CN106291354A - 基于anfis的电动汽车永磁同步电机故障分类方法 - Google Patents
基于anfis的电动汽车永磁同步电机故障分类方法 Download PDFInfo
- Publication number
- CN106291354A CN106291354A CN201610566672.8A CN201610566672A CN106291354A CN 106291354 A CN106291354 A CN 106291354A CN 201610566672 A CN201610566672 A CN 201610566672A CN 106291354 A CN106291354 A CN 106291354A
- Authority
- CN
- China
- Prior art keywords
- fault
- synchronous motor
- permagnetic synchronous
- electric automobile
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种基于ANFIS的电动汽车永磁同步电机故障分类方法,包括以下步骤:对故障进行分类并通过采集各种故障数据建立训练样本集;构造一个自适应神经模糊推理系统,以电动汽车永磁同步电机各种故障类型的故障数据中的绕组电流作为输入,并赋予每种故障类型一个输出,选择输入输出的隶属度函数,设置系统训练目标误差,使用混合学习算法训练隶属度函数参数,从而确定自适应神经模糊推理系统中的输入隶属度函数参数和输出隶属度函数参数;通过诊断永磁同步电机故障得到实验数据,将实验数据输入自适应神经模糊推理系统,从而得到诊断结果,并根据诊断结果确定故障类型完成故障分类。实现可操作性强、高效而经济、高精确度的诊断。
Description
技术领域
本发明涉及故障分类方法,特别是涉及一种基于ANFIS的电动汽车永磁同步电机故障分类方法,属于驱动电机状态检测与故障诊断领域。
背景技术
驱动电机是电动汽车的核心设备,是车辆行驶的动力来源,其可靠性直接影响着电动汽车的行车安全。与传统的电励磁电机相比,永磁同步电机因其高效率、重量轻、体积小、结构紧凑、工作可靠及噪音低等特性,符合电动汽车驱动电机的最佳应用指标,是电动汽车驱动电机的最佳选择,不仅如此,其应用范围极为广泛,几乎遍及航空航天、军事工业、汽车行业、工农业生产和日常生活的各个领域。
电动汽车驱动用永磁同步电机是一种新型电机,其运行环境复杂、频繁起动、加速和减速、紧急制动、连续高速运转以及颠簸震动等,这些都不利于电机的安全运行,均有可能诱发驱动电机出现定子短路故障、转子偏心故障、转子轴承故障等,严重影响驱动电机运行的可靠性和安全性。另外,由于转子永磁体代替了转子上的励磁绕组,因此转子失磁故障是永磁同步电机特有故障类型。如果电动汽车驱动电机中的故障不能被及时发现和处理,故障将会进一步扩大而有可能导致驱动电机停机,影响车辆的正常运行和危机驾乘人员的生命安全。
而在现有文献中,对永磁同步电机故障诊断的研究更多的是专注于单一的故障研究,比如,有学者提出的基于负序分量和模糊逻辑相融合的永磁同步电机定子不对称故障诊断、基于失电残余电压的永磁同步电动机失磁故障诊断研究、小波包与样本嫡相融合的永磁同步电机失磁故障诊断等研究方法。
实际上,电动汽车驱动用永磁同步电机运行环境复杂、操作频繁,两种或两种以上的故障也常常同时发生,在永磁同步电机发生故障时及时诊断出故障并确定故障类型对电动汽车的安全性尤其重要。
发明内容
本发明的主要目的在于,克服现有技术中的不足,提供一种基于ANFIS的电动汽车永磁同步电机故障分类方法,即基于自适应神经模糊推理系统的电动汽车永磁同步电机故障分类方法,实现可操作性强、高效而经济、高精确度的诊断,使得诊断结果非常接近真实值,从而保证驱动电机的运行可靠性,确保电动汽车的运行安全性。
为了达到上述目的,本发明所采用的技术方案是:
一种基于ANFIS的电动汽车永磁同步电机故障分类方法,包括以下步骤:
1)对故障进行分类并通过采集各种故障数据建立训练样本集;
基于仿真软件,构造电动汽车永磁同步电机各种故障类型,仿真出电动汽车永磁同步电机各种故障类型的故障数据,建立包括各种电动汽车永磁同步电机故障类型的多个训练样本的训练样本集;其中,故障数据包括绕组电流;
2)构造一个自适应神经模糊推理系统;
建立自适应神经模糊推理系统,以电动汽车永磁同步电机各种故障类型的故障数据中的绕组电流作为输入,并赋予每种故障类型一个输出,选择输入输出的隶属度函数,设置系统训练目标误差,使用混合学习算法训练隶属度函数参数,从而确定自适应神经模糊推理系统中的输入隶属度函数参数和输出隶属度函数参数;
3)诊断永磁同步电机故障并确定故障类型;
通过诊断永磁同步电机故障得到实验数据,将实验数据输入自适应神经模糊推理系统,从而得到诊断结果,并根据诊断结果确定故障类型完成故障分类。
本发明进一步设置为:所述步骤1)的对故障进行分类并通过采集各种故障数据建立训练样本集,具体为,
1-1)基于Ansoft软件仿真,构造电动汽车永磁同步电机各种故障类型,仿真出电动汽车永磁同步电机各种故障类型的故障数据,建立包括各种电动汽车永磁同步电机故障类型的多个训练样本集;
其中,故障类型包括永磁同步电机正常、永磁同步电机转子永磁体失磁故障、永磁同步电机定子不对称故障、永磁同步电机转子永磁体失磁和定子不对称混合故障,故障数据包括绕组电流;
1-2)对训练样本集中的故障数据进行归一化处理,得到归一化数据,对归一化数据的训练数据样本空间使用减法聚类算法来进行非线性规划,规划后数据作为自适应神经模糊推理系统的输入训练系统。
本发明进一步设置为:所述归一化处理的处理方程表达式为式(1),
式(1)中,Imax、Imin分别为绕组电流的最大值和最小值,I*为归一化数据、均在[0.05,0.95]范围内。
本发明进一步设置为:所述步骤2)的构造一个自适应神经模糊推理系统,具体为,
2-1)建立具有图形化界面工具anfisedit的自适应神经模糊推理系统,使用该图形界面工具anfisedit,并在图形界面上对数据进行训练和检测;
2-2)自适应神经模糊推理系统输入的训练样本集包括每种故障类型的5组数据,检测样本集包括每种故障类型的3组数据,并对每种故障类型赋予故障类型输出值;
其中,故障类型输出值包括永磁同步电机正常赋输出值1、永磁同步电机永磁体失磁故障赋输出值2、永磁同步电机定子不对称故障赋输出值3、永磁同步电机失磁和定子不对称混合故障赋输出值4;
2-3)选择每组输入3个隶属度函数,隶属度函数的类型选用高斯型隶属度函数gaussmf或钟型函数,采用网格分割方式生成;
2-4)设置系统训练目标误差为1×e-4,采用混合学习算法对隶属度函数进行训练,获得隶属度函数参数。
本发明进一步设置为:所述步骤2-1)的建立具有图形化界面工具anfisedit的自适应神经模糊推理系统,其建模过程分5层进行;
第1层:
用O1,i表示第1层的第i个节点的输出,第1层每个节点i是以节点函数式(2)表示的方形节点;
O1,i=uAi(x1),i=1,2 O1,i=uB(i-2)(x2),i=3,4 (2)
式(2)中,x1、x2为节点i的输入,Ai、Bi-2是与该节点函数值相关的语言变量,O1,i是模糊集A的隶属度函数,其中A=A1,A2,B1,B2;
第2层:
第2层的节点用符号Π表示,将输入信号相乘,用Q2,i表示乘积输出,即为式(3),
Q2,i=wi=uAi(x1)uBi(x2),i=1,2 (3)
第3层:
第3层的节点用符号Ν表示,将第i个节点的第i条规则的wi与全部规则w值之和进行比值,用Q3,i表示比值输出,即为式(4),
第4层:
第4层的每个节点i为自适应节点,用Q4,i表示乘积输出,即为式(5),
式(5)中,pi、qi和ri均为结论参数;
第5层:
计算所有规则的最终输出,用Q5,i表示所有输入信号的总输出,即为式(6),
式(6)中,fi为第i条规则对应的最终输出。
本发明进一步设置为:所述步骤3)的诊断永磁同步电机故障并确定故障类型,具体为,
通过诊断永磁同步电机故障得到实验数据,将实验数据中的各种电动汽车永磁同步电机故障类型的绕组电流作为自适应神经模糊推理系统的输入,通过对实验数据的诊断输出和每一种故障赋予的输出相对比,从而得到诊断结果,并在满足训练目标误差的条件下根据诊断结果判断故障分类结果。
与现有技术相比,本发明具有的有益效果是:
1、不需要改变永磁同步电机的运行方式和结构,不影响系统运行,诊断结果可靠性强、非常接近真实值;在永磁同步电机运行状态下,根据基于自适应神经模糊推理系统这一诊断方法进行永磁同步电机的故障诊断以及故障类型判断,可操作性强、高效而经济。
2、克服了以往的诊断方法在永磁同步电机发生故障时不能确定故障类型的缺点,该故障分类方法在永磁同步电机发生故障时能够准确诊断出故障并确定故障类型。
上述内容仅是本发明技术方案的概述,为了更清楚的了解本发明的技术手段,下面结合附图对本发明作进一步的描述。
附图说明
图1是本发明涉及的ANFIS结构示意图;
图2是本发明涉及的自适应神经模糊推理系统的训练过程示意图;
图3是本发明涉及的自适应神经模糊推理系统进行故障分类的流程图。
具体实施方式
下面结合说明书附图,对本发明作进一步的说明。
本发明提供一种基于ANFIS的电动汽车永磁同步电机故障分类方法,包括以下步骤:
1)对故障进行分类并通过采集各种故障数据建立训练样本集;
1-1)基于Ansoft软件仿真,构造电动汽车永磁同步电机各种故障类型,仿真出电动汽车永磁同步电机各种故障类型的故障数据,建立包括各种电动汽车永磁同步电机故障类型的多个训练样本集;
其中,故障类型包括永磁同步电机正常、永磁同步电机转子永磁体失磁故障、永磁同步电机定子不对称故障、永磁同步电机转子永磁体失磁和定子不对称混合故障,故障数据包括绕组电流;当然,可以考虑的故障类型还有更多,本实施例考虑了4种故障类型;
1-2)对训练样本集中的故障数据进行归一化处理,得到归一化数据,对归一化数据的训练数据样本空间使用减法聚类算法来进行非线性规划,规划后数据作为自适应神经模糊推理系统的输入训练系统。
其中,归一化处理的处理方程表达式为式(1),
式(1)中,Imax、Imin分别为绕组电流的最大值和最小值,I*为归一化数据、均在[0.05,0.95]范围内。
2)构造一个自适应神经模糊推理系统;
建立自适应神经模糊推理系统,以电动汽车永磁同步电机各种故障类型的故障数据中的绕组电流作为输入,并赋予每种故障类型一个输出,选择输入输出的隶属度函数,设置系统训练目标误差,使用混合学习算法训练隶属度函数参数,从而确定自适应神经模糊推理系统中的输入隶属度函数参数和输出隶属度函数参数,如图2所示。
2-1)建立具有图形化界面工具anfisedit的自适应神经模糊推理系统,使用该图形界面工具anfisedit,并在图形界面上对数据进行训练和检测;
如图1所示,自适应神经模糊推理系统的建模过程分5层进行;
第1层:
用O1,i表示第1层的第i个节点的输出,第1层每个节点i是以节点函数式(2)表示的方形节点;
O1,i=uAi(x1),i=1,2 O1,i=uB(i-2)(x2),i=3,4 (2)
式(2)中,x1、x2为节点i的输入,Ai、Bi-2是与该节点函数值相关的语言变量,O1,i是模糊集A(A=A1,A2,B1,B2)的隶属度函数;
第2层:
第2层的节点用符号Π表示,将输入信号相乘,用Q2,i表示乘积输出,即为式(3),
Q2,i=wi=uAi(x1)uBi(x2),i=1,2 (3)
第3层:
第3层的节点用符号Ν表示,将第i个节点的第i条规则的wi与全部规则w值之和进行比值,用Q3,i表示比值输出,即为式(4),
第4层:
第4层的每个节点i为自适应节点,用Q4,i表示乘积输出,即为式(5),
式(5)中,pi、qi和ri均为结论参数;
第5层:
计算所有规则的最终输出,用Q5,i表示所有输入信号的总输出,即为式(6),
式(6)中,fi为第i条规则对应的最终输出。
2-2)自适应神经模糊推理系统输入的训练样本集包括每种故障类型的5组数据,检测样本集包括每种故障类型的3组数据,并对每种故障类型赋予故障类型输出值;
其中,故障类型输出值包括永磁同步电机正常赋输出值1、永磁同步电机永磁体失磁故障赋输出值2、永磁同步电机定子不对称故障赋输出值3、永磁同步电机失磁和定子不对称混合故障赋输出值4。
2-3)选择每组输入3个隶属度函数,隶属度函数的类型选用高斯型隶属度函数gaussmf或钟型函数,采用网格分割方式生成。
2-4)设置系统训练目标误差为1×e-4,采用混合学习算法对隶属度函数进行训练,获得隶属度函数参数。
3)诊断永磁同步电机故障并确定故障类型;
如图3所示,通过诊断永磁同步电机故障得到实验数据,将实验数据中的各种电动汽车永磁同步电机故障类型的绕组电流作为自适应神经模糊推理系统的输入,通过对实验数据的诊断输出和每一种故障赋予的输出相对比,从而得到诊断结果,并在满足训练目标误差的条件下根据诊断结果判断故障分类结果。
本发明的创新点在于,实现可操作性强、高效而经济、高精确度的诊断,使得诊断结果非常接近真实值,从而保证驱动电机的运行可靠性,确保电动汽车的运行安全性。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于ANFIS的电动汽车永磁同步电机故障分类方法,其特征在于,包括以下步骤:
1)对故障进行分类并通过采集各种故障数据建立训练样本集;
基于仿真软件,构造电动汽车永磁同步电机各种故障类型,仿真出电动汽车永磁同步电机各种故障类型的故障数据,建立包括各种电动汽车永磁同步电机故障类型的多个训练样本的训练样本集;其中,故障数据包括绕组电流;
2)构造一个自适应神经模糊推理系统;
建立自适应神经模糊推理系统,以电动汽车永磁同步电机各种故障类型的故障数据中的绕组电流作为输入,并赋予每种故障类型一个输出,选择输入输出的隶属度函数,设置系统训练目标误差,使用混合学习算法训练隶属度函数参数,从而确定自适应神经模糊推理系统中的输入隶属度函数参数和输出隶属度函数参数;
3)诊断永磁同步电机故障并确定故障类型;
通过诊断永磁同步电机故障得到实验数据,将实验数据输入自适应神经模糊推理系统,从而得到诊断结果,并根据诊断结果确定故障类型完成故障分类。
2.根据权利要求1所述的基于ANFIS的电动汽车永磁同步电机故障分类方法,其特征在于:所述步骤1)的对故障进行分类并通过采集各种故障数据建立训练样本集,具体为,
1-1)基于Ansoft软件仿真,构造电动汽车永磁同步电机各种故障类型,仿真出电动汽车永磁同步电机各种故障类型的故障数据,建立包括各种电动汽车永磁同步电机故障类型的多个训练样本集;
其中,故障类型包括永磁同步电机正常、永磁同步电机转子永磁体失磁故障、永磁同步电机定子不对称故障、永磁同步电机转子永磁体失磁和定子不对称混合故障,故障数据包括绕组电流;
1-2)对训练样本集中的故障数据进行归一化处理,得到归一化数据,对归一化数据的训练数据样本空间使用减法聚类算法来进行非线性规划,规划后数据作为自适应神经模糊推理系统的输入训练系统。
3.根据权利要求2所述的基于ANFIS的电动汽车永磁同步电机故障分类方法,其特征在于:所述归一化处理的处理方程表达式为式(1),
式(1)中,Imax、Imin分别为绕组电流的最大值和最小值,I*为归一化数据、均在[0.05,0.95]范围内。
4.根据权利要求2所述的基于ANFIS的电动汽车永磁同步电机故障分类方法,其特征在于:所述步骤2)的构造一个自适应神经模糊推理系统,具体为,
2-1)建立具有图形化界面工具anfisedit的自适应神经模糊推理系统,使用该图形化界面工具anfisedit,并在图形化界面上对数据进行训练和检测;
2-2)自适应神经模糊推理系统输入的训练样本集包括每种故障类型的5组数据,检测样本集包括每种故障类型的3组数据,并对每种故障类型赋予故障类型输出值;
其中,故障类型输出值包括永磁同步电机正常赋输出值1、永磁同步电机永磁体失磁故障赋输出值2、永磁同步电机定子不对称故障赋输出值3、永磁同步电机失磁和定子不对称混合故障赋输出值4;
2-3)选择每组输入3个隶属度函数,隶属度函数的类型选用高斯型隶属度函数gaussmf或钟型函数,采用网格分割方式生成;
2-4)设置系统训练目标误差为1×e-4,采用混合学习算法对隶属度函数进行训练,获得隶属度函数参数。
5.根据权利要求4所述的基于ANFIS的电动汽车永磁同步电机故障分类方法,其特征在于:所述步骤2-1)的建立具有图形化界面工具anfisedit的自适应神经模糊推理系统,其建模过程分5层进行;
第1层:
用O1,i表示第1层的第i个节点的输出,第1层每个节点i是以节点函数式(2)表示的方形节点;
O1,i=uAi(x1),i=1,2 O1,i=uB(i-2)(x2),i=3,4 (2)
式(2)中,x1、x2为节点i的输入,Ai、Bi-2是与该节点函数值相关的语言变量,O1,i是模糊集A的隶属度函数,其中A=A1,A2,B1,B2;
第2层:
第2层的节点用符号Π表示,将输入信号相乘,用Q2,i表示乘积输出,即为式(3),
Q2,i=wi=uAi(x1)uBi(x2),i=1,2 (3)
第3层:
第3层的节点用符号Ν表示,将第i个节点的第i条规则的wi与全部规则w值之和进行比值,用Q3,i表示比值输出,即为式(4),
第4层:
第4层的每个节点i为自适应节点,用Q4,i表示乘积输出,即为式(5),
式(5)中,pi、qi和ri均为结论参数;
第5层:
计算所有规则的最终输出,用Q5,i表示所有输入信号的总输出,即为式(6),
式(6)中,fi为第i条规则对应的最终输出。
6.根据权利要求1所述的基于ANFIS的电动汽车永磁同步电机故障分类方法,其特征在于:所述步骤3)的诊断永磁同步电机故障并确定故障类型,具体为,
通过诊断永磁同步电机故障得到实验数据,将实验数据中的各种电动汽车永磁同步电机故障类型的绕组电流作为自适应神经模糊推理系统的输入,通过对实验数据的诊断输出和每一种故障赋予的输出相对比,从而得到诊断结果,并在满足训练目标误差的条件下根据诊断结果判断故障分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610566672.8A CN106291354A (zh) | 2016-07-18 | 2016-07-18 | 基于anfis的电动汽车永磁同步电机故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610566672.8A CN106291354A (zh) | 2016-07-18 | 2016-07-18 | 基于anfis的电动汽车永磁同步电机故障分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106291354A true CN106291354A (zh) | 2017-01-04 |
Family
ID=57651644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610566672.8A Pending CN106291354A (zh) | 2016-07-18 | 2016-07-18 | 基于anfis的电动汽车永磁同步电机故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106291354A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597178A (zh) * | 2017-01-18 | 2017-04-26 | 重庆水利电力职业技术学院 | 一种继电保护测试装置lpa的anfis数字预畸方法 |
CN107091986A (zh) * | 2017-05-23 | 2017-08-25 | 河海大学 | Anfis风电双馈异步电机气隙偏心故障诊断分类方法 |
CN107544024A (zh) * | 2017-08-25 | 2018-01-05 | 河海大学 | 一种发电机电刷滑环烧伤故障程度诊断方法 |
CN109946605A (zh) * | 2019-04-02 | 2019-06-28 | 中交机电工程局有限公司 | 电动机起动过程中的动态特性的在线监测系统 |
CN110188837A (zh) * | 2019-06-25 | 2019-08-30 | 长春工业大学 | 一种基于模糊神经的mvb网络故障诊断方法 |
CN110441725A (zh) * | 2018-05-03 | 2019-11-12 | 国网安徽省电力有限公司电力科学研究院 | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 |
CN111007429A (zh) * | 2019-11-26 | 2020-04-14 | 国网江苏省电力有限公司检修分公司 | 基于anfis的同步调相机短路故障识别方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
CN103323102A (zh) * | 2013-06-13 | 2013-09-25 | 华北电力大学 | 大型汽轮发电机组低频振动预测优化方法 |
CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
CN104933489A (zh) * | 2015-06-29 | 2015-09-23 | 东北电力大学 | 基于自适应神经模糊推理系统的风电功率实时高精度预测方法 |
-
2016
- 2016-07-18 CN CN201610566672.8A patent/CN106291354A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
CN103323102A (zh) * | 2013-06-13 | 2013-09-25 | 华北电力大学 | 大型汽轮发电机组低频振动预测优化方法 |
CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
CN104933489A (zh) * | 2015-06-29 | 2015-09-23 | 东北电力大学 | 基于自适应神经模糊推理系统的风电功率实时高精度预测方法 |
Non-Patent Citations (2)
Title |
---|
芦斌: "基于模糊神经网络的电动机故障诊断技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
陈庆协 等: "基于ANFIS的电动机故障诊断新技术", 《龙岩学院学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597178A (zh) * | 2017-01-18 | 2017-04-26 | 重庆水利电力职业技术学院 | 一种继电保护测试装置lpa的anfis数字预畸方法 |
CN107091986A (zh) * | 2017-05-23 | 2017-08-25 | 河海大学 | Anfis风电双馈异步电机气隙偏心故障诊断分类方法 |
CN107544024A (zh) * | 2017-08-25 | 2018-01-05 | 河海大学 | 一种发电机电刷滑环烧伤故障程度诊断方法 |
CN110441725A (zh) * | 2018-05-03 | 2019-11-12 | 国网安徽省电力有限公司电力科学研究院 | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 |
CN109946605A (zh) * | 2019-04-02 | 2019-06-28 | 中交机电工程局有限公司 | 电动机起动过程中的动态特性的在线监测系统 |
CN109946605B (zh) * | 2019-04-02 | 2021-02-02 | 中交机电工程局有限公司 | 电动机起动过程中的动态特性的在线监测系统 |
CN110188837A (zh) * | 2019-06-25 | 2019-08-30 | 长春工业大学 | 一种基于模糊神经的mvb网络故障诊断方法 |
CN111007429A (zh) * | 2019-11-26 | 2020-04-14 | 国网江苏省电力有限公司检修分公司 | 基于anfis的同步调相机短路故障识别方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106291354A (zh) | 基于anfis的电动汽车永磁同步电机故障分类方法 | |
Krasopoulos et al. | Multicriteria PM motor design based on ANFIS evaluation of EV driving cycle efficiency | |
CN102063109B (zh) | 一种基于神经网络的地铁列车故障诊断装置及其方法 | |
CN103398843B (zh) | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 | |
CN104459553B (zh) | 一种预测电动汽车电池效率和健康状况的方法和系统 | |
Xue et al. | Intelligent diagnosis of mechanical faults of in-wheel motor based on improved artificial hydrocarbon networks | |
CN106569487A (zh) | 一种基于观测器的伺服系统的故障检测方法 | |
CN109186971B (zh) | 基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法 | |
CN103678783A (zh) | 闭合绕组永磁无刷直流电机优化设计方法 | |
Masrur et al. | Model-based fault diagnosis in electric drive inverters using artificial neural network | |
Ahmadizadeh et al. | Energy management of a dual‐mode power‐split powertrain based on the Pontryagin's minimum principle | |
CN106483459A (zh) | 电动汽车永磁同步电机定子不对称故障诊断方法 | |
CN103661434A (zh) | 一种列车运行控制方法 | |
CN107329014A (zh) | 高压插接件故障检测方法及装置 | |
CN106004518A (zh) | 一种基于车联网的电动汽车能量管理预测控制方法 | |
Şimşir et al. | Real‐Time Monitoring and Fault Diagnosis of a Low Power Hub Motor Using Feedforward Neural Network | |
Wanner et al. | Fault classification method for the driving safety of electrified vehicles | |
CN104502754A (zh) | 一种纯电动车辆动力系统的故障诊断方法 | |
Pam et al. | Comparison of different models for energy management strategy design of a parallel hybrid electric vehicle: Impact of the rotating masses | |
Shen et al. | Numerical energy analysis of in-wheel motor driven autonomous electric vehicles | |
Shen | Diagnosis of the Powertrain Systems for Autonomous Electric Vehicles | |
Wu et al. | A deep reinforcement learning based car following model for electric vehicle | |
Guo et al. | Detection and diagnosis of long-term cyber-attacks for predictive energy management system in hevs | |
Kilic et al. | Early detection of PMSM faults at static and dynamic operating points by using artificial neural network for automated electric vehicle | |
Nell et al. | Design of a 48V electric all-wheel-drive system for a hybrid vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |