CN118033414A - 一种基于运行数据的电机扭矩异常检测方法 - Google Patents
一种基于运行数据的电机扭矩异常检测方法 Download PDFInfo
- Publication number
- CN118033414A CN118033414A CN202410051873.9A CN202410051873A CN118033414A CN 118033414 A CN118033414 A CN 118033414A CN 202410051873 A CN202410051873 A CN 202410051873A CN 118033414 A CN118033414 A CN 118033414A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- motor torque
- current
- motor
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000005856 abnormality Effects 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000009825 accumulation Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 3
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及电机故障检测方法领域,具体涉及一种基于运行数据的电机扭矩异常检测方法,解析原始报文中相应的电池信号数据;对电池信号数据进行清洗处理,得到时间、驱动电机信息和总电流;根据车载终端上传信息提取电机扭矩数据,根据总电流提取电流数据;将电机扭矩数据和电流数据分别存入两个预设长度的滑动时间窗口WT和WI中;计算滑动时间窗口WT和WI中数据的相关系数;将相关系数存入设定长度的滑动窗口Wr中;计算滑动窗口Wr内数据的累计风险积分;重复前面的过程,直至滑动窗口Wr内的数据计算完成;计算风险累计概率、相对风险指数、绝对风险指数和风险频度,并输出结果。本发明能够在无精准系统数学模型情况下,能对各型号电机进行故障诊断。
Description
技术领域
本发明涉及电机故障检测方法领域,具体涉及一种基于运行数据的电机扭矩异常检测方法。
背景技术
新能源汽车是指以新型动力系统为主要动力来源的汽车,其中电动汽车是指以电动机为主要动力来源的汽车。电动汽车的核心部件之一是电机,其性能直接影响着汽车的动力性、经济性和安全性。因此,对电机的状态进行实时监测和诊断,对于保障电动汽车的正常运行和延长使用寿命具有重要意义。
目前,国内外对于电机状态监测和诊断的方法比较多,例如一种电驱动系统输出扭矩安全监控系统及方法,包括信号采集、信号校验、旋变解码模块、扭矩估算、扭矩监控与反馈、安全状态控制及故障上报、CAN报文校验及E2E处理及CAN通讯接收与发送模块。根据计算的电机实际输出扭矩和来自CAN总线的扭矩请求指令的比较,当实际输出扭矩与扭矩请求指令的偏差超过非预期扭矩阈值时,控制电驱动系统进入主动短路或关闭状态。避免由于电机实际输出扭矩比扭矩请求指令不一致,而导致车辆出现非预期加减速、非预期行驶或非预期反向行驶等危害事件。
现有的电机状态监测和诊断方法存在以下几个共同的问题:需要额外安装传感器或者采集设备,增加了成本和复杂度;需要对信号进行复杂的处理或者建立精确的模型,增加了计算量和时间;需要大量的标注数据或者专家知识,增加了人力和资源消耗,从而造成电机异常故障预警不及时、误报多。
发明内容
本发明意在一种基于运行数据的电机扭矩异常检测方法,以解决现有方法中电机异常故障预警不及时、误报多的问题。
本方案中的基于运行数据的电机扭矩异常检测方法,包括:
步骤1,解析原始报文中相应的电池信号数据;
步骤2,对电池信号数据进行清洗处理,得到时间、驱动电机信息和总电流;
还包括:
步骤3,根据车载终端上传信息提取电机扭矩数据,根据总电流提取电流数据;
步骤4,将电机扭矩数据和电流数据分别存入两个预设长度的滑动时间窗口WT和WI中;
步骤5,计算滑动时间窗口WT和WI中数据的相关系数;
步骤6,将相关系数存入设定长度的滑动窗口Wr中;
步骤7,计算滑动窗口Wr内数据的累计风险积分;
步骤8,重复步骤4-步骤7,直至滑动窗口Wr内的数据计算完成;
步骤9,计算风险累计概率、相对风险指数、绝对风险指数和风险频度,并基于风险累计概率、相对风险指数、绝对风险指数和风险频度中任一参量,是否满足预设条件进行风险判断,输出判断结果。
本方案的有益效果是:
针对电池系统电机异常故障进行设计,利用国标数据中的电机扭矩和电池总电流信息,通过对滑动窗口中电机扭矩和电流数据相关计算后,得到了反映电机扭矩和电流的相关性;通过风险累积模型对扭矩-电流相关系数的变化进行风险状态监测和风险判断,及时提醒用户进行检查和处理,提高了新能源汽车的安全性和可靠性;利用电流与电机扭矩相关性的方法研究电机故障状态,方法具有创新性和可实施性;能够在无精准系统数学模型情况下,能对各型号电机进行故障诊断。
进一步,所述步骤2中,所述清洗处理包括删除异常字符和无效数据。
进一步,所述步骤5中,将相关系数表示为r,计算公式为:
其中,N为预设长度,Ti为滑动窗口WT中第i个电机扭矩数据,为滑动窗口WT中电机扭矩数据的均值,Ii为滑动窗口WI中第i个电流数据,/>为滑动窗口WI中电流数据的均值。
有益效果是:基于电机扭矩数据和电流数据计算相关系数,能够反应出电机性能和状态的相关关系,以精准检测电机异常。
进一步,所述步骤7中,基于相关系数r定义1-r为风险计算累计风险,公式表示为:
其中,t表示时间。
有益效果是:基于相关系数定义并计算累计风险,能够突出对应的风险情况。
进一步,所述步骤9中,风险累计概率表示为,计算公式为:
Pc=Pr(1-θt)+θtPt;
其中,Pc为到目前时刻为止的累计风险,Pr为到上一个观察时刻为止的累计风险,Pt为当前观察周期内的最大风险,θt为对风险变化速度的度量,取值范围为0≤θt≤1。
有益效果是:基于不同时刻的累计风险、最大风险和风险变化速度的度量计算风险累计概率,能够更精准地反馈电机异常的特征。
进一步,所述步骤9中,相对风险指数表示为η,计算公式为:
绝对风险指数表示为Q,计算公式为:Q=Max_RiskSpeed;
风险频度表示为R,计算公式为:R=累计风险曲线变化速度的局部极值点个数。
有益效果是:基于最大风险速度计算相对风险,以及确定绝对风险指数和风险频度,是切合电机自身表现情况进行,能够提高电机异常检测的准确性。
进一步,所述步骤9中,所述预设条件为:η>50、Pc>0.5、Max_RiskSpeed>0.0025、Max_RiskSpeed<0.0025及风险频次R个数>3;满足任意一个条件则预警,认为该车存在较高的电机扭矩输出异常风险。
有益效果是:以预设条件中各个参数的范围限定,能够精准筛选出电机的异常情况。
附图说明
图1为本发明基于运行数据的电机扭矩异常检测方法实施例的流程框图;
图2为本发明基于运行数据的电机扭矩异常检测方法实施例中电机扭矩-电流相关系数安全特征图;
图3为本发明基于运行数据的电机扭矩异常检测方法实施例中的风险累计趋势图;
图4为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车1电机扭矩-电流相关系数安全特征图;
图5为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车2电机扭矩-电流相关系数安全特征图;
图6为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车3电机扭矩-电流相关系数安全特征图;
图7为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车4电机扭矩-电流相关系数安全特征图;
图8为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车5电机扭矩-电流相关系数安全特征图;
图9为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车6电机扭矩-电流相关系数安全特征图;
图10为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车7电机扭矩-电流相关系数安全特征图;
图11为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车8电机扭矩-电流相关系数安全特征图;
图12为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车9电机扭矩-电流相关系数安全特征图;
图13为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车10电机扭矩-电流相关系数安全特征图;
图14为本发明基于运行数据的电机扭矩异常检测方法实施例中测试车11电机扭矩-电流相关系数安全特征图。
具体实施方式
下面通过具体实施方式进一步详细说明。
实施例
一种基于运行数据的电机扭矩异常检测方法,如图1所示,包括:
步骤1,解析原始报文中相应的电池信号数据,原始报文按照GB32960国标规定中的内容进行获取。
步骤2,对电池信号数据进行清洗处理,得到时间、驱动电机信息和总电流,时间为报文中的TIME,驱动电机信息为报文中的MOTOR_INFO,总电流为报文中的SUM_CURRENT,所述清洗处理包括删除异常字符和无效数据,例如删除NAN。
步骤3,根据车载终端上传信息提取电机扭矩数据T,根据总电流提取电流数据I,得到如表1所示的结果。
表1提取结果表
字段 | 类型 | 说明 | 有效性判断 |
VIN | Array[Char] | 车辆vin号 | 长度17 |
MOTOR_TORQUE | Int | 驱动电机转矩 | 范围(-2000~4553.1) |
MOTOR_CURRENT | Int | 驱动电机直流母线电流 | 范围(-40~210) |
步骤4,将电机扭矩数据和电流数据分别存入两个预设长度的滑动时间窗口WT和WI中,预设长度为N。
步骤5,计算滑动时间窗口WT和WI中数据的相关系数,将相关系数表示为r,计算公式为:
其中,N为预设长度,Ti为滑动窗口WT中第i个电机扭矩数据,为滑动窗口WT中电机扭矩数据的均值,Ii为滑动窗口WI中第i个电流数据,/>为滑动窗口WI中电流数据的均值。针对相关系数进行特征图绘制,得到如图2所示的结果,横坐标为数据采样点,纵坐标为提取的特征。由图2可知,在采样点10000附近存在相关系数波动的现象,且后续开始恶化,恶化后变为正常可能进行过修理。
电机正常工作时输出的扭矩与电流之间存在一定的关系,这个关系可以通过电机的电动机方程来描述。电动机方程的一个基本形式如下:
T=k·I;
其中,T是电机输出的扭矩(Torque),I是电机的电流,k是电机的扭矩常数,也被为电机的转矩常数。
1.电动机方程表明,电机输出的扭矩正比于电流。在正常工作条件下,电机通常会保持一定的工作点,使得这个关系比较稳定。
低相关性系数:如果电机正常工作时扭矩和电流之间的相关性系数较低,这可能表示存在非线性的扭矩-电流关系,或者有其他因素干扰了这一关系。这可能是由于负载变化、机械问题、电气问题或者控制系统故障等引起的。
2.突然的相关性变化:如果在电机正常运行的过程中突然观察到相关性系数的明显变化,这可能表明电机发生了突发性的问题。这可能包括电源问题、传感器故障、控制系统故障等。
3.非典型的相关性模式:如果相关性系数的模式与正常运行时的模式不一致,可能说明电机在某些方面发生了变化。例如,扭矩和电流之间的关系在额定负载下通常是线性的,如果出现了非典型的非线性关系,可能需要注意。
4.异常的扭矩和电流值:如果电机正常工作时出现了异常的扭矩或电流值,这也可能导致相关性系数异常。这可能是由于机械故障、电气故障、控制系统失效等问题引起的。
步骤6,将相关系数存入设定长度的滑动窗口Wr中,设定长度为M。
步骤7,计算滑动窗口Wr内数据的累计风险积分,基于相关系数r定义1-r为风险计算累计风险,公式表示为:
其中,t表示时间,时间是从步骤2得到。对风险累计进行绘制,得到如图3所示结果,横坐标为数据采样点,纵坐标为风险强化感知特征值,表示风险发生的大小概率。由图3可知,采样点10000附近由于电机扭矩-电流存在相关性异常,因此此处发生风险的概率上升。
步骤8,重复步骤4-步骤7,直至滑动窗口Wr内的数据计算完成。
本实施例中相关性系数异常并不总是意味着电机本身出现了问题,所以,本实施例通过风险累积算法对该特征进行分析和判断才能更全面地评估电机的工作状态。
步骤9,计算风险累计概率、相对风险指数、绝对风险指数和风险频度,并基于风险累计概率、相对风险指数、绝对风险指数和风险频度中任一参量,是否满足预设条件进行风险判断,所述预设条件为:η>50、Pc>0.5、Max_RiskSpeed>0.0025、Max_RiskSpeed<0.0025、风险频次R>3,即满足预设条件中任一参量范围时,输出判断结果。
在步骤9中,风险累计概率表示为,计算公式为:
Pc=Pr(1-θt)+θtPt;
其中,Pc为到目前时刻为止的累计风险,Pr为到上一个观察时刻为止的累计风险,Pt为当前观察周期内的最大风险,θt为对风险变化速度的度量,取值范围为0≤θt≤1。
在步骤9中,相对风险指数表示为η,计算公式为:
绝对风险指数表示为Q,计算公式为:Q=Max_RiskSpeed,其中,MaxRiskSpeed是对Sr(t)风险积分序列进行速度滤波,然后求得最大风险速度,NormalRiskSpeed是对Sr(t)风险积分序列的平方求均值,是风险累积模型的参数,用来判断电机扭矩和电流的相关性异常。
风险频度表示为R,计算公式为:R=累计风险曲线变化速度的局部极值点个数,局部极值点个数为600s-1800s时间范围。极值点既有可能是行车工况造成的数据波动,也有可能是故障导致的。工况导致的数据波动在小时间窗口内极值个数不会太多,故障导致的数据异常极值在小窗口范围内频数较多。所以选择合适的时间窗口,通过极值的个数,能够区分故障和正常的数据波动.
选取实际正常车10辆,异常车1辆,将正常车与异常车随机打乱依次编号为测试车1、测试车2、测试车3、测试车4、测试车5、测试车6、测试车7、测试车8、测试车9、测试车10、测试车11,电机扭矩-电流相关系数安全特征图如图4、图5、图6、图7、图8、图9、图10、图11、图12、图13、图14所示。测试车1在后期相关性安全特征发生下降,判断为故障车,其余测试车相关系数稳定,算法检测为正常。经实际线下检测分析,算法准确率达到100%,查全率100%。
本实施例通过针对电池系统电机异常故障进行设计,利用国标数据中的电机扭矩和电池总电流信息,通过滑动窗口计算后,得到了反映电机扭矩和电流的相关性;通过风险累积模型对扭矩-电流相关系数的变化进行风险状态监测和风险判断,及时提醒用户进行检查和处理,提高了新能源汽车的安全性和可靠。本方法仅仅是对相关数据进行相关计算和设置,就能检测出扭矩异常,方法简单易实现,计算量小,适用于在线实时应用,以在在线实时应用时快速、准确计算出结果,并及时、准确发现对应的异常情况。利用电流与电机扭矩相关性的方法提取电机扭矩输出异常特征,再通过风险累积的方法进行风险的挖掘和最终故障判定,该方法具有创新性和可实施性,能够在无精准系统数学模型情况下,能对各型号电机进行故障诊断。针对复杂系统也可以对其中某个部分的数据进行相关计算进而判断异常情况,适用于复杂系统,适用范围更广泛。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (7)
1.一种基于运行数据的电机扭矩异常检测方法,包括:
步骤1,解析原始报文中相应的电池信号数据;
步骤2,对电池信号数据进行清洗处理,得到时间、驱动电机信息和总电流;
其特征在于,还包括:
步骤3,根据车载终端上传信息提取电机扭矩数据,根据总电流提取电流数据;
步骤4,将电机扭矩数据和电流数据分别存入两个预设长度的滑动时间窗口WT和WI中;
步骤5,计算滑动时间窗口WT和WI中数据的相关系数;
步骤6,将相关系数存入设定长度的滑动窗口Wr中;
步骤7,计算滑动窗口Wr内数据的累计风险积分;
步骤8,重复步骤4-步骤7,直至滑动窗口Wr内的数据计算完成;
步骤9,计算风险累计概率、相对风险指数、绝对风险指数和风险频度,并基于风险累计概率、相对风险指数、绝对风险指数和风险频度中任一参量,是否满足预设条件进行风险判断,输出判断结果。
2.根据权利要求1所述的一种基于运行数据的电机扭矩异常检测方法,其特征在于:所述步骤2中,所述清洗处理包括删除异常字符和无效数据。
3.根据权利要求2所述的一种基于运行数据的电机扭矩异常检测方法,其特征在于:所述步骤5中,将相关系数表示为r,计算公式为:
其中,N为预设长度,Ti为滑动窗口WT中第i个电机扭矩数据,为滑动窗口WT中电机扭矩数据的均值,Ii为滑动窗口WI中第i个电流数据,/>为滑动窗口WI中电流数据的均值。
4.根据权利要求3所述的一种基于运行数据的电机扭矩异常检测方法,其特征在于:所述步骤7中,基于相关系数r定义1-r为风险计算累计风险,公式表示为:
其中,t表示时间。
5.根据权利要求4所述的一种基于运行数据的电机扭矩异常检测方法,其特征在于:所述步骤9中,风险累计概率表示为,计算公式为:
Pc=Pr(1-θt)+θtPt;
其中,Pc为到目前时刻为止的累计风险,Pr为到上一个观察时刻为止的累计风险,Pt为当前观察周期内的最大风险,θt为对风险变化速度的度量,取值范围为0≤θt≤1。
6.根据权利要求5所述的一种基于运行数据的电机扭矩异常检测方法,其特征在于:所述步骤9中,相对风险指数表示为η,计算公式为:
绝对风险指数表示为Q,计算公式为:Q=Max_RiskSpeed;
风险频度表示为R,计算公式为:R=累计风险曲线变化速度的局部极值点个数。
7.根据权利要求5所述的一种基于运行数据的电机扭矩异常检测方法,其特征在于:所述步骤9中,所述预设条件为:η>50、Pc>0.5、Max_RiskSpeed>0.0025、Max_RiskSpeed<0.0025及风险频次R>3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410051873.9A CN118033414A (zh) | 2024-01-12 | 2024-01-12 | 一种基于运行数据的电机扭矩异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410051873.9A CN118033414A (zh) | 2024-01-12 | 2024-01-12 | 一种基于运行数据的电机扭矩异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118033414A true CN118033414A (zh) | 2024-05-14 |
Family
ID=90994223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410051873.9A Pending CN118033414A (zh) | 2024-01-12 | 2024-01-12 | 一种基于运行数据的电机扭矩异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118033414A (zh) |
-
2024
- 2024-01-12 CN CN202410051873.9A patent/CN118033414A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN110954354B (zh) | 设备故障诊断方法及装置 | |
CN112304446B (zh) | 电力设备报警处理方法和装置 | |
CN116758656B (zh) | 用于车辆监管的车载终端、系统及方法 | |
CN116351313B (zh) | 一种基于计算机控制的食品搅拌机智能控制系统 | |
CN103558955B (zh) | 基于多对象多状态显示器的多对象状态监测方法及系统 | |
CN116380176B (zh) | 一种基于数字信号处理的逆变器的负载预警系统 | |
CN117148001A (zh) | 一种基于人工智能的新能源汽车充电桩故障预测系统 | |
CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN112017409A (zh) | 一种机械设备振动短时增长幅度的趋势预警方法 | |
CN115248402A (zh) | 油浸变压器在线监测系统及方法 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN116381460A (zh) | 一种用于车载方舱ct的电源运行安全监管系统 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
CN117486029B (zh) | 基于传感器网络的电梯能耗实时监控方法及系统 | |
CN118033414A (zh) | 一种基于运行数据的电机扭矩异常检测方法 | |
CN116735223A (zh) | 一种燃气轮机多参数异常检测的方法 | |
CN115962100A (zh) | 一种风电机组状态监测系统 | |
CN115792634A (zh) | 一种基于云端在线数据的电池单体电压采样故障识别方法 | |
CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
CN111986469A (zh) | 一种现场终端故障智能化诊断的方法 | |
CN113448301A (zh) | 基于obd系统的故障诊断方法及系统 | |
Barhate et al. | Fault Detection Methods Suitable for Automotive Applications in Proton Exchange Fuel Cells |
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 |