CN113408740A - 转子温度的计算方法、装置、设备和存储介质 - Google Patents
转子温度的计算方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113408740A CN113408740A CN202110591523.8A CN202110591523A CN113408740A CN 113408740 A CN113408740 A CN 113408740A CN 202110591523 A CN202110591523 A CN 202110591523A CN 113408740 A CN113408740 A CN 113408740A
- Authority
- CN
- China
- Prior art keywords
- time period
- vehicle data
- ith
- rotor temperature
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/64—Electric machine technologies in electromobility
Abstract
本申请公开了一种转子温度的计算方法、装置、设备和存储介质,该方法包括:获取第i时间段的车辆数据,第i时间段的车辆数据包括从第i1时刻至第in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,i、n为自然数,i≥1,n≥2;对第i时间段的车辆数据进行特征构建,得到目标特征变量;调用转子温度预测模型对第i1时刻的转子温度以及目标特征变量进行处理,得到第in时刻的转子温度,转子温度预测模型包括采用深度学习算法的机器学习模型,转子温度是所述电动机的转子的温度;令i=i+1,重复上述步骤,直至i=N,N为时间段的数量,N为自然数,N≥2。本申请解决了通过无线遥测测量转子温度成本较高且适用性较窄的问题。
Description
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转子温度的计算方法、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(其通常为永磁体)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,当转子的温度过高时,会导致其出现不可逆的退磁,因此对于转子温度的监控,是车辆控制中的一项重要指标。
相关技术中,可通过在车辆中配备具有无线遥测技术的电动机,通过无线遥测获取转子的温度。然而,具有无线遥测技术的电动机其成本较高,同时,其难以整车安装,其适用性较窄。
发明内容
本申请提供了一种转子温度的计算方法、装置、设备和存储介质,可以解决相关技术中提供的通过无线遥测技术获取转子温度的方法成本较高且适用性较窄的问题。
一方面,本申请实施例提供了一种转子温度的计算方法,包括:
获取第i时间段的车辆数据,所述第i时间段的车辆数据包括从第i1时刻至第in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上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,i、n为自然数,i≥1,n≥2;
对所述第i时间段的车辆数据进行特征构建,得到目标特征变量,所述目标特征变量包括所述第i时间段的车辆数据的特征变量和所述第i时间段前的车辆数据的特征变量;
调用转子温度预测模型对第i1时刻的转子温度以及所述目标特征变量进行处理,得到第in时刻的转子温度,所述转子温度预测模型包括采用深度学习算法的机器学习模型,所述转子温度是所述电动机的转子的温度;
令i=i+1,重复上述步骤,直至i=N,N为所述时间段的数量,N为自然数,N≥2。
可选的,所述对所述第i时间段的车辆数据进行特征构建,得到目标特征变量,包括:
对所述第i时间段的车辆数据进行特征提取,得到第i时间段的特征变量;
在所述第i时间段的特征变量中增加辅助特征变量,得到原始目标特征变量,所述辅助特征变量包括所述第i时间段前的车辆数据的特征变量;
对所述原始目标特征变量进行量纲缩放,得到所述目标特征变量。
可选的,所述辅助变量包括所述第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数。
可选的,所述辅助变量还包括所述第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数的平均值。
可选的,所述辅助变量还包括所述第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数的方差。
可选的,所述电学参数包括转子的电流数据和/或转子的电压数据。
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和/或所述电动机的扭矩。
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。
另一方面,本申请实施例提供了一种计算装置,包括:
获取模块,用于获取第i时间段的车辆数据,所述第i时间段的车辆数据包括从第i1时刻至第in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上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,i、n为自然数,i≥1,n≥2;
处理模块,用于对所述第i时间段的车辆数据进行特征构建,得到目标特征变量,所述目标特征变量包括所述第i时间段的车辆数据的特征变量和所述第i时间段前的车辆数据的特征变量;调用转子温度预测模型对第i1时刻的转子温度以及所述目标特征变量进行处理,得到第in时刻的转子温度,所述转子温度预测模型包括采用深度学习算法的机器学习模型,所述转子温度是所述电动机的转子的温度;令i=i+1,重复上述步骤,直至i=N,N为所述时间段的数量,N为自然数,N≥2。
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转子温度的计算方法。
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转子温度的计算方法。
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转子温度,解决了通过无线遥测测量转子温度成本较高且适用性较窄的问题,同时,由于车辆数据中包含与转子温度高度相关的电学参数、物理参数和环境参数,因此预测得到的转子温度具有较高的精确度和准确度。
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转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转子温度的计算方法的流程图;
图3是本申请一个示例性实施例提供的特征构建方法的流程图;
图4是本申请一个示例性实施例提供的模型优化方法的流程图;
图5是本申请一个示例性实施例提供的转子温度预测模型的训练架构示意图;
图6是本申请一个示例性实施例提供的计算装置的框图;
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转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和服务器120,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 controlunit,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。
在本申请一个可选的实施例中,服务器120中部署有转子温度预测模型,其包括采用深度学习算法的机器学习模型,其用于对目标车辆的电动机的转子温度进行预测。
控制设备111,用于每隔预定的时间间隔获取车辆数据,在每次获取车辆数据后,通过通信设备112向服务器120发送车辆数据。
例如,预定的时间间隔为△T,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。在目标车辆110的目标驾驶循环中,其可以生成从第一时刻至第M时刻的车辆数据,每个时刻之间的时间间隔为△T,可设置一个窗口和窗口的步进长度,截取第一时刻至第M时刻的车辆数据,得到N个时间段的车辆数据。其中,M、N为自然数,M>N≥2。
例如,若窗口的大小为3,步进长度为1,则第一时间段的车辆数据为第一时刻的车辆数据、第二时刻的车辆数据和第三时刻的车辆数据,第二时间段的车辆数据为第二时刻的车辆数据、第三时刻的车辆数据和第四时刻的车辆数据,……,第i时间段的车辆数据为第i时刻的车辆数据、第i+1时刻的车辆数据和第i+2时刻的车辆数据,……,第N时间段的车辆数据为第M-2时刻的车辆数据、第M-1时刻的车辆数据和第M时刻的车辆数据。其中,i为自然数,i≥1。
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上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。
可选的,本申请实施例中,电学参数包括转子的电流数据和/或转子的电压数据;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,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,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。
服务器120,用于通过调用转子温度预测模型对车辆数据进行处理,得到转子温度,向控制设备111发送转子温度。
示例性的,服务器120通过调用转子温度预测模型对车辆数据进行处理得到转子温度的过程包括但不限于:对于N个时间段的中的第i时间段的车辆数据进行特征构建,得到目标特征变量,目标特征变量包括第i时间段的车辆数据的特征变量和第i时间段前的车辆数据的特征变量;调用转子温度预测模型对第i1时刻的转子温度以及目标特征变量进行处理,得到第in时刻的转子温度;令i=i+1,重复上述步骤,直至i=N。通过上述步骤,可得到N个时间段中每个时间段的转子温度。
其中,第i时间段的车辆数据包括从第i1时刻至第in时刻的车辆数据,n为窗口大小,第in时刻表示第i时间段中的第n时刻,n为自然数,n≥2。例如,如上述,若第i时间段为第二时间段,n=3,则第i1时刻的车辆数据为第二时刻的车辆数据,第i2时刻的车辆数据为第三时刻的车辆数据,第i3时刻的车辆数据为第四时刻的车辆数据。
控制设备111,还用于通过通信设备112接收转子温度,根据每个时刻的转子温度得到转子温度曲线,该转子温度曲线是时间-温度曲线。
在本申请另一个可选的实施例中,转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i时间段的车辆数据;对第i时间段的车辆数据进行特征构建,得到目标特征变量;调用转子温度预测模型对第i1时刻的转子温度以及目标特征变量进行处理,得到第in时刻的转子温度;令i=i+1,重复上述步骤,直至i=N。
可选的,本申请实施例中,在每隔预定时间间隔获取车辆数据后,通过通信设备112向服务器120发送车辆数据,该车辆数据用于使服务器120根据该车辆数据对转子温度预测模型进行训练和迭代,得到升级后的转子温度预测模型,使控制设备111通过通信设备112接收升级文件,根据该升级文件使转子温度预测模型升级为升级后的转子温度预测模型。
参考图2,其示出了本申请一个示例性实施例提供的转子温度的计算方法的流程图,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i时间段的车辆数据。
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转子温度相关度较高,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提高转子温度的计算准确度。
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。
控制设备可根据预定的时间间隔△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转子温度,或对转子温度预测模型进行训练和迭代。
示例性的,可通过大小为n的窗口,根据预定的步进长度截取车辆数据得到N个时间段的车辆数据,在N个时间段的车辆数据中选取第i时间段的车辆数据,第i时间段的车辆数据包括第i1时刻至第in时刻的车辆数据。
步骤202,对第i时间段的车辆数据进行特征构建,得到目标特征变量。
示例性的,在对第i时间段的车辆数据进行特征构建时,可增加第i时间段前的车辆数据的特征变量,处理得到目标特征变量。
步骤203,调用转子温度预测模型对第i1时间段的转子温度以及目标特征变量进行处理,得到第in时刻的转子温度。
可选的,该转子温度预测模型可包括回归模型、循环神经网络模型和卷积神经网络模型中的至少一种。
如上述,当转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,服务器对第i时间段的车辆数据进行特征构建得到目标特征变量,调用转子温度预测模型对第i1时刻的转子温度以及目标特征变量进行处理,得到第in时刻的转子温度,令i=i+1,重复上述步骤,则可以得到从第一时刻至第M时刻的转子温度。
如上述,当转子温度预测模型部署在目标车辆中时,由控制设备对第i时间段的车辆数据进行特征构建,得到目标特征变量,调用转子温度预测模型对第i1时刻的转子温度以及目标车辆数据进行处理,得到第in时刻的转子温度,令i=i+1,重复上述步骤,则可以得到从第一时刻至第M时刻的转子温度。
其中,第i1时刻的转子温度可通过前次循环过程计算得到,若第i1时刻的转子温度无法通过前次循环过程计算得到(例如,第i1时刻的转子温度为第一时刻的转子温度),则该温度可以是一个预定值。
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转子温度,解决了通过无线遥测测量转子温度成本较高且适用性较窄的问题,同时,由于车辆数据中包含与转子温度高度相关的电学参数、物理参数和环境参数,因此预测得到的转子温度具有较高的精确度和准确度。
参考图3,其示出了本申请一个示例性实施例提供的特征构建方法的流程图,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2实施例中步骤202的一种可选的实施方式,该方法包括:
步骤301,对第i时间段的目标数据进行特征提取,得到第i时间段的特征变量。
步骤302,在第i时间段的特征变量中增加辅助特征变量,得到扩充后的特征变量,辅助特征变量包括第i时间段前的车辆数据中的特征变量。
可选的,辅助变量包括第i时间段前预定个数(该预定个数可以是1,也可以大于1)的时间段中的电学参数、物理参数和环境参数;可选的,辅助变量还包括第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数的平均值;可选的,辅助变量还包括第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数的方差。
例如,对于第十时间段的特征变量,可在其中增加第九时间段、第八时间段和第七时间的电学参数、物理参数和环境参数及其平均值和方差作为辅助变量,得到原始目标特征变量。
步骤303,对扩充后的特征变量进行量纲缩放,得到目标特征变量。
参考图4,其示出了本申请一个示例性实施例提供的模型优化方法的流程图,该方法可以是在图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,或其它的服务器或计算机设备执行,该方法包括:
步骤401,获取历史车辆数据。
示例性的,可通过无线网络采集同一车辆多个驾驶循环中的车辆数据,或不同车辆在多个驾驶循环中的车辆数据作为历史车辆数据。其中,历史车辆数据可根据其对应的时间段进行划分,每个时间段中的车辆数据还包括转子温度作为标定结果。
步骤402,对历史车辆数据进行清洗,得到清洗后的数据。
其中,清洗后的数据中包括多个驾驶循环,不同工况下的电学参数、物理参数和环境参数。
步骤403,对清洗后的数据进行特征构建,得到目标特征变量。
例如,对于多个驾驶循环中的第k(k为自然数,k≥1)个驾驶循环中的数据,其包括kN个时间段的数据,对于kN个时间段中每个时间段的数据,可通过图2和图3实施例中提供的方法进行特征构建。
步骤404,将目标特征向量输出至多个不同类型的算法模型中,得到输出结果。
例如,不同类型的算法模型包括线性回归模型、随机森林模型、全连接神经网络模型和循环神经网络模型,可将目标特征向量分别输入至线性回归模型、随机森林模型、全连接神经网络模型和循环神经网络模型,得到每个算法模型的输出结果,该输出结果为每个时间段的转子温度。
步骤405,根据输出结果对每个类型的算法模型进行预定次数的训练,得到不同类型的优化后的模型。
示例性的,可根据每个算法模型的输出结果和标定结果进行比对得到误差,通过该误差对每个类型的算法模型进行训练,得到不同类型的优化后的模型。
在训练中,可通过调整不同类型的算法模型的关键参数(例如,随机森林模型中树的个数和深度,神经网络的层数和激活函数),得到优化后的模型。
步骤406,将不同类型的优化后的模型中,误差最小的作为待训练的模型。
步骤407,通过目标特征变量对待训练的模型进行训练,得到转子温度预测模型。
参考图5,其示出了本申请一个示例性实施例提供的转子温度预测模型的训练架构示意图,其包括:
获取模块510:
本模块可以部署在服务器(以下称为“云端”)或目标车辆的控制设备(例如ECU)中。若该模块部署在云端,则将车辆数据通过通信设备(例如Tbox)实时传输至云端,可供云端编写的脚本程序随时调用;若部署在控制设备,则可在控制器内部直接读取所需的车辆数据。
预处理模块520:
本模块用于从获取模块410获取的车辆数据中提取出训练所需的数据,经过特征构建,得到用于训练机器学习模型的数据集和测试机器学习模型的训练集。
其中,训练所需的数据可包括对电机转子温度会产生影响的变量,例如,转子的电流数据、转子的电压数据、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。
基于提取出的数据构造表征局部行驶工况的辅助变量,例如,对于每个时间段的目标数据都添加该时间之前预定时间段的各参数的值以及相应时间段内各参数的平均值和方差作为辅助特征,以向当前数据行添加包含电动机的前序运转信息的特征。此外,转子温度启动时刻的初始温度也被设置为特征量。特征变量构建完成后,各特征变量经过数据标准化的方法被缩放到同一量纲,以方便后续的机器学习算法模型的计算。
优化模块530:
本模块主要对线性回归模型、随机森林模型、全连接神经网络模型和循环神经网络模型等机器学习模型进行了参数优化和性能对比。
为了提高模型悬链的准确率和泛化效果,同一段驾驶循环中采集得到的车辆数据经过预处理后,在本模块中可通过Python脚本被拼接在一起。随后,模块内的脚本将不同的驾驶循环产生的车辆数据按比例分为训练集和测试集,并输入上述机器学习模型进行初步的训练,对比不同机器学习模型的表现优劣,通过模块内的脚本调整不同模型的关键参数(例如,随机森林中树的个数和深度,神经网络的层数、激活函数等),评价出每一类型的模型的最优参数,并以此训练出优化后的模型。随后使用包含不同工况的测试集对优化后的模型的性能和泛化能力进行测试,通过误差结果评判不同模型在转子温度预测中的性能优劣。并最终选择误差最小,整体性能最佳的模型作为待训练的模型,用于训练和在线部署。
训练模块540:
本模块可将训练集输入至待训练的模型进行训练,得到训练后的模型,基于测试集对训练后的模型泛化能力进行测试,直至该模型满足监控性能指标要求。
部署模块550:
可将训练完成的转子温度预测模型部署于服务器(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。
参考图6,其示出了本申请一个示例性实施例提供的计算装置的框图,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和处理模块620。
获取模块610,用于获取第i时间段的车辆数据。
处理模块620,用于对第i时间段的车辆数据进行特征构建,得到目标特征变量,目标特征变量包括第i时间段的车辆数据的特征变量和第i时间段前的车辆数据的特征变量;调用转子温度预测模型对第i1时刻的转子温度以及目标特征变量进行处理,得到第in时刻的转子温度;令i=i+1,重复上述步骤,直至i=N。
可选的,处理模块620,还用于对第i时间段的车辆数据进行特征提取,得到第i时间段的特征变量;在第i时间段的特征变量中增加辅助特征变量,得到扩充后的特征变量,辅助特征变量包括第i时间段前的车辆数据的特征变量;对扩充后的特征变量进行量纲缩放,得到目标特征变量。
可选的,辅助变量包括第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数。
可选的,辅助变量还包括第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数的平均值。
可选的,辅助变量还包括第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数的方差。
可选的,电学参数包括转子的电流数据和/或转子的电压数据。
可选的,电学参数还包括电动机的母线电流数据和/或所动机的母线电压数据。
可选的,物理参数包括电动机的转速和/或电动机的扭矩。
可选的,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。
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由控制设备或服务器执行的方法。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(dynamic random access memory,DRAM)。非易失性存储器可以为只读存储器(read onlymemory image,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(magnetictape),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转子温度的计算方法。
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转子温度的计算方法。
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 (13)
1.一种转子温度的计算方法,其特征在于,包括:
获取第i时间段的车辆数据,所述第i时间段的车辆数据包括从第i1时刻至第in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上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,i、n为自然数,i≥1,n≥2;
对所述第i时间段的车辆数据进行特征构建,得到目标特征变量,所述目标特征变量包括所述第i时间段的车辆数据的特征变量和所述第i时间段前的车辆数据的特征变量;
调用转子温度预测模型对第i1时刻的转子温度以及所述目标特征变量进行处理,得到第第in时刻的转子温度,所述转子温度预测模型包括采用深度学习算法的机器学习模型,所述转子温度是所述电动机的转子的温度;
令i=i+1,重复上述步骤,直至i=N,N为所述时间段的数量,N为自然数,N≥2。
2.根据权利要求1所述的方法,其特征在于,所述对所述第i时间段的车辆数据进行特征构建,得到目标特征变量,包括:
对所述第i时间段的车辆数据进行特征提取,得到第i时间段的特征变量;
在所述第i时间段的特征变量中增加辅助特征变量,得到扩充后的特征变量,所述辅助特征变量包括所述第i时间段前的车辆数据的特征变量;
对所述扩充后的特征变量进行量纲缩放,得到所述目标特征变量。
3.根据权利要求2所述的方法,其特征在于,所述辅助变量包括所述第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数。
4.根据权利要求3所述的方法,其特征在于,所述辅助变量还包括所述第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数的平均值。
5.根据权利要求4所述的方法,其特征在于,所述辅助变量还包括所述第i时间段前预定个数的时间段中的电学参数、物理参数和环境参数的方差。
6.根据权利要求1至5任一所述的方法,其特征在于,所述电学参数包括转子的电流数据和/或转子的电压数据。
7.根据权利要求6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。
8.根据权利要求1至5任一所述的方法,其特征在于,所述物理参数包括所述电动机的转速和/或所述电动机的扭矩。
9.根据权利要求1至5任一所述的方法,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。
10.根据权利要求1至5任一所述的方法,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。
11.一种计算装置,其特征在于,包括:
获取模块,用于获取第i时间段的车辆数据,所述第i时间段的车辆数据包括从第i1时刻至第in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上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,i、n为自然数,i≥1,n≥2;
处理模块,用于对所述第i时间段的车辆数据进行特征构建,得到目标特征变量,所述目标特征变量包括所述第i时间段的车辆数据的特征变量和所述第i时间段前的车辆数据的特征变量;调用转子温度预测模型对第i1时刻的转子温度以及所述目标特征变量进行处理,得到第in时刻的转子温度,所述转子温度预测模型包括采用深度学习算法的机器学习模型,所述转子温度是所述电动机的转子的温度;令i=i+1,重复上述步骤,直至i=N,N为所述时间段的数量,N为自然数,N≥2。
12.一种计算机设备,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9任一所述的转子温度的计算方法。
13.一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9任一所述的转子温度的计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110591523.8A CN113408740B (zh) | 2021-05-28 | 2021-05-28 | 转子温度的计算方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110591523.8A CN113408740B (zh) | 2021-05-28 | 2021-05-28 | 转子温度的计算方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408740A true CN113408740A (zh) | 2021-09-17 |
CN113408740B CN113408740B (zh) | 2023-08-01 |
Family
ID=77675028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110591523.8A Active CN113408740B (zh) | 2021-05-28 | 2021-05-28 | 转子温度的计算方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408740B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117895A (zh) * | 2021-11-09 | 2022-03-01 | 上海应用技术大学 | 永磁同步电机转子温度实时预测方法 |
CN114323672A (zh) * | 2021-11-19 | 2022-04-12 | 中国电器科学研究院股份有限公司 | 一种基于深度学习的汽车耐候性零部件温度预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3079954A1 (fr) * | 2018-04-10 | 2019-10-11 | Continental Automotive France | Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route |
WO2020264428A1 (en) * | 2019-06-28 | 2020-12-30 | Zoox, Inc. | System and method for determining a target vehicle speed |
CN112560173A (zh) * | 2020-12-08 | 2021-03-26 | 北京京航计算通讯研究所 | 一种基于深度学习的车辆耐候性温度预测方法及装置 |
CN112784482A (zh) * | 2021-01-15 | 2021-05-11 | 东软睿驰汽车技术(沈阳)有限公司 | 一种热失控预测方法及装置 |
-
2021
- 2021-05-28 CN CN202110591523.8A patent/CN113408740B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3079954A1 (fr) * | 2018-04-10 | 2019-10-11 | Continental Automotive France | Apprentissage automatique predictif pour la prediction d'une vitesse future d'un vehicule automobile en mouvement sur une route |
WO2020264428A1 (en) * | 2019-06-28 | 2020-12-30 | Zoox, Inc. | System and method for determining a target vehicle speed |
CN112560173A (zh) * | 2020-12-08 | 2021-03-26 | 北京京航计算通讯研究所 | 一种基于深度学习的车辆耐候性温度预测方法及装置 |
CN112784482A (zh) * | 2021-01-15 | 2021-05-11 | 东软睿驰汽车技术(沈阳)有限公司 | 一种热失控预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
杜维仲;王硕;: "基于LSTM的辅助动力装置系统辨识与仿真", 计算机测量与控制, no. 02 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117895A (zh) * | 2021-11-09 | 2022-03-01 | 上海应用技术大学 | 永磁同步电机转子温度实时预测方法 |
CN114323672A (zh) * | 2021-11-19 | 2022-04-12 | 中国电器科学研究院股份有限公司 | 一种基于深度学习的汽车耐候性零部件温度预测方法 |
CN114323672B (zh) * | 2021-11-19 | 2023-08-11 | 中国电器科学研究院股份有限公司 | 一种基于深度学习的汽车耐候性零部件温度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113408740B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408740B (zh) | 转子温度的计算方法、装置、设备和存储介质 | |
AU2017363221B2 (en) | Method and device for predicting wind turbine fault | |
EP3709039B1 (en) | Battery life learning device, battery life prediction device, method and program | |
CN111612050A (zh) | 遥测数据异常检测的方法 | |
CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
CN113156243A (zh) | 故障预测方法和预测系统 | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN114729967A (zh) | 用于估计储能器的状态的方法 | |
CN113396369A (zh) | 异常检测装置 | |
CN117077854B (zh) | 基于传感器网络的楼宇能耗监控方法及系统 | |
CN111971200A (zh) | 用于确定电池的老化状态的方法、计算机程序、存储装置、控制设备和车辆 | |
EP3608848A1 (en) | Method and device for use in estimating lifecycle of component | |
US11475255B2 (en) | Method for adaptive context length control for on-line edge learning | |
CN113033414A (zh) | 用电数据异常检测方法、装置、计算机设备和存储介质 | |
CN116413613A (zh) | 动力电池的soc估算方法、系统、车辆及介质 | |
US11639966B2 (en) | Enhanced electrical signature analysis for fault detection | |
CN116125288A (zh) | 用于检测电池异常的方法和装置 | |
CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 | |
CN115081545B (zh) | 司机轮换识别方法以及识别模型构建方法 | |
CN117334058B (zh) | 一种货车交通流量预测方法、装置、设备及存储介质 | |
CN115190038B (zh) | 一种状态确定方法以及装置 | |
US20230296685A1 (en) | Determination of open circuit voltage curve for rechargeable batteries | |
CN113212169A (zh) | 磁链的监控方法、装置、设备和存储介质 | |
CN112328970A (zh) | 基于车辆性能参数的事故预测方法和系统 | |
CN117057219A (zh) | 轮胎受损预测方法、装置、设备、存储介质及车辆 |
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 |