JP2021529395A

JP2021529395A - 電気駆動システムにおけるセンサ故障を監視及び識別するための方法

Info

Publication number: JP2021529395A
Application number: JP2020573172A
Authority: JP
Inventors: ヅァンシャオユン
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2018-06-29
Filing date: 2018-06-29
Publication date: 2021-10-28
Also published as: KR102576327B1; EP3816803A4; WO2020000362A1; US20210261003A1; EP3816803A1; CN112041819A; KR20210021485A; CN112041819B; EP3816803B1

Abstract

本発明は、電気駆動システムにおけるセンサ故障を監視及び識別するための方法を提供する。本方法は、車両の電気駆動システム内の各種センサを通じて対応するデータを収集するステップと、収集されたデータを、既に確立されているセンサ故障パターン識別モデルに入力するステップと、収集されたデータに基づいてセンサ故障パターン識別モデルを通じて故障パターン及び故障パターンタイプが存在するかどうかを特定するステップと、を含む。本発明に係る方法によれば、電気駆動システム内のセンサによって引き起こされる故障パターン及び故障パターンタイプを迅速に特定することができる。

Description

本発明は、電気駆動システムに関し、特に、電気駆動システムにおけるセンサ故障を監視及び識別するための方法に関する。

背景技術
例えばハイブリッド車両又は純電動車両のような新エネルギー車両は、より高い効率、より良い加速性能を有し、環境により優しいことから、ユーザに益々受け入れられ、市場のシェアも益々高くなっている。このような新エネルギー車両は、電気駆動システムがその主要な動力源となっている。図１は、典型的な電気駆動システムを簡素化して示した図である。図１に示すように、電気駆動システムは、バッテリパック１と、バッテリパック１からの直流電流を交流電流に変換するインバータ２と、インバータ２からの交流電流の駆動で回転するモータ３と、を備えている。モータ３は、通常は永久磁石同期モータである。永久磁石同期モータを駆動するには、磁界方向制御を行うためにモータのロータの角度位置を検出する必要があり、即ち、回転中の回転子の永久磁石の磁界方向に基づいて、加えるべき固定子磁界の方向を特定する必要がある。このため、電気駆動システムは、回転子の角度位置を検出するための位置センサ４をさらに備える。電気駆動システムはまた、インバータの出力電流を検出するための電流センサ５をさらに備える。電気駆動システムのインバータは、位置センサ及び電流センサからの実時間測定により適時に出力電流の大きさ及び方向を調整する。このため、位置センサ及び電流センサは、電気駆動システムが実時間に電流制御を行うことができ、望ましいトルク又は速度が得られるようにする主要センサである。位置センサ及び電流センサの測定の正確性は、トルク脈動又は効率の観点から、電気駆動システム性能に対して直接影響を与える。ただし、センサの正確性が高くなるほど、センサのコストも高くなる。従って、低コストのセンサによって引き起こされる不正確性を補償するために、ソフトウェアにより補償するアルゴリズムの使用が既に提案されているが、センサがどのように不正確なのか、又は、何によって不正確性が引き起こされるのかを検出することは困難である。

従って、電気駆動システムにおけるセンサ故障を監視及び識別するための方法が必要となる。

発明の概要
本発明の目的は、電気駆動システムにおけるセンサ故障を監視及び識別するための方法を提供することである。本発明に係る方法によれば、電気駆動システムのセンサによって引き起こされる故障パターン及び故障パターンタイプを迅速に特定することができる。

電気駆動システムにおけるセンサ故障を監視及び識別するための方法は、
車両の電気駆動システム内の各種センサを通じて対応するデータを収集するステップと、
収集されたデータを、既に確立されているセンサ故障パターン識別モデルに入力するステップと、
収集されたデータに基づいてセンサ故障パターン識別モデルを通じて、故障パターン及び故障パターンタイプが存在するかどうかを特定するステップと、
を含む。

好ましくは、電気駆動システムにおけるセンサ故障を監視及び識別するための方法は、故障パターン及び故障パターンタイプが存在することを特定した後に、対応するデータをデータベース内の故障データに入力し、又は、故障パターンが存在しないことを特定した後に、対応するデータをデータベース内の正常データに入力するステップをさらに含む。

好ましくは、電気駆動システムにおけるセンサ故障を監視及び識別するための方法は、新たに入力された故障データ及び／又は正常データに基づいて、センサ故障パターン識別モデルを改善及び更新するステップをさらに含む。

好ましくは、電気駆動システムにおけるセンサ故障を監視及び識別するための方法は、故障パターン及び故障パターンタイプが存在することを特定した後に、車両のコントローラ又は電気駆動システムに記憶されている対応する補償アルゴリズムプログラムを実行して、故障したセンサによって引き起こされたデータの不正確性を補償するステップをさらに含む。

好ましくは、センサ故障パターン識別モデルは、初期データに基づいて機械学習法を通じて確立されたモデルである。

好ましくは、電気駆動システムにおけるセンサ故障を監視及び識別するための方法は、車両ネットワークモニタリングシステムに基づいて行われる方法であり、車両ネットワークモニタリングシステムは、複数の車両の各車両中の電気駆動システム及び各車両のコントローラ又は各電気駆動システムと無線通信し得るクラウドを備え、クラウドは、データを記憶するためのデータベースと、総ての計算及び通信を実施するための中央処理装置と、を備える。

好ましくは、センサ故障パターン識別モデルは、以下の式：
Ｓ（ｎｏｒｍａｌ、Ｆｌｔ_１、Ｆｌｔ_２、…、Ｆｌｔ_ｎ）＝Ｆｕｎｃ（Ｘ）
（式中、Ｘは、電気駆動システムの時間領域又は周波数領域に応じた変化を反映する入力変数であり、Ｆｕｎｃ（）は、履歴データに基づいて確立されたセンサ故障パターン識別モデルであり、Ｓは、対応するデータに対応するパターンを表す）に基づいて確立されたモデルである。

好ましくは、Ｘは、電気駆動システムの時間領域に応じた変化を反映するパラメータＸ（ｔ）であり、モータ仕事率、モータ回転速度、モータトルク、バッテリパックからの直流電圧、電流測定値、位置センサ測定値、固定子温度、ＩＧＢＴ温度、直軸電流、横軸電流、直軸電圧、及び、横軸電圧のうちの１つ又は複数である。

好ましくは、Ｘは、電気駆動システムの周波数領域に応じた変化を反映するパラメータＸ（ｆ）であり、時間領域の変数から周波数領域の計算又は統計計算を行って取得された調波情報、標準偏差、尖度、又は、歪度である。

本発明に係る方法によれば、電気駆動システム内のセンサによって引き起こされる故障パターン及び故障パターンタイプを迅速に特定することができる。

典型的な電気駆動システムを簡素化して示す図である。車両ネットワークモニタリングシステムの概略図である。本発明に係る、電気駆動システムにおけるセンサ故障を監視及び識別するための方法を説明するための概略図である。本発明に係る、電気駆動システムにおけるセンサ故障を監視及び識別するための方法の好適な実施例を示すフローチャートである。

発明を実施するための形態
以下、本発明の好適な実施例について、例を参照して詳細に説明する。当業者であれば、これらの例示的な実施例が、本発明にいかなる制限を課すことも意図していないことは理解されよう。

図２は、車両ネットワークモニタリングシステムの概略図である。図２に示すように、車両ネットワークモニタリングシステムは、複数の車両６の各車両の電気駆動システムと、各車両６の車両コントローラと無線通信し得るクラウド７を備える。車両コントローラは、電気駆動システムをモニタリングし得るように、対応する車両の電気駆動システムと電気的に接続されている。データは、車両コントローラとクラウドとの間において転送することができる。もちろん、クラウド７は、各車両６の電気駆動システムと直接電気的にされて無線通信することもできる。車両ネットワークモニタリングシステム内の典型的なクラウドは、総ての車両からのデータを記憶するためのデータベース８と、総ての必要な計算及び通信を実施するための中央処理装置９と、を備える。

本発明に係る、電気駆動システムにおけるセンサ故障を監視及び識別するための方法は、車両ネットワークモニタリングシステムを基本プラットホームとして利用する。図３は、本発明に係る、電気駆動システムにおけるセンサ故障を監視及び識別するための方法を説明するための概略図である。クラウドは、相互接続された複数の車両の各車両から必要なデータを総て収集し、データベース８に記憶する。電気駆動システムにおけるセンサ故障を監視及び識別するためのデータとしては、電流センサ測定値、位置センサ測定値、バッテリパックの直流電圧、固定子温度、絶縁ゲートバイポーラトランジスタ（ＩＧＢＴ）温度、モータ回転速度、モータトルク、モータ仕事率などが挙げられるが、これらに限定されるものではない。相互接続された複数の車両の各車両から毎回収集された各種データは、データセット１０と称され、データセット内のデータは正常データ１１と故障データ１２とに分けられ、履歴データとしてデータベース８に記憶される。正常データとは、車両の走行が正常であるときのセンサ測定値を指し、故障データとは、車両の走行が正常ではないとき、即ち、故障が発生したときのセンサ測定値を指す。例えば、車両が振動しているとき、又は、電力不足などの故障が発生したとき、電流センサの測定値にゲイン誤差、オフセット誤差が発生する可能性があり、又は、位置センサの測定値にゲイン誤差、オフセット誤差が発生する可能性がある。電流センサの測定値にゲイン誤差が発生したとき、トルク脈動が引き起こされ、このトルク脈動の周波数は、通常は、インバータの出力電流の周波数の２倍である。電流センサの測定値にオフセット誤差が発生したときにもトルク脈動が引き起こされるが、このトルク脈動の周波数は、通常は、インバータの出力電流の周波数と同等である。位置センサの測定値にゲイン誤差又はオフセット誤差が発生したとき、モータの出力トルクは望ましいトルクよりも低くなることがもたらされる。従って、車両の故障状態に基づいて、起こり得るセンサの故障タイプ、例えば、どのセンサにどのタイプの故障が発生したかを特定することができる。その後、インバータ又は車両コントローラに記憶されている補償アルゴリズムプログラムによって故障が発生したセンサの測定値を補償し、不正確性を排除することができる。初期の故障データ（履歴データ）は、車両走行中に故障が発生したとき、車両自体の故障検出手段によってオンラインで取得されるものとしてもよく（例えば、位置センサに発生した故障に対して）、又は、車両整備士を通じてセンサを分解することによりオフラインで取得されるものとしてもよい。

続いて、クラウドの中央処理装置９は、取得された初期の履歴データに基づいて機械学習法１３を通じてデータを処理し、センサ故障パターン識別モデル１４を確立する。これらの機能を実施し得る多くの機械学習法が存在し、例えば、人工ニューラルネットワーク、クラスタリング、類似度学習、メトリック学習などによってセンサ故障パターン識別モデルを確立することができる。センサ故障パターン識別モデルを通じて、各種故障パターン及び正常パターンを識別又は特定することができる。センサ故障パターン識別モデルの入力は、各車両から収集された新しいデータセット１５であり、センサ故障パターン識別モデルの出力は、故障パターン１６及び故障パターンタイプ１７が存在するかどうかである。続いて、故障パターンタイプに関する情報は、電気駆動システム側で補償アルゴリズムプログラム１８を実行するために、インバータ又は車両コントローラに転送され、これにより、故障したセンサの測定値の不正確性を補償する。それと共に、各車両から収集された新しいデータセット１５は、履歴データとしてデータベース８にも転送され、データベース８をさらに改善及び更新する。

早期に車両ネットワークモニタリングシステムに参加させた車両に対しては、オフラインで初期の故障履歴データを取得する必要があり得、故障識別モデルを確立した後に車両ネットワークモニタリングシステムに参加させた車両は、オフラインで初期の故障履歴データを取得する必要はなく、そのデータは直接故障識別モデルに入力されて識別され、同時にデータベース８に入力され、データベース８をさらに改善及び更新する。各車両から継続して絶えず収集されたビッグデータの助けを借りて、センサ故障パターン識別モデルを絶えず改善することができる。

より具体的には、センサ故障パターン識別モデルは、以下の式に基づいて確立されるものである：
Ｓ（ｎｏｒｍａｌ、Ｆｌｔ_１、Ｆｌｔ_２、…、Ｆｌｔ_ｎ）＝Ｆｕｎｃ（Ｘ）
式中、Ｘは、車両の電気駆動システムの時間領域又は周波数領域に応じた変化を反映する入力変数であり、クラウドのデータベースに収集及び記憶されている。Ｘが、電気駆動システムの時間領域に応じた変化を反映するパラメータＸ（ｔ）であるとき、Ｘ（ｔ）＝［Ｐ、ｎ_{ｍｏｔｏｒ}、Ｔ_ｅ、Ｕ_ｄｃ、Ｉ_ａｃ、θ、Ｔ_ｓ、Ｔ_ｉｇｂｔ、Ｉ_ｄ、Ｉ_ｑ、Ｕ_ｄ、Ｕ_ｑ…］であり、式中、Ｐは、モータ仕事率Ｐであり、ｎ_{ｍｏｔｏｒ}は、モータ回転速度であり、Ｔ_ｅは、モータトルクであり、Ｕ_ｄｃは、バッテリパックからの直流電圧であり、Ｉ_ａｃは、電流測定値であり、θは、位置センサ測定値であり、Ｔ_ｓは、固定子温度であり、Ｔ_ｉｇｂｔは、ＩＧＢＴ温度であり、Ｉ_ｄは、直軸電流であり、Ｉ_ｑは、横軸電流であり、Ｕ_ｄは、直軸電圧であり、Ｕ_ｑは、横軸電圧であり、以下同様である。Ｘ（ｔ）は、これらパラメータのいずれか１つ又は複数であり得る。

Ｘが、電気駆動システムの周波数領域に応じた変化を反映するパラメータＸ（ｆ）であるとき、Ｘ（ｆ）は、時間領域の変数から周波数領域の計算又は統計計算を行って取得された調波情報、標準偏差、尖度、歪度などである。

式中、Ｆｕｎｃ（）は、車両ネットワークモニタリングシステム又はクラウドに記憶された履歴データに基づいて確立されたセンサ故障パターン識別モデルである。上記に関して、センサ故障パターン識別モデルは、例えば、人工ニューラルネットワーク、クラスタ分析などの任意の適当な機械学習法を通じて確立することができる。Ｓ（ｎｏｒｍａｌ、Ｆｌｔ_１、Ｆｌｔ_２、…、Ｆｌｔ_ｎ）は、センサ故障パターン識別モデルの出力であり、正常データ、故障タイプ１（Ｆｌｔ_１）、故障タイプ２（Ｆｌｔ_２）、…、故障タイプｎ（Ｆｌｔ_ｎ）に対応するパターンを表す。例えば、正常な状況、電流センサ測定値のゲイン誤差により引き起こされる故障、電流センサ測定値のオフセット誤差により引き起こされる故障、位置センサ測定値のゲイン誤差により引き起こされる故障、位置センサ測定値のオフセット誤差により引き起こされる故障などが存在する状況においては、Ｓ（ｎｏｒｍａｌ、Ｆｌｔ_１、Ｆｌｔ_２、…、Ｆｌｔ_ｎ）の出力は、対応する故障パターンを０００、００１、０１０、１００、０１１、１１０、１０１、１１１などの数字で表すものとしてもよい。

図４は、本発明に係る、電気駆動システムにおけるセンサ故障を監視及び識別するための方法の好適な実施例を示すフローチャートである。図４に示すように、本発明に係る、電気駆動システムにおけるセンサ故障を監視及び識別するための方法は、ステップ２０において開始され、開始ステップは、設定された時間に開始することができる。ステップ２１において、例えば、車両の位置センサ、電流センサ、電圧センサ、温度センサなどの各種センサを通じて、各種対応する必要なデータが収集され、データは、クラウドにある中央処理装置に転送される。ステップ２２において、収集された各種データを、既に確立されているセンサ故障パターン識別モデルに適用し、故障パターンタイプを識別する。ステップ２３において、故障が存在するかどうかを特定する。故障が確実に存在した場合、ステップ２５において、対応するデータをデータベースの故障データに追加する。続いて、ステップ２６において、既知の故障パターンに基づいてインバータ又は車両コントローラ内の補償アルゴリズムプログラムが開始される。ステップ２５及びステップ２６は、同時に実施するものとしてもよく、又は、先にステップ２６を実施し、その後にステップ２５を実施するものとしてもよいことは、理解されよう。故障がない場合は、ステップ２７において、対応するデータをデータベースの正常データに追加する。ステップ２６又はステップ２７の後、本発明に係る、電気駆動システムにおけるセンサ故障を監視及び識別するための方法は、ステップ２１に戻り、上記のステップを繰り返す。設定された実行時間を経過した場合、ステップ２８において、本発明に係る、電気駆動システムにおけるセンサ故障を監視及び識別するための方法を終了する。

本発明によれば、一旦故障パターンが識別されると、中央処理装置は対応する電気駆動システムと通信し、必要な時は、適当なパラメータによって電気駆動システム又は車両コントローラに記憶されている補償アルゴリズムプログラムを開始してセンサの誤差を補償する。このように、センサの故障が発生した状況であっても、電気駆動システムの最良の性能を維持することができる。

車両ネットワークモニタリングシステムに参加させる車両は、同一の電気駆動システムを有している必要がある。車両ネットワークモニタリングシステムに参加させる車両が多いほど、取得されるデータも多くなり、センサ故障パターン識別モデルの改善に一層寄与し、その結果、電気駆動システムにおけるセンサ故障の監視及び識別の正確率向上にさらに有利となる。

上述の好適な実施例においては、車両ネットワークモニタリングシステムのクラウドからのデータベースに基づいてセンサ故障パターン識別モデルを確立しているが、単一の電気駆動システムの履歴データに基づいてセンサ故障パターン識別モデルを確立するものとしてもよく、当該センサ故障パターン識別モデルをその後、新しい実行データに適用して、同一の電気駆動システムに新たに発生したセンサ故障を監視及び識別することもできることは、当然理解されよう。

上記においては、特定の好適な実施例を参照して本発明を詳細に説明した。上述の説明及び図示された実施例は、例示的なものであり、本発明の限定を構成するべきでないことは明らかである。当業者であれば、本発明の趣旨から逸脱することなく、種々の修正及び変更を行うことができ、これらの修正及び変更が本発明の保護範囲から逸脱しないことも理解されよう。

Claims

電気駆動システムにおけるセンサ故障を監視及び識別するための方法であって、
車両の電気駆動システム内の各種センサを通じて対応するデータを収集するステップと、
収集された前記データを、既に確立されているセンサ故障パターン識別モデルに入力するステップと、
前記収集されたデータに基づいて前記センサ故障パターン識別モデルを通じて、故障パターン及び故障パターンタイプが存在するかどうかを特定するステップと、
を含む方法。
故障パターン及び故障パターンタイプが存在することを特定した後に、対応するデータをデータベース内の故障データに入力し、又は、故障パターンが存在しないことを特定した後に、前記対応するデータを前記データベース内の正常データに入力するステップをさらに含む、請求項１に記載の、電気駆動システムにおけるセンサ故障を監視及び識別するための方法。
新たに入力された故障データ及び／又は正常データに基づいて、前記センサ故障パターン識別モデルを改善及び更新するステップをさらに含む、請求項２に記載の、電気駆動システムにおけるセンサ故障を監視及び識別するための方法。
故障パターン及び故障パターンタイプが存在することを特定した後に、前記車両のコントローラ又は前記電気駆動システムに記憶されている対応する補償アルゴリズムプログラムを実行して、故障したセンサによって引き起こされたデータの不正確性を補償するステップをさらに含む、請求項１に記載の、電気駆動システムにおけるセンサ故障を監視及び識別するための方法。
前記センサ故障パターン識別モデルが、初期データに基づいて機械学習法を通じて確立されたモデルである、請求項１に記載の、電気駆動システムにおけるセンサ故障を監視及び識別するための方法。
前記電気駆動システムにおけるセンサ故障を監視及び識別するための方法は、車両ネットワークモニタリングシステムに基づいて行われる方法であり、前記車両ネットワークモニタリングシステムは、複数の車両の各車両中の前記電気駆動システム及び各車両のコントローラ又は各前記電気駆動システムと無線通信し得るクラウドを備え、前記クラウドは、前記データを記憶するためのデータベースと、総ての計算及び通信を実施するための中央処理装置と、を備える、請求項１乃至５のいずれか一項に記載の、電気駆動システムにおけるセンサ故障を監視及び識別するための方法。
前記センサ故障パターン識別モデルが、以下の式：
Ｓ（ｎｏｒｍａｌ、Ｆｌｔ_１、Ｆｌｔ_２、…、Ｆｌｔ_ｎ）＝Ｆｕｎｃ（Ｘ）
（式中、Ｘは、前記電気駆動システムの時間領域又は周波数領域に応じた変化を反映する入力変数であり、Ｆｕｎｃ（）は、履歴データに基づいて確立されたセンサ故障パターン識別モデルであり、Ｓは、前記対応するデータに対応するパターンタイプを表す）に基づいて確立されたモデルである、請求項１乃至５のいずれか一項に記載の、電気駆動システムにおけるセンサ故障を監視及び識別するための方法。
Ｘは、前記電気駆動システムの時間領域に応じた変化を反映するパラメータＸ（ｔ）であり、モータ仕事率、モータ回転速度、モータトルク、バッテリパックからの直流電圧、電流測定値、位置センサ測定値、固定子温度、ＩＧＢＴ温度、直軸電流、横軸電流、直軸電圧、及び、横軸電圧のうちの１つ又は複数である、請求項７に記載の、電気駆動システムにおけるセンサ故障を監視及び識別するための方法。
Ｘは、前記電気駆動システムの周波数領域に応じた変化を反映するパラメータＸ（ｆ）であり、時間領域の変数から周波数領域の計算又は統計計算を行って取得された調波情報、標準偏差、尖度、又は、歪度である、請求項７に記載の、電気駆動システムにおけるセンサ故障を監視及び識別するための方法。