CN111619352B - 故障预知系统 - Google Patents

故障预知系统 Download PDF

Info

Publication number
CN111619352B
CN111619352B CN202010130880.XA CN202010130880A CN111619352B CN 111619352 B CN111619352 B CN 111619352B CN 202010130880 A CN202010130880 A CN 202010130880A CN 111619352 B CN111619352 B CN 111619352B
Authority
CN
China
Prior art keywords
failure
controller
prediction system
power
damage
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
CN202010130880.XA
Other languages
English (en)
Other versions
CN111619352A (zh
Inventor
出口昌孝
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.)
Denso Corp
Original Assignee
Denso Corp
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 Denso Corp filed Critical Denso Corp
Publication of CN111619352A publication Critical patent/CN111619352A/zh
Application granted granted Critical
Publication of CN111619352B publication Critical patent/CN111619352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M1/00—Details of apparatus for conversion
    • H02M1/32—Means for protecting converters other than automatic disconnection
    • 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
    • B60L3/003—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to inverters
    • 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
    • G01R31/40—Testing power supplies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/02—Providing protection against overload without automatic interruption of supply
    • H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M1/00—Details of apparatus for conversion
    • H02M1/0067—Converter structures employing plural converter units, other than for parallel operation of the units on a single load
    • H02M1/007—Plural converter units in cascade
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M1/00—Details of apparatus for conversion
    • H02M1/32—Means for protecting converters other than automatic disconnection
    • H02M1/327—Means for protecting converters other than automatic disconnection against abnormal temperatures
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
    • H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/53—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
    • H02M7/537—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters
    • H02M7/5387—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters in a bridge configuration

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Inverter Devices (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Dc-Dc Converters (AREA)

Abstract

本发明公开故障预知系统。提供将电源的电力变换为行驶用的马达的驱动电力的电力变换器的故障预知系统。故障预知系统能够预知将电源的电力变换为行驶用的马达的驱动电力的电力变换器的故障。故障预知系统具备：传感器，安装于电力变换器；以及控制器，根据传感器的测量值预知电力变换器的故障。控制器计算传感器的上次的测量值和本次的测量值的差分。控制器对过去的多个差分进行变量变换而求出中间数据。控制器根据中间数据计算电力变换器的损坏等级。控制器在计算出的损坏等级超过预定的损坏阈值的情况下，输出表示故障时期接近的警告信号。

Description

故障预知系统
技术领域
本说明书公开的技术涉及将电源的电力变换为行驶用的马达的驱动电力的电力变换器的故障预知系统。
背景技术
已提出检测故障的预兆的技术。例如，在日本特开2015-146658号公报(文献1)中公开了能够精度良好地检测半导体开关元件的故障预兆的电力变换器。文献1的电力变换器搭载于铁路车辆，是将直流电力变换为交流电力的逆变器。另外，在日本特开2017-188030号公报中，公开了在工作机械的主轴或者驱动主轴的马达的故障预知中应用机器学习的机器学习装置。
发明内容
本说明书涉及将电源的电力变换为行驶用的马达的驱动电力的电力变换器的故障预知系统，提供能够比以往更精度良好地预知故障的故障预知系统。
本说明书公开的故障预知系统能够预知将电源的电力变换为行驶用的马达的驱动电力的电力变换器的故障。故障预知系统具备：传感器，安装于电力变换器；以及控制器，根据传感器的测量值，预知电力变换器的故障。控制器计算传感器的上次的测量值和本次的测量值的差分。控制器对过去的多个差分进行变量变换而求出中间数据。控制器根据中间数据，计算电力变换器的损坏等级。控制器在计算出的损坏等级超过预定的损坏阈值的情况下，输出表示故障时期接近的警告信号。
控制器执行的变量变换也可以包括统计处理和机器学习法中的任一方。
在变量变换中也可以包括接下来的处理。控制器制作过去的多个差分的直方图。控制器对直方图的各柱的出现次数乘以分配给各柱的权重系数。控制器将全部的柱的出现次数与权重系数之积相加而得到损坏等级。
权重系数也可以是根据将分配给各柱的基准值除以该柱的代表值而得到的数值来决定的。代表值是指柱的宽度(上限值与下限值之间的宽度)的中央值。
传感器的一个例子是测量电力变换器具备的电力变换用的开关元件的温度的温度传感器、测量对开关元件进行冷却的冷却器的制冷剂温度的温度传感器、测量在开关元件中流过的电流的电流传感器、测量开关元件的电压的电压传感器中的任意传感器。
故障预知系统也可以还具备接受警告信号而显示故障时期接近的显示器。
损坏阈值也可以是根据从多个电力变换器收集到的传感器的测量值通过机器学习来决定的。
控制器也可以包括车载的本地计算机和车外的服务器。
在以下的“具体实施方式”中说明本说明书公开的技术的详细内容和进一步的改良。
附图说明
图1是包括第1实施例的故障预知系统的电动汽车的框图。
图2是说明故障预知的概要的图。
图3是示出开关元件的温度变化的一个例子的图表。
图4是示出直方图的一个例子的表。
图5是与图4的表对应的图表。
图6是探测故障的预兆的处理的流程图。
图7是变形例的故障预知系统的应用例的框图。
图8是在电力变换器中使用的一个例子的半导体装置的剖面图。
图9是功率半导体的俯视图。
图10是其他半导体装置的剖面图。
图11是成为故障预知的对象的项目的列表。
图12是第2实施例的故障预知系统的框图。
图13是说明变量变换的一个例子的图(变量变换前的直方图)。
图14是说明变量变换的一个例子的图(变量变换后的直方图)。
图15是变量变换式的一个例子。
图16是变形例的故障预知系统的框图。
图17是故障预知处理的流程图。
图18是预兆探测处理的流程图(1)。
图19是预兆探测处理的流程图(2)。
图20是损坏等级的画面显示的一个例子。
图21是说明损坏等级超过损坏阈值后的处理的图(1)。
图22是说明损坏等级超过损坏阈值后的处理的图(2)。
图23是说明在多个项目中损坏等级超过损坏阈值的情况的处理的图。
图24是说明计算在多个项目中损坏等级超过损坏阈值的情况的总损坏等级的处理的图。
图25是说明使用全部的项目的损坏等级的情况的处理的图。
图26是说明根据全部的项目的损坏等级计算总损坏等级的处理的图。
图27是说明在预兆探测中使用机器学习的情况的图(1)。
图28是说明在预兆探测中使用机器学习的情况的图(2)。
图29是说明探测到预兆后的处理的一个例子的图。
具体实施方式
(第1实施例)
参照附图，说明第1实施例的故障预知系统10。故障预知系统10搭载于电动汽车2。图1示出包括故障预知系统10的电动汽车2的框图。
电动汽车2具备电力变换器11、电池8、行驶用的马达9、冷却器20、控制器16。故障预知系统10的主要部分是安装于控制器16的软件。
电力变换器11是将电池8的直流电力变换为行驶用的马达9的驱动电力的设备。电力变换器11具备电压转换器电路28、逆变器电路29、2个电容器3、5。
电压转换器电路28具有：升压功能，使电池8的电压升压而输出到逆变器电路29；以及降压功能，使马达9发电而得到的再生电力降压而供给到电池8。即，电压转换器电路28是双向DC-DC转换器。
电压转换器电路28具备2个开关元件6a、6b、2个二极管、电抗器4。2个开关元件6a、6b在连接电压转换器电路28和逆变器电路29的正极线27a与负极线27b之间串联地连接。对开关元件6a、6b的各个逆并联地连接二极管。电抗器4的一端与2个开关元件6a、6b的串联连接的中点连接，另一端与电池侧的正极连接。在电池侧的正极与负极之间连接有电容器3。与电抗器4串联地连接电流传感器12。电流传感器12测量在电抗器4中流过的电流，即在电压转换器电路28中流过的电流。开关元件6a、6b由控制器16控制。开关元件6a主要参与降压动作，开关元件6b主要参与升压动作。电压转换器电路28的结构和动作已知，所以省略详细的说明。
逆变器电路29具备6个开关元件6c-6h和6个二极管。6个开关元件6c-6h每2个串联地连接，3组串联连接电路在正极线27a与负极线27b之间并联地连接。对6个开关元件6c-6h的各个逆并联地连接二极管。6个开关元件6c-6h也由控制器16控制。从3组串联连接电路各自的中点输出交流。逆变器电路29的交流输出端与马达9连接。逆变器电路29的结构和动作也已知，所以省略详细的说明。
开关元件6a-6h安装于几个功率模块。
在正极线27a与负极线27b之间，连接有电容器5和电压传感器13。电容器5抑制在电压转换器电路28与逆变器电路29之间流过的电流的脉动。电压传感器13测量电压转换器电路28的输出电压，即逆变器电路29的输入电压。
在逆变器电路29中，具备测量开关元件6c的温度的温度传感器14a。电流传感器12、电压传感器13、温度传感器14a的测量值被送到控制器16。
在电力变换器11中，流过几十安培的电流。因此，在开关元件6a-6h中流过大电流，所以发热量大。冷却器20对电力变换器11的开关元件6a-6h进行冷却。冷却器20具备制冷剂流路21、泵23、散热器24、储备罐22、温度传感器14b。制冷剂流路21的一部分通过电力变换器11的框体内部。泵23从储备罐22压送制冷剂，制冷剂在制冷剂流路21中流过。
在电力变换器11的内部，制冷剂流路21与安装有开关元件的功率模块邻接地通过，在制冷剂流路21中流过的制冷剂对功率模块进行冷却。制冷剂是水或者防冻液。在电力变换器11的内部从开关元件6a-6h吸收热后的制冷剂在散热器24中释放热，并返回到储备罐22。
温度传感器14b安装于制冷剂流路21，测量制冷剂的温度。温度传感器14b的测量值也被送到控制器16。泵23也由控制器16控制。控制器16一边监视制冷剂温度和开关元件6c的温度，一边控制泵23以使开关元件6c(6a-6h)的温度保持于适合的温度范围。
对控制器16连接非易失性存储器17和车载的显示器18。控制器16作为故障预知系统10(后述)发挥功能，在探测到故障的预兆的情况下，将探测出的状态存储到非易失性存储器17，并且将表示探测到故障的预兆的消息显示于显示器18。
控制器16是具备中央运算装置(Central Processing Unit：CPU)、存储器、以及各种I/O的计算机。在存储器中保存有各种程序，中央运算装置执行各个程序，由此控制器16实现各种功能。控制开关元件6a-6h的程序、控制泵23的程序也保存于存储器。故障预知系统也通过由中央运算装置执行保存于存储器的其他程序来实现。存储器的一部分是随机存取存储器，被用于数据的一次保存。将控制器16具备的随机存取存储器的一部分称为计数器存储器19。计数器存储器19在预测故障的处理中使用。关于计数器存储器19，后述。
“预测故障”是指，探测故障的预兆。说明探测故障的预兆的处理。
如上所述，开关元件6a-6h在发热量大且长期间使用时劣化。在电动汽车2中安装有故障预知系统10，该故障预知系统10探测故障发生的可能性变高来作为开关元件6a-6h(即电力变换器11)的劣化发展的结果。
说明故障预知系统10。故障预知系统10具备控制器16、非易失性存储器17、显示器18。故障预知系统10的功能的一部分也可以通过车辆外部的服务器来实现，关于此后述。
控制器16用电力变换器11具备的温度传感器14a测量开关元件6c的温度。此外，电力变换器11具备多个开关元件6a-6h，但将开关元件6c的温度对待为多个开关元件6a-6h的代表值。以下，将开关元件6a-6h总称为开关元件6，温度传感器14a的测量值表示开关元件6的温度。控制器16根据温度传感器14a的测量值，探测开关元件6(即电力变换器11)的故障的预兆。
图2示出故障预知(故障的预兆的探测)的过程概要。控制器16周期性地反复图2的处理。控制器16计算温度传感器14a的上次的测量值和本次的测量值的差分dT(步骤S1)。控制器16每当执行图2的处理时，得到最新的差分dT。控制器16存储有过去得到的差分dT。差分dT是图2的处理的周期中的开关元件6的温度差。
接下来，控制器16用过去的多个差分dT制作直方图(步骤S2)。控制器16对用直方图分类的各柱(bin)的出现频度进行变量变换，得到中间数据。在变量变换中，使用SN比。本说明书中的SN比是指，应力(S)与根据直方图的各柱的代表值决定的数值(N)的比。
接下来，控制器16根据得到的中间数据，通过统计处理或者机器学习，计算损坏等级(步骤S3)。控制器16将得到的损坏等级与损坏阈值进行比较。在损坏等级超过损坏阈值的情况下，控制器16判断为故障的可能性变高，输出通知故障时期接近的警告信号(消息)(步骤S4)。
图3示出温度传感器14a的测量值的变化(即开关元件6的温度变化)的一个例子。图3的图表相当于开关元件6的温度的时间序列数据。控制器16从在时刻t(n)取得的测量值减去在时刻t(n－1)取得的测量值而得到差分dT。控制器16存储得到的差分dT。
控制器16用过去的多个差分dT制作直方图。因此，控制器16确保用于保存直方图的区域。该区域是上述计数器存储器19。直方图的各柱具有预定的温度范围。计数器存储器19的实际状态是存储直方图的各柱的出现次数的区域，是与柱的数量相同的数量的存储区。在与各个柱对应的各存储区中，存储有对出现次数进行计数的整数值的变量(计数器)。此外，在控制器16中，针对各柱预先存储有基准值。基准值是在假设为开关元件6反复接受属于特定的柱的温度差的变化时，如果反复数超过基准值则推测为性能显著降低的值。换言之，基准值被定义为在假设为反复经历与该基准值对应的柱的温度差的变化时开关元件6能够保持性能的界限的反复次数。在该意义下，基准值提供开关元件6能够保持性能的热应力的指标。基准值能够改称为劣化指标。针对每个柱，准备基准值(劣化指标)。事先，通过仿真、实验来确定基准值(劣化指标)。
控制器16针对计算出的每个差分dT，使与该温度差对应的柱的出现次数增加1。即，使用计算出的多个差分dT，制作用差分dT的大小规定柱的宽度的直方图。在图4中示出直方图的一个例子。该直方图由4个柱构成。关于柱1，差分dT的范围被设定为A1≤dT<A2的范围，基准值(劣化指标)是C1。关于柱2，差分dT的范围被设定为A2≤dT<A3的范围，基准值是C2。关于柱3，差分dT的范围被设定为A3≤dT<A4的范围，基准值是C3。关于柱4，差分dT的范围被设定为A4≤dT<A5的范围，基准值是C4。在图4的例子中，柱1的出现次数是B1，柱2的出现次数是B2，柱3的出现次数是B3，柱4的出现次数是B4。图4仅为一个例子，柱的数量、宽度可适当地决定。图3仅示出测量值的时间序列数据的一部分，时间序列数据包括许多的测量值。
对图4的表进行图表化的是图5。虚线L1是将各柱的基准值Cn(“n”是柱的编号)连接的线。图表的横轴是柱，即差分dT，越靠右，差分dT越大。如从图5的虚线L1可理解，差分dT越大，基准值Cn越小。这是因为，开关元件6经历的一次的差分dT(温度差)越大，在开关元件6、其周围的零件中产生的热膨胀(或者收缩)越大。
差分dT能够取各种值。如图5所示，从时间序列数据抽出的多个差分dT分散于多个柱。仅利用直方图，难以评价开关元件6接受的热应力。因此，控制器16将直方图表示的信息(表示热应力的程度的信息)集中为一个指标。将该指标称为损坏等级DL。接下来说明计算损坏等级DL的过程。
控制器16关于各柱，计算出现次数Bn相对基准值Cn的比率。将该比率称为柱n的个别损坏比率Dn。此外，“出现次数Bn”、“基准值Cn”、“柱n”、“个别损坏比率Dn”的“n”表示柱的编号。以下也是同样的。此外，个别损坏比率Dn相当于上述的中间数据的一个例子。
柱n的个别损坏比率Dn是表示在假设为在开关元件6中只产生该柱的差分(温度变化)时，开关元件6受到的损坏达到容许的损坏的几成的值。用出现次数Bn/基准值Cn，求出个别损坏比率Dn。在图5的例子中，各柱的个别损坏比率Dn如下所述。即，柱1的个别损坏比率D1＝B1/C1＝35％，柱2的个别损坏比率D2＝B2/C2＝15％，柱3的个别损坏比率D3＝B3/C3＝30％，柱4的个别损坏比率D4＝B4/C4＝10％。
接下来，控制器16将所有柱的个别损坏比率Dn相加。在图5的右侧，示出示意性地表示所有柱的个别损坏比率Dn的相加的图。相加结果相当于上述的损坏等级DL。各柱的个别损坏比率Dn是与各柱对应的差分dT所引起的热损坏相对容许热损坏的比率。因此，将所有柱的个别损坏比率Dn相加而得到的结果(损坏等级DL)成为开关元件6受到的所有热损坏。而且，损坏等级DL表示开关元件6此前受到的热损坏相对开关元件6可容许的热损坏的比例。损坏等级DL是开关元件6受到的热损坏相对开关元件6可容许的热损坏的相对大小的推测值。
在损坏等级DL超过损坏阈值Dth时，产生故障的可能性变高。即，损坏等级DL超过损坏阈值Dth相当于故障的预兆。控制器16计算的损坏等级DL超过损坏阈值Dth相当于故障的预兆的探测。控制器16在损坏等级DL超过损坏阈值Dth的情况下，输出表示发生故障的可能性高的信号(消息)。
参照图6的流程图，再次说明探测故障的预兆的处理。控制器16每隔一定时间取得温度传感器14a的测量值(即开关元件6的温度)(步骤S12)。接下来，控制器16从本次的测量值减去上次的测量值，计算差分dT(步骤S13)。
接下来，控制器16针对计算出的每个差分，使与该差分对应的柱的计数器存储器19中存储的出现次数递增1(步骤S14)。与各柱对应的计数器存储器19中的值(即当前的出现次数)逐次递增1，所以能够称为“计数器”。因此，在图6的步骤S14中，使用“计数器”这样的表现。控制器16在关于计算出的所有差分使存储于计数器存储器19的计数器(出现次数)递增后，使处理转移到接下来的步骤S15。
接下来，控制器16计算各柱的个别损坏比率Dn。具体而言，控制器16针对各柱，计算Dn＝Bn/Cn(步骤S15)。在此，“Bn”是柱n的出现次数，是存储于计数器存储器19的计数器的值。“Cn”是针对柱n预先设定的基准值。然后，控制器16将各柱的个别损坏比率Dn相加，求出损坏等级DL(S16)。个别损坏比率Dn、损坏等级DL的意义如上所述。
接下来，控制器16将损坏等级DL与损坏阈值Dth进行比较(步骤S17)。在损坏等级DL未超过损坏阈值Dth的情况下(步骤S17：“否”)，控制器16结束处理。在损坏等级DL超过损坏阈值Dth的情况下，控制器16输出表示故障时期接近的警告信号(步骤S17：“是”、S18)。如上所述，控制器16计算的损坏等级DL超过损坏阈值Dth相当于故障的预兆的探测。
警告信号被送到非易失性存储器17和显示器18。在非易失性存储器17中，存储损坏等级DL超过损坏阈值Dth的日期时间和损坏等级DL。接受到警告信号的显示器18使表示故障时期接近的警告灯点亮。也可以在接受到警告信号的显示器18中，显示催促将车辆带到经销商的消息。
图6的处理是在电动汽车2被用户利用时开始并反复执行。每当执行图6的处理时，更新计数器存储器19，计算新的损坏等级DL。即，定期地更新开关元件6的温度差的直方图。
叙述故障预知系统的变形例和留意点。
图7示出使用变形例的故障预知系统10a的应用例的框图。变形例的故障预知系统10a的一部分搭载于电动汽车2。具体而言，故障预知系统10a的一部分安装于电动汽车2的电力变换器11的控制器16。故障预知系统10a的剩余部分由处于电动汽车2外的移动终端104、数据服务器105、解析终端106构成。
电力变换器11的控制器16将电力变换器11的温度传感器14a的测量值送到经销商102和零件供应商103(箭头线111)。测量值对于经销商102和零件供应商103而言相当于输入数据。
经销商102和零件供应商103将输入数据(温度传感器的测量值)送到数据服务器105(箭头线112)。输入数据从数据服务器105被送到解析终端106(箭头线114)。在解析终端106中，进行直方图的制作、中间数据的制作、损坏等级的计算。输出数据107(即损坏等级)被保存到数据服务器105(箭头线115、116)。
在损坏等级超过损坏阈值的情况下，警告信号从数据服务器105被通知到经销商102、零件供应商103、移动终端104(箭头线113、117)。移动终端104是电动汽车2的拥有者的持有物。电动汽车2的拥有者能够经由移动终端104得知电力变换器11的故障时期接近。
根据图7的应用例，对电动汽车2的拥有者，有接下来的优点。能够将电动汽车2的路上的故障、偶发的故障、磨耗故障等故障防患于未然。另外，能够使电动汽车2的正确的状态可视化，易于建立维护的计划。
在电动汽车2由移动服务提供公司拥有的情况下，对该移动服务提供公司，有接下来的优点。移动服务提供公司能够掌握所拥有的汽车的正确的状态，所以能够使维护计划最佳化。
另外，对于电动汽车2的经销商102、零件供应商103，有接下来的优点。市场实际状态能够可视化。市场实际状态的可视化对零件设计的强化、新的价值的附加起作用。能够缩短研发交货时间。研发交货时间的缩短对成本降低作出贡献。能够估算车辆(二手车)的正确的价格。另外，能够在共享事业、基础设施中再利用二手车的部件。
图8示出在电力变换器11中使用的一个例子的半导体装置40的剖面图。半导体装置40是图1所示的开关元件6和冷却器20的制冷剂流路21的一部分合体的设备。
半导体装置40具备电源卡(Power card)41和2个冷却器50。2个冷却器50夹入电源卡41。冷却器50的内部成为制冷剂通过的流路。2个冷却器50相当于图1的制冷剂流路21的一部分。在冷却器50与电源卡41之间夹有油脂51。
电源卡41是功率半导体43密封在树脂制的封装42的器件。图9示出功率半导体43的俯视图。在功率半导体43的主体43a的内部，嵌入有图1的开关元件6和二极管。在主体43a的内部，二极管与开关元件6逆并联地连接。主体43a扁平，在一个面，正电极43b和多个控制垫43c-43g露出。在另一个面，负电极露出。正电极43b相当于开关元件6的正极侧的电极(在n型晶体管的情况下为集电极或者漏极)。负电极相当于开关元件6的负极侧的电极(在n型晶体管的情况下为发射极或者源极)。控制垫43c-43g导通到开关元件6的栅电极、感测发射极。
返回到图8的说明。功率半导体43的负电极经由焊料层45a与散热板46a接合。功率半导体43的正电极经由焊料层45b与铜块44接合。铜块44的相反侧经由焊料层45c与散热板46b接合。散热板46a、46b在使一个面露出的同时埋设于封装42。功率半导体43的控制垫43c-43g(参照图9)用接合线47与控制端子48连接。控制端子48从封装42中向外延伸。
图10示出其他半导体装置60的剖面图。半导体装置60是在壳体62中收容有功率半导体43、绝缘基板64、以及引线框架66的器件。功率半导体43与图8的半导体装置40具备的功率半导体相同。
在功率半导体43的一方的幅宽面露出的负电极经由焊料层65b与绝缘基板64接合。绝缘基板64是在绝缘板的两面形成有铜层的复合板。绝缘基板64的另一方的面经由焊料层65a与壳体62的底面接合。在功率半导体43的另一方的幅宽面露出的正电极经由焊料层65c与引线框架66接合。功率半导体43的控制垫43c-43g(参照图9)用接合线67与控制端子68连接。控制端子68从壳体62中向外延伸。在壳体62的内部填充有树脂61，功率半导体43、绝缘基板64、引线框架66埋设于树脂61。在壳体62的下表面，安装有冷却器69。
在实施例中，根据开关元件6的温度，计算出开关元件6的热性的损坏等级。本说明书公开的技术能够应用于各种故障的预知。图11示出成为故障预知的对象的项目的列表。成为故障预知的对象的部位是嵌入于电力变换器的功率半导体、电源卡、散热材料、冷却器等。在功率半导体的预兆探测项目中，可以举出元件变形、元件电极的破损、元件特性(二极管特性)的变化。在电源卡的预兆探测项目中，可以举出线接合的破损、接合材料的磨耗、镀敷等电迁移。在散热材料的预兆探测项目中，可以举出散热材料的劣化/变质、缺陷发生等。在冷却器的预兆探测项目中，可以举出冷却性能的降低(泵故障)、冷却系统的堵塞(制冷剂的流量降低)。这些是一个例子，也可以有在图11中举出以外的预兆探测项目。
(第2实施例)
图12示出第2实施例的故障预知系统200的框图。故障预知系统200具备控制器201和传感器216、217。控制器201具备中央运算装置(Central Processing Unit：CPU)202、只读存储器203、随机存取存储器204、非易失性存储器205、AD转换器207、通信接口208、无线通信模块209。这些用总线206可相互通信地连接。
传感器216安装于电力变换器。传感器216例如是图1的电流传感器12、电压传感器13、温度传感器14a等。传感器216的测量值210经由AD转换器207被输入到中央运算装置202。
在无法测量应由传感器216测量的物理量的情况下，也可以从其他传感器217的测量值218得到应由传感器216测量的物理量的推测值211。推测值211也由AD转换器207取得。推测值211也经由AD转换器207输入到中央运算装置202。
通信接口208可通信地连接于外部连接装置212和显示装置213。外部连接装置212能够与外部服务器214进行通信。外部服务器214与维护系统215连接。图12的故障预知系统200执行例如图6所示的处理(探测故障的预兆的处理)。
(其他留意点)
如参照图2说明，本说明书公开的故障预知系统用过去的多个差分制作直方图，对直方图的各柱的出现频度进行变量变换(图2、步骤S2)。参照图13－图15，说明变量变换的一个例子。
图13示出过去的多个差分的直方图300。直方图300被分割成6个柱，各个柱的代表值是差分dT1～dT6。柱的代表值是各柱表示的差分的最小值与最大值的中央值。
在图13中描绘的直线302表示SN比。如上所述，本说明书中的SN比是应力(S)与根据直方图的各柱的代表值(中间值)决定的数值(N)的比。
图14是对直方图300的各柱的出现次数进行变量变换而得到的中间数据的直方图。用图15的式，提供变量变换。变量变换后的中间数据Ji是对变量变换前的各柱的出现次数Ni乘以预定的权重系数而得到的。在此，[i]表示图13、图14的柱的编号。权重系数是对基准温度除以柱的代表值而得到的值进行了SN比次幂而得到的。通过如图14所示进行变量变换，差分大的柱(图中的直方图的右侧的柱)的出现频度变高。这意味着，在根据变量变换后的各柱的出现次数计算的损坏等级中，差分大的柱的出现次数大幅影响。
作为变量变换的其他例子，也可以是对各柱的出现次数乘以差分越大则越大的常数的变换。
(变形例)
说明图12的故障预知系统200的变形例。图16示出变形例的故障预知系统400的框图。变形例的故障预知系统400在外部服务器214与维护系统215之间配置有统计处理终端401，这一点与故障预知系统200相异。故障预知系统400的其他构造与故障预知系统200相同。也可以代替统计处理终端401而将机器学习终端连接于外部服务器214与维护系统215之间。或者，也可以将统计处理终端和机器学习终端这两方连接于外部服务器214与维护系统215之间。
(控制器执行的处理)
图17－图19示出控制器执行的故障预知处理的流程图。依照流程图，说明故障预知处理。
首先，控制器取得传感器的测量值(步骤S22)。接下来，控制器检查测定值是否为容许范围内(步骤S23)。在测定值是容许范围内的情况下(步骤S23：“是”)，控制器转移到预兆探测处理的执行(步骤S30)。关于预兆探测处理，后述。
在测定值并不在容许范围内的情况下(步骤S23：“否”)，传感器故障的可能性高。控制器确认传感器异常历史(步骤S24)。接下来，控制器输出传感器异常(步骤S25)。控制器待机至无线发送条件成立(步骤S26：“否”)。在无线发送条件成立时，控制器将传感器故障信息进行无线发送(步骤S27)。最后，控制器执行服务器登记处理(步骤S28)。
图18、图19示出预兆探测处理的流程图。在预兆探测处理中，控制器根据在步骤S22(图17)中取得的测量值(本次的测量值)和上次的测量值，制作直方图(步骤S31)。接下来，控制器判断是否从直方图抽取数据(步骤S32)。在抽取数据的情况下(步骤S32：“是”)，控制器执行数据删除处理(步骤S33)，转移到步骤S34的处理。
在不从直方图抽取数据的情况下，跳过步骤S33，转移到步骤S34的处理(步骤S32：“否”、S34)。在步骤S34中，控制器将直方图的各柱的出现次数变量变换为中间数据。接下来，控制器判断是否执行机器学习(步骤S36)。在步骤S36的判断为“是”的情况下，控制器执行机器学习(步骤S37)，转移到步骤S38的处理。在步骤S36的判断为“否”的情况下，控制器跳过步骤S37，转移到步骤S38的处理。
在步骤S38中，控制器根据中间数据，计算损坏等级。接下来，控制器将损坏等级与损坏阈值进行比较(图19、步骤S41)。在损坏等级未超过损坏阈值的情况下(步骤S41：“否”)，控制器结束处理。在损坏等级超过损坏阈值的情况下(步骤S41：“是”)，控制器判断为出现故障的预兆。即，控制器探测到故障的预兆。在损坏等级超过损坏阈值的情况下(步骤S41：“是”)，控制器待机至无线发送条件成立(步骤S42：“否”)。如果无线发送条件成立(步骤S42：“是”)，则控制器将有故障的预兆的意思的信息进行无线发送(步骤S43)。最后，控制器执行服务器登记处理(步骤S44)。
此外，也可以构成为直至步骤S31的处理由车载的计算机执行，转移到步骤S32起由车外的计算机执行。即，也可以是故障预知处理的一部分通过车载的计算机实现，故障预知处理的剩余部分通过车外的计算机(服务器)实现。换言之，故障预知系统的控制器也可以由车载的计算机和车外的计算机(服务器)构成。
(损坏等级的可视化的图像)
图20示出故障预知系统的显示器的画面的一个例子。图20对应于图11所示的预兆探测项目。
图20的画面例能够用进行维护的经销商的服务终端、汽车制造商、供应商的信息管理系统、用户的个人电脑、智能设备确认。
作为损坏等级的显示的例子，有接下来的显示类型。(1)用正常/异常的标记表示损坏等级。(2)用1至10的等级表示损坏等级。(3)用大/中/小表示损坏等级。(4)用OK/NG的标记表示损坏等级。(5)用红/黄/蓝等颜色表示损坏等级。
如果损坏等级超过损坏阈值，则实施预兆探测。图20的实线L2表示损坏阈值。根据从故障定时起的一定时间、可行驶距离、汽车的工作时间，设定损坏阈值。
图20的虚线L1表示事先管理线。事先管理线(虚线L1)是在预兆探测的前阶段中设定的预防保全用的标准。
除了在图20中举出的项目以外，还可以包括冷却器的水温、环境温度的异常等。
针对图20的项目执行例如如下的处理，从而不仅能够针对各预兆项目进行损坏定量化，而且作为部件也能够进行损坏定量化。另外，这样的考虑方法不限于特定的部件，还能够应用于其他部件、车辆整体的损坏定量化。通过损坏定量化，能够针对车辆、部件的价格进行正确的价值估算。
(关于损坏等级超过损坏阈值后的处理)
参照图21和图22，说明损坏等级超过损坏阈值后的处理。图21与图20的画面例相同。在图21的例子中，关于散热材料的劣化/变质、缺陷发生，损坏等级超过损坏阈值(直线L2)。在该情况下，对预兆探测标志(标志(A))设定ON。图22示出预兆探测标志的确认处理。在预兆探测标志不是ON的情况下，继续状态监视(步骤S51：“否”、S52)。在预兆探测标志是ON的情况下，进行部件的更换或者修理。或者，在预兆探测标志是ON的情况下，损坏等级被反映到二手价格(步骤S53)。
接下来，说明在多个预兆探测项目中损坏等级超过损坏阈值的情况的处理的一个例子。图23是在图20的画面例中，在多个预兆探测项目中损坏等级超过损坏阈值的情况的显示例。在图23的例子中，在4个项目(元件变形、元件特性的变化、接合材料的磨耗、散热材料的劣化/变质)中损坏等级超过损坏阈值。针对损坏等级超过损坏阈值的各个项目，将预兆探测标志切换为ON。在图23的例子中，与元件变形的项目对应的标志是标志(A)，与元件特性的变化对应的标志是标志(B)。与接合材料的磨耗对应的标志是标志(C)，与散热材料的劣化/变质对应的标志是标志(D)。
在图23的例子的情况下，如图24所示，对各个标志乘以对应的权重系数。对标志(A)乘以权重系数a而得到的结果是得分Aa。同样地，对标志(B)乘以权重系数b而得到的结果是得分Bb。对标志(C)乘以权重系数c而得到的结果是得分Cc。对标志(D)乘以权重系数d而得到的结果是得分Dd。在该情况下，控制器将全部的得分相加，计算总损坏等级。在总损坏等级未超过预定的阈值的情况下，控制器继续状态监视。在总损坏等级超过预定的阈值的情况下，进行部件的更换或者修理。或者，在总损坏等级超过预定的阈值的情况下，总损坏等级被反映到二手价格。总损坏等级和价格的关系是任意的。
此外，能够考虑对故障的影响度、零件的获得难易度、维护的难易度等，任意地变更权重系数。在图24的例子中，对标志乘以权重系数，但得分计算方法可任意地变更。
(使用全部的预兆探测项目的损坏等级的情况)
参照图25和图26，说明使用全部的预兆探测项目的损坏等级的情况。图25与图23的画面例相同。在图25和图26的例子中，无论损坏等级是否超过损坏阈值(直线L2)，都使用全部的损坏等级计算总损坏等级。在图25中，各个预兆探测项目也为了区分损坏等级，将各个损坏等级记载为等级(A)～等级(I)。
如图26所示，对各个等级乘以对应的权重系数。对等级(A)乘以权重系数a而得到的结果是得分Aa。同样地，关于等级(B)～等级(I)同样地乘以权重系数，得到得分Bb～得分Ii。控制器将全部的得分相加，计算总损坏等级。在总损坏等级未超过预定的阈值的情况下，控制器继续状态监视。在总损坏等级超过预定的阈值的情况下，进行部件的更换或者修理。或者，在总损坏等级超过预定的阈值的情况下，总损坏等级被反映到二手价格。
(在预兆探测中使用机器学习的情况)
接下来，说明在预兆探测中使用机器学习的情况的例子。图27是在损坏等级判定中使用机器学习的情况的显示例。在图27的例子的情况下，在2个项目(元件变形和散热材料的劣化/变质)中损坏等级超过损坏阈值，标志(A)和标志(B)被切换为ON。作为将标志(A)、(B)从OFF切换为ON的规则，还能够如图28例示那样使用机器学习(例如One classSVM、PCA等)。
可以用多个机器学习法，分别判定正常和异常。在图28的例子的情况下，采用4个手法(一类SVM(One class SVM)，孤立森林(Isolation Forest)，局部异常因子(LocalOutlier Factor)，椭圆包络(Elliptic Envelope))。
另外，为了进一步提高精度，也可以构成为通过将各手法的结果施加到总体学习来进行综合判定。也可以通过机器学习，确定是否出现故障的预兆的阈值(即损坏阈值)。另外，也可以通过机器学习，从过去的多个测量值中，确定在损坏等级的计算中使用的范围和不使用的范围。
(探测到故障的预兆后的处理)
在探测到故障的预兆的情况下，计算该车辆在市场(按区域、按国家等，市场的选定是任意的)的整体中所占的比例。关于比例成为一定以上的部件、零件，为了缩短补给配件的交货时间，对零件工厂委托零件生产。另外，可以针对物流部门、物流公司，自动实施配送布置。
图29示出探测到预兆后的处理的一个例子。首先，选择市场整体、或者、指定市场区域(步骤S61)。接下来，计算指定的市场区域中的占有率(步骤S62)。接下来，将计算出的占有率与占有率阈值进行比较(步骤S63)。在计算出的占有率未超过占有率阈值的情况下(步骤S63：“否”)，返回到步骤S61，指定其他市场区域。
在计算出的占有率超过占有率阈值的情况下(步骤S63：“是”)，判断为故障的发生频度潜在地增加(步骤S64)。在该情况下，实施应对(1)至应对(4)中的几个(步骤S65～S68)。在应对(1)中，联络经销商、事业主，委托检查、维护。在应对(2)中，选定为基础设施、工厂设备中的二次利用对象。在应对(3)中，反映到生产工厂的生产计划。此外，除了通常的生产以外，还可以追加地生产服务对象品。在应对(4)中，反映到物流计划。
以上，详细说明了本发明的具体例，但这些仅为例示，不限定权利要求书。在权利要求书记载的技术中，包括将以上例示的具体例各种各样地变形、变更而得到的技术。在本说明书或者附图中说明的技术要素单独或者通过各种组合来发挥技术上的有用性，不限定于在申请时权利要求记载的组合。另外，在本说明书或者附图中例示的技术能够同时达成多个目的，通过达成其中的一个目的本身具有技术上的有用性。

Claims (6)

1.一种故障预知系统，是将电源的电力变换为行驶用的马达的驱动电力的电力变换器的故障预知系统，所述故障预知系统具备：
传感器，安装于所述电力变换器；以及
控制器，根据所述传感器的测量值，预知所述电力变换器的故障，
所述控制器计算所述传感器的上次的测量值和本次的测量值的差分，对过去的多个所述差分进行变量变换而求出中间数据，根据所述中间数据计算所述电力变换器的损坏等级，在所述损坏等级超过预定的损坏阈值的情况下，输出表示故障时期接近的警告信号，
所述变量变换包括：
制作过去的多个所述差分的直方图，
对所述直方图的各柱的出现次数乘以分配给各柱的权重系数，
将全部的所述柱的所述出现次数与所述权重系数之积相加而得到所述损坏等级。
2.根据权利要求1所述的故障预知系统，其中，
所述权重系数基于将分配给所述各柱的基准值除以该柱的代表值而得到的数值。
3.根据权利要求1或者2所述的故障预知系统，其中，
所述传感器是测量所述电力变换器具备的电力变换用的开关元件的温度的温度传感器、测量对所述开关元件进行冷却的冷却器的制冷剂温度的温度传感器、测量在所述开关元件中流过的电流的电流传感器、测量所述开关元件的电压的电压传感器中的任意传感器。
4.根据权利要求1或者2所述的故障预知系统，其中，
还具备接受所述警告信号而显示故障时期接近的显示器。
5.根据权利要求3所述的故障预知系统，其中，
还具备接受所述警告信号而显示故障时期接近的显示器。
6.根据权利要求1或者2所述的故障预知系统，其中，
所述控制器包括车载的本地计算机和车外的服务器。
CN202010130880.XA 2019-02-27 2020-02-26 故障预知系统 Active CN111619352B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-034672 2019-02-27
JP2019034672A JP7279413B2 (ja) 2019-02-27 2019-02-27 故障予知システム

Publications (2)

Publication Number Publication Date
CN111619352A CN111619352A (zh) 2020-09-04
CN111619352B true CN111619352B (zh) 2023-10-13

Family

ID=72143030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010130880.XA Active CN111619352B (zh) 2019-02-27 2020-02-26 故障预知系统

Country Status (3)

Country Link
US (1) US11296594B2 (zh)
JP (1) JP7279413B2 (zh)
CN (1) CN111619352B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6838589B2 (ja) * 2018-09-18 2021-03-03 株式会社デンソー 回路異常検出装置
JP7116713B2 (ja) * 2019-09-24 2022-08-10 本田技研工業株式会社 バッテリ価格設定装置
CN116888001A (zh) * 2021-02-22 2023-10-13 松下知识产权经营株式会社 故障预测系统、故障预测方法以及故障预测程序
EP4380033A1 (en) * 2021-07-26 2024-06-05 Panasonic Intellectual Property Management Co., Ltd. Failure prediction system, failure prediction method, and failure prediction program
JP7468488B2 (ja) 2021-09-24 2024-04-16 トヨタ自動車株式会社 充放電制御装置
CN117413453A (zh) * 2021-10-05 2024-01-16 株式会社日立产机系统 电力转换装置和平滑电容器的劣化判断方法
WO2023149416A1 (ja) * 2022-02-04 2023-08-10 株式会社日立製作所 蓄電池遠隔監視システム及び蓄電池遠隔監視方法
WO2024079875A1 (ja) * 2022-10-14 2024-04-18 日立Astemo株式会社 故障予兆診断可能な駆動装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04263395A (ja) * 1991-02-18 1992-09-18 Fujitsu Ltd 設備監視システム
CN1986981A (zh) * 2005-12-21 2007-06-27 株式会社东芝 用于水分配及管道的信息分析系统
CN101133546A (zh) * 2005-03-03 2008-02-27 丰田自动车株式会社 用于驱动电路的故障判断设备和包括故障判断设备的驱动单元以及用于判断驱动电路故障的方法
CN101189895A (zh) * 2005-06-02 2008-05-28 日本电气株式会社 异常检测方法和系统以及维护方法和系统
JP2015146658A (ja) * 2014-01-31 2015-08-13 株式会社東芝 電力変換装置及び故障予兆検出方法
CN105607615A (zh) * 2015-12-08 2016-05-25 宁波如意股份有限公司 一种故障诊断系统
CN108886269A (zh) * 2016-04-06 2018-11-23 蔻荠艾集团有限公司 故障监测系统和用于检测连接性故障的方法
CN110710095A (zh) * 2017-09-06 2020-01-17 株式会社日立制作所 功率转换装置、电动机控制系统和功率转换装置的诊断方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7719812B2 (en) * 2007-05-15 2010-05-18 Astec International Limited Power converters with rate of change monitoring for fault prediction and/or detection
US8957723B2 (en) * 2012-06-11 2015-02-17 General Electric Company Apparatus and method for power switch health monitoring
US9000707B2 (en) * 2012-10-16 2015-04-07 Toshiba International Corporation Use of cooling fan in adjustable speed drives
JP6140331B1 (ja) 2016-04-08 2017-05-31 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP6530775B2 (ja) * 2017-03-24 2019-06-12 株式会社Ｓｕｂａｒｕ 車両の制御装置、サーバ、車両のモータ制御システム、及び車両のモータ制御方法
JP6773610B2 (ja) * 2017-06-26 2020-10-21 東芝三菱電機産業システム株式会社 電圧異常検出装置
US10354462B1 (en) * 2018-04-06 2019-07-16 Toyota Motor Engineering & Manufacturing North America, Inc. Fault diagnosis in power electronics using adaptive PCA

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04263395A (ja) * 1991-02-18 1992-09-18 Fujitsu Ltd 設備監視システム
CN101133546A (zh) * 2005-03-03 2008-02-27 丰田自动车株式会社 用于驱动电路的故障判断设备和包括故障判断设备的驱动单元以及用于判断驱动电路故障的方法
CN101189895A (zh) * 2005-06-02 2008-05-28 日本电气株式会社 异常检测方法和系统以及维护方法和系统
CN1986981A (zh) * 2005-12-21 2007-06-27 株式会社东芝 用于水分配及管道的信息分析系统
JP2015146658A (ja) * 2014-01-31 2015-08-13 株式会社東芝 電力変換装置及び故障予兆検出方法
CN105607615A (zh) * 2015-12-08 2016-05-25 宁波如意股份有限公司 一种故障诊断系统
CN108886269A (zh) * 2016-04-06 2018-11-23 蔻荠艾集团有限公司 故障监测系统和用于检测连接性故障的方法
CN110710095A (zh) * 2017-09-06 2020-01-17 株式会社日立制作所 功率转换装置、电动机控制系统和功率转换装置的诊断方法

Also Published As

Publication number Publication date
JP7279413B2 (ja) 2023-05-23
US11296594B2 (en) 2022-04-05
CN111619352A (zh) 2020-09-04
JP2020141465A (ja) 2020-09-03
US20200274437A1 (en) 2020-08-27

Similar Documents

Publication Publication Date Title
CN111619352B (zh) 故障预知系统
US8831825B2 (en) Monitoring for equipment efficiency and maintenance
CN208538174U (zh) 用于车辆部件的基于云的实时预测性维护的设备及系统
Sun et al. A review of prognostic techniques for high-power white LEDs
JP4631761B2 (ja) パワートレイン用の電池寿命予知装置及び電池寿命警告装置
US20180276913A1 (en) Remote vehicle network monitoring and failure prediction system
JP4940180B2 (ja) 複合診断・保守計画支援システム及びその支援方法
Turner et al. Circular production and maintenance of automotive parts: An Internet of Things (IoT) data framework and practice review
US11491892B2 (en) Selection apparatus, selection method, and storage medium
WO2021186593A1 (ja) 蓄電池の状態を評価する情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム
US20200111272A1 (en) Health self learning system and method for electrical distribution systems for automated driving vehicles
CN103471729A (zh) 一种装置温度预警方法及其应用
JP5416668B2 (ja) 監視システムおよび監視方法
CN108928744A (zh) 一种基于大数据的集装箱起重机在线诊断及维护系统
CN110954335A (zh) 一种工业车辆的健康评估方法及系统
CN105264394A (zh) 具有电容性元件的交流发电机和起动电机测试仪、有效负载控制和带打滑检测
EP4137983A1 (en) Systems and methods for assessing degradation in drive components
KR20080099078A (ko) 차량용 배터리 충전관리 장치
US10598738B2 (en) Method for maintenance of a frequency converter and software program realizing the same
CN104412181A (zh) 用于并行跟踪工业生产设施的与地点相关的影响能量消耗的事件的方法和设施
KR102624649B1 (ko) 전기차 통합유지보수 클라우드 플랫폼
WO2023166586A1 (ja) 部品状態推定装置、部品状態推定システム、部品状態推定方法、及び記録媒体
WO2024108140A2 (en) System for replacing vehicle battery modules and method thereof
Kanakala et al. Detection of service time of automobiles and detection of faulty parts using IoT via CSVPCV
Miranda et al. Life Cycle Assessment of Turbomachinery for Offshore Applications--Updated with Field Data

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
TA01 Transfer of patent application right

Effective date of registration: 20201014

Address after: Aichi Prefecture, Japan

Applicant after: DENSO Corp.

Address before: Aichi Prefecture, Japan

Applicant before: Toyota Motor Corp.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant