CN108021723B - 油泵电机温度估算方法及装置 - Google Patents
油泵电机温度估算方法及装置 Download PDFInfo
- Publication number
- CN108021723B CN108021723B CN201610949965.4A CN201610949965A CN108021723B CN 108021723 B CN108021723 B CN 108021723B CN 201610949965 A CN201610949965 A CN 201610949965A CN 108021723 B CN108021723 B CN 108021723B
- Authority
- CN
- China
- Prior art keywords
- temperature
- oil pump
- pump motor
- fuzzy
- subset
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
一种油泵电机温度估算方法及装置,所述方法包括:获取输入参数,所述输入参数包括:油泵电机的油温、油泵电机逆变器的温度、油泵电机逆变器的温度变化量,所述油泵电机逆变器的温度变化量为当前次获取的油泵电机逆变器的温度与上一次获取的油泵电机逆变器的温度之间的差值;选取各输入参数分别对应的隶属度函数;采用预设的模糊推理模型,根据所述各输入参数对应的隶属度函数,计算所述油泵电机温度,并将计算结果输出。采用上述方案,可以降低油泵电机温度的估算难度。
Description
技术领域
本发明涉及汽车传动系统技术领域,尤其涉及一种油泵电机温度估算方法及装置。
背景技术
双离合变速器(Dual Clutch Transmission,DCT)的油泵电机的软件包括控制、诊断、热保护三个模块。热保护模块用于实时监测油泵电机温度,并根据油泵电机热保护需求实施热保护。其中,温度监测是油泵电机热保护的基础。
目前,通常采用热路法对油泵电机关键点温度进行实时估算,以对油泵电机的温度进行实时检测。热路法通常包括如下步骤:首先,建立油泵电机关键点的热路模型,热路模型中包括热源、热阻、热容。然后,根据油泵电机结构、尺寸、材料等热相关参数计算热路中热源、热阻、热容等参数,进而求解热路模型,从而实现油泵电机温度的估算。
但是,采用热路法估算油泵电机温度,估算出的油泵电机温度的准确程度有赖于油泵电机热相关参数,当油泵电机热相关参数不足,导致油泵电机温度的估算难度较大。
发明内容
本发明解决的技术问题是如何降低油泵电机温度的估算难度。
为解决上述技术问题,本发明实施例提供一种油泵电机温度估算方法,包括:获取输入参数,所述输入参数包括:油泵电机的油温、油泵电机逆变器的温度、油泵电机逆变器的温度变化量,所述油泵电机逆变器的温度变化量为当前次获取的油泵电机逆变器的温度与上一次获取的油泵电机逆变器的温度之间的差值;选取各输入参数分别对应的隶属度函数;采用预设的模糊推理模型,根据所述各输入参数对应的隶属度函数,计算所述油泵电机温度,并将计算结果输出。
可选地,所述选取各输入参数分别对应的隶属度函数,包括:将所述油泵电机的油温分割成m个模糊子集,并选取与所述m个模糊子集一一对应的隶属度函数;将所述油泵电机逆变器的温度分割成p个模糊子集,并选取与所述p个模糊子集一一对应的隶属度函数;将所述油泵电机逆变器的温度变化量分割成q个模糊子集,并选取与所述q个模糊子集一一对应的隶属度函数;其中,m、p、q均为正整数。
可选地,m=3,所述油泵电机的油温的3个模糊子集依次为:第一温度模糊子集、第二温度模糊子集、第三温度模糊子集,且所述第一温度模糊子集对应的温度值、第二温度模糊子集对应的温度值和所述第三温度模糊子集对应的温度值依次增加;p=3,所述油泵电机逆变器的温度的3个模糊子集依次为:第四温度模糊子集、第五温度模糊子集、第六温度模糊子集,且所述第四温度模糊子集对应的温度值、所述第五温度模糊子集对应的温度值、所述第六温度模糊子集对应的温度值依次增加;q=3,所述油泵电机逆变器的温度变化量的3个模糊子集依次为:第一温度变化量模糊子集、第二温度变化量模糊子集、第三温度变化量模糊子集,且所述第一温度变化量模糊子集对应的温度变化量、所述第二温度变化量模糊子集对应的温度变化量、所述第三温度变化量模糊子集对应的温度变化量值依次增加。
可选地,所述预设的模糊推理模型为:Takagi-Sugeno模糊推理模型或Mamdani模糊推理模型。
可选地,所述采用预设的模糊推理模型,根据所述各输入参数对应的隶属度函数,计算所述油泵电机温度,包括:采用所述Takagi-Sugeno模糊推理模型,根据所述各输入参数对应的模糊子集的隶属度函数,分别计算所述各输入参数对应的模糊子集的隶属度;计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度以及所述油泵电机温度的权重;根据所述Takagi-Sugeno模糊推理模型中n条模糊推理规则对应的油泵电机温度,以及对应的油泵电机温度的权重,计算得出所述油泵电机温度,N为所述Takagi-Sugeno模糊推理模型中的模糊推理规则的总数,1≤i≤N,1≤n≤N,N=m×p×q。
可选地,所述根据所述各输入参数对应的模糊子集的隶属度函数,分别计算所述各输入参数对应的模糊子集的隶属度,包括:根据所述油泵电机的油温对应的模糊子集的隶属度函数:计算所述油泵电机的油温对应的模糊子集的隶属度;根据所述油泵电机逆变器的温度对应的模糊子集的隶属度函数:计算所述油泵电机逆变器的温度对应的模糊子集的隶属度;根据所述油泵电机逆变器的温度变化量对应的模糊子集的隶属度函数:计算所述油泵电机逆变器的温度变化量对应的模糊子集的隶属度;其中:x1为油泵电机的油温;为油泵电机的油温对应第j个模糊子集的隶属度;为油泵电机的油温对应的第j个模糊子集的隶属度函数的期望;为油泵电机的油温对应的第j个模糊子集的隶属度函数的标准差;1≤j≤m;x2为油泵电机逆变器的温度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度函数的期望;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度函数的标准差;1≤y≤p;x3为油泵电机逆变器的温度变化量;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度函数的期望;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度函数的标准差;1≤z≤q。
可选地,所述计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度以及所述油泵电机温度的权重,包括:采用下述公式,计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度:MtrTempi=βi×x1+γi×x2+εi×x3+θi;其中:MtrTempi为所述第i条模糊推理规则对应的所述油泵电机温度;x1为油泵电机的油温;x2为油泵电机逆变器的温度;x3为油泵电机逆变器的温度变化量;βi为第i条模糊推理规则中,油泵电机的油温对应的系数;γi为第i条模糊推理规则中,油泵电机逆变器的温度对应的系数;εi为第i条模糊推理规则中,油泵电机逆变器的温度变化量对应的系数;θi为第i条模糊推理规则中的常数,1≤i≤N。
可选地,所述计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度以及所述油泵电机温度的权重,包括:采用下述公式,计算所述第i条模糊推理规则对应的所述油泵电机温度的权重:其中:wi为所述第i条模糊推理规则对应的所述油泵电机温度的权重;为油泵电机的油温对应的第j个模糊子集的隶属度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度;为取中的最小值;1≤j≤m,1≤y≤p,1≤z≤q。
可选地,所述计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度以及所述油泵电机温度的权重,包括:采用下述公式,计算所述第i条模糊推理规则对应的所述油泵电机温度的权重:其中:wi为所述第i条模糊推理规则对应的所述油泵电机温度的权重;为油泵电机的油温对应的第j个模糊子集的隶属度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度;1≤j≤m,1≤y≤p,1≤z≤q。
可选地,所述根据所述Takagi-Sugeno模糊推理模型中n条模糊推理规则对应的油泵电机温度,以及对应的油泵电机温度的权重,计算得出所述油泵电机温度,包括:采用下述公式,计算所述油泵电机温度:其中:MtrTemp为所述油泵电机温度;1≤n≤N,N为所述Takagi-Sugeno模糊推理模型中的模糊推理规则的总数目;wi为第i条模糊推理规则对应的所述油泵电机温度的权重;MtrTempi为第i条模糊推理规则对应的油泵电机温度。
本发明实施例还提供了一种油泵电机温度估算装置,包括:参数获取单元,适于获取输入参数,所述输入参数包括:油泵电机的油温、油泵电机逆变器的温度、油泵电机逆变器的温度变化量,所述油泵电机逆变器的温度变化量为当前次获取的油泵电机逆变器的温度与上一次获取的油泵电机逆变器的温度之间的差值;选取单元,适于选取各输入参数分别对应的隶属度函数;计算单元,适于采用预设的模糊推理模型,根据所述各输入参数对应的隶属度函数,计算所述油泵电机温度;输出单元,适于将计算得到的所述油泵电机温度输出。
可选地,所述选取单元,适于将所述油泵电机的油温分割成m个模糊子集,并选取与所述m个模糊子集一一对应的隶属度函数;将所述油泵电机逆变器的温度分割成p个模糊子集,并选取与所述p个模糊子集一一对应的隶属度函数;将所述油泵电机逆变器的温度变化量分割成q个模糊子集,并选取与所述q个模糊子集一一对应的隶属度函数;其中,m、p、q均为正整数。
可选地,m=3,所述油泵电机的油温的3个模糊子集依次为:第一温度模糊子集、第二温度模糊子集、第三温度模糊子集,且所述第一温度模糊子集对应的温度值、所述第二温度模糊子集对应的温度值、所述第三温度模糊子集对应的温度值依次增加;p=3,所述油泵电机逆变器的温度的3个模糊子集依次为:第四温度模糊子集、第五温度模糊子集、第六温度模糊子集,且所述第四温度模糊子集对应的温度值、所述第五温度模糊子集对应的温度值、所述第六温度模糊子集对应的温度值依次增加;q=3,所述油泵电机逆变器的温度变化量的3个模糊子集依次为:第一温度变化量模糊子集、第二温度变化量模糊子集、第三温度变化量模糊子集,且所述第一温度变化量模糊子集对应的温度变化量、所述第二温度变化量模糊子集对应的温度变化量、所述第三温度变化量模糊子集对应的温度变化量值依次增加。
可选地,所述预设的模糊推理模型为:Takagi-Sugeno模糊推理模型或Mamdani模糊推理模型。
可选地,所述计算单元,适于采用所述Takagi-Sugeno模糊推理模型,根据所述各输入参数对应的模糊子集的隶属度函数,分别计算所述各输入参数对应的模糊子集的隶属度;计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度以及所述油泵电机温度的权重;根据所述Takagi-Sugeno模糊推理模型中n条模糊推理规则对应的油泵电机温度,以及对应的油泵电机温度的权重,计算得出所述油泵电机温度,N为所述Takagi-Sugeno模糊推理模型中的模糊推理规则的总数,1≤i≤N,N=m×p×q。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
由于油泵电机在工作过程中通过油泵电机油液进行散热,因此油泵电机油液的温度也即油泵电机的油温可以作为推理油泵电机温度的基准。此外,油泵电机逆变器的启停与油泵电机的启停在时间上具有一致性,油泵电机和油泵电机逆变器的热源都是与控制过程有关的功率损耗,因此油泵电机逆变器的温度及油泵电机逆变器的温度变化量可以作为油泵电机温度估算的参数。在具体实施中,油泵电机的油温、油泵电机逆变器的温度、油泵电机逆变器的温度变化量这三个参数均较容易获得,因此,通过选取油泵电机的油温、油泵电机逆变器的温度及油泵电机逆变器的温度变化量作为输入参数,通过预设的模糊推理模型,估算出油泵电机温度,可以降低油泵电机温度的估算难度。
附图说明
图1是本发明实施例中的一种油泵电机温度估算方法的流程图;
图2是图1中步骤S13的具体运算过程图;
图3是本发明实施例中的油泵电机的油温的隶属度值分布曲线;
图4是本发明实施例中的油泵电机逆变器的温度的隶属度值分布曲线;
图5是本发明实施例中的油泵电机逆变器的温度变化量的隶属度值分布曲线;
图6是本发明实施例中的一种油泵电机温度估算装置的结构示意图。
具体实施方式
目前,通常采用热路法对油泵电机关键点温度进行实时估算,以对油泵电机的温度进行实时检测。热路法通常包括如下步骤:首先,建立油泵电机关键点的热路模型,热路模型中包括热源、热阻、热容;然后,根据油泵电机结构、尺寸、材料等热相关参数计算热路中热源、热阻、热容等参数,进而求解热路模型,从而实现油泵电机温度的估算。
然而,采用热路法估算油泵电机温度,估算出的油泵电机温度对油泵电机热相关参数依赖大,当油泵电机热相关参数不足的情况下开发难度较大。
在本发明实施例中,由于油泵电机在工作过程中通过油泵电机油液进行散热,因此,油泵电机油液的温度也即油泵电机的油温可以作为推理油泵电机温度的基准。此外,油泵电机逆变器的启停与油泵电机的启停在时间上具有一致性,油泵电机和油泵电机逆变器的热源都是与控制过程有关的功率损耗,因此油泵电机逆变器的温度及油泵电机逆变器的温度变化量可以作为油泵电机温度估算的参数。在具体实施中,油泵电机的油温、油泵电机逆变器的温度、油泵电机逆变器的温度变化量这三个参数均较容易获得,因此,通过选取油泵电机的油温、油泵电机逆变器的温度及油泵电机逆变器的温度变化量作为输入参数,通过预设的模糊推理模型,估算出油泵电机温度,可以降低油泵电机温度的估算难度。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
参照图1,给出了本发明实施例中的一种油泵电机温度估算方法,以下通过具体步骤进行详细说明。
步骤S11,获取输入参数。
在本发明实施例中,在对油泵电机温度进行估算时,选取的输入参数可以为:油泵电机的油温、油泵电机逆变器的温度、油泵电机逆变器的温度变化量。
在实际应用中,可以通过实际可测的DTC液压控制模块中的油温得到油泵电机的油温。可以通过DTC电控单元(Transmission Control Unit,TCU)得到油泵电机逆变器的温度。油泵电机逆变器的温度变化量可以根据当前次获取的油泵电机逆变器的温度与上一次获取的油泵电机逆变器的温度计算得出。
在本发明实施例中,可以采用下述公式(1),计算油泵电机逆变器的温度变化量:
InvrtrTempDlt(k)=InvrtrTemp(k)-InvrtrTemp(k-1); (1)
其中:InvrtrTempDlt(k)为第k次获取到的油泵电机逆变器的温度的变化量;InvrtrTemp(k)为第k次获取到的油泵电机逆变器的温度;InvrtrTemp(k-1)为第k-1次获取到的油泵电机逆变器的温度;k为大于1的自然数。
在具体实施中,可以实时获取输入参数,也可以是周期性的获取输入参数。当周期性的获取输入参数时,获取输入参数的周期可以根据实际应用场景进行设定,在此对周期的具体时长不作限定。
步骤S12,选取各输入参数分别对应的隶属度函数。
在具体实施中,可以将油泵电机的油温分割成m个模糊子集,并在得到m个模糊子集后,分别选取与所述m个模糊子集一一对应的隶属度函数;可以将油泵电机逆变器的温度分割成P个模糊子集,并在得到p个模糊子集后,分别选取与所述p个模糊子集一一对应的隶属度函数;可以将油泵电机逆变器的温度变化量分割成q个模糊子集,并在得到q个模糊子集后,分别选取与所述q个模糊子集一一对应的隶属度函数。相应地,预设的模糊推理模型中的模糊推理规则数目为N条,N=m×p×q,m、p、q均为正整数。
在本发明实施例中,m、p、q的取值均可以为3,此时,油泵电机的油温对应的模糊子集数目为3个,油泵电机逆变器的温度对应的模糊子集数目为3个,油泵电机逆变器的温度变化量对应的模糊子集数目为3个。相应地,预设的模糊推理模型中的模糊推理规则的数目为27条。
油泵电机的油温的模糊子集数目为3个,各模糊子集按照油泵电机的油温从底到高依次为:第一温度模糊子集、第二温度模糊子集、第三温度模糊子集。第一温度模糊子集对应的意义为低温,第二温度模糊子集对应的意义为中温,第三温度模糊子集对应的意义为高温。
油泵电机逆变器的温度的模糊子集数目为3个,各模糊子集按照油泵电机逆变器的温度从底到高依次为:第四温度模糊子集、第五温度模糊子集、第六温度模糊子集。第四温度模糊子集对应的意义为低温,第五温度模糊子集对应的意义为中温,第六温度模糊子集对应的意义为高温。
油泵电机逆变器的温度变化量的模糊子集数目为3个,各模糊子集按照油泵电机逆变器的温度变化量从底到高依次为:第一温度变化量模糊子集、第二温度变化量模糊子集、第三温度变化量模糊子集。
可以理解的是,油泵电机的油温对应的模糊子集数目m可以为其他值,油泵电机逆变器的温度对应的模糊子集数目p可以为其他值,油泵电机逆变器的温度变化量对应的模糊子集数目q可以为其他值。m、p、q的取值可以相等,也可以不等。具体m、p、q的取值可以根据需要或实际应用场景进行设定,此处不再赘述。
步骤S13,采用预设的模糊推理模型,根据所述各输入参数对应的隶属度函数,计算所述油泵电机温度,并将计算结果输出。
在具体实施中,预设的模糊推理模型可以为Takagi-Sugeno模糊推理模型,也可以为Mamdani模糊推理模型,还可以为其他的模糊推理模型。
在本发明实施例中,可以采用Takagi-Sugeno模糊推理模型,根据步骤S11中获取的输入参数以及步骤S12中选取的各输入参数对应的隶属度函数,计算油泵电机温度。
在具体实施中,计算得到油泵电机温度后,可以将计算结果输出至关联的显示装置。
由此可见,由于油泵电机在工作过程中通过油泵电机油液进行散热,因此,油泵电机油液的温度也即油泵电机的油温可以作为推理油泵电机温度的基准。此外,油泵电机逆变器的启停与油泵电机的启停在时间上具有一致性,油泵电机和油泵电机逆变器的热源都是与控制过程有关的功率损耗,因此油泵电机逆变器的温度及油泵电机逆变器的温度变化量可以作为油泵电机温度估算的参数。在具体实施中,油泵电机的油温、油泵电机逆变器的温度、油泵电机逆变器的温度变化量这三个参数均较容易获得,因此,通过选取油泵电机的油温、油泵电机逆变器的温度及油泵电机逆变器的温度变化量作为输入参数,通过预设的模糊推理模型,估算出油泵电机温度,可以降低油泵电机温度的估算难度。
下面结合图2,对步骤S13进行详细说明,步骤S13可以包括以下子步骤。
步骤S131,采用所述Takagi-Sugeno模糊推理模型,根据所述各输入参数对应的模糊子集的隶属度函数,分别计算所述各输入参数对应的模糊子集的隶属度。
在具体实施中,获取油泵电机的油温,并根据油泵电机的油温的隶属度函数,分别计算油泵电机的油温对应的第一温度模糊子集的隶属度、油泵电机的油温对应的第二温度模糊子集的隶属度、油泵电机的油温对应的第三模糊子集的隶属度。
例如,油泵电机的油温的隶属度函数为公式(2):
第一温度模糊子集对应的隶属度函数的期望为-30,标准差为30,油泵电机的油温对应的第一温度模糊子集的隶属度可以通过公式(3)计算得到:
第二温度模糊子集对应的隶属度函数的期望为41,标准差为30,油泵电机的油温对应的第二温度模糊子集的隶属度可以通过公式(4)计算得到:
第三温度模糊子集对应的隶属度函数的期望为113,标准差为30,油泵电机的油温对应的第三温度模糊子集的隶属度可以通过公式(5)计算得到:
其中:x1为油泵电机的油温;为油泵电机的油温对应的第j个模糊子集的隶属度;为油泵电机的油温对应的第一温度模糊子集的隶属度;油泵电机的油温对应的第二温度模糊子集的隶属度;油泵电机的油温对应的第三温度模糊子集的隶属度;为油泵电机的油温对应的第j个模糊子集的隶属度函数的期望;为油泵电机的油温对应的第j个模糊子集的隶属度函数的标准差;1≤j≤m。
参照图3,给出了油泵电机的油温的隶属度值分布曲线,横坐标为油泵电机的油温,纵坐标为油泵电机的油温对应的模糊子集的隶属度值,油泵电机的油温的单位为摄氏度。油泵电机的油温对应的第一温度模糊子集的隶属度值分布曲线31,油泵电机的油温对应的第二温度模糊子集的隶属度值分布曲线32,油泵电机的油温对应的第三温度模糊子集的隶属度值分布曲线33。
在具体实施中,获取油泵电机逆变器的温度,并根据油泵电机逆变器的温度的隶属度函数,分别计算油泵电机逆变器的温度隶属于第四温度模糊子集的隶属度、油泵电机逆变器的温度隶属于第五温度模糊子集的隶属度、油泵电机逆变器的温度隶属于第六温度模糊子集的隶属度。
例如,油泵电机逆变器的温度的隶属度函数为公式(6):
第四温度模糊子集对应的隶属度函数的期望为-31,标准差为36,油泵电机逆变器的温度对应的第四温度模糊子集的隶属度可以通过公式(7)计算得到:
第五温度模糊子集对应的隶属度函数的期望为52,标准差为36,油泵电机逆变器的温度对应的第五温度模糊子集的隶属度可以通过公式(8)计算得到:
第六温度模糊子集对应的隶属度函数的期望为136,标准差为36,油泵电机逆变器的温度对应的第六温度模糊子集的隶属度可以通过公式(9)计算得到:
其中:x2为油泵电机的温度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度;为油泵电机逆变器的温度对应的第四温度模糊子集的隶属度;为油泵电机逆变器的温度对应的第五温度模糊子集的隶属度;为油泵电机逆变器的温度对应的第六温度模糊子集的隶属度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度函数的期望;油泵电机逆变器的温度对应的第y个模糊子集的隶属度函数的标准差;1≤y≤p。
参照图4,给出了油泵电机逆变器的温度的隶属度值分布曲线,横坐标为油泵电机逆变器的温度,纵坐标为油泵电机逆变器的温度对应的模糊子集的隶属度值,油泵电机逆变器的温度的单位为摄氏度。油泵电机逆变器的温度对应的第四温度模糊子集的隶属度值分布曲线41,油泵电机逆变器的温度对应的第五温度模糊子集的隶属度值分布曲线42,油泵电机逆变器的温度对应的第六温度模糊子集的隶属度值分布曲线43。
在具体实施中,可以根据当前次获取到的油泵电机逆变器的温度以及上一次的油泵电机逆变器的温度,计算得到油泵电机逆变器的温度变化量。根据油泵电机逆变器的温度变化量的隶属度函数,分别计算油泵电机逆变器的温度变化量隶属于第一温度变化量的隶属度、油泵电机逆变器的温度变化量隶属于第二温度变化量的隶属度、油泵电机逆变器的温度变化量隶属于第三温度变化量的隶属度。
例如,油泵电机逆变器的温度变化量的隶属度函数为公式(10):
第一温度变化量模糊子集对应的隶属度函数的期望为-2.4,标准差为1.1,油泵电机逆变器的温度变化量对应的第一温度变化量模糊子集的隶属度可以通过公式(11)计算得到:
第二温度变化量模糊子集对应的隶属度函数的期望为-0.2,标准差为1.7,油泵电机逆变器的温度变化量对应的第二温度变化量模糊子集的隶属度可以通过公式(12)计算得到:
第三温度变化量模糊子集对应的隶属度函数的期望为1.9,标准差为0.9,油泵电机逆变器的温度变化量对应的第三温度变化量模糊子集的隶属度可以通过公式(13)计算得到:
其中:x3为油泵电机逆变器的温度变化量;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第一温度变化量模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第二温度变化量模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第三温度变化量模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度函数的期望;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度函数的标准差;1≤z≤q。
参照图5,给出了油泵电机逆变器的温度变化量的隶属度值分布曲线,横坐标为油泵电机逆变器的温度变化量,纵坐标为油泵电机逆变器的温度变化量对应的模糊子集的隶属度值,油泵电机逆变器的温度变化量的单位为摄氏度。油泵电机逆变器的温度变化量对应的第一温度变化量模糊子集的隶属度值分布曲线51,油泵电机逆变器的温度变化量对应的第二温度变化量模糊子集的隶属度值分布曲线52,油泵电机逆变器的温度变化量对应的第三温度变化量模糊子集的隶属度值分布曲线53。
可以理解的是,各输入参数对应的隶属度函数可以根据实际的应用场景选择其他的函数。
步骤S132,计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度以及所述油泵电机温度的权重。
在本发明实施例中,可以对各输入参数分别设定对应的系数,在第i条模糊推理规则中,油泵电机的温度对应的系数为βi,油泵电机逆变器的温度对应的系数为γi,油泵电机逆变器的温度变化量对应的系数为εi。
在实际应用中,设定各输入参数对应的系数时,还可以设定一个常数θi。各输入参数对应的系数以及常数可以根据实际应用场景进行设定。各输入参数对应的系数取值可以为经验值;也可以通过多次的实验中估算出的油泵电机温度与参考温度的分析比较,从而计算得出。
对各输入参数对应的系数设定完成之后,可以采用下述公式(14)对所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度进行估算:
MtrTempi=βi×x1+γi×x2+εi×x3+θi; (14)
其中,MtrTempi为所述第i条模糊推理规则对应的所述油泵电机温度;x1为油泵电机的油温;x2为油泵电机逆变器的温度;x3为油泵电机逆变器的温度变化量;βi为第i条模糊推理规则中,油泵电机的油温对应的系数;γi为第i条模糊推理规则中,油泵电机逆变器的温度对应的系数;εi为第i条模糊推理规则中,油泵电机逆变器的温度变化量对应的系数;θi为第i条模糊推理规则中的常数,1≤i≤N。
根据步骤S131中计算得到的各输入参数对应的模糊子集的隶属度,得到第i条模糊推理规则下,油泵电机的油温对应的第j个模糊子集的隶属度、油泵电机逆变器的温度对应的第y个模糊子集的隶属度、油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度,且每一条模糊推理规则所选择的三种输入参数对应的模糊子集均不相同。1≤j≤m,1≤y≤p,1≤z≤q。
例如,Takagi-Sugeno模糊推理模型中,第12条模糊推理规则对应的各输入参数的模糊子集为:油泵电机的油温对应的模糊子集为第二温度模糊子集,油泵电机逆变器的温度对应的模糊子集为第四温度模糊子集,油泵电机逆变器的温度变化量对应的模糊子集为第三温度变化量模糊子集。
获取到的油泵电机的油温的温度值为A,A对应的第二温度模糊子集的隶属度为0.6;获取到的油泵电机逆变器的温度为B,B对应的第四温度模糊子集的的隶属度为0.7;获取到的油泵电机逆变器的温度变化量为C,C对应的第三温度变化量模糊子集的隶属度为0.5。
又如,第13条模糊推理规则对应的各输入参数的模糊子集为:油泵电机的油温对应的模糊子集为第二温度模糊子集,油泵电机逆变器的温度对应的模糊子集为第五温度模糊子集,油泵电机逆变器的温度变化量对应的模糊子集为第一温度变化量模糊子集。
在具体实施中,在计算得到第i条模糊推理规则下的各输入参数分别对应的模糊子集的隶属度之后,可以根据各输入参数分别对应的模糊子集的隶属度,计算第i条模糊推理规则对应的油泵电机温度的权重。
在具体实施中,在计算第i条模糊推理规则对应的油泵电机温度的权重时,各输入参数分别对应的模糊子集的隶属度之间采用“与”操作符连接。
可以采用公式(15)计算第i条模糊推理规则对应的油泵电机温度的权重:
其中:wi为所述第i条模糊推理规则对应的所述油泵电机温度的权重;为油泵电机的油温对应的第j个模糊子集的隶属度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度;为取 中的最小值;1≤j≤m,1≤y≤p,1≤z≤q。
也即是,获取油泵电机的温度对应的模糊子集的隶属度、油泵电机逆变器的温度对应的模糊子集的隶属度、油泵的逆变器的温度变化量对应的模糊子集的隶属度中的隶属度值最小的,并将得到的最小的隶属度值作为第i条模糊推理规则对应的油泵电机温度的权重。
例如,Takagi-Sugeno模糊推理模型中第12条模糊推理规则下各输入参数对应的模糊子集的隶属度为:油泵电机的油温对应的第二温度模糊子集的隶属度为0.6,油泵电机逆变器的温度对应的第四温度模糊子集的隶属度为0.7,油泵电机逆变器的温度变化量对应的第三温度变化量模糊子集的隶属度为0.5。第12条模糊推理规则对应的油泵电机温度的权重为:0.5。
可以采用公式(16)计算第i条模糊推理规则对应的油泵电机温度的权重:
其中,wi为所述第i条模糊推理规则对应的所述油泵电机温度的权重;为油泵电机的油温对应的第j个模糊子集的隶属度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度;1≤j≤m,1≤y≤p,1≤z≤q。
也即是,计算油泵电机的温度对应的模糊子集的隶属度、油泵电机逆变器的温度对应的模糊子集的隶属度以及油泵的逆变器的温度变化量对应的模糊子集的隶属度之间的乘积,将得到的乘积值作为第i条模糊推理规则对应的油泵电机温度的权重。
例如,Takagi-Sugeno模糊推理模型中第12条模糊推理规则下各输入参数对应的模糊子集的隶属度为:油泵电机的油温对应的第二温度模糊子集的隶属度为0.6,油泵电机逆变器的温度对应的第四温度模糊子集的隶属度为0.7,油泵电机逆变器的温度变化量对应的第三温度变化量模糊子集的隶属度为0.5。第12条模糊推理规则对应的油泵电机温度的权重为:w12=0.6×0.7×0.5=0.21。
步骤S133,根据所述Takagi-Sugeno模糊推理模型中n条模糊推理规则对应的油泵电机温度,以及对应的油泵电机温度的权重,计算得出所述油泵电机温度。
在具体实施中,可以采用公式(17),计算油泵电机温度:
其中:MtrTemp为所述油泵电机温度;1≤n≤N,N为所述Takagi-Sugeno模糊推理模型中的模糊推理规则的总数目;wi为第i条模糊推理规则对应的所述油泵电机温度的权重;MtrTempi为第i条模糊推理规则对应的油泵电机温度。
在具体实施中,Takagi-Sugeno模糊推理模型中包括模糊推理规则的总数目N,N=m×p×q。根据计算得到的第i条模糊推理规则对应的油泵电机的温度以及油泵电机的温度对应的权重,计算第i条模糊推理规则对应的油泵电机的温度与油泵电机的温度对应的权重的乘积,以此类推,计算各条模糊推理规则对应的油泵电机的温度与对应的权重的乘积,将预设的n条模糊推理规则中计算得到的乘积进行求和,得到第一累加值。对各条模糊推理规则对应的油泵电机的温度对应的权重作求和运算,得到第二累加值。之后,将第一累加值与第二累加值作除法运算,从而可以得到本次估算的油泵电机温度。
在具体实施中,n的取值可以根据估算精度需求进行设定,也可以根据经验值进行设定,还可以根据实际的应用场景进行设定。
例如,Takagi-Sugeno模糊推理模型中的模糊推理规则的数目为27条时,n可以取为15,也可以为27,还可以为其他小于27的取值。
参照图6,给出了本发明实施例中的一种油泵电机温度估算装置,包括:参数获取单元61、选取单元62、计算单元63以及输出单元64。
参数获取单元61,适于获取输入参数,所述输入参数包括:油泵电机的油温、油泵电机逆变器的温度、油泵电机逆变器的温度变化量,所述油泵电机逆变器的温度变化量为当前次获取的油泵电机逆变器的温度与上一次获取的油泵电机逆变器的温度之间的差值;
选取单元62,适于选取各输入参数分别对应的隶属度函数;
计算单元63,适于采用预设的模糊推理模型,根据所述各输入参数对应的隶属度函数,计算所述油泵电机温度;
输出单元64,适于将计算得到的所述油泵电机温度输出。
在具体实施中,选取单元62,适于将所述油泵电机的油温分割成m个模糊子集,并选取与所述m个模糊子集一一对应的隶属度函数;将所述油泵电机逆变器的温度分割成p个模糊子集,并选取与所述m个模糊子集一一对应的隶属度函数;将所述油泵电机逆变器的温度变化量分割成q个模糊子集,并选取与所述q个模糊子集一一对应的隶属度函数;其中,m、p、q均为正整数。
在本发明实施例中,m=3,所述油泵电机的油温的3个模糊子集可以依次为:第一温度模糊子集、第二温度模糊子集、第三温度模糊子集,且所述第一温度模糊子集对应的温度值小于所述第二温度模糊子集对应的温度值,所述第二温度模糊子集对应的温度值小于所述第三温度模糊子集对应的温度值。
p=3,所述油泵电机逆变器的温度的3个模糊子集可以依次为:第四温度模糊子集、第五温度模糊子集、第六温度模糊子集,且所述第四温度模糊子集对应的温度值小于所述第五温度模糊子集对应的温度值,所述第五温度模糊子集对应的温度值小于所述第六温度模糊子集对应的温度值。
所述油泵电机逆变器的温度变化量的3个模糊子集可以依次为:第一温度变化量模糊子集、第二温度变化量模糊子集、第三温度变化量模糊子集,且所述第一温度变化量模糊子集对应的温度变化量小于所述第二温度变化量模糊子集对应的温度变化量,所述第二温度变化量模糊子集对应的温度变化量小于所述第三温度变化量模糊子集对应的温度变化量值。
在具体实施中,预设的模糊推理模型可以为Takagi-Sugeno模糊推理模型,也可以为Mamdani模糊推理模型。
在具体实施中,计算单元63,适于根据所述各输入参数对应的模糊子集的隶属度函数,分别计算所述各输入参数对应的模糊子集的隶属度;计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度以及所述油泵电机温度的权重;根据所述Takagi-Sugeno模糊推理模型中n条模糊推理规则对应的油泵电机温度,以及对应的油泵电机温度的权重,计算得出所述油泵电机温度,1≤i≤N,N=m×p×q,N为所述Takagi-Sugeno模糊推理模型中的模糊推理规则的总数目。
在具体实施中,计算单元63,适于根据所述油泵电机的油温对应的模糊子集的隶属度函数:计算所述油泵电机的油温对应的模糊子集的隶属度;根据所述油泵电机逆变器的温度对应的模糊子集的隶属度函数:计算所述油泵电机逆变器的温度对应的模糊子集的隶属度;根据所述油泵电机逆变器的温度变化量对应的模糊子集的隶属度函数:计算所述油泵电机逆变器的温度变化量对应的模糊子集的隶属度。
其中:x1为油泵电机的油温;为油泵电机的油温对应第j个模糊子集的隶属度;为油泵电机的油温对应的第j个模糊子集的隶属度函数的期望;为油泵电机的油温对应的第j个模糊子集的隶属度函数的标准差;1≤j≤m;x2为油泵电机逆变器的温度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度函数的期望;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度函数的标准差;1≤y≤p;x3为油泵电机逆变器的温度变化量;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度函数的期望;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度函数的标准差;1≤z≤q。
计算单元63,适于采用下述公式,计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度:
MtrTempi=βi×x1+γi×x2+εi×x3+θi;
其中:MtrTempi为所述第i条模糊推理规则对应的所述油泵电机温度;x1为油泵电机的油温;x2为油泵电机逆变器的温度;x3为油泵电机逆变器的温度变化量;βi为第i条模糊推理规则中,油泵电机的油温对应的系数;γi为第i条模糊推理规则中,油泵电机逆变器的温度对应的系数;εi为第i条模糊推理规则中,油泵电机逆变器的温度变化量对应的系数;θi为常数,1≤i≤N。
计算单元63,可以采用下述公式,计算所述第i条模糊推理规则对应的所述油泵电机温度的权重:
也可以采用下述公式,计算所述第i条模糊推理规则对应的所述油泵电机温度的权重:
其中:wi为所述第i条模糊推理规则对应的所述油泵电机温度的权重;为油泵电机的油温对应的第j个模糊子集的隶属度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度;为取 中的最小值;1≤j≤m,1≤y≤p,1≤z≤q。
在本发明实施例中,计算单元63在计算得到所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的油泵电机温度以及油泵电机温度的权重之后,可以采用下述公式,计算所述油泵电机温度:
其中:MtrTemp为所述油泵电机温度;n为计算所述油泵电机温度时采用的模糊推理规则的预设数目,1≤n≤N,N为Takagi-Sugeno模糊推理模型中的模糊推理规则的总数目;wi为第i条模糊推理规则对应的所述油泵电机温度的权重;MtrTempi为第i条模糊推理规则对应的油泵电机温度;1≤i≤N。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (15)
1.一种油泵电机温度估算方法,其特征在于,包括:
获取输入参数,所述输入参数包括:油泵电机的油温、油泵电机逆变器的温度、油泵电机逆变器的温度变化量,所述油泵电机逆变器的温度变化量为当前次获取的油泵电机逆变器的温度与上一次获取的油泵电机逆变器的温度之间的差值;
选取各输入参数分别对应的隶属度函数;
采用预设的模糊推理模型,根据所述各输入参数对应的隶属度函数,计算所述油泵电机温度,并将计算结果输出。
2.根据权利要求1所述的油泵电机温度估算方法,其特征在于,所述选取各输入参数分别对应的隶属度函数,包括:
将所述油泵电机的油温分割成m个模糊子集,并选取与所述m个模糊子集一一对应的隶属度函数;
将所述油泵电机逆变器的温度分割成p个模糊子集,并选取与所述p个模糊子集一一对应的隶属度函数;
将所述油泵电机逆变器的温度变化量分割成q个模糊子集,并选取与所述q个模糊子集一一对应的隶属度函数;
其中,m、p、q均为正整数。
3.根据权利要求2所述的油泵电机温度估算方法,其特征在于,
m=3,所述油泵电机的油温的3个模糊子集依次为:第一温度模糊子集、第二温度模糊子集、第三温度模糊子集,且所述第一温度模糊子集对应的温度值、第二温度模糊子集对应的温度值和所述第三温度模糊子集对应的温度值依次增加;
p=3,所述油泵电机逆变器的温度的3个模糊子集依次为:第四温度模糊子集、第五温度模糊子集、第六温度模糊子集,且所述第四温度模糊子集对应的温度值、所述第五温度模糊子集对应的温度值、所述第六温度模糊子集对应的温度值依次增加;
q=3,所述油泵电机逆变器的温度变化量的3个模糊子集依次为:第一温度变化量模糊子集、第二温度变化量模糊子集、第三温度变化量模糊子集,且所述第一温度变化量模糊子集对应的温度变化量、所述第二温度变化量模糊子集对应的温度变化量、所述第三温度变化量模糊子集对应的温度变化量值依次增加。
4.根据权利要求3所述的油泵电机温度估算方法,其特征在于,所述预设的模糊推理模型为:Takagi-Sugeno模糊推理模型或Mamdani模糊推理模型。
5.根据权利要求4所述的油泵电机温度估算方法,其特征在于,所述采用预设的模糊推理模型,根据所述各输入参数对应的隶属度函数,计算所述油泵电机温度,包括:
采用所述Takagi-Sugeno模糊推理模型,根据所述各输入参数对应的模糊子集的隶属度函数,分别计算所述各输入参数对应的模糊子集的隶属度;
计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度以及所述油泵电机温度的权重;
根据所述Takagi-Sugeno模糊推理模型中n条模糊推理规则对应的油泵电机温度,以及对应的油泵电机温度的权重,计算得出所述油泵电机温度,N为所述Takagi-Sugeno模糊推理模型中的模糊推理规则的总数,1≤i≤N,1≤n≤N,N=m×p×q。
6.根据权利要求5所述的油泵电机温度估算方法,其特征在于,所述根据所述各输入参数对应的模糊子集的隶属度函数,分别计算所述各输入参数对应的模糊子集的隶属度,包括:
其中:x1为油泵电机的油温;为油泵电机的油温对应第j个模糊子集的隶属度;为油泵电机的油温对应的第j个模糊子集的隶属度函数的期望;为油泵电机的油温对应的第j个模糊子集的隶属度函数的标准差;1≤j≤m;x2为油泵电机逆变器的温度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度函数的期望;为油泵电机逆变器的温度对应的第y个模糊子集的隶属度函数的标准差;1≤y≤p;x3为油泵电机逆变器的温度变化量;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度函数的期望;为油泵电机逆变器的温度变化量对应的第z个模糊子集的隶属度函数的标准差;1≤z≤q。
7.根据权利要求5所述的油泵电机温度估算方法,其特征在于,所述计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度以及所述油泵电机温度的权重,包括:
采用下述公式,计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度:
MtrTempi=βi×x1+γi×x2+εi×x3+θi;
其中:MtrTempi为所述第i条模糊推理规则对应的所述油泵电机温度;x1为油泵电机的油温;x2为油泵电机逆变器的温度;x3为油泵电机逆变器的温度变化量;βi为第i条模糊推理规则中,油泵电机的油温对应的系数;γi为第i条模糊推理规则中,油泵电机逆变器的温度对应的系数;εi为第i条模糊推理规则中,油泵电机逆变器的温度变化量对应的系数;θi为第i条模糊推理规则中的常数,1≤i≤N。
11.一种油泵电机温度估算装置,其特征在于,包括:
参数获取单元,适于获取输入参数,所述输入参数包括:油泵电机的油温、油泵电机逆变器的温度、油泵电机逆变器的温度变化量,所述油泵电机逆变器的温度变化量为当前次获取的油泵电机逆变器的温度与上一次获取的油泵电机逆变器的温度之间的差值;
选取单元,适于选取各输入参数分别对应的隶属度函数;
计算单元,适于采用预设的模糊推理模型,根据所述各输入参数对应的隶属度函数,计算所述油泵电机温度;
输出单元,适于将计算得到的所述油泵电机温度输出。
12.根据权利要求11所述的油泵电机温度估算装置,其特征在于,所述选取单元,适于将所述油泵电机的油温分割成m个模糊子集,并选取与所述m个模糊子集一一对应的隶属度函数;将所述油泵电机逆变器的温度分割成p个模糊子集,并选取与所述p个模糊子集一一对应的隶属度函数;将所述油泵电机逆变器的温度变化量分割成q个模糊子集,并选取与所述q个模糊子集一一对应的隶属度函数;其中,m、p、q均为正整数。
13.根据权利要求12所述的油泵电机温度估算装置,其特征在于,
m=3,所述油泵电机的油温的3个模糊子集依次为:第一温度模糊子集、第二温度模糊子集、第三温度模糊子集,且所述第一温度模糊子集对应的温度值、所述第二温度模糊子集对应的温度值、所述第三温度模糊子集对应的温度值依次增加;
p=3,所述油泵电机逆变器的温度的3个模糊子集依次为:第四温度模糊子集、第五温度模糊子集、第六温度模糊子集,且所述第四温度模糊子集对应的温度值、所述第五温度模糊子集对应的温度值、所述第六温度模糊子集对应的温度值依次增加;
q=3,所述油泵电机逆变器的温度变化量的3个模糊子集依次为:第一温度变化量模糊子集、第二温度变化量模糊子集、第三温度变化量模糊子集,且所述第一温度变化量模糊子集对应的温度变化量、所述第二温度变化量模糊子集对应的温度变化量、所述第三温度变化量模糊子集对应的温度变化量值依次增加。
14.根据权利要求13所述的油泵电机温度估算装置,其特征在于,所述预设的模糊推理模型为:Takagi-Sugeno模糊推理模型或Mamdani模糊推理模型。
15.根据权利要求14所述的油泵电机温度估算装置,其特征在于,所述计算单元,适于采用所述Takagi-Sugeno模糊推理模型,根据所述各输入参数对应的模糊子集的隶属度函数,分别计算所述各输入参数对应的模糊子集的隶属度;
计算所述Takagi-Sugeno模糊推理模型中第i条模糊推理规则对应的所述油泵电机温度以及所述油泵电机温度的权重;
根据所述Takagi-Sugeno模糊推理模型中n条模糊推理规则对应的油泵电机温度,以及对应的油泵电机温度的权重,计算得出所述油泵电机温度,N为所述Takagi-Sugeno模糊推理模型中的模糊推理规则的总数,1≤i≤N,N=m×p×q。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610949965.4A CN108021723B (zh) | 2016-11-02 | 2016-11-02 | 油泵电机温度估算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610949965.4A CN108021723B (zh) | 2016-11-02 | 2016-11-02 | 油泵电机温度估算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108021723A CN108021723A (zh) | 2018-05-11 |
CN108021723B true CN108021723B (zh) | 2021-05-25 |
Family
ID=62070106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610949965.4A Active CN108021723B (zh) | 2016-11-02 | 2016-11-02 | 油泵电机温度估算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021723B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112416030B (zh) * | 2020-11-30 | 2022-02-22 | 天津民昌科技有限公司 | 一种基于油泵电机电气特性的油温估算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101417618A (zh) * | 2007-10-23 | 2009-04-29 | 福特全球技术公司 | 混合动力电动车辆的推进系统 |
CN103487172A (zh) * | 2013-07-08 | 2014-01-01 | 浙江工业大学 | 基于模糊控制算法的热计量无线温度控制系统 |
KR20140104165A (ko) * | 2013-02-20 | 2014-08-28 | 현대자동차주식회사 | 하이브리드 차량의 안전 제어 장치 및 그 방법 |
CN104154949A (zh) * | 2013-05-15 | 2014-11-19 | 北汽福田汽车股份有限公司 | 汽车的高压电缆接头状态的检测方法及系统 |
CN105466600A (zh) * | 2015-12-16 | 2016-04-06 | 东南大学 | 一种基于模糊算法的分布式绞盘液压油温度监测方法 |
CN105599700A (zh) * | 2014-11-13 | 2016-05-25 | 福特全球技术公司 | 用于温度传感器故障检测的方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101660951B (zh) * | 2009-09-21 | 2014-04-09 | 重庆大学 | 一种检测热设备内部温度的方法 |
EP2551798A1 (en) * | 2011-07-28 | 2013-01-30 | Fundació CTM Centre Tecnològic | Genetic algorithm-based training of an ANFIS for electric energy consumption forecasting |
CN103418619B (zh) * | 2013-08-27 | 2015-07-01 | 中冶南方工程技术有限公司 | 一种冷轧带钢板形预测控制方法 |
CN105955026B (zh) * | 2016-05-30 | 2020-06-05 | 神华集团有限责任公司 | 模糊pid控制方法和装置及系统 |
-
2016
- 2016-11-02 CN CN201610949965.4A patent/CN108021723B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101417618A (zh) * | 2007-10-23 | 2009-04-29 | 福特全球技术公司 | 混合动力电动车辆的推进系统 |
KR20140104165A (ko) * | 2013-02-20 | 2014-08-28 | 현대자동차주식회사 | 하이브리드 차량의 안전 제어 장치 및 그 방법 |
CN104154949A (zh) * | 2013-05-15 | 2014-11-19 | 北汽福田汽车股份有限公司 | 汽车的高压电缆接头状态的检测方法及系统 |
CN103487172A (zh) * | 2013-07-08 | 2014-01-01 | 浙江工业大学 | 基于模糊控制算法的热计量无线温度控制系统 |
CN105599700A (zh) * | 2014-11-13 | 2016-05-25 | 福特全球技术公司 | 用于温度传感器故障检测的方法和系统 |
CN105466600A (zh) * | 2015-12-16 | 2016-04-06 | 东南大学 | 一种基于模糊算法的分布式绞盘液压油温度监测方法 |
Non-Patent Citations (1)
Title |
---|
基于T-S模糊模型的隶属度函数学习算法;刘贵喜等;《西安电子科技大学学报(自然科学版)》;20001031;第27卷(第5期);第550-553页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108021723A (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Numerical analysis of a fractional-order chaotic system based on conformable fractional-order derivative | |
DE102016012463A1 (de) | Maschinelle Lernvorrichtung und Verfahren zum Lernen der voraussichtlichen Lebensdauer eines Leistungsgeräts sowie Lebensdauer-Vorhersagevorrichtung und Motorantriebsvorrichtung umfassend die maschinelle Lernvorrichtung | |
Ertik et al. | Investigation of electrical RC circuit within the framework of fractional calculus | |
Li et al. | Parameter identification of fractional order linear system based on Haar wavelet operational matrix | |
CN106403166B (zh) | 一种冷负荷预测控制方法及装置 | |
CN105258289A (zh) | 控制压缩机运行的方法、装置和系统 | |
Ramadan et al. | On the alpha-power inverse Weibull distribution | |
Korda et al. | Controller design and value function approximation for nonlinear dynamical systems | |
DE102014100893A1 (de) | Verfahren und Vorrichtung zum Steuern eines Elektromotors, der zum Betreiben einer Fluidpumpe verwendet wird | |
DE102015103175A1 (de) | Rotortemperaturbestimmungsvorrichtung für einen Elektromotor und Überhitzungsschutzvorrichtung für einen Elektromotor | |
Milani et al. | Particle swarm optimization—based determination of Ziegler-Nichols parameters for PID controller of brushless DC motors | |
CN108021723B (zh) | 油泵电机温度估算方法及装置 | |
DE102019126244A1 (de) | System und Verfahren zur Kalibrierung einer Steuereinheit eines Elektromotors zur Bestimmung von Kenngrößen des Elektromotors | |
CN105894111B (zh) | 一种基于互补型模糊神经网络的能源用量预测方法和装置 | |
Zhang et al. | GM (1, 1) grey prediction of Lorenz chaotic system | |
Liu et al. | Adaptive neural network tracking control for a class of non-linear systems | |
CN106059412B (zh) | 基于信度规则库推理的他励直流电动机转速控制方法 | |
Ferdowsi et al. | Fault diagnosis of a class of distributed parameter systems modeled by parabolic partial differential equations | |
DE102016008988B4 (de) | Maschinenlernvorrichtung zum Einlernen von Betriebsbedingungen einer Kühleinrichtung, Motorsteuervorrichtung und Motorsteuersystem mit der Maschinenlernvorrichtung, und Maschinenlernverfahren | |
Çelik et al. | Chaotic dynamics of the fractional order nonlinear system with time delay | |
Elaydi et al. | An Iterative technique for solving nonlinear optimal control problems using Legendre scaling function | |
Oi et al. | Development of PSO-based PID tuning method | |
Glaser et al. | Comparison between a polynomial chaos surrogate model and Markov Chain Monte Carlo for inverse uncertainty quantification based on an electric drive test bench | |
CN111241749A (zh) | 一种基于储备池计算的永磁同步电动机混沌预测方法 | |
Sardar et al. | The analytical approximate solution of the multi-term fractionally damped van der Pol equation |
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 |