CN112733887A - 一种有监督数据驱动的电动汽车轮毂电机故障检测方法 - Google Patents

一种有监督数据驱动的电动汽车轮毂电机故障检测方法 Download PDF

Info

Publication number
CN112733887A
CN112733887A CN202011547614.3A CN202011547614A CN112733887A CN 112733887 A CN112733887 A CN 112733887A CN 202011547614 A CN202011547614 A CN 202011547614A CN 112733887 A CN112733887 A CN 112733887A
Authority
CN
China
Prior art keywords
fault
data set
model
data
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
Application number
CN202011547614.3A
Other languages
English (en)
Inventor
梁军
范家钰
汪子扬
罗潇逸
刘潇
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011547614.3A priority Critical patent/CN112733887A/zh
Publication of CN112733887A publication Critical patent/CN112733887A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种有监督数据驱动的电动汽车轮毂电机故障检测方法，该方法主要包括以下步骤：1、数据集重组：采集故障数据，添加电机故障标签，组建复合交叉数据集；2、训练和验证CDAE‑SVC模型：最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉验证SVC分类器；3、测试轮毂电机故障：采集车辆运行工作时有关电机的各项指标数据，输入训练好的模型中，计算后验分类概率，判断轮毂电机是否有故障，确定故障类别。本发明针对无法通过建立准确车辆模型进行故障检测的技术问题，提出了一种有监督的数据驱动方法，具有快速、准确、鲁棒性强等特点。

Description

一种有监督数据驱动的电动汽车轮毂电机故障检测方法
技术领域
本发明涉及电动汽车四轮独立驱动轮毂电机的故障检测领域，尤其涉及基于数据驱动方法的有监督故障检测技术。
背景技术
电动化，智能化是未来汽车发展的主流趋势，为满足L3及以上级别智能车线控底盘***对响应速度，控制潜力和集成化的要求，作为汽车执行器之一的轮毂电机技术因其优异性能受到广大研究者的重视。轮毂电机技术是新能源汽车的一种线控驱动技术，消除了传统机械结构动力传输链，以电信号的形式传播，对控制指令的响应速度快，其次它具有每个车轮单独控制，可实现独立力矩分配的特殊优势，车辆纵横向控制潜力大，另外轮毂电机技术将电机安装在轮毂内部，集驱动，传动，制动等多种功能为一体，减少了机械耦合连接，大大节省了可扩展空间，满足了智能车对轻量化的要求。
汽车的运行工况复杂多变，车轮行驶环境恶劣无常，轮毂电机特定的结构使其必然受到外界环境的影响，当一个或多个轮边电机故障失效时，电机不能输出期望转矩(罗剑.分布式电驱动车辆制/驱动力协调及主动容错控制[D].清华大学,2014.)，直接导致汽车动力性能下降乃至***失衡，破坏车辆的操纵稳定性和行驶安全性，严重的会引发交通事故，不满足智能车对安全性的要求。因此，轮毂电机在智能车线控技术中的引入不仅带来了车辆的横纵控制优势，其车轮独立驱动的特性也使轮毂电机的故障检测成为一个重要的研究领域(Jinseong Park,Park Youngjin.Optimal Input Design for FaultIdentification of Overactuated Electric Ground Vehicles[J].IEEE Transactionson Vehicular Technology,2016,65(4):1912-1923.)。
传统的故障诊断方法大都是基于模型的故障诊断方法，在建立一个精确模型的基础上能清楚地了解故障信息，将其完整的分离出来。但是车辆具有非常强的非线性，车辆动力学模型，轮胎模型等对驾驶员方向盘输入，油门踏板和制动踏板的输入有很强的非线性表现，大多研究使用的车辆模型(如整车七自由度动力学模型)无法考虑未建模动态(刘攀.基于智能汽车制动执行器失效的容错控制策略研究[D].湖南大学,2018.)，加之汽车行驶环境复杂，车辆本身参数与路面参数多变，简化的车辆等效模型不能完整且准确的描述车辆行驶特性，因此，在此基础上开展的基于模型的轮毂电机故障检测方法效果不尽如人意，故障识别的快速性，准确性，鲁棒性得不到保证。
发明内容
本发明针对无法通过建立准确车辆模型进行故障检测的难题，提出了一种基于收缩降噪自编码器(Contractive Denoising AutoEncoder,CDAE)和支持向量机用于分类(Support Vector Classification,SVC)的有监督监测方法，应用于轮毂电机技术的非线性故障检测中。
本发明的目的是通过以下技术方案来实现的：一种有监督数据驱动的电动汽车轮毂电机故障检测方法，包括如下步骤：
(1)重组包含轮毂电机故障信息数据集：采集具有电机故障属性的输入输出变量信息，对不同故障工况训练集进行故障类别划分，为每个样本添加一个故障类别标签量，组建复合工况数据集；
(2)训练CDAE-SVC模型：使用(1)组建的数据集形成交叉数据集，利用数据集最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉训练SVC分类器；
(3)测试轮毂电机故障过程：采集车辆运行工作时有关电机的各项指标数据，对数据集进行处理，输入隐层变量到(2)训练好的CDAE-SVC模型中，计算后验分类概率，判断轮毂电机是否有故障，确定故障类别。
进一步地，所述步骤(1)包括以下子步骤：
(1.1)首先定义描述失效前后执行器执行能力的失效因子δ，再根据具体轮毂电机故障失效类型，将失效因子等效转化为可以描述是否发生失效的参考标准；
(1.2)根据轮毂电机失效的位置和数量分布，将四轮独立驱动的汽车轮毂电机失效类型划分为6种模式，即单个电机失效、同侧两个电机失效、异侧同轴两个电机失效、异侧不同轴两个电机失效、三个电机失效及四个电机失效，分别对应标签量1，2，3，4，5，6；
(1.3)采集在(1.2)定义的不同故障失效类别下，车辆行驶时的输入输出数据，比如某种故障下的驱动力矩，制动力矩，四个轮毂电机的输出力矩等信息，形成带有标签量的数据集，将每种类型下的数据集复合在一起，形成一个用来训练和测试的总的数据集，选择合适节点，制成交叉数据集。
进一步地，所述步骤(2)包括以下子步骤：
(2.1)在(1.3)制定的数据集样本中添加相同维度的高斯白噪声，即在目标损失函数中增加噪声惩罚项
Figure BDA0002856876750000021
其中f是编码层函数，g是解码层函数，L是两个元素之间的误差平方。
(2.2)在损失函数中增加另一惩罚项，即隐层向量的雅可比矩阵的F范数平方
Figure BDA0002856876750000031
其中λ是调节参数，
Figure BDA0002856876750000032
是隐层向量对输入xi的偏导数的平方之和；
(2.3)采用CDAE模型提取表征向量，再将表征向量输入到SVC模型中进行分类，输出标签量，实现有监督的过程检测；
(2.4)采用随机梯度下降法，最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉训练SVC分类器。
进一步地，所述步骤(3)包括以下子步骤：
(3.1)采集车辆运行工作时方向盘转角，驱动力矩，制动力矩，四个轮毂电机的输出力矩等传感器信息，形成数据集，对数据集进行各维度max-min的标准化；
(3.2)将标准化处理后的样本输入到(2.4)优化好的CDAE模型中，并计算各样本对应的隐层变量；
(3.3)将隐层向量和标签输入到(2.4)优化好的SVC模型，计算该样本对应的后验分类概率；
(3.4)取对应模型中最大后验分类概率
Figure BDA0002856876750000033
对应的标签量作为该样本的故障类别，判断轮毂电机是否有故障，确定故障类别。
本发明的技术方案概括为：
1、本发明制定了包含训练和验证功能的带有标签量的交叉数据集。首先定义轮毂电机失效因子δ，再根据轮毂电机失效的位置和数量分布，将四轮独立驱动的汽车轮毂电机失效类型划分为6种模式，分别对应不同的标签量，选取合适的输入输出变量，经标准化处理后形成可用作模型参数优化的复合数据集；
2、本发明为增加模型对特征噪声的鲁棒性，在输入样本中添加相同维度的高斯白噪声，即在目标损失函数中增加噪声惩罚项，这样模型在处理潜在的带噪声的数据样本时，所提取的特征向量更稳定，同时在损失函数中增加另一惩罚项，即隐层向量的雅可比矩阵的F范数平方，最小化损失函数的过程中，该惩罚项可使得模型隐层向量对输入的偏导数趋于0，可使自编码器的隐层向量对输入向量的小幅度变化不敏感，这样所建立的CDAE模型的损失函数包含一个潜在的噪声惩罚项和雅可比范式惩罚项；
3、本发明开发了一种能提高CDAE模型特征提取能力的有监督故障检测方法。首先采用CDAE模型提取表征向量，再将表征向量输入到SVC模型中进行分类，输出标签量，实现有监督的过程检测，再采用随机梯度下降法，最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，使用交叉数据集交叉训练SVC分类器
本发明的有益效果是，本发明对电动汽车四轮独立驱动的轮毂电机故障失效的检测难题，摒弃了传统的基于模型的故障检测方法，提出了一种新的基于数据驱动的方法，无需建立准确的车辆模型，就能准确的描述车辆的非线性特性；提出了包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，所提出的隐层变量更稳定，提高了模型对特征噪声的鲁棒性；提出了一种有监督故障检测策略，能输出原始数据的标签量，提高了CDAE模型对特征提取能力。所提出的一种有监督数据驱动的电动汽车轮毂电机故障检测方法，优于现有方法，具有快速、准确、鲁棒性强等特点。
附图说明
图1是体现所建立数据集中过程变量之间的输入输出关系图；
图2是本发明研究的轮毂电机失效类型示意图，其中，(a)对应单个电机失效类型，(b)对应同侧两个电机失效类型，(c)对应异侧同轴两个电机失效类型，(d)对应异侧不同轴两个电机失效类型，(e)对应三个电机失效类型，(f)对应四个电机失效类型；
图3是自编码器AE模型的结构示意图；
图4是本发明所提出的CDAE-SVC方法的流程图。
具体实施方式
本发明提出了一种有监督数据驱动的电动汽车轮毂电机故障检测方法，包括以下步骤：
(1)重组包含轮毂电机故障信息数据集：采集具有电机故障属性的输入输出变量信息，对不同故障工况训练集进行故障类别划分，为每个样本添加一个故障类别标签量，组建复合工况数据集；具体包括以下子步骤：
(1.1)首先定义描述失效前后执行器执行能力的失效因子δ，再根据具体轮毂电机故障失效类型，将失效因子等效转化为可以描述是否发生失效的参考标准；
本研究重点考虑轮毂电机的电气故障，汽车的轮毂电机失效后，电机无法按照期望转矩输出，为描述失效前后执行器的执行能力，定义失效因子δ：
Figure BDA0002856876750000041
其中，失效因子δ用于描述执行器失效的程度，δ越大，说明失效程度越轻；δ越小，说明失效程度越重。当失效因子δ＝1时，执行器正常工作；当失效因子δ＝0时，执行器完全失去执行能力；当失效因子0<δ<1时，执行器部分失效。
(1.2)本研究为了准确定位失效电机，实现故障分类的功能，不计较具体的失效程度，着重关注某一轮毂电机是否发生失效。基于这个前提，根据电机失效的位置和数量分布，将四轮独立驱动的汽车轮毂电机失效类型划分为6种模式，即单个电机失效、同侧两个电机失效、异侧同轴两个电机失效、异侧不同轴两个电机失效、三个电机失效及四个电机失效，如图2所示，分别对应标签量1，2，3，4，5，6，正常无故障工况下的数据量标签量为0。
(1.3)采集在(1.2)定义的不同故障失效类别下，车辆行驶时的输入输出数据，比如某种故障下的驱动力矩，制动力矩，四个轮毂电机的输出力矩等信息，形成带有标签量的数据集，将每种类型下的数据集复合在一起，形成一个用来训练和验证的总的数据集，选择合适节点，制成交叉数据集
车辆模型具有高度的非线性特性，其所包括的整车模型，轮胎模型以及了轮毂电机模型整体呈现了复杂的映射关系，要考虑的模型参数庞大且时变，更要建立状态观测器去估计状态量，在设置观测器的过程中，又不可避免地会加入未建模动态误差，所以基于模型的方法来进行故障检测是不准确的。虽然基于模型的方法有着很大的缺陷，但是基于模型的方法使用的输入输出变量是表征车辆模型非线性特性的最佳选择，所以本数据集选用和基于模型的方法相同的过程变量，因此数据集包含的变量有方向盘转角，驱动力矩，制动力矩，四个轮毂电机的输出力矩，车辆的纵向速度，他们的关系如图1所示。
(2)训练CDAE-SVC模型：使用(1)组建的数据集形成交叉数据集，利用数据集最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉验证SVC分类器；具体包括以下子步骤：
(2.1)在(1.3)制定的数据集样本中添加相同维度的高斯白噪声，即在目标损失函数中增加噪声惩罚项
Figure BDA0002856876750000051
(2.2)在损失函数中增加另一惩罚项，即隐层向量的雅可比矩阵的F范数平方
Figure BDA0002856876750000052
最基本的自编码器(AE)是一个特殊的三层结构神经网络，其结构图如图3所示。自编码器的输入层和输出层具有相同的维度，其结构决定了其良好的保留信息能力，可以用于特征提取。单隐层自编码器中包含两个映射函数，编码层函数f和解码层函数g。f将样本
Figure BDA0002856876750000053
从输入向量空间非线性投影到特征向量空间hi＝f(xi)，获得
Figure BDA0002856876750000054
而g则将
Figure BDA0002856876750000055
投影回输入向量空间，得到样本输入的重构
Figure BDA0002856876750000061
自编码器(AE)的损失函数仅包括重构误差的平方和：
Figure BDA0002856876750000062
所提出的CDAE模型包含一个潜在的噪声惩罚项和雅可比范式惩罚项，因此所建立的CDAE模型损失函数公式如下所示：
Figure BDA0002856876750000063
其中，
Figure BDA0002856876750000064
是隐层向量hi对输入xi的偏导数的平方之和，hi＝f(Wxi+b)，W是投影矩阵，b是偏置项，λ是调节参数，用于调节雅克比惩罚项对整个损失函数的影响。
如果激活函数f(·)为sigmoid(·)，那么雅克比范式
Figure BDA0002856876750000065
可以改写成如下公式：
Figure BDA0002856876750000066
其中是Ip是p维实数向量空间Rp的全1向量，hi∈Rp，W∈Rp×m。
若将重构误差平方作为主要损失函数，则CDAE的损失函数改写成：
Figure BDA0002856876750000067
其中·是向量内积符号，λ是调节参数，W是投影矩阵，hi是隐层向量。
(2.3)采用CDAE模型提取表征向量，再将表征向量输入到SVC模型中进行分类，输出标签量，实现有监督的过程检测；
(2.4)采用随机梯度下降法，最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉验证SVC分类器，得到各参数的最优值。
(3)测试轮毂电机故障过程：采集车辆运行工作时有关电机的各项指标数据，对数据集进行处理，输入隐层变量到(2)训练好的CDAE-SVC模型中，计算后验分类概率，判断轮毂电机是否有故障，确定故障类别。具体包括以下子步骤：
(3.1)采集车辆运行工作时方向盘转角，驱动力矩，制动力矩，四个轮毂电机的输出力矩，车辆的纵向速度等传感器信息，形成数据集，对数据集进行各维度max-min的标准化，并记录各维度max，min值；
(3.2)将标准化处理后的样本输入到(2.4)优化好的CDAE模型中，并计算各样本对应的隐层变量；
(3.3)将隐层向量和标签输入到(2.4)优化好的SVC模型，计算该样本对应的后验分类概率
Figure BDA0002856876750000071
(3.4)取对应模型中最大后验分类概率
Figure BDA0002856876750000072
对应的标签量作为该样本的故障类别，判断轮毂电机是否有故障，确定故障类别。

Claims (4)

1.一种有监督数据驱动的电动汽车轮毂电机故障检测方法，其特征在于，包括以下步骤：
(1)重组包含轮毂电机故障信息数据集：采集具有电机故障属性的输入输出变量信息，对不同故障工况训练集进行故障类别划分，为每个样本添加一个故障类别标签量，组建复合工况数据集。
(2)训练和验证CDAE-SVC模型：使用步骤1组建的数据集形成交叉数据集，利用数据集最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉验证SVC分类器。
(3)测试轮毂电机故障：采集车辆运行工作时，待测轮毂电机的各项指标数据，对数据集进行处理后，输入隐层变量到步骤2训练好的CDAE-SVC模型中，计算后验分类概率，确定故障分类。
2.根据权利要求1所述的一种有监督数据驱动的电动汽车轮毂电机故障检测方法，其特征在于，所述步骤(1)包括以下子步骤：
(1.1)首先定义描述失效前后轮毂电机执行能力的失效因子δ，再根据具体轮毂电机故障失效类型，将失效因子等效转化为可以描述是否发生失效的参考标准。
(1.2)根据轮毂电机失效的位置和数量分布，将四轮独立驱动的汽车轮毂电机失效类型划分为6种模式，即单个电机失效、同侧两个电机失效、异侧同轴两个电机失效、异侧不同轴两个电机失效、三个电机失效及四个电机失效，分别对应标签量1，2，3，4，5，6。
(1.3)采集在(1.2)定义的不同故障失效类别下，车辆行驶时的输入输出数据，所述输入输出数据包括某种故障下的驱动力矩、制动力矩、四个轮毂电机的输出力矩等信息，形成带有对应标签量的数据集，将每种类型下的数据集复合在一起，形成一个用来训练和测试的总的数据集，选择合适节点，制成交叉数据集。
3.根据权利要求1所述的一种有监督数据驱动的电动汽车轮毂电机故障检测方法，其特征在于，所述步骤(2)包括以下子步骤：
(2.1)在步骤(1.3)制定的数据集样本中添加相同维度的高斯白噪声，即在目标损失函数中增加噪声惩罚项
Figure FDA0002856876740000011
(2.2)在损失函数中增加另一惩罚项，即隐层向量的雅可比矩阵的F范数平方
Figure FDA0002856876740000012
(2.3)采用CDAE模型提取表征向量，再将表征向量输入到SVC模型中进行分类，输出标签量，实现有监督的过程检测。
(2.4)采用随机梯度下降法，最小化包含潜在的噪声惩罚项和雅可比范式惩罚项的损失函数，优化CDAE模型参数，交叉验证SVC分类器。
4.根据权利要求1所述的一种有监督数据驱动的电动汽车轮毂电机故障检测方法，其特征在于，所述步骤(3)包括以下子步骤：
(3.1)采集车辆运行工作时方向盘转角，驱动力矩，制动力矩，四个轮毂电机的输出力矩等传感器信息，形成数据集，对数据集进行各维度max-min的标准化，并记录各维度max，min值；
(3.2)将标准化处理后的样本输入到(2.4)优化好的CDAE模型中，并计算各样本对应的隐层变量；
(3.3)将隐层向量和标签输入到(2.4)优化好的SVC模型，计算该样本对应的后验分类概率；
(3.4)取对应模型中最大后验分类概率
Figure FDA0002856876740000021
对应的标签量作为该样本的故障类别，判断轮毂电机是否有故障，确定故障类别。
CN202011547614.3A 2020-12-24 2020-12-24 一种有监督数据驱动的电动汽车轮毂电机故障检测方法 Pending CN112733887A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011547614.3A CN112733887A (zh) 2020-12-24 2020-12-24 一种有监督数据驱动的电动汽车轮毂电机故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011547614.3A CN112733887A (zh) 2020-12-24 2020-12-24 一种有监督数据驱动的电动汽车轮毂电机故障检测方法

Publications (1)

Publication Number Publication Date
CN112733887A true CN112733887A (zh) 2021-04-30

Family

ID=75605175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011547614.3A Pending CN112733887A (zh) 2020-12-24 2020-12-24 一种有监督数据驱动的电动汽车轮毂电机故障检测方法

Country Status (1)

Country Link
CN (1) CN112733887A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116989730A (zh) * 2023-09-27 2023-11-03 郯城鸿顺机动车检测有限公司 一种汽车检测用轮毂圆整度检测设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108248598A (zh) * 2018-01-08 2018-07-06 武汉理工大学 一种轮毂电机驱动混合动力汽车失效控制***及方法
US20190124045A1 (en) * 2017-10-24 2019-04-25 Nec Laboratories America, Inc. Density estimation network for unsupervised anomaly detection
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
CN110481338A (zh) * 2019-07-23 2019-11-22 武汉理工大学 一种轮毂电机车辆失效控制方法及整车控制器
CN111428788A (zh) * 2020-03-24 2020-07-17 西安交通大学 基于深度学习的汽轮机发电机组转子多故障诊断方法及***
CN112116029A (zh) * 2020-09-25 2020-12-22 天津工业大学 一种多尺度结构与特征融合的齿轮箱智能故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190124045A1 (en) * 2017-10-24 2019-04-25 Nec Laboratories America, Inc. Density estimation network for unsupervised anomaly detection
CN108248598A (zh) * 2018-01-08 2018-07-06 武汉理工大学 一种轮毂电机驱动混合动力汽车失效控制***及方法
CN110481338A (zh) * 2019-07-23 2019-11-22 武汉理工大学 一种轮毂电机车辆失效控制方法及整车控制器
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
CN111428788A (zh) * 2020-03-24 2020-07-17 西安交通大学 基于深度学习的汽轮机发电机组转子多故障诊断方法及***
CN112116029A (zh) * 2020-09-25 2020-12-22 天津工业大学 一种多尺度结构与特征融合的齿轮箱智能故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116989730A (zh) * 2023-09-27 2023-11-03 郯城鸿顺机动车检测有限公司 一种汽车检测用轮毂圆整度检测设备
CN116989730B (zh) * 2023-09-27 2024-01-02 郯城鸿顺机动车检测有限公司 一种汽车检测用轮毂圆整度检测设备

Similar Documents

Publication Publication Date Title
CN105741637B (zh) 四轮轮毂电机电动汽车智能转向控制方法
US20210171050A1 (en) System for evaluating vehicle performance
CN106662501B (zh) 用于分析车辆的能效的***和方法
JP7053147B2 (ja) 自動車特に自動車の装置のエネルギー効率を分析するためのシステムおよび方法
Zhang et al. Optimization of control strategy for regenerative braking of an electrified bus equipped with an anti-lock braking system
CN107247824A (zh) 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法
CN113359457B (zh) 智能车底盘域控制器的高维动力学模型解算装置及方法
CN108482481B (zh) 四轮独立驱动与转向电动汽车的四轮转向控制方法
CN111775925A (zh) 一种功率分流混合动力汽车的工作模式决策方法和装置
CN109357900B (zh) 一种确定机械电子设备的测试体系的方法和***
CN111746304B (zh) 基于失效状态的分布式驱动电动汽车驱动***控制方法
CN112733887A (zh) 一种有监督数据驱动的电动汽车轮毂电机故障检测方法
US20230169802A1 (en) Systems and methods for vehicle analytics
Joshi Powertrain and chassis hardware-in-the-loop (HIL) simulation of autonomous vehicle platform
CN111198501B (zh) 一种由rbf神经网络确定燃油等效因子的方法
Wang et al. Vehicle Stability Control Strategy Based on Recognition of Driver Turning Intention for Dual‐Motor Drive Electric Vehicle
CN109900399A (zh) 一种轮边/轮毂驱动***的试验平台
CN113177291B (zh) 一种基于云数据平台的电动车功效分析方法与***
US20210342500A1 (en) Systems and methods for vehicle modeling
CN112883500A (zh) 一种基于故障注入的智能车辆***早期功能安全评估方法
CN114739554B (zh) 一种四驱车传动系扭转强度测试实验方法和评价方法
CN115421473A (zh) 一种汽车驱动功能的仿真验证方法及***
He et al. Deep denoising autoencoding method for feature extraction and recognition of vehicle adhesion status
CN112810602B (zh) 基于聚类的智能线控底盘个性化稳定性控制方法及***
CN114997748A (zh) 基于模型融合的新能源汽车运行安全风险预测方法及***

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