CN115310285A - 新能源汽车电机温度场数字孪生模型构建方法 - Google Patents
新能源汽车电机温度场数字孪生模型构建方法 Download PDFInfo
- Publication number
- CN115310285A CN115310285A CN202210945734.1A CN202210945734A CN115310285A CN 115310285 A CN115310285 A CN 115310285A CN 202210945734 A CN202210945734 A CN 202210945734A CN 115310285 A CN115310285 A CN 115310285A
- Authority
- CN
- China
- Prior art keywords
- node
- model
- value
- representing
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000009792 diffusion process Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 239000000110 cooling liquid Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 239000000243 solution Substances 0.000 description 14
- 238000011161 development Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 239000002826 coolant Substances 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005347 demagnetization Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000722941 Achillea Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000004804 winding 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K9/00—Arrangements for cooling or ventilating
- H02K9/19—Arrangements for cooling or ventilating for machines with closed casing and closed-circuit cooling using a liquid cooling medium, e.g. oil
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新能源汽车电机温度场数字孪生模型构建方法,包括如下步骤:S1:数据采集:采集电机在不同工况下的时序数据;S2:数据预处理:对采集的时序数据进行缺失值填充、异常值剔除和数值标准化处理;S3:将经预处理后的时序数据分为训练集和测试集;S4:训练模型:构建深度学习模型,以训练集训练深度学习模型以更新模型参数,以损失函数为目标函数以判断是否达到模型训练的终止条件;当达到模型训练终止条件后,得到预测模型;S5:将测试集输入预测模型中并得到电机温度分布的预测结果;判断预测结果是否达到预设的评价指标:若是,则以该预测模型构建得到电机温度场数字孪生模型;若否,则执行步骤S4。
Description
技术领域
本发明属于新能源汽车电机控制技术领域,具体的为一种新能源汽车电机温度场数字孪生模型构建方法。
背景技术
近年来,我国大力推进新能源汽车的发展,新能源汽车保有量的占比越来越高。驱动电机作为新能源汽车的三大核心部件之一,对整车性能起着至关重要的作用,新能源汽车依靠一个或多个驱动电机来驱动车辆行驶,将驱动电池的电能有效转化为机械能。目前,新能源汽车驱动电机大多采用永磁同步电机(Permanent magnet synchronous motors,PMSM),因为永磁同步电机功率和转矩密度高、效率高、过载能力强、性价比高、噪声低,能良好地适配整车性能。如果要实现较高的传动效率,必须保证电机各部件尤其是转子绕组和定子具有良好的散热。但由于轻量化和高功率密度的要求,使得电机在长时间或过载运行时会产生大量的热量,温度急剧升高,而如果温度持续升高,则会对电机产生永久性损伤。为防止新能源汽车在行驶过程中由于温度过高造成电机永磁体产生退磁现象,影响到电机及其控制器的寿命和整车安全性,需要对驱动电机进行实时的热管控。
对驱动电机进行热管控首先需要完成对PMSM的温度预测,在PMSM的内部安装温度传感器,是获得部件温度最直接的方法,但这种方法对传感器的安装位置、数量以及精度等都有较高的要求,成本也会随着增加。因此在电机在工作过程中,需要使用间接预测方法来预测电机关键部件的温度,目前的间接预测方法主要有:磁通观察法、信号注入法、等效热网络法。
(1)磁通观察法通过磁通观察器得到磁通的变化,并建立一个精确的参数化电机温度模型,以得到电机转子永磁体的温度。但是这种方法对观测器件的精度具有较高要求,对于测量误差十分敏感且不适用于电机静止和低速的工况。
(2)信号注入法利用饱和效应和高频阻抗确定磁体的温度。然而,这种方法需要注入电压信号,这会增加电流谐波,电机也会因此产生额外的损耗。
(3)等效热网络法将电机中的传热过程抽象出来以建立等效热网络,其中集中参数热网络模型应用最为广泛,其对电机结构的划分更为细致。但是该方法需要电机专业的背景知识,了解电机内部的几何结构与参数,这限制了该方法的应用。
由此可知,这些传统的预测方法需要电机相关的专业背景知识以及相关参数选择经验,且不适合汽车行程过程中的实时预测。
发明内容
有鉴于此,本发明的目的在于提供一种新能源汽车电机温度场数字孪生模型构建方法,利用数据驱动的方式,得到新能源汽车行驶过程中的电机温度分布预测结果。
为达到上述目的,本发明提供如下技术方案:
一种新能源汽车电机温度场数字孪生模型构建方法,包括如下步骤:
S1:数据采集:采集电机在不同工况下的时序数据,时序数据中包括电机的转速、输出扭矩、母线电压、母线电流以及环境温度和冷却液的流量、温度;
S2:数据预处理:对采集的时序数据进行缺失值填充、异常值剔除和数值标准化处理;
S3:将经预处理后的时序数据分为训练集和测试集;
S4:训练模型:构建深度学习模型,以训练集训练深度学习模型以更新模型参数,以损失函数为目标函数以判断是否达到模型训练的终止条件;当达到模型训练终止条件后,得到预测模型;
S5:将测试集输入预测模型中并得到电机温度分布的预测结果;判断预测结果是否达到预设的评价指标:若是,则以该预测模型构建得到电机温度场数字孪生模型;若否,则执行步骤S4。
进一步,所述深度学习模型采用GEN(Graph Effect Network,图影响力神经网络)模型,所述GEN模型为在GAT(Graph Attention Network,图注意力神经网络)模型中引入微分算子层后得到,所述微分算子层用于对一个节点的不同相邻节点分配不同的权重以识别出各相邻节点对于该节点的影响程度。
进一步,所述微分算子层采用拉普拉斯算子来表示不同相邻节点对于某节点的影响程度,并定义其为热扩散微分算子;令节点i与其任意相邻节点j和k之间连线组成三角形为Δijk,则节点i处的热扩散微分算子为:
其中,(Δt)i为节点i的热扩散微分算子,表示任意一个与节点i相连的节点j变化而给节点i带来的增益;ti表示函数t在节点i处的函数值;tj表示函数t在节点j处的函数值;wij表示节点i与节点j之间的节点边eij的边权重;ai表示节点i的节点权重;且:
ai=∑aijk
其中,lij表示节点i与节点j之间相连的节点边长度,同理lik和ljk分别表示节点k与节点i和节点j之间相连的节点边长度;aijk表示节点i在三角形Δijk中的权重;Sijk表示三角形Δijk的面积;
根据图网络节点相连关系构造一个以边权重wij为元素的n×n的矩阵W,若节点i与节点j不相邻,则节点i与节点j之间不存在节点边,矩阵中对应位置的元素wij=0;构造一个以节点权重ai为元素的对角矩阵A;构造一个以ti为列向量的矩阵T;则所有节点的热扩散微分算子可以表示为:
ΔT=A-1(D-W)T
其中,ΔT为m阶矩阵,表示所有节点的热扩散微分算子,m为所有节点的数量;D表示所有节点组成的图网络的度矩阵。
进一步,采用线性离散热扩散算子作为基元算子ΔT,通过n阶切比雪夫多项式将基元算子ΔT构建成非线性离散微分算子进行逼近,即:
其中,θ∈Rm为切比雪夫多项式的系数向量。当T0(x)=1,T1(x)=x且k>1时,切比雪夫多项式的递归定义为Tk(x)=2xTk-1(x)-Tk-2(x),此时m阶切比雪夫多项式系数向量θ为GEN网络的待学习优化参数;
向GEN模型中输入电机在t时刻实时采集的时间序列数据Ft和,得到t时刻节点i的温度预测值为:
进一步,所述步骤22)中,采用归一化方法进行数值标准化处理:
其中,x表示原属性值;xmin表示样本集中该属性的最小数值;xmax表示样本集中该属性的最大数值,xnormal表示归一化处理后的数值。
进一步,所述步骤S4中,GEN模型的训练方法为:
S41:随机初始化模型参数;
S42:向GEN模型中输入训练集,以利Adam算法对GEN模型的参数进行迭代优化;
S43:以均方根误差为损失函数,用于衡量预测值与真实值之间的偏差,由下式计算:
其中,h(xi)表示预测值;yi表示真实值;m表示节点的数量;
S44:判断损失函数的值是否小于设定阈值,若是,则终止迭代,得到预测模型;若否,则循环执行步骤S42。
本发明的有益效果在于:
本发明的新能源汽车电机温度场数字孪生模型构建方法,利用数据驱动的方式构建得到的电机温度场数字孪生模型,使用时,实时采集汽车行驶过程中电机关于机械、电气和温度的时间序列数据,并将时间序列数据输入到电机温度场数字孪生模型,从而可以得到电机温度分布预测结果。预测得到的电机温度分布结果可以用于对电机的温度进行控制,即可以根据预测得到的电机温度分布预测结果来求解当前工况下的最佳冷却水流量,从而可将电机的最高温度控制在设定的范围内,使电机保持在安全的温度环境下运行,能够有效提高电机运行性能和使用寿命,特别的,对于永磁同步电机,可以防止由于温度过高造成的电机永磁体产生退磁现象。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为将电机温度场数字孪生模型应用于新能源汽车电机热管控系统时的原理框图;
图2为本发明新能源汽车电机温度场数字孪生模型构建方法的流程图;
图3为节点i热扩散微分算子计算示意图;
图4为GEN模型的输入、输出结构示意图;
图5为EAO算法探索开发平衡示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,为将电机温度场数字孪生模型应用于新能源汽车电机热管控系统时的原理框图。具体的,当采用电机温度场数字孪生模型后,新能源汽车电机热管控方法为,包括如下步骤:
步骤一:采集数据:在汽车行驶过程中,实时采集电机关于机械、电气和温度的时间序列数据;具体的,本实施例的实时采集的时间序列数据包括电机转速、输出扭矩、母线电压、母线电流、环境温度、当前冷却液温度和冷却液流量。
步骤二:将实时采集的时间序列数据输入到电机温度场数字孪生模型中,得到电机温度分布预测结果。具体的,如图2所示,本实施例的电机温度场数字孪生模型的构建方法为:
S1:数据采集:采集电机在不同工况下的时序数据,时序数据中包括电机的转速、输出扭矩、母线电压、母线电流以及环境温度和冷却液的流量、温度。具体方法为设定数据采集的频率,按照一定时间间隔采集电机在不同工况下的数据,并以时间序列数据的形式保存,且时序数据的时间基准同步。
S2:数据预处理:所采集的数据往往存在数据缺失、数据不一致、数据冗余、异常值等问题,对采集的时序数据进行缺失值填充、异常值剔除和数值标准化处理,将其整理为适应深度学习模型输入的形式。具体的,本实施例采用归一化方法进行数值标准化处理:
其中,x表示原属性值;xmin表示样本集中该属性的最小数值;xmax表示样本集中该属性的最大数值,xnormal表示归一化处理后的数值。
S3:将经预处理后的时序数据分为训练集和测试集;
S4:训练模型:构建深度学习模型,以训练集训练深度学习模型以更新模型参数,以损失函数为目标函数以判断是否达到模型训练的终止条件;当达到模型训练终止条件后,得到预测模型;
本实施例中,深度学习模型采用GEN(Graph Effect Network,图影响力神经网络)模型,GEN模型为在GAT(Graph Attention Network,图注意力神经网络)模型中引入微分算子层后得到,图注意力网络(Graph Attention Network,GAT)是图卷积神经网络(GraphConvolution Network,GCN)的一种变体,用于解决GCN平等对待每一个相邻节点的问题。
微分算子层用于对一个节点的不同相邻节点分配不同的权重以识别出各相邻节点对于该节点的影响程度。本实施例的微分算子层采用拉普拉斯算子来表示不同相邻节点对于某节点的影响程度,并定义其为热扩散微分算子。令节点i与其任意相邻节点j和k之间连线组成三角形为Δijk,如图3所示,则节点i处的热扩散微分算子为:
其中,(Δt)i为节点i的热扩散微分算子,表示任意一个与节点i相连的节点j变化而给节点i带来的增益;ti表示函数t在节点i处的函数值;tj表示函数t在节点j处的函数值;wij表示节点i与节点j之间的节点边eij的边权重;ai表示节点i的节点权重;且:
ai=∑aijk
其中,lij表示节点i与节点j之间相连的节点边长度,同理lik和ljk分别表示节点k与节点i和节点j之间相连的节点边长度;aijk表示节点i在三角形Δijk中的权重;Sijk表示三角形Δijk的面积;
根据图网络节点相连关系构造一个以边权重wij为元素的n×n的矩阵W,若节点i与节点j不相邻,则节点i与节点j之间不存在节点边,矩阵中对应位置的元素wij=0;构造一个以节点权重ai为元素的对角矩阵A;构造一个以ti为列向量的矩阵T;则所有节点的热扩散微分算子可以表示为:
ΔT=A-1(D-W)T
其中,ΔT为m阶矩阵,表示所有节点的热扩散微分算子,m为所有节点的数量;D表示所有节点组成的图网络的度矩阵。
进一步,采用线性离散热扩散算子作为基元算子ΔT,通过n阶切比雪夫多项式将基元算子ΔT构建成非线性离散微分算子进行逼近,即:
其中,θ∈Rm为切比雪夫多项式的系数向量。当T0(x)=1,T1(x)=x且k>1时,切比雪夫多项式的递归定义为Tk(x)=2xTk-1(x)-Tk-2(x),此时m阶切比雪夫多项式系数向量θ为GEN网络的待学习优化参数;
如图4所示,向GEN模型中输入电机在t时刻实时采集的时间序列数据Ft和,得到t时刻节点i的温度预测值为:
具体的,GEN模型的训练方法为:
S41:随机初始化模型参数;
S42:向GEN模型中输入训练集,以利Adam算法对GEN模型的参数进行迭代优化。GEN模型的输入层将训练集数据输入到GEN循环神经网络层,GEN循环神经网络层会对信息选择保留或遗忘,并在迭代中不断更新;GEN循环神经网络层的输出作为隐藏层的输入,两个全连接隐藏层对输入的信息进行处理,隐藏层的输出作为输出层的输入,最后由输出层输出电机在各个节点处的温度预测值;
S43:以均方根误差为损失函数,用于衡量预测值与真实值之间的偏差,由下式计算:
其中,h(xi)表示预测值;yi表示真实值;m表示节点的数量;
S44:判断损失函数的值是否小于设定阈值,若是,则终止迭代,得到预测模型;若否,则循环执行步骤S42。
S5:将测试集输入预测模型中并得到电机温度分布的预测结果;判断预测结果是否达到预设的评价指标:若是,则以该预测模型构建得到电机温度场数字孪生模型;若否,则执行步骤S4,重新训练模型。本实施例的评价指标采用均方误差(Mean Square Error,MSE),由下式计算:
若均方误差小于设定阈值时,则表明预测结果达到评价指标要求,否则,表明预测结果未达到评价指标要求。
步骤三:根据电机温度分布预测结果求解当前工况下的最佳冷却水流量,使电机的最高温度保持在设定范围以内。
获得永磁同步电机温度分布预测结果后,需要结合预测模型、目标函数和约束条件进行最优求解,得到当前情况下的最佳冷却水流量,使得永磁同步电机的未来时间内的最高温度维持在较低水平。求解最佳冷却水流量的优化问题的一般数学表达式为:
Minimize max(f(x1,x2,x3,x4,x5,x6,x7))
Subject to x7 l<xi<x7 h
其中,x1,x2,x3,x4,x5,x6,x7分别为电机转速、输出扭矩、母线电压、母线电流、环境温度、当前冷却液温度和冷却液流量;f(x1,x2,x3,x4,x5,x6,x7)表示电机温度场数字孪生模型中的映射函数;x7 l和x7h分别表示x7取值的上限和下限。
在行驶过程中,变量x1,x2,x3,x4,x5,x6均为行驶状态下的实时状态数据,在优化过程中视为固定值,通过迭代优化得到当前行驶状态下最佳的冷却液流量以控制电机的温度。
本实施例采用增强的阿奎拉鹰算法(Enhanced Aquila Optimizer,EAO)对该优化问题进行快速准确地求解。
类似于其他的元启发式算法,AO的优化过程开始于初始化一组随机的解决方案,并采用了四种方式对解进行更新:通过垂直下降的高飞方式选择搜索空间、通过轮廓飞行的短滑翔攻击进行搜索、采用低飞的方式进行攻击和猛扑过去抓住猎物。这四种更新方式分别对应于扩大探索,缩小探索,扩大开发和缩小开发这四个阶段。当t≤(2/3)T时,各有50%的概率选择扩大探索和缩小探索,否则,各有50%的概率选择扩大开发和缩小开发。
(1)扩大探索:
阿奎拉鹰通过识别猎物区域,采用垂直高飞的方式选择最佳狩猎区域,这种行为表示为:
S1(t+1)=Sbest(t)×(1-t/T)+(SM(t)-Sbest(t)*rand)
其中,t为当前代数,T为总迭代次数,S1(t+1)表示扩大探索阶段产生的下一代的值,Sbest(t)表示当前代的最佳值,rand为[0,1]之间的随机值,SM(t)表示第t代解的位置均值,且:
其中,N为候选解的个数,dim为解的维数;
(2)缩小探索:
当在高空发现猎物区域时,阿奎拉鹰在目标猎物上方盘旋,然后发动攻击,这种行为表示为:
S2(t+1)=Sbest(t)×Levy(D)+SR(t)+(y-x)*rand
其中,S2(t+1)表示缩小探索阶段产生的下一代的值;SR(t)为第t次迭代中的随机解;Levy(D)为leay飞行函数,且:
其中,s为常数,β为常数;u和v为[0,1]之间的随机值,σ由下式计算得到:
x和y表示搜索过程的螺旋形状,计算如下:
x=r×sin(θ)
y=r×cos(θ)
r=r1+U+D1
θ=-ω×D1+θ1
其中,r1取1到20之间的一个值来确定搜索周期的数量;U为常数;D1为搜索空间D之间的整数;ω为常数。
(3)扩大开发:
当准确地确定了猎物的区域,并且阿奎拉鹰已经准备好着陆和攻击时,会垂直下降并进行攻击,这种行为表示为:
S3(t+1)=(Sbest(t)-SM(t))×α-rand+((UB-LB)×rand+LB)×δ
其中,S3(t+1)表示扩大开发阶段产生的下一代的值;α和δ开采调整参数;UB和LB表示问题的上下界;
(4)缩小开发:
当阿奎拉鹰接近猎物时,它会根据猎物的随机移动在陆地上攻击猎物,这种行为表示为:
S4(t+1)=QF×Sbest(t)-(G1×S(t)×rand)-G2×Levy(D)+rand×G1
G1=2×rand-1
其中,S4(t+1)表示缩小开发阶段产生的下一代的值。
在阿奎拉鹰算法中引入全局最优个体变异策略,对全局最优个体Sbest进行高斯变异操作,生成新个体S’best,如果新个体的适应度值优于Sbest,则用S’best代替Sbest;高斯变异操作如下:
S'best=Sbest·(1+N(0,δ2))
其中,δ2表示方差,且:
其中,δ2 max和δ2 min表示方差变化的最大最小值。
在阿奎拉鹰算法中引入leader选择策略,用leader代替Sbest,使其有力摆脱局部最优,所提出的leader选择策略如下所示:
每一个解都可以独立选择自己的leader,在每次迭代中选择目前最优的解或种群中的任意一个解作为目标靠近,p为选择最优解的概率,在迭代早期,为了加快收敛速度,p值设置为0.9,倾向于最优解方向移动;而在迭代的后期,应致力于发现新解,p值设置为0.7,使其有更大的可能向着群体中一般的甚至是糟糕的个体移动,有效增强了迭代后期的探索能力。
在阿奎拉鹰算法中提出一种开发和探索的平衡策略,利用一个非线性函数MOA(t),实现开发和探索之间的平衡:
MOA(t)=1+(-1*t3/T3)
判断rand是否小于MOA(t):
若是,则判断p1是否小于0.5:若是,则运用扩大的收缩机制;若否,则实行缩小的搜索机制;
若否,则判断p2是否小于0.5:若是,则运用扩大的开发机制;若否,则应用缩小的开发机制;
其中,rand、p1和p2均为[0,1]之间的随机值。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (6)
1.一种新能源汽车电机温度场数字孪生模型构建方法,其特征在于:包括如下步骤:
S1:数据采集:采集电机在不同工况下的时序数据,时序数据中包括电机的转速、输出扭矩、母线电压、母线电流以及环境温度和冷却液的流量、温度;
S2:数据预处理:对采集的时序数据进行缺失值填充、异常值剔除和数值标准化处理;
S3:将经预处理后的时序数据分为训练集和测试集;
S4:训练模型:构建深度学习模型,以训练集训练深度学习模型并更新模型参数,以损失函数为目标函数以判断是否达到模型训练的终止条件;当达到模型训练终止条件后,得到预测模型;
S5:将测试集输入预测模型中并得到电机温度分布的预测结果;判断预测结果是否达到预设的评价指标:若是,则以该预测模型构建得到电机温度场数字孪生模型;若否,则执行步骤S4。
2.根据权利要求1所述的新能源汽车电机温度场数字孪生模型构建方法,其特征在于:所述深度学习模型采用GEN(Graph Effect Network,图影响力神经网络)模型,所述GEN模型为在GAT(Graph Attention Network,图注意力神经网络)模型中引入微分算子层后得到,所述微分算子层用于对一个节点的不同相邻节点分配不同的权重以识别出各相邻节点对于该节点的影响程度。
3.根据权利要求2所述的新能源汽车电机温度场数字孪生模型构建方法,其特征在于:所述微分算子层采用拉普拉斯算子来表示不同相邻节点对于某节点的影响程度,并定义其为热扩散微分算子;令节点i与其任意相邻节点j和k之间连线组成三角形为Δijk,则节点i处的热扩散微分算子为:
其中,(Δt)i为节点i的热扩散微分算子,表示任意一个与节点i相连的节点j变化而给节点i带来的增益;ti表示函数t在节点i处的函数值;tj表示函数t在节点j处的函数值;wij表示节点i与节点j之间的节点边eij的边权重;ai表示节点i的节点权重;且:
ai=∑aijk
其中,lij表示节点i与节点j之间相连的节点边长度,同理lik和ljk分别表示节点k与节点i和节点j之间相连的节点边长度;aijk表示节点i在三角形Δijk中的权重;Sijk表示三角形Δijk的面积;
根据图网络节点相连关系构造一个以边权重wij为元素的n×n的矩阵W,若节点i与节点j不相邻,则节点i与节点j之间不存在节点边,矩阵中对应位置的元素wij=0;构造一个以节点权重ai为元素的对角矩阵A;构造一个以ti为列向量的矩阵T;则所有节点的热扩散微分算子可以表示为:
ΔT=A-1(D-W)T
其中,ΔT为m阶矩阵,表示所有节点的热扩散微分算子,m为所有节点的数量;D表示所有节点组成的图网络的度矩阵。
4.根据权利要求3所述的新能源汽车电机温度场数字孪生模型构建方法,其特征在于:采用线性离散热扩散算子作为基元算子ΔT,通过n阶切比雪夫多项式将基元算子ΔT构建成非线性离散微分算子进行逼近,即:
其中,θ∈Rm为切比雪夫多项式的系数向量。当T0(x)=1,T1(x)=x且k>1时,切比雪夫多项式的递归定义为Tk(x)=2xTk-1(x)-Tk-2(x),此时m阶切比雪夫多项式系数向量θ为GEN网络的待学习优化参数;
向GEN模型中输入电机在t时刻实时采集的时间序列数据Ft和,得到t时刻节点i的温度预测值为:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210945734.1A CN115310285B (zh) | 2022-08-08 | 2022-08-08 | 新能源汽车电机温度场数字孪生模型构建方法 |
CN202310648423.3A CN116992624B (zh) | 2022-08-08 | 2022-08-08 | 新能源汽车电机热管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210945734.1A CN115310285B (zh) | 2022-08-08 | 2022-08-08 | 新能源汽车电机温度场数字孪生模型构建方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310648423.3A Division CN116992624B (zh) | 2022-08-08 | 2022-08-08 | 新能源汽车电机热管控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115310285A true CN115310285A (zh) | 2022-11-08 |
CN115310285B CN115310285B (zh) | 2024-06-04 |
Family
ID=83860647
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210945734.1A Active CN115310285B (zh) | 2022-08-08 | 2022-08-08 | 新能源汽车电机温度场数字孪生模型构建方法 |
CN202310648423.3A Active CN116992624B (zh) | 2022-08-08 | 2022-08-08 | 新能源汽车电机热管控方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310648423.3A Active CN116992624B (zh) | 2022-08-08 | 2022-08-08 | 新能源汽车电机热管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115310285B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115313763A (zh) * | 2022-08-09 | 2022-11-08 | 重庆大学 | 新能源汽车电机热管控方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010195361A (ja) * | 2009-02-27 | 2010-09-09 | Nissan Motor Co Ltd | ハイブリッド車両の制御装置 |
CN108710767A (zh) * | 2018-05-29 | 2018-10-26 | 广东工业大学 | 一种基于isomap的锂电池热工艺时空建模方法 |
CN112634018A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 一种基于蚁群算法优化循环神经网络的逾期监控方法 |
US20210350620A1 (en) * | 2020-05-07 | 2021-11-11 | Imperial College Innovations Limited | Generative geometric neural networks for 3d shape modelling |
CN113947002A (zh) * | 2021-12-17 | 2022-01-18 | 广东粤港澳大湾区硬科技创新研究院 | 光谱合束半导体激光器对流传热系数计算方法 |
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 |
CN114580160A (zh) * | 2022-02-24 | 2022-06-03 | 河海大学 | 一种用于含裂纹功能梯度板传热问题的非局部方法 |
US20220197233A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Wind power prediction method and system for optimizing deep transformer network |
CN114692509A (zh) * | 2022-04-21 | 2022-07-01 | 南京邮电大学 | 基于多阶段退化神经网络的强噪声单光子三维重建方法 |
CN114719962A (zh) * | 2022-04-12 | 2022-07-08 | 重庆大学 | 基于机器学习的机械振动数字孪生模型构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552185B (zh) * | 2020-05-19 | 2022-06-03 | 重庆大学 | 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法 |
-
2022
- 2022-08-08 CN CN202210945734.1A patent/CN115310285B/zh active Active
- 2022-08-08 CN CN202310648423.3A patent/CN116992624B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010195361A (ja) * | 2009-02-27 | 2010-09-09 | Nissan Motor Co Ltd | ハイブリッド車両の制御装置 |
CN108710767A (zh) * | 2018-05-29 | 2018-10-26 | 广东工业大学 | 一种基于isomap的锂电池热工艺时空建模方法 |
US20210350620A1 (en) * | 2020-05-07 | 2021-11-11 | Imperial College Innovations Limited | Generative geometric neural networks for 3d shape modelling |
US20220197233A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Wind power prediction method and system for optimizing deep transformer network |
CN112634018A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 一种基于蚁群算法优化循环神经网络的逾期监控方法 |
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 |
CN113947002A (zh) * | 2021-12-17 | 2022-01-18 | 广东粤港澳大湾区硬科技创新研究院 | 光谱合束半导体激光器对流传热系数计算方法 |
CN114580160A (zh) * | 2022-02-24 | 2022-06-03 | 河海大学 | 一种用于含裂纹功能梯度板传热问题的非局部方法 |
CN114719962A (zh) * | 2022-04-12 | 2022-07-08 | 重庆大学 | 基于机器学习的机械振动数字孪生模型构建方法 |
CN114692509A (zh) * | 2022-04-21 | 2022-07-01 | 南京邮电大学 | 基于多阶段退化神经网络的强噪声单光子三维重建方法 |
Non-Patent Citations (2)
Title |
---|
PETAR VELIČKOVIĆ 等: "Graph Attention Networks", ARXIV, 30 October 2017 (2017-10-30) * |
曹正彬;刘晓平;杜光月;褚鑫;刘大伟;周玉成;: "基于TWSVM和模糊的木质采暖地板蓄热温度预测模型", 林业科学, no. 11, 15 November 2018 (2018-11-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115313763A (zh) * | 2022-08-09 | 2022-11-08 | 重庆大学 | 新能源汽车电机热管控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116992624B (zh) | 2024-02-13 |
CN115310285B (zh) | 2024-06-04 |
CN116992624A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115313763A (zh) | 新能源汽车电机热管控方法 | |
CN107145720B (zh) | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 | |
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN111353631A (zh) | 基于多层lstm的火电厂凝汽器真空度预测方法 | |
CN112598151A (zh) | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 | |
CN115310285A (zh) | 新能源汽车电机温度场数字孪生模型构建方法 | |
CN111291760A (zh) | 图像的语义分割方法、装置及电子设备 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN116774088A (zh) | 基于多目标优化的锂离子电池健康状态估计方法 | |
CN111968156A (zh) | 一种自适应超特征融合的视觉跟踪方法 | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN117515802A (zh) | 计及空调运行状态的定频中央空调日前负荷预测方法 | |
CN116046018B (zh) | 一种应用于mems陀螺仪的温度补偿方法 | |
CN110705756B (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
CN116826743A (zh) | 一种基于联邦图神经网络的电力负荷预测方法 | |
CN116956744A (zh) | 基于改进粒子群算法的多回路沟槽电缆稳态温升预测方法 | |
CN115630566B (zh) | 一种基于深度学习和动力约束的资料同化方法和系统 | |
CN117013520A (zh) | 一种基于增量学习的柔性负荷可调功率评估方法 | |
CN116009399A (zh) | 压电作动器控制系统自适应差分进化麻雀搜索辨识方法 | |
CN114282445A (zh) | 循环水系统运行优化方法以及相关设备 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
Li et al. | A Thermal-Aware Digital Twin Model of Permanent Magnet Synchronous Motors (PMSM) Based on BP Neural Networks | |
Mellah et al. | Comparing performances of three CFNN used for DC machine combined parameter and states estimation | |
CN115640735A (zh) | 基于图神经网络的卫星温度场数字孪生体模型构建方法 | |
CN117175595B (zh) | 一种基于多级数据的电网调控方法及系统 |
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 |