3. 前轮转角传感器故障诊断

任务定义

本案例针对SBW线控转向系统中前轮转角传感器可能发生的故障，设计并实现基于残差的故障检测与隔离（FDI）算法。系统包含两个前轮转角传感器（主传感器与冗余传感器），目标是通过比较两传感器测量值与基于车辆动力学模型的估计值，生成残差信号，从而检测传感器是否发生故障，并隔离出具体故障传感器。仿真验证将模拟正常工况、主传感器故障和冗余传感器故障三种场景，验证算法的检测与隔离能力。

系统模型与残差生成

前轮转角传感器测量模型可表示为：

θ_m1 = θ_actual + f1 + n1（主传感器）

θ_m2 = θ_actual + f2 + n2（冗余传感器）

其中θ_actual为实际前轮转角，f为故障信号（正常时为0），n为测量噪声。基于车辆二自由度动力学模型，前轮转角可通过横摆角速度γ和侧向加速度a_y进行估计：

θ_est = (m·a_y·L_f) / (C_f·(L_f+L_r)) + (I_z·γ̇) / (C_f·(L_f+L_r)) + (L_f·γ) / v_x

其中m为整车质量，L_f、L_r为质心到前后轴距离，C_f为前轮侧偏刚度，I_z为横摆转动惯量，v_x为纵向车速。残差定义为：

r1 = θ_m1 - θ_est，r2 = θ_m2 - θ_est，r12 = θ_m1 - θ_m2

故障检测与隔离逻辑

设定阈值τ（考虑噪声和模型不确定性）。当|r1|>τ且|r2|≤τ时，判定主传感器故障；当|r2|>τ且|r1|≤τ时，判定冗余传感器故障；当|r1|>τ且|r2|>τ时，需结合r12判断——若|r12|≤2τ，则可能是实际转角突变（非传感器故障），否则判定两传感器同时故障。正常工况下所有残差均小于阈值。

Python仿真实现

import numpy as np
import matplotlib.pyplot as plt

# 车辆参数
m = 1500.0        # 整车质量 kg
L_f = 1.2         # 质心到前轴距离 m
L_r = 1.4         # 质心到后轴距离 m
C_f = 80000.0     # 前轮侧偏刚度 N/rad
I_z = 2500.0      # 横摆转动惯量 kg·m^2
v_x = 20.0        # 纵向车速 m/s

# 仿真参数
dt = 0.01
t_end = 10.0
t = np.arange(0, t_end, dt)
n = len(t)

# 实际前轮转角（正弦输入）
theta_actual = 0.1 * np.sin(0.5 * t)

# 计算横摆角速度和侧向加速度（简化车辆模型响应）
gamma = (v_x / (L_f + L_r)) * theta_actual  # 稳态横摆角速度
gamma_dot = np.gradient(gamma, dt)          # 横摆角加速度
a_y = v_x * gamma                           # 侧向加速度

# 基于模型的转角估计
theta_est = (m * a_y * L_f) / (C_f * (L_f + L_r)) + \
            (I_z * gamma_dot) / (C_f * (L_f + L_r)) + \
            (L_f * gamma) / v_x

# 传感器测量生成
np.random.seed(42)
noise_std = 0.002  # 噪声标准差 rad
n1 = np.random.normal(0, noise_std, n)
n2 = np.random.normal(0, noise_std, n)

# 故障注入（3~5秒主传感器故障，7~9秒冗余传感器故障）
f1 = np.zeros(n)
f2 = np.zeros(n)
f1[(t >= 3) & (t <= 5)] = 0.03   # 主传感器偏置故障
f2[(t >= 7) & (t <= 9)] = -0.025 # 冗余传感器偏置故障

theta_m1 = theta_actual + f1 + n1
theta_m2 = theta_actual + f2 + n2

# 残差计算
r1 = theta_m1 - theta_est
r2 = theta_m2 - theta_est
r12 = theta_m1 - theta_m2

# 故障检测与隔离
tau = 0.008  # 阈值 rad
fault_status = np.zeros(n, dtype=int)  # 0:正常 1:主传感器故障 2:冗余传感器故障 3:双传感器故障

for i in range(n):
    if abs(r1[i]) > tau and abs(r2[i]) <= tau:
        fault_status[i] = 1
    elif abs(r2[i]) > tau and abs(r1[i]) <= tau:
        fault_status[i] = 2
    elif abs(r1[i]) > tau and abs(r2[i]) > tau:
        if abs(r12[i]) <= 2 * tau:
            fault_status[i] = 0  # 实际转角突变
        else:
            fault_status[i] = 3
    else:
        fault_status[i] = 0

# 输出诊断结果
print("=== 故障诊断结果 ===")
for start_time in [0, 3, 7]:
    idx = int(start_time / dt)
    status = fault_status[idx]
    status_name = ["正常", "主传感器故障", "冗余传感器故障", "双传感器故障"][status]
    print(f"t={start_time}s 时刻诊断状态: {status_name}")

# 绘图
fig, axes = plt.subplots(3, 1, figsize=(10, 8))
axes[0].plot(t, r1, label='r1 (主传感器残差)')
axes[0].plot(t, r2, label='r2 (冗余传感器残差)')
axes[0].axhline(y=tau, color='r', linestyle='--', label='阈值 ±τ')
axes[0].axhline(y=-tau, color='r', linestyle='--')
axes[0].set_ylabel('残差 (rad)')
axes[0].legend()
axes[0].grid(True)

axes[1].plot(t, theta_m1, label='主传感器')
axes[1].plot(t, theta_m2, label='冗余传感器')
axes[1].plot(t, theta_actual, 'k--', label='实际转角')
axes[1].set_ylabel('转角 (rad)')
axes[1].legend()
axes[1].grid(True)

axes[2].plot(t, fault_status)
axes[2].set_yticks([0, 1, 2, 3])
axes[2].set_yticklabels(['正常', '主故障', '冗余故障', '双故障'])
axes[2].set_ylabel('诊断状态')
axes[2].set_xlabel('时间 (s)')
axes[2].grid(True)

plt.tight_layout()
plt.savefig('fault_diagnosis_result.png', dpi=100)
plt.show()

运行与验证

运行方式：将上述代码保存为fault_diagnosis.py，在安装了NumPy和Matplotlib的Python环境中执行python fault_diagnosis.py。

验证方法：观察控制台输出的三个时刻诊断状态，以及生成的fault_diagnosis_result.png图像。图像中第一子图显示残差曲线与阈值线，第二子图显示传感器测量值与实际值对比，第三子图显示诊断状态随时间变化。

判定标准：

t=0s时输出“正常”，残差曲线在阈值范围内；
t=3s时输出“主传感器故障”，此时r1超过阈值而r2正常；
t=7s时输出“冗余传感器故障”，此时r2超过阈值而r1正常；
第三子图在3~5秒区间显示状态1，在7~9秒区间显示状态2，其余时间显示状态0。

预期输出

根据代码逻辑和注入的故障，可确定性推出以下预期输出：

=== 故障诊断结果 ===
t=0s 时刻诊断状态: 正常
t=3s 时刻诊断状态: 主传感器故障
t=7s 时刻诊断状态: 冗余传感器故障

仿真图像中，残差子图在3~5秒期间r1明显超过阈值线，在7~9秒期间r2明显超过阈值线；诊断状态子图在对应时间段显示相应故障代码。该算法通过解析冗余与模型冗余相结合的方式，实现了对前轮转角传感器故障的有效检测与隔离。

📚 课程目录