CN115081308A - 考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法 - Google Patents
考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法 Download PDFInfo
- Publication number
- CN115081308A CN115081308A CN202210471076.7A CN202210471076A CN115081308A CN 115081308 A CN115081308 A CN 115081308A CN 202210471076 A CN202210471076 A CN 202210471076A CN 115081308 A CN115081308 A CN 115081308A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- electrically
- temperature field
- transient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000001052 transient effect Effects 0.000 title claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004804 winding Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 239000002826 coolant Substances 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,包括:步骤1:获取真实的瞬态温度场数据,并对所获数据进行预处理;步骤2:建立基于最小二乘法的时空图卷积热神经网络瞬态温度场预测模型;步骤3:将部分获取的传感器信息以及热网络拓扑边权矩阵作为输入,通过步骤2所建立的温度预测模型获取电驱变速箱未来一定时尺内的瞬态温度场数据;利用可能性C均值聚类算法探究预测模型的误差分布规律,对所预测的温度值进行误差补偿,以进一步提高温度预测模型的预测精度。与现有技术相比,本发明具有预测精度高、成本低等优点。
Description
技术领域
本发明涉及车用电驱变速箱瞬态温度场预测技术领域,尤其是涉及一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法。
背景技术
作为纯电动汽车、混合动力汽车以及插电式混合动力汽车等新能源汽车的关键部件,电驱变速箱已得到广泛应用。电驱变速箱从初步的结构集成向深度系统集成演变,由最初的二合一设计,演变成三合一设计、以及多合一设计,逐步实现电驱系统的低冗余、高性价比。然而在电驱变速箱朝着更高集成度发展的同时,也同样面对相应问题:电机和逆变器等部件在工作时,特别是大负载高转速运行时,会产生较高热损耗,若不及时散热,高温会引起电机永磁体退磁,严重时还会使电机、逆变器产生过温故障。因此,准确监控与预测电驱变速箱的瞬态温度场能够实现电驱变速箱有效热管理,保障电驱变速箱的热安全。
现有技术CN113379041A公开了一种基于PyTorch搭建神经网络算法的列车牵引电机温度预测方法,其主要从温度数据重采样以及采用nearest方法采样等数据预处理角度提高提高温度预测精度,但由于其未同时考虑数据点间的时空关联特性,且其所针对的预测时间间隔较长(以日为单位),不适用于电驱变速箱短时快速温度预测(以秒为单位)。CN105160109A公开了一种基于RBF神经网络的电机温升预测的方法,通过构建RBF神经网络预测现代汽车车窗电机温升参数,同时将神经网络所预测的参数代入到所建电机温升数学模型中实现对电机温度的实时预测。但该发明未考虑输入参数间的时空关联特性,同时无法预测电机重要部件温度以及整体瞬态温度场变化。CN110412462A公布了一种航空用永磁同步电动机瞬态温度预测方法,该方法基于曲线拟合及电流源法/电压源法的损耗计算、电机三维模型设计和有限元模型网格划分、冷却散热条件及流固耦合分析、电机各零部件温度分布进行瞬态温度预测,获得高精度的温度分布。但该方法需要提前知道详细的电机材料与结构参数,且采用有限元软件需要耗费大量时间,无法直接应用于实车中的电驱变速箱瞬态温度场快速预测。CN202011402714.7公开了一种永磁同步电机的温度预测方法,其利用数据集对所构建的PSNLSTMs模型进行训练,并将训练后的PSNLSTMs模型左右两侧输入按照相同的权重进行回归预测,得到下一时刻永磁同步电机的预测温度。该方法只考虑了温度节点间的时序相关特性,未考虑其空间相关特性,忽略了真实温度场中温度节点相互影响的因素。同时其无法实现利用部分温度节点信息估计整体温度节点信息。CN113720495A公布了一种电机转子实时温度估计方法,其以电机损耗模型和热路模型为基础,构造电机温度估计模型,以电机运行中的电流、转速、环境温度以及其它可以低成本传感器测量获得的热点温度为输入,估计电机绕组温度、定子铁心温度和转子磁钢温度等关键热点温度。该发明求解损耗模型与热路模型过程较为复杂,未考虑温度节点间的时空关联特性,且无法对未来温度进行预测。上述所公开的现有技术均只针对单独的电机进行温度预测,将此类方法迁移到结构更为复杂的电驱变速箱应用难度较大,适用性存在一定局限性。
实际上,目前使用部分温度传感器和温度估计方法对电机和逆变器温度进行热监控,同时采用主动冷却的方式对其进行冷却是主流趋势。然而,由于布置和成本限制,目前多是通过少量温度传感器对部分温度点进行测量,很难准确估计整体温度场,且由于不能快速准确预测电驱变速箱未来的瞬态温度场,无法对未来时刻异常温升进行有效的主动抑制。因此提出一种可以仅依靠少量温度传感器数据有效预测电驱变速箱在未来一定时间尺度内整体瞬态温度场变化的预测方法十分重要。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高、成本低的考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法。
本发明的目的可以通过以下技术方案来实现:
一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,所述的预测方法包括:
步骤1:获取真实的瞬态温度场数据,并对所获数据进行预处理;
步骤2:建立基于最小二乘法的时空图卷积热神经网络瞬态温度场预测模型;
步骤3:将部分获取的传感器信息以及热网络拓扑边权矩阵作为输入,通过步骤2所建立的温度预测模型获取电驱变速箱未来一定时尺内的瞬态温度场数据;利用可能性C均值聚类算法探究预测模型的误差分布规律,对所预测的温度值进行误差补偿,以进一步提高温度预测模型的预测精度。
优选地,所述的步骤1具体为:
搭建电驱变速箱瞬态温度场数据采集平台,在电驱变速箱内部关键点位置布置温度传感器,获取真实的瞬态温度场数据,并对所获取数据进行分类、滤波与归一化处理。
更加优选地,所述步骤1中获取真实瞬态温度场数据的方法具体为:
步骤1-1:在半消声室环境下通过温控设备将环境温度保持恒定;
步骤1-2:进行数据标定;
步骤1-3:电池模拟器对电驱变速箱内的电机MG1和MG2及油泵进行高压供电,PUMA系统通过CAN控制电池模拟器的输出电压;快速原型控制器通过CAN C与油泵控制器通信,从而控制油泵电机转速和方向;在PUMA系统中分别加载NEDC,UDDS和WLTC三组工况;快速原型控制器根据转速信息计算下一时刻电机MG1和MG2的转矩分配值,并通过CAN A对电驱变速箱内电机控制器进行实时控制;
步骤1-4:电驱变速箱瞬态温度场数据采集;
步骤1-5:对所采集各类数据进行预处理,按照采样时刻和数据类别保存成原始数据集,对所获取数据集进行滤波和归一化处理,并将数据集分为已知温度节点数据和待预测温度节点数据,同时将整个数据集按照工况分为测试集、验证集与训练集。
更加优选地,所述的滤波与归一化处理的方法为:
对步骤1所采集的原始多维时序数据集进行滤波处理,将低质量数据点删除,同时对所有数据进行归一化处理,以用于模型训练和测试。
更加优选地,所述的原始数据包括电机MG1和MG2定子绕组温度、定子轭温度、定子齿温度、转子永磁体温度、冷却液温度、电机MG1和MG2壳体温度、电机MG1和MG2内部空气温度、逆变器结温、逆变器内部温度、变速箱壳体外部前端、后端、上端、下端温度、变速箱外部空气前端、后端、上端、下端温度,电机MG1和MG2三相电流,电机MG1和MG2实际转速和转矩信息。
优选地,所述的步骤2具体为:
步骤2-1:建立基于最小二乘法的时空图卷积热神经网络OLS-TGCN瞬态温度场预测模型;
步骤2-2:为最小化各传感器实际测得的温度场数据与预测值之间的误差,构建OLS-TGCN模型的损失函数,通过误差反向传播算法对预测模型进行模型训练与测试,并采用超参数优化提高OLS-TGCN模型的预测准确性。
更加优选地,所述的瞬态温度场预测模型具体为:
其中,代表基于最小二乘法的温度估计过程;表示t时刻基于部分温度传感器数据Xt所估计的其它温度节点数据;Xt1表示t时刻的所有温度节点信息β为模型系数;f(A,Xt1)表示图卷积过程,A表示热网络拓扑边权矩阵,表示预处理步骤;是具有自连接结构的矩阵,是度矩阵;ut、rt与ct分别是在时刻t时的更新门、复位门与记忆门,ht表示在时刻t的隐藏层输出,ht-1表示在时刻t-1的隐藏层输出,Wu、Wr、Wc、W0均代表预测模型模型的权重,bu、br、bc、b代表预测模型模型的偏差,σ(·),tanh(),Relu()表示激活函数。
优选地,所述的步骤3具体为:
步骤3-1:构建考虑温升相似度与升温速率相似度的空间关联性度量函数,量化待预测温度节点温度与其它节点温度的空间关联性,以求解电驱变速箱热网络拓扑边权矩阵;
步骤3-2:将部分获取的传感器信息以及热网络拓扑边权矩阵作为输入导入到OLS-TGCN瞬态温度场预测模型中,预测电驱变速箱未来一定时尺内的瞬态温度场数据;
步骤3-3:利用可能性C均值聚类算法对通过时空图卷积神经网络温度预测模型预测的历史温度数据集进行聚类,得到隶属度矩阵和聚类中心值;
步骤3-4:对聚类后的每个类的第三维度误差值求均值,将其作为所预测的温度数据的误差范围;
步骤3-5:选取新的输入数据,根据步骤3-3计算其隶属度矩阵和聚类中心,并计算新数据与历史数据的相似度,将新的输入进行分类与标记;
步骤3-6:通过新输入数据与历史输入所预测的温度的误差具有相似的误差分布的特点,计算待补偿误差;
步骤3-7:根据所计算出的待补偿误差对通过OLS-TGCN预测模型预测的温度值进行温度补偿,并将其作为最终的预测结果进行输出。
更加优选地,所述的步骤3-1具体为:
步骤3-1-1:构建考虑温升相似度与升温速率相似度的空间关联性度量函数,量化待预测温度节点温度与其它节点温度的空间关联性;
所述温升相似度TRn表达式为:
其中,X0(t)和Xp(t)分别为目标热路径和周边关联热路径在某一时段内的温度变化历史数据集;
所述温升速率相似度TVn为:
所述空间关联性度量函数为:
其中,corrn表示第n条关联热路径与目标热路径的空间关联性度量值;
步骤3-1-2:基于训练数据集构建包含所有温度节点的热网络完全图,并通过步骤3-1-1中所述空间关联性度量函数学习各个节点的空间相关程度,将相关程度较低的热路径进行修剪,降低热网络的复杂度,同时将各温度节点间空间关联性度量值作为权重从而确定热网络拓扑边权矩阵。
更加优选地,所述的步骤3-1具体为:
步骤3-2-1:结合最小二乘法通过历史数据中l1个已知温度节点在i个时刻的信息估计l2个待预测温度节点在i个时刻的信息;
设p=l1+l2,将通过p个温度节点在i个时刻的信息作为输入,通过时空图卷积热神经网络温度预测模型得到的p个温度点在j个时刻的预测误差:
步骤3-2-3:结合步骤3-1-2所获取的热网络拓扑边权矩阵以及步骤3-2-2所获取的完整温度场数据作为输入导入到OLS-TGCN模型中,从而输出电驱变速箱未来一定时尺内的瞬态温度场数据。
与现有技术相比,本发明具有以下有益效果:
预测精度高、成本低:本发明提出的基于最小二乘法的时空图卷积网络瞬态温度场预测模型,能够仅依靠少量传感器实时采集的数据对电驱变速箱瞬态温度场进行估计,进一步降低了电驱变速箱瞬态温度场热预测成本,同时通过考虑不同温度节点的时空关联特性,采用温度补偿的方式对通过预测模型的预测结果进行温度修正,能够最大限度地提高电驱变速箱瞬态温度场变化预测精度。
附图说明
图1为本发明中电驱变速箱瞬态温度场精确预测方法的流程示意图;
图2为本发明实施例中电驱变速箱瞬态温度场数据采集平台的示意图;
图3为本发明实施例中门控循环单元结构示意图;
图4为本发明实施例中基于最小二乘法的时空图卷积热神经网络结构示意图。
具体实施方式
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1所示,该考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法包括三部分,即电驱变速箱瞬态温度场数据采集与处理、温度场预测模型建立以及电驱变速箱瞬态温度场预测。同时,预测方法具体包含以下步骤:
步骤1:搭建电驱变速箱瞬态温度场数据采集平台,在电驱变速箱内部关键点位置布置温度传感器,获取真实的瞬态温度场数据,并对所获取数据进行分类、滤波与归一化处理。
步骤2:考虑到最小二乘法具有通过少量温度信息快速估计其它温度信息的优势,同时结合图卷积神经网络以及门控循环单元分别具有学习各温度节点数据空间关联特性和时间关联特性的特点,建立基于最小二乘法的时空图卷积热神经网络瞬态温度场预测模型,并通过模型训练与超参数优化提高温度预测模型预测准确性。
步骤3:将部分获取的传感器信息以及热网络拓扑边权矩阵作为输入,通过步骤2所建立的温度预测模型获取电驱变速箱未来一定时尺内的瞬态温度场数据;同时利用可能性C均值聚类算法探究预测模型的误差分布规律,对所预测的温度值进行误差补偿,进一步提高温度预测模型的预测精度。
步骤1具体为:
步骤1-1:在半消声室环境下通过温控设备将环境温度保持恒定。
步骤1-2:上位机1通过CANape软件及硬件完成数据标定。
步骤1-3:电池模拟器对电驱变速箱内的电机MG1和MG2及油泵进行高压供电,PUMA系统通过CAN控制电池模拟器的输出电压。快速原型控制器通过CAN C与油泵控制器通信,从而控制油泵电机转速和方向。在PUMA系统中分别加载NEDC,UDDS和WLTC三组工况。快速原型控制器根据转速信息计算下一时刻电机MG1和MG2的转矩分配值,并通过CAN A对电驱变速箱内电机控制器进行实时控制。
步骤1-4:电驱变速箱瞬态温度场数据采集,其数据采集原理如下:
快速原型控制器通过CAN A实时接收电驱变速箱内电机控制器的反馈信号(MG1和MG2电机的实际转速、转矩信息)并通过CANape在上位机1中进行数据采集。PUMA系统通过CAN实时接收电池模拟器的输出电压和电流以及后桥上转速转矩传感器的信号。上位机2与USB转RS485通过Modbus通信,实时监控和记录电驱变速箱内部和外部各类温度传感器数值。
步骤1-5:对各类数据进行整理,按照采样时刻和数据类别保存成原始数据集。对所获取数据集进行滤波和归一化处理,并将数据集分为已知温度节点数据和待预测温度节点数据。同时将整个数据集按照工况分为测试集、验证集与训练集。
步骤1-5中所述数据滤波与归一化处理过程具体为:
对步骤1-4所采集的原始多维时序数据集进行滤波处理,将低质量数据点删除,同时对所有数据进行归一化处理。所述的原始数据包括电机MG1和MG2定子绕组温度、定子轭温度、定子齿温度、转子永磁体温度、冷却液温度、电机MG1和MG2壳体温度、电机MG1和MG2内部空气温度、逆变器结温、逆变器内部温度、变速箱壳体外部前端、后端、上端、下端温度、变速箱外部空气前端、后端、上端、下端温度,电机MG1和MG2三相电流,电机MG1和MG2实际转速和转矩等信息。根据实际需求,将电机MG1和MG2定子轭温度、定子齿温度、转子永磁体温度、逆变器内部温度作为待预测温度节点信息,其余数据作为已知温度节点信息。将整个数据集按照工况分为测试集、验证集与训练集,其中将基于NEDC和UDDS工况下的瞬态温度场测试数据的70%当作训练集,将剩下30%的数据作为验证集,以在模型迭代训练时验证其泛化能力,以决定模型是否停止训练。同时将基于WLTC工况下的瞬态温度场测试数据作为测试集,用于评估模型的泛化能力。
步骤2具体为:
步骤2-1:建立基于最小二乘法的时空图卷积热神经网络(OLS-TGCN)瞬态温度场预测模型。
步骤2-2:为最小化各传感器实际测得的温度场数据与预测值之间的误差,构建OLS-TGCN模型的损失函数,通过误差反向传播算法对预测模型进行模型训练与测试,并采用超参数优化提高OLS-TGCN模型的预测准确性。
步骤2-1具体为:
步骤2-1-1:通过图卷积神经网络模型分析各个温度节点间的空间关联特征,其图卷积过程可以用下式定义:
步骤2-1-2:采用如图3所示的门控循环单元获取温度场变化的时序特征,从而基于部分历史数据对未来短时间内的温度场变化进行预测,其中ht-1表示时刻t-1的隐藏状态;xt表示时刻t的温度场信息;rt是复位门,用于控制忽略前一时刻状态信息的程度;ut是更新门,用于控制上一时刻的状态信息进入当前状态的程度;ct是时刻存储的内存内容(记忆门);ht是时刻的输出状态(输出门)。该模型在捕捉当前时刻的瞬态温度场信息的同时,仍然保留了历史温度信息的变化趋势,具有捕捉时间相关性的能力。
步骤2-1-3:结合最小二乘法、图卷积神经网络和门控循环单元相应特点,依据温度场变化的时空关联特性,建立基于最小二乘法的时空图卷积热神经网络(OLS-TGCN)瞬态温度场预测模型,其模型表达式具体为:
其中代表基于最小二乘法的温度估计过程,表示t时刻基于部分温度传感器数据Xt所估计的其它温度节点数据,Xt1表示t时刻的所有温度节点信息,β为模型系数;f(A,Xt1)表示图卷积过程,具体解释见步骤2-1-1。ut、rt与ct分别是在时刻t时的更新门、复位门与记忆门,ht表示在时刻t的隐藏层输出,ht-1表示在时刻t-1的隐藏层输出,Wu、Wr、Wc、W0均代表预测模型模型的权重,bu、br、bc、b代表预测模型模型的偏差,σ(·),tanh(),Relu()表示激活函数。同时其模型结构示意图如图4所示,其中,时空图卷积热神经网络预测模型上侧为瞬态温度场预测过程,下侧为OLS-TGCN神经元。其中,OLS表示利用最小二乘法进行温度估计的过程,TGCN是图卷积过程,Xt2表示基于时刻t所有温度节点信息所预测的温度节点信息,Yt表示在时刻t的温度预测输出。
步骤3具体为:
步骤3-1:构建考虑温升相似度与升温速率相似度的空间关联性度量函数,量化待预测温度节点温度与其它节点温度的空间关联性,以求解电驱变速箱热网络拓扑边权矩阵。
步骤3-2:将部分获取的传感器信息以及热网络拓扑边权矩阵作为输入导入到OLS-TGCN瞬态温度场预测模型中,预测电驱变速箱未来一定时尺内的瞬态温度场数据。
步骤3:3:利用可能性C均值聚类算法对通过时空图卷积神经网络温度预测模型预测的历史温度数据集进行聚类,得到隶属度矩阵和聚类中心值。
步骤3-4:对聚类后的每个类的第三维度误差值求均值,将其作为所预测的温度数据的误差范围。
步骤3-5:选取新的输入数据,根据步骤3-1计算其隶属度矩阵和聚类中心,并计算新数据与历史数据的相似度,将新的输入进行分类与标记。
步骤3-6:通过新输入数据与历史输入所预测的温度的误差具有相似的误差分布的特点,计算待补偿误差。
步骤3-7:根据所计算出的待补偿误差对通过OLS-TGCN预测模型预测的温度值进行温度补偿,并将其作为最终的预测结果进行输出。
步骤3-1具体为:
步骤3-1-1:构建考虑温升相似度与升温速率相似度的空间关联性度量函数,量化待预测温度节点温度与其它节点温度的空间关联性。
所述温升相似度TRn表达式为:
其中X0(t)和Xp(t)分别为目标热路径和周边关联热路径在某一时段内的温度变化(温升)历史数据集。
所述温升速率相似度TVn为:
所述空间关联性度量函数为:
其中,corrn表示第n条关联热路径与目标热路径的空间关联性度量值。
步骤3-1-2:基于训练数据集构建包含所有温度节点的热网络完全图,并通过步骤3-1-1中所述空间关联性度量函数学习各个节点的空间相关程度,并将相关程度较低的热路径进行修剪,降低热网络的复杂度,同时将各温度节点间空间关联性度量值作为权重从而确定热网络拓扑边权矩阵。
步骤3-2具体为:
步骤3-2-1:结合最小二乘法通过历史数据中l1个已知温度节点在i个时刻的信息估计l2个待预测温度节点在i个时刻的信息。设p=l1+l2,将通过p个温度节点在i个时刻的信息作为输入,通过时空图卷积热神经网络温度预测模型得到的p个温度点在j个时刻的预测误差
步骤3-2-3:结合步骤2-1-5所获取的热网络拓扑边权矩阵以及步骤2-3-2所获取的完整温度场数据作为输入导入到OLS-TGCN模型中,从而输出电驱变速箱未来一定时尺内的瞬态温度场数据。
步骤3-3具体为:
步骤3-3-1:建立隶属度矩阵U=[uz,s],其中uz,s∈(0,1),表示第z个温度数据对第s个类的隶属度程度大小。
步骤3-3-2:设置可能性C均值聚类算法的目标函数为:
步骤3-3-5:通过初始化参数计算聚类中心C并更新隶属度矩阵U,以目标函数最优为迭代条件,不断更新C和U,直到其数值收敛时,将U和C的值进行输出。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,其特征在于,所述的预测方法包括:
步骤1:获取真实的瞬态温度场数据,并对所获数据进行预处理;
步骤2:建立基于最小二乘法的时空图卷积热神经网络瞬态温度场预测模型;
步骤3:将部分获取的传感器信息以及热网络拓扑边权矩阵作为输入,通过步骤2所建立的温度预测模型获取电驱变速箱未来一定时尺内的瞬态温度场数据;利用可能性C均值聚类算法探究预测模型的误差分布规律,对所预测的温度值进行误差补偿,以进一步提高温度预测模型的预测精度。
2.根据权利要求1所述的一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,其特征在于,所述的步骤1具体为:
搭建电驱变速箱瞬态温度场数据采集平台,在电驱变速箱内部关键点位置布置温度传感器,获取真实的瞬态温度场数据,并对所获取数据进行分类、滤波与归一化处理。
3.根据权利要求2所述的一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,其特征在于,所述步骤1中获取真实瞬态温度场数据的方法具体为:
步骤1-1:在半消声室环境下通过温控设备将环境温度保持恒定;
步骤1-2:进行数据标定;
步骤1-3:电池模拟器对电驱变速箱内的电机MG1和MG2及油泵进行高压供电,PUMA系统通过CAN控制电池模拟器的输出电压;快速原型控制器通过CAN C与油泵控制器通信,从而控制油泵电机转速和方向;在PUMA系统中分别加载NEDC,UDDS和WLTC三组工况;快速原型控制器根据转速信息计算下一时刻电机MG1和MG2的转矩分配值,并通过CAN A对电驱变速箱内电机控制器进行实时控制;
步骤1-4:电驱变速箱瞬态温度场数据采集;
步骤1-5:对所采集各类数据进行预处理,按照采样时刻和数据类别保存成原始数据集,对所获取数据集进行滤波和归一化处理,并将数据集分为已知温度节点数据和待预测温度节点数据,同时将整个数据集按照工况分为训练集、验证集与测试集。
4.根据权利要求2所述的一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,其特征在于,所述的滤波与归一化处理的方法为:
对步骤1所采集的原始多维时序数据集进行滤波处理,将低质量数据点删除,同时对所有数据进行归一化处理,以用于模型训练和测试。
5.根据权利要求4所述的一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,其特征在于,所述的原始数据包括电机MG1和MG2定子绕组温度、定子轭温度、定子齿温度、转子永磁体温度、冷却液温度、电机MG1和MG2壳体温度、电机MG1和MG2内部空气温度、逆变器结温、逆变器内部温度、变速箱壳体外部前端、后端、上端、下端温度、变速箱外部空气前端、后端、上端、下端温度,电机MG1和MG2三相电流,电机MG1和MG2实际转速和转矩信息。
6.根据权利要求1所述的一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,其特征在于,所述的步骤2具体为:
步骤2-1:建立基于最小二乘法的时空图卷积热神经网络(OLS-TGCN)瞬态温度场预测模型;
步骤2-2:为最小化各传感器实际测得的温度场数据与预测值之间的误差,构建OLS-TGCN模型的损失函数,通过误差反向传播算法对预测模型进行模型训练与测试,并采用超参数优化提高OLS-TGCN模型的预测准确性。
7.根据权利要求6所述的一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,其特征在于,所述的瞬态温度场预测模型具体为:
8.根据权利要求1所述的一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,其特征在于,所述的步骤3具体为:
步骤3-1:构建考虑温升相似度与升温速率相似度的空间关联性度量函数,量化待预测温度节点温度与其它节点温度的空间关联性,以求解电驱变速箱热网络拓扑边权矩阵;
步骤3-2:将部分获取的传感器信息以及热网络拓扑边权矩阵作为输入导入到OLS-TGCN瞬态温度场预测模型中,预测电驱变速箱未来一定时尺内的瞬态温度场数据;
步骤3-3:利用可能性C均值聚类算法对通过时空图卷积神经网络温度预测模型预测的历史温度数据集进行聚类,得到隶属度矩阵和聚类中心值;
步骤3-4:对聚类后的每个类的第三维度误差值求均值,将其作为所预测的温度数据的误差范围;
步骤3-5:选取新的输入数据,根据步骤3-3计算其隶属度矩阵和聚类中心,并计算新数据与历史数据的相似度,将新的输入进行分类与标记;
步骤3-6:通过新输入数据与历史输入所预测的温度的误差具有相似的误差分布的特点,计算待补偿误差;
步骤3-7:根据所计算出的待补偿误差对通过OLS-TGCN预测模型预测的温度值进行温度补偿,并将其作为最终的预测结果进行输出。
9.根据权利要求8所述的一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,其特征在于,所述的步骤3-1具体为:
步骤3-1-1:构建考虑温升相似度与升温速率相似度的空间关联性度量函数,量化待预测温度节点温度与其它节点温度的空间关联性;
所述温升相似度TRn表达式为:
其中,X0(t)和Xp(t)分别为目标热路径和周边关联热路径在某一时段内的温度变化历史数据集;
所述温升速率相似度TVn为:
所述空间关联性度量函数为:
其中,corrn表示第n条关联热路径与目标热路径的空间关联性度量值;
步骤3-1-2:基于训练数据集构建包含所有温度节点的热网络完全图,并通过步骤3-1-1中所述空间关联性度量函数学习各个节点的空间相关程度,将相关程度较低的热路径进行修剪,降低热网络的复杂度,同时将各温度节点间空间关联性度量值作为权重从而确定热网络拓扑边权矩阵。
10.根据权利要求8所述的一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法,其特征在于,所述的步骤3-2具体为:
步骤3-2-1:结合最小二乘法通过历史数据中l1个已知温度节点在i个时刻的信息估计l2个待预测温度节点在i个时刻的信息;
设p=l1+l2,将通过p个温度节点在i个时刻的信息作为输入,通过时空图卷积热神经网络温度预测模型得到的p个温度点在j个时刻的预测误差:
步骤3-2-3:结合步骤3-1-2所获取的热网络拓扑边权矩阵以及步骤3-2-2所获取的完整温度场数据作为输入导入到OLS-TGCN模型中,从而输出电驱变速箱未来一定时尺内的瞬态温度场数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210471076.7A CN115081308A (zh) | 2022-04-29 | 2022-04-29 | 考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210471076.7A CN115081308A (zh) | 2022-04-29 | 2022-04-29 | 考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115081308A true CN115081308A (zh) | 2022-09-20 |
Family
ID=83248120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210471076.7A Pending CN115081308A (zh) | 2022-04-29 | 2022-04-29 | 考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081308A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304778A (zh) * | 2023-05-17 | 2023-06-23 | 温州华嘉电器有限公司 | 一种用于小型断路器维护数据处理方法 |
-
2022
- 2022-04-29 CN CN202210471076.7A patent/CN115081308A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304778A (zh) * | 2023-05-17 | 2023-06-23 | 温州华嘉电器有限公司 | 一种用于小型断路器维护数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109755683B (zh) | 一种基于压缩感知理论的电池包内部温度实时监测方法 | |
CN105717460B (zh) | 一种基于非线性观测器的动力电池soc估计方法和系统 | |
CN112269134B (zh) | 一种基于深度学习的电池soc和soh联合估计方法 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN115952698A (zh) | 一种锂电池储能箱热能管理优化方法及系统 | |
CN115081308A (zh) | 考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法 | |
CN103973221A (zh) | 一种基于实测数据的光伏阵列参数辨识方法 | |
CN116520281B (zh) | 一种基于ddpg的扩展目标跟踪优化方法和装置 | |
CN118052145A (zh) | 多场耦合建模与数据驱动的电驱动总成关键性能预测方法 | |
CN115313763A (zh) | 新能源汽车电机热管控方法 | |
CN115656838A (zh) | 一种基于布谷鸟算法的电池soc估算方法 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN117445735B (zh) | 云边协同的充电预警方法、设备及介质 | |
CN117195713A (zh) | 一种基于深度算子学习的锂电池模组温度场重建方法 | |
CN114295987A (zh) | 一种基于非线性卡尔曼滤波的电池soc状态估计方法 | |
CN113722926A (zh) | 一种方形锂电池电热耦合建模误差源分析方法 | |
Li et al. | State of charge estimation of lithium-ion batteries using improved BP neural network and filtering techniques | |
Zhang et al. | State-of-charge estimation of lithium batteries using compact RBF networks and AUKF | |
Tang et al. | Temperature Accurate Prediction Method of Electric Drive Transmission Considering Spatio-Temporal Correlation Characteristics under High Speed and Heavy Load Working Conditions | |
CN118238622B (zh) | 基于多传感监测的车载供电保护方法及系统 | |
CN116992819B (zh) | 一种igbt结温估算方法及系统 | |
US20230145386A1 (en) | Model learning system and model learning device |
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 |