CN113408739A - 定子温度的监控方法、装置、设备和存储介质 - Google Patents

Abstract

本申请公开了一种定子温度的监控方法、装置、设备和存储介质，该方法包括：获取第n‑N时刻至第n时刻的车辆数据，车辆数据包括电学参数、物理参数和环境参数，电学参数是与目标车辆中配备的电动机的电学性能相关的数据，物理参数是与电动机的工况相关的数据，环境参数是与电动机所在环境相关的数据，n、N为自然数，n≥2，1≤N＜n；调用定子温度预测模型对第n‑N时刻的定子温度以及第n‑N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度，定子温度预测模型包括采用深度学习算法的机器学习模型；当第n时刻的定子温度大于温度阈值时，进行报警。本申请通过机器学习模型对车辆数据进行处理得到定子温度，成本较低且可靠性较好。

Description

定子温度的监控方法、装置、设备和存储介质

技术领域

本申请涉及车辆控制技术领域，具体涉及一种电动机的定子温度的监控方法、装置、设备和存储介质。

背景技术

电动机由于其可靠性较高被广泛应用于车辆的驱动领域。电动机通常包括定子、转子和端盖等部件，对于配备有电动机(例如，永磁同步电动机)的车辆，当定子的温度过高时，会降低电动机的扭矩数据输出能力和扭矩数据输出的准确性，甚至会导致定子绕组的损坏，因此，对于定子温度的监控，是车辆控制中的一项重要指标。

相关技术中，定子温度的获取方法是通过在电动机附近设置的温度传感器(例如，热敏电阻)进行测量得到。然而，通过在车辆中设置温度传感器测量定子温度其成本较高；同时，由于电动机的运行环境通常较为严苛，温度的变化范围很大，振动频繁且可能遇到剧烈颠簸，因此会导致温度传感器失效或损坏，从而降低了定子温度监控的可靠性。

发明内容

本申请提供了一种定子温度的监控方法、装置、设备和存储介质，可以解决相关技术中提供的通过温度传感器测量电动机的定子温度方法所导致的成本较高可靠性较低的问题。

一方面，本申请实施例提供了一种定子温度的监控方法，包括：

获取第n-N时刻至第n时刻的车辆数据，所述车辆数据包括电学参数、物理参数和环境参数，所述电学参数是与目标车辆中配备的电动机的电学性能相关的数据，所述物理参数是与所述电动机的工况相关的数据，所述环境参数是与所述电动机所在环境相关的数据，n、N为自然数，n≥2，1≤N＜n；

调用定子温度预测模型对第n-N时刻的定子温度以及所述第n-N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度，所述定子温度预测模型包括采用深度学习算法的机器学习模型，所述定子温度是所述电动机的定子的温度；

当所述第n时刻的定子温度大于温度阈值时，进行报警。

可选的，所述电学参数包括定子的电流数据和/或定子的电压数据。

可选的，所述电学参数还包括所述电动机的母线电流数据和/或所述电动机的母线电压数据。

可选的，所述物理参数包括所述电动机的转速数据和/或所述电动机的扭矩数据。

可选的，所述环境参数包括所述电动机所在环境的温度。

可选的，所述环境参数还包括所述电动机的冷却水的温度。

可选的，所述机器学习模型包括回归模型、循环神经网络模型、卷积神经网络模型、线性模型、多项式模型、全连接神经网络模型和随机森林模型中的至少一种。

另一方面，本申请实施例提供了一种定子温度的预测装置，包括：

获取模块，用于获取第n-N时刻至第n时刻的车辆数据，所述车辆数据包括电学参数、物理参数和环境参数，所述电学参数是与目标车辆中配备的电动机的电学性能相关的数据，所述物理参数是与所述电动机的工况相关的数据，所述环境参数是与所述电动机所在环境相关的数据，n、N为自然数，n≥2，1≤N＜n；

处理模块，用于调用定子温度预测模型对第n-N时刻的定子温度以及所述第n-N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度，所述定子温度预测模型包括采用深度学习算法的机器学习模型，所述定子温度是所述电动机的定子的温度；

报警模块，用于当所述第n时刻的定子温度大于温度阈值时，进行报警。

另一方面，本申请实施例提供了一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或程序，所述指令或程序由所述处理器加载并执行以实现如上任一所述的定子温度的监控方法。

另一方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如上任一所述的定子温度的监控方法。

本申请技术方案，至少包括如下优点：

通过调用包含深度学习算法的机器学习模型对车辆数据进行处理得到定子温度，解决了通过温度传感器测量定子温度成本较高且可靠性较差的问题，同时，由于车辆数据中包含与定子温度高度相关的电学参数、物理参数和环境参数，因此预测得到的定子温度具有较高的精确度和准确度，从而提高了对定子温度进行监控的精确度和准确度，进而提高了车辆的安全性。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个示例性实施例提供的定子温度的监控方法的应用环境的示意图；

图2是本申请一个示例性实施例提供的定子温度的监控方法的流程图；

图3是本申请一个示例性实施例提供的车辆数据的处理方法的流程图；

图4是本申请一个示例性实施例提供的定子温度预测模型的训练方法的架构示意图；

图5是本申请一个示例性的实施例提供的定子温度模型的训练方法中的数据处理流程示意图；

图6是本申请一个示例性实施例提供的监控装置的框图；

图7是本申请一个示例性的实施例提供的计算机设备的框图。

具体实施方式

下面将结合附图，对本申请中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在不做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。

在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电气连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

参考图1，其示出了本申请一个示例性实施例提供的定子温度的监控方法的应用环境的示意图，如图1所示，其包括目标车辆110、服务器120和终端130(该终端130可以是智能手机、平板电脑或个人电脑)，目标车辆110中配备有电动机(图1中未示出)、控制设备111(该控制设备111可以是电子控制器(electronic control unit，ECU))和通信设备112。其中：

控制设备111和通信设备112之间可通过总线、硬线或其它有线或无线通信方式建立通信连接；控制设备111可通过通信设备112与服务器120建立通信连接。

通信设备112和服务器120之间可通过移动通信网络(例如，第三代移动通信(3rdgeneration mobile networks，3G)技术、长期演进(long term evolution，LTE)技术或第五代移动通信(5th generation mobile networks，5G)技术)建立无线通信连接。

服务器120和终端130之间可通过移动通信网络建立无线通信连接。

在本申请一个可选的实施例中，服务器120中部署有定子温度预测模型，其包括采用深度学习算法的机器学习模型，其用于对车辆数据进行处理，得到目标车辆110中配备的电动机的定子的温度。其中，车辆数据包括电学参数、物理参数和环境参数，电学参数是与目标车辆110中配备的电动机的电学性能相关的数据，物理参数是与该电动机的工况相关的数据，环境参数是与该电动机所在环境相关的数据。

控制设备111，用于在获取第n时刻的车辆数据后，通过通信设备112向服务器120发送车辆数据，n为自然数，n≥2。

服务器120，用于调用定子温度预测模型对第n-N时刻的定子温度以及第n-N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度后，向控制设备111发送预测得到的第n时刻的定子温度。其中，N为自然数，1≤N＜n，第n-N时刻至第n-1时刻的车辆数据是在第n时刻之前由控制设备111通过通信设备112发送的。

其中，第n-N时刻的定子温度是服务器120通过调用定子温度预测模型对第n-2N时刻的定子温度以及第n-2N时刻至第n-N时刻的车辆数据进行处理得到的，第n-2N至第n-N时刻的车辆数据是控制设备111发送的。若第n-N时刻的定子温度无法通过计算得到，或该温度是初始温度(即n-N＝1)，该初始温度可以是一个预设的数值，也可以是电动机的环境温度。

控制设备111，还用于通过通信设备112接收第n时刻的定子温度，当第n时刻的定子温度大于温度阈值时，通过报警声音和/或报警显示图像进行报警(即，通过车辆中配备的扬声器和/或显示器进行报警)；或，当第n时刻的定子温度大于温度阈值时，通过通信设备112向服务器120发送报警信息。

可选的，该报警信息中还可以携带监控结果(例如，该监控结果中包括定子温度)，终端130可在接收报警信息后，显示监控结果，并通过报警声音和/或报警显示图像进行报警(即，通过终端130上的扬声器和/或显示器进行报警)。

服务器120，还用于向终端130转发报警信息，该报警信息可用于提示持有终端130的用户对车辆110的电动机进行检修。

在本申请另一个可选的实施例中，定子温度预测模型可部署于控制设备111中或目标车辆110中的其它设备中(例如，域控制器)。

控制设备111，用于获取第n-N时刻至第n时刻的车辆数据；调用定子温度预测模型对第n-N时刻的定子温度以及第n-N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度；当第n时刻的定子温度大于温度阈值时，通过报警声音和/或报警显示图像进行报警(即，通过车辆中配备的扬声器和/或显示器进行报警)；或，当第n时刻的定子温度大于温度阈值时，通过通信设备112向服务器120发送报警信息。

服务器120，用于向终端130转发报警信息，该报警信息可用于提示持有终端130的用户对车辆110的电动机进行检修。可选的，该报警信息中还可以携带监控结果(例如，该监控结果中包括定子温度)，终端130可在接收报警信息后，显示监控结果，并通过报警声音和/或报警显示图像进行报警(即，通过终端130上的扬声器和/或显示器进行报警)。

可选的，上述实施例中，也可由服务器120判断第n时刻的定子温度是否大于温度阈值，当第n时刻的定子温度大于温度阈值时，由服务器120向终端130发送报警信息。

参考图2，其示出了本申请一个示例性实施例提供的定子温度的监控方法的流程图，该方法可应用于图1实施例中提供的实施环境中，该方法包括：

步骤201，获取第n-N时刻至第n时刻的车辆数据。

如上述，车辆数据包括电学参数、物理参数和环境参数。由于电学参数、物理参数和环境参数与定子温度相关度较高，因此通过获取包含电学参数、物理参数和环境参数的车辆数据能够

示例性的，当步骤201由控制设备执行时，控制设备可通过直接测量和/或间接测量(通过能够直接测量到的数据进行计算得到的数据)的方式获取得到车辆数据。例如，若电机数据中的物理参数包含电动机的转速数据和电动机的扭矩数据，可通过车辆中配备的传感器采集得到转速数据和扭矩数据；当步骤201由服务器执行时，可通过通信设备接收控制设备获取后向其发送的车辆数据。

控制设备可根据预设的时间步长△T获取车辆数据，在初始时刻，获取第一时刻的车辆数据，在△T后，获取第二时刻的车辆数据，以此类推。可选的，在获取新的车辆数据后，控制设备通过通信设备向服务器发送新的车辆数据，服务器接收车辆数据可通过车辆数据预测目标车辆的定子温度，或对定子温度预测模型进行训练和迭代。

可选的，本申请实施例中，电学参数包括定子的电流数据和/或定子的电压数据；可选的，电学参数还包括电动机的母线电流数据和/或电动机的母线电压数据。

可选的，本申请实施例中，物理参数包括电动机的转速数据和/或电动机的扭矩数据。

可选的，本申请实施例中，环境参数包括电动机所在环境的温度；可选的，环境参数还包括电动机的冷却水的温度。

步骤202，调用定子温度预测模型对第n-N时刻的定子温度以及第n-N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度。

示例性的，可对第n-N时刻至第n时刻的车辆数据进行预处理(例如依次降噪和滤波处理)得到预处理后的数据，然后对预处理后的数据进行特征提取得到特征变量，对第n-N时刻的定子温度以及特征变量进行处理得到第n时刻的定子温度。其中，该定子温度预测模型可包括回归模型、循环神经网络模型、卷积神经网络模型、线性模型(例如，岭回归模型)、多项式模型、全连接神经网络模型和随机森林模型中的至少一种。

如上述，当定子温度预测模型部署在服务器中时，由控制设备通过通信设备向服务器发送车辆数据，服务器调用定子温度预测模型对对第n-N时刻的定子温度以及第n-N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度；当定子温度预测模型部署在控制设备中时，由控制设备调用定子温度预测模型对第n-N时刻的定子温度以及第n-N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度。

其中，第n-N时刻的定子温度可通过向定子温度预测模型输入第n-2N时刻的定子温度和第n-2N时刻至第n-N时刻的车辆数据计算得到。若第n-N时刻为初始时刻(即第一时刻)，初始温度(即第一时刻的定子温度)可以是一个预设值。

步骤203，当第n时刻的定子温度大于温度阈值时，进行报警。

进行报警的方式可参考图1实施例，这里不再赘述。

综上所述，本申请实施例中，通过调用包含深度学习算法的机器学习模型对车辆数据进行处理得到定子温度，解决了通过温度传感器测量定子温度成本较高且可靠性较差的问题，同时，由于车辆数据中包含与定子温度高度相关的电学参数、物理参数和环境参数，因此预测得到的定子温度具有较高的精确度和准确度，从而提高了对定子温度进行监控的精确度和准确度，进而提高了车辆的安全性。

参考图3，其示出了本申请一个示例性实施例提供的车辆数据的处理方法的流程图，该方法可由图1实施例中的控制设备111或服务器120执行，该方法可以是图1实施例中当第n-N时刻的定子温度为预设温度时，在步骤202之前执行的方法，该方法包括：

步骤301，检测电动机的冷却时间是否大于时间阈值。

如上述，在调用定子温度预测模型对车辆数据进行处理时，依赖距离当前时刻之前N个时刻的定子温度，当前N个时刻的定子温度为初始温度时，需要确定该初始温度的值。当冷却时间大于时间阈值时，进入步骤302a；当冷却时间不大于时间阈值时，进入步骤302b。

步骤302a，将电动机所在环境的温度确定为初始温度。

步骤302b，获取电动机的冷却曲线，根据该冷却曲线计算初始温度。

其中，电动机的冷却曲线可以是电动机从最近的关闭时刻至第n时刻的环境温度的曲线，可通过该冷却曲线计算得到初始温度。

参考图4，其示出了本申请一个示例性实施例提供的定子温度预测模型的训练方法的架构示意图，该实施例中涉及的训练方法可以是在图2实施例之前执行的方法，该训练方法可由图1实施例中的服务器120，或其它的服务器执行：

采集模块410：

可通过车联网的数据采集技术，从车辆中获取如上述的车辆数据，进行数据清洗和数据加工，并将清洗和加工后的数据划分为训练集和测试集。

特征提取模块420：

该模块可对采集的车辆数据进行筛选和预处理(例如降噪、滤波等)，然后对预处理后的数据进行特征分析和特征处理(例如进行特征分析、归一化等)，得到特征变量。

训练模块430：

可基于提取出的特征变量、训练集数据以及机器学习模型进行模型训练，基于测试集数据对训练后的模型泛化能力进行测试，直至定子温度预测模型满足监控性能指标要求。可选的，该机器学习模型可包括随回归模型、循环神经网络模型、卷积神经网络模型、线性模型、多项式模型、全连接神经网络模型和随机森林模型中的至少一种。

参考图5，其示出了本申请一个示例性的实施例提供的定子温度模型的训练方法中的数据处理流程示意图。如图5所示，以n＝N+1为例，对机器学习模型的训练方法进行说明：该机器学习模型采用了过去N+1个时刻的车辆数据(如图5所示，其可以包括定子的电流数据、定子的电压数据、电动机的母线电流数据、电动机的母线电压数据、电动机的转速数据、电动机的扭矩数据、电动机所在环境的温度和电动机的冷却水的温度)和初始温度作为模型的输入，经过机器学习模型的处理后，输出第N+1时刻的定子温度。

该机器学习模型的“深度”体现为时间维上的深度，即需要N+1个时刻的状态作为输入。当其包括循环神经网络时，时间维上的深度(即每个时刻之间的关联)通过模型的隐状态h进行传递；当其包括卷积神经网络时，时间维上的深度可以通过转换，相当于对多层的维度进行深度处理。

需要说明的是，初始温度可通过图3实施例中的方法进行确定，这里不在赘述。

部署模块440：

可将训练完成的机器学习模型部署于服务器(也可称为“云计算平台”或“云端”)中，实现在线监控电动机的定子温度的功能，当定子温度超过温度阈值时进行报警。

参考图6，其示出了本申请一个示例性实施例提供的监控装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为上述实施例中的控制设备或服务器，该装置包括获取模块610、处理模块620和报警模块630。

获取模块610，用于获取第n-N时刻至第n时刻的车辆数据。

处理模块620，用于调用定子温度预测模型对第n-N时刻的定子温度以及第n-N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度。

报警模块630，用于当第n时刻的定子温度大于温度阈值时，进行报警。

可选的，本申请实施例中，电学参数包括定子的电流数据和/或定子的电压数据。

可选的，本申请实施例中，电学参数还包括电动机的母线电流数据和/或电动机的母线电压数据。

可选的，本申请实施例中，物理参数包括电动机的转速数据和/或电动机的扭矩数据。

可选的，本申请实施例中，环境参数包括电动机所在环境的温度。

可选的，本申请实施例中，环境参数还包括电动机的冷却水的温度。

参考图7，其示出了本申请一个示例性的实施例提供的计算机设备的框图。该计算机设备可以是上述任一实施例中提供的控制设备或服务器，其包括：处理器710以及存储器720。

处理器710可以是中央处理器(central processing unit，CPU)，网络处理器(network processor，NP)或者CPU和NP的组合。处理器710还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic，GAL)或其任意组合。

存储器720通过总线或其它方式与处理器710相连，存储器720中存储有至少一条指令、至少一段程序、代码集或指令集，上述至少一条指令、至少一段程序、代码集或指令集由处理器710加载并执行以实现如上任一实施例中提供的定子温度的监控方法。存储器720可以为易失性存储器(volatile memory)，非易失性存储器(non-volatile memory)或者它们的组合。易失性存储器可以为随机存取存储器(random-access memory，RAM)，例如静态随机存取存储器(static random access memory，SRAM)，动态随机存取存储器(dynamicrandom access memory，DRAM)。非易失性存储器可以为只读存储器(read only memoryimage，ROM)，例如可编程只读存储器(programmable read only memory，PROM)，可擦除可编程只读存储器(erasable programmable read only memory，EPROM)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)。非易失性存储器也可以为快闪存储器(flash memory)，磁存储器，例如磁带(magnetic tape)，软盘(floppy disk)，硬盘。非易失性存储器也可以为光盘。

本申请还提供一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述任一实施例所述的定子温度的监控方法。

本申请还提供了一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行上述各个方法实施例提供的定子温度的监控方法。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请创造的保护范围之中。

Claims (10)

1.一种定子温度的监控方法，其特征在于，包括：

获取第n-N时刻至第n时刻的车辆数据，所述车辆数据包括电学参数、物理参数和环境参数，所述电学参数是与目标车辆中配备的电动机的电学性能相关的数据，所述物理参数是与所述电动机的工况相关的数据，所述环境参数是与所述电动机所在环境相关的数据，n、N为自然数，n≥2，1≤N＜n；

调用定子温度预测模型对第n-N时刻的定子温度以及所述第n-N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度，所述定子温度预测模型包括采用深度学习算法的机器学习模型，所述定子温度是所述电动机的定子的温度；

当所述第n时刻的定子温度大于温度阈值时，进行报警。

2.根据权利要求1所述的方法，其特征在于，所述电学参数包括定子的电流数据和/或定子的电压数据。

3.根据权利要求2所述的方法，其特征在于，所述电学参数还包括所述电动机的母线电流数据和/或所述电动机的母线电压数据。

4.根据权利要求1所述的方法，其特征在于，所述物理参数包括所述电动机的转速数据和/或所述电动机的扭矩数据。

5.根据权利要求1所述的方法，其特征在于，所述环境参数包括所述电动机所在环境的温度。

6.根据权利要求5所述的方法，其特征在于，所述环境参数还包括所述电动机的冷却水的温度。

7.根据权利要求1至6任一所述的方法，其特征在于，所述机器学习模型包括回归模型、循环神经网络模型、卷积神经网络模型、线性模型、多项式模型、全连接神经网络模型和随机森林模型中的至少一种。

8.一种定子温度的预测装置，其特征在于，包括：

获取模块，用于获取第n-N时刻至第n时刻的车辆数据，所述车辆数据包括电学参数、物理参数和环境参数，所述电学参数是与目标车辆中配备的电动机的电学性能相关的数据，所述物理参数是与所述电动机的工况相关的数据，所述环境参数是与所述电动机所在环境相关的数据，n、N为自然数，n≥2，1≤N＜n；

处理模块，用于调用定子温度预测模型对第n-N时刻的定子温度以及所述第n-N时刻至第n时刻的车辆数据进行处理，得到第n时刻的定子温度，所述定子温度预测模型包括采用深度学习算法的机器学习模型，所述定子温度是所述电动机的定子的温度；

报警模块，用于当所述第n时刻的定子温度大于温度阈值时，进行报警。

9.一种计算机设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或程序，所述指令或程序由所述处理器加载并执行以实现如权利要求1至7任一所述的定子温度的监控方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至7任一所述的定子温度的监控方法。

Images