基于机器学习的驱动故障诊断与隔离算法，适用于采用4WIS4WID技术的车辆，并利用残差可视化技术进行故障定位

《IEEE Transactions on Intelligent Vehicles》：Machine Learning Based Drive Fault Diagnosis and Isolation Algorithm for 4WIS4WID Vehicle Using Residual Visualization

　　

本研究提出了一种针对4WIS4WID车辆系统开发的创新故障诊断算法，旨在克服故障定位和识别的挑战。4WIS4WID系统利用硬件冗余和容错控制，在发生故障时仍能保持车辆正常运行。然而，由于车辆的自由度数量少于故障数量，因此无法通过分析手段区分不同故障。所提出的算法采用残差分析方法来克服这一限制，通过捕捉预测的车辆行为与实际传感器数据之间的差异来实现这一目标。残差数据通过二维直方图和逻辑函数转换为三通道图像，形成单一的故障图像。卷积神经网络（CNN）学习这些故障图像，以检测故障的发生并准确确定其位置。递归最小二乘（RLS）算法用于故障类型的分类。该方法能够识别故障的大小和类型，并估计故障发生的车辆输出部分。该算法的故障诊断和分类性能通过基于CarMaker的仿真得到了验证。这种系统的故障诊断方法提升了智能车辆应用中的安全性和可靠性。

随着对个性化车辆需求的增加，根据用户需求提供服务的专用车辆（PBV）的研发正在积极推进[1]。作为环保的交通方式，PBV在行驶过程中为乘客提供多种服务，能够满足公共交通、医疗保健、配送和工作空间提供等多种需求。PBV基于四轮独立转向和四轮独立驱动（4WS4WD）车辆平台设计，旨在最大化车辆的机动性[2]、[3]、[4]。图1展示了4WIS4WID车辆的结构示例。4WIS4WID具备原地转弯等特殊运动能力，配备了带有轮内电机和转向电机的E-corner模块，这些模块分别控制每个车轮的驱动、制动和转向。因此，它能够在常规车辆难以通行的狭窄小巷等环境中移动，从而高效提供服务[5]、[6]、[7]、[8]。与传统车辆相比，4WIS4WID系统为每个车轮配备了独立的转向和驱动装置，这要求精确控制每个车轮以实现最佳驾驶性能[9]、[10]、[11]、[12]、[13]。然而，4WIS4WID车辆中执行器和传感器的数量增加，提高了机械和电子部件出现故障的风险，因此对每个部件的鲁棒故障检测尤为重要[14]、[15]、[16]。