故障診斷，也稱為早期故障檢測和分類，是一個新興的研究和開發(fā)領域。文獻中已經提出了多種與診斷相關的技術，這些技術可以分為基于模型、基于信號和基于數據的方法。
    已經使用這些技術對多種設備和系統(tǒng)進行了健康監(jiān)測分析。鑒于電動汽車和混合動力汽車中電機的使用不斷增加，機器的早期故障檢測和分類方法是目前正在研究的一個領域。
    一般來說，故障檢測方法需要額外的計算強度、高分辨率、大量存儲器，并且消耗更多功率，這增加了實現(xiàn)診斷算法所需的嵌入式硬件的相關成本。這樣的算法應該能夠使用具有成本效益的硬件產生合理的結果，但不幸的是，這會帶來較低分辨率、有限內存和低功耗的妥協(xié)。在本文中，我們通過描述汽車直流起動機齒輪故障的方法來研究故障診斷。
    汽車中的電機在
    現(xiàn)代汽車中，例如電動汽車或混合動力汽車，功率范圍從幾瓦到數千瓦的電機被用于各種應用。小型機器被用于電動車窗、雨刮器驅動器、后視鏡、座椅和方向盤調節(jié)以及類似的公用設施。然而，在電動或混合動力傳動系和轉向器中，使用更高功率的電機。它們在汽車中執(zhí)行關鍵操作；例如，舵機電機就非常重要。因此，及時的故障診斷和對未來運行的接近現(xiàn)實的預測是必須的。
    考慮到電機利用率和關鍵操作的增加，故障診斷和預測已成為過去十年中認真和徹底研究的領域。文獻中已經提出了基于侵入式和非侵入式方法的各種診斷技術。
    電機電流特征分析是機器故障診斷的一種流行方法。與任何其他硬件一樣，電機也容易磨損。這種磨損反映在將電流和電壓引入這些機器的方式上。對這些數據的觀察、收集和分析是對故障診斷算法進行相當廣泛的研究的基礎。這項研究解決了這個問題，從簡單的基于分類器的模型到更復雜的圖形模型，例如隱馬爾可夫模型。盡管產生了出色的結果，但這些模型無法擴展到部署電機的環(huán)境。
    一般來說，電機部署在內存和計算要求受限的環(huán)境中。因此，設計一個足夠強大、準確且簡單的模型來處理此類環(huán)境中遇到的各種問題是一項重大挑戰(zhàn)。Ali 等人 [1] 通過在傳感器網絡上實時訓練支持向量機，在這個方向上邁出了重要的一步，但他們的模型并沒有充分反映結果是如何實現(xiàn)的。在下面的章節(jié)中，我們詳細討論問題、故障診斷研究中采用的方法，提出我們的方法。
    檢測故障
    基于分析聲音以區(qū)分正常電機和故障電機的模型構建的簡單解決方案雖然很誘人，但在汽車中無法實現(xiàn)，因為汽車發(fā)動機內會產生顯著的噪音。此外，聲音識別是一個計算成本高昂的過程，很難到資源有限的嵌入式機器上。，不同的電機在出現(xiàn)故障的情況下必然會產生不同程度的聲音效果，而將我們的算法擴展到任意電機將是一項艱巨的任務。

    在正常情況下，流入電機的電流遵循一定的模式。然而，如果機器出現(xiàn)故障，該故障將出現(xiàn)在機器電流中并產生瞬變。這些瞬態(tài)可以以尖銳脈沖的形式出現(xiàn)，并立即減弱或以高頻諧波的形式出現(xiàn)。特別是，正如 Zaidi 等人 [2] 所建議的，瞬態(tài)諧波的頻率可達 12KHz。使用低內存空間和較少的計算能力在嘈雜的環(huán)境中定位和分類這些瞬態(tài)是一項重大挑戰(zhàn)。必須確定能夠提供所需結果的合適嵌入式系統(tǒng)。下面顯示了不同嚴重程度的齒輪故障的圖解說明，由 Zaidi 等人提供 [2]。

    圖1：齒輪故障
    故障診斷模型
    在診斷領域，故障是指設備開始表現(xiàn)出缺陷的早期跡象的情況。如果不加以緩解，這些缺陷會惡化，設備將無法執(zhí)行所需的任務。這種情況稱為故障狀態(tài)。故障與失效之間的時間間隔是及時診斷故障的機會所在。在電機故障診斷領域，通常采用的三種主要方法是基于數據、基于模型和基于信號[2]。
    基于模型。 基于模型的診斷依賴于對其模型用于預測故障特征的機器的理論分析。測量的簽名和模擬的簽名之間的差異被用作故障檢測器。殘差分析和適當的信號處理用于定義故障指數。
    基于數據。 基于數據的診斷不需要任何機器參數和模型的知識。相反，它依賴于信號處理和聚類技術。對從實際機器采樣的數據進行處理，以提取一組特征，這些特征被聚類以便對它們進行分類。接下來，使用決策過程技術來定義故障指數。人工智能和模式識別技術被廣泛用于實現(xiàn)上述目的。
    基于信號。 基于信號的診斷尋找從實際機器采樣的數量中的已知故障特征。然后通過適當的信號處理來監(jiān)測這些簽名。通常，使用頻率分析，盡管先進的方法和/或決策技術可能會令人感興趣。在這里，信號處理起著至關重要的作用，因為它可用于增強信噪比和標準化數據，以便將故障與其他現(xiàn)象隔離開來并降低對運行條件的敏感性。
    系統(tǒng)設計
    在我們提出的系統(tǒng)所監(jiān)測的電機中，電流樣本中存在的高頻諧波是故障的證據。為了識別這些高頻諧波，我們需要將信號從時域轉換到頻域，以便對其進行分析以檢測高頻分量。我們通過采用快速傅立葉變換 (FFT) 來實現(xiàn)這一點，這是將時域信號轉換為頻域的算法。特別是，我們使用定點 16 位算術對輸入電流樣本進行 512 點 FFT。此外，問題的一個重要部分是噪聲消除，這是部署電機的環(huán)境的固有部分。
    噪音消除。如果我們的原始信號是 f(x)，并且添加到其中的高斯噪聲由 ? 給出，則噪聲信號由下式給出
    這里的目標是 根據g(x)預測f(x)。
    盡管在信號去噪方面已經做了大量工作，但可擴展到實時嵌入式環(huán)境的算法仍然是一個重大挑戰(zhàn)。通過考慮高斯噪聲的一個簡單屬性，即在平均時它會被抵消，可以克服這一挑戰(zhàn)。具體來說，對接收到的輸入向量進行平均可提供噪聲已被大大消除的輸入頻譜。圖 1 說明了結果。

 

    圖 2：平均去噪
    預過濾。FFT 計算重要的部分之一是位反轉，這是一種將頻譜分量放置在頻譜中正確位置的方法。完成此任務的快方法是將表存儲在閃存中，并在每次 FFT 計算結束時對其進行索引。在沒有噪音的情況下，這并不是一項繁瑣的任務。但在存在噪聲的情況下，F(xiàn)FT 樣本被平均多達 50 次，這仍然意味著處理器需要實時完成大量工作。
    通過預過濾頻率低于 200Hz 的輸入信號，可以消除此瓶頸。通過實驗觀察已達到閾值 200Hz，實驗觀察表明，在發(fā)生故障的情況下，大多數瞬變具有 KHz 范圍內的頻率分量。一旦低頻分量被去除，頻譜中留下的信息就是高頻分量。現(xiàn)在可以在不進行位反轉的情況下對這些分量進行平均，因為低頻頻譜分量已被濾除。
    快速傅立葉變換。濾波后，信號被饋送到 FFT 引擎，將信號變換到頻域。然后將該信號添加到先前獲得的 FFT 矢量中以對其進行平均以消除噪聲。這個過程會進行多次，并且完全取決于信噪比。一旦對信號進行了特定次數的平均，就需要一個簡單的循環(huán)來檢測頻譜中高于閾值的峰值。這可以檢測高頻成分的存在。
    目標環(huán)境
    所開發(fā)的系統(tǒng)主要針對汽車起動電機的故障檢測。轉速可達2500轉/分；通常轉速保持在1400~1500轉/分，即25轉/秒。這意味著可以在 40 毫秒內獲取有關齒輪的完整信息。在此期間（采樣頻率為10kHz），采集的數據點數量僅為400。我們的ADC的采樣率調整為每秒10,000個樣本。由于我們只需要 400 個樣本來對頻域行為進行建模，這會急劇減少我們的時間樣本空間，而鑒于嵌入式設備的片上內存有限，這對于執(zhí)行和存儲 FFT 至關重要。
    為了限度地降低成本，同時限度地提高性能，我們針對不同的設備設置了基準，并根據各種變量（包括時鐘速度、內存和硬件優(yōu)化組件）對它們進行評判。我們特別比較了數字信號處理器 (DSP)、FPGA 和賽普拉斯的可編程片上系統(tǒng) (PSoC) 器件。具體來說，我們對任何設備的主要關注點都是成本、FFT 基準、預過濾和內存。
    FFT 基準。如上所述，我們的樣本空間是 16 位無符號整數格式的 512 個點的幀。每個樣本都以 Q8.8 格式存儲，其中前 8 位用于整數部分，后 8 位用于小數部分。我們用C語言實現(xiàn)了512點FFT變換。計算的旋轉因子存儲在Flash中以保存在SRAM上。
    DSP 與 PSoC 算法實現(xiàn)
    在我們的評估中，PSoC 系列器件由于并行化和板載外設而超越了 DSP 架構。例如，大多數 DSP 沒有 ADC，也不能在計算 FFT 的同時過濾信號，因為它是單核設備。相反，PSoC 可以累積濾波器結果，同時對先前存儲的樣本進行 FFT 處理。這是可能的，因為濾波器是在獨立于主核的迷你 DSP 中實現(xiàn)的。然后，濾波器可以使用 DMA 將結果直接傳輸到內存中，然后加載到 FFT 輸入空間中。

   

    圖 3：系統(tǒng)流程圖
    額外的布線成本
    添加外部 ADC 會帶來成本和布線需求。由于 PSoC 在單個芯片中集成了所需的外設，因此不需要用于處理數據的外部組件。
    實驗設置
    電流樣本是通過將 ADC 與分流電阻耦合來獲得的。電流樣本的寬度為每個 8 位。一旦獲得 512 個樣本，就運行 FFT 例程將時域信號轉換為頻域。
    電流源由 PSoC 機器中嵌入的 Delta Sigma ADC 進行采樣。這是一款高質量模數轉換器，具有多重采樣功能，即同一 ADC 可以切換到不同位寬的不同采樣率。這支持不同的場景，在這些場景中，我們可能必須處理具有截然不同要求的多個電機。
    雖然這種方法非常強大，但這種用于電機故障檢測的模型在處理非常尖銳的后退脈沖形式的瞬態(tài)時存在重大問題，因為 FFT 無法識別頻譜中尖銳的消失脈沖。在此階段會發(fā)生信息丟失，這可能會給設計識別電機故障的系統(tǒng)帶來重大障礙。
    這個問題可以通過采用小波變換來解決，小波變換是一種有效的技術，可以將時域信號解析為時頻頻譜，同時保留與尖銳脈沖以及高頻諧波相關的信息。