1.本发明属于电液复合转向技术领域，具体涉及一种电-液转向容错控制方法及终端。


背景技术：

2.目前，商用车主要采用液压助力系统或电-液助力转向系统来减轻驾驶员的驾驶负担；其中，电-液转向系统因能耗低且电气化程度更高而受到越来越多的关注。电-液复合转向系统主要包括液压助力系统和电动助力系统两部分；车辆行驶时，控制器会根据车速和方向盘转角计算出液压助力系统和电动助力系统分别需要输出的力和力矩；如果在车辆行驶过程中电-液转向系统中的助力电机受损或液压缸漏油都会严重影响车辆转向性能甚至引起车祸。因此，电-液转向系统不仅需要具有较好的助力转向性能还需要具有自主诊断和容错的能力，当发生故障时可以快速判断出故障类型并及时采取补偿措施，从而保证车辆行驶安全。
3.故障诊断的关键在于基于传感器获取的信号进行分析，提取出能够清晰表征故障特点的特征；以往主要靠时-频分析、人工诊断和专家经验来提取信号特征并判断故障类型，上述方法实时性差且依赖维修人员以往的经验，在车辆行驶过程中难以实现故障的诊断和损坏程度的评估。随着深度学习技术的快速发展，通过建立深度神经网络来实现对传感器信号的特征提取和分类，从而实现实时判断系统的健康状态。目前，该方法已广泛应用与轴承等旋转机械的故障诊断领域。但是，该方法只能判断出故障类型，无法进行实时的容错控制来减小故障带来的负面影响。因此，单纯的深度神经网络分类方法不能直接应用于车辆电-液复合转向系统中。


技术实现要素：

4.针对于上述现有技术的不足，本发明的目的在于提供一种电-液转向容错控制方法及终端，以准确判断电-液复合转向系统的故障类型和损坏程度并通过模糊推理计算出相应的补偿控制量，从而保证车辆的稳定行驶。
5.为达到上述目的，本发明采用的技术方案如下：
6.本发明的一种电-液转向容错控制方法，步骤如下：
7.1)堆叠稀疏自编码神经网络训练；
8.11)训练数据预处理：分别采集多个车辆在正常状态、电机故障状态和液压缸漏油状态下行驶时，电机电流传感器、液压缸压力传感器和前轮转角传感器输出的数据，并将采集到的数据按故障类型后，再进一步按损坏程度进行分类，将损坏程度分为完全损坏、严重损坏、损坏和部分损坏；建立传感器输出数据与故障类型、损坏程度的映射关系，即相应的故障类型和损坏程度为输出数据的标签；
9.12)基于堆叠稀疏自编码神经网络搭建深度神经网络并将采集到的各传感器数据作为训练集对每一层稀疏自编码神经网络进行无监督训练；
10.13)将堆叠稀疏自编码神经网络最后一层隐含层的输出作为softmax分类器的输入，并通过softmax分类器的输出和数据所属标签的对比来对整个稀疏自编码神经网络进行有监督训练；
11.2)实时故障诊断及容错控制；
12.21)实时采集车辆的电机电流传感器、液压缸压力传感器和前轮转角传感器输出的数据；
13.22)将采集到的数据集输入到训练后的堆叠稀疏自编码神经网络中进行特征提取；
14.23)将所述提取出的特征输入到softmax分类器中进行进一步的分类，确定故障位置和损坏程度；
15.24)将softmax分类器输出值输入模糊控制器中，经过模糊推理后通过控制量的模糊规则得到模糊化的补偿量；对模糊推理得出的补偿量进行去模糊化处理，从而获得一个精确的补偿量；
16.25)针对不同的故障类型分别采取不同的补偿措施来实现补偿量的施加，从而保证车辆在转向过程中的安全性。
17.进一步地，所述步骤11)具体包括：将数据分为三大类八个等级，即：第一类电机完全损坏、电机严重损坏、电机损坏和电机部分损坏；第二类液压缸严重损坏、液压缸损坏和液压缸部分损坏；第三类转向系统正常；电机损坏为力矩系数减小，电机的输出力矩如式(1)、式(2)所示，将损坏系数按电机损坏程度进行设置，从而模拟出不同损坏程度对电机性能的影响；液压系统的输出力由式(3)所得，液压系统故障由液压缸的泄露系数引起；液压缸分为健康、严重损坏、损坏和部分损坏并按照损坏等级按式(4)设置泄露系数；
18.t
motor
＝(1-u)kei
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0019][0020]
其中，t
motor
为电机输出转矩、u为损坏系数、ke为力矩系数、i为电机的驱动电流；
[0021][0022][0023]
其中，q
l
液压缸流量、a
p
为活塞面积、x
p
为活塞位移，c
p
为泄露系数、v
t
为液压缸的压
缩容积、β为液压油的弹性模量、p
l
为液压缸内液压、f
l
为液压系统对转向系统输出的力。
[0024]
根据不同的损坏程度修改电机的力矩系数和液压缸的泄露系数后，车辆在转向工况中行驶，记录各传感器采集的数据并与当前的故障值进行对应以便后续用于有监督学习。
[0025]
进一步地，所述步骤12)中深度神经网络设计为三层隐含层，其每层隐含层的神经元个数依次减小，从而逐渐提取出数据中的特征；逐层对堆叠稀疏自编码神经网络进行无监督学习，使每个隐含层均可有效地提取出数据中的特征。
[0026]
进一步地，所述步骤13)具体包括：将softmax分配器分类结果与训练数据所属的标签进行对比，采用误差反向传播的方法对整个深层神经网络进行有监督训练，调整整个深层堆叠稀疏自编码神经网络的超参数，从而提高堆叠稀疏自编码神经网络对故障类型和损坏程度的识别精度；所述softmax分类器如下：
[0027][0028]
其中，p(yi＝k|x(i)；w)为归一化的概率值，即已知上层神经网络softmax分类器的权重w的基础上，分类器根据输入数据x(i)计算出y(i)的概率，w为神经网络的权重，y(i)为分类得到的故障类型及损坏程度，e为分类结果与实际标签的误差，k为故障类型数，t为转置计算符号。
[0029]
进一步地，所述步骤21)具体包括：每采集50个信号点为一组输入数据，通过该组数据对电-液转向系统当前的故障状态进行判断。
[0030]
进一步地，所述步骤22)具体包括：将采集到的输入数据输入训练后的堆叠稀疏自编码神经网络中，随着每一层隐含层所含神经元的逐渐减小，数据中所含信息逐层减小，其特征逐渐明显。
[0031]
进一步地，所属步骤23)具体包括：根据数据中所剩的特征进行分类，判断当前电-液转向系统的故障类型和损坏程度。
[0032]
进一步地，所述步骤24)具体包括：按照故障类型将损坏程度分配到电机故障补偿控制器或液压故障控制器中；根据控制器内的模糊推理规则和损坏程度获得相应的模糊补偿量并采用加权平均去模糊化法计算出具体的补偿量大小。
[0033]
进一步地，所述模糊推理规则如下：
[0034]
电机损坏时：
[0035]
如果损坏程度为部分损坏且车辆处于原地转向，则补偿量为大；
[0036]
如果损坏程度为损坏且车辆处于原地转向，则补偿量为大；
[0037]
如果损坏程度为严重损坏且车辆处于原地转向，则补偿量为大；
[0038]
如果损坏程度为完全损坏且车辆处于原地转向，则补偿量为大；
[0039]
如果损坏程度为部分损坏且车辆处于低速转向，则补偿量为中；
[0040]
如果损坏程度为损坏且车辆处于低速转向，则补偿量为大；
[0041]
如果损坏程度为严重损坏且车辆处于低速转向，则补偿量为大；
[0042]
如果损坏程度为完全损坏且车辆处于低速转向，则补偿量为大；
[0043]
如果损坏程度为部分损坏且车辆处于中速转向，则补偿量为中；
[0044]
如果损坏程度为损坏且车辆处于中速转向，则补偿量为中；
[0045]
如果损坏程度为严重损坏且车辆处于中速转向，则补偿量为大；
[0046]
如果损坏程度为完全损坏且车辆处于中速转向，则补偿量为大；
[0047]
如果损坏程度为部分损坏且车辆处于高速转向，则补偿量为小；
[0048]
如果损坏程度为损坏且车辆处于高速转向，则补偿量为小；
[0049]
如果损坏程度为严重损坏且车辆处于高速转向，则补偿量为中；
[0050]
如果损坏程度为完全损坏且车辆处于高速转向，则补偿量为中；
[0051]
液压系统损坏时：
[0052]
如果损坏程度为部分损坏且车辆处于原地转向，则补偿量为大；
[0053]
如果损坏程度为损坏且车辆处于原地转向，则补偿量为大；
[0054]
如果损坏程度为严重损坏且车辆处于原地转向，则补偿量为大；
[0055]
如果损坏程度为部分损坏且车辆处于低俗转向，则补偿量为中；
[0056]
如果损坏程度为损坏且车辆处于低俗转向，则补偿量为大；
[0057]
如果损坏程度为严重损坏且车辆处于低俗转向，则补偿量为大；
[0058]
如果损坏程度为部分损坏且车辆处于中速转向，则补偿量为小；
[0059]
如果损坏程度为损坏且车辆处于中俗转向，则补偿量为中；
[0060]
如果损坏程度为严重损坏且车辆处于中速转向，则补偿量为中；
[0061]
如果损坏程度为部分损坏且车辆处于高转向，则补偿量为小；
[0062]
如果损坏程度为损坏且车辆处于高转向，则补偿量为小；
[0063]
如果损坏程度为严重损坏且车辆处于高转向，则补偿量为小。
[0064]
根据故障类型、损坏程度和车速通过模糊推理规则获得相应的模糊补偿量；采用模糊补偿量集合和加权平均法进行去模糊化得到补偿量；其中，模糊补偿量集合如下：
[0065][0066][0067][0068]
其中，分母为补偿量的论域值、分子为该论域值上的隶属度；
[0069][0070]
[0071]
其中，u为去模糊化后的补偿量、zi为模糊补偿量在第i个论域的隶属度、i为论域值、k为输出比例因子、k1为电机故障时的输出比例因子、k2为电液压系统故障时的输出比例因子。
[0072]
进一步地，所述步骤25)中关于针对不同的故障类型分别采取不同的补偿措施来实现补偿量的施加的电-液转向系统的具体结构包括：方向盘、转向柱、电机、减速机构、液压泵、油罐，电磁比例阀、液压缸、活塞、齿轮齿条、转向横拉杆和车轮；其中，驾驶员对方向盘施加转矩和转角，依次通过转向柱、齿轮齿条和转向横拉杆传递给车轮；电机根据驾驶员输入的力矩输出一个转矩，该转矩经过减速机构的减速增扭施加在转向柱上，将输入的转矩与驾驶员输入到转矩进行叠加；液压泵从油罐中抽取液压油并向电磁比例阀提供稳定的供油压；液压缸因为电磁比例阀开度的不同使的两端油压存在压差，从而推动活塞移动；活塞与转向横拉杆相连，从而推动转向横拉杆移动；在转向过程中按照驾驶员输入的力矩来调整电磁比例阀的开度来改变液压缸的流量，从而改变液压系统输出的力。
[0073]
进一步地，所述步骤25)中关于针对不同的故障类型分别采取不同的补偿措施来实现补偿量的施加方法为：电机故障控制器计算出的电磁比例阀开度补偿量由液压系统执行，通过增大电磁比例阀的开度来提高提高液压缸两侧的液压差，从而提高液压系统对转向系统对助力，如式(8)；液压故障补偿控制器计算出的电压补偿量由电机执行，通过增加电机的压力来提高电机输出的扭矩，如式(9)；通过这种交叉补偿的方式确保补偿量的有效执行，提高容错控制的效率；
[0074][0075][0076]
式中，cd为流量系数、w为比例流量阀阀口面积梯度、ps为供油压力、ρ为液压油密度、xv为电磁比例阀开度、δxv为电磁比例阀开度补偿量、u为电机电压、δu为电压补偿量、r为电机电阻、l为电机电感、k
t
为反电动势系数和ω为电机转速。
[0077]
本发明还提供一种容错控制终端，包括：
[0078]
一个或多个处理器；
[0079]
存储器，用于存储一个或多个程序；
[0080]
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如所述电-液转向容错控制方法中的步骤。
[0081]
本发明的有益效果：
[0082]
本发明可以通过传感器采集到的数据有效的对电-液转向系统的故障类型和损坏程度进行分类并采用模糊推理的方法计算出对电-液转向系统的补偿量，从而提高其容错能力。
[0083]
(1)根据试验数据建立堆叠稀疏自编码神经网络对传感器数据进行特征提取，采用softmax分类器对数据特征进行分类，从而确定当前电-液转向系统的故障类型和损坏程度。
[0084]
(2)根据分类结果采用模糊推理计算出对电-液转向系统的补偿量，根据故障类型的不同采取不同的补偿措施来施加补偿量，从而有效保证电-液转向系统发生故障时依然
可以稳定的完成转向任务，大大提高了转向系统的可靠性。
附图说明
[0085]
图1为本发明方法的原理图。
[0086]
图2为本发明搭建深度神经网络的结构示意图。
[0087]
图3为电-液复合转向系统结构图。
具体实施方式
[0088]
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0089]
参照图1所示，本发明的一种电-液转向容错控制方法，步骤如下：
[0090]
1)堆叠稀疏自编码神经网络训练；
[0091]
11)训练数据预处理：分别采集多个车辆在正常状态、电机故障状态和液压缸漏油状态下行驶时，电机电流传感器、液压缸压力传感器和前轮转角传感器输出的数据，并将采集到的数据按故障类型后，再进一步按损坏程度进行分类，将损坏程度分为完全损坏、严重损坏、损坏和部分损坏；建立传感器输出数据与故障类型、损坏程度的映射关系，即相应的故障类型和损坏程度为所述输出数据的标签；
[0092]
12)基于堆叠稀疏自编码神经网络搭建深度神经网络并将采集到的各传感器数据作为训练集对每一层稀疏自编码(sae)神经网络进行无监督训练；
[0093]
13)将堆叠稀疏自编码神经网络最后一层隐含层的输出作为softmax分类器的输入，并通过softmax分类器的输出和数据所属标签的对比来对整个稀疏自编码神经网络进行有监督训练；
[0094]
其中，所述步骤11)具体包括：将数据分为三大类八个等级，即：第一类电机完全损坏、电机严重损坏、电机损坏和电机部分损坏；第二类液压缸严重损坏、液压缸损坏和液压缸部分损坏；第三类转向系统正常；电机损坏为力矩系数减小，电机的输出力矩如式(1)、式(2)所示，将损坏系数按电机损坏程度进行设置，从而模拟出不同损坏程度对电机性能的影响；液压系统的输出力由式(3)所得，液压系统故障由液压缸的泄露系数引起；液压缸分为健康、严重损坏、损坏和部分损坏并按照损坏等级按式(4)设置泄露系数；
[0095]
t
motor
＝(1-u)kei
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0096][0097]
其中，t
motor
为电机输出转矩、u为损坏系数、ke为力矩系数、i为电机的驱动电流；
[0098][0099][0100]
其中，q
l
液压缸流量、a
p
为活塞面积、x
p
为活塞位移，c
p
为泄露系数、v
t
为液压缸的压缩容积、β为液压油的弹性模量、p
l
为液压缸内液压、f
l
为液压系统对转向系统输出的力。
[0101]
根据不同的损坏程度修改电机的力矩系数和液压缸的泄露系数后，车辆在转向工况中行驶，记录各传感器采集的数据并与当前的故障值进行对应以便后续用于有监督学习。
[0102]
参照图2所示，所述步骤12)中深度神经网络设计为三层隐含层，其每层隐含层的神经元个数依次减小，从而逐渐提取出数据中的特征；逐层对堆叠稀疏自编码神经网络进行无监督学习，使每个隐含层均可有效地提取出数据中的特征。
[0103]
其中，所述步骤13)具体包括：将softmax分配器分类结果与训练数据所属的标签进行对比，采用误差反向传播的方法对整个深层神经网络进行有监督训练，调整整个深层堆叠稀疏自编码神经网络的超参数，从而提高堆叠稀疏自编码神经网络对故障类型和损坏程度的识别精度；所述softmax分类器如下：
[0104][0105]
其中，p(yi＝k|x(i)；w)为归一化的概率值，即已知上层神经网络softmax分类器的权重w的基础上，分类器根据输入数据x(i)计算出y(i)的概率，w为神经网络的权重，y(i)为分类得到的故障类型及损坏程度，e为分类结果与实际标签的误差，k为故障类型数，t为转置计算符号。
[0106]
2)实时故障诊断及容错控制；
[0107]
21)实时采集车辆的电机电流传感器、液压缸压力传感器和前轮转角传感器输出的数据；
[0108]
22)将采集到的数据集输入到训练后的堆叠稀疏自编码神经网络中进行特征提取；
[0109]
23)将所述提取出的特征输入到softmax分类器中进行进一步的分类，确定故障位置和损坏程度；
[0110]
24)将softmax分类器输出值输入模糊控制器中，经过模糊推理后通过控制量的模
糊规则得到模糊化的补偿量；对模糊推理得出的补偿量进行去模糊化处理，从而获得一个精确的补偿量；
[0111]
25)针对不同的故障类型分别采取不同的补偿措施来实现补偿量的施加，从而保证车辆在转向过程中的安全性。
[0112]
其中，所述步骤21)具体包括：每采集50个信号点为一组输入数据，通过该组数据对电-液转向系统当前的故障状态进行判断。
[0113]
其中，所述步骤22)具体包括：将采集到的输入数据输入训练后的堆叠稀疏自编码神经网络中，随着每一层隐含层所含神经元的逐渐减小，数据中所含信息逐层减小，其特征逐渐明显。
[0114]
进一步地，所属步骤23)具体包括：根据数据中所剩的特征进行分类，判断当前电-液转向系统的故障类型和损坏程度。
[0115]
其中，所述步骤24)具体包括：按照故障类型将损坏程度分配到电机故障补偿控制器或液压故障控制器中；根据控制器内的模糊推理规则和损坏程度获得相应的模糊补偿量并采用加权平均去模糊化法计算出具体的补偿量大小。
[0116]
电机故障模糊推理规则如下表1：
[0117]
表1
[0118][0119][0120]
液压系统故障模糊推理规则如下表2：
[0121]
表2
[0122][0123]
具体地，所述模糊推理规则如下：
[0124]
电机损坏时：
[0125]
如果损坏程度为部分损坏且车辆处于原地转向，则补偿量为大；如果损坏程度为损坏且车辆处于原地转向，则补偿量为大；
[0126]
如果损坏程度为严重损坏且车辆处于原地转向，则补偿量为大；如果损坏程度为
完全损坏且车辆处于原地转向，则补偿量为大；如果损坏程度为部分损坏且车辆处于低速转向，则补偿量为中；如果损坏程度为损坏且车辆处于低速转向，则补偿量为大；
[0127]
如果损坏程度为严重损坏且车辆处于低速转向，则补偿量为大；如果损坏程度为完全损坏且车辆处于低速转向，则补偿量为大；如果损坏程度为部分损坏且车辆处于中速转向，则补偿量为中；如果损坏程度为损坏且车辆处于中速转向，则补偿量为中；
[0128]
如果损坏程度为严重损坏且车辆处于中速转向，则补偿量为大；如果损坏程度为完全损坏且车辆处于中速转向，则补偿量为大；如果损坏程度为部分损坏且车辆处于高速转向，则补偿量为小；如果损坏程度为损坏且车辆处于高速转向，则补偿量为小；
[0129]
如果损坏程度为严重损坏且车辆处于高速转向，则补偿量为中；如果损坏程度为完全损坏且车辆处于高速转向，则补偿量为中；液压系统损坏时：
[0130]
如果损坏程度为部分损坏且车辆处于原地转向，则补偿量为大；
[0131]
如果损坏程度为损坏且车辆处于原地转向，则补偿量为大；
[0132]
如果损坏程度为严重损坏且车辆处于原地转向，则补偿量为大；
[0133]
如果损坏程度为部分损坏且车辆处于低俗转向，则补偿量为中；
[0134]
如果损坏程度为损坏且车辆处于低俗转向，则补偿量为大；
[0135]
如果损坏程度为严重损坏且车辆处于低俗转向，则补偿量为大；
[0136]
如果损坏程度为部分损坏且车辆处于中速转向，则补偿量为小；
[0137]
如果损坏程度为损坏且车辆处于中俗转向，则补偿量为中；
[0138]
如果损坏程度为严重损坏且车辆处于中速转向，则补偿量为中；
[0139]
如果损坏程度为部分损坏且车辆处于高转向，则补偿量为小；
[0140]
如果损坏程度为损坏且车辆处于高转向，则补偿量为小；
[0141]
如果损坏程度为严重损坏且车辆处于高转向，则补偿量为小。
[0142]
根据故障类型、损坏程度和车速通过模糊推理规则获得相应的模糊补偿量；采用模糊补偿量集合和加权平均法进行去模糊化得到补偿量；其中，模糊补偿量集合如下：
[0143][0144][0145][0146]
其中，分母为补偿量的论域值、分子为该论域值上的隶属度；
[0147][0148][0149]
其中，u为去模糊化后的补偿量、zi为模糊补偿量在第i个论域的隶属度、i为论域
值、k为输出比例因子、k1为电机故障时的输出比例因子、k2为电液压系统故障时的输出比例因子。
[0150]
参照图3所示，所述步骤25)中关于针对不同的故障类型分别采取不同的补偿措施来实现补偿量的施加的电-液转向系统的具体结构包括：方向盘1、转向柱2、电机3、减速机构4、液压泵5、油罐6，电磁比例阀7、液压缸8、活塞9、齿轮齿条10、转向横拉杆11和车轮12；其中，驾驶员对方向盘1施加转矩和转角，依次通过转向柱2、齿轮齿条10和转向横拉杆11传递给车轮12；电机3根据驾驶员输入的力矩输出一个转矩，该转矩经过减速机构4的减速增扭施加在转向柱2上，将输入的转矩与驾驶员输入到转矩进行叠加；液压泵5从油罐6中抽取液压油并向电磁比例阀7提供稳定的供油压；液压缸8因为电磁比例阀开度的不同使的两端油压存在压差，从而推动活塞9移动；活塞9与转向横拉杆11相连，从而推动转向横拉杆11移动；在转向过程中按照驾驶员输入的力矩来调整电磁比例阀7的开度来改变液压缸8的流量，从而改变液压系统输出的力。
[0151]
其中，所述步骤25)中关于针对不同的故障类型分别采取不同的补偿措施来实现补偿量的施加方法为：电机故障控制器计算出的电磁比例阀7开度补偿量由液压系统执行，通过增大电磁比例阀7的开度来提高提高液压缸5两侧的液压差，从而提高液压系统对转向系统对助力，如式(8)；液压故障补偿控制器计算出的电压补偿量由电机3执行，通过增加电机3的压力来提高电机输出的扭矩，如式(9)；通过这种交叉补偿的方式确保补偿量的有效执行，提高容错控制的效率；
[0152][0153][0154]
式中，cd为流量系数、w为比例流量阀阀口面积梯度、ps为供油压力、ρ为液压油密度、xv为电磁比例阀开度、δxv为电磁比例阀开度补偿量、u为电机电压、δu为电压补偿量、r为电机电阻、l为电机电感、k
t
为反电动势系数和ω为电机转速。
[0155]
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。