CN116404951A - 一种基于gp-narx模型的电机温度估算方法及装置 - Google Patents

一种基于gp-narx模型的电机温度估算方法及装置 Download PDF

Info

Publication number
CN116404951A
CN116404951A CN202310338673.7A CN202310338673A CN116404951A CN 116404951 A CN116404951 A CN 116404951A CN 202310338673 A CN202310338673 A CN 202310338673A CN 116404951 A CN116404951 A CN 116404951A
Authority
CN
China
Prior art keywords
motor
model
narx
temperature
narx model
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
Application number
CN202310338673.7A
Other languages
English (en)
Inventor
靳永春
李多强
单忠伟
贾心怡
孙可
杨红
刘宁
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.)
United Automotive Electronic Systems Co Ltd
Original Assignee
United Automotive Electronic Systems 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 United Automotive Electronic Systems Co Ltd filed Critical United Automotive Electronic Systems Co Ltd
Priority to CN202310338673.7A priority Critical patent/CN116404951A/zh
Publication of CN116404951A publication Critical patent/CN116404951A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/60—Controlling or determining the temperature of the motor or of the drive
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明提供了一种基于GP‑NARX模型的电机温度估算方法及装置，该方法包括：获取电机在预定工况下的工况参数；执行初始化工作以获取电机的初始温度值；以及将工况参数与初始温度值输入经训练阶段训练得到的GP‑NARX模型，将GP‑NARX模型最终的输出值作为电机的实时温度估算值，GP‑NARX模型在工作过程中将上一时刻输出的电机温度值反馈至下一时刻的输入以反映电机温度变化对电机实时温度的影响。

Description

一种基于GP-NARX模型的电机温度估算方法及装置
技术领域
本发明涉及电机温度估算领域，尤其涉及一种基于GP-NARX模型的电机温度估算方法及装置。
背景技术
新能源汽车由于具备节能环保、绿色低碳的优势，其市场渗透率不断提升，市场份额也不断增加。新能源汽车的驱动电机作为其电驱系统的核心部件，得到更多的关注与研究。电机在工作过程中会发生损耗，使其温度升高，而温度过高会加快定子绕组老化，转子磁钢退磁，严重时导致电机报废。因此，关于如何估算电机温度的研究具有十分重要的意义。
现有技术中，电机温度估算的方法主要包括：有限元法、集总参数热网络法、信号注入法以及磁链观测器等。然而，由于汽车驱动电机内部传热关系复杂，难以准确对其传热路径进行分析，该些电机温度估算方法在实际应用面临着各种困难和挑战。与此同时，近年来随着人工智能技术在数据挖掘、复杂系统建模、参数辨识等方面得到广泛的研究和应用，却少有利用人工智能技术进行汽车驱动电机温度估算的方案助力电机温度的研究工作。
为了克服现有技术存在的上述缺陷，本领域亟需一种基于GP-NARX模型的电机温度估算方法及装置，利用数据驱动建模算法，避免了复杂的电机传热路径分析和热网络参数辨识的过程，同时融合多源信息从而适用于多种工况，尤其对于物理模型特别复杂的场合，提高开发效率。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
为了克服现有技术存在的上述缺陷，本发明提供了一种基于GP-NARX模型的电机温度估算方法，包括：获取电机在预定工况下的工况参数；执行初始化工作以获取该电机的初始温度值；以及将该工况参数与该初始温度值输入经训练阶段训练得到的GP-NARX模型，将该GP-NARX模型最终的输出值作为该电机的实时温度估算值，该GP-NARX模型在工作过程中将上一时刻输出的电机温度值反馈至下一时刻的输入以反映电机温度变化对电机实时温度的影响。
在一实施例中，优选地，该训练阶段包括：采集该电机在实际运行中的多组工况数据，将该多组工况数据划分为多个数据集，该多个数据集包括训练集；为该GP-NARX模型选择适配的核函数，将该训练集的工况数据输入至该GP-NARX模型以计算适应度函数；以及迭代求解该适应度函数的最值以确定该GP-NARX模型的超参数，从而完成模型训练工作。
在一实施例中，优选地，该多组工况数据包括多个工况的工况参数以及每个工况下该电机的实时温度，该训练阶段还包括：将该多组工况数据进行预处理并整理为(xi,yi)的时间序列形式，xi为模型输入，yi为由传感器采集的该电机的实时温度，xi表示为：
Figure BDA0004157370360000021
其中，
Figure BDA0004157370360000022
为用于输入该GP-NARX模型的电机不同工况的工况参数，/>
Figure BDA0004157370360000023
为用于反馈至该GP-NARX模型输入的该电机的实时温度，nu和ny分别为用于决定该GP-NARX模型输出回归步长和输入步长的参数。
在一实施例中，优选地，该电机的实时温度yi表示为：
yi＝f(xi)+εi
其中，f(·)表征该GP-NARX模型，εi为添加的均值为零的高斯白噪声，且εi满足以下表达式以防止模型过拟合：
Figure BDA0004157370360000024
其中σy为εi的标准差。
在一实施例中，优选地，该GP-NARX模型还满足以下表达式：
f＝f(xi)～N(f|0,K)
其中，K为协方差矩阵，Kij＝k(xi,xj)，k(·,·)为该核函数；该为该GP-NARX模型选择适配的核函数，包括：
选择平方指数函数作为该核函数，并用以下公式表示该核函数：
Figure BDA0004157370360000031
其中，D为数据维度，σf、l为该核函数中待优化的超参数。
在一实施例中，优选地，该GP-NARX模型的超参数为θ＝[σf,l,σy]，其中σy为该高斯白噪声εi的标准差，该适应度函数包括采用以下表达式表示的对数似然边际函数：
Figure BDA0004157370360000032
该迭代求解该适应度函数的最值以确定该GP-NARX模型的超参数，包括：通过迭代求解该对数似然边际函数的最小值以确定该GP-NARX模型的超参数。
在一实施例中，优选地，该多个数据集还包括测试集，该电机温度估算方法还包括：经过该训练阶段训练完成该GP-NARX模型后，再经过测试阶段对经过训练的GP-NARX模型进行验证工作；若在该测试阶段该经过训练的GP-NARX模型满足预设验证条件，则将该工况参数与该初始温度值输入该GP-NARX模型，并将该模型最终的输出值作为该电机的实时温度估算值；若在该测试阶段该经过训练的GP-NARX模型不满足预设验证条件，则重新训练该GP-NARX模型。
在一实施例中，优选地，该预设验证条件包括：采用以下误差函数RMSE作为评价指标以衡量该GP-NARX模型的预测精度：
Figure BDA0004157370360000033
其中，N表示该测试集的数据组数，yi表示由传感器实测的该电机的实时温度值，yi*表示该GP-NARX模型的预测输出值。
在一实施例中，优选地，该执行初始化工作以获取该电机的初始温度值，包括：电机上电后，获取整车下电时间，将该整车下电时间与预设时间阈值进行比较；响应于该整车下电时间不低于该预设时间阈值，将该电机冷却水入口的当前温度作为该初始温度值；以及响应于该整车下电时间低于该预设时间阈值，基于实时环境温度选择电机降温曲线，根据该整车下电时间和该电机降温曲线计算该电机的当前温度以作为该初始温度值。
本发明的另一方面还提供了一种基于GP-NARX模型的电机温度估算装置，包括：存储器；以及与该存储器耦接的处理器，该处理器配置用于执行如上文中任一项所描述的基于GP-NARX模型的电机温度估算方法。
本发明还提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上文中任一项所描述的基于GP-NARX模型的电机温度估算方法。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1是根据本发明的一方面绘示的基于GP-NARX模型的电机温度估算方法的方法流程示意图；
图2是根据本发明的一实施例绘示的GP-NARX模型的模型原理示意图；
图3是根据本发明的一实施例绘示的基于GP-NARX模型的电机温度估算方法在模型训练及测试阶段的方法流程示意图；
图4是根据本发明的一实施例绘示的电机温度估算方法中初始化工作的流程示意图；
图5是根据本发明的另一方面绘示的基于GP-NARX模型的电机温度估算装置的装置结构示意图；以及
图6是根据本发明的一实施例绘示的用于部署GP-NARX模型的硬件装置结构示意图。
为清楚起见，以下给出附图标记的简要说明：
601 AMU单元
602 DMA单元
603 SRAM单元
604 非易失性存储
605 第一路径
606 第二路径
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。
在本发明的描述中，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，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。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发明中的具体含义。
另外，在以下的说明中所使用的“上”、“下”、“左”、“右”、“顶”、“底”、“水平”、“垂直”应被理解为该段以及相关附图中所绘示的方位。此相对性的用语仅是为了方便说明之用，其并不代表其所叙述的装置需以特定方位来制造或运作，因此不应理解为对本发明的限制。
能理解的是，虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分，这些组件、区域、层和/或部分不应被这些用语限定，且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此，以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。
为了克服现有技术存在的上述缺陷，本发明提供了一种基于GP-NARX模型的电机温度估算方法及装置，利用数据驱动建模算法，避免了复杂的电机传热路径分析和热网络参数辨识的过程，同时融合多源信息从而适用于多种工况，尤其对于物理模型特别复杂的场合，提高开发效率。
图1是根据本发明的一方面绘示的基于GP-NARX模型的电机温度估算方法的方法流程示意图。
请参照图1，本发明提供的基于GP-NARX模型的电机温度估算方法100可以包括：
步骤101：获取电机在预定工况下的工况参数；
步骤102：执行初始化工作以获取该电机的初始温度值；以及
步骤103：将该工况参数与该初始温度值输入经训练阶段训练得到的GP-NARX模型，将该GP-NARX模型最终的输出值作为该电机的实时温度估算值，该GP-NARX模型在工作过程中将上一时刻输出的电机温度值反馈至下一时刻的输入以反映电机温度变化对电机实时温度的影响。
汽车驱动电机的温度过高会引起其参数发生变化而影响其性能，具体表现例如定子绕组电阻变大、铜耗增加而加剧温升，转子磁钢退磁，相同电流下输出转矩降低等。本领域技术人员可以理解地，一方面，电机温度变化与其自身运行的工况有关，例如：转速、转矩、冷却条件、母线电压等；另一方面，电机温度变化还与其本体所处的温度有关。因此，本发明提供的电机温度估算方法将转速、转矩、冷却条件、母线电压等工况参数作为模型输入，电机温度作为模型输出，而模型输出的温度值再反馈至下一时刻的模型输入，从而可以使得汽车驱动电机温度的变化受到模型输入输出的同时影响，更好地模拟电机温度的实际影响因素。
图2是根据本发明的一实施例绘示的GP-NARX模型的模型原理示意图。
可以结合参考图2，本发明提供的电机温度估算方法采用高斯过程非线性自回归(Gaussian Process Nonlinear AutoRegressive eXogenous，GP-NARX)算法建立电机热模型。高斯过程(Gaussian Process，GP)回归是一种基于贝叶斯方法的非参数概率模型，是一种模拟系统非线性行为的强大工具。外因输入非线性自回归网络(NonlinearAutoRegressive with eXogenous Input NARX)是一种循环动态网络，通常用于时间序列建模，其模型预测输出可以反馈至模型输入端口，从而考虑输出值变化对系统的影响。如上文该，汽车驱动电机的温度受工况参数和温度变化的共同影响，建模时需要同时考虑模型输入和输出的反馈，进而本发明提供的电机温度估算方法基于GP-NARX模型展开。
如图2所示，一方面模型输入可以为一系列的工况参数，例如冷却液温度tcoolt、直流母线电压Udc、三相线电流幅值Is、转矩Tq、转速n等，另一方面模型的输出的温度值予以反馈至下一时刻的输入从而考虑温度变化对电机温度的影响，这里反馈框中的z表示延迟的时间步长。
图3是根据本发明的一实施例绘示的GP-NARX模型的电机温度估算方法在模型训练及测试阶段的方法流程示意图，下面分别对GP-NARX模型的训练阶段和测试阶段展开阐述。
在一优选的实施例中，GP-NARX模型的训练阶段首先可以包括：步骤301，采集该电机在实际运行中的多组工况数据，并对数据进行预处理。该多组工况数据可以包括多个工况的工况参数以及每个工况下该电机的实时温度。
更具体地，例如，可以利用电驱动试验台架，进行不同工况下的电机温度测量试验，进而在试验中同步采集影响电机温度的相关电气、机械、温度信号，以及电机不同部位的温度数据。该不同工况可以是不同的环境温度、不同的冷却液温度、不同的冷却液流量、不同的直流母线电压、不同的转速、不同的转矩、主动短路保护(Active Short Circuit，ASC)模式、堵转模式。该电机温度测量的部位可以是定子三相绕组、定子铁心、转子磁钢、转子铁心、轴承、冷却液出口。该采集的电气、机械、温度信号可以是母线电压、母线电流、功率、电机d/q轴电压、d/q轴电流、三相线电压、三相线电流、调制度、开关频率、功率因数、转速、转矩、冷却液流量、冷却液入口温度，电驱系统油泵转速、油泵电流等。通过上述试验，得到不同工况下的电机温度场数据，建立电机温度场数据集。
容易理解地，建立了电机温度场数据集后，需要对该数据集进行数据的预处理工作，例如数据滤波、缺失值填充等，在一实施例中，该训练阶段还可以包括：将该多组工况数据进行预处理并整理为(xi,yi)的时间序列形式，xi为模型输入，yi为由传感器采集的该电机的实时温度，xi表示为：
Figure BDA0004157370360000071
其中，
Figure BDA0004157370360000072
为用于输入该GP-NARX模型的电机不同工况的工况参数，/>
Figure BDA0004157370360000073
为用于反馈至该GP-NARX模型输入的该电机的实时温度，nu和ny分别为用于决定该GP-NARX模型输出回归步长和输入步长的参数。
例如，可以选取电机冷却液入口温度、直流母线电压、线电流、转矩、转速、开关频率、功率作为输入，定子绕组温度作为预测输出展开模型训练。
请继续参考图3，数据预处理后执行步骤302：将该多组工况数据划分为多个数据集，该多个数据集可以包括训练集、验证集和测试集。例如，训练集、验证集和测试集的比例可以分别为70％、15％和15％。其中，训练集和验证集用于训练模型以得到较优的超参数从而得到较优的备选模型，测试集用于在训练结束后验证该模型的性能以确定最优模型。
接着执行步骤303：模型初始化工作。容易理解地，由于本发明提供的电机温度估算方法需要将模型输出的温度预测值反馈至输入，因而需要执行初始化工作来获取初始的反馈输入值，再进行下一步骤304的模型参数训练工作。下面对步骤304如何训练模型参数展开说明。
在一优选的实施例中，模型输入xi实际上可以包括决定电机温度变化的工况数据和温度预测值的反馈，电机温度yi与xi之间的关系可由下式描述：
yi＝f(xi)+εi
其中，f(·)表征该GP-NARX模型输出输入关系的函数，εi为添加的均值为零的高斯白噪声，且εi满足以下表达式以防止模型过拟合：
Figure BDA0004157370360000081
其中σy为εi的标准差。
进一步地，在一优选的实施例中，采用GP-NARX模型对输入输出数据进行建模时，可以假设函数f(·)为零均值多元高斯先验分布，例如可以用下面表达式表示：
f＝f(xi)～N(f|0,K)
式中，K为协方差矩阵，Kij＝k(xi,xj)，k(·,·)为核函数，即协方差函数。
继而，本发明提供的电机温度估算方法在GP-NARX模型的该训练阶段还可以包括：为该GP-NARX模型选择适配的核函数，将该训练集的工况数据输入至该GP-NARX模型以计算适应度函数；以及迭代求解该适应度函数的最值以确定该GP-NARX模型的超参数，从而完成模型训练工作。
核函数的选择对模型性能至关重要，可以根据实际问题灵活选择。例如，在一优选的实施例中，该为该GP-NARX模型选择适配的核函数，例如可以包括：选择平方指数函数核(Squared Exponential Kernel，SE Kernel)作为该核函数，可以用以下公式表示该核函数：
Figure BDA0004157370360000091
其中，D为数据维度，σf、l为该核函数中待优化的超参数。
继而，该GP-NARX模型的超参数为θ＝[σf,l,σy]，其中σy为该高斯白噪声εi的标准差。下面需要确定该超参数的优选取值，即图3中步骤305的内容。
进一步地，该超参数θ可以通过求解适应度函数的优化问题来确定，例如，可以选择对数似然边际函数作为适应度函数，其表达式如下：
Figure BDA0004157370360000092
该迭代求解该适应度函数的最值以确定该GP-NARX模型的超参数，就可以包括：通过迭代求解该对数似然边际函数的最小值以确定该GP-NARX模型的超参数。
如图3中步骤305所示，通过最小化该对数似然边际函数确定模型超参数θ，若无法使得该适应度函数最小，则回到步骤303，继续模型的训练工作；若找到了使得适应度函数最小化的超参数，则可以进入下面测试阶段的工作。
本领域技术人员可以理解地，基于最优的模型进行预测时，根据贝叶斯后验公式，模型对于输入x*的预测输出y*的后验分布满足：
Figure BDA0004157370360000093
其中，μ*为预测值的均值，
Figure BDA0004157370360000094
为预测值的方差，分别可以由下式计算：
Figure BDA0004157370360000095
Figure BDA0004157370360000096
当取95％置信区间时，置信区间的边界可描述为：
Figure BDA0004157370360000097
下面对GP-NARX模型的测试阶段展开具体说明，测试阶段采用上文多个数据集中的测试集，在该测试阶段，该电机温度估算方法还可以包括：可以参见步骤306，经过该训练阶段训练完成该GP-NARX模型后，再经过测试阶段对经过训练的GP-NARX模型进行验证工作；若在该测试阶段该经过训练的GP-NARX模型满足预设验证条件，则将该工况参数与该初始温度值输入该GP-NARX模型，并将该模型最终的输出值作为该电机的实时温度估算值；若在该测试阶段该经过训练的GP-NARX模型不满足预设验证条件，则重新训练该GP-NARX模型。
在一优选的实施例中，该预设验证条件可以包括：采用以下误差函数RMSE作为评价指标以衡量该GP-NARX模型的预测精度：
Figure BDA0004157370360000101
其中，N表示该测试集的数据组数，yi表示由传感器实测的该电机的实时温度值，yi*表示该GP-NARX模型的预测输出值。
需要说明的是，这里RMSE作为预测精度评价指标仅为示例性的说明，旨在更加清楚地展示本发明提供的电机温度估算方法在模型测试阶段的具体步骤，而非用于限制本发明的保护范围，实际上，也可以选取其他的评价指标来衡量模型预测的精度高低。
容易理解地，该模型预测精度的评价过程即为图3中步骤307的内容，如图3所示，若评判下来预测精度不能满足预设要求，则回到步骤302，重新进行模型的训练，例如可以更改训练集、验证集、测试集在整车数据集中的比例或顺序等进而重新进行训练工作；而若经过测试，该模型的预测精度能够满足该预设要求，则终止训练，进入步骤308：输出模型配置文件并保存以供正式的温度估算工作使用。
该GP-NARX模型的正式使用即基于该GP-NARX模型展开电机温度的估算工作，也就是图1所示的内容。
特别地，由于GP-NARX模型的输入中包含输出的反馈值，所以要先进行模型的初始化工作以获取初始温度值作为模型输入。可以再回到图1，其中步骤102：执行初始化工作以获取该电机的初始温度值，图4是根据本发明的一实施例绘示的电机温度估算方法中初始化工作的流程示意图，下面结合图4对该初始化工作展开阐述。
如图4所示，本发明提供的电机温度估算方法中初始化工作可以包括：首先，步骤401：汽车启动运行，整车上电；电机上电后，执行步骤402：获取整车下电时间tiEcuOff；接着执行步骤403：将该整车下电时间tiEcuOff与预设时间阈值tiMax_C进行比较；响应于该整车下电时间不低于该预设时间阈值，进入步骤404：将该电机冷却水入口的当前温度tcoolt作为该初始温度值tinit，即tinit＝tcoolt；与此同时，响应于该整车下电时间低于该预设时间阈值，则进入步骤405：基于实时环境温度选择电机降温曲线，根据该整车下电时间和该电机降温曲线计算该电机的当前温度以作为该初始温度值tinit；最后步骤406：基于以上过程确定模型的初始温度值tinit作为模型的初始反馈输入。
需要额外说明的是，本发明提供的基于GP-NARX模型的电机温度估算方法中，该GP-NARX热模型不仅适用于新能源汽车驱动系统电机，还可以适用于以其它以电机作为动力源的场合，其建模对象可以包括永磁同步电机、异步电机、磁阻电机、直流电机无刷电机等各种类型。
此外，该电机GP-NARX热模型的输入可以是与电机温度有关的工况信息、模型预测的温度，或这些工况信息的组合形式。其预测的温度可以是电机中任何需要监测温度的部位，不仅限于定子三相绕组、定子铁心、转子磁钢、转子铁心、轴承、冷却液出口等部位的温度。
本发明提供的基于GP-NARX模型的电机温度估算方法，利用数据驱动建模算法，避免了复杂的电机传热路径分析和热网络参数辨识的过程，尤其适用于物理模型特别复杂的场合，提高开发效率。与此同时，上述建模过程考虑了输入-输出之间的不确定性，能够给出输出预测结果的置信区间；且模型训练时可以融合多源信息，提高了模型在多种工况下的适用性。除此以外，一旦模型训练完成，就可以基于数据驱动的该模型，代替传统的物理温度传感器，有效实现了车辆开发阶段的成本节约。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
图5是根据本发明的另一方面绘示的基于GP-NARX模型的电机温度估算装置的装置结构示意图。
根据本发明的另一方面，本文还提供了一种基于GP-NARX模型的电机温度估算装置500的实施例。
如图5所示，本实施例提供的上述基于GP-NARX模型的电机温度估算装置500可以包括存储器501，以及耦接至该存储器501的处理器502。该处理器502可以配置用于实现上述任意一种基于GP-NARX模型的电机温度估算方法。
根据本发明的另一方面，本文还提供了一种计算机存储介质的实施例。该计算机存储介质上存储有计算机程序。该计算机程序被处理器执行时，可以实现上述任意一种基于GP-NARX模型的电机温度估算方法的步骤。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。本案描述的处理器可使用电子硬件、计算机软件或其任何组合来实现。此类处理器是实现为硬件还是软件将取决于具体应用和加诸于系统的整体设计约束。作为示例，本公开中呈现的处理器、处理器的任何部分、或处理器的任何组合可用微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门控逻辑、分立的硬件电路、以及配置成执行贯穿本公开描述的各种功能的其他合适的处理组件来实现。本公开中呈现的处理器、处理器的任何部分、或处理器的任何组合的功能性可用由微处理器、微控制器、DSP或其他合适的平台执行的软件来实现。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。
例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
更具体地，例如，可以将前一步训练完成的模型文件部署到电机控制器的微控制器(Micro-Control Unit，MCU)中，电机GP-NARX热模型可以部署到MCU内的CPU(CentralProcessing Unit，CPU)中运行。
由于运行电机GP-NARX模型所需的算力较大，也可以将模型借助MCU内部的硬件加速单元进行运算加速，NARX结构中的输入处理、输入输出的数据转化与处理在CPU中运行，CPU调用硬件加速单元的驱动程序通过硬件加速单元辅助进行电机GP-NARX热模型中GP部分的计算，以加速热模型的运算速度。
图6是根据本发明的一实施例绘示的用于部署GP-NARX模型的硬件装置结构示意图。
如图6所示，车用MCU内部常见的硬件加速装置AMU单元601(Advanced ModellingUnit)的结构，其中可以包括：若干个AMU计算引擎AMU0..n(n＝1，2，3…)、DMA单元602(Direct Memory Access，直接存储器访问)、SRAM单元603(System RAM，易失性存储)。其中，AMU单元601可以从非易失性存储604，例如FLASH中，直接获取电机GP-NARX热模型的参数进行模型运行，即箭头所示第一路径605；也可以通过AMU单元601的DMA单元602从FLASH区域将模型参数搬运到硬件加速单元的SRAM单元603中，AMU单元601从SRAM单元603中获取电机GP-NARX热模型的的参数进行模型运行，即箭头所示第二路径606，可以缩短AMU计算引擎获取模型参数的时间，进一步提高模型运算效率。
此外，GP-NARX模型还可以部署到电机控制器内MCU以外的处理单元，包括：微处理器(Micro-Processing Unit，MPU)，以及电机控制器以外的其他控制器，例如区域控制器、域控制器、车载计算机，以及云端服务器等，它们和电机控制器MCU之间可以通过通信媒介进行数据交互，例如SPI(Serial Peripheral Interface)、UART(Universal AsynchronousReceiver/Transmitter)、CAN(Controller Area Network)、LIN(Local InterconnectNetwork)、ETH(Ethernet)及无线通信等方式，从而实现电机的实时温度预测。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (11)

1.一种基于GP-NARX模型的电机温度估算方法，包括：
获取电机在预定工况下的工况参数；
执行初始化工作以获取所述电机的初始温度值；以及
将所述工况参数与所述初始温度值输入经训练阶段训练得到的GP-NARX模型，将所述GP-NARX模型最终的输出值作为所述电机的实时温度估算值，所述GP-NARX模型在工作过程中将上一时刻输出的电机温度值反馈至下一时刻的输入以反映电机温度变化对电机实时温度的影响。
2.如权利要求1所述的电机温度估算方法，其特征在于，所述训练阶段包括：
采集所述电机在实际运行中的多组工况数据，将所述多组工况数据划分为多个数据集，所述多个数据集包括训练集；
为所述GP-NARX模型选择适配的核函数，将所述训练集的工况数据输入至所述GP-NARX模型以计算适应度函数；以及
迭代求解所述适应度函数的最值以确定所述GP-NARX模型的超参数，从而完成模型训练工作。
3.如权利要求2所述的电机温度估算方法，其特征在于，所述多组工况数据包括多个工况的工况参数以及每个工况下所述电机的实时温度，所述训练阶段还包括：
将所述多组工况数据进行预处理并整理为(xi,yi)的时间序列形式，xi为模型输入，yi为由传感器采集的所述电机的实时温度，xi表示为：
Figure FDA0004157370350000011
其中，
Figure FDA0004157370350000012
为用于输入所述GP-NARX模型的电机不同工况的工况参数，/>
Figure FDA0004157370350000013
为用于反馈至所述GP-NARX模型输入的所述电机的实时温度，nu和ny分别为用于决定所述GP-NARX模型输出回归步长和输入步长的参数。
4.如权利要求3所述的电机温度估算方法，其特征在于，所述电机的实时温度yi表示为：
yi＝f(xi)+εi
其中，f(·)表征所述GP-NARX模型，εi为添加的均值为零的高斯白噪声，且εi满足以下表达式以防止模型过拟合：
Figure FDA0004157370350000021
其中σy为εi的标准差。
5.如权利要求4所述的电机温度估算方法，其特征在于，所述GP-NARX模型还满足以下表达式：
f＝f(xi)～N(f|0,K)
其中，K为协方差矩阵，Kij＝k(xi,xj)，k(·,·)为所述核函数；
所述为所述GP-NARX模型选择适配的核函数，包括：
选择平方指数函数作为所述核函数，并用以下公式表示该核函数：
Figure FDA0004157370350000022
其中，D为数据维度，σf、l为该核函数中待优化的超参数。
6.如权利要求5所述的电机温度估算方法，其特征在于，所述GP-NARX模型的超参数为θ＝[σf,l,σy]，其中σy为所述高斯白噪声εi的标准差，所述适应度函数包括采用以下表达式表示的对数似然边际函数：
Figure FDA0004157370350000023
所述迭代求解所述适应度函数的最值以确定所述GP-NARX模型的超参数，包括：
通过迭代求解所述对数似然边际函数的最小值以确定所述GP-NARX模型的超参数。
7.如权利要求2所述的电机温度估算方法，其特征在于，所述多个数据集还包括测试集，所述电机温度估算方法还包括：
经过所述训练阶段训练完成所述GP-NARX模型后，再经过测试阶段对经过训练的GP-NARX模型进行验证工作；
若在所述测试阶段该经过训练的GP-NARX模型满足预设验证条件，则将所述工况参数与所述初始温度值输入该GP-NARX模型，并将该模型最终的输出值作为所述电机的实时温度估算值；
若在所述测试阶段该经过训练的GP-NARX模型不满足预设验证条件，则重新训练所述GP-NARX模型。
8.如权利要求7所述的电机温度估算方法，其特征在于，所述预设验证条件包括：
采用以下误差函数RMSE作为评价指标以衡量所述GP-NARX模型的预测精度：
Figure FDA0004157370350000031
其中，N表示所述测试集的数据组数，yi表示由传感器实测的所述电机的实时温度值，yi*表示所述GP-NARX模型的预测输出值。
9.如权利要求1所述的电机温度估算方法，其特征在于，所述执行初始化工作以获取所述电机的初始温度值，包括：
整车上电，获取整车下电时间，将所述整车下电时间与预设时间阈值进行比较；
响应于所述整车下电时间不低于所述预设时间阈值，将所述电机冷却水入口的当前温度作为所述初始温度值；以及
响应于所述整车下电时间低于所述预设时间阈值，基于实时环境温度选择电机降温曲线，根据所述整车下电时间和所述电机降温曲线计算所述电机的当前温度以作为所述初始温度值。
10.一种基于GP-NARX模型的电机温度估算装置，包括：
存储器；以及
与所述存储器耦接的处理器，所述处理器配置用于执行如权利要求1～9中任一项所述的基于GP-NARX模型的电机温度估算方法。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～9中任一项所述的基于GP-NARX模型的电机温度估算方法。
CN202310338673.7A 2023-03-31 2023-03-31 一种基于gp-narx模型的电机温度估算方法及装置 Pending CN116404951A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310338673.7A CN116404951A (zh) 2023-03-31 2023-03-31 一种基于gp-narx模型的电机温度估算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310338673.7A CN116404951A (zh) 2023-03-31 2023-03-31 一种基于gp-narx模型的电机温度估算方法及装置

Publications (1)

Publication Number Publication Date
CN116404951A true CN116404951A (zh) 2023-07-07

Family

ID=87017263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310338673.7A Pending CN116404951A (zh) 2023-03-31 2023-03-31 一种基于gp-narx模型的电机温度估算方法及装置

Country Status (1)

Country Link
CN (1) CN116404951A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117060815A (zh) * 2023-10-13 2023-11-14 深圳市弦动科技有限公司 一种电机温度间接测量方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117060815A (zh) * 2023-10-13 2023-11-14 深圳市弦动科技有限公司 一种电机温度间接测量方法
CN117060815B (zh) * 2023-10-13 2024-02-09 深圳市弦动科技有限公司 一种电机温度间接测量方法

Similar Documents

Publication Publication Date Title
Niri et al. Remaining energy estimation for lithium-ion batteries via Gaussian mixture and Markov models for future load prediction
Niri et al. State of power prediction for lithium-ion batteries in electric vehicles via wavelet-Markov load analysis
WO2019056498A1 (zh) 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质
CN103487759A (zh) 一种混合动力汽车电池soc预测方法
CN116404951A (zh) 一种基于gp-narx模型的电机温度估算方法及装置
CN103633903B (zh) 一种开关磁阻电机转子位置自检测方法
CN104993765A (zh) 一种无刷直流电机的转速估计方法
CN110058161B (zh) 一种锂离子电池模型参数的分布式辨识方法及装置
EP4208725A1 (en) Battery state of health estimator
CN116431969A (zh) 一种基于gpr-rc模型的电机温度估算方法及装置
CN115130266A (zh) 用于车辆的热管理控制的方法和系统
Shen et al. Accurate state of health estimation for lithium-ion batteries under random charging scenarios
CN115291545A (zh) 一种电力电子产品的多层控制系统及方法
König et al. An open-source modular quasi-static longitudinal simulation for full electric vehicles
CN113406500B (zh) 一种动力锂电池的剩余电量估计方法
CN114115199A (zh) 新能源环卫车辆的监测及故障诊断系统
CN114330571A (zh) 基于迁移学习的电力系统主导失稳模式识别方法及系统
Wang et al. Broken rotor bar fault detection of induction motors using a joint algorithm of trust region and modified bare-bones particle swarm optimization
Dong et al. State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine
CN115935790A (zh) 电机转子的温度预测方法、装置、存储介质和处理器
CN116008815A (zh) 一种电芯内短路检测方法、装置、设备、存储介质及车辆
El Marghichi Estimation of battery capacity using the enhanced self-organization maps
Wang et al. Optimized deep neural network enabled low‐cost state of charge estimation for different kinds of lithium‐ion batteries under dynamic load conditions
Xiao et al. Different Faults Diagnosis and Classification on‐Line in Permanent Magnet Synchronous Machines Using Improved Exponential Discriminant Analysis
CN115273456B (zh) 一种两轮电动车违规行驶的判定方法、系统和存储介质

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