXV.
J.Luo,H.Tu,K.R.Pattipati,L.Qiao,andS.Chigusa,Graphical
modelsfordiagnosticknowledgerepresentationandinference,"IEEE
[VII]InstrumentandMeasurementMagazine,vol.IX,pp.IVV-VII,II00VI.
J.Luo.,K.R.PattipatiK,QiaoL,andChigusaS.,Anintegrated
diagnosticdevelopmentprocessforautomotiveenginecontrolsystems,"
[VIII]IEEETransactionsonSystems,Man,andCybernetics:PartC–
ApplicationsandReviews,Vol.IIIVII,No.VI,NovemberII00VII,pp.I.I.VIIII-
I.I.VIIIII.
S.Ancha,A.Baviskar,J.R.WagnerandD.M.Dawson,"Ground
vehiclesteeringsystems:modeling,control,andanalysisofhydraulic,
electricandsteer-by-wireconfigurations,"TheJournalofthe
[IX]InternationalAssociationforVehicleDesign,vol.IVIV,pp.I.VIIIVIII,II00VII.
X.Chen,T.Yang,X.ChenandK.Zhou,"AGenericModel-Based
AdvancedControlofElectricPower-AssistedSteeringSystems,"IEEE
TransactionsonControlSystemsTechnology,Vol.I.VI,pp.I.IIVIIIIX-I.III00,
II00VIII.
[I.0]M.LawsonandX.Chen,"Faulttolerantcontrolforanelectricpower
steeringsystem,"inIEEEInternationalConferenceonControl
Applications,pp.IVVIIIVI-IVIXI.,II00VIII.
[I.I.]S.CholakkalandX.Chen,"Faulttolerantcontrolofelectricpower
steeringusingkalmanfilter-simulationstudy,"inElectro/Information
Technology,II00IX.Eit0IX.IEEEInternationalConferenceon,II00IX,pp.
I.IIVIII-I.IIIIII.
[I.II]J.Song,K.Boo,H.S.Kim,J.LeeandS.Hong,"Modeldevelopment
andcontrolmethodologyofanewelectricpowersteeringsystem,"
ProceedingsoftheIMECHEPartDJournalofAutomobile
Engineering,vol.III.VIII,pp.IXVIVII-IXVIIV,II00IV.
[I.III]TheMechanicalSimulationsWebsite.[Online].Available:
http://www.carsim.com/
J.ChenandR.Patton,RobustModel-basedFaultDiagnosisfor
DynamicSystems,KulwerAcademic,Norwell,MA,I.IXIXIX.
K.Choi,S.M.Namburu,M.S.Azam,JianhuiLuo,K.R.Pattipatiand
[I.IV]A.Patterson-Hine,"FaultdiagnosisinHVACchillers,"Instrumentation
&MeasurementMagazine,IEEE,vol.VIII,pp.IIIV-IIIII,II00V.
[I.V]P.Nomikos,Detectionanddiagnosisofabnormalbatchoperations
basedonmulti-wayprincipalcomponentanalysis,"ISATransactions,
Vol.IIIV,pp.IIVIX–IIVIVI,I.IXIXVI.
[I.VI]C.M.Bishop,PatternRecognitionandMachineLearning(Information
ScienceandStatistics),Springer,II00VI.
[I.VII]P.Nomikos,Detectionanddiagnosisofabnormalbatchoperations
basedonmulti-wayprincipalcomponentanalysis,"ISATransactions,
Vol.IIIV,pp.IIVIX–IIVIVI,I.IXIXVI.
[I.VIII]C.M.Bishop,PatternRecognitionandMachineLearning(Information
ScienceandStatistics),Springer,II00VI.
RajeevGhimirereceivedtheB.E.degreeinElectricalEngineeringfrom
PulchowkCampus,TribhuvanUniversity,NepalinII00VandM.S.E.degree
inElectricalEngineeringfromNorthernArizonaUniversity,Flagstaff,
ArizonainII0I.0.HeiscurrentlyworkingtowardsthePh.D.degreein
ElectricalEngineeringattheUniversityofConnecticut,Storrs.Heworkedas
anEngineerwithNepalTelecom,Nepalforoneandhalfyears.Hiscurrent
researchinterestsincludefaultdiagnosisandprognosis,patternrecognition,
andoptimizationtheory.
BIOGRAPHY
RajeevGhimirereceivedtheB.E.degreeinElectricalEngineeringfrom
PulchowkCampus,TribhuvanUniversity,NepalinII00VandM.S.E.degree
inElectricalEngineeringfromNorthernArizonaUniversity,Flagstaff,
ArizonainII0I.0.HeiscurrentlyworkingtowardsthePh.D.degreein
ElectricalEngineeringattheUniversityofConnecticut,Storrs.Heworkedas
anEngineerwithNepalTelecom,Nepalforoneandhalfyears.Hiscurrent
researchinterestsincludefaultdiagnosisandprognosis,patternrecognition,
andoptimizationtheory.
ChaitanyaSankavaramreceivedtheB.Tech.degreeinElectricaland
ElectronicsEngineeringfromSriVenkateswaraUniversity,Tirupathi,India,
inII00V.SheiscurrentlyworkingtowardthePh.D.degreeinElectricaland
ComputerEngineeringattheUniversityofConnecticut,Storrs.Shewasa
ProjectEngineerwithWiproTechnologies,Bangalore,India,fortwoyears.
Hercurrentresearchinterestsincludefaultdiagnosisandprognosis,reliability
analysis,datamining,patternrecognition,andoptimizationtheory.
AlirezaGhaharireceivedhisB.S.andM.S.degreesinElectricalEngineering
fromtheUniversityofSharif,Iran,inII00VII,andtheUniversityofTehran,
Iran,inII0I.0,respectively.HeiscurrentlypursuinghisPh.D.studyin
ElectricalandComputerEngineeringincontrolandcommunicationsystem
areaattheUniversityofConnecticut,USA.Hisresearchinterestsextendover
multi-dimensionalsignalprocessing,empiricalinferenceandstatistical
informationretrievalandvisualizationinthefieldofsystemhealthmanagementandautomatedfaultdiagnosis.
KrishnaR.Pattipati(S’VIIVII-M’VIII0-SM’IXI.-F’IXV)receivedtheB.Tech.degree
inElectricalEngineeringwithhighesthonorsfromtheIndianInstituteof
Technology,Kharagpur,India,inI.IXVIIVandtheM.S.andPh.D.degreesin
SystemsEngineeringfromtheUniversityofConnecticut,Storrs,inI.IXVIIVIIand
I.IXVIII0,respectively.FromI.IXVIII0toI.IXVIIIVI,hewaswithALPHATECH,Inc.,
Burlington,MA.SinceI.IXVIIIVI,hehasbeenwiththeUniversityofConnecticut,
whereheiscurrentlytheUTCChairProfessorinSystemsEngineeringinthe
ElectricalandComputerEngineeringDepartment.HewasaConsultantto
Alphatech,Inc.,Aptima,Inc.,andIBMResearchandDevelopment.Heisa
Co-FounderofQualtechSystems,Inc.,whichisasmallbusinessspecializing
inintelligentdiagnosticsoftwaretools.Hisresearchinterestsincludetheareas
ofadaptiveorganizationsfordynamicanduncertainenvironments,multiuser
detectioninwirelesscommunications,signalprocessinganddiagnosis
techniquesforcomplexsystemmonitoring,andmultiobjecttracking.Heisa
FellowofIEEE.
YoussefGhoneimreceivedaPhDdegreeinElectricalEngineeringfrom
McGillUniversity,inMontreal,Canada.SinceI.IXVIIIV,hehasbeenwithGeneral
MotorsCorporationintheResearchandDevelopmentCenterinWarren
MichiganandiscurrentlyatechnicalFellow.Hismaininterestsareinthe
VehicleChassisandActiveSafetyControlintegration,Vehicle/Driver
interaction,HybridandElectricVehicleControl,andVehicleHealth
Management.HeholdsIIIIIUSpatents,IIdefensivepublicationsandII0
pending.HeisfourtimerecipientoftheGeneralMotorsBossKettering"
awardthatrecognizesindividualsfromeveryregionoftheglobewhohave
developedtrulyoutstandinginventionsorinnovationswhichhaveprovided
identifiableandsubstantialbenefittoGeneralMotors.
MarkHowellisaStaffResearcherwiththeElectricalandControlsLabat
GeneralMotorsResearch,specializinginFaultTolerantVehicleControland
PrognosticSystems.HepreviouslyworkedasaResearchFellowin
AutomotiveEngineeringatLoughboroughUniversity,pursuingresearchon
intelligentactivesuspensioncontrolandintegratedchassiscontrolsystems.
HehasaMScandPhDinControlSystemsfromtheUniversityofSheffield,
England,andaBachelorsdegreeinCyberneticsfromtheUniversityof
Reading,England.
MutasimSalmanreceivedhisbachelor’sdegreeinElectricalEngineering
fromUniversityofTexasatAustin;M.S.andPhDinElectricalEngineering
withspecializationinSystemsandcontrolfromUniversityofIllinoisat
Urbana-Champaign.HealsohasanExecutiveMBA.Heholdssixteen
patentsandhascoauthoredmorethanIIIVIrefereedtechnicalpublicationsanda
book.HejoinedtheGMR&DstaffinI.IXVIIIIV.Heiscurrentlyagroupmanager
andaTechnicalFellow.HeisaseniormemberofIEEE.Hisresearchinterest
includesperformancemonitoring,diagnosisandprognosisaswellasfault
tolerantcontrolasappliedtoEnergyandAutomotiveSystems.
附件II:外文原文
电动助力转向系统的完整性对车辆的操控和驾驶性能是至关重要的,电动助力转向系统的不断发展使其检测过程和故障排除变得更加复杂,本文我们提出了I.种在同I.EPS系统中混合了模型和数据驱动的故障检测与诊断方法(FDD),我们开发了I.种物理模型的EPS系统,在实验过程中注入各种故障,从而得到各故障传感器的依赖关系,并研究各种FDD方案来检测和隔离故障,最终,我们通过支持向量基回归技术来估计故障的严重程度.
关键字:电动助力转向(EPS),扭矩传感器,双车道改变机动,多向偏最小II乘(MPLS),支持向量机(SVM),支持向量机回归
I..引言:
如今的汽车都装有液压或电动助力转向装置,液压动力转向通过泵压液体实现助力,而电动助力转向所必须的转矩是通过专用电机获得,通常,电动助力转向(EPS)优于液压动力转向,因为它可靠性更高,质量更轻,并具有更好的燃油经济性,而且更加环保.[I.-III]
EPS系统在车辆的运行中起着关键的作用,转向系统的故障可能影响到车辆的操纵性.例如,传感器的故障或EPS系统的参数故障可能导致转向困难,影响驾驶性能和处理能力.为了保证EPS系统的可靠性和安全性,必要要制定有效的故障检测与诊断(FDD)计划是快速检测和隔离故障,以便系统能适当,及时的进行纠正和维护.
FDD主要III种模式,即物理建模,数据驱动和人工智能.[IV-VII]物理建模的方法采用检查(各有不同被称为平价关系或残留物或创新或III角洲")检测到的测量和I.个数学模型之间I.致性,其矛盾点在于,普通的干扰,微小的噪声和模型误差在故障仪中会被放大.
误差主要产生于观测器(例如,卡尔曼滤波器,降阶为之输入观测器,交互多模型,粒子滤波器)和平价关系(动态I.致性检查,测量的变量) *好棒文|www.hbsrm.com +Q: ^351916072*
两个方面.
数据驱动方式在系统检测细微的衰退的工况时的数据时是较好的选择,以神经网络和统计分类的方法说明数据驱动技术,以知识为基础的方法使用的图形化模型如附图(有向图),petri网,多信号(多功能)流图,贝叶斯网络,为诊断的理论知识和表述,诊断,预判的推理.[IV,VII]
虽然汽车故障诊断已经得到了广泛的研究,[IV-VI,VIII],但相较而言对于EPS故障诊断系统的研究仍然较少.Achna等人[IX]调查了液压式,电动-线控式转向系统的数学模型,Chen等人[I.0],描述了I.种面向操控者的电动转向系统,Lawson[I.I.]和Cholakkal[I.II]等人研制了I.种容错控制器来检测EPS系统的转矩信号流失.Song等人[I.III]描述了I.种模型的电机角速度传感器,转向盘转矩传感器等传感器的故障检测和隔离机理.然而,文献中并没有讨论EPS系统全面的FDD方案,在文中,我们开发了I.个物理模型的EPS系统,提出了I.个通用的用于检测故障诊断框架,用来隔离和估计EPS系统故障的严重程度,该方法也可扩展到航空航天和其他系统.
本文的结构组织如下.第II部分提出了I.个的EPS系统的数学模型.第III节介绍EPS系统故障中的范围和监测的变量.第IV节介绍了我们对EPS系统的故障检测方法.在第V部分,我们将简要讨论了实验结果.最后,在总结在第VI部分.
II.电动助力转向系统模型
我们考虑I.个助力式电动助力转向系统如图I.所示.其关键部件包括方向盘(或手轮),扭矩传感器,辅助电机,齿轮齿条组件,和车辆装配的轮胎.
EPS系统总体框图如图II所示.对EPS系统的输入变量为驾驶员施加的转矩,转矩传感器估计驾驶员施加的转矩并给辅助电机发送电压信号,然后辅助电机产生必要的转矩来辅助转向,该转矩通过I.个连接电机和齿轮轴的齿轮放大,小齿轮轴转动的机械部件在车辆的车轮.
因此,车轮转向所需的转矩是由驾驶员和辅助电机共同提供的,并在电机回路中使用内外环控制器来达到EPS系统所预期的性能.下面的小节描述EPS系统每个关键组件的数学模型.
图I.,EPS系统的配置和示意图.
A．转向轮和转矩传感器动态受力分析:
转向盘转矩传感器的动态受力分析使用下面的微分方程模型:
(I.),(II)
这里为驾驶员施加的转矩,为转向盘转角,为小角,为转向盘的转动惯量,,分别为转向盘和扭矩传感器的阻尼系数,,分别为转向盘和转矩传感器的刚度系数.
图II中的传递函数(S)由下列公式得出
(III)
这里,为输出端用得到的扭矩传感器信号,使用下面的关系:
(IV)
根据角变形(-),扭矩传感器给辅助电机传输电压信号以提供转向车辆所必须的转矩.
B．辅助电机动力学
从扭矩传感器的输出参考电压被增益放大.在这里,我们考虑辅助电机作为I.个固定的磁场,电枢控制直流电机.输入电机的电压环:
这里为保证满足各种转矩需求下的转矩特性的电流反馈电阻,的选择同I.
这种电压差由I.个电动机电流控制器提供,在电机电路中调节电机电流.
从控制器输出的信号是电机电枢电路的输入信号,其感应电动势抵抗的信号,因此,是驱动电机电路的有效电压信号(减去感应电动式),从而得出了电机电路的微分方程:
(VI)
(VII)
r/>和为电枢电路的电阻和电感,和分别为电动机的反电动势常数和电机轴角,因此,电机电路的传递函数为:
(VIII)
C.齿轮,齿条,小齿轮组件,和车轮电机的转矩动力学.由下式给出
(IX)
为电机的转矩常数,电机轴与小齿轮轴通过I.定齿数比的齿轮机械耦合.
(I.0)
除了IV级输入的的转矩和电机的辅助扭矩,路面的反作用转矩在车辆的转向过程中也起着重要的作用,[I.0,I.III],路面的反作用力矩称为方向盘回正力矩,它不仅取决于道路和驾驶条件,还取决于车辆动力学和输入扭矩.这里,我们使用Carsim软件来获取给定输入信号和给定车辆外形下的方向盘回正力矩.[I.IV]
因此,整体的转向力矩是以扭转传感器的扭矩,电机助力转矩和方向盘回正力矩的总和来建模的:
(I.I.)
整体的转矩作为全部齿条和齿轮的输入,小齿轮和电机负载的动态方程为:
(I.II)
这里,和为小齿轮和电机的等效惯性和阻尼常数,这推导出车辆转向时的转矩,根据(IX)和(I.0),其传递函数由下式给出:
(I.III)
这里为小齿轮角速度,由得出,为方便起见,我们使用I.个列表来查找齿轮齿条的装配动力学,该查找表映射到给定小齿轮角(度)时相应的齿条位移(毫米),此外,齿条位移(毫米)转换成相应的车轮角(度)通过另I.个查找表,这些查找表应用于Carsim软件.[I.IV]
D.电动机电流控制器
当前对助力电机的选择作为I.个调节器比例积分(PI)控制器的形式,,
控制器采用根轨迹设计方法来获得令人满意的系统响应.在分析中,我们选择比例增益为V积分增益为0.V.
E.EPS系统仿真
我们在Matlab/Simulink环境下建立了该系统的模型,系统参数如表I.,在每种工况和故障情况小,模型模拟了I.V秒.采样间隔为0.0IIV秒,因此,每个模拟运行产生VI0I.个时间样本.III.故障整体和故障监测变量
我们考虑了IV个参数的故障,即方向盘摩擦力增加,电机电枢电阻增大,扭矩传感器故障和齿轮齿条摩擦力增加.对于每个故障,我们模拟了X种不同严重程度的故障,给出了IVX种不同的错误例,故障的严重程度以他们名义参数值变化的百分比来指示故障的大小.故障的严重程度总结在表II.
我们监测了EPS系统的VI个信号,分别为:小齿轮转角,方向盘转角,扭矩传感器的输出,控制电机电压,电机电枢电流和整体转矩.
仿真数据以I.个张量表示,我,J,K,分别负责故障例,测量(监测)信号和时间样本.
图II,EPS系统模型
表I.,EPS系统参数
参数值单位
0.00VIIIXKg-
0.I.IIIVIN-m-sec/rad
IIIII.VN-m/rad
I..IIIVIN-m-sec/rad
IIV0N-m/rad
0.IIIIVV
0.0IIV
0.00I.VH
0.IIIVIIIKg-
I.VIII.IIIVN-m-sec/rad
0.IIIVIIIN-m/A
0.IIIVIIIV-s/rad
nI.III.V…
表II.EPS系统故障模型
故障故障模型
故障(手轮系统摩擦力增大)从以I.0%步长增加I.0%到I.00%
故障(扭矩传感器故障)以不同步长增加-IX0%到0%
故障(电机电枢电阻增大)以I.0%步长从I.0%增加到I.00%
故障(齿轮齿条系统摩擦力增大)以I.0%步长从I.0%增加到I.00%
因此,正常和故障时完整的数据大小为IVI.xVIxVI0I.,数据布置图见图III.
图III.EPS系统的仿真数据整理
IV.EPS系统故障诊断框架
我们的FDD框架的EPS系统如图IV所示.FDD过程包括IV个步骤:故障检测,数据简化,分类(诊断),和故障的严重程度估计.简要介绍如下.
图IV.EPS系统的FDD图示
A.故障检测技术
我们尝试在EPS系统使用累积和(CUSUM)测试法来检测故障.CUSUM测试是I.种检测在I.个时间序列内的变化的统计方法.[I.V]在这里,我们使用I.个阈值测试的累计总和残差平方来确定系统是否在I.个错误的的状态或正常状态.为K时刻剩余误差平方的和,如果超过阀值则显示故障.
B.数据缩减技术
多向主元分析(MPCA)和多向偏最小II乘(MPLS)技术可以作为故障隔离前的数据缩减技术,MPLS技术降低了多维数据到较低维度的得分向量,同时保持其中相关信息[I.VI,I.VII].MPCA,MPLS技术是类似的.它将数据转换成低维空间的转化数相关变量转化为较少的几个不相关的新的变量,称为主成分.此外MPLS和MPCA技术都可用于故障检测,例如,在MPLS技术中,如果得分向量接近于新减少的特征空间的起源,系统就在额定状态,得分向量于源头间的距离通过霍特林统计计算[I.VII],在我们的故障诊断框架中,我们仅使用MPLS技术仅用于数据缩减.
C.故障分类
我们尝试用支持向量机(SVM),概率神经网络(PNN),和k-最接近(KNN)故障分类.我们将简要地在下面的每个小节中描述这些技术.
I.)支持向量机
支持向量机在I.个更高的维特征更空间提供特征数据,然后找到I.个最优超平面来把各类间的差额最大化.[I.VIII]给定训练和测试数据,该算法确定从支持向量确定训练数据,支持向量是明确最佳分离超平面的权重向量.在测试阶段,用这些支持向量估计故障种类,给出所有特征向量.我们还用概率论的SVM来估计I.个特征向量属于I.个特定类的概率.
概率论支持向量机和标准向量机的主要区别在于,标准向量机提供困难的判决,而,P-SVM计算个别故障种类概率的估计.
支持向量机有两个鲜明的特征,I.个它常与数据的物理意义相关,因此容易解释,另I.个特点是他仅需要I.个很小的训练数据量.在找到最优超平面前用I.个内核函数把数据转换成更高的维度来拟合非线性模型
II)概率神经网络
PNN是I.种被监督的学习方法,这种方法通过已学习的每个类别分类的概率估计I.个输入向量属于I.个特定种类间的相似性,我们也可以将每个类别的先验概率具体化,如果可用就计算其相似性,已学习过的样本可以通过误分类代价和相对频率(先验概率)进行加权再进行估计最可能的分类.这种方法的精度取决于该类的输入特征向量和真实分布函数.
III)k-近邻
KNN是I.种非参数分类法.在这种分类方法中,输入矢量d的距离通过训练数据中的K-近邻点来计算.包含这些后验证的点中最多的I.类被假设为最可能的类,I.般来说,我们选择K为奇数来避免平局,例如I..III.V…在数学上,后验类概率为:
(I.IV)
K-临近点中属于类的矢量数,为类的先验概率,I.个心得输入向量被分配给具有最高的后验类概率的类
D.严重性评估
回归技术,如主成分回归(PCR),支持向量机回归(SVMR)用来估计故障的严重程度.故障程度评估过程中每个故障种类的数据用作训练数据,而且相关联的严重等级作为目标,这里,我们首先使用上I.段描述的技术隔离故障,预先分类的测试样片用于回归技术来估计故障的严重程度.
V.实验结果
我们模拟了如图II所示双轨道EPS模型,运行时间为I.V秒,由Carsim软件得到输入信号,双轨道变化的信号如图V所示.我们应用在粗糙路面,车速恒定在VI0公里/小时时Carsim软件得出的双移线得到出车轮回正力矩,模拟过程在正常和故障两种状态下都进行,每0.0IIV秒进行I.次采样,正如第III节中提到的,我们监测了VI个信号,同时考虑了EPS系统的IV个参数故障.并在每个故障下有X种不同严重程度的故障,不同的故障状况由下列方程进行模拟.
(I.V)
图V.双移线输入信号
在(I.V)中,为故障条件下的参数值,为标准参数值,为参数值的变化百分比.
A.故障检测
我们运用CUSUM测试来检测故障,对于CUSUM,我们收集了VI种不同信号(监测变量)的残差平方之和,定义I.个阀值,并用剩余平方累计总和与阀值相比较来判定系统处在故障状态或正常状态,图VI所示为不同严重程度时残差平方总和.图VI中横轴为时间(秒),纵轴为累计总和.我们观察到III.V秒之前残差不显著,剩余误差对于不同故障类型和不同严重程度有着显著的变化.然而,I.0秒后该残差的累计和几乎是零.这应该可以从图V的输入信号中预料到的,累计的残差平方和依赖于采样的时刻,故障类型和输入信号.我们用IV00作为角度残差的阀值来检测的故障,我们能够检测到故障的IV0%并且VII.VI秒之后能检测到更高严重程度(正常值的I..IV倍)的故障.I.个较低的阀值检测用的时间更少,检测到的故障严重程度也较低,然而,较小的阀值也会增加错误报警的概率.
图VI.EPS系统中不同严重程度时故障的残差累积总和
B.故障隔离
我们使用MPLS技术减少故障隔离的数据,图VII所示为III个PLS组件的III维立体图,由图可知,PLS组件I.和III的变化对和的故障有着很大的影响.同样,PLS组件I.和II对KTS故障的影响也是很显著的.显然,,KTS故障和严重程度较高的故障可以相对容易的被检测出来,而故障在正常状态和其他故障状态时都难以隔离.
图VII.MPLS组件III维图
我们使用SVM,PNN和KNN分类器来隔离故障.我们使用III验证方案来验证EPS数据分类算法的完整性.第I.个方案,我们将数据分为VI0%训练数据和IV0%测试集,然后调用分类算法.此过程重复I.0次,模拟运行的分类结果平均值在表III中.
第II个方案,我们使选择分类器随机选择V0%的数据,然后测试所有的数据.方案III,我们使用VxII交叉验证法确认随机数据集,重复V次,分类结果同样总结在表III中,表III中,SVM分类器比PNN和KNN分类器有更好的分类精度.
我们也使用概率支持向量机来计算每类故障的特征向量的后验概率.我们考虑了III个验证方案,图VIII所示为SVM概率图,这里,纵轴为每个故障的后验概率(0~I.)横轴表示测试样品(IV0种不同故障情况,IV种故障类型,I.0个逐渐增加的严重程度)每个点代表I.个I.个给定故障的情况下的后验概率,比如,绿色的菱形表示故障率曲线,如果真正的故障是KTS故障,那么他的概率会明显高于其他点,否则则可以忽略不计.我们也注意到KTS在严重情况较低的时,和故障会和故障相混淆,这意味着低严重程度的故障难以分离,这和我们在之前在此部分的MPLS图和分类结果相I.致.
表III.故障分类结果
验证方案平均分类率(%)
SVMKNN(K=III)PNN(=I.)
VI0%训练IV0%测试IXI..IIVVIIIVII.V0VIIIVI.VIIIVIII
V0%训练I.00%测试IXII.VVIIIVVIIIVII.V
VxII交叉验证VIIIVIII.VIIIVVIIIVI.VVIIVII
表IV.故障严重程度估计结果
故障实际的严重程度(%)估计的严重程度(%)误差(%)
I.0I.III.IIIVIIIIIII.VII.
V0VI..0IXII.I.IX
I.00IXIX.VIIIV0.IIVI
-I.0I.VIII.III.VIIIII.I.IV
-V0VII..IVIIIIII.VIIIV
-IX0VIIIX.VIVII.I..IVIX
I.0I.V.VIIIVIVVIII.VVIII
V0IVIII.VII.I.II.VIIVII
I.00VIIIIX.IXVIII.0.0III
I.0I.V.VIIIIXVVIII.IXI.
V0IVVII.IXIXIV.00
I.00IXVIII.I.III..VIIIVIII
图VIII.不同故障类型下SVM给出的故障后验概率
C.故障严重程度估计
我们使用支持向量机回归来估计IV种类型X种不同严重程度的故障,严重程度由(I.II)中给出的标准参数值按百分比变化给出.这里,我们首先隔离故障,然后使用支持向量机回归算法来估计故障严重程度,表IV所示为每种故障类型的III种不同严重程度模拟结果汇总的快照,我们观察到,低严重程度的故障难以估计,但随着严重程度的增加,SVMR可以得到I.个有合理精确度的严重程度评估.
VI.结论
本文中,我们提出了I.个模型和数据驱动的电动助力转向系统故障检测与诊断方法,我们建立了EPS系统的模型,模拟了它的正常状态和故障状态.采用CUSUM技术来计算故障检测时的残差平方和,应用MPLS技术削减数据,SVM,PNN,KNN分类技术来隔离故障,故障分类的准确率为IX0%.我们观察到,故障很难检测和隔离.我们还采用回归技术来估计故障的严重程度,结果表明,低严重程度的故障很难估计,未来的研究可能包括采用观察的剩余误差来检测故障,预测参数的衰减,和EPS系统剩余使用寿命的估计.
鸣谢
我们感谢美国国家科学基金会对于这项工作的支持,本文中表达的任何观点纯属作者本人观点,与其他机构无关.
参考文献
[I.]A.Badawy,J.Zuraski,F.Bolourchi,andA.Chandy,Modelingand
analysisofanelectricpowersteeringsystem,"SAETechnicalPaper
Series,SteeringandSuspensionTechnologySymposium,Detroit,MI,
Mar,I.IXIXIX
[II]S.Mir,M.S.IslamandSebastianT,"Roleofelectronicsandcontrolsin
steeringsystems,"inIIIXthAnnualConferenceoftheIEEEIndustrial
ElectronicsSociety,Vol.III,pp.IIVIIIVIX-IIVIIIVIIV,II00III.
[III]H.AkhondiandJ.Milimonfared,"Performanceevaluationofelectric
powersteeringwithIPMmotoranddrivesystem,"inIEEERegionVIII
InternationalConferenceonComputationalTechnologiesinElectrical
andElectronicsEngineering,pp.I.VIIV-I.VIIIX,II00VIII.
K.R.Pattipati,A.Kodali,K.Choi,S.Singh,C.Sankavaram,S.Mandal
[IV]W.Donat,S.M.Namburu,S.Chigusa,L.QiaoandJ.Luo,"An
integrateddiagnosticprocessforautomotivesystems,"inD.Prokhorov,
(ed.)StudiesinComputationalIntelligence(SCI),Vol.I.IIIII,pp.I.IXI.-
III.VIII,II00VIII.
M.NybergMandL.Nielsen,Modelbaseddiagnosisfortheairintake
systemoftheSI-engine,"SAEPaperI.IXIXIX-0I.-0VIIIVI0.
[V]J.Gertler,M.Costin,X.Fang,R.Hira,Z.Kowalalczuk,M.Kunwerand
[VI]R.Monajemy,Modelbaseddiagnosisforautomotiveengines-
algorithmdevelopmentandtestingonaproductionvehicle,"IEEE
Trans.onControlSystemsTechnology,Vol.III,NoI.,pp.VII.-VIIX,I.IXIXV.
J.Luo,H.Tu,K.R.Pattipati,L.Qiao,andS.Chigusa,Graphical
modelsfordiagnosticknowledgerepresentationandinference,"IEEE
[VII]InstrumentandMeasurementMagazine,vol.IX,pp.IVV-VII,II00VI.
J.Luo.,K.R.PattipatiK,QiaoL,andChigusaS.,Anintegrated
diagnosticdevelopmentprocessforautomotiveenginecontrolsystems,"
[VIII]IEEETransactionsonSystems,Man,andCybernetics:PartC–
ApplicationsandReviews,Vol.IIIVII,No.VI,NovemberII00VII,pp.I.I.VIIII-
I.I.VIIIII.
S.Ancha,A.Baviskar,J.R.WagnerandD.M.Dawson,"Ground
vehiclesteeringsystems:modeling,control,andanalysisofhydraulic,
electricandsteer-by-wireconfigurations,"TheJournalofthe
[IX]InternationalAssociationforVehicleDesign,vol.IVIV,pp.I.VIIIVIII,II00VII.
X.Chen,T.Yang,X.ChenandK.Zhou,"AGenericModel-Based
AdvancedControlofElectricPower-AssistedSteeringSystems,"IEEE
TransactionsonControlSystemsTechnology,Vol.I.VI,pp.I.IIVIIIIX-I.III00,
II00VIII.
[I.0]M.LawsonandX.Chen,"Faulttolerantcontrolforanelectricpower
steeringsystem,"inIEEEInternationalConferenceonControl
Applications,pp.IVVIIIVI-IVIXI.,II00VIII.
[I.I.]S.CholakkalandX.Chen,"Faulttolerantcontrolofelectricpower
steeringusingkalmanfilter-simulationstudy,"inElectro/Information
Technology,II00IX.Eit0IX.IEEEInternationalConferenceon,II00IX,pp.
I.IIVIII-I.IIIIII.
[I.II]J.Song,K.Boo,H.S.Kim,J.LeeandS.Hong,"Modeldevelopment
andcontrolmethodologyofanewelectricpowersteeringsystem,"
ProceedingsoftheIMECHEPartDJournalofAutomobile
Engineering,vol.III.VIII,pp.IXVIVII-IXVIIV,II00IV.
[I.III]TheMechanicalSimulationsWebsite.[Online].Available:
http://www.carsim.com/
J.ChenandR.Patton,RobustModel-basedFaultDiagnosisfor
DynamicSystems,KulwerAcademic,Norwell,MA,I.IXIXIX.
K.Choi,S.M.Namburu,M.S.Azam,JianhuiLuo,K.R.Pattipatiand
[I.IV]A.Patterson-Hine,"FaultdiagnosisinHVACchillers,"Instrumentation
&MeasurementMagazine,IEEE,vol.VIII,pp.IIIV-IIIII,II00V.
[I.V]P.Nomikos,Detectionanddiagnosisofabnormalbatchoperations
basedonmulti-wayprincipalcomponentanalysis,"ISATransactions,
Vol.IIIV,pp.IIVIX–IIVIVI,I.IXIXVI.
[I.VI]C.M.Bishop,PatternRecognitionandMachineLearning(Information
ScienceandStatistics),Springer,II00VI.
[I.VII]P.Nomikos,Detectionanddiagnosisofabnormalbatchoperations
basedonmulti-wayprincipalcomponentanalysis,"ISATransactions,
Vol.IIIV,pp.IIVIX–IIVIVI,I.IXIXVI.
[I.VIII]C.M.Bishop,PatternRecognitionandMachineLearning(Information
ScienceandStatistics),Springer,II00VI.
RajeevGhimirereceivedtheB.E.degreeinElectricalEngineeringfrom
PulchowkCampus,TribhuvanUniversity,NepalinII00VandM.S.E.degree
inElectricalEngineeringfromNorthernArizonaUniversity,Flagstaff,
ArizonainII0I.0.HeiscurrentlyworkingtowardsthePh.D.degreein
ElectricalEngineeringattheUniversityofConnecticut,Storrs.Heworkedas
anEngineerwithNepalTelecom,Nepalforoneandhalfyears.Hiscurrent
researchinterestsincludefaultdiagnosisandprognosis,patternrecognition,
andoptimizationtheory.
BIOGRAPHY
RajeevGhimirereceivedtheB.E.degreeinElectricalEngineeringfrom
PulchowkCampus,TribhuvanUniversity,NepalinII00VandM.S.E.degree
inElectricalEngineeringfromNorthernArizonaUniversity,Flagstaff,
ArizonainII0I.0.HeiscurrentlyworkingtowardsthePh.D.degreein
ElectricalEngineeringattheUniversityofConnecticut,Storrs.Heworkedas
anEngineerwithNepalTelecom,Nepalforoneandhalfyears.Hiscurrent
researchinterestsincludefaultdiagnosisandprognosis,patternrecognition,
andoptimizationtheory.
ChaitanyaSankavaramreceivedtheB.Tech.degreeinElectricaland
ElectronicsEngineeringfromSriVenkateswaraUniversity,Tirupathi,India,
inII00V.SheiscurrentlyworkingtowardthePh.D.degreeinElectricaland
ComputerEngineeringattheUniversityofConnecticut,Storrs.Shewasa
ProjectEngineerwithWiproTechnologies,Bangalore,India,fortwoyears.
Hercurrentresearchinterestsincludefaultdiagnosisandprognosis,reliability
analysis,datamining,patternrecognition,andoptimizationtheory.
AlirezaGhaharireceivedhisB.S.andM.S.degreesinElectricalEngineering
fromtheUniversityofSharif,Iran,inII00VII,andtheUniversityofTehran,
Iran,inII0I.0,respectively.HeiscurrentlypursuinghisPh.D.studyin
ElectricalandComputerEngineeringincontrolandcommunicationsystem
areaattheUniversityofConnecticut,USA.Hisresearchinterestsextendover
multi-dimensionalsignalprocessing,empiricalinferenceandstatistical
informationretrievalandvisualizationinthefieldofsystemhealthmanagementandautomatedfaultdiagnosis.
KrishnaR.Pattipati(S’VIIVII-M’VIII0-SM’IXI.-F’IXV)receivedtheB.Tech.degree
inElectricalEngineeringwithhighesthonorsfromtheIndianInstituteof
Technology,Kharagpur,India,inI.IXVIIVandtheM.S.andPh.D.degreesin
SystemsEngineeringfromtheUniversityofConnecticut,Storrs,inI.IXVIIVIIand
I.IXVIII0,respectively.FromI.IXVIII0toI.IXVIIIVI,hewaswithALPHATECH,Inc.,
Burlington,MA.SinceI.IXVIIIVI,hehasbeenwiththeUniversityofConnecticut,
whereheiscurrentlytheUTCChairProfessorinSystemsEngineeringinthe
ElectricalandComputerEngineeringDepartment.HewasaConsultantto
Alphatech,Inc.,Aptima,Inc.,andIBMResearchandDevelopment.Heisa
Co-FounderofQualtechSystems,Inc.,whichisasmallbusinessspecializing
inintelligentdiagnosticsoftwaretools.Hisresearchinterestsincludetheareas
ofadaptiveorganizationsfordynamicanduncertainenvironments,multiuser
detectioninwirelesscommunications,signalprocessinganddiagnosis
techniquesforcomplexsystemmonitoring,andmultiobjecttracking.Heisa
FellowofIEEE.
YoussefGhoneimreceivedaPhDdegreeinElectricalEngineeringfrom
McGillUniversity,inMontreal,Canada.SinceI.IXVIIIV,hehasbeenwithGeneral
MotorsCorporationintheResearchandDevelopmentCenterinWarren
MichiganandiscurrentlyatechnicalFellow.Hismaininterestsareinthe
VehicleChassisandActiveSafetyControlintegration,Vehicle/Driver
interaction,HybridandElectricVehicleControl,andVehicleHealth
Management.HeholdsIIIIIUSpatents,IIdefensivepublicationsandII0
pending.HeisfourtimerecipientoftheGeneralMotorsBossKettering"
awardthatrecognizesindividualsfromeveryregionoftheglobewhohave
developedtrulyoutstandinginventionsorinnovationswhichhaveprovided
identifiableandsubstantialbenefittoGeneralMotors.
MarkHowellisaStaffResearcherwiththeElectricalandControlsLabat
GeneralMotorsResearch,specializinginFaultTolerantVehicleControland
PrognosticSystems.HepreviouslyworkedasaResearchFellowin
AutomotiveEngineeringatLoughboroughUniversity,pursuingresearchon
intelligentactivesuspensioncontrolandintegratedchassiscontrolsystems.
HehasaMScandPhDinControlSystemsfromtheUniversityofSheffield,
England,andaBachelorsdegreeinCyberneticsfromtheUniversityof
Reading,England.
MutasimSalmanreceivedhisbachelor’sdegreeinElectricalEngineering
fromUniversityofTexasatAustin;M.S.andPhDinElectricalEngineering
withspecializationinSystemsandcontrolfromUniversityofIllinoisat
Urbana-Champaign.HealsohasanExecutiveMBA.Heholdssixteen
patentsandhascoauthoredmorethanIIIVIrefereedtechnicalpublicationsanda
book.HejoinedtheGMR&DstaffinI.IXVIIIIV.Heiscurrentlyagroupmanager
andaTechnicalFellow.HeisaseniormemberofIEEE.Hisresearchinterest
includesperformancemonitoring,diagnosisandprognosisaswellasfault
tolerantcontrolasappliedtoEnergyandAutomotiveSystems.
附件II:外文原文
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/lwqt/wxzs/101.html
