CN112041819B - 用于监测和识别电驱动***中的传感器故障的方法 - Google Patents

用于监测和识别电驱动***中的传感器故障的方法 Download PDF

Info

Publication number
CN112041819B
CN112041819B CN201880092860.9A CN201880092860A CN112041819B CN 112041819 B CN112041819 B CN 112041819B CN 201880092860 A CN201880092860 A CN 201880092860A CN 112041819 B CN112041819 B CN 112041819B
Authority
CN
China
Prior art keywords
electric drive
drive system
data
sensor
vehicle
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.)
Active
Application number
CN201880092860.9A
Other languages
English (en)
Other versions
CN112041819A (zh
Inventor
臧晓云
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN112041819A publication Critical patent/CN112041819A/zh
Application granted granted Critical
Publication of CN112041819B publication Critical patent/CN112041819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0038—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to sensors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/28—Error detection; Error correction; Monitoring by checking the correct order of processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G06F11/0739—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function in a data processing system embedded in automotive or aircraft systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/16—Error detection or correction of the data by redundancy in hardware
    • G06F11/1608—Error detection by comparing the output signals of redundant hardware
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/421—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/423—Torque
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/425—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/427—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/429—Current
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0037—Mathematical models of vehicle sub-units
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/0215—Sensor drifts or sensor failures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种用于监测和识别电驱动***中的传感器故障的方法，包括步骤：通过车辆的电驱动***中的各种传感器收集相应的数据；将所收集的数据输入到已经建立的传感器故障模式识别模型中；以及基于所收集的数据通过所述传感器故障模式识别模型来确定是否存在故障模式以及故障模式类型。根据本发明的方法可以快速地确定由电驱动***中的传感器导致的故障模式以及故障模式类型。

Description

用于监测和识别电驱动***中的传感器故障的方法
技术领域
本发明涉及电驱动***,尤其涉及一种用于监测和识别电驱动***中的传感器故障的方法。
背景技术
由于具有更高的效率、更好的加速性能和对环境更加友好，诸如混合动力或纯电动车辆的新能源车辆越来越被用户所接受，市场占有率也越来越高。在这样的新能源车辆,电驱动***是它的主要动力源。图1简化地示意显示了一个典型的电驱动***。如图1所示，电驱动***包括电池包1、将来自电池包1的直流电转换为交流电的逆变器2、以及在来自逆变器2的交流电的驱动下运转的电动机3。电动机3通常是永磁同步电动机。为了驱动永磁同步电动机，需要检测电动机的转子的角向位置，以便进行磁场定向控制，即，根据转动过程中的转子永磁体的磁场方向来确定应当施加的定子磁场的方向。为此，电驱动***还包括用于检测转子角向位置的位置传感器4。电驱动***也还包括用于检测逆变器的输出电流的电流传感器5。电驱动***的逆变器根据来自位置传感器和电流传感器的实时测量来及时调整输出电流的大小和方向。因此，位置传感器和电流传感器是确保电驱动***能够进行实时电流控制并且获得期望的转矩或速度的主要传感器。位置传感器和电流传感器的测量准确性就转矩脉动或效率方面而言对于电驱动***性能具有直接影响。但是，传感器的准确性越高，传感器的成本就越高。为此，已经提出了采用软件补偿算法来补偿由低成本传感器导致的不准确，但是传感器到底如何不准确或者是什么导致这种不准确是难于被检测的。
因此，需要一种用于监测和识别电驱动***中的传感器故障的方法。
发明内容
本发明的目的是提供一种用于监测和识别电驱动***中的传感器故障的方法。根据本发明的方法，可以快速地确定由电驱动***中的传感器导致的故障模式以及故障模式类型。
一种用于监测和识别电驱动***中的传感器故障的方法，包括步骤：
通过车辆的电驱动***中的各种传感器收集相应的数据；
将所收集的数据输入到已经建立的传感器故障模式识别模型中；以及
基于所收集的数据通过所述传感器故障模式识别模型来确定是否存在故障模式以及故障模式类型。
可选地，所述的用于监测和识别电驱动***中的传感器故障的方法还包括步骤：
在确定存在故障模式以及故障模式类型之后，将对应的数据输入数据库中的故障数据中；或者在确定不存在故障模式之后，将对应的数据输入数据库中的正常数据中。
可选地，所述的用于监测和识别电驱动***中的传感器故障的方法，还包括步骤：
基于新输入的故障数据和/或正常数据完善和更新所述传感器故障模式识别模型。
可选地，所述的用于监测和识别电驱动***中的传感器故障的方法，还包括步骤：
在确定存在故障模式以及故障模式类型之后，运行存储在所述车辆的控制器或所述电驱动***中的相应的补偿算法程序，以补偿故障传感器导致的数据不准确性。
可选地，所述传感器故障模式识别模型是基于初始数据通过机器学习方法建立的。
可选地，所述的用于监测和识别电驱动***中的传感器故障的方法是基于车辆网络监控***进行的，所述车辆网络监控***包括在多个车辆的每个中的所述电驱动***以及能够与每个车辆的控制器或每个所述电驱动***进行无线通信的云端,所述云端包括用于储存所述数据的数据库、以及用于执行所有计算和通信的中央处理单元。
可选地，所述传感器故障模式识别模型是基于如下公式建立的：
S(normal，Flt1，Flt2，…,Fltn)＝Func(X)
其中，X是反映所述电驱动***随着时间域或频率域变化的输入变量，Func()是基于历史数据建立的传感器故障模式识别模型，S表示与相应数据对应的模式。
可选地，X是反映所述电驱动***随着时间域变化的参数X(t)，并且X(t)是电动机功率、电动机转速、电动机转矩、来自电池包的直流电压、电流测量值、位置传感器测量值、定子温度、IGBT温度、直轴电流、交轴电流、直轴电压和交轴电压中的一种或多种。
可选地，X是反映所述电驱动***随着频率域变化的参数X(f)，由时间域的变量进行频率域的计算或统计计算以获取的谐波信息、标准差、峰度或偏斜度。
根据本发明，可以快速地确定由电驱动***中的传感器导致的故障模式以及故障模式类型。
附图说明
附图中：
图1简化地示意显示了一个典型的电驱动***；
图2示意地显示了车辆网络监控***；
图3是解释根据本发明的用于监测和识别电驱动***中的传感器故障的方法的示意图；以及
图4是显示根据本发明的用于监测和识别电驱动***中的传感器故障的方法的优选实施例的流程图。
具体实施方式
以下将结合示例对本发明优选实施例进行详细描述。本领域技术人员应当理解的是，这些示例性实施例并不意味着对本发明施加任何限制。
图2示意地显示了车辆网络监控***。如图2所示，车辆网络监控***包括在多个车辆6的每个中的电驱动***以及能够与每个车辆6中的车辆控制器进行无线通信的云端7。车辆控制器与相应车辆中的电驱动***电连通，以便监控电驱动***。数据能够在车辆控制器与云端之间传递。当然，云端7也可以与每个车辆6中的电驱动***直接电连通进行无线通信。车辆网络监控***中的典型云端包括用于储存来自所有车辆的数据的数据库8、以及用于执行所有必要的计算和通信的中央处理单元9。
根据本发明的用于监测和识别电驱动***中的传感器故障的方法是利用车辆网络监控***作为基本平台。图3是解释根据本发明的用于监测和识别电驱动***中的传感器故障的方法的示意图。云端从互联的多个车辆中的每个车辆收集所有必要数据并且存储在数据库8中。用于监测和识别电驱动***中的传感器故障的数据包括但不限于：电流传感器测量值、位置传感器测量值、电池包的直流电压、定子温度、绝缘栅双极型晶体管(IGBT)温度、电动机转速、电动机转矩、电动机功率等。每次从互联的多个车辆中的每个车辆收集的各种数据被称为数据组10，数据组中的数据被分成正常数据11和故障数据12并且作为历史数据被储存在数据库8中。正常数据是指车辆运行正常时的传感器测量值，而故障数据是指车辆运行不正常即出现故障时的传感器测量值。例如，当车辆出现抖动时或动力不足等故障时，电流传感器的测量值可能出现增益误差、偏置误差，或者位置传感器的测量值可能出现增益误差、偏置误差。当电流传感器的测量值出现增益误差时会导致转矩脉动，这种转矩脉动的频率通常是逆变器的输出电流的频率的两倍；而当电流传感器的测量值出现偏置误差时也会导致转矩脉动，这种转矩脉动的频率通常与逆变器的输出电流的频率相同。当位置传感器的测量值出现增益误差或偏置误差时都将导致电动机的输出转矩低于期望的转矩。因而，根据车辆故障状况可以确定可能的传感器故障类型，例如是什么传感器出现的什么类型的故障。随后，通过存储在逆变器或者车辆控制器中的补偿算法程序可以对出现故障的传感器的测量值进行补偿以消除其不准确性。初始的故障数据(历史数据)可以在车辆运行过程中出现故障时通过车辆自身的故障检测手段在线获取(例如，针对位置传感器出现的故障)或者通过车辆维修人员将传感器拆卸下来离线获取。
随后云端的中央处理单元9基于获取的初始历史数据通过机器学习方法13对数据进行处理以建立传感器故障模式识别模型14。有很多机器学习方法能够执行这些功能，例如，人工神经网络、群集、相似度、度量学习等，以建立传感器故障模式识别模型。通过传感器故障模式识别模型，可以识别或确定各种故障模式以及正常模式。传感器故障模式识别模型的输入是从每个车辆收集的新数据组15，传感器故障模式识别模型的输出是是否存在故障模式16、以及故障模式类型17。有关故障模式类型的信息随后被传输到逆变器或者车辆控制器，以便在电驱动***侧运行补偿算法程序18，从而对故障传感器的测量值不准确性进行补偿。从每个车辆收集的新数据组15同时也作为历史数据被传输到数据库8，以进一步完善和更新数据库8。
对于早期加入车辆网络监控***中的车辆可能需要离线进行初始的历史故障数据获取，在建立故障识别模型之后加入车辆网络监控***中的车辆就不需要离线进行初始的历史故障数据获取，而是将其数据直接输入故障识别模型进行识别并且同时输入到数据库8以进一步完善和更新数据库8。借助于持续不断地从各个车辆收集的大数据，可以不断完善传感器故障模式识别模型。
更具体地，传感器故障模式识别模型是基于以下公式建立的：
S(normal，Flt1，Flt2，…,Fltn)＝Func(X)
其中，X是反映车辆电驱动***随着时间域或频率域变化的输入变量，并且被收集和储存在云端的数据库中。当X是反映电驱动***随着时间域变化的参数X(t)时，X(t)＝[P，nmotor，Te，Udc，Iac，θ，Ts，Tigbt，Id，Iq，Ud，Uq…]，其中，P为电动机功率P，nmotor为电动机转速，Te为电动机转矩，Udc为来自电池包的直流电压，Iac为电流测量值，θ为位置传感器测量值，Ts为定子温度，Tigbt为IGBT温度，Id为直轴电流，Iq为交轴电流，Ud为直轴电压，Uq为交轴电压…。X(t)可以是这些参数中的任一种或多种。
当X是反映电驱动***随着频率域变化的参数X(f)时，X(f)是由时间域的变量进行频率域的计算或统计计算以获取的谐波信息、标准差、峰度、偏斜度等等。
其中，Func()是基于存储在车辆网络监控***或者存储在云端的历史数据建立的传感器故障模式识别模型。如上所述，传感器故障模式识别模型可以通过诸如人工神经网络、聚类分析等的任何合适的机器学习方法来建立。S(normal，Flt1，Flt2，…,Fltn)是传感器故障模式识别模型的输出，它表示与正常数据、故障类型1(Flt1)，故障类型2(Flt2)，…,故障类型n(Fltn)对应的模式。例如，在存在正常状况、电流传感器测量值增益误差导致的故障、电流传感器测量值偏置误差导致的故障、位置传感器测量值增益误差导致的故障、位置传感器测量值偏置误差导致的故障等情况下，S(normal，Flt1，Flt2，…,Fltn)的输出可以用数字000、001、010、100、011、110、101、111等表示相对应的故障模式。
图4是显示根据本发明的用于监测和识别电驱动***中的传感器故障的方法的优选实施例的流程图。如图4所示，在步骤20开始根据本发明的用于监测和识别电驱动***中的传感器故障的方法，开始步骤可以在设定的时间开始。在步骤21，通过车辆上的诸如位置传感器、电流传感器、电压传感器、温度传感器等的各种传感器收集各种相应的必要数据并将数据传送到处于云端的中央处理单元。在步骤22，将收集的各种数据适用于已经建立的传感器故障模式识别模型进行故障模式类型识别。在步骤23，确定是否存在故障。如果确实存在故障，在步骤25，将相应数据添加到数据库的故障数据中。接着，在步骤26，根据已知的故障模式开启逆变器或者车辆控制器中的补偿算法程序。应理解的是，步骤25和26可以同时进行或先实施步骤26，然后实施步骤25。如果没有故障，在步骤27，将相应数据添加到数据库的正常数据中。在步骤26或27之后，根据本发明的用于监测和识别电驱动***中的传感器故障的方法回到步骤21，重复以上步骤。如果设定的运行时间已到，则在步骤28结束根据本发明的用于监测和识别电驱动***中的传感器故障的方法。
根据本发明，一旦故障模式被识别，中央处理单元将与对应的电驱动***通信，并且在必要时以合适的参数启动存储在电驱动***或车辆控制器中的补偿算法程序，以补偿传感器误差。这样，即使在传感器出现故障的情况下，也可以保持电驱动***的最佳性能。
加入车辆网络监控***中的车辆应具有相同的电驱动***。加入车辆网络监控***中的车辆越多，获取的数据越多，越有助于完善传感器故障模式识别模型，结果，更有利于提高监测和识别电驱动***中传感器故障的准确率。
尽管在以上优选实施例中，基于来自车辆网络监控***的云端的数据库来建立传感器故障模式识别模型，但应理解的是，也可以基于一个单一的电驱动***的历史数据来建立传感器故障模式识别模型，并且该传感器故障模式识别模型随后可适用于新的运行数据，以监测和识别同一电驱动***新出现的传感器故障。
以上结合特定优选实施例对本发明进行了详细描述。显然，以上描述以及显示在附图中的实施例是示例性的而不应构成对本发明的限制。本领域技术人员应理解的是在不脱离本发明精神的情况下可以进行各种修改和变型，并且这些修改和变型也不脱离本发明的保护范围。

Claims (6)

1.一种用于监测和识别车辆的电驱动***中的传感器故障的方法，包括步骤：
通过车辆的电驱动***中的各种传感器收集相应的数据；
将所收集的数据输入到已经建立的传感器故障模式识别模型中；以及
基于所收集的数据通过所述传感器故障模式识别模型来确定是否存在故障模式以及故障模式类型；
其中，所述的用于监测和识别电驱动***中的传感器故障的方法是基于车辆网络监控***进行的，所述车辆网络监控***包括在多个车辆的每个中的所述电驱动***以及能够与每个车辆的控制器或每个所述电驱动***进行无线通信的云端,所述云端包括用于储存所述数据的数据库、以及用于执行所有计算和通信的中央处理单元；
其中，所述传感器故障模式识别模型是基于如下公式建立的：
S(normal，Flt1，Flt2，…,Fltn)＝Func(X)
其中，X是反映所述电驱动***随着时间域或频率域变化的输入变量，Func()是基于历史数据建立的传感器故障模式识别模型，S表示与相应数据对应的模式类型；
其中，X是反映所述电驱动***随着时间域变化的参数X(t)，并且是电动机功率、电动机转速、电动机转矩、来自电池包的直流电压、电流测量值、位置传感器测量值、定子温度、IGBT温度、直轴电流、交轴电流、直轴电压和交轴电压中的多种。
2.如权利要求1所述的用于监测和识别车辆的电驱动***中的传感器故障的方法，还包括步骤：
在确定存在故障模式以及故障模式类型之后，将对应的数据输入数据库中的故障数据中；或者在确定不存在故障模式之后，将对应的数据输入数据库中的正常数据中。
3.如权利要求2所述的用于监测和识别车辆的电驱动***中的传感器故障的方法，还包括步骤：
基于新输入的故障数据和/或正常数据完善和更新所述传感器故障模式识别模型。
4.如权利要求1所述的用于监测和识别车辆的电驱动***中的传感器故障的方法，还包括步骤：
在确定存在故障模式以及故障模式类型之后，运行存储在所述车辆的控制器或所述电驱动***中的相应的补偿算法程序，以补偿故障传感器导致的数据不准确性。
5.如权利要求1所述的用于监测和识别车辆的电驱动***中的传感器故障的方法，其中，所述传感器故障模式识别模型是基于初始数据通过机器学习方法建立的。
6.如权利要求1所述的用于监测和识别车辆的电驱动***中的传感器故障的方法，其中，X是反映所述电驱动***随着频率域变化的参数X(f)，由时间域的变量进行频率域的计算或统计计算以获取的谐波信息、标准差、峰度或偏斜度。
CN201880092860.9A 2018-06-29 2018-06-29 用于监测和识别电驱动***中的传感器故障的方法 Active CN112041819B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/093654 WO2020000362A1 (zh) 2018-06-29 2018-06-29 用于监测和识别电驱动***中的传感器故障的方法

Publications (2)

Publication Number Publication Date
CN112041819A CN112041819A (zh) 2020-12-04
CN112041819B true CN112041819B (zh) 2022-08-05

Family

ID=68984472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880092860.9A Active CN112041819B (zh) 2018-06-29 2018-06-29 用于监测和识别电驱动***中的传感器故障的方法

Country Status (6)

Country Link
US (1) US20210261003A1 (zh)
EP (1) EP3816803B1 (zh)
JP (1) JP2021529395A (zh)
KR (1) KR102576327B1 (zh)
CN (1) CN112041819B (zh)
WO (1) WO2020000362A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7065356B2 (ja) * 2019-11-11 2022-05-12 パナソニックＩｐマネジメント株式会社 情報処理装置、情報処理方法、およびプログラム
CN113607270A (zh) * 2021-07-07 2021-11-05 中广核工程有限公司 汽轮机瓦振传感器故障诊断方法
CN113920720A (zh) * 2021-09-17 2022-01-11 上海吞山智能科技有限公司 高速公路隧道设备故障处理方法、装置及电子设备
CN115420325B (zh) * 2022-11-04 2023-01-31 深圳海润新能源科技有限公司 排查储能装置异常传感器的方法、终端设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324034A (zh) * 2011-05-25 2012-01-18 北京理工大学 基于最小二乘支持向量机在线预测的传感器故障诊断方法
CN202614273U (zh) * 2012-05-30 2012-12-19 湖南大唐先一科技有限公司 一种火电厂传感器故障诊断装置
CN103562049A (zh) * 2011-05-25 2014-02-05 三菱电机株式会社 电动助力转向的控制装置
CN104950837A (zh) * 2014-03-26 2015-09-30 洛克威尔自动控制技术股份有限公司 云清单配置管理***

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69813040T2 (de) 1998-08-17 2003-10-16 Aspen Technology, Inc. Verfahren und vorrichtung zur sensorbestätigung
US6643569B2 (en) * 2001-03-30 2003-11-04 The Regents Of The University Of Michigan Method and system for detecting a failure or performance degradation in a dynamic system such as a flight vehicle
US6804600B1 (en) * 2003-09-05 2004-10-12 Honeywell International, Inc. Sensor error detection and compensation system and method
US8260486B2 (en) * 2008-02-01 2012-09-04 GM Global Technology Operations LLC Method and apparatus for diagnosis of sensors faults using adaptive fuzzy logic
JP2009217389A (ja) * 2008-03-07 2009-09-24 Toshiba Corp 水力発電所向け制御装置
JP5549337B2 (ja) * 2010-04-09 2014-07-16 トヨタ自動車株式会社 モータジェネレータ駆動装置および車両駆動システム
US9728014B2 (en) * 2013-04-23 2017-08-08 B. G. Negev Technologies And Applications Ltd. Sensor fault detection and diagnosis for autonomous systems
MX343922B (es) * 2014-02-20 2016-11-29 Ford Global Tech Llc Tratamiento de fallas en un vehículo autónomo.
CN104502754B (zh) * 2014-12-14 2020-05-12 北京理工大学 一种纯电动车辆动力***的故障诊断方法
CN204904012U (zh) * 2015-07-06 2015-12-23 廊坊市汇聚电动汽车有限公司 电动汽车电驱动***在线测控装置
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
CN106682795A (zh) * 2015-11-05 2017-05-17 大陆汽车投资（上海）有限公司 基于数据分析的汽车零部件信息处理方法
US20170331844A1 (en) * 2016-05-13 2017-11-16 Sikorsky Aircraft Corporation Systems and methods for assessing airframe health
JP6847591B2 (ja) * 2016-05-18 2021-03-24 エヌ・ティ・ティ・コミュニケーションズ株式会社 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム
US10204461B2 (en) * 2016-07-19 2019-02-12 GM Global Technology Operations LLC Detection and reconstruction of sensor faults
US9940761B2 (en) * 2016-08-02 2018-04-10 International Business Machines Corporation Self-driving vehicle sensor fault remediation
JP6699538B2 (ja) 2016-12-16 2020-05-27 三菱自動車工業株式会社 セル電圧推定装置
CN206488924U (zh) * 2016-12-30 2017-09-12 广东技术师范学院 基于虚拟仪器的汽车自动变速器故障诊断仪
CN108303264B (zh) * 2017-01-13 2020-03-20 华为技术有限公司 一种基于云的车辆故障诊断方法、装置及其***
US20180276912A1 (en) * 2017-03-23 2018-09-27 Uber Technologies, Inc. Machine Learning for Triaging Failures in Autonomous Vehicles
CN206656749U (zh) * 2017-04-10 2017-11-21 中国电力工程顾问集团华东电力设计院有限公司 火电厂传感器故障诊断***
US10822024B2 (en) * 2017-11-06 2020-11-03 Steering Solutions Ip Holding Corporation Current sensor fault mitigation for steering systems with permanent magnet DC drives
US10468062B1 (en) * 2018-04-03 2019-11-05 Zoox, Inc. Detecting errors in sensor data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324034A (zh) * 2011-05-25 2012-01-18 北京理工大学 基于最小二乘支持向量机在线预测的传感器故障诊断方法
CN103562049A (zh) * 2011-05-25 2014-02-05 三菱电机株式会社 电动助力转向的控制装置
CN202614273U (zh) * 2012-05-30 2012-12-19 湖南大唐先一科技有限公司 一种火电厂传感器故障诊断装置
CN104950837A (zh) * 2014-03-26 2015-09-30 洛克威尔自动控制技术股份有限公司 云清单配置管理***

Also Published As

Publication number Publication date
KR20210021485A (ko) 2021-02-26
JP2021529395A (ja) 2021-10-28
WO2020000362A1 (zh) 2020-01-02
US20210261003A1 (en) 2021-08-26
CN112041819A (zh) 2020-12-04
KR102576327B1 (ko) 2023-09-08
EP3816803A4 (en) 2022-02-16
EP3816803B1 (en) 2023-08-09
EP3816803A1 (en) 2021-05-05

Similar Documents

Publication Publication Date Title
CN112041819B (zh) 用于监测和识别电驱动***中的传感器故障的方法
CN110515351B (zh) 异常检测器
CN103380294B (zh) 用于诊断监视风力涡轮发电机***的方法
CN109765484A (zh) 基于“正确树”模型的电机在线监测和故障诊断方法
CN109857079B (zh) 加工中心主轴***工作状态异常的智能诊断方法及装置
CN114576152B (zh) 水泵状态监测***、监测方法、装置、电子设备和介质
CN113391621B (zh) 一种电动仿真测试转台的健康状态评估方法
CN110716509B (zh) 具品质测量与机构诊断功能的生产***及其驱动器与方法
KR20220121932A (ko) 차량 배터리 모니터링 시스템
CN111624433B (zh) 纯电动汽车状态评估方法、***及计算机可读取存储介质
CN112149953B (zh) 基于多模联动和多阶段协作的机电设备运行安全评估方法
CN114636947A (zh) 用于预测储能器***的老化状态的方法及装置
CN116990683B (zh) 一种基于电变量的驱动电机堵转检测***及检测方法
CN108845267B (zh) 一种动力电池的数据处理方法和装置
KR20200075931A (ko) 차량용 전력 변환 시스템의 고장진단 방법 및 장치
CN113361324A (zh) 一种基于lstm的电机电流异常检测方法
US11339763B2 (en) Method for windmill farm monitoring
CN114325438A (zh) 借助机器学习方法确定未知类型的电能存储器的老化状态的方法和设备
US20230324258A1 (en) Failure diagnosis apparatus, training apparatus, training method, and failure diagnosis system
Shen et al. A data based diagnostic method for current sensor fault in permanent magnet synchronous motors (pmsm)
CN112366998B (zh) 电机控制方法、装置及***
WO2022190748A1 (ja) 診断装置
EP4148977A1 (en) System and method for obtaining an estimated output power of an electric motor
CN112415980A (zh) 基于直流电动机构模拟器的控制***的故障诊断方法
CN118228373A (zh) 新能源汽车功耗分析方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant