CN113125954A - 一种电动汽车驱动电机的故障诊断方法和应用 - Google Patents
一种电动汽车驱动电机的故障诊断方法和应用 Download PDFInfo
- Publication number
- CN113125954A CN113125954A CN202110414621.4A CN202110414621A CN113125954A CN 113125954 A CN113125954 A CN 113125954A CN 202110414621 A CN202110414621 A CN 202110414621A CN 113125954 A CN113125954 A CN 113125954A
- Authority
- CN
- China
- Prior art keywords
- motor
- fault
- electric automobile
- data
- model
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 230000036541 health Effects 0.000 claims abstract description 17
- 239000000835 fiber Substances 0.000 claims abstract description 16
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 230000004907 flux Effects 0.000 claims description 35
- 238000005259 measurement Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 230000032683 aging Effects 0.000 claims description 13
- 230000006698 induction Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000004804 winding Methods 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000004643 material aging Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 21
- 238000012423 maintenance Methods 0.000 abstract description 14
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000009863 impact test Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- 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
- G01R31/346—Testing of armature or field windings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开一种电动汽车驱动电机的故障诊断方法和应用，属于交通工具监测技术领域。针对现有电动汽车电机驱动无法实现预测维护和在线健康检测等问题，本发明提供一种故障诊断方法，先解析和分析电动汽车驱动电机故障形成机理；其次搭建数学模型和故障机理理论，建立电动汽车驱动电机故障与可测量信号之间的关系和计算方法；然后实时测量电动汽车磁场及端口参数。进行数据分析，动态更新搭建的部件健康模型实现对电机状态的检测，以提供决策之用。本发明首次将巨磁阻和长周期光纤光栅传感技术相结合并运用于电动汽车故障诊断，实现全生命周期电机状态监测，可降低汽车运营维护成本，提高电动汽车电驱系统的可靠性和智能化。
Description
技术领域
本发明涉及交通工具监测技术领域，更具体地说，涉及一种电动汽车驱动电机的故障诊断方法和应用。
背景技术
当前电动汽车产业的蓬勃发展促进了电机上下游产业以至整体制造业的升级换代。中国制造2025规划中明确提出了着力发展智能装备和智能产品和工业4.0发展计划，要求进一步提升我国工业设备的状态监测的水平，需要快速发展新能源汽车，促进汽车产业转型升级。
在电动汽车的应用中，电机是驱动系统最核心的执行部件。因此其出现故障会造成严重后果：轻则增加维修费用，重则引发车毁人亡的事故。在工业应用中，感应电机和永磁同步是主要的两种电机类型，特别是在运载领域(飞机、汽车、舰船等)。电机的健康状态对整车的性能及安全可靠性起着至为重要的作用。一般来说，使用电力电子变化器(DC-DC和DC-AC)供电并通过脉宽调制(PWM)技术来实现电动机转速扭矩等输出参数的控制，再通过动力传动系统驱动运载执行器件。
作为核心元件，电机的故障可以分为电气和机械两种。他们故障和老化机理不同，但都会表现在电磁参数之中，比如气隙磁通之中(主磁通)。当前对电驱系统的研究主要是满足功能需求及降低成本，但对系统可靠性和状态监测的研究内容较少，目前广泛采用的是计划检修方案，也就是对设备进行定期维修养护。该方法适用于有统计意义的批量生产的电机产品。但是单个电机由于工况不同会存在故障形成的差异性，计划检修会造成维修不足或维修过度，影响电机正常运行。现有电动汽车中的电机系统没有状态检测功能。
就电机故障诊断而言，现有技术可以检测多种的电机参数，包含电流、电压、振动、电磁、温度等。这些方法均有一定程度的有效性，但是很多需要专用设备进行电机离线测量，难以提供长期连续的电机健康信息。有些如高压冲击测试本身也会给电机部件的健康带来一定的损伤。电驱系统可能长期处于高温、高速等极端运行状况下,电驱系统的可靠性成为制约电动汽车产业发展的一个突出问题。因此，高可靠性、智能化的电驱在线健康状态监测系统是一个需求牵引的重大课题。电驱系统状监测的智能化主要体现在如何有效地监测电机系统参数，实现对驱动电机的在线故障诊断和健康状态检测，提高电机的可靠性降低故障率和相应的维修养护成本。
发明内容
1.要解决的技术问题
针对现有电动汽车电机驱动系统缺乏故障诊断和状态监测方法单一，诊断效果不好，无法实现预测维护和在线健康检测等问题，本发明提供一种电动汽车驱动电机的故障诊断方法和应用，通过快速在线监测，可以实现对已有故障的检测和未来故障的预测。
2.技术方案
本发明的目的通过以下技术方案实现。
一种电动汽车驱动电机的故障诊断方法，包括以下步骤：
步骤1：解析和分析电动汽车驱动电机故障形成机理；
步骤2：搭建数学模型和故障机理理论，确定电动汽车驱动电机故障与传感器测量信号之间的关系和计算方法；
步骤3：实时测量电动汽车电机参数，并对测量数据进行分析，通过步骤2搭建的模型进行电机状态检测。
更进一步的，分别使用巨磁阻传感器和长周期光纤光栅传感器用于电动汽车驱动电机的状态检测，使用长周期光纤光栅传感器检测数据构建检测模型，再将巨磁阻传感器检测数据应用至该模型实现检测。
更进一步的，步骤1包括以下步骤：
步骤1-1：构建电动汽车中感应电机和永磁同步电机在汽车运行环境和工况条件下电气和机械故障的数学模型，确定理论推导及创新故障特征值；
步骤1-2：建立电动汽车电机的多物理模型，将步骤1-1的数学模型结合数值驱动模型，得到电机故障形成和材料老化机理相结合的混合模型；
步骤1-3：搭建传感器测量电路，通过测量不同类型故障情况下电动汽车电机运行的电磁信号，分析电气和机械故障对主磁通、漏磁通和端口绕组电流电压，建立数据驱动和模型预测相结合的电动汽车驱动电机故障模型。
更进一步的，步骤2包括以下步骤：
步骤2-1：根据步骤1混合模型确认电动汽车电机故障与传感测量信号之间的关系和计算方法；
步骤2-2：利用巨磁阻传感技术测量感应电机漏磁通和漏电流，结合步骤2-1，确认传感器网络空间分布拓扑；
步骤2-3：通过长周期光纤光栅传感器测量主磁通、温度和转矩，确定长周期光纤传感器网络空间分布的拓扑；
步骤2-4：根据上述步骤结构，搭建测试平台，确定电动汽车电机故障及控制策略。
更进一步的，步骤3包括以下步骤：
步骤3-1：使用测量数据完善数据模型，分析电动汽车电机故障、老化与其使用寿命的关系；
步骤3-2：搭建电机驱动系统的在线故障诊断、健康状态评价和关键器件的剩余使用寿命评估的数据驱动模型，并测试系统相关性能指标；
步骤3-3：分析电动汽车电机的故障诊断中各种数据测量方法和数据分析方法，优化故障诊断算法和不同工况下的故障诊断方法；
步骤3-4：将开发的系统应用在电动汽车上，进行现场测试并完善功能。
更进一步的，设置本地边缘计算提炼压缩上传云端数据，云端数据模块对电机数据进行存储和后台处理，云端数据模块根据接收到的数据动态更新数据模型，及时判断发生的故障及对未来故障进行预测。
更进一步的，如果正在发生严重的电机故障，可能失去驱动动力，云端数据模块处理和计算后的数据通过网关反馈到逆变器进行干预，逆变器控制电机供电电压并通过脉宽调制技术控制电压波形，从而降低电机出力达到故障穿越。这样可以为汽车和司乘人员赢得宝贵时间及时停车或开往安全区域/修车厂。。
一种电动汽车驱动电机的故障诊断系统，使用所述的一种电动汽车驱动电机的故障诊断方法，包括电机本体、逆变器、传感器、网关和云端数据模块，传感器包括巨磁阻传感器和长周期光纤光栅传感器；传感器测量电机输出数据，经过本地处理后，通过网关传输至云端数据模块，云端数据模块对传感器测量的数据进行数据挖掘和云计算，实现状态检测的目的，如果需要干预电机运行，再通过网关反馈到逆变器，逆变器进行供电并通过脉宽调制技术控制电机输出参数，进而降低驱动电机运行性能，实现带障运行。
更进一步的，云端数据模块包括算法单元和数据处理单元。
一种电动汽车，包括所述的一种电动汽车驱动电机的故障诊断系统。
本发明首次将巨磁阻GMR传感器技术和长周期光纤光栅LPFG传感技术应用于电机故障诊断领域。使用多物理场模型和试验方法，揭示故障形成的动态演化机理，实现全生命周期电机状态监测和故障检测。
本发明的故障诊断以磁通测量为主，使用GMR传感器对漏磁测量分析电机内部电气和机械故障。现有技术是通过测量主磁通，需要将传感器安装在电机气隙磁场中。如果在机壳外测量漏磁场，并没有适合的传感技术可以实现微小磁场信号的精确测量，因为漏磁通是主磁通经过机壳(信号衰减)泄露到外界的磁通。
同时，本发明包括一个基于云端的数字孪生系统可以动态更新模型，及时判断发生的故障及预测未来可能的故障和时间。在智能汽车发展迅猛的今天，本发明可实现随时随地将电动汽车电机系统的运行数据、关键部件的健康状况传送云端，后台网络端实现故障诊断和生成方案，应用十分广泛。
3.有益效果
相比于现有技术，本发明的优点在于：
(1)本发明建立基于解析和数值模型的多源磁场、多故障、多工况下的电机漏磁场信号的成分分析，以及故障/老化的机理模型与辨识方法。同时本发明在检测诊断时，构建基于漏磁场测量的非侵入式电驱系统故障诊断、健康状态评估系统和剩余使用寿命预测模型。本发明还搭建非侵入式电驱系统实验测量平台，并获得相应实验验证。
(2)本发明提出电机状态监测软硬件实施方案，阐明故障与老化的特征参数和多故障的解耦方法。硬件平台包括传感器网络、数据采集、本地处理、无线传输、云计算及电机逆变供电等功能；软件平台包括大数据、参数识别、多物理故障和老化模型，实现运载装备的在线故障诊断和在线监测功能，完成一体化电驱动系统的集成及示范应用。完成电驱动产品电机参数调试、电机外特性测试及系统在电动汽车应用环境的测试任务。
(3)该发明具有很高的经济价值，使用本发明技术方案将开发出具有国际水平的新能源汽车电驱系统产品，项目预期完成达产后，将带来上千万的年产值。
附图说明
图1为本发明电机监测系统示意图；
图2为本发明主磁通泄露到机壳外的漏磁通空间分布；
图3为电机中FBG-T波长随漏磁通大小的变化规律；
图4为本发明感应电机某绕组短路故障测试结果。
具体实施方式
下面结合说明书附图和具体的实施例，对本发明作详细描述。
实施例1
电机驱动系统的可靠运行决定着驱动系统的稳定性、维修养护成本，以及车辆和司乘人员的安全。现有的故障诊断技术主要采取离线脱机方法、检测已经发生的故障；在线监测参数有限、精度不高，难以达到预测性维护或故障预测。其根本原因在于故障机理复杂、数值模型误差较大、多种故障之间的耦合、及缺乏非侵入式精确测量手段。本发明的目的事解决电驱系统的故障诊断的基础科学问题，实现全生命周期状况监测以提高运载装备的运行可靠性。
本实施例所述对电动汽车驱动电机的故障诊断系统，又称电机监测系统，如图1所示，包括电机本体、逆变器、传感器、网关和云端数据模块，传感器包括巨磁阻(GiantMagneto Resistance-GMR)传感器和长周期光纤光栅(Long period fiber grating-LPFG)传感器，云端数据模块包括算法模型和数据处理单元；传感器测量电机数据，通过网关传输至云端数据模块，云端数据模块对传感器测量的数据进行数据处理和计算，再通过网关反馈到逆变器，逆变器进行供电并通过脉宽调制(PWM)技术实现电机转速扭矩等输出参数的控制，通过动力传动系统驱动电机运行，如电机遇到故障也可及时获得反馈进行处理，实现电机全生命周期的状态监测和故障检测，尤其适合在电动汽车驱动电机的故障诊断中应用。
在电动汽车驱动电机的故障诊断方法主要包括以下步骤：
步骤1：解析和有限元分析电动汽车驱动电机故障形成机理。
本发明运用巨磁阻GMR传感技术实现精确的非侵入式的漏电磁测量，获取电气和机械故障、以及部件老化的信息。首先需要解决的是如何建立故障机理模型，以及建立测量参数与电机故障之间的数学关系，进而建立不同故障与测量参数的联系。
首选需要有一个侵入式的测量手段获取关键的故障和老化信息。LPFG作为一个高精度、抗干扰的光纤测量技术，其传感器如头发丝粗细，传感器非常小且易于安装，一根光纤可以同时测量上百个不同性质的信号。本发明技术方案利用LPFG测量主磁场、绕组温度、转矩等参数，以建立电磁模型来分析主磁场；建立多物理场模型来分析电力电子器件和电池材料疲劳老化的进程；运用可测端口参数检测开关器件和动力电池的关键健康参数，并且通过数据无线传输及云端进行数据分析及寿命预测。
本发明最终实现全生命周期电驱系统的故障诊断和在线状态监测。可以通过探索故障的表征和特性，找到每个故障的特征因子和多种故障相互影响的机制，从而揭示故障形成的机理和形成发展的规律。
步骤1-1：获取时先建立电动汽车中感应电机和永磁同步电机在汽车运行环境和工况条件下电气和机械故障的数学模型，完善理论推导及创新故障特征值。
步骤1-2：建立电动汽车电机的多物理模型，将步骤1-1中的数学模型结合数值驱动模型，得到结合后的电机故障形成和材料老化机理相结合的混合模型。
步骤1-3：搭建传感器测量电路，通过测量不同类型故障情况下电动汽车电机运行的电磁信号，分析电气和机械故障对主磁通、漏磁通和端口绕组电流电压的影响，建立数据驱动和模型预测相结合的电动汽车驱动电机故障模型。主磁通和漏磁通是主要关注的参数。端口测量的参数是传统检测方法测量常规参数，用以比对和校验。如图1所示主磁通泄露到机壳外的漏磁通空间分布，漏磁通包括径向漏磁通和轴向漏磁通，漏磁通信号十分微小，如果在机壳外测量漏磁场，并没有适合的传感器技术可以实现漏磁通的精确测量。
如图2所示电机中FBG-T波长随漏磁通大小的变化规律，从图2可以看出，漏磁通大小随着波长的大小呈现相同的变化趋势。根据图3所示感应电机某绕组短路故障测试结果，圆点标记表示测试结果健康的曲线，星型标记表示线铁短路曲线，三角形标记表示匝间短路曲线。
电机端口参数检测时，使用传统动态检测方式，实现对电机端口的电压、电流、du/di、di/dt等)及采用GMR和LPFG进行磁场测量，用于分析电机内部故障及部件老化程度。通过无线传输至云端的电机数字孪生系统中，及时更新电机健康模型和电热模型，用于判断发生故障以及未来发生故障的可能性和时间表。本发明有效提高电机状态监测的智能化水平，对电驱系统的可靠性和维护成本的降低起到关键重要的作用，从而提高运载装备的安全性。
步骤2：验证数学模型和故障机理理论。
步骤2-1：根据步骤1混合模型，完善并阐明电动汽车驱动电机故障与非侵入式传感测量信号之间的解析联系和定量计算方法。
步骤2-2：利用巨磁阻GMR传感技术测量漏磁通和漏电流，结合算法分析其特性，研究并确定传感器网络空间分布的拓扑。
步骤2-3：通过长周期光纤光栅LPFG传感器测量感应电机主磁通、温度和转矩，研究并确定光纤传感器网络空间分布的拓扑。
步骤2-4：搭建测试平台，确定电动汽车电机故障及控制策略。
制定实验平台计划，选购实验设备和材料，搭建硬件实验测试平台，开发对电机正常运行及多种故障状态运行的控制策略。本发明工作模型是多物理模型，与现有技术相比，实现电磁、热、机械耦合。
本发明将巨磁阻和长周期光纤光栅传感技术运用于电机故障诊断。以LPFG为主的测量手段实现探索规律、建立完善数学模型；以GMR为主的测量手段实现在线故障检测。本发明主要技术突破体现在微小电磁场测量和小信号提取，包括数据采集、分析和参数识别等。
步骤3：实时测量，并对测量数据进行分析，搭建在线状态检测平台。
步骤3-1：使用测量数据完善电机有限元模型和全生命周期电机健康模型，结合各种不同故障或工况下的理论分析及实验数据，分析研究故障、老化与电机使用寿命的影响。
步骤3-2：搭建完整的电驱系统的在线故障诊断、健康状态评价和关键器件的剩余使用寿命评估的数据驱动模型，并测试系统相关性能指标。
步骤3-3：分析各种测量方法、数据分析方法对电机的故障诊断的效率、准确率，优化故障诊断算法，完善不同工况的故障诊断技术。
步骤3-4：将开发的系统应用在具体设备上，进行现场测试。
将开发的系统搭载到新能源汽车或其他运载装备上，进行现场测试和功能完善。将实验成果应用到电动汽车驱动电机的故障诊断应用中。
常规模型采用电磁场模型或温度场模型分别分析同一电机的不同性能，难以实现耦合分析和系统优化。
本发明充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在云端的虚拟空间中完成映射，从而反映相对应的电机驱动系统的全生命周期过程。以数字化方式为物理对象创建虚拟模型，来模拟其在现实环境中的行为。通过搭建完整的数字系统，能实现从电驱系统全生命周期、多负载运行状态下的全过程数字化。并且可以根据系统的外界扰动，材料疲劳状态更新相应的控制参数，从而构建全生命周期的多参数耦合分析模型。根据部件老化或健康状态发出预警提供决策指导。对不同故障和老化情况提供不同程度的预警、强制干预和决策支持。经过实验室获得的数据和验证后，在运载装备中进行安装和测试。
本实施例提出在线状态监测有别于计划中的定期检查，只针对于关键的设备进行小范围测试，目的在于获得故障的异常征兆和动态信息，用以判断设备的损伤老化状态。这些信息可以用于提供预警、指导决策、安排检修及故障预测。通过对电机及功率器件故障形成机理的深入研究，不断完善和创新故障诊断技术，实现电驱系统在线故障诊断及状态监测。在考虑集成性、降低维修养护成本的基础上，可以提高运载装备电驱系统运行可靠性和整车的安全性，对提高相应司乘人员人身财产安全也具有现实意义。
以上示意性地对本发明创造及其实施方式进行了描述，该描述没有限制性，在不背离本发明的精神或者基本特征的情况下，能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一，实际的结构并不局限于此，权利要求中的任何附图标记不应限制所涉及的权利要求。所以，如果本领域的普通技术人员受其启示，在不脱离本创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本专利的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (10)
1.一种电动汽车驱动电机的故障诊断方法，其特征在于，包括以下步骤：
步骤1：解析和分析电动汽车驱动电机故障形成机理；
步骤2：搭建数学模型和故障机理理论，确定电动汽车驱动电机故障与传感器测量信号之间的关系和计算方法；
步骤3：实时测量电动汽车电机参数，并对测量数据进行分析，通过步骤2搭建的模型进行电机状态检测。
2.根据权利要求1所述的一种电动汽车驱动电机的故障诊断方法，其特征在于，分别使用巨磁阻传感器和长周期光纤光栅传感器用于电动汽车驱动电机的状态检测，使用长周期光纤光栅传感器检测数据构建检测模型，再将巨磁阻传感器检测数据应用至该模型实现检测。
3.根据权利要求2所述的一种电动汽车驱动电机的故障诊断方法，其特征在于，步骤1包括以下步骤：
步骤1-1：构建电动汽车中感应电机和永磁同步电机在汽车运行环境和工况条件下电气和机械故障的数学模型，确定理论推导及创新故障特征值；
步骤1-2：建立电动汽车电机的多物理模型，将步骤1-1的数学模型结合数值驱动模型，得到电机故障形成和材料老化机理相结合的混合模型；
步骤1-3：搭建传感器测量电路，通过测量不同类型故障情况下电动汽车电机运行的电磁信号，分析电气和机械故障对主磁通、漏磁通和端口绕组电流电压，建立数据驱动和模型预测相结合的电动汽车驱动电机故障模型。
4.根据权利要求2所述的一种电动汽车驱动电机的故障诊断方法，其特征在于，步骤2包括以下步骤：
步骤2-1：根据步骤1混合模型确认电动汽车电机故障与传感测量信号之间的关系和计算方法；
步骤2-2：利用巨磁阻传感技术测量感应电机漏磁通和漏电流，结合步骤2-1，确认传感器网络空间分布拓扑；
步骤2-3：通过长周期光纤光栅传感器测量主磁通、温度和转矩，确定长周期光纤传感器网络空间分布的拓扑；
步骤2-4：根据上述步骤结构，搭建测试平台，确定电动汽车电机故障及控制策略。
5.根据权利要求2所述的一种电动汽车驱动电机的故障诊断方法，其特征在于，步骤3包括以下步骤：
步骤3-1：使用测量数据完善数据模型，分析电动汽车电机故障、老化与其使用寿命的关系；
步骤3-2：搭建电机驱动系统的在线故障诊断、健康状态评价和关键器件的剩余使用寿命评估的数据驱动模型，并测试系统相关性能指标；
步骤3-3：分析电动汽车电机的故障诊断中各种数据测量方法和数据分析方法，优化故障诊断算法和不同工况下的故障诊断方法；
步骤3-4：将开发的系统应用在电动汽车上，进行现场测试并完善功能。
6.根据权利要求3或4或5所述的一种电动汽车驱动电机的故障诊断方法，其特征在于，设置本地边缘计算提炼压缩上传云端数据，云端数据模块对电机数据进行存储和后台处理，云端数据模块根据接收到的数据动态更新数据模型，及时判断发生的故障及对未来故障进行预测。
7.根据权利要求6所述的一种电动汽车驱动电机的故障诊断方法，其特征在于，如果正在发生严重的电机故障，可能失去驱动动力，云端数据模块处理和计算后的数据通过网关反馈到逆变器进行干预。逆变器控制电机供电电压并通过脉宽调制技术(PWM)控制电压波形，从而降低电机出力达到故障穿越。这样可以为汽车和司乘人员赢得宝贵时间及时停车或开往安全区域/修车厂。
8.一种电动汽车驱动电机的故障诊断系统，其特征在于，使用任意一项如权利要求1-7所述的一种电动汽车驱动电机的故障诊断方法，包括电机本体、逆变器、传感器、网关和云端数据模块，传感器包括巨磁阻传感器和长周期光纤光栅传感器；传感器测量电机输出数据，经过本地处理后，通过网关传输至云端数据模块，云端数据模块对传感器测量的数据进行数据挖掘和云计算，实现状态检测的目的。如果需要干预电机运行，再通过网关反馈到逆变器，逆变器进行供电并通过脉宽调制技术控制电机输出参数，进而降低驱动电机运行性能，实现带障运行。
9.根据权利要求9所述的一种电动汽车驱动电机的故障诊断系统，其特征在于，云端数据模块包括算法单元和数据处理单元。
10.一种电动汽车，其特征在于，包括如权利要求9所述的一种电动汽车驱动电机的故障诊断系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110414621.4A CN113125954A (zh) | 2021-04-16 | 2021-04-16 | 一种电动汽车驱动电机的故障诊断方法和应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110414621.4A CN113125954A (zh) | 2021-04-16 | 2021-04-16 | 一种电动汽车驱动电机的故障诊断方法和应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113125954A true CN113125954A (zh) | 2021-07-16 |
Family
ID=76777311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110414621.4A Pending CN113125954A (zh) | 2021-04-16 | 2021-04-16 | 一种电动汽车驱动电机的故障诊断方法和应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113125954A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113742903A (zh) * | 2021-08-19 | 2021-12-03 | 安徽科技学院 | 基于数字孪生技术的永磁同步电动机故障检测和识别方法 |
| CN113900020A (zh) * | 2021-08-20 | 2022-01-07 | 合众新能源汽车有限公司 | 一种新能源汽车驱动电机寿命估计方法、装置及电子设备 |
| EP4137983A1 (en) * | 2021-08-09 | 2023-02-22 | Deere & Company | Systems and methods for assessing degradation in drive components |
| CN116718954A (zh) * | 2023-05-30 | 2023-09-08 | 安徽大学 | 一种牵引变压器铁芯松脱移位模拟装置及其诊断方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH113497A (ja) * | 1997-06-10 | 1999-01-06 | Yasuyuki Sugano | 駐車案内システム |
| GB0609375D0 (en) * | 2005-05-12 | 2006-06-21 | Gen Electric | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor |
| US20090096407A1 (en) * | 2007-10-15 | 2009-04-16 | General Electric Company | Method and system for remotely determining the reliability of a dc motor system |
| KR20120061434A (ko) * | 2010-12-03 | 2012-06-13 | 현대모비스 주식회사 | 하이브리드/전기자동차의 온도센서 고장진단 장치 및 그 방법 |
| CN102722722A (zh) * | 2012-05-25 | 2012-10-10 | 清华大学 | 基于逻辑推理和故障辨识的混合故障检测诊断方法 |
| US20130172812A1 (en) * | 2011-12-29 | 2013-07-04 | Mark B. Kirschenman | Remote guidance system for medical devices for use in environments having electromagnetic interference |
| WO2014111920A1 (en) * | 2013-01-17 | 2014-07-24 | Sure Erasure Ltd. | System and method for monitoring of an electro-mechanical device |
| KR101432786B1 (ko) * | 2013-11-14 | 2014-09-23 | 엠앤디테크놀로지 주식회사 | 모터의 고장진단방법 및 그 시스템 |
| CN105334008A (zh) * | 2015-11-27 | 2016-02-17 | 中国电力科学研究院 | 一种变压器用光纤式油温传感器性能检测装置 |
| CN105508149A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 用于风力发电机组的故障检测方法及装置 |
| CN108303262A (zh) * | 2018-01-19 | 2018-07-20 | 南京世界村汽车动力有限公司 | 一种汽车发动机在线监测与故障诊断系统 |
| CN108594143A (zh) * | 2018-01-16 | 2018-09-28 | 宁德师范学院 | 一种永磁同步电机退磁故障诊断方法 |
| CN108921303A (zh) * | 2018-05-29 | 2018-11-30 | 青岛鹏海软件有限公司 | 工业电动机的故障诊断及预测性维护方法 |
| CN109765484A (zh) * | 2018-10-25 | 2019-05-17 | 青岛鹏海软件有限公司 | 基于“正确树”模型的电机在线监测和故障诊断方法 |
| CN109920082A (zh) * | 2019-03-11 | 2019-06-21 | 辽宁工业大学 | 一种混合动力电动汽车故障诊断预警方法 |
| RU2722060C1 (ru) * | 2019-11-01 | 2020-05-26 | Общество с ограниченной ответственностью "Эльмаш (УЭТМ)" | Индукционный аппарат |
| US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
| CN112014696A (zh) * | 2020-08-24 | 2020-12-01 | 国网天津市电力公司 | 基于局部放电特征的干式空心电抗器故障诊断方法及装置 |
-
2021
- 2021-04-16 CN CN202110414621.4A patent/CN113125954A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH113497A (ja) * | 1997-06-10 | 1999-01-06 | Yasuyuki Sugano | 駐車案内システム |
| GB0609375D0 (en) * | 2005-05-12 | 2006-06-21 | Gen Electric | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor |
| US20090096407A1 (en) * | 2007-10-15 | 2009-04-16 | General Electric Company | Method and system for remotely determining the reliability of a dc motor system |
| KR20120061434A (ko) * | 2010-12-03 | 2012-06-13 | 현대모비스 주식회사 | 하이브리드/전기자동차의 온도센서 고장진단 장치 및 그 방법 |
| US20130172812A1 (en) * | 2011-12-29 | 2013-07-04 | Mark B. Kirschenman | Remote guidance system for medical devices for use in environments having electromagnetic interference |
| CN102722722A (zh) * | 2012-05-25 | 2012-10-10 | 清华大学 | 基于逻辑推理和故障辨识的混合故障检测诊断方法 |
| WO2014111920A1 (en) * | 2013-01-17 | 2014-07-24 | Sure Erasure Ltd. | System and method for monitoring of an electro-mechanical device |
| KR101432786B1 (ko) * | 2013-11-14 | 2014-09-23 | 엠앤디테크놀로지 주식회사 | 모터의 고장진단방법 및 그 시스템 |
| CN105334008A (zh) * | 2015-11-27 | 2016-02-17 | 中国电力科学研究院 | 一种变压器用光纤式油温传感器性能检测装置 |
| CN105508149A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 用于风力发电机组的故障检测方法及装置 |
| CN108594143A (zh) * | 2018-01-16 | 2018-09-28 | 宁德师范学院 | 一种永磁同步电机退磁故障诊断方法 |
| CN108303262A (zh) * | 2018-01-19 | 2018-07-20 | 南京世界村汽车动力有限公司 | 一种汽车发动机在线监测与故障诊断系统 |
| CN108921303A (zh) * | 2018-05-29 | 2018-11-30 | 青岛鹏海软件有限公司 | 工业电动机的故障诊断及预测性维护方法 |
| CN109765484A (zh) * | 2018-10-25 | 2019-05-17 | 青岛鹏海软件有限公司 | 基于“正确树”模型的电机在线监测和故障诊断方法 |
| US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
| CN109920082A (zh) * | 2019-03-11 | 2019-06-21 | 辽宁工业大学 | 一种混合动力电动汽车故障诊断预警方法 |
| RU2722060C1 (ru) * | 2019-11-01 | 2020-05-26 | Общество с ограниченной ответственностью "Эльмаш (УЭТМ)" | Индукционный аппарат |
| CN112014696A (zh) * | 2020-08-24 | 2020-12-01 | 国网天津市电力公司 | 基于局部放电特征的干式空心电抗器故障诊断方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| MOHAMMED, A等: "FBG Thermal Sensing Ring Scheme for Stator Winding Condition Monitoring in PMSMs", IEEE TRANSACTIONS ON TRANSPORTATION ELECTRIFICATION, vol. 5, no. 4, XP011765677, DOI: 10.1109/TTE.2019.2945523 * |
| ZHANG FENG-GE等: "Ventilation system design and research on wind friction loss of rotor surface of MW high-speed permanent magnet motor", ELECTRIC MACHINES AND CONTROL, vol. 18, no. 2 * |
| 刘威;: "电动汽车驱动系统故障检测与诊断技术研究", 科技风, no. 16 * |
| 刘林奇;尚丽辉;: "多传感器信息融合技术在车载自诊断系统的研究", 现代电子技术, no. 23 * |
| 司纪凯等: "两自由度直驱感应电动机的特性分析", 微特电机, vol. 42, no. 8 * |
| 张露锋等: "分数槽永磁无刷直流同步电机特性分析", 微特电机, vol. 44, no. 8 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4137983A1 (en) * | 2021-08-09 | 2023-02-22 | Deere & Company | Systems and methods for assessing degradation in drive components |
| CN113742903A (zh) * | 2021-08-19 | 2021-12-03 | 安徽科技学院 | 基于数字孪生技术的永磁同步电动机故障检测和识别方法 |
| CN113900020A (zh) * | 2021-08-20 | 2022-01-07 | 合众新能源汽车有限公司 | 一种新能源汽车驱动电机寿命估计方法、装置及电子设备 |
| CN113900020B (zh) * | 2021-08-20 | 2024-03-12 | 合众新能源汽车股份有限公司 | 一种新能源汽车驱动电机寿命估计方法、装置及电子设备 |
| CN116718954A (zh) * | 2023-05-30 | 2023-09-08 | 安徽大学 | 一种牵引变压器铁芯松脱移位模拟装置及其诊断方法 |
| CN116718954B (zh) * | 2023-05-30 | 2024-05-10 | 安徽大学 | 一种牵引变压器铁芯松脱移位模拟装置及其诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113125954A (zh) | 一种电动汽车驱动电机的故障诊断方法和应用 | |
| CN112727965B (zh) | 采煤机制动器的故障监测方法及装置 | |
| CN110531266A (zh) | 一种同步电机励磁绕组匝间短路故障预警方法 | |
| EP4063875A1 (en) | Multi-information fusion-based fault early warning method and device for converter | |
| CN1862278A (zh) | 预测电动机剩余寿命的方法和系统 | |
| CN103163781A (zh) | 利用健康信息状态优化系统性能 | |
| Arhun et al. | System approach to the evaluation of the traction electric motor quality | |
| CN105716664A (zh) | 基于标幺化算法的电缆状态监测多参数关联分析方法 | |
| CN114576152A (zh) | 水泵状态监测系统、监测方法、装置、电子设备和介质 | |
| CN102520362A (zh) | 一种锂离子电池运行状态评估分析系统 | |
| CN115617628A (zh) | 一种数字孪生系统、研发方法、设备和存储介质 | |
| Pengbo et al. | Recent progress and prospective evaluation of fault diagnosis strategies for electrified drive powertrains: A comprehensive review | |
| CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
| CN112697306A (zh) | 一种电池包内部温度异常的检测方法、装置及相关产品 | |
| RU2719507C1 (ru) | Способ оценки технического состояния потребителя-регулятора на основе нейросетевого диагностирования | |
| CN109268692A (zh) | 一种供热管网井式补偿器泄漏监测系统及监测方法 | |
| CN112241511B (zh) | 交通工具辅助电气系统的性能检测方法及装置、终端 | |
| Caldara et al. | A fuzzy diagnostic system: application to linear induction motor drives | |
| Gubarevych et al. | Systematization And Selection Of Diagnosing Methods For The Stator Windings Insulation Of Induction Motors | |
| Chen et al. | EPBS_FIDMV: A fault injection and diagnosis methods validation benchmark for EPBS of EMU | |
| Nyanteh | Application of artificial intelligence to rotating machine condition monitoring | |
| Dmitry et al. | Identification of the Asynchronous Electric Motor Defects Based on Neural Networks | |
| Dineva et al. | Insulation state assessment of rotating electrical machines by employing generalized additive models | |
| CN115016443A (zh) | 一种采煤机机载控制系统功能安全测试装置及方法 | |
| Sun et al. | Review of diagnosis technique for equipment faults and its development trend |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20241008 |