CN107356871B - 一种电动机监测方法及装置 - Google Patents

一种电动机监测方法及装置 Download PDF

Info

Publication number
CN107356871B
CN107356871B CN201710525691.0A CN201710525691A CN107356871B CN 107356871 B CN107356871 B CN 107356871B CN 201710525691 A CN201710525691 A CN 201710525691A CN 107356871 B CN107356871 B CN 107356871B
Authority
CN
China
Prior art keywords
data
motor
electric energy
speed data
neural network
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.)
Active
Application number
CN201710525691.0A
Other languages
English (en)
Other versions
CN107356871A (zh
Inventor
刘峰
刘杰
张春
张宁
李红辉
张�杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201710525691.0A priority Critical patent/CN107356871B/zh
Publication of CN107356871A publication Critical patent/CN107356871A/zh
Application granted granted Critical
Publication of CN107356871B publication Critical patent/CN107356871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0061—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electrical machines
    • 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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/14—Acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本公开是关于一种电动机监测方法及装置。该方法包括：监测电动车辆的速度数据与电动机输入或输出的电能数据；根据所述速度数据选择相应的预先训练的深度神经网络模型；根据所述深度神经网络模型分析所述速度数据与所述电能数据是否匹配；当所述速度数据与所述电能数据不匹配时，确定所述电动发送机的工作状态异常。该技术方案，对于电动机工作的不同状态(输出电能状态和输入电能状态)，采用不同深度神经网络模型对电动机的工作状态进行监测。这样，对电动机工作状态的监测更加准确，并且能够及时发现电动机的异常状态，提高电动车辆行驶效率及安全性。

Description

一种电动机监测方法及装置
技术领域
本公开涉及电动车辆技术领域，尤其涉及一种电动机监测方法及装置。
背景技术
目前，随着科技的发展及环境污染问题的日益严重，环保节能的电动车辆的发展愈加重要，并且已经开始逐渐普及。例如，我国的高速铁路列车就采用电力作为能源行驶，并且，电动汽车也在逐步取代燃油汽车，成为城市交通的主要交通工具之一。
因此，电动车辆的安全有效行驶作为重要问题，日益被大众所关注，而电动车辆的电动机的监测，更成为了重中之重。
发明内容
本公开实施例提供一种电动机监测方法及装置。所述技术方案如下：
根据本公开实施例的第一方面，提供一种电动机监测方法，包括：
监测电动车辆的速度数据与电动机输入或输出的电能数据；
根据所述速度数据选择相应的预先训练的深度神经网络模型；
根据所述深度神经网络模型分析所述速度数据与所述电能数据是否匹配；
当所述速度数据与所述电能数据不匹配时，确定所述电动机的工作状态异常。
可选的，所述速度数据包括所述电动车辆的行驶速度数据及加速度数据；所述深度神经网络模型包括所述行驶速度数据、加速度数据与所述电能数据的对应关系。
可选的，所述电能数据包括所述电动机输出的第一电能数据，所述深度神经网络模型包括第一模型，所述第一模型包括所述行驶速度数据、加速度数据与所述第一电能数据的对应关系；
监测电动车辆的速度数据与电动机输入或输出的电能数据，包括：
监测所述电动车辆的行驶速度数据和加速度数据，及所述电动机输出的第一电能数据；
根据所述速度数据选择相应的预先训练的深度神经网络模型，包括：
当根据所述行驶速度数据和加速度数据确定所述电动车辆匀速行驶或加速行驶时，获取所述第一模型；
根据所述深度神经网络模型分析所述速度数据与所述电能数据是否匹配，包括：
根据所述第一模型，分析所述行驶速度数据和加速度数据与所述第一电能数据是否匹配。
可选的，所述电能数据包括所述电动机输入的第二电能数据；所述深度神经网络模型包括第二模型，所述第二模型包括所述行驶速度数据、加速度数据与所述第二电能数据的对应关系；
监测电动车辆的速度数据与电动机输入或输出的电能数据，包括：
监测所述电动车辆的行驶速度数据和加速度数据，及所述电动机输入的第二电能数据；
根据所述速度数据选择相应的预先训练的深度神经网络模型，包括：
当根据所述行驶速度数据和加速度数据确定所述电动车辆减速行驶时，获取所述第二模型；
根据所述深度神经网络模型分析所述速度数据与所述电能数据是否匹配，包括：
根据所述第二模型，分析所述行驶速度数据和加速度数据与所述第二电能数据是否匹配。
可选的，当所述速度数据与所述电能数据不匹配时，确定所述电动机的工作状态异常，包括：
当根据所述深度神经网络模型确定所述速度数据正常而所述电能数据异常时，确定所述电动机异常；
当根据所述深度神经网络模型确定所述速度数据异常而所述电能数据正常时，确定所述电动机连接的传动系统异常。
根据本公开实施例的第二方面，提供一种电动机监测装置，包括：
监测模块，用于监测电动车辆的速度数据与电动机输入或输出的电能数据；
选择模块，用于根据所述速度数据选择相应的预先训练的深度神经网络模型；
分析模块，用于根据所述深度神经网络模型分析所述速度数据与所述电能数据是否匹配；
确定模块，用于当所述速度数据与所述电能数据不匹配时，确定所述电动机的工作状态异常。
可选的，所述速度数据包括所述电动车辆的行驶速度数据及加速度数据；所述深度神经网络模型包括所述行驶速度数据、加速度数据与所述电能数据的对应关系。
可选的，所述电能数据包括所述电动机输出的第一电能数据，所述深度神经网络模型包括第一模型，所述第一模型包括所述行驶速度数据、加速度数据与所述第一电能数据的对应关系；
所述监测模块，用于监测所述电动车辆的行驶速度数据和加速度数据，及所述电动机输出的第一电能数据；
所述选择模块，用于当根据所述行驶速度数据和加速度数据确定所述电动车辆匀速行驶或加速行驶时，获取所述第一模型；
所述分析模块，用于根据所述第一模型，分析所述行驶速度数据和加速度数据与所述第一电能数据是否匹配。
可选的，所述电能数据包括所述电动机输入的第二电能数据；所述深度神经网络模型包括第二模型，所述第二模型包括所述行驶速度数据、加速度数据与所述第二电能数据的对应关系；
所述监测模块，用于监测所述电动车辆的行驶速度数据和加速度数据，及所述电动机输入的第二电能数据；
所述选择模块，用于当根据所述行驶速度数据和加速度数据确定所述电动车辆减速行驶时，获取所述第二模型；
所述分析模块，用于根据所述第二模型，分析所述行驶速度数据和加速度数据与所述第二电能数据是否匹配。
可选的，所述确定模块，用于当根据所述深度神经网络模型确定所述速度数据正常而所述电能数据异常时，确定所述电动机异常；当根据所述深度神经网络模型确定所述速度数据异常而所述电能数据正常时，确定所述电动机连接的传动系统异常。
本公开的实施例提供的技术方案可以包括以下有益效果：
本实施例中，根据电动车辆的速度数据选择对应的深度神经网络模型，即对于电动机工作的不同状态(输出电能状态和输入电能状态)，采用不同深度神经网络模型对电动机的工作状态进行监测。这样，对电动机工作状态的监测更加准确，并且能够及时发现电动机的异常状态，提高电动车辆行驶效率及安全性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种电动机监测方法的流程图。
图2是根据另一示例性实施例示出的一种电动机监测方法的流程图。
图3是根据另一示例性实施例示出的一种电动机监测方法的流程图。
图4是根据一示例性实施例示出的一种电动机监测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开的电动机监测，可以在电动车辆中进行，或者，也可远程监测，即通过无线网络将电动车辆的速度数据及电动机输入或输出的电能数据发送到监控中心进行电动机的监测。
高铁列车、电动汽车等电动车辆的电动机的工作包括两个不同的阶段。在匀速行驶或加速行驶时，电动机输出电能转化为机械能，使得电动车辆可以一定速度行驶，输出电能增加，则车辆速度提高。当电动车辆减速行驶时，电动车辆的机械能转化为电能输入到电动机。
本公开的技术方案，使用两个模型，分别为电动车辆在匀速行驶或加速行驶时对应的第一模型和电动车辆减速行驶时对应的第二模型，根据这两个模型，分析电动机工作状态是否正常。在两个模型中，不仅包括电动机正常工作时电能数据对应的速度数据，也可包括电动机状态异常时电能数据对应的速度数据。
因此，对于每一辆电动车辆，预先采集大量的速度数据，以及其电动机的电能数据，通过深度神经网络算法学习和训练，得到两个模型。
图1是根据一示例性实施例示出的一种电动机监测方法的流程图，如图1所示，该方法可应用在电动车辆端，也可应用于远程监控中心，该方法包括以下步骤：
步骤S11，监测电动车辆的速度数据与电动机输入或输出的电能数据；
步骤S12，根据速度数据选择相应的预先训练的深度神经网络模型；
步骤S13，根据深度神经网络模型分析速度数据与电能数据是否匹配；
步骤S14，当速度数据与电能数据不匹配时，确定电动机的工作状态异常。
本实施例中，根据电动车辆的速度数据选择对应的深度神经网络模型，即对于电动机工作的不同状态(输出电能状态和输入电能状态)，采用不同深度神经网络模型对电动机的工作状态进行监测。这样，对电动机工作状态的监测更加准确，并且能够及时发现电动机的异常状态，提高电动车辆行驶效率及安全性。
其中，速度数据包括电动车辆的行驶速度数据及加速度数据；深度神经网络模型包括行驶速度数据、加速度数据与电能数据的对应关系。
图2是根据另一示例性实施例示出的一种电动机监测方法的流程图，如图2所示，在一个实施例中，电能数据包括电动机输出的第一电能数据，深度神经网络模型包括第一模型，第一模型包括行驶速度数据、加速度数据与第一电能数据的对应关系，即第一模型为电动车辆匀速或加速行驶，电动机输出电能时对应的深度神经网络模型。
步骤S21，监测电动车辆的行驶速度数据和加速度数据，及电动机输出的第一电能数据；
步骤S22，当根据行驶速度数据和加速度数据确定电动车辆匀速行驶或加速行驶时，获取第一模型；
步骤S23，根据第一模型，分析行驶速度数据和加速度数据与第一电能数据是否匹配。
本实施例中，根据行驶速度数据和加速度数据确定电动车辆匀速行驶或加速行驶时，即电动机处于输出电能的工作状态，选择对应的第一模型进行数据匹配，判断电动机工作状态是否异常。这样，对电动机工作状态的监测更加准确，并且能够及时发现电动机的异常状态，提高电动车辆行驶效率及安全性。
图3是根据另一示例性实施例示出的一种电动机监测方法的流程图，如图3所示，在一个实施例中，电能数据包括电动机输入的第二电能数据；深度神经网络模型包括第二模型，第二模型包括行驶速度数据、加速度数据与第二电能数据的对应关系，即第二模型为电动车辆减速行驶，电动机输入电能时对应的深度神经网络模型。
步骤S31，监测电动车辆的行驶速度数据和加速度数据，及电动机输入的第二电能数据；
步骤S32，当根据行驶速度数据和加速度数据确定电动车辆减速行驶时，获取第二模型；
步骤S33，根据第二模型，分析行驶速度数据和加速度数据与第二电能数据是否匹配。
本实施例中，根据行驶速度数据和加速度数据确定电动车辆减速行驶时，即电动机处于输入电能的工作状态，选择对应的第二模型进行数据匹配，判断电动机工作状态是否异常。这样，对电动机工作状态的监测更加准确，并且能够及时发现电动机的异常状态，提高电动车辆行驶效率及安全性。
上述步骤S14包括：当根据深度神经网络模型确定速度数据正常而电能数据异常时，确定电动机异常；当根据深度神经网络模型确定速度数据异常而电能数据正常时，确定电动机连接的传动系统异常。
例如，当电动车辆匀速行驶或加速行驶时，根据第一模型确定当前速度对应的电能数据异常，如实际电能数据大于第一模型中的预期电能数据时，即达到同样的速度，该电动机耗费了更多的电能，则有可能该电动机异常。
又例如，当电动车辆匀速行驶或加速行驶时，根据第一模型确定当前电能数据对应的速度数据异常，如电动机耗费了一定电能，确没有达到第一模型中该电能对应的预期速度，则有可能与该电动机连接的传动系统异常。
又例如，当电动车辆减速行驶，即制动状态时，根据第二模型确定当前速度变化对应的电能数据异常，如相同的速度变化电动机实际获得的电能少于第二模型中预期获得的电能时，则有可能该电动机异常。
本实施例中，通过不同深度神经网络模型对电动机的工作状态进行监测，使得对电动机工作状态的监测更加准确，并且能够及时发现电动机的异常状态，提高电动车辆行驶效率及安全性。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图4是根据一示例性实施例示出的一种电动机监测装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，该电动机监测装置包括：
监测模块41，用于监测电动车辆的速度数据与电动机输入或输出的电能数据；
选择模块42，用于根据速度数据选择相应的预先训练的深度神经网络模型；
分析模块43，用于根据深度神经网络模型分析速度数据与电能数据是否匹配；
确定模块44，用于当速度数据与电能数据不匹配时，确定电动机的工作状态异常。
可选的，速度数据包括电动车辆的行驶速度数据及加速度数据；深度神经网络模型包括行驶速度数据、加速度数据与电能数据的对应关系。
可选的，电能数据包括电动机输出的第一电能数据，深度神经网络模型包括第一模型，第一模型包括行驶速度数据、加速度数据与第一电能数据的对应关系；
监测模块41，用于监测电动车辆的行驶速度数据和加速度数据，及电动机输出的第一电能数据；
选择模块42，用于当根据行驶速度数据和加速度数据确定电动车辆匀速行驶或加速行驶时，获取第一模型；
分析模块43，用于根据第一模型，分析行驶速度数据和加速度数据与第一电能数据是否匹配。
可选的，电能数据包括电动机输入的第二电能数据；深度神经网络模型包括第二模型，第二模型包括行驶速度数据、加速度数据与第二电能数据的对应关系；
监测模块41，用于监测电动车辆的行驶速度数据和加速度数据，及电动机输入的第二电能数据；
选择模块42，用于当根据行驶速度数据和加速度数据确定电动车辆减速行驶时，获取第二模型；
分析模块43，用于根据第二模型，分析行驶速度数据和加速度数据与第二电能数据是否匹配。
可选的，确定模块44，用于当根据深度神经网络模型确定速度数据正常而电能数据异常时，确定电动机异常；当根据深度神经网络模型确定速度数据异常而电能数据正常时，确定电动机连接的传动系统异常。
本实施例中，根据电动车辆的速度数据选择对应的深度神经网络模型，即对于电动机工作的不同状态(输出电能状态和输入电能状态)，采用不同深度神经网络模型对电动机的工作状态进行监测。这样，对电动机工作状态的监测更加准确，并且能够及时发现电动机的异常状态，提高电动车辆行驶效率及安全性。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种电动机监测方法，其特征在于，包括：
监测电动车辆的速度数据与电动机输入或输出的电能数据；
根据所述速度数据选择相应的预先训练的深度神经网络模型；所述深度神经网络模型包括速度数据与电能数据的对应关系；
根据所述深度神经网络模型分析所述速度数据与所述电能数据是否匹配；
当所述速度数据与所述电能数据不匹配时，确定所述电动机的工作状态异常。
2.根据权利要求1所述的方法，其特征在于，所述速度数据包括所述电动车辆的行驶速度数据及加速度数据；所述深度神经网络模型包括所述行驶速度数据、加速度数据与所述电能数据的对应关系。
3.根据权利要求2所述的方法，其特征在于，所述电能数据包括所述电动机输出的第一电能数据，所述深度神经网络模型包括第一模型，所述第一模型包括所述行驶速度数据、加速度数据与所述第一电能数据的对应关系；
监测电动车辆的速度数据与电动机输入或输出的电能数据，包括：
监测所述电动车辆的行驶速度数据和加速度数据，及所述电动机输出的第一电能数据；
根据所述速度数据选择相应的预先训练的深度神经网络模型，包括：
当根据所述行驶速度数据和加速度数据确定所述电动车辆匀速行驶或加速行驶时，获取所述第一模型；
根据所述深度神经网络模型分析所述速度数据与所述电能数据是否匹配，包括：
根据所述第一模型，分析所述行驶速度数据和加速度数据与所述第一电能数据是否匹配。
4.根据权利要求2或3所述的方法，其特征在于，所述电能数据包括所述电动机输入的第二电能数据；所述深度神经网络模型包括第二模型，所述第二模型包括所述行驶速度数据、加速度数据与所述第二电能数据的对应关系；
监测电动车辆的速度数据与电动机输入或输出的电能数据，包括：
监测所述电动车辆的行驶速度数据和加速度数据，及所述电动机输入的第二电能数据；
根据所述速度数据选择相应的预先训练的深度神经网络模型，包括：
当根据所述行驶速度数据和加速度数据确定所述电动车辆减速行驶时，获取所述第二模型；
根据所述深度神经网络模型分析所述速度数据与所述电能数据是否匹配，包括：
根据所述第二模型，分析所述行驶速度数据和加速度数据与所述第二电能数据是否匹配。
5.根据权利要求1所述的方法，其特征在于，当所述速度数据与所述电能数据不匹配时，确定所述电动机的工作状态异常，包括：
当根据所述深度神经网络模型确定所述速度数据正常而所述电能数据异常时，确定所述电动机异常；
当根据所述深度神经网络模型确定所述速度数据异常而所述电能数据正常时，确定所述电动机连接的传动系统异常。
6.一种电动机监测装置，其特征在于，包括：
监测模块，用于监测电动车辆的速度数据与电动机输入或输出的电能数据；
选择模块，用于根据所述速度数据选择相应的预先训练的深度神经网络模型；所述深度神经网络模型包括速度数据与电能数据的对应关系；
分析模块，用于根据所述深度神经网络模型分析所述速度数据与所述电能数据是否匹配；
确定模块，用于当所述速度数据与所述电能数据不匹配时，确定所述电动机的工作状态异常。
7.根据权利要求6所述的装置，其特征在于，所述速度数据包括所述电动车辆的行驶速度数据及加速度数据；所述深度神经网络模型包括所述行驶速度数据、加速度数据与所述电能数据的对应关系。
8.根据权利要求7所述的装置，其特征在于，所述电能数据包括所述电动机输出的第一电能数据，所述深度神经网络模型包括第一模型，所述第一模型包括所述行驶速度数据、加速度数据与所述第一电能数据的对应关系；
所述监测模块，用于监测所述电动车辆的行驶速度数据和加速度数据，及所述电动机输出的第一电能数据；
所述选择模块，用于当根据所述行驶速度数据和加速度数据确定所述电动车辆匀速行驶或加速行驶时，获取所述第一模型；
所述分析模块，用于根据所述第一模型，分析所述行驶速度数据和加速度数据与所述第一电能数据是否匹配。
9.根据权利要求7或8所述的装置，其特征在于，所述电能数据包括所述电动机输入的第二电能数据；所述深度神经网络模型包括第二模型，所述第二模型包括所述行驶速度数据、加速度数据与所述第二电能数据的对应关系；
所述监测模块，用于监测所述电动车辆的行驶速度数据和加速度数据，及所述电动机输入的第二电能数据；
所述选择模块，用于当根据所述行驶速度数据和加速度数据确定所述电动车辆减速行驶时，获取所述第二模型；
所述分析模块，用于根据所述第二模型，分析所述行驶速度数据和加速度数据与所述第二电能数据是否匹配。
10.根据权利要求6所述的装置，其特征在于，所述确定模块，用于当根据所述深度神经网络模型确定所述速度数据正常而所述电能数据异常时，确定所述电动机异常；当根据所述深度神经网络模型确定所述速度数据异常而所述电能数据正常时，确定所述电动机连接的传动系统异常。
CN201710525691.0A 2017-06-30 2017-06-30 一种电动机监测方法及装置 Active CN107356871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710525691.0A CN107356871B (zh) 2017-06-30 2017-06-30 一种电动机监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710525691.0A CN107356871B (zh) 2017-06-30 2017-06-30 一种电动机监测方法及装置

Publications (2)

Publication Number Publication Date
CN107356871A CN107356871A (zh) 2017-11-17
CN107356871B true CN107356871B (zh) 2019-12-13

Family

ID=60272554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710525691.0A Active CN107356871B (zh) 2017-06-30 2017-06-30 一种电动机监测方法及装置

Country Status (1)

Country Link
CN (1) CN107356871B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190178754A1 (en) * 2017-12-08 2019-06-13 Jiaxing Broadsens Technology, Ltd. Method and system for monitoring structural status of railcar draft gear

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661084A (zh) * 2008-08-25 2010-03-03 通用汽车环球科技运作公司 在制造后和维修期间评估永磁电机的方法
CN102582637A (zh) * 2011-12-20 2012-07-18 北京交通大学 混合动力调车的运行工况智能识别评价系统
CN104777424A (zh) * 2014-01-10 2015-07-15 沃尔沃汽车公司 用于执行车辆中的交流发电机的诊断测试的方法、测试布置和车辆
KR101551099B1 (ko) * 2014-06-13 2015-09-08 현대자동차주식회사 모터 시스템의 고장 판정 방법
CN204789939U (zh) * 2015-06-04 2015-11-18 常州精瑞自动化装备技术有限公司 一种新能源汽车电机性能测试分析系统
CN106066454A (zh) * 2016-06-20 2016-11-02 成都雅骏新能源汽车科技股份有限公司 一种基于云计算的电动汽车永磁同步电机故障诊断系统及其故障诊断方法
EP3214422A1 (en) * 2014-10-31 2017-09-06 Kabushiki Kaisha Toshiba Electric-vehicle testing device and method

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8497698B2 (en) * 2010-08-11 2013-07-30 GM Global Technology Operations LLC Methods and systems for diagnosing faults for rotors of electric motors

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661084A (zh) * 2008-08-25 2010-03-03 通用汽车环球科技运作公司 在制造后和维修期间评估永磁电机的方法
CN102582637A (zh) * 2011-12-20 2012-07-18 北京交通大学 混合动力调车的运行工况智能识别评价系统
CN104777424A (zh) * 2014-01-10 2015-07-15 沃尔沃汽车公司 用于执行车辆中的交流发电机的诊断测试的方法、测试布置和车辆
KR101551099B1 (ko) * 2014-06-13 2015-09-08 현대자동차주식회사 모터 시스템의 고장 판정 방법
CN105301494A (zh) * 2014-06-13 2016-02-03 现代自动车株式会社 用于电动机系统的故障判定方法
EP3214422A1 (en) * 2014-10-31 2017-09-06 Kabushiki Kaisha Toshiba Electric-vehicle testing device and method
CN204789939U (zh) * 2015-06-04 2015-11-18 常州精瑞自动化装备技术有限公司 一种新能源汽车电机性能测试分析系统
CN106066454A (zh) * 2016-06-20 2016-11-02 成都雅骏新能源汽车科技股份有限公司 一种基于云计算的电动汽车永磁同步电机故障诊断系统及其故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Modeling of Permanent-magnet Linear Synchronous Motor Using Hybrid Nonlinear Autoregressive Neural Network;LV Gang et.al;《 IEEE Xplore》;20081231;第1685-1689页 *
基于BP神经网络的充放电机故障诊断;朱金大 等;《电网与清洁能源》;20151031;第31卷(第10期);第1-3页 *

Also Published As

Publication number Publication date
CN107356871A (zh) 2017-11-17

Similar Documents

Publication Publication Date Title
CN103287362B (zh) 一种车载语音控制系统、方法和电动汽车
US10632985B2 (en) Hybrid vehicle and method of predicting driving pattern in the same
CN101977806B (zh) 借助能匹配的理论模型监控汽车或列车制动功率的方法
CN107571864A (zh) 无人驾驶车辆的数据采集方法和装置
CN104908688A (zh) 车辆主动降噪的方法及装置
CN106671995A (zh) 一种重载列车驾驶曲线建立方法及装置
CN110154762A (zh) 一种下电控制方法、装置、存储介质和设备
CN107665520A (zh) 一种基于车辆行驶数据的行车监控方法及装置
CN106904166A (zh) 用于操作机动车辆的方法
CN108128309A (zh) 一种车辆工况实时预测的方法
KR102261290B1 (ko) 친환경 자동차의 회생제동 제어 서버와 이를 이용한 제어 방법
CN107356871B (zh) 一种电动机监测方法及装置
CN104149688A (zh) 车速提醒装置及其方法
CN110525417B (zh) 车辆控制方法、系统及车辆
CN105225507A (zh) 一种车辆监控方法及装置
JP2017128979A (ja) 路面状態評価装置、制御方法、プログラム及び記憶媒体
CN107219774A (zh) 一种基于现场捕获的ato列车参数确定方法
EP4151502B1 (en) Train control method, system, computer device and storage medium
KR20200141239A (ko) 차량 고장 진단 서비스 제공 시스템 및 방법
CN115848146A (zh) 驱动电机可靠性远程诊断和预测系统、方法及汽车
CN105992101A (zh) 用于在低噪音车辆中输出保护音的装置和方法
CN109141918A (zh) 一种检测车辆窗户的设备及方法
JP2019043497A (ja) 運転情報システム
CN204415387U (zh) 一种动车组转向架失稳检测装置
CN203391770U (zh) 一种北斗卫星导航定位的车辆限速系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant