CN112084714A - 一种基于数据驱动的整车电磁干扰抑制方法 - Google Patents

一种基于数据驱动的整车电磁干扰抑制方法 Download PDF

Info

Publication number
CN112084714A
CN112084714A CN202010959005.2A CN202010959005A CN112084714A CN 112084714 A CN112084714 A CN 112084714A CN 202010959005 A CN202010959005 A CN 202010959005A CN 112084714 A CN112084714 A CN 112084714A
Authority
CN
China
Prior art keywords
electromagnetic interference
data
data driving
whole
electric vehicle
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.)
Granted
Application number
CN202010959005.2A
Other languages
English (en)
Other versions
CN112084714B (zh
Inventor
周安健
陈勇
徐龙宇
叶尚斌
陈章勇
李猛
刘越智
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.)
University of Electronic Science and Technology of China
Chongqing Changan New Energy Automobile Technology Co Ltd
Original Assignee
University of Electronic Science and Technology of China
Chongqing Changan New Energy Automobile Technology Co Ltd
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 University of Electronic Science and Technology of China, Chongqing Changan New Energy Automobile Technology Co Ltd filed Critical University of Electronic Science and Technology of China
Priority to CN202010959005.2A priority Critical patent/CN112084714B/zh
Publication of CN112084714A publication Critical patent/CN112084714A/zh
Application granted granted Critical
Publication of CN112084714B publication Critical patent/CN112084714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于数据驱动的整车电磁干扰抑制方法，提高电动汽车抗电磁干扰能力，确保整车的稳定性。本发明针对电动汽车内部电磁干扰源器件、模块和系统进行数据采集，基于大数据进行迭代分析，通过数据驱动方式进行电磁干扰估计与补偿计算，并从整车角度基于大数据进行深度学习，提取实体并知识建模，通过融合知识驱动与数据驱动模型设计抑制器并作用于整车开关器件及多级滤波器。本发明能够有效抑制电动汽车可能存在的电磁干扰，提高整车的抗电磁干扰能力。

Description

一种基于数据驱动的整车电磁干扰抑制方法
技术领域
本发明属于电磁兼容与数据驱动技术领域，更为具体地讲，涉及一种基于数据驱动的电动汽车整车电磁干扰抑制方法。
背景技术
由于传统汽车对石油、天然气等不可再生自然资源的急剧消耗，研究一种新型清洁能源的汽车势在必行，新能源电动汽车应运而生。新能源电动汽车的诞生，不仅可以有效解决不可再生资源匮乏的问题，同时还具有低污染、低噪声等绿色环保的优势，其线性加速也是传统汽车无法比拟的。因此，现阶段各国都在积极推广普及新能源电动汽车。
然而，由于电动汽车的驱动动力系统发生了改变，在运行过程中会产生较高的电压和电流，也使得整车的内部运行环境更加复杂化。电动汽车系统内由于模块开关器件状态的不断切换，产生较大的变换电流，会出现电磁干扰的问题，需要严格考虑各个器件、模块之间的干扰与耦合问题。电磁干扰严重时，会直接影响电动汽车模块间的工作状态，干扰汽车的正常行驶、导航、通信，甚至会威胁到人身安全。因此，对电动汽车的电磁干扰进行分析、抑制，以保证系统的稳定性从而减少故障，具有十分重要的意义。
在之前的电动汽车电磁干扰抑制技术研究中，从器件、模块至整车系统分层分析的研究还比较少。其中，基于数据驱动进行电磁干扰的智能分析、并结合知识驱动设计抑制算法为较新的领域，其研究还有待深入。
发明内容
本发明的目的在于提供一种基于数据驱动的整车电磁干扰抑制方法，克服背景技术中提到的不足。
为实现上述目的，本发明提供如下技术方案：
基于数据驱动的电动汽车整车电磁干扰抑制方法，包括如下步骤：
步骤1.针对电动汽车内部电磁干扰源器件、模块和系统进行数据采集，获取数据集；
步骤2.对采集的数据进行分析，根据理想的输入输出数据进行大数据迭代学习，分解得到不同工作状态下的电磁干扰，并通过数据驱动方式进行电磁干扰估计与补偿；
步骤3.利用提取的特征样本数据进行深度学习，通过知识建模结合数据驱动方式设计电磁干扰抑制器；
步骤4.利用训练好的模型联合估计的电磁干扰量，从整车角度对电磁干扰进行抑制。
所述的电动汽车器件，包括但不限于开关管如MOS管及IGBT等；所述的主要电磁干扰源模块，包括但不限于DC-DC变换器、电源逆变器等；所述的电磁干扰系统，包括但不限于电驱系统、通信系统、辅助系统等。
所述的进行大数据迭代分析，对数据特征进行识别、判定、收敛和显性化。围绕目标引入和修正环境的输入与输出，并将其作用于目标，进一步明确化分析目标。
所述的进行电磁干扰估计，根据数据确定其误差量，通过迭代分析参数向量，计算其干扰量。
所述的通过数据驱动方式进行补偿，将数据进行组织形成信息并进行整合和提炼，在数据的基础上经过训练和拟合形成自动化的决策，分析得到最优补偿。
所述的知识驱动结合数据驱动的方式，包括但不限于决策树以及神经网络、支持向量机等，由数据驱动的迭代学习架构和知识驱动的逐层优化组成。
所述的从整车角度对电磁干扰进行抑制，其作用对象表现形式可以为开关器件频率控制及控制方式、模块及系统的多级滤波等。
所述的从整车角度对电磁干扰进行抑制，结合电磁干扰抑制器与补偿，联合分析器件、模块以及系统的输入输出数据，分析其权重关系，选取迭代学习率，优化抑制精度。
本发明的目的是这样实现的。
针对电动汽车由于内部器件、模块、通信、底盘以及辅助系统的电磁干扰，本发明公开一种基于数据驱动的整车电磁干扰抑制方法，提高电动汽车抗电磁干扰能力，确保整车的稳定性。本发明针对电动汽车内部电磁干扰源器件、模块和系统进行数据采集，基于大数据进行迭代分析，通过数据驱动方式进行电磁干扰估计与补偿计算，并从整车角度基于大数据进行深度学习，提取实体并知识建模，通过融合知识驱动与数据驱动模型设计抑制器并作用于整车开关器件及多级滤波器。本发明能够有效抑制电动汽车可能存在的电磁干扰，提高整车的抗电磁干扰能力。
附图说明
图1是本发明基于数据驱动的整车电磁干扰抑制方法一种具体实施方式的流程图；
图2是本发明中结合最优补偿和数据驱动结合知识驱动抑制迭代学习流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
针对电动汽车的电磁干扰抑制，从电动汽车器件、模块以及系统层分析，分别通过传感器采集其电磁辐射干扰数据和传导干扰数据，进行迭代估计参数向量p，如图2所示，假设其初始值为p0。确定适合的学习增益g，使得迭代算法在收敛速度和噪声容忍度中取得平衡；选择合适的基函数b，用于进行干扰估计以及计算最优补偿量。
第k次补偿量uk作用于系统，并输出yk，假定期望输出为yr，则可得到第k次的误差为：
ek＝yr-yk
使用参数向量p进行迭代，更新ek，uk和yk，并计算ek关于参数向量的梯度值:
Figure BDA0002679735810000031
其中f(·)表示合适的函数映射关系。
计算学习矩阵
Figure BDA0002679735810000032
计算下一次迭代参数向量
pk+1＝pk+Lkek
设置迭代学习的结束条件为：若第k次的误差满足||yr-yk||≤ζ，则系统结束迭代学习。其中ζ为正有理数，表示允许的误差范围。
为了提高抑制精度，引入迭代学习输入
Figure BDA0002679735810000041
结合上一迭代周期的误差ek-1，离线更新补偿量，选取类PID形式的迭代学习率，提高干扰抑制能力。第k次迭代时输出的补偿量为：
Figure BDA0002679735810000042
其中，f(·)表示合适的函数映射关系，kp，kd为学习率的比例系数。
为解决数据驱动只能在具有充分知识或数据、稳定性、完全信息、静态、特定领域与单任务的场景下适用的问题，引入知识驱动与数据驱动相结合的方式。从大数据中提取出分析实体与层次关系，并对知识进行层级融合，层间通过学习加权函数连接。选取RBF径向基神经网络进行知识系统训练学习，其形式如下：
Figure BDA0002679735810000043
其中xi为网络的输入，i＝1,2,…m表示输入网络的维数；hj为网络隐含层的输出，j＝1,2,…,n表示网络隐含层的个数。bj为隐含层第j个神经元高斯基函数宽度，cj为隐含层第j个神经元高斯基函数中心点坐标向量。WT为网络的权值，ε为网络的逼近误差。通过输入数据对知识变量取值的学习，完成由输入数据和知识变量参与的节点运算，随后输出本层数据和知识变量。在输出层输出学习结果和反向传播损失率，从而优化抑制效果。
最后，整车角度对电磁干扰进行抑制，针对电动汽车的器件、模块和系统，通过层次分析法进行分析。建立分层递进模型，包括目标层、准则层以及方案层。
具体地，目标层为输出至各层的干扰补偿，准则层从电动汽车的器件、模块和系统进行分析，以各部分的输入输出数据集作为观测对象，方案层为根据层次分析法得到各部分的补偿权重比例。
利用上个层次的要素对准则层的各要素进行比对，aij为要素i,j的权重比对，可定取值区间(0,N]，N∈Z+。按照其对比结果构成主观判断矩阵P＝{aij|i,j∈(0,N]}。
将主观判断矩阵P转为客观差别判断矩阵Q
Figure BDA0002679735810000051
Figure BDA0002679735810000052
其中，
Figure BDA0002679735810000053
为相邻层级的比率，需要使用迭代学习算法进行学习。
计算权值排序W＝{wi|i∈(0,N]}，则可构建以下的优化目标：
Figure BDA0002679735810000054
其约束条件为：
Figure BDA0002679735810000055
其中，CIF(·)为一致性指标函数，当其取值Y≤υ,υ∈R+，可认为得到可接受的一致性优化结果，并且计算得到的各层要素权重wi。根据计算得到的权重比例分别对各部分进行补偿，从而有效抑制电动汽车电磁干扰。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (8)

1.一种基于数据驱动的电动汽车整车电磁干扰抑制方法，其特征在于，包括如下步骤：
步骤1.针对电动汽车内部电磁干扰源器件、模块和系统进行数据采集，获取数据集；
步骤2.对采集的数据进行分析，根据理想的输入输出数据进行大数据迭代学习，分析得到不同工作状态下的电磁干扰，并通过数据驱动方式进行电磁干扰估计与补偿；
步骤3.利用提取的特征样本数据进行深度学习，通过知识建模结合数据驱动方式设计并优化电磁干扰抑制器；
步骤4.利用训练好的模型联合估计的电磁干扰量，从整车角度对电磁干扰进行抑制。
2.根据权利要求1所述的基于数据驱动的电动汽车整车电磁干扰抑制方法，其特征在于，步骤1所述的电动汽车器件，包括但不限于开关管如MOS管及IGBT等；所述的主要电磁干扰源模块，包括但不限于DC-DC变换器、电源逆变器等；所述的电磁干扰系统，包括但不限于电驱系统、通信系统、辅助系统等。
3.根据权利要求1所述的基于数据驱动的电动汽车整车电磁干扰抑制方法，其特征在于，步骤2所述的进行大数据迭代分析，对数据特征进行识别、判定、收敛和显性化；
围绕目标引入和修正环境的输入与输出，并将其作用于目标，进一步明确化分析目标。
4.根据权利要求1所述的基于数据驱动的电动汽车整车电磁干扰抑制方法，其特征在于，步骤2所述的进行电磁干扰估计，根据数据确定其误差量，通过迭代分析参数向量，计算其干扰量。
5.根据权利要求1所述的基于数据驱动的电动汽车整车电磁干扰抑制方法，其特征在于，步骤3所述的通过数据驱动方式进行补偿，将数据进行组织形成信息并进行整合和提炼，在数据的基础上经过训练和拟合形成自动化的决策，分析得到最优补偿。
6.根据权利要求1所述的基于数据驱动的电动汽车整车电磁干扰抑制方法，其特征在于，步骤3所述的知识驱动结合数据驱动的方式，包括但不限于决策树以及神经网络、支持向量机等，由数据驱动的迭代学习架构和知识驱动的逐层优化组成。
7.根据权利要求1所述的基于数据驱动的电动汽车整车电磁干扰抑制方法，其特征在于，步骤4所述的从整车角度对电磁干扰进行抑制，其作用对象表现形式可以为开关器件频率控制及控制方式、模块及系统的多级滤波等。
8.根据权利要求1所述的基于数据驱动的电动汽车整车电磁干扰抑制方法，其特征在于，所述的从整车角度对电磁干扰进行抑制，结合电磁干扰抑制器与补偿，联合分析器件、模块以及系统的输入输出数据，分析其权重关系，选取迭代学习率，优化抑制精度。
CN202010959005.2A 2020-09-14 2020-09-14 一种基于数据驱动的整车电磁干扰抑制方法 Active CN112084714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010959005.2A CN112084714B (zh) 2020-09-14 2020-09-14 一种基于数据驱动的整车电磁干扰抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010959005.2A CN112084714B (zh) 2020-09-14 2020-09-14 一种基于数据驱动的整车电磁干扰抑制方法

Publications (2)

Publication Number Publication Date
CN112084714A true CN112084714A (zh) 2020-12-15
CN112084714B CN112084714B (zh) 2023-03-07

Family

ID=73737688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010959005.2A Active CN112084714B (zh) 2020-09-14 2020-09-14 一种基于数据驱动的整车电磁干扰抑制方法

Country Status (1)

Country Link
CN (1) CN112084714B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101860196A (zh) * 2010-02-11 2010-10-13 华南理工大学 利用pwm芯片混沌抑制开关变换器emi的方法和电路
CN102170222A (zh) * 2010-09-30 2011-08-31 四川虹欧显示器件有限公司 开关电源电磁干扰的抑制装置
CN103018596A (zh) * 2012-11-30 2013-04-03 重庆长安汽车股份有限公司 一种直流变换器电磁干扰测试系统及方法
US20150113196A1 (en) * 2013-10-23 2015-04-23 Gregory L. Ebert Emi mitigation on high-speed lanes using false stall
CN104635089A (zh) * 2015-02-10 2015-05-20 北京理工大学 电动汽车电机驱动系统传导电磁干扰实验平台
CN104779974A (zh) * 2014-01-13 2015-07-15 瑞昱半导体股份有限公司 网络传输的电磁干扰抑制装置与方法
CN109100751A (zh) * 2018-08-29 2018-12-28 广州市泺立能源科技有限公司 一种定位系统使用的电磁干扰抑制方法
CN110197127A (zh) * 2019-05-06 2019-09-03 安徽继远软件有限公司 基于深度学习的无线信号检测与电磁干扰分类系统及方法
CN110728101A (zh) * 2019-09-19 2020-01-24 中国第一汽车股份有限公司 干扰抑制的确定方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101860196A (zh) * 2010-02-11 2010-10-13 华南理工大学 利用pwm芯片混沌抑制开关变换器emi的方法和电路
CN102170222A (zh) * 2010-09-30 2011-08-31 四川虹欧显示器件有限公司 开关电源电磁干扰的抑制装置
CN103018596A (zh) * 2012-11-30 2013-04-03 重庆长安汽车股份有限公司 一种直流变换器电磁干扰测试系统及方法
US20150113196A1 (en) * 2013-10-23 2015-04-23 Gregory L. Ebert Emi mitigation on high-speed lanes using false stall
CN104779974A (zh) * 2014-01-13 2015-07-15 瑞昱半导体股份有限公司 网络传输的电磁干扰抑制装置与方法
CN104635089A (zh) * 2015-02-10 2015-05-20 北京理工大学 电动汽车电机驱动系统传导电磁干扰实验平台
CN109100751A (zh) * 2018-08-29 2018-12-28 广州市泺立能源科技有限公司 一种定位系统使用的电磁干扰抑制方法
CN110197127A (zh) * 2019-05-06 2019-09-03 安徽继远软件有限公司 基于深度学习的无线信号检测与电磁干扰分类系统及方法
CN110728101A (zh) * 2019-09-19 2020-01-24 中国第一汽车股份有限公司 干扰抑制的确定方法、装置、电子设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HAIFENG LU 等: ""Analysis and Suppression of Common Mode Voltage for Motor Drive in EV"", 《 PCIM ASIA 2019; INTERNATIONAL EXHIBITION AND CONFERENCE FOR POWER ELECTRONICS, INTELLIGENT MOTION, RENEWABLE ENERGY AND ENERGY MANAGEMENT》 *
张红江 等: ""轨道车辆电磁兼容性设计技术"", 《机车电传动》 *
李怡恒: ""开关电源的电磁干扰抑制分析"", 《电子技术与软件工程》 *
白同云: ""电磁兼容分层与综合设计法—电磁兼容设计的新方法"", 《电子质量》 *
陈强 等: ""基于副边谐振技术的单端反激式变换器EMI分析"", 《电工技术学报》 *

Also Published As

Publication number Publication date
CN112084714B (zh) 2023-03-07

Similar Documents

Publication Publication Date Title
CN110705029B (zh) 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法
CN109583588B (zh) 一种短期风速预测方法及系统
CN114034486B (zh) 基于无监督迁移学习的泵类机械设备轴承故障诊断方法
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN108399304A (zh) 一种基于克里金模型的多点加点优化采样方法
CN114169645A (zh) 一种智能电网短期负荷预测方法
CN115937774A (zh) 一种基于特征融合和语义交互的安检违禁品检测方法
CN111105005B (zh) 一种风电功率预测方法
CN113988358A (zh) 基于迁移强化学习的碳排放指数预测与治理方法
CN112465034A (zh) 一种基于水轮发电机的t-s模糊模型的建立方法及系统
CN110929835B (zh) 一种新型碳化硅基航空功率变换器故障诊断方法及系统
CN115018170A (zh) 一种短期风电功率预测方法、装置、设备及存储介质
CN112084714B (zh) 一种基于数据驱动的整车电磁干扰抑制方法
CN110571788A (zh) 基于动态等值电路的静态电压稳定域边界系数的计算方法
CN116663745A (zh) 一种基于pca_ dwt的lstm流域水流量预测方法
CN111275250A (zh) 一种基于各向异性的强流区海表面温度预报方法
CN113255954B (zh) 一种混合同构异构深度图神经网络的充电时空预测方法
CN109711040B (zh) 一种基于搜索方向学习的智能工业设计强化学习算法
Gegov et al. Filtration of non-monotonic rules for fuzzy rule base compression
CN105671596A (zh) 一种铝电解槽单个阳极数学模型的确定方法
CN116774005B (zh) 一种四开关Buck-Boost变换器故障诊断方法及装置
Sun et al. Prognostics of capacitors for power converters based on data augmentation and IPSO-GRU
CN102393819A (zh) 一种基于matlab的模糊控制器hdl代码自动生成方法
CN115793472B (zh) 重载列车的建模方法、建模系统、控制方法及控制系统
CN113468740B (zh) 一种基于协同分摊噪声的软测量建模方法

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