CN114475256B - 预测电动汽车中电机过温的方法和装置 - Google Patents
预测电动汽车中电机过温的方法和装置 Download PDFInfo
- Publication number
- CN114475256B CN114475256B CN202210243445.7A CN202210243445A CN114475256B CN 114475256 B CN114475256 B CN 114475256B CN 202210243445 A CN202210243445 A CN 202210243445A CN 114475256 B CN114475256 B CN 114475256B
- Authority
- CN
- China
- Prior art keywords
- motor
- vehicle
- temperature
- over
- overtemperature
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 19
- 238000007477 logistic regression Methods 0.000 claims description 17
- 239000012634 fragment Substances 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000006698 induction Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 81
- 230000006870 function Effects 0.000 description 17
- 238000009826 distribution Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000007476 Maximum Likelihood Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 4
- 239000000178 monomer Substances 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0061—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electrical machines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/42—Drive Train control parameters related to electric machines
- B60L2240/425—Temperature
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Transportation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Sustainable Energy (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Sustainable Development (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种预测电动汽车中电机过温的方和装置。其中,该方法包括:获取车辆传感器采集到的车辆数据流,车辆数据流为待测电动汽车行驶过程中产生的实时信号:对车辆数据流进行预处理,并采用上下文特征工程对预处理后的车辆数据流进行特征计算,得到待测电动车的多个车辆特征,车辆特征包括:影响待测电动汽车的电机是否过温的关键特征;将计算得到的车辆特征输入至电机过温预测模型,预测得到车辆的电机是否存在电机过温;如果存在,则发出预警信息。本发明解决了相关技术中由于电机温度过高造成的电机性能下降的技术问题。
Description
技术领域
本发明涉及新能源汽车领域,具体而言,涉及一种预测电动汽车中电机过温的方法和装置。
背景技术
对电动汽车而言,电源为电动汽车的驱动电机提供电能,电机将电源的电能转化为机械能,并通过传动装置或直接驱动车轮和工作装置。电机作为电动汽车整车的动力输出单元,被称为电动汽车的“心脏”。而当电机温度过高时,会导致电机性能下降、电机内部耐热性差的零件过热烧蚀,以及影响驾驶的舒适性。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种预测电动汽车中电机过温的方法和装置,以至少解决相关技术中由于电机温度过高造成的电机性能下降的技术问题。
根据本发明实施例的一个方面,提供了一种预测电动汽车中电机过温的方法,电机用于将电源的电能转化为驱动电动汽车工作的机械能,方法包括:获取车辆传感器采集到的车辆数据流,其中,车辆数据流为待测电动汽车行驶过程中产生的实时信号:对车辆数据流进行预处理,并采用上下文特征工程对预处理后的车辆数据流进行特征计算,得到待测电动车的多个车辆特征,其中,车辆特征包括:影响待测电动汽车的电机是否过温的关键特征;将计算得到的车辆特征输入至电机过温预测模型,预测得到车辆的电机是否存在电机过温;如果存在,则发出预警信息。
可选地,该方法还包括:创建电机过温预测模型,包括:获取多个电动汽车在历史行驶过程中产生的历史车辆数据;从历史车辆数据中提取与电机过温具有关联关系的多个车辆参数,其中,车辆参数包括如下至少之一:电机温度、电机转速、电机扭矩、电机电压和电流、车辆车速、电池剩余电量;基于与电机过温具有关联关系的多个车辆参数,确定影响电动汽车发生电机过温的多个关键特征;将多个关键特征经过特征工程处理,生成电机过温样本;采用电机过温样本训练机器学习模型,生成电机过温预测模型。
可选地,从历史车辆数据中提取与电机过温具有关联关系的多个车辆参数,包括:对历史车辆数据进行预处理,获取历史时间内实时产生的多个车辆信号;分析每个车辆信号与电机过温之间的关联关系,确定与电机过温存在强关联的车辆信号;基于与电机过温存在强关联的车辆信号,确定与电机过温具有关联关系的多个车辆参数,其中,每个与电机过温具有关联关系的车辆参数的关键特征。
可选地,基于与电机过温具有关联关系的多个车辆参数,确定影响电动汽车发生电机过温的多个关键特征,将多个关键特征经过特征工程处理,生成电机过温样本,包括:获取每个车辆信号所在的信号通道,并对每个车辆信号进行划分,得到每个信号通道的过温片段和正常片段;提取任意一个过温片段,并以提取到的过温片段第一个过温点为起始点,按照预定窗口长度为步长向前滑动至少一次,获取滑动窗口提取到的车辆参数;基于滑动窗口提取到的车辆参数,确定影响电动汽车发生电机过温的关键特征,其中,关键特征构成正样本;从远离过温片段的正常片段中提取负样本;合并正样本和负样本,生成电机过温样本。
可选地,该方法还包括:通过分析电机过温之前的电机温度,获取正样本筛选条件;如果提取到的车辆参数满足正样本筛选条件,则取该车辆参数的特征值作为关键特征,得到一条正样本。
可选地,如果提取到的车辆参数不满足正样本筛选条件,进入从远离过温片段的正常片段中提取负样本的步骤。
可选地,在采用电机过温样本训练机器学习模型,生成电机过温预测模型之前,该方法还包括:基于模型评价指标,从多个候选机器学习模型中选择用于训练的机器学习模型,其中,候选机器学习模型包括:逻辑回归模型、决策树模型、支持向量机模型、神经网络模型,模型评价指标包括如下至少之一:精确率、召回率、准确率,以及精确率和召回率之间的调和平均值;将选中的机器学习模型嵌入边缘端,以接收车辆传感器采集到的实时信号。
根据本发明实施例的另一方面,还提供了一种预测电动汽车中电机过温的装置,包括:获取模块,用于获取车辆传感器采集到的车辆数据流,其中,车辆数据流为待测电动汽车行驶过程中产生的实时信号:处理模块,用于对车辆数据流进行预处理,并采用上下文特征工程对预处理后的车辆数据流进行特征计算,得到待测电动车的多个车辆特征,其中,车辆特征包括:影响待测电动汽车的电机是否过温的关键特征;预测模块,用于将计算得到的车辆特征输入至电机过温预测模型,预测得到车辆的电机是否存在电机过温;预警模块,用于如果存在,则发出预警信息。
根据本发明实施例的另一方面,还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器执行上述的预测电动汽车中电机过温的方法。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制所在设备的处理器中执行上述的预测电动汽车中电机过温的方法。
在本发明实施例中,采用获取车辆传感器采集到的车辆数据流,其中,车辆数据流为待测电动汽车行驶过程中产生的实时信号:对车辆数据流进行预处理,并采用上下文特征工程对预处理后的车辆数据流进行特征计算,得到待测电动车的多个车辆特征,其中,车辆特征包括:影响待测电动汽车的电机是否过温的关键特征;将计算得到的车辆特征输入至电机过温预测模型,预测得到车辆的电机是否存在电机过温;如果存在,则发出预警信息的方式,通过机器学习对电机过温的关键特征进行处理,达到了能够准确地对电机是否过温的状态提前预测的目的,从而实现了对车辆的电机过温现象准确预警的技术效果,进而解决了相关技术中由于电机温度过高造成的电机性能下降的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种电动汽车电机过温预测方法的流程示意图;
图2是根据本发明实施例的一种可选的分布函数和密度函数的示意图;
图3是根据本发明实施例的一种可选的正负样本1:100的100次验证的准确率分布的示意图;
图4是根据本发明实施例的一种可选的正负样本1:100的100次验证的召回率分布的示意图;
图5是根据本发明实施例的一种可选的模型训练的流程示意图;
图6是根据本发明实施例的一种可选的模型应用的流程示意图;
图7是根据本发明实施例的一种电机过温预测装置的结构示意图;
图8是根据本发明实施例的一种可选的特征滑动提取示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种电动汽车电机过温的预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种电动汽车电机过温的预测方法的流程图,电机用于将电源的电能转化为驱动电动汽车工作的机械能,如图1所示,该方法包括如下步骤:
步骤S102,获取车辆传感器采集到的车辆数据流,其中,车辆数据流为待测电动汽车行驶过程中产生的实时信号。
上述步骤中提到的电动汽车可以是自动驾驶的电动汽车,也可以是用户驾驶的电动汽车。为了实现预测电动汽车电机过温的目的,该汽车上预先安装有预警系统,预警系统至少可以包括:处理车辆数据流的处理设备,预测电机过温的预测设备,以及发出告警信息的报警设备。此处的处理设备可以是内置于汽车的处理器,也可以是额外安装在汽车上的处理设备,此处的预测设备可以是内置于汽车的预测设备,也可以是额外安装在汽车上的预测设备,此处的报警设备可以是内置于车辆的蜂鸣器、显示屏、扬声器等,也可以是通过蓝牙、WIFI等通信方式与车辆连接的移动终端、音箱等,但不仅限于此,可以是任何能够提供声音或画面报警的设备。
上述步骤中的车辆数据流可以是待测电动汽车行驶过程中产生的实时信号,车辆数据流至少包括:电机温度、电机转速、电机扭矩、电机电压和电流、车辆车速、电池剩余电量。车辆传感器可以是电动汽车上已经安装的不同的传感器,可以包括但不限于:电机温度传感器、车速传感器、电机转速传感器、电机扭矩传感器、电压和电流传感器等。
可选地,为了确保车辆预警的准确性和及时性,在当前车辆启动之后,预警系统可以自动开启,并一直处于工作状态。
在一种可选的实施例中,当车辆启动后,车辆的预警系统可以自动开启并一直处于工作状态,车辆的处理设备可以通过车辆传感器,自动获取车辆传感器采集到的车辆数据流。
步骤S104,对车辆数据流进行预处理,并采用上下文特征工程对预处理后的车辆数据流进行特征计算,得到待测电动车的多个车辆特征,其中,车辆特征包括:影响待测电动汽车的电机是否过温的关键特征。
上述步骤中的车辆特征可以包括但不限于:电机温度的均值、最大值、最小值、绝对能量值、熵、末尾与起始温度的差值、上升点个数、车速均值、电机转速的均值、电机转矩均值、单体温度最大值均值、单体温度最小值均值、月份、电机状态、车辆状态。
在一种可选的实施例中,在获取到车辆数据流之后,车辆的处理设备首先可以对车辆数据流进行预处理,例如,对车辆数据流进行数据清洗,确保数据准确性,然后可以采用上下文特征工程对预处理后的车辆数据流进行特征计算,将预处理后的车辆数据流转换为多个车辆特征,具体处理过程可以是:首先从预处理后的车辆数据流中提取出所有特征,并对特征进行扩展,然后基于预先探索出的电机过温的关键因素,从所有特征中选出符合关键因素的关键特征,从而得到待测电动汽车的多个车辆特征。
步骤S106,将计算得到的车辆特征输入至电机过温预测模型,预测得到车辆的电机是否存在电机过温。
上述步骤中的电机过温预测模型可以是预先通过大数据和机器学习所得到的算法模型,并部署至车辆的预测设备中。在实际应用中可以根据不同需要采用不同模型。在本发明实施例中,模型选择的原则是在保证精确率和召回率的基础上,选择尽可能小的模型。因此,在本发明实施例汇总以逻辑回归(Logistic Regression)模型为例进行说明,逻辑回归模型主要用于解决二分类(0或1)问题。
在一种可选的实施例中,车辆的处理设备可以将计算得到的车辆特征输入至预测设备,通过预测设备中预先部署的预测模型进行计算,可以预测得到车辆的电机是否存在电机过温。
步骤S108,如果存在,则发出预警信息。
上述步骤中的报警信息可以是一种或多种不同类型的信息,例如,可以是图像信息(如指示灯闪烁、在显示屏上显示特定图标)、声音信息(如蜂鸣器蜂鸣、播放预设语音内容),但不仅限于此,在实际使用中可以根据需要进行设定。
在一种可选的实施例中,如果预测设备中的预测模型预测得到车辆的电机存在过温,那么预测设备将电机过温的信息输入至报警设备,则报警设备发出预警信息,例如,当报警设备为指示灯时,可以控制指示灯按照特定的频率闪烁;当报警设备为电动汽车的显示屏时,可以在显示屏上显示特定的图标;当报警设备为蜂鸣器时,可以控制蜂鸣器按照特定频率蜂鸣;当报警设备为扬声器时,可以控制扬声器播放特定语音内容,例如,扬声器播放“电机过热,请减速!”。
通过本发明上述实施例,采用获取车辆传感器采集到的车辆数据流,对车辆数据流进行预处理,并采用上下文特征工程对预处理后的车辆数据流进行特征计算,得到待测电动车的多个车辆特征,将计算得到的车辆特征输入至电机过温预测模型,预测得到车辆的电机是否存在电机过温,如果存在,则发出预警信息的方式,实现对电动汽车中电机过温进行预警的目的。容易注意到的是,通过上下文工程提取出电机过温的关键特征,并通过机器学习对电机过温的关键特征进行处理,充分考虑多种影响因素,达到了提前对电机过温进行预警的目的,从而实现了提高电机过温预测准确度的技术效果,进而解决了相关技术中由于电机温度过高造成的电机性能下降的技术问题。
可选地,该方法还包括:创建电机过温预测模型,包括:获取多个电动汽车在历史行驶过程中产生的历史车辆数据;从历史车辆数据中提取与电机过温具有关联关系的多个车辆参数,其中,车辆参数包括如下至少之一:电机温度、电机转速、电机扭矩、电机电压和电流、车辆车速、电池剩余电量;基于与电机过温具有关联关系的多个车辆参数,确定影响电动汽车发生电机过温的多个关键特征;将多个关键特征经过特征工程处理,生成电机过温样本;采用电机过温样本训练机器学习模型,生成电机过温预测模型。
上述的电机过温样本可以包括正样本与负样本,正样本即在过温片段之前且距离过温片段开始较近的样本,负样本即那些远离过温片段的样本。
在一种可选的实施例中,处理设备可以通过传感器获取多个电动汽车在历史行驶过程中产生的历史车辆数据,通过历史车辆数据,处理设备可以提取出与电机过温具有关联关系的多个车辆参数,基于与电机过温具有关联关系的多个车辆参数,处理设备可以确定影响电动汽车发生电机过温的多个关键特征;处理设备将多个关键特征经过特征工程处理,生成电机过温样本,将电机过温样本输入至预测设备,那么预测设备可以采用电机过温样本训练机器学习模型,生成电机过温预测模型。
可选地,从历史车辆数据中提取与电机过温具有关联关系的多个车辆参数,包括:对历史车辆数据进行预处理,获取历史时间内实时产生的多个车辆信号;分析每个车辆信号与电机过温之间的关联关系,确定与电机过温存在强关联的车辆信号;基于与电机过温存在强关联的车辆信号,确定与电机过温具有关联关系的多个车辆参数,其中,每个与电机过温具有关联关系的车辆参数的关键特征。
上述的车辆信号可以包括:电机温度、电机转速、电机扭矩、电机电压和电流、车辆车速、电池剩余电量等。
在一种可选的实施例中,处理设备可以对历史车辆数据进行预处理,获取历史时间内实时产生的多个车辆信号,并通过分析每个车辆信号与电机过温之间的关联关系,可以确定与电机过温存在强关联的车辆信号;处理设备基于与电机过温存在强关联的车辆信号,可以确定与电机过温具有关联关系的多个车辆参数,其中,每个与电机过温具有关联关系的车辆参数的关键特征。
可选地,基于与电机过温具有关联关系的多个车辆参数,确定影响电动汽车发生电机过温的多个关键特征,将多个关键特征经过特征工程处理,生成电机过温样本,包括:获取每个车辆信号所在的信号通道,并对每个车辆信号进行划分,得到每个信号通道的过温片段和正常片段;提取任意一个过温片段,并以提取到的过温片段第一个过温点为起始点,按照预定窗口长度为步长向前滑动至少一次,获取滑动窗口提取到的车辆参数;基于滑动窗口提取到的车辆参数,确定影响电动汽车发生电机过温的关键特征,其中,关键特征构成正样本;从远离过温片段的正常片段中提取负样本;合并正样本和负样本,生成电机过温样本。
上述的正常片段即非过温片段,因为预定窗口的长度和步长会影响电机过温的关键特征的取值结果,因此用户可以根据需求进行更改,在本实施例中,以预定窗口长度为20帧,步长为1为例进行说明。
在一种可选的实施例中,处理设备可以获取每个车辆信号所在的信号通道,并对每个车辆信号进行划分,得到每个信号通道的过温片段和正常片段,处理设备通过提取任意一个过温片段,并以提取到的过温片段第一个过温点为起始点,按照预定窗口长度为步长向前滑动至少一次,可以获取滑动窗口提取到的车辆参数,确定影响电动汽车发生电机过温的关键特征,其中,关键特征构成正样本,同时,处理设备还可以从远离过温片段的正常片段中提取负样本;合并正样本和负样本,生成电机过温样本。
可选地,该方法还包括:通过分析电机过温之前的电机温度,获取正样本筛选条件;如果提取到的车辆参数满足正样本筛选条件,则取该车辆参数的特征值作为关键特征,得到一条正样本。
上述的正样本筛选条件,经过多次试验,最终确定为:
电机温度一阶差分之和>0;
电机温度增长点个数>windows_size/2;
电机温度均值>55℃;
电机温度最大值>60;
电机温度最小值>52;
-8<电机温度首末之差<33;
电机温度极差>4。
在一种可选的实施例中,处理设备可以通过分析电机过温之前的电机温度,获取正样本筛选条件,如果提取到的车辆参数满足正样本筛选条件,那么处理设备可以提取该车辆参数的特征值作为关键特征,得到一条正样本。
可选地,如果提取到的车辆参数不满足正样本筛选条件,进入从远离过温片段的正常片段中提取负样本的步骤。
在一种可选的实施例中,如果处理设备提取到的车辆参数不满足正样本筛选条件,则处理设备进入从远离过温片段的正常片段中提取负样本的步骤。
可选地,在采用电机过温样本训练机器学习模型,生成电机过温预测模型之前,该方法还包括:基于模型评价指标,从多个候选机器学习模型中选择用于训练的机器学习模型,其中,候选机器学习模型包括:逻辑回归模型、决策树模型、支持向量机模型、神经网络模型,模型评价指标包括如下至少之一:精确率、召回率、准确率,以及精确率和召回率之间的调和平均值;将选中的机器学习模型嵌入边缘端,以接收车辆传感器采集到的实时信号。
上述的精确率(precison):表示预测为正的样本中有多少是真正的正样本,
召回率(recall):表示样本中的正样本有多少被预测正确,
准确率(accuracy):表示所有预测正确的样本占全部样本的比例,
F1值(f1-score):它是精确率和召回率的调和平均值,
在一种可选的实施例中,处理设备将生成的电机过温样本输入至预测设备,在生成电机过温预测模型之前,预测设备首先通过模型评价指标,从多个候选机器学习模型中选择用于训练的机器学习模型,然后将选中的机器学习模型嵌入边缘端,以接收车辆传感器采集到的实时信号。
下面结合图2至图6以及图8,对本发明一种可选的预测电机过温的方法进行详细说明,本方案使用大数据的手段,分析影响电机过温的因素(电机温度、车速、电机转速、电机扭矩、电压、电流、SOC、月份……),这些特征经特征工程进一步扩展产生更多特征,然后使用机器学习的方式训练电机过温预测模型。具体方案如下:
1.从数据湖下载原始数据,并进行数据清洗以保证训练数据准确性。
2.数据上探索电机过温的可能相关因素,这些相关因素将作为训练的关键特征。
判断某个信号通道与电机过温是否可能相关的策略是画出该信号通道的时序图,观察该信号在过温前与正常情况下有无明显特征(如激增、激减、震荡、数值偏高、数值偏低、出现极大值、出现极小值……)。
3.特征工程。提取影响电机过温的相关特征。
a)确定过温片段与正常片段(非过温片段):
b)正样本提取:
所谓正样本即在过温片段之前且距离过温片段开始较近的样本。
对如图8所示的每个过温片段第一个过温点开始,以w(如w=20)帧为窗口长度,以1为步长向前滑动提取正样本,滑动n次,即形成n个正样本,每个正样本中包含m个特征变量。其中,向前滑动次数n是由正样本提取停止条件决定的,由每个过温片段首个过温点向前滑动时,若当前样本满足条件则继续滑动,若不满足则停止滑动。其中,停止条件是观察过温前一段时间样本归纳得到的,是区别于其它样本的一些数据上的表现,具体包括窗口内一阶差分之和、增长点个数、最大值、最小值、极差等比较容易获得的指标。归纳原则是让绝大多数过温点前的样本均符合这些条件且过温前较长时间的样本不符合这些条件。停止条件的确定是整个流程中最重要的一步,如果条件过于宽松,模型的误报率将会过高;如果条件过于苛刻,正样本数量将过少,不利于模型训练。最终确定的条件为:
电机温度一阶差分之和>0;
电机温度增长点个数>windows_size/2;
电机温度均值>55℃;
电机温度最大值>60;
电机温度最小值>52;
-8<电机温度首末之差<33;
电机温度极差>4;
c)负样本提取:
所谓负样本即那些远离过温片段的样本。
由于正负样本数据不均衡,因此抽取的负样本大于正样本数量的三倍。
d)特征选择:
1)基于原始的信号通道,我们对特征进行了暴力扩展,分别计算每个通道的均值、标准差、最大值、最小值、熵、绝对能量值、一阶差分之和、上升点个数。
2)暴力扩展之后进行特征的选择。在特征的选择上,我们采取了两种方式混合的办法:第一,先计算每两个特征之间的相关系数,做出相关系数矩阵。所有相关系数大于0.3(弱相关及以上)的特征只保留1个。这样初步筛选去掉一部分特征。第二,将剩余的特征代入决策树模型,计算每个特征的信息增益,排序后取信息增益排在前60%(多次试验得出的数值)的特征。
最终选择电机温度的均值、最大值、最小值、绝对能量值、熵、末尾与起始温度的差值、上升点个数、车速均值、电机转速的均值、电机转矩均值、单体温度最大值均值、单体温度最小值均值、月份、电机状态、车辆状态。
4.模型选择。选择合适的算法模型进行训练。
模型选择的原则是在保证精确率和召回率的基础上,选择尽可能小的模型。对比各分类模型,最恰当的模型是逻辑回归。
逻辑回归(Logistic Regression)模型是监督学习的经典分类方法,主要用于解决二分类(0或1)问题。逻辑回归和线性回归都属于广义线性模型,二者的不同之处是,逻辑回归假设因变量y服从伯努利分布,而线性回归假设因变量y服从高斯分布;它们也有很多相同之处,简单的来说逻辑回归其实就是在线性回归的基础上套用一个sigmoid函数(逻辑函数)。
(1)Logistic分布
首先介绍一下logistic分布,假设X是连续随机变量,X服从Logistic分布是指X具有下列分布函数(如图2左侧所示)和密度函数(如图2右侧所示):
其中μ和γ分别是位置参数和尺度参数,当μ=0、γ=1时,便可得到后面我们要用的sigmoid函数(1/(1+e^(-x)))。
(2)二项逻辑回归模型函数映射
二项逻辑回归模型属于分类模型,以条件概率P(Y|X)表示。当随机变量Y取1或0时,它们的条件概率分布如下:
对于某一给定的输入实例x,可以求得P(Y=1|x)和P(Y=0|x),比较二者的大小,将实例x分到值较大的一类。可以看到在上面的条件概率分布值中,wx+b是线性函数,我们可以将以向量的形式对其进行转化,即:
w=(w(1),w(2),…,w(n),b)T
x=(x(1),x(2),…,x(n),1)T
转换后上面的条件概率变为:
然后,我们引入几率(odds)这一概念,即一个事件的几率(odds)为改事件发生概率和不发生概率的比值。将某一事件发生的概率设为p,则该事件的odds为p/(1-p),该事件的对数odds或logit函数为:
因此,对逻辑回归而言,可以得到:
综上,可以看出在逻辑回归模型中,输出Y=1的对数odds就是输出x的线性函数,所以说逻辑回归模型其实就只是在线性回归模型的基础上套用了一个逻辑函数(sigmoid函数)。
(3)二项逻辑回归模型概率解释
对于二分类(0或1)问题而言,只有0和1两种可能,因此它是服从伯努利分布,因此对于第i个样本,概率公式为:
P(yi=1|xi;w)=fw(x(i))
P(yi=0|xi;w)=1-fw(x(i))
所以,第i个样本正确预测的概率为:
P(y(i)|x(i);w)=(fw(x(i)))y(i)·(1-fw(x(i))1-y(i)
对于全部样本而言,假设样本之间相互独立,则整个样本空间的概率分布为:
P(Y|X;w)=Πp(y(i)|x(i);w)
得到以上分布后,我们就要利用已知的样本分布,求出模型的参数w,用到的方法就是极大似然估计。
(4)求解极大似然函数
求使得出现该组样本的概率最大的w值的极大似然估计,即:
对上式取对数,可得:
在此处,目的是通过求极大似然函数的最大值得出模型参数。而极大似然函数求最大可以转化为损失函数求最小。
(4)代价函数
逻辑回归的代价函数如下:
即:
Cost(hθ(x),y)=-yln(hθ(x))-(1-y)ln(1-hθ(x))
对上面的损失函数右边乘上1/m并把负号提出,就可以按照梯度下降算法来求得模型的参数w。如下:
5.模型评价指标。
1)模型在训练集上的评价如表1所示:
精确率(precison):表示预测为正的样本中有多少是真正的正样本,
召回率(recall):表示样本中的正样本有多少被预测正确,
准确率(accuracy):表示所有预测正确的样本占全部样本的比例,
F1值(f1-score):它是精确率和召回率的调和平均值,
表1过温模型训练测试集评价指标
2)使用正负样本比为1:100的样本,进行100次测试
由于在全车上正负样本的比例不平衡,因此选择正负样本比例为1:100时测试模型效果,并循环100次以表明验证结果的稳定性。在每一次循环中,正样本选取筛选后正样本的1/5,负样本数据是正样本数量的100倍,全部的负样本是从每辆车的负样本中抽取int(len(正样本)*1/5*100*1/22),即从每辆车的负样本中平均抽取。100次验证结果的准确率和召回率的分布如图3和图4所示。
3)实车测试结果如表2所示:
表2 22辆车全车验证结果
需要说明的是,此处的召回率是基于过温片段来进行计算,等于模型预测出的过温片段个数/实际发生过温片段的个数。
误报率—预测为过温但实际并未发生过温的个数/全车样本量的占比。
如图5所示,为本方案的模型训练流程图,具体步骤如下:
步骤51:下载离线基础数据;
步骤52:对数据进行预处理;
步骤53:分析各信号与电机过温的关系;
步骤54:分析电机过温前电机温度的特征,制定正样本筛选条件C;
步骤55:划分过温片段;
步骤56:合并间隔小于2000s的过温片段;
步骤57:取一个过温片段;
步骤58:从过温片段开始位置向前滑动窗口;
步骤59:判断窗口特征是否符合样本C;若符合,则取一条正样本,然后返回步骤58;若不符合,则进入步骤510;
步骤510:判断是否所有过温片段均已取完;若没有,则返回步骤57;若已全部取完,则进入步骤511;
步骤511:从离过温片段开始较远的非过温片段取负样本;
步骤512:合并正负样本;
步骤513:将正负样本归一化、标准化;
步骤514:将正负样本输入模型训练;
步骤515:得到电机过温预测模型。
6.模型应用
训练得到模型之后,将其嵌入边缘端接收车辆传感器采集到的实时信号。此外,需要一个数据预处理模块进行数据清洗并根据这些信号采用上文特征工程部分的方法计算特征。将这些特征输入训练好的模型进行预测,如果预测结果由False变为True,则将电机过温预警信号发送给车机系统,车机系统如果接收到电机过温的预警信号,则采取弹窗及语音的方式提示驾驶员。如果预测结果由True变为False,则发送电机过温预警结束信号,提醒驾驶员预警解除。
如图6所示,为本方案的模型应用流程图,具体步骤如下:
步骤61:接收实时数据流;
步骤62:对数据预处理;
步骤63:进行特征计算;
步骤64:将计算结果输入至电机过温预测模型中;
步骤65:判断结果是否由False变为True,若是,则发送电机过温预警到车机,结束流程;若不是,则进入步骤66;
步骤66:判断结果是否由True变为False,若是,则发送电机过温预警结束信号到车机,结束流程;若不是,则结束流程。
本文所提出的方案通过使用多维特征对电机过温进行提前预测,在电机发生过温前做出预警。本文提出的事先预警+提示驾驶员主动减速的方式,既保证了电机安全,又不会引起车辆抖动,更保留了驾驶员在安全范围内自主选择的权利。除此以外,使用大数据和机器学习的手段充分考虑了多种影响因素,比仅用阈值进行判断有更高的准确率。
实施例2
根据本发明实施例,提供了一种预测电动汽车中电机过温的装置,电机用于将电源的电能转化为驱动电动汽车工作的机械能,该装置可以执行上述实施例1中提供的电机过温预测方法,具体实现方式和优选应用场景与上述实施例1相同,在此不做赘述。
图7是根据本发明实施例的一种电机过温预测装置的结构示意图,如图7所示,该装置包括:获取模块72,用于获取车辆传感器采集到的车辆数据流,其中,车辆数据流为待测电动汽车行驶过程中产生的实时信号:处理模块74,用于对车辆数据流进行预处理,并采用上下文特征工程对预处理后的车辆数据流进行特征计算,得到待测电动车的多个车辆特征,其中,车辆特征包括:影响待测电动汽车的电机是否过温的关键特征;预测模块76,用于将计算得到的车辆特征输入至电机过温预测模型,预测得到车辆的电机是否存在电机过温;预警模块78,用于如果存在,则发出预警信息。
可选地,该装置还包括:第二获取模块,用于获取多个电动汽车在历史行驶过程中产生的历史车辆数据;提取模块,用于从历史车辆数据中提取与电机过温具有关联关系的多个车辆参数,其中,车辆参数包括如下至少之一:电机温度、电机转速、电机扭矩、电机电压和电流、车辆车速、电池剩余电量;确定模块,用于基于与电机过温具有关联关系的多个车辆参数,确定影响电动汽车发生电机过温的多个关键特征;生成模块,用于将多个关键特征经过特征工程处理,生成电机过温样本;第二生成模块,用于采用电机过温样本训练机器学习模型,生成电机过温预测模型。
可选地,该装置还包括:第三获取模块,用于对历史车辆数据进行预处理,获取历史时间内实时产生的多个车辆信号;第二确定模块,用于分析每个车辆信号与电机过温之间的关联关系,确定与电机过温存在强关联的车辆信号;第三确定模块,用于基于与电机过温存在强关联的车辆信号,确定与电机过温具有关联关系的多个车辆参数,其中,每个与电机过温具有关联关系的车辆参数的关键特征。
可选地,该装置还包括:划分模块,用于获取每个车辆信号所在的信号通道,并对每个车辆信号进行划分,得到每个信号通道的过温片段和正常片段;第四获取模块,用于提取任意一个过温片段,并以提取到的过温片段第一个过温点为起始点,按照预定窗口长度为步长向前滑动至少一次,获取滑动窗口提取到的车辆参数;第四确定模块,用于基于滑动窗口提取到的车辆参数,确定影响电动汽车发生电机过温的关键特征,其中,关键特征构成正样本;从远离过温片段的正常片段中提取负样本;合并正样本和负样本,生成电机过温样本。
可选地,该装置还包括:第五获取模块,用于通过分析电机过温之前的电机温度,获取正样本筛选条件;第二提取模块,用于如果提取到的车辆参数满足正样本筛选条件,则取该车辆参数的特征值作为关键特征,得到一条正样本。
可选地,该装置还包括:第三提取模块,用于如果提取到的车辆参数不满足正样本筛选条件,进入从远离过温片段的正常片段中提取负样本的步骤。
可选地,该装置还包括:选择模块,用于基于模型评价指标,从多个候选机器学习模型中选择用于训练的机器学习模型,其中,候选机器学习模型包括:逻辑回归模型、决策树模型、支持向量机模型、神经网络模型,模型评价指标包括如下至少之一:精确率、召回率、准确率,以及精确率和召回率之间的调和平均值;接收模块,用于将选中的机器学习模型嵌入边缘端,以接收车辆传感器采集到的实时信号。
实施例3
根据本发明实施例,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器执行实施例1所述的预测电动汽车中电机过温的方法。
实施例4
根据本发明实施例,提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制所在设备的处理器中执行实施例1所述的预测电动汽车中电机过温的方法。
实施例5
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行实施例1所述的预测电动汽车中电机过温的方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种预测电动汽车中电机过温的方法,其特征在于,所述电机用于将电源的电能转化为驱动所述电动汽车工作的机械能,所述方法包括:
获取车辆传感器采集到的车辆数据流,其中,所述车辆数据流为待测电动汽车行驶过程中产生的实时信号:
对所述车辆数据流进行预处理,并采用上下文特征工程对预处理后的所述车辆数据流进行特征计算,得到所述待测电动汽车的多个车辆特征,其中,所述车辆特征包括:影响所述待测电动汽车的电机是否过温的关键特征;
将计算得到的所述车辆特征输入至电机过温预测模型,预测得到所述电动汽车的电机是否存在电机过温;
如果存在,则发出预警信息;
其中,所述方法还包括:创建所述电机过温预测模型,包括:
获取多个电动汽车在历史行驶过程中产生的历史车辆数据;
从所述历史车辆数据中提取与电机过温具有关联关系的多个车辆参数,其中,所述车辆参数包括如下至少之一:电机温度、电机转速、电机扭矩、电机电压和电流、车辆车速、电池剩余电量;
基于与所述电机过温具有关联关系的多个车辆参数,确定影响所述电动汽车发生电机过温的多个关键特征;
将所述多个关键特征经过特征工程处理,生成电机过温样本;
采用所述电机过温样本训练机器学习模型,生成所述电机过温预测模型;
其中,基于与所述电机过温具有关联关系的多个车辆参数,确定影响所述电动汽车发生电机过温的多个关键特征,将所述多个关键特征经过特征工程处理,生成电机过温样本,包括:
获取每个车辆信号所在的信号通道,并对每个所述车辆信号进行划分,得到每个所述信号通道的过温片段和正常片段;
提取任意一个过温片段,并以提取到的所述过温片段第一个过温点为起始点,按照预定窗口长度为步长向前滑动至少一次,获取滑动窗口提取到的车辆参数,其中,向前滑动次数是由正样本提取停止条件决定的,所述停止条件是观察过温前一段时间样本归纳得到的,是区别于其他样本的一些数据上的表现,具体包括:窗口内一阶差分之和、增长点个数、最大值、最小值和极差;
基于所述滑动窗口提取到的车辆参数,确定影响所述电动汽车发生电机过温的所述关键特征,其中,所述关键特征构成正样本;
从远离所述过温片段的正常片段中提取负样本;
合并所述正样本和所述负样本,生成所述电机过温样本。
2.根据权利要求1所述的方法,其特征在于,从所述历史车辆数据中提取与电机过温具有关联关系的多个车辆参数,包括:
对所述历史车辆数据进行预处理,获取历史时间内实时产生的多个车辆信号;
分析每个所述车辆信号与所述电机过温之间的关联关系,确定与所述电机过温存在强关联的车辆信号;
基于与所述电机过温存在强关联的车辆信号,确定与所述电机过温具有关联关系的多个车辆参数,其中,每个与所述电机过温具有关联关系的车辆参数为关键特征。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过分析电机过温之前的电机温度,获取正样本筛选条件;
如果提取到的所述车辆参数满足所述正样本筛选条件,则取该车辆参数的特征值作为所述关键特征,得到一条正样本。
4.据权利要求3所述的方法,其特征在于,如果提取到的所述车辆参数不满足所述正样本筛选条件,进入从远离所述过温片段的正常片段中提取负样本的步骤。
5.根据权利要求1-4中任意一项所述的方法,其特征在于,在采用所述电机过温样本训练机器学习模型,生成所述电机过温预测模型之前,所述方法还包括:
基于模型评价指标,从多个候选机器学习模型中选择用于训练的所述机器学习模型,其中,所述候选机器学习模型包括:逻辑回归模型、决策树模型、支持向量机模型、神经网络模型,所述模型评价指标包括如下至少之一:精确率、召回率、准确率,以及所述精确率和所述召回率之间的调和平均值;
将选中的所述机器学习模型嵌入边缘端,以接收所述车辆传感器采集到的实时信号。
6.一种预测电动汽车中电机过温的装置,其特征在于,所述装置用于执行权利要求1-5中任意一项所述的预测电动汽车中电机过温的方法,所述电机用于将电源的电能转化为驱动所述电动汽车工作的机械能,所述装置包括:
获取模块,用于获取车辆传感器采集到的车辆数据流,其中,所述车辆数据流为待测电动汽车行驶过程中产生的实时信号;
处理模块,用于对所述车辆数据流进行预处理,并采用上下文特征工程对预处理后的所述车辆数据流进行特征计算,得到所述待测电动汽车的多个车辆特征,其中,所述车辆特征包括:影响所述待测电动汽车的电机是否过温的关键特征;
预测模块,用于将计算得到的所述车辆特征输入至电机过温预测模型,预测得到所述电动汽车的电机是否存在电机过温;
预警模块,用于如果存在,则发出预警信息。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器执行权利要求1-5中任意一项所述的预测电动汽车中电机过温的方法。
8.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所在设备的处理器中执行权利要求1-5中任意一项所述的预测电动汽车中电机过温的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210243445.7A CN114475256B (zh) | 2022-03-11 | 2022-03-11 | 预测电动汽车中电机过温的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210243445.7A CN114475256B (zh) | 2022-03-11 | 2022-03-11 | 预测电动汽车中电机过温的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114475256A CN114475256A (zh) | 2022-05-13 |
CN114475256B true CN114475256B (zh) | 2024-03-19 |
Family
ID=81486453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210243445.7A Active CN114475256B (zh) | 2022-03-11 | 2022-03-11 | 预测电动汽车中电机过温的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114475256B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654423A (zh) * | 2011-03-03 | 2012-09-05 | 通用汽车环球科技运作有限责任公司 | 基于热模型的电动机温度估计 |
CN107193456A (zh) * | 2017-05-08 | 2017-09-22 | 上海交通大学 | 基于滑动式交互操作的推荐系统及方法 |
CN107599890A (zh) * | 2017-08-30 | 2018-01-19 | 北京新能源汽车股份有限公司 | 一种电动汽车驱动电机的温度控制方法、装置及电动汽车 |
DE102017220547A1 (de) * | 2017-11-17 | 2019-05-23 | Zf Friedrichshafen Ag | Ermittlung der Temperatur einer E-Maschine mittels eines Temperaturmodells |
CN111572350A (zh) * | 2020-05-29 | 2020-08-25 | 北京经纬恒润科技有限公司 | 电动汽车起火预警方法及装置 |
CN112703518A (zh) * | 2020-07-28 | 2021-04-23 | 华为技术有限公司 | 剩余里程预测的方法和电池远程服务的系统 |
WO2021135653A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京嘀嘀无限科技发展有限公司 | 一种识别车辆的异常停留的方法和系统 |
CN114004164A (zh) * | 2021-11-05 | 2022-02-01 | 上海交通大学 | 一种用于控制的电机转子温度预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11691518B2 (en) * | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
-
2022
- 2022-03-11 CN CN202210243445.7A patent/CN114475256B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654423A (zh) * | 2011-03-03 | 2012-09-05 | 通用汽车环球科技运作有限责任公司 | 基于热模型的电动机温度估计 |
CN107193456A (zh) * | 2017-05-08 | 2017-09-22 | 上海交通大学 | 基于滑动式交互操作的推荐系统及方法 |
CN107599890A (zh) * | 2017-08-30 | 2018-01-19 | 北京新能源汽车股份有限公司 | 一种电动汽车驱动电机的温度控制方法、装置及电动汽车 |
DE102017220547A1 (de) * | 2017-11-17 | 2019-05-23 | Zf Friedrichshafen Ag | Ermittlung der Temperatur einer E-Maschine mittels eines Temperaturmodells |
WO2021135653A1 (zh) * | 2019-12-31 | 2021-07-08 | 北京嘀嘀无限科技发展有限公司 | 一种识别车辆的异常停留的方法和系统 |
CN111572350A (zh) * | 2020-05-29 | 2020-08-25 | 北京经纬恒润科技有限公司 | 电动汽车起火预警方法及装置 |
CN112703518A (zh) * | 2020-07-28 | 2021-04-23 | 华为技术有限公司 | 剩余里程预测的方法和电池远程服务的系统 |
WO2022021062A1 (zh) * | 2020-07-28 | 2022-02-03 | 华为技术有限公司 | 剩余里程预测的方法和电池远程服务的系统 |
CN114004164A (zh) * | 2021-11-05 | 2022-02-01 | 上海交通大学 | 一种用于控制的电机转子温度预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114475256A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN109946055B (zh) | 一种汽车座椅滑轨异响检测方法及系统 | |
US20090326841A1 (en) | Pattern recognition approach to battery diagnosis and prognosis | |
JP6359123B2 (ja) | 検査データ処理装置および検査データ処理方法 | |
CN110991289A (zh) | 异常事件的监测方法、装置、电子设备及存储介质 | |
CN112925924B (zh) | 多媒体文件的推荐方法、装置、电子设备及存储介质 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN116304909A (zh) | 一种异常检测模型训练方法、故障场景定位方法及装置 | |
CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
WO2023064397A1 (en) | Anomaly detection based on normal behavior modeling | |
CN117184086A (zh) | 一种基于脑电波的智能驾驶系统 | |
CN114475256B (zh) | 预测电动汽车中电机过温的方法和装置 | |
CN118244105A (zh) | 发电机的健康状态评估方法、装置、电子设备及存储介质 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN117332337A (zh) | 电池热失控预警方法、装置、服务器和存储介质 | |
CN115221769B (zh) | 一种故障预测方法、系统、电子设备和存储介质 | |
Zuo et al. | Bearing fault dominant symptom parameters selection based on canonical discriminant analysis and false nearest neighbor using GA filtering signal | |
CN113581015A (zh) | 燃料电池系统的安全预警方法及装置 | |
CN118395310B (zh) | 一种电动汽车动力电池故障预测方法及装置 | |
CN111017667A (zh) | 电梯抱闸异常检测方法、装置、设备及可读存储介质 | |
EP3975064A1 (en) | Device and method for training a classifier using an invertible factorization model | |
US20240143994A1 (en) | Predicting sound pleasantness using regression prediction machine learning model | |
US20240144954A1 (en) | Predicting sound pleasantness using binary classification model and regression | |
CN117387967A (zh) | 一种汽车驾驶性能测试方法及系统 | |
CN118173083A (zh) | 车辆语音交互功能的测试方法、系统、设备及介质 |
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 |