CN111695618B - 一种基于obd数据的电动汽车电机故障检测方法 - Google Patents
一种基于obd数据的电动汽车电机故障检测方法 Download PDFInfo
- Publication number
- CN111695618B CN111695618B CN202010493448.7A CN202010493448A CN111695618B CN 111695618 B CN111695618 B CN 111695618B CN 202010493448 A CN202010493448 A CN 202010493448A CN 111695618 B CN111695618 B CN 111695618B
- Authority
- CN
- China
- Prior art keywords
- motor
- fault
- data
- current
- voltage
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明公开了一种基于OBD数据的电动汽车电机故障检测方法,通过对OBD数据中的电机电压和电流数据进行卡尔曼滤波处理和融合,再将其统计特征,与在理想状态下的数据统计特征进行初步比对,进行故障预判;对不能预判的情况进行小波变换,分离出正常情况下的稳定分频、平稳噪声和存在故障的频率信号;对分离后的信号进行特征提取,并参考常见故障的相关特征,用机器学习对特征故障类型进行分类或预测。本发明通过对OBD数据的分析采用卡尔曼滤波进行数据处理,并结合小波变换共同实现对数据的全面分析和故障的二级判断,能够在保证判断结果准确的前提下提高计算速度,达到对新能源汽车电机的安全性能检测和预测的目的。
Description
技术领域
本发明涉及新能源汽车数据处理、新能源汽车安全性能检测领域,特别涉及一种基于OBD数据的电动汽车电机故障检测方法。
背景技术
电机在传动过程中出现故障会影响电机所受转矩,若采用直接在频域上分析电流数据的电机电流特征分析法(MCSA),无法将噪声干扰和故障信号分离,而无法准确分析出被噪声掩盖的微弱的故障信号;现有的OBD数据处理主要是报文形式,一条报文对应一个状态,通过相应的报文来分析是否有故障的发生,以及确定电机的各种属性(如:电压电流等),检测范围窄且效率低。通过卡尔曼滤波实时辨识电机参数,检测电机故障,能够在一定程度上反映电机正常与否,以及初步得出明显可区分的故障类型,但是对于复杂工况和复杂信号,难以做到准确故障判断或预测。
发明内容
本发明目的是为了解决现有技术对于获得的复杂信号难以做到准确的故障类型判断和预测的问题,提出一种基于OBD数据的电动汽车电机故障检测方法。
本发明提出的一种基于OBD数据的电动汽车电机故障检测方法,包括以下步骤:S1、从汽车的OBD数据中获取电机的电压和电流数据;S2、将获得的电压和电流数据通过卡尔曼滤波进行数据处理并实现数据融合;S3、将步骤S2得到的数据进行统计特征提取;S4、将理想状态下的电机的电压和电流数据的统计特征与步骤S3所得的实际统计特征进行对比分析处理,若处理结果满足预判条件,则进入步骤S8;若处理结果不满足预判条件,则进入步骤S5;S5、将步骤S2得到的数据进行小波变换,分离出正常情况下的稳定分频、平稳噪声和存在故障的频率信号;S6、将步骤S5所分离出的信号进行故障特征提取;S7、利用机器学习/深度学习将故障特征标准数据库与步骤S6得到的故障特征进行模式识别,对步骤S6故障特征的故障类别进行分类或预测;S8、做出故障类型判断或预测,并生成后续应对接口。
优选地,步骤S2采用卡尔曼滤波对电压和电流数据进行数据处理,其中,电流(i)与电压(U)的相关关系满足:
I为电流方均根幅值,fe为电压基频,αI-αU为电机电流相对电压的相位,t为时间。
优选地,步骤S3中的统计特征包括:稳定均值、稳定脉动、稳定脉动频率、启动峰值和启动下降速率。
优选地,步骤S4中理想状态是指在电机处于额定功率、额定转矩、额定电流和额定转速情况下,并且电机轴转动惯量、主动轮转频、从动轮转频和电流基频等数据处于指定范围时的电机运行状态。
优选地,步骤S6中的故障特征包括信号中具有尖点、突变和冲击的非线性特征。
优选地,步骤S7中机器学习采用随机森林算法或多层感知机,深度学习采用卷积神经网络模型。
优选地,步骤S7中分类或预测结果通过可能性排序或多分类器投票,做出故障类型判断或预测。
优选地,步骤S2中的卡尔曼滤波的过程包括将电机前一个状态输入至卡尔曼滤波器对电流及电压进行预测,获得预测值,使用测量值对预测值进行更新获得最优估计。
优选地,卡尔曼滤波的过程还包括将电机前一个状态输入至卡尔曼滤波器,并结合电机系统自身属性、外部控制信号、外部未知干扰对电流及电压进行预测。
优选地,步骤S2中的卡尔曼滤波的过程还包括获得预测值后,将预测值和测量值进行空间变换;结合系统预测不确定性、测量噪声或误差,使用测量值对预测值进行更新从而获得最优估计。
本发明的有益效果包括:本发明通过对OBD数据的分析采用卡尔曼滤波进行数据处理,并结合小波变换共同实现对数据的全面分析和故障的二级判断,能够在保证判断结果准确的前提下提高计算速度。
附图说明
图1是本发明实施例故障检测方法的流程图。
图2是本发明实施例对电机的电压和电流进行卡尔曼滤波的原理图。
具体实施方式
下面结合具体实施方式并对照附图对本发明作进一步详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
参照以下附图,将描述非限制性和非排他性的实施例,其中相同的附图标记表示相同的部件,除非另外特别说明。
如图1所示,本实施例提出一种基于OBD数据的电动汽车电机故障检测方法,包括以下步骤:
S1、从汽车的OBD数据中获取电机的电压和电流数据。
在电机传动过程中,扭矩的变化和电机转速的波动会使得电流的幅度和相角被调制,而电机电压也和负载以及电机电流相关,故通过处理和分析电机电压和电流数据,可以有效地进行故障分析与判断。
S2、将获得的电压和电流数据通过卡尔曼滤波进行数据处理并实现数据融合。
卡尔曼滤波通过对电机系统自身属性、外部控制信号、外部未知干扰的预测过程,结合测量值进行修正更新,弱化离群点和非故障奇异点的影响,对数据进行预处理和融合,减少测量误差和噪声对数据可靠性的影响,减小非故障因素的干扰,提高了数据的可靠性。
卡尔曼滤波对数据的处理过程如图2所示,将前一个状态输入到卡尔曼滤波中,结合系统预测不确定性、系统自身相关关系、系统的控制关系、外部环境干扰因素等对电流电压进行预测,获得预测值,即后一个状态。再将预测值和测量值(测量值指从汽车的OBD数据中获取电机的电压和电流数据)进行空间变换,并使用测量值对预测值进行更新(其中需要将系统预测不确定性、测量噪声或误差考虑进去)从而获得最优估计,并进行下一次迭代。
采用卡尔曼滤波对OBD数据进行融合处理,相较于贝叶斯估计、DS证据推力和模糊逻辑法等算法能够处理传感器噪声,同时相较于传统滤波方法处理OBD数据,其在时域上进行计算,且每次只处理一个时刻的信息,可提高计算速度。
其中,电流(i)与电压(U)的相关关系满足:
I为电流方均根幅值,fe为电压基频,αI-αU为电机电流相对电压的相位,t为时间。
S3、将步骤S2得到的数据进行统计特征分析。其中,统计特征包括:稳定均值、稳定脉动、稳定脉动频率、启动峰值和启动下降速率等,这些特征能在一定程度上反映电机整体运行的正常水平,以及对相关元件开路故障、电机匝间短路故障、电机电刷故障和电磁绕组脱焊等电机相关故障的初步判断。
S4、将理想状态下的电机的电压和电流数据的统计特征与步骤S3所得的实际统计特征进行对比分析处理,若处理结果满足预判条件,则进入步骤S8进行故障类型判断或预测,若处理结果不满足预判条件,则进入步骤S5。
步骤S4中的理想状态是指在电机处于额定功率、额定转矩、额定电流和额定转速情况下,并且电机轴转动惯量、主动轮转频、从动轮转频和电流基频等数据处于指定范围时的电机运行状态,在理想状态下建立的特征数据库,其提供了电机正常运行的参考标准;步骤S3所得电机电压、电流相关统计特征与其理想状态下的统计特征对比,特征之间的差异可以量化并进行故障预判。根据两者差异的大小和类型(即电压电流的特征,如幅值相位谐波等),判断故障与否,初步进行故障分析。当步骤S4中电压电流的大小和特征类型的差异不能通过简单判断得到故障类型,也即实际统计特征与理想状态下的统计特征相比没有明显区别时,则进行步骤S5,步骤S4也可称为第一阶段的故障分析。
S5、将步骤S2得到的数据进行小波变换,通过小波变换将基函数不断伸缩、平移,并与所得的信号相乘,当基函数与信号重合时相乘会得到一个较大的值,此基函数的时频即为所要获得的信号的时频,从所获得的信号时频可分离出正常情况下的稳定分频、平稳噪声和存在故障的频率信号。
进行小波变换分离出正常稳定分频、平稳噪声和存在故障的频率信号等,可避免微弱的故障特征被噪声覆盖淹没,以重点突出故障信号中的非线性形式如尖点、突变和冲击等,其中,稳定分频指小波变化所得到的稳定的分频信号。故障信号分离可为利用电机电流、电压数据实现故障准确识别和预测提供基础。小波变换相较于其他方法具有时频分析、信噪分离和提取弱信号的优点。
S6、将步骤S5所分离出的信号进行故障特征提取,其中,故障特征包括信号中具有尖点、突变和冲击的非线性特征。
S7、利用机器学习将故障特征标准数据库与步骤S6得到的故障特征进行模式识别,对步骤S6故障特征的故障类别进行分类或预测。
建立或加载的常见电机故障的相关特征数据库包含各类机械故障和电气故障等。机器学习可以采用但不限于随机森林算法或多层感知机,深度学习可以采用卷积神经网络模型。
随机森林算法,多层感知机,卷积神经网络模型其本质为分类器,如多层感知机,可以通过将输入的信号特征与标准数据库中的权重等参数进行计算,获得输出的分类结果。
S8、做出故障类型判断或预测,并生成后续应对接口。
根据步骤S7的分类或预测结果,做出更准确的故障类型判断或预测(也可看作是第二阶段的故障分析),并生成后续应对接口。分类或预测结果可通过可能性排序或者多分类器投票,做出故障类型的最终判断或预测。
在获取故障类型判断/预测结果后,可生成判断报告或者对电机故障采取应对策略。
在本发明中,通过采用卡尔曼滤波及小波变换结合的方法对OBD数据进行处理分析,卡尔曼滤波为小波方法提供可靠的数据,小波方法为卡尔曼滤波后的数据做准确分析,可以提高数据分析的准确性以及降低计算复杂度。
本领域技术人员将认识到,对以上描述做出众多变通是可能的,所以实施例和附图仅是用来描述一个或多个特定实施方式。
尽管已经描述和叙述了被看作本发明的示范实施例,本领域技术人员将会明白,可以对其做出各种改变和替换,而不会脱离本发明的精神。另外,可以做出许多修改以将特定情况适配到本发明的教义,而不会脱离在此描述的本发明中心概念。所以,本发明不受限于在此披露的特定实施例,但本发明可能还包括属于本发明范围的所有实施例及其等同物。
Claims (10)
1.一种基于OBD数据的电动汽车电机故障检测方法,其特征在于,包括以下步骤:
S1、从汽车的OBD数据中获取电机的电压和电流数据;
S2、将获得的电压和电流数据通过卡尔曼滤波进行数据处理并实现数据融合;
S3、将步骤S2得到的数据进行统计特征提取;
S4、将理想状态下的电机的电压和电流数据的统计特征与步骤S3所得的实际统计特征进行对比分析处理,若处理结果满足预判条件,则进入步骤S8;若处理结果不满足预判条件,则进入步骤S5;所述预判条件为:步骤S4中电压电流的大小和特征类型的差异能通过简单判断得到故障类型,也即实际统计特征与理想状态下的统计特征相比有明显区别;
S5、将步骤S2得到的数据进行小波变换,分离出正常情况下的稳定分频、平稳噪声和存在故障的频率信号;
S6、将步骤S5所分离出的信号进行故障特征提取;
S7、利用机器学习/深度学习将故障特征标准数据库与步骤S6得到的故障特征进行模式识别,对步骤S6故障特征的故障类别进行分类或预测;
S8、做出故障类型判断或预测,并生成后续应对接口。
2.如权利要求1所述的基于OBD数据的电动汽车电机故障检测方法,其特征在于,步骤S2采用卡尔曼滤波对电压和电流数据进行数据处理,其中,电流i与电压U的相关关系满足:
I为电流方均根幅值,fe为电压基频,αI-αU为电机电流相对电压的相位,t为时间。
3.如权利要求1所述的基于OBD数据的电动汽车电机故障检测方法,其特征在于,步骤S3中的统计特征包括:稳定均值、稳定脉动、稳定脉动频率、启动峰值和启动下降速率。
4.如权利要求1所述的基于OBD数据的电动汽车电机故障检测方法,其特征在于,步骤S4中理想状态是指在电机处于额定功率、额定转矩、额定电流和额定转速情况下,并且电机轴转动惯量、主动轮转频、从动轮转频和电流基频等数据处于指定范围时的电机运行状态。
5.如权利要求1所述的基于OBD数据的电动汽车电机故障检测方法,其特征在于,步骤S6中的故障特征包括信号中具有尖点、突变和冲击的非线性特征。
6.如权利要求1所述的基于OBD数据的电动汽车电机故障检测方法,其特征在于,步骤S7中机器学习采用随机森林算法或多层感知机,深度学习采用卷积神经网络模型。
7.如权利要求1所述的基于OBD数据的电动汽车电机故障检测方法,其特征在于,步骤S7中分类或预测结果通过可能性排序或多分类器投票,做出故障类型判断或预测。
8.如权利要求1所述的基于OBD数据的电动汽车电机故障检测方法,其特征在于,步骤S2中的卡尔曼滤波的过程包括将电机前一个状态输入至卡尔曼滤波器对电流及电压进行预测,获得预测值,使用测量值对预测值进行更新获得最优估计。
9.如权利要求8所述的基于OBD数据的电动汽车电机故障检测方法,其特征在于,卡尔曼滤波的过程还包括将电机前一个状态输入至卡尔曼滤波器,并结合电机系统自身属性、外部控制信号、外部未知干扰对电流及电压进行预测。
10.如权利要求8所述的基于OBD数据的电动汽车电机故障检测方法,其特征在于,步骤S2中的卡尔曼滤波的过程还包括获得预测值后,将预测值和测量值进行空间变换;结合系统预测不确定性、测量噪声或误差,使用测量值对预测值进行更新从而获得最优估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493448.7A CN111695618B (zh) | 2020-06-01 | 2020-06-01 | 一种基于obd数据的电动汽车电机故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493448.7A CN111695618B (zh) | 2020-06-01 | 2020-06-01 | 一种基于obd数据的电动汽车电机故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695618A CN111695618A (zh) | 2020-09-22 |
CN111695618B true CN111695618B (zh) | 2023-04-07 |
Family
ID=72479366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010493448.7A Active CN111695618B (zh) | 2020-06-01 | 2020-06-01 | 一种基于obd数据的电动汽车电机故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695618B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541524B (zh) * | 2020-11-18 | 2024-04-02 | 湖南大学 | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 |
CN114742108B (zh) * | 2022-04-20 | 2022-12-20 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床轴承故障检测方法及系统 |
CN114740352A (zh) * | 2022-06-09 | 2022-07-12 | 深圳市永达电子信息股份有限公司 | 一种非接触电机故障检测方法和系统 |
CN116643181B (zh) * | 2022-08-25 | 2024-04-16 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测系统 |
CN116626490B (zh) * | 2023-07-25 | 2023-10-10 | 清华大学无锡应用技术研究院 | 基于卡尔曼滤波器的电机故障诊断方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334822A (zh) * | 2018-01-19 | 2018-07-27 | 东南大学 | 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 |
CN109709934A (zh) * | 2018-12-11 | 2019-05-03 | 南京航空航天大学 | 一种飞行控制系统故障诊断冗余设计方法 |
CN110163148A (zh) * | 2019-05-21 | 2019-08-23 | 东南大学 | 一种电动汽车直流充电畸变信号自适应识别方法 |
-
2020
- 2020-06-01 CN CN202010493448.7A patent/CN111695618B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334822A (zh) * | 2018-01-19 | 2018-07-27 | 东南大学 | 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 |
CN109709934A (zh) * | 2018-12-11 | 2019-05-03 | 南京航空航天大学 | 一种飞行控制系统故障诊断冗余设计方法 |
CN110163148A (zh) * | 2019-05-21 | 2019-08-23 | 东南大学 | 一种电动汽车直流充电畸变信号自适应识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111695618A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695618B (zh) | 一种基于obd数据的电动汽车电机故障检测方法 | |
Bazan et al. | Stator fault analysis of three-phase induction motors using information measures and artificial neural networks | |
Lee et al. | Application of deep neural network and generative adversarial network to industrial maintenance: A case study of induction motor fault detection | |
Lang et al. | Artificial intelligence-based technique for fault detection and diagnosis of EV motors: A review | |
US8972213B2 (en) | Pattern recognition approach to battery diagnosis and prognosis | |
CN111259532B (zh) | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 | |
Crossman et al. | Automotive signal fault diagnostics-part I: signal fault analysis, signal segmentation, feature extraction and quasi-optimal feature selection | |
Chen et al. | Data-driven incipient sensor fault estimation with application in inverter of high-speed railway | |
CN112193959A (zh) | 电梯异响检测方法及系统 | |
CN113159077A (zh) | 一种基于混合卷积神经网络的三相逆变器故障识别方法 | |
CN104953583B (zh) | 基于变点探测和Prony方法相结合的电力系统低频振荡在线监测方法 | |
Wang et al. | Weighted K-NN classification method of bearings fault diagnosis with multi-dimensional sensitive features | |
CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
Sá et al. | A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators | |
CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
Mishra et al. | Performance evaluation of support vector machine for system level multi-fault diagnosis | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
Xue et al. | Real-time diagnosis of an in-wheel motor of an electric vehicle based on dynamic Bayesian networks | |
Abbasi et al. | Condition based maintenance of oil and gas equipment: A review | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
CN115792615A (zh) | 一种永磁同步电机传感器故障诊断方法和系统 |
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 |