3. 方向盘扭矩传感器信号采集与预处理

任务定义

线控转向系统中，前轮转角传感器是反馈闭环的关键元件。本案例实现一个针对前轮转角传感器的故障诊断与容错模块：实时读取传感器测量值，检测卡死（信号恒定）、偏置（信号偏移）和噪声过大（方差超限）三类典型故障；当故障发生时，利用车辆运动学模型（基于车速与方向盘转角）估算前轮转角作为容错值，并输出故障标志与容错切换后的转角信号。

故障诊断与容错实现

import numpy as np
from collections import deque

class SteeringAngleFDI:
    def __init__(self, dt=0.01, window_size=50, steer_ratio=15.0):
        self.dt = dt
        self.window_size = window_size
        self.steer_ratio = steer_ratio  # 方向盘转角 / 前轮转角
        self.buffer = deque(maxlen=window_size)
        self.prev_value = None
        self.fault_type = 0  # 0:正常 1:卡死 2:偏置 3:噪声过大
        self.fault_detected = False
        self.estimated_angle = 0.0

    def _check_stuck(self, value):
        """卡死检测：连续窗口内信号变化量小于阈值"""
        if len(self.buffer) < self.window_size:
            return False
        arr = np.array(self.buffer)
        return (np.max(arr) - np.min(arr)) < 0.02  # 变化量小于0.02rad

    def _check_bias(self, value, vehicle_speed, steering_wheel_angle):
        """偏置检测：与模型估计值偏差超过阈值"""
        if vehicle_speed < 0.5:  # 低速时不进行偏置判断
            return False
        model_angle = steering_wheel_angle / self.steer_ratio
        return abs(value - model_angle) > 0.15  # 偏差超过0.15rad

    def _check_noise(self, value):
        """噪声检测：窗口内方差超过阈值"""
        if len(self.buffer) < self.window_size:
            return False
        arr = np.array(self.buffer)
        return np.var(arr) > 0.01  # 方差超过0.01 rad^2

    def estimate_from_model(self, vehicle_speed, steering_wheel_angle):
        """基于运动学模型的容错估计"""
        if vehicle_speed < 0.5:
            # 低速时使用方向盘转角映射
            return steering_wheel_angle / self.steer_ratio
        else:
            # 中高速时考虑不足转向梯度
            # 此处简化为线性映射，实际可加入K系数
            return steering_wheel_angle / self.steer_ratio

    def process(self, sensor_value, vehicle_speed, steering_wheel_angle):
        """
        处理单个采样周期
        返回: (容错后的前轮转角, 故障类型, 是否发生故障)
        """
        self.buffer.append(sensor_value)

        # 1. 故障检测
        stuck = self._check_stuck(sensor_value)
        bias = self._check_bias(sensor_value, vehicle_speed, steering_wheel_angle)
        noise = self._check_noise(sensor_value)

        if stuck:
            self.fault_type = 1
            self.fault_detected = True
        elif bias:
            self.fault_type = 2
            self.fault_detected = True
        elif noise:
            self.fault_type = 3
            self.fault_detected = True
        else:
            self.fault_type = 0
            self.fault_detected = False

        # 2. 容错处理
        if self.fault_detected:
            # 故障时使用模型估计值
            self.estimated_angle = self.estimate_from_model(
                vehicle_speed, steering_wheel_angle)
            output_angle = self.estimated_angle
        else:
            # 正常时直接使用传感器值
            output_angle = sensor_value
            self.estimated_angle = sensor_value

        self.prev_value = sensor_value
        return output_angle, self.fault_type, self.fault_detected

测试用例与验证

def run_test_case():
    fdi = SteeringAngleFDI(dt=0.01, window_size=50, steer_ratio=15.0)

    # 模拟数据：前2秒正常，之后注入卡死故障
    t = np.arange(0, 5, 0.01)
    true_angle = 0.3 * np.sin(2 * np.pi * 0.5 * t)  # 真实前轮转角
    sensor_readings = true_angle.copy()

    # 注入卡死故障：从2秒开始传感器输出恒定值
    fault_start_idx = int(2.0 / 0.01)
    sensor_readings[fault_start_idx:] = 0.25  # 卡死在0.25rad

    vehicle_speed = 10.0  # m/s，约36km/h
    steering_wheel_angle = true_angle * 15.0  # 方向盘转角

    outputs = []
    fault_flags = []
    for i in range(len(t)):
        out_angle, ftype, fdetected = fdi.process(
            sensor_readings[i], vehicle_speed, steering_wheel_angle[i])
        outputs.append(out_angle)
        fault_flags.append(ftype)

    # 验证点1：故障检测延迟
    detection_idx = next(i for i, f in enumerate(fault_flags) if f != 0)
    detection_time = t[detection_idx]
    print(f"故障注入时间: 2.00s, 检测到时间: {detection_time:.2f}s")
    print(f"检测延迟: {detection_time - 2.0:.3f}s")

    # 验证点2：容错输出与真实值误差
    fault_outputs = np.array(outputs[fault_start_idx:])
    true_segment = true_angle[fault_start_idx:]
    rmse = np.sqrt(np.mean((fault_outputs - true_segment) ** 2))
    print(f"容错后RMSE: {rmse:.4f} rad")

    # 验证点3：故障类型识别正确
    print(f"检测到的故障类型: {fault_flags[detection_idx]} (1=卡死)")
    assert fault_flags[detection_idx] == 1, "故障类型识别错误"

    # 验证点4：正常段无故障误报
    normal_flags = fault_flags[:fault_start_idx]
    assert all(f == 0 for f in normal_flags), "正常段存在误报"
    print("正常段无误报: 通过")

    print(f"容错后RMSE: {rmse:.4f} rad (阈值0.05rad)")
    assert rmse < 0.05, "容错精度不足"
    print("全部验证通过")

if __name__ == "__main__":
    run_test_case()

运行方式与判定标准

运行环境：Python 3.7+，NumPy库。

执行方法：将上述两段代码保存为 steering_fdi.py，在终端运行 python steering_fdi.py。

预期输出与判定：

• 故障注入时间为2.00s，检测延迟应小于0.5s（即检测时间在2.00~2.50s之间）；
• 容错后RMSE应小于0.05rad，表明容错值能有效跟踪真实转角；
• 故障类型识别为1（卡死），且正常段（0~2s）无故障误报；
• 程序输出"全部验证通过"即表示测试通过。

关键设计说明

本案例的故障诊断基于信号统计特征与模型一致性校验的融合：卡死检测通过滑动窗口内的极差判断信号是否失去变化；偏置检测将传感器读数与运动学模型估计值比较，排除低速工况避免分母过小带来的误判；噪声检测利用窗口方差识别异常抖动。容错策略采用模型值直接替换，模型基于方向盘转角与转向比（15:1）的线性映射，在中高速工况下具有足够的估计精度。代码中窗口大小、阈值等参数均可通过构造函数调整，便于适配不同车型的转向特性。