CN114444336A - 一种基于信息融合的新能源汽车电机寿命预估方法及系统 - Google Patents

一种基于信息融合的新能源汽车电机寿命预估方法及系统 Download PDF

Info

Publication number
CN114444336A
CN114444336A CN202210364120.4A CN202210364120A CN114444336A CN 114444336 A CN114444336 A CN 114444336A CN 202210364120 A CN202210364120 A CN 202210364120A CN 114444336 A CN114444336 A CN 114444336A
Authority
CN
China
Prior art keywords
motor
service life
information fusion
bearing
life
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
CN202210364120.4A
Other languages
English (en)
Other versions
CN114444336B (zh
Inventor
卓沛骏
赵彤
王杏
张志勇
楼阳冰
倪军
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.)
Hangzhou AIMS Intelligent Technology Co Ltd
Original Assignee
Hangzhou AIMS Intelligent 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 Hangzhou AIMS Intelligent Technology Co Ltd filed Critical Hangzhou AIMS Intelligent Technology Co Ltd
Priority to CN202210364120.4A priority Critical patent/CN114444336B/zh
Publication of CN114444336A publication Critical patent/CN114444336A/zh
Application granted granted Critical
Publication of CN114444336B publication Critical patent/CN114444336B/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提出一种基于信息融合的新能源汽车电机寿命预估方法及系统，方法包括以下步骤：获取电机内部轴承的设计参数；通过载荷容量理论建立电机轴承寿命与转速、扭矩的关系；生成设计疲劳损伤曲线；通过振动传感器采集电机工作状态下的信号；利用谱峭度图寻找冲击特征最明显的频段，并且过滤掉噪声信号；建立实时疲劳损伤曲线；通过离线台架测试标定电机的设计疲劳损伤曲线和实时疲劳损伤曲线；通过多源信息融合算法融合设计疲劳损伤曲线和实时疲劳损伤曲线，获得累积损伤估计；通过剩余损伤余量，推算电机剩余寿命。本发明从多源信息融合角度同时估算了电机轴承的累积损伤值，保证寿命估算结果的鲁棒性和准确性。

Description

一种基于信息融合的新能源汽车电机寿命预估方法及系统
技术领域
本发明涉及电机寿命预估技术领域，尤其是一种基于信息融合的新能源汽车电机寿命预估方法及系统。
背景技术
三电系统是新能源汽车区别于传统燃油车最核心的技术，是作为替代燃油车发动机系统而诞生的动力系统，其中电驱系统作为车辆的动力来源，其可靠性是整车非常重要的性能指标。电驱系统的机械部件主要包括电机及减速箱，其中轴承是保证整个电驱传动系统精度、效率、寿命和可靠性的核心零部件，但同时又是最容易出现性能劣化的部件之一。
随着新能源汽车的智能化水平日益提高，车载硬件的算力早已不同往日，给了整车各子系统智能诊断更多的发挥空间，更精确更及时的故障预警和寿命预测成为了可能。
以电机机械部件的智能诊断为例，过去常通过振动传感器监测的方法进行机械设备的寿命预测，但通过振动信号反映设备劣化程度具有高度的“突变性”，即振动信号对普通的性能衰退缺乏敏感性，只能在设备发生较严重故障时才能准确识别出来，对寿命预测而言这就失去了“前瞻性”；此外，振动信号还容易受到外界其他振动，例如车辆行驶过程中的冲击等影响，导致结果不准确。因此，通过振动信号的方式进行电机机械设备寿命预测，短期精度较差；
在轴承设计阶段，通常采用相应的疲劳理论以及设计工况获得对应型号轴承的理想寿命，一般来说，轴承寿命和负载以及循环次数直接相关，其设计寿命随着轴承的使用而逐渐减少。但是，大量实验表明，即使是相同型号及运行工况的轴承，其真实寿命的方差也非常大。因此，从设计角度进行轴承剩余寿命的推算，长期的精度较差；
综上所述，无论通过设计寿命或是振动监测进行机械部件的寿命预测，都有其局限性。
发明内容
本发明解决了现有技术对电机寿命预测的局限性的问题，提出一种基于信息融合的新能源汽车电机寿命预估方法及系统，从多源信息融合角度同时估算了电机轴承的累积损伤值，保证寿命估算结果的鲁棒性和准确性。
为实现上述目的，提出以下技术方案：
一种基于信息融合的新能源汽车电机寿命预估方法，包括以下步骤：
S100，获取电机内部轴承的设计参数；
S110，通过载荷容量理论建立电机轴承寿命与转速、扭矩的关系；
S120，基于Miner疲劳累积损伤定律，生成设计疲劳损伤曲线；
S200，通过振动传感器采集电机工作状态下的信号；
S210，利用谱峭度图寻找冲击特征最明显的频段，并且过滤掉噪声信号；
S220，计算滤波信号的包络曲线及其均方根值，表征电机实时损伤情况，建立实时疲劳损伤曲线；
S300，通过离线台架测试标定电机的设计疲劳损伤曲线和实时疲劳损伤曲线；
S400，通过多源信息融合算法融合设计疲劳损伤曲线和实时疲劳损伤曲线，获得累积损伤估计；
S500，通过剩余损伤余量，推算电机剩余寿命。
本发明从机理角度和数据驱动角度同时估算了电机轴承的累积损伤值。如果仅从机理角度推算电机剩余寿命，具有短周期下精度高但长周期下精度不足的问题，而仅从数据驱动角度推算电机剩余寿命，短周期下精度容易受到干扰但长周期下的精度较高，通过融合了两者的估算结果，实现优势互补，保证寿命估算结果的鲁棒性和准确性。
作为优选，所述S110的具体形式为：
Figure 100002_DEST_PATH_IMAGE002
其中：L为特定可靠性下的电机轴承基本额定寿命，106r；C为电机轴承的额定动载荷，Nm；T为轴承的当量动载荷，Nm；
Figure 100002_DEST_PATH_IMAGE004
为指数参数，对球轴承电机
Figure 895742DEST_PATH_IMAGE004
=3，对滚子轴承电机
Figure 759793DEST_PATH_IMAGE004
=10/3；
Figure 100002_DEST_PATH_IMAGE006
均为修正系数，分别是
Figure 100002_DEST_PATH_IMAGE008
为可靠性系数，
Figure 100002_DEST_PATH_IMAGE010
为材料系数，包括材料、设计和制造等影响因素；
Figure 100002_DEST_PATH_IMAGE012
为工作条件系数，包括润滑剂、清洁度和装配条件。
作为优选，所述S120基于Miner疲劳累积损伤定律具体为：
Figure 100002_DEST_PATH_IMAGE014
其中
Figure 100002_DEST_PATH_IMAGE016
为n时刻的累积损伤，当其等于1时表示电机轴承疲劳寿命终结；
Figure 100002_DEST_PATH_IMAGE018
表示在
Figure 100002_DEST_PATH_IMAGE020
条件下电机转动圈数；
Figure 100002_DEST_PATH_IMAGE022
表示在
Figure 100002_DEST_PATH_IMAGE023
条件下计算得到的电机轴承额定寿命。
作为优选，所述实时疲劳损伤曲线的计算步骤为：
a，采集n时刻前后的一段振动数据；
b，计算振动数据的谱峭度图，分解层数不小于5，获取谱峭度最大的频率fc和带宽bw；
c，带通滤波获取振动信号的包络EnvDat，滤波区间为[fc-bw/2,fc+bw/2]；
d，计算EnvDat均方根
Figure 100002_DEST_PATH_IMAGE025
作为n时刻的累积损伤参考值：
Figure 100002_DEST_PATH_IMAGE027
。
作为优选，所述S300具体为：台架测试为对若干同型号电机进行全生命周期测试，通过测试数据对设计疲劳损伤曲线和实时疲劳损伤曲线进行参数标定：
对电机轴承设计寿命与载荷关系的参数辨识后的形式为：
Figure 100002_DEST_PATH_IMAGE029
其中
Figure 100002_DEST_PATH_IMAGE031
为(
Figure 100002_DEST_PATH_IMAGE033
)%可靠性下，在当量扭矩为T的情况下的电机轴承额定寿命，106r；T为电机扭矩；
Figure 100002_DEST_PATH_IMAGE035
为
Figure 100002_DEST_PATH_IMAGE037
的简化，通过试验数据获取；
对电机轴承实时疲劳损伤修正后的形式为：
Figure 100002_DEST_PATH_IMAGE039
其中
Figure 100002_DEST_PATH_IMAGE041
为电机寿命终结时的包络均方根，通过寿命试验获取。
作为优选，所述多源信息融合算法包括加权平均法、Kalman滤波法、多贝叶斯估计法、概率统计方法、Dempster-Shafer证据推理法或人工神经网络法。
作为优选，所述S500剩余损伤余量推算电机剩余寿命，其推算方法为：
Figure 100002_DEST_PATH_IMAGE043
其中
Figure 100002_DEST_PATH_IMAGE045
为预估剩余里程数，
Figure 100002_DEST_PATH_IMAGE047
为电机每转一圈车辆的行驶里程数，
Figure 100002_DEST_PATH_IMAGE049
是当前估算得到的实时损伤，
Figure 100002_DEST_PATH_IMAGE051
为当前的实时扭矩。
一种基于信息融合的新能源汽车电机寿命预估系统，适用于上述的一种基于信息融合的新能源汽车电机寿命预估方法，包括振动传感器、转速传感器、扭矩传感器、电机控制单元MCU和功率集成单元PEU，所述振动传感器安装于电机表面；所述转速传感器和扭矩传感器安装于电机内部；所述电机控制单元MCU集成于功率集成单元PEU内部。
本发明的有益效果是：从机理角度和数据驱动角度同时估算了电机轴承的累积损伤值。如果仅从机理角度推算电机剩余寿命，具有短周期下精度高但长周期下精度不足的问题，而仅从数据驱动角度推算电机剩余寿命，短周期下精度容易受到干扰但长周期下的精度较高，通过融合了两者的估算结果，实现优势互补，保证寿命估算结果的鲁棒性和准确性。
附图说明
图1是实施例的方法流程图；
图2是实施例的系统构成简图；
其中：1、电机 2、电机控制单元MCU 3、功率集成单元PEU 1.1、振动传感器 1.2、转速传感器 1.3、扭矩传感器。
具体实施方式
实施例：
本实施例提出一种基于信息融合的新能源汽车电机寿命预估方法，参考图1，包括以下步骤：
S100，获取电机内部轴承的设计参数；
S110，通过载荷容量理论建立电机轴承寿命与转速、扭矩的关系；
根据动态剪切应力轴承寿命学说，轴承设计额定寿命的具体形式为：
Figure DEST_PATH_IMAGE052
其中L为特定可靠性下的电机轴承基本额定寿命，106r；C为电机轴承的额定动载荷，Nm；T为轴承的当量动载荷，Nm；
Figure 621437DEST_PATH_IMAGE004
为指数参数（对球轴承电机
Figure 912741DEST_PATH_IMAGE004
=3，对滚子轴承电机
Figure 445353DEST_PATH_IMAGE004
=10/3）；
Figure 100002_DEST_PATH_IMAGE053
均为修正系数，分别是
Figure DEST_PATH_IMAGE054
为可靠性系数，
Figure 100002_DEST_PATH_IMAGE055
为材料系数，包括材料、设计和制造等影响因素；
Figure DEST_PATH_IMAGE056
为工作条件系数，包括润滑剂、清洁度和装配条件等。
S120，基于设计额定寿命，通过Miner疲劳累积损伤定律，用疲劳损伤的形式表征轴承的寿命消耗，具体为：
Figure DEST_PATH_IMAGE057
其中
Figure DEST_PATH_IMAGE058
为n时刻的累积损伤，当其等于1时表示电机轴承疲劳寿命终结；
Figure DEST_PATH_IMAGE059
表示在
Figure DEST_PATH_IMAGE060
条件下电机转动圈数；
Figure DEST_PATH_IMAGE061
表示在
Figure DEST_PATH_IMAGE062
条件下计算得到的电机轴承额定寿命。
S200，通过振动传感器采集电机工作状态下的信号；
S210，利用谱峭度图寻找冲击特征最明显的频段，并且过滤掉噪声信号；
针对实时疲劳损伤曲线的计算，其具体步骤为：
采集n时刻前后的一段振动数据；
计算振动数据的谱峭度图，分解层数不小于5，获取谱峭度最大的频率fc和带宽bw；
带通滤波获取振动信号的包络EnvDat，滤波区间为[fc-bw/2,fc+bw/2]
S220，计算EnvDat均方根
Figure DEST_PATH_IMAGE063
作为n时刻的累积损伤参考值：
Figure DEST_PATH_IMAGE064
；
S300，通过台架测试对大量同型号电机进行全生命周期测试，通过测试数据对设计疲劳损伤曲线和实时疲劳损伤曲线进行参数标定，具体步骤为：
对电机轴承设计寿命与载荷关系的参数辨识后的形式为：
Figure DEST_PATH_IMAGE065
；
其中
Figure DEST_PATH_IMAGE066
为(
Figure DEST_PATH_IMAGE067
)%可靠性下，在当量扭矩为T的情况下的电机轴承额定寿命，106r；T为电机扭矩；
Figure DEST_PATH_IMAGE068
为
Figure DEST_PATH_IMAGE069
的简化，通过试验数据获取；
此处
Figure DEST_PATH_IMAGE071
取50，即
Figure DEST_PATH_IMAGE073
；
②对电机轴承实时疲劳损伤修正后的形式为：
Figure DEST_PATH_IMAGE074
；
S400，本实施例通过Kalman滤波算法作为信息融合的方法，如图2中的Kalman算法流程所示。
通过Kalman滤波算法，融合设计疲劳损伤曲线和实时疲劳损伤曲线，具体步骤为：
状态转移方程通过设计寿命获得，形式为：
Figure DEST_PATH_IMAGE076
；
其中
Figure DEST_PATH_IMAGE078
为t+1时刻预测损伤值，
Figure DEST_PATH_IMAGE080
为t时刻的损伤计算值，
Figure DEST_PATH_IMAGE082
为t时刻电机转速，
Figure DEST_PATH_IMAGE084
为t时刻扭矩，
Figure DEST_PATH_IMAGE086
为t+1时刻与t时刻的时间差，
Figure DEST_PATH_IMAGE088
为预测白噪声，通过台架试验获得。
量测方程通过计算包络曲线均方根值获得，形式为：
Figure DEST_PATH_IMAGE090
；
其中
Figure DEST_PATH_IMAGE092
为t+1时刻的观测累积损伤，
Figure DEST_PATH_IMAGE094
为计算误差，通过台架试验获得。
将上述方程代入Kalman算法，根据实时测量得到的振动信号以及主控系统提供的电机转速、扭矩信号，迭代求解获得电机累积损伤值的最优估计
Figure DEST_PATH_IMAGE096
。
S500，根据疲劳损伤值的最优估计，推算剩余寿命，方法为：
Figure DEST_PATH_IMAGE098
其中
Figure DEST_PATH_IMAGE099
为预估剩余里程数，
Figure DEST_PATH_IMAGE100
为电机每转一圈车辆的行驶里程数，
Figure DEST_PATH_IMAGE101
是当前估算得到的实时损伤，
Figure DEST_PATH_IMAGE102
为当前的实时扭矩。
本实施例还提出一种基于信息融合的新能源汽车电机寿命预估系统，如图2所示，包括电机1，电机控制单元MCU 2，功率集成单元PEU3；
电机1，安装振动传感器1.1，转速传感器1.2和扭矩传感器1.3；
振动传感器1.1，用于采集电机在工作状态下的振动数据；
转速传感器1.2，用于采集电机在工作状态下的实时转速数据；
扭矩传感器1.3，用于采集电机在工作状态下的实时扭矩数据；
电机控制单元MCU 2，集成在功率集成单元PEU3内，用于进行实时疲劳损伤曲线和设计疲劳损伤曲线，并通过信息融合算法将两者的数据融合到一起，获得当前疲劳累积的最优估计，并以此疲劳累积值推算电机剩余寿命，输出到用户界面。

Claims (9)

1.一种基于信息融合的新能源汽车电机寿命预估方法，其特征在于，包括以下步骤：
S100，获取电机内部轴承的设计参数；
S110，通过载荷容量理论建立电机轴承寿命与转速、扭矩的关系；
S120，基于Miner疲劳累积损伤定律，生成设计疲劳损伤曲线；
S200，通过振动传感器采集电机工作状态下的信号；
S210，利用谱峭度图寻找冲击特征最明显的频段，并且过滤掉噪声信号；
S220，计算滤波信号的包络曲线及其均方根值，表征电机实时损伤情况，建立实时疲劳损伤曲线；
S300，通过离线台架测试标定电机的设计疲劳损伤曲线和实时疲劳损伤曲线；
S400，通过多源信息融合算法融合设计疲劳损伤曲线和实时疲劳损伤曲线，获得累积损伤估计；
S500，通过剩余损伤余量，推算电机剩余寿命。
2.根据权利要求1所述的一种基于信息融合的新能源汽车电机寿命预估方法，其特征在于，所述S110的具体形式为：
Figure DEST_PATH_IMAGE002
其中：L为特定可靠性下的电机轴承基本额定寿命，106r；C为电机轴承的额定动载荷，Nm；T为轴承的当量动载荷，Nm；
Figure DEST_PATH_IMAGE004
为指数参数，对球轴承电机
Figure 28408DEST_PATH_IMAGE004
=3，对滚子轴承电机
Figure 414390DEST_PATH_IMAGE004
=10/3；
Figure DEST_PATH_IMAGE006
均为修正系数，分别是
Figure DEST_PATH_IMAGE008
为可靠性系数，
Figure DEST_PATH_IMAGE010
为材料系数，包括材料、设计和制造等影响因素；
Figure DEST_PATH_IMAGE012
为工作条件系数，包括润滑剂、清洁度和装配条件。
3.根据权利要求1所述的一种基于信息融合的新能源汽车电机寿命预估方法，其特征在于，所述S120基于Miner疲劳累积损伤定律具体为：
Figure DEST_PATH_IMAGE014
其中
Figure DEST_PATH_IMAGE016
为n时刻的累积损伤，当其等于1时表示电机轴承疲劳寿命终结；
Figure DEST_PATH_IMAGE018
表示在
Figure DEST_PATH_IMAGE020
条件下电机转动圈数；
Figure DEST_PATH_IMAGE022
表示在
Figure DEST_PATH_IMAGE023
条件下计算得到的电机轴承额定寿命。
4.根据权利要求1所述的一种基于信息融合的新能源汽车电机寿命预估方法，其特征在于，所述实时疲劳损伤曲线的计算步骤为：
a，采集n时刻前后的一段振动数据；
b，计算振动数据的谱峭度图，分解层数不小于5，获取谱峭度最大的频率fc和带宽bw；
c，带通滤波获取振动信号的包络EnvDat，滤波区间为[fc-bw/2,fc+bw/2]；
d，计算EnvDat均方根
Figure DEST_PATH_IMAGE025
作为n时刻的累积损伤参考值：
Figure DEST_PATH_IMAGE027
。
5.根据权利要求1所述的一种基于信息融合的新能源汽车电机寿命预估方法，其特征在于，所述S300具体为：台架测试为对若干同型号电机进行全生命周期测试，通过测试数据对设计疲劳损伤曲线和实时疲劳损伤曲线进行参数标定：
对电机轴承设计寿命与载荷关系的参数辨识后的形式为：
Figure DEST_PATH_IMAGE029
其中
Figure DEST_PATH_IMAGE031
为(
Figure DEST_PATH_IMAGE033
)%可靠性下，在当量扭矩为T的情况下的电机轴承额定寿命，106r；T为电机扭矩；
Figure DEST_PATH_IMAGE035
为
Figure DEST_PATH_IMAGE037
的简化，通过试验数据获取；
对电机轴承实时疲劳损伤修正后的形式为：
Figure DEST_PATH_IMAGE039
其中
Figure DEST_PATH_IMAGE041
为电机寿命终结时的包络均方根，通过寿命试验获取。
6.根据权利要求1所述的一种基于信息融合的新能源汽车电机寿命预估方法，其特征在于，所述多源信息融合算法包括加权平均法、Kalman滤波法、多贝叶斯估计法、概率统计方法、Dempster-Shafer证据推理法或人工神经网络法。
7.根据权利要求1所述的一种基于信息融合的新能源汽车电机寿命预估方法，其特征在于，所述S500剩余损伤余量推算电机剩余寿命，其推算方法为：
Figure DEST_PATH_IMAGE043
其中
Figure DEST_PATH_IMAGE045
为预估剩余里程数，
Figure DEST_PATH_IMAGE047
为电机每转一圈车辆的行驶里程数，
Figure DEST_PATH_IMAGE049
是当前估算得到的实时损伤，
Figure DEST_PATH_IMAGE051
为当前的实时扭矩。
8.根据权利要求5所述的一种基于信息融合的新能源汽车电机寿命预估方法，其特征在于，所述
Figure DEST_PATH_IMAGE053
取50，即
Figure DEST_PATH_IMAGE055
。
9.一种基于信息融合的新能源汽车电机寿命预估系统，适用于权利要求1所述的一种基于信息融合的新能源汽车电机寿命预估方法，其特征在于，包括振动传感器（1.1）、转速传感器（1.2）、扭矩传感器（1.3）、电机控制单元MCU（2）和功率集成单元PEU（3），所述振动传感器（1.1）安装于电机（1）表面；所述转速传感器（1.2）和扭矩传感器（1.3）安装于电机（1）内部；所述电机控制单元MCU（2）集成于功率集成单元PEU（3）内部。
CN202210364120.4A 2022-04-08 2022-04-08 一种基于信息融合的新能源汽车电机寿命预估方法及系统 Active CN114444336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210364120.4A CN114444336B (zh) 2022-04-08 2022-04-08 一种基于信息融合的新能源汽车电机寿命预估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210364120.4A CN114444336B (zh) 2022-04-08 2022-04-08 一种基于信息融合的新能源汽车电机寿命预估方法及系统

Publications (2)

Publication Number Publication Date
CN114444336A true CN114444336A (zh) 2022-05-06
CN114444336B CN114444336B (zh) 2022-07-26

Family

ID=81358987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210364120.4A Active CN114444336B (zh) 2022-04-08 2022-04-08 一种基于信息融合的新能源汽车电机寿命预估方法及系统

Country Status (1)

Country Link
CN (1) CN114444336B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1934433A (zh) * 2004-03-31 2007-03-21 中国电力股份有限公司 滚动轴承的剩余寿命诊断方法及剩余寿命诊断装置
US20100332153A1 (en) * 2007-12-14 2010-12-30 Reinder Hindrik Vegter Method of Determining Fatigue Life and Remaining Life
CN105760577A (zh) * 2016-01-28 2016-07-13 北京航空航天大学 一种含不确定性金属结构声振疲劳寿命的估算方法
CN105973597A (zh) * 2016-05-27 2016-09-28 北京交通大学 列车轴箱轴承寿命的试验预测方法
CN106021719A (zh) * 2016-05-19 2016-10-12 浙江工业大学 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法
CN107843427A (zh) * 2016-09-19 2018-03-27 舍弗勒技术股份两合公司 轴承剩余寿命的评估方法及装置
CN109857977A (zh) * 2019-03-08 2019-06-07 北京工业大学 一种变温振动下基于频域的疲劳寿命计算方法
CN110514979A (zh) * 2019-09-02 2019-11-29 重庆中涪科瑞工业技术研究院有限公司 一种地铁车辆牵引传动系统igbt模块寿命预测方法
CN110532626A (zh) * 2019-07-31 2019-12-03 西安交通大学 基于数字孪生的航空发动机主轴承剩余寿命预测方法
US20200096418A1 (en) * 2018-09-25 2020-03-26 Rolls-Royce Deutschland Ltd & Co Kg Method and device for estimating the state of wear of a journal bearing
CN111914370A (zh) * 2020-08-07 2020-11-10 上海理工大学 一种电驱动系统高速轴承可靠性试验载荷谱的编制方法
CN111985110A (zh) * 2020-08-24 2020-11-24 国电联合动力技术有限公司 风电机组偏航轴承寿命计算方法及装置
CN113343528A (zh) * 2021-06-11 2021-09-03 中北大学 跨点频响与动态响应特征融合的轴系疲劳损伤预测方法
CN113821979A (zh) * 2021-09-29 2021-12-21 中国华能集团清洁能源技术研究院有限公司 一种风电机组疲劳损伤和寿命评估方法、计算机设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1934433A (zh) * 2004-03-31 2007-03-21 中国电力股份有限公司 滚动轴承的剩余寿命诊断方法及剩余寿命诊断装置
US20100332153A1 (en) * 2007-12-14 2010-12-30 Reinder Hindrik Vegter Method of Determining Fatigue Life and Remaining Life
CN105760577A (zh) * 2016-01-28 2016-07-13 北京航空航天大学 一种含不确定性金属结构声振疲劳寿命的估算方法
CN106021719A (zh) * 2016-05-19 2016-10-12 浙江工业大学 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法
CN105973597A (zh) * 2016-05-27 2016-09-28 北京交通大学 列车轴箱轴承寿命的试验预测方法
CN107843427A (zh) * 2016-09-19 2018-03-27 舍弗勒技术股份两合公司 轴承剩余寿命的评估方法及装置
US20200096418A1 (en) * 2018-09-25 2020-03-26 Rolls-Royce Deutschland Ltd & Co Kg Method and device for estimating the state of wear of a journal bearing
CN109857977A (zh) * 2019-03-08 2019-06-07 北京工业大学 一种变温振动下基于频域的疲劳寿命计算方法
CN110532626A (zh) * 2019-07-31 2019-12-03 西安交通大学 基于数字孪生的航空发动机主轴承剩余寿命预测方法
CN110514979A (zh) * 2019-09-02 2019-11-29 重庆中涪科瑞工业技术研究院有限公司 一种地铁车辆牵引传动系统igbt模块寿命预测方法
CN111914370A (zh) * 2020-08-07 2020-11-10 上海理工大学 一种电驱动系统高速轴承可靠性试验载荷谱的编制方法
CN111985110A (zh) * 2020-08-24 2020-11-24 国电联合动力技术有限公司 风电机组偏航轴承寿命计算方法及装置
CN113343528A (zh) * 2021-06-11 2021-09-03 中北大学 跨点频响与动态响应特征融合的轴系疲劳损伤预测方法
CN113821979A (zh) * 2021-09-29 2021-12-21 中国华能集团清洁能源技术研究院有限公司 一种风电机组疲劳损伤和寿命评估方法、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘朋等: "基于信息融合与FastICA的轴承故障提取方法", 《振动与冲击》 *
汪睿等: "高耸塔器顺风向风振响应与疲劳寿命数值分析", 《压力容器》 *
苗学问等: "航空发动机主轴承使用状态寿命预测模型(英文)", 《TRANSACTIONS OF NANJING UNIVERSITY OF AERONAUTICS & ASTRONAUTICS》 *

Also Published As

Publication number Publication date
CN114444336B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN109606119B (zh) 一种电动汽车的续航里程校准方法及系统
US8315829B2 (en) Battery state-of-health monitoring system and method
CN107037370B (zh) 基于监控数据的电动汽车剩余电量计算方法
RU2695898C2 (ru) Система и способ записи рабочих циклов для транспортного средства
CN110174261B (zh) 多退化量监测的齿轮实时剩余寿命预测方法
CN109883691A (zh) 核估计和随机滤波集成的齿轮剩余寿命预测方法
CN110174281B (zh) 一种机电设备故障诊断方法及系统
US10054643B2 (en) Method and apparatus for isolating root cause of low state of charge of a DC power source
CN111775710B (zh) 一种新能源汽车行驶里程计算方法
CN113376455A (zh) 用于针对制动衬块磨损估计值进行emi评估的方法和系统
CN114371418B (zh) 一种基于实车充电数据的增量容量曲线确定方法
CN114444336B (zh) 一种基于信息融合的新能源汽车电机寿命预估方法及系统
CN114742413A (zh) 城市交通碳排放量监测系统及方法
CN115004048A (zh) 用于估计电池健康状态的方法
US20210074080A1 (en) Part maintenance and value estimation system
CN117131785B (zh) 一种电动航空发动机健康管理系统及方法
US11513164B2 (en) Method and system for estimating battery pack balance state of new energy vehicle
CN115079663A (zh) 一种基于数字孪生技术的车辆动力系统的监控方法及装置
WO2020144281A1 (fr) Procede de maintenance automatique d'un vehicule autonome
CN115824636A (zh) 一种自适应能量增长稀疏性度量的汽车变速箱状态监测方法
JP6292544B2 (ja) エンジンオイル劣化診断装置
CN116118571A (zh) 一种车辆续航里程的预测方法和装置
FR3135145A1 (fr) Systeme d’evaluation d’etat de charge ou de tension en circuit ouvert d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme
KR102172012B1 (ko) 철도차량 안전부품 진단장치
CN113093040A (zh) 电动汽车电池健康度评估方法、装置和系统

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