CN117254746B - 一种驱动电机温度控制方法及*** - Google Patents
一种驱动电机温度控制方法及*** Download PDFInfo
- Publication number
- CN117254746B CN117254746B CN202311499493.3A CN202311499493A CN117254746B CN 117254746 B CN117254746 B CN 117254746B CN 202311499493 A CN202311499493 A CN 202311499493A CN 117254746 B CN117254746 B CN 117254746B
- Authority
- CN
- China
- Prior art keywords
- learning
- driving motor
- temperature
- training set
- cooling liquid
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000000110 cooling liquid Substances 0.000 claims abstract description 65
- 238000001816 cooling Methods 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 96
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 239000012809 cooling fluid Substances 0.000 claims description 5
- 239000002826 coolant Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供了一种驱动电机温度控制方法及***,该方法包括:获取驱动电机的历史状态变量,并根据历史状态变量构建出与驱动电机对应的热力学模型;获取驱动电机的历史温度信号,并根据历史温度信号拟合出与驱动电机对应的温度变化曲线图;根据温度变化曲线图的变化规律预测出与驱动电机对应的温度预测值,并根据热力学模型、温度预测值以及预设约束条件生成对应的冷却液流量控制信号;将冷却液流量控制信号对应发送至车辆内部的冷却***,以使冷却***根据冷却液流量控制信号调节经过驱动电机的冷却液的流量。本发明能够使驱动电机持续处于稳定的温度状态,提升了用户体验。
Description
技术领域
本发明涉及新能源汽车技术领域,特别涉及一种驱动电机温度控制方法及***。
背景技术
随着科技的进步以及生产力的快速发展,新能源汽车技术也日趋成熟,并且已经逐渐得到了人们的认可,已经在人们的日常生活中得到了普及,极大的方便了人们的生活。
现有的新能源电动汽车因其具有清洁、高效、节能的特点,已经成为未来汽车产业的发展方向,其中,驱动电机是新能源电动汽车的核心零部件之一,用于将电能转换成动能,以驱动车辆行驶。
现有的驱动电机的使用性能和寿命与其工作温度密切相关,基于此,现有技术为了能够有效的控制驱动电机的温度,大部分会在新能源汽车的内部安装热管理***,并通过热管理***直接控制驱动电机的温度,然而,通过热管理***控制驱动电机的温度需要首先构建出对应的控制模型,在此过程中,需要进行复杂的数学推导以及计算,并且在实际应用的过程中,当控制模型或者约束条件发生变化时,需要重新进行数学推导以及计算,导致控制的稳定性较低,对应降低了用户的使用体验。
发明内容
基于此,本发明的目的是提供一种驱动电机温度控制方法及***,以解决现有技术的控制稳定性较低,导致降低了用户使用体验的问题。
本发明实施例第一方面提出了:
一种驱动电机温度控制方法,其中,所述方法包括:
获取驱动电机的历史状态变量,并根据所述历史状态变量构建出与所述驱动电机对应的热力学模型;
获取所述驱动电机的历史温度信号,并根据所述历史温度信号拟合出与所述驱动电机对应的温度变化曲线图;
根据所述温度变化曲线图的变化规律预测出与所述驱动电机对应的温度预测值,并根据所述热力学模型、所述温度预测值以及预设约束条件生成对应的冷却液流量控制信号;
将所述冷却液流量控制信号对应发送至车辆内部的冷却***,以使所述冷却***根据所述冷却液流量控制信号调节经过所述驱动电机的冷却液的流量。
本发明的有益效果是:通过实时采集到的历史状态变量构建出需要的热力学模型,与此同时,根据实时采集到的历史温度信号拟合出需要的温度变化曲线图,进一步的,能够对应预测出与当前驱动电机适配的温度预测值,基于此,进一步生成对应的冷却液流量控制信号,在此基础之上,只需将当前冷却液流量控制信号发送至车辆内部的冷却***,就能够自适应的控制流经驱动电机的冷却液的流量,从而能够使驱动电机持续的处于一个稳定的温度,对应提升了驱动电机的工作性能,同时提升了用户的使用体验。
进一步的,所述根据所述历史状态变量构建出与所述驱动电机对应的热力学模型的步骤包括:
当获取到所述历史状态变量时,提取出所述历史状态变量中包含的与所述驱动电机对应的电性参数以及性能参数,并根据所述电性参数生成对应的第一训练集、根据所述性能参数生成对应的第二训练集;
构建出所述第一训练集与所述第二训练集之间的映射关系,并根据所述映射关系将所述第一训练集以及所述第二训练集同时传输至预设深度学习网络中,以对应训练出所述热力学模型。
进一步的,所述根据所述映射关系将所述第一训练集以及所述第二训练集同时传输至预设深度学习网络中,以对应训练出所述热力学模型的步骤包括:
当获取到所述第一训练集以及所述第二训练集时,检测出所述预设深度学习网络中依次包含的编码层、学习层以及验证层,所述编码层中包含有第一编码器以及第二编码器;
将所述第一训练集输入至所述第一编码器中,以将所述第一训练集编码成对应的第一特征序列,将所述第二训练集输入至所述第二编码器中,以将所述第二训练集编码成对应的第二特征序列;
将所述第一特征序列以及所述第二特征序列输入至所述学习层中,以对所述学习层进行训练并输出对应的学习值,并通过所述验证层实时判断所述学习值是否满足预设要求,以对应生成所述热力学模型。
进一步的,所述将所述第一特征序列以及所述第二特征序列输入至所述学习层中,以对所述学习层进行训练并输出对应的学习值的步骤包括:
提取出所述第一特征序列中包含的若干第一特征因子,并提取出所述第二特征序列中包含的若干第二特征因子;
检测出所述学习层中包含的学习链网,所述学习链网包含横纵分布的第一学习链以及第二学习链,所述第一学习链中包含若干第一学习节点,所述第二学习链中包含若干第二学习节点;
通过若干所述第一学习节点以及若干所述第二学习节点完成所述学习层的训练,并对应输出所述学习值,所述学习链网具有唯一性。
进一步的,所述通过若干所述第一学习节点以及若干所述第二学习节点完成所述学习层的训练的步骤包括:
逐一检测出若干所述第一学习节点分别对应的第一初始值,并逐一检测出若干所述第二学习节点分别对应的第二初始值;
在所述第一学习链中将每一所述第一初始值分别对应替换成每一所述第一特征因子,并在所述第二学习链中将每一所述第二初始值分别对应替换成每一所述第二特征因子,以完成所述学习层的训练。
进一步的,所述热力学模型的表达式为:
其中,Cm表示驱动电机的热容,Cc表示冷却液的热容,Tm表示驱动电机的温度,Tc表示冷却液的温度,Ta表示环境的温度,Pm表示驱动电机的功率,Pc表示冷却***的功率,Rma表示驱动电机与环境之间的热阻,Rmc表示驱动电机与冷却液之间的热阻,Rca表示冷却液与环境之间的热阻。
进一步的,所述方法还包括:
在所述冷却***中通过预设算法控制所述冷却液的流量,所述预设算法的表达式为:
Pc=Kc·u
其中,Pc表示冷却***的功率,Kc表示冷却***的冷却系数,u表示所述冷却液流量控制信号。
本发明实施例第二方面提出了:
一种驱动电机温度控制***,其中,所述***包括:
获取模块,用于获取驱动电机的历史状态变量,并根据所述历史状态变量构建出与所述驱动电机对应的热力学模型;
拟合模块,用于获取所述驱动电机的历史温度信号,并根据所述历史温度信号拟合出与所述驱动电机对应的温度变化曲线图;
预测模块,用于根据所述温度变化曲线图的变化规律预测出与所述驱动电机对应的温度预测值,并根据所述热力学模型、所述温度预测值以及预设约束条件生成对应的冷却液流量控制信号;
调节模块,用于将所述冷却液流量控制信号对应发送至车辆内部的冷却***,以使所述冷却***根据所述冷却液流量控制信号调节经过所述驱动电机的冷却液的流量。
进一步的,所述获取模块具体用于:
当获取到所述历史状态变量时,提取出所述历史状态变量中包含的与所述驱动电机对应的电性参数以及性能参数,并根据所述电性参数生成对应的第一训练集、根据所述性能参数生成对应的第二训练集;
构建出所述第一训练集与所述第二训练集之间的映射关系,并根据所述映射关系将所述第一训练集以及所述第二训练集同时传输至预设深度学习网络中,以对应训练出所述热力学模型。
进一步的,所述获取模块还具体用于:
当获取到所述第一训练集以及所述第二训练集时,检测出所述预设深度学习网络中依次包含的编码层、学习层以及验证层,所述编码层中包含有第一编码器以及第二编码器;
将所述第一训练集输入至所述第一编码器中,以将所述第一训练集编码成对应的第一特征序列,将所述第二训练集输入至所述第二编码器中,以将所述第二训练集编码成对应的第二特征序列;
将所述第一特征序列以及所述第二特征序列输入至所述学习层中,以对所述学习层进行训练并输出对应的学习值,并通过所述验证层实时判断所述学习值是否满足预设要求,以对应生成所述热力学模型。
进一步的,所述获取模块还具体用于:
提取出所述第一特征序列中包含的若干第一特征因子,并提取出所述第二特征序列中包含的若干第二特征因子;
检测出所述学习层中包含的学习链网,所述学习链网包含横纵分布的第一学习链以及第二学习链,所述第一学习链中包含若干第一学习节点,所述第二学习链中包含若干第二学习节点;
通过若干所述第一学习节点以及若干所述第二学习节点完成所述学习层的训练,并对应输出所述学习值,所述学习链网具有唯一性。
进一步的,所述获取模块还具体用于:
逐一检测出若干所述第一学习节点分别对应的第一初始值,并逐一检测出若干所述第二学习节点分别对应的第二初始值;
在所述第一学习链中将每一所述第一初始值分别对应替换成每一所述第一特征因子,并在所述第二学习链中将每一所述第二初始值分别对应替换成每一所述第二特征因子,以完成所述学习层的训练。
进一步的,所述热力学模型的表达式为:
其中,Cm表示驱动电机的热容,Cc表示冷却液的热容,Tm表示驱动电机的温度,Tc表示冷却液的温度,Ta表示环境的温度,Pm表示驱动电机的功率,Pc表示冷却***的功率,Rma表示驱动电机与环境之间的热阻,Rmc表示驱动电机与冷却液之间的热阻,Rca表示冷却液与环境之间的热阻。
进一步的,所述驱动电机温度控制***还包括控制模块,所述控制模块具体用于:
在所述冷却***中通过预设算法控制所述冷却液的流量,所述预设算法的表达式为:
Pc=Kc·u
其中,Pc表示冷却***的功率,Kc表示冷却***的冷却系数,u表示所述冷却液流量控制信号。
本发明实施例第三方面提出了:
一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上面所述的驱动电机温度控制方法。
本发明实施例第四方面提出了:
一种可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上面所述的驱动电机温度控制方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例提供的驱动电机温度控制方法的流程图;
图2为本发明第六实施例提供的驱动电机温度控制***的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,所示为本发明第一实施例提供的驱动电机温度控制方法,本实施例提供的驱动电机温度控制方法能够实时有效的控制冷却液的流量,对应提升了驱动电机的使用性能。
具体的,本实施例提供的驱动电机温度控制方法具体包括以下步骤:
步骤S10,获取驱动电机的历史状态变量,并根据所述历史状态变量构建出与所述驱动电机对应的热力学模型;
步骤S20,获取所述驱动电机的历史温度信号,并根据所述历史温度信号拟合出与所述驱动电机对应的温度变化曲线图;
步骤S30,根据所述温度变化曲线图的变化规律预测出与所述驱动电机对应的温度预测值,并根据所述热力学模型、所述温度预测值以及预设约束条件生成对应的冷却液流量控制信号;
步骤S40,将所述冷却液流量控制信号对应发送至车辆内部的冷却***,以使所述冷却***根据所述冷却液流量控制信号调节经过所述驱动电机的冷却液的流量。
具体的,在本实施例中,首先需要说明的是,该驱动电机温度控制方法具体应用在各种型号的新能源电动汽车内部的驱动电机上,用于使驱动电机能够持续的处于一个合理的工作温度,以对应提升驱动电机的使用性能。基于此,为了能够准确的知悉驱动电机的工作情况,并完成对应的温度控制,需要首先获取驱动电机已经产生的历史状态变量,具体的,可以包括工作电压、工作电流以及功率等状态变量,进一步的,立即根据当前历史状态变量构建出对应的热力学模型,以便于后续的处理。
进一步的,为了能够检测到当前驱动电机的温度变化规律,需要进一步获取当前驱动电机的历史温度信号,并对应根据该历史温度信号拟合出对应的温度变化曲线图,基于此,就能够进一步根据当前温度变化曲线图的变化规律进一步预测出与当前驱动电机对应的温度预测值,即当前驱动电机在后续的工作过程中会产生的温度。更进一步的,根据当前实时获取到的热力学模型、温度预测值以及预设约束条件能够进一步生成需要的冷却液流量控制信号,即用于控制冷却液流量大小的信号,基于此,将该冷却液流量控制信号最终发送至车辆内部的冷却***中,从而能够使该冷却***对应控制流经驱动电机的冷却液流量的大小,对应能够控制驱动电机的工作温度。
第二实施例
具体的,在本实施例中,需要说明的是,上述根据所述历史状态变量构建出与所述驱动电机对应的热力学模型的步骤包括:
当获取到所述历史状态变量时,提取出所述历史状态变量中包含的与所述驱动电机对应的电性参数以及性能参数,并根据所述电性参数生成对应的第一训练集、根据所述性能参数生成对应的第二训练集;
构建出所述第一训练集与所述第二训练集之间的映射关系,并根据所述映射关系将所述第一训练集以及所述第二训练集同时传输至预设深度学习网络中,以对应训练出所述热力学模型。
具体的,在本实施例中,需要说明的是,在实时获取到需要的历史状态变量之后,为了便于后续热力学模型的训练,此时可以对当前历史状态变量进行拆分处理,即对应拆分成需要的电性参数,例如电压、电流等参数,以及性能参数,例如工作功率以及转速等参数。与此同时,就能够根据上述电性参数制备出需要的第一训练集,对应的,根据上述性能参数制备出需要的第二训练集。
进一步的,为了进一步提升后续热力学模型训练的效率,此时还需要将当前第一训练集与第二训练集关联在一起,即构建出两者之间的映射关系,并同时传输至预设深度学习网络中,优选的,该深度学习网络可以是CNN学习网络,以训练出需要的热力学模型。
具体的,在本实施例中,还需要说明的是,上述根据所述映射关系将所述第一训练集以及所述第二训练集同时传输至预设深度学习网络中,以对应训练出所述热力学模型的步骤包括:
当获取到所述第一训练集以及所述第二训练集时,检测出所述预设深度学习网络中依次包含的编码层、学习层以及验证层,所述编码层中包含有第一编码器以及第二编码器;
将所述第一训练集输入至所述第一编码器中,以将所述第一训练集编码成对应的第一特征序列,将所述第二训练集输入至所述第二编码器中,以将所述第二训练集编码成对应的第二特征序列;
将所述第一特征序列以及所述第二特征序列输入至所述学习层中,以对所述学习层进行训练并输出对应的学习值,并通过所述验证层实时判断所述学习值是否满足预设要求,以对应生成所述热力学模型。
具体的,在本实施例中,还需要说明的是,在获取到第一训练集以及第二训练集之后,为了便于后续的训练,此时还需要对应检测出上述预设深度学习网络中分别包含的编码层、学习层以及验证层,其中,编码层中包含有第一编码器以及第二编码器,进一步的,将第一训练集对应输入至第一编码器中,将第二训练集对应输入至第二编码器中,并对应编码出能够后续被学习层所识别的第一特征序列以及第二特征序列,基于此,将当前第一特征序列以及第二特征序列对应输入至上述学习层中,就能够最终训练出上述热力学模型。
第三实施例
另外,在本实施例中,需要说明的是,上述将所述第一特征序列以及所述第二特征序列输入至所述学习层中,以对所述学习层进行训练并输出对应的学习值的步骤包括:
提取出所述第一特征序列中包含的若干第一特征因子,并提取出所述第二特征序列中包含的若干第二特征因子;
检测出所述学习层中包含的学习链网,所述学习链网包含横纵分布的第一学习链以及第二学习链,所述第一学习链中包含若干第一学习节点,所述第二学习链中包含若干第二学习节点;
通过若干所述第一学习节点以及若干所述第二学习节点完成所述学习层的训练,并对应输出所述学习值,所述学习链网具有唯一性。
另外,在本实施例中,需要说明的是,在通过上述方式分别获取到第一特征序列以及第二特征序列之后,由于每个特征序列均由若干个特征因子组成,基于此,就能够对应提取出当前第一特征序列中包含的若干第一特征因子,以及提取出当前第二特征序列中包含的若干第二特征因子。具体的,特征因子由具体的数值组成。
进一步的,对应检测出上述学习层中所包含的学习链网,其中,可以理解的是,该学习链网具体包括若干个横纵分布的第一学习链以及第二学习链,并且每个学习链中均包含有若干个学习节点,基于此,在分别识别出第一学习链包含的第一学习节点,以及第二学习链包含的第二学习节点之后,就能够简单、快速的完成当前学习层的训练,以生成上述热力学模型。
另外,在本实施例中,还需要说明的是,上述通过若干所述第一学习节点以及若干所述第二学习节点完成所述学习层的训练的步骤包括:
逐一检测出若干所述第一学习节点分别对应的第一初始值,并逐一检测出若干所述第二学习节点分别对应的第二初始值;
在所述第一学习链中将每一所述第一初始值分别对应替换成每一所述第一特征因子,并在所述第二学习链中将每一所述第二初始值分别对应替换成每一所述第二特征因子,以完成所述学习层的训练。
另外,在本实施例中,还需要说明的是,每个学习节点中均默认设置有一个初始网络参数,并且每个初始网络参数均对应一个初始值,但是,每个学习节点是唯一的,从而每个初始值也不一样,基于此,为了能够快速的完成训练,此时还需要逐一检测出当前若干第一学习节点分别对应的第一初始值,以及若干第二学习节点分别对应的第二初始值。进一步的,只需将每个第一初始值对应替换成每个第一特征因子,对应的,将每个第二初始值对应替换成每个第二特征因子,就能够完成上述学习层的训练,以生成需要的热力学模型。
第四实施例
其中,在本实施例中,需要指出的是,所述热力学模型的表达式为:
其中,Cm表示驱动电机的热容,Cc表示冷却液的热容,Tm表示驱动电机的温度,Tc表示冷却液的温度,Ta表示环境的温度,Pm表示驱动电机的功率,Pc表示冷却***的功率,Rma表示驱动电机与环境之间的热阻,Rmc表示驱动电机与冷却液之间的热阻,Rca表示冷却液与环境之间的热阻。
其中,在本实施例中,需要指出的是,在通过上述训练步骤之后,就能够最终训练出需要的热力学模型,具体的,该热力学模型主要用于预测出驱动电机的温度变化情况,即便于后续预测出上述温度预测值,并基于该温度预测值最终生成需要的冷却液流量控制信号,从而完成驱动电机温度的控制,具体的,该热力学模型的表达式如上面所示,以便于后续的处理。
第五实施例
其中,在本实施例中,需要指出的是,所述方法还包括:
在所述冷却***中通过预设算法控制所述冷却液的流量,所述预设算法的表达式为:
Pc=Kc·u
其中,Pc表示冷却***的功率,Kc表示冷却***的冷却系数,u表示所述冷却液流量控制信号。
其中,在本实施例中,需要指出的是,在通过上述步骤生成了需要的冷却液流量控制信号之后,此时可以进一步通过上面所示的算法直接计算出需要的冷却***的工作功率,以使该冷却***能够产生对应数量的冷却液。
进一步的,将实时产生的冷却液作用于驱动电机上,以通过该冷却液实时控制当前驱动电机的温度,以对应提升驱动电机的工作性能。
请参阅图2,本发明第六实施例提供了:
一种驱动电机温度控制***,其中,所述***包括:
获取模块,用于获取驱动电机的历史状态变量,并根据所述历史状态变量构建出与所述驱动电机对应的热力学模型;
拟合模块,用于获取所述驱动电机的历史温度信号,并根据所述历史温度信号拟合出与所述驱动电机对应的温度变化曲线图;
预测模块,用于根据所述温度变化曲线图的变化规律预测出与所述驱动电机对应的温度预测值,并根据所述热力学模型、所述温度预测值以及预设约束条件生成对应的冷却液流量控制信号;
调节模块,用于将所述冷却液流量控制信号对应发送至车辆内部的冷却***,以使所述冷却***根据所述冷却液流量控制信号调节经过所述驱动电机的冷却液的流量。
其中,上述驱动电机温度控制***中,所述获取模块具体用于:
当获取到所述历史状态变量时,提取出所述历史状态变量中包含的与所述驱动电机对应的电性参数以及性能参数,并根据所述电性参数生成对应的第一训练集、根据所述性能参数生成对应的第二训练集;
构建出所述第一训练集与所述第二训练集之间的映射关系,并根据所述映射关系将所述第一训练集以及所述第二训练集同时传输至预设深度学习网络中,以对应训练出所述热力学模型。
其中,上述驱动电机温度控制***中,所述获取模块还具体用于:
当获取到所述第一训练集以及所述第二训练集时,检测出所述预设深度学习网络中依次包含的编码层、学习层以及验证层,所述编码层中包含有第一编码器以及第二编码器;
将所述第一训练集输入至所述第一编码器中,以将所述第一训练集编码成对应的第一特征序列,将所述第二训练集输入至所述第二编码器中,以将所述第二训练集编码成对应的第二特征序列;
将所述第一特征序列以及所述第二特征序列输入至所述学习层中,以对所述学习层进行训练并输出对应的学习值,并通过所述验证层实时判断所述学习值是否满足预设要求,以对应生成所述热力学模型。
其中,上述驱动电机温度控制***中,所述获取模块还具体用于:
提取出所述第一特征序列中包含的若干第一特征因子,并提取出所述第二特征序列中包含的若干第二特征因子;
检测出所述学习层中包含的学习链网,所述学习链网包含横纵分布的第一学习链以及第二学习链,所述第一学习链中包含若干第一学习节点,所述第二学习链中包含若干第二学习节点;
通过若干所述第一学习节点以及若干所述第二学习节点完成所述学习层的训练,并对应输出所述学习值,所述学习链网具有唯一性。
其中,上述驱动电机温度控制***中,所述获取模块还具体用于:
逐一检测出若干所述第一学习节点分别对应的第一初始值,并逐一检测出若干所述第二学习节点分别对应的第二初始值;
在所述第一学习链中将每一所述第一初始值分别对应替换成每一所述第一特征因子,并在所述第二学习链中将每一所述第二初始值分别对应替换成每一所述第二特征因子,以完成所述学习层的训练。
其中,上述驱动电机温度控制***中,所述热力学模型的表达式为:
其中,Cm表示驱动电机的热容,Cc表示冷却液的热容,Tm表示驱动电机的温度,Tc表示冷却液的温度,Ta表示环境的温度,Pm表示驱动电机的功率,Pc表示冷却***的功率,Rma表示驱动电机与环境之间的热阻,Rmc表示驱动电机与冷却液之间的热阻,Rca表示冷却液与环境之间的热阻。
其中,上述驱动电机温度控制***中,所述驱动电机温度控制***还包括控制模块,所述控制模块具体用于:
在所述冷却***中通过预设算法控制所述冷却液的流量,所述预设算法的表达式为:
Pc=Kc·u
其中,Pc表示冷却***的功率,Kc表示冷却***的冷却系数,u表示所述冷却液流量控制信号。
本发明第七实施例提供了一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上述实施例提供的驱动电机温度控制方法。
本发明第八实施例提供了一种可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述实施例提供的驱动电机温度控制方法。
综上所述,本发明上述实施例提供的驱动电机温度控制方法及***能够准确、有效的控制冷却液的流量,能够使驱动电机持续的处于一个合理的温度,对应提升了驱动电机的使用性能。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种驱动电机温度控制方法,其特征在于,所述方法包括:
获取驱动电机的历史状态变量,并根据所述历史状态变量构建出与所述驱动电机对应的热力学模型;
获取所述驱动电机的历史温度信号,并根据所述历史温度信号拟合出与所述驱动电机对应的温度变化曲线图;
根据所述温度变化曲线图的变化规律预测出与所述驱动电机对应的温度预测值,并根据所述热力学模型、所述温度预测值以及预设约束条件生成对应的冷却液流量控制信号;
将所述冷却液流量控制信号对应发送至车辆内部的冷却***,以使所述冷却***根据所述冷却液流量控制信号调节经过所述驱动电机的冷却液的流量;
所述热力学模型的表达式为:
其中,Cm表示驱动电机的热容,Cc表示冷却液的热容,Tm表示驱动电机的温度,Tc表示冷却液的温度,Ta表示环境的温度,Pm表示驱动电机的功率,Pc表示冷却***的功率,Rma表示驱动电机与环境之间的热阻,Rmc表示驱动电机与冷却液之间的热阻,Rca表示冷却液与环境之间的热阻;
所述根据所述历史状态变量构建出与所述驱动电机对应的热力学模型的步骤包括:
当获取到所述历史状态变量时,提取出所述历史状态变量中包含的与所述驱动电机对应的电性参数以及性能参数,并根据所述电性参数生成对应的第一训练集、根据所述性能参数生成对应的第二训练集;
构建出所述第一训练集与所述第二训练集之间的映射关系,并根据所述映射关系将所述第一训练集以及所述第二训练集同时传输至预设深度学习网络中,以对应训练出所述热力学模型;
所述根据所述映射关系将所述第一训练集以及所述第二训练集同时传输至预设深度学习网络中,以对应训练出所述热力学模型的步骤包括:
当获取到所述第一训练集以及所述第二训练集时,检测出所述预设深度学习网络中依次包含的编码层、学习层以及验证层,所述编码层中包含有第一编码器以及第二编码器;
将所述第一训练集输入至所述第一编码器中,以将所述第一训练集编码成对应的第一特征序列,将所述第二训练集输入至所述第二编码器中,以将所述第二训练集编码成对应的第二特征序列;
将所述第一特征序列以及所述第二特征序列输入至所述学习层中,以对所述学习层进行训练并输出对应的学习值,并通过所述验证层实时判断所述学习值是否满足预设要求,以对应生成所述热力学模型;
所述将所述第一特征序列以及所述第二特征序列输入至所述学习层中,以对所述学习层进行训练并输出对应的学习值的步骤包括:
提取出所述第一特征序列中包含的若干第一特征因子,并提取出所述第二特征序列中包含的若干第二特征因子;
检测出所述学习层中包含的学习链网,所述学习链网包含横纵分布的第一学习链以及第二学习链,所述第一学习链中包含若干第一学习节点,所述第二学习链中包含若干第二学习节点;
通过若干所述第一学习节点以及若干所述第二学习节点完成所述学习层的训练,并对应输出所述学习值,所述学习链网具有唯一性;
所述通过若干所述第一学习节点以及若干所述第二学习节点完成所述学习层的训练的步骤包括:
逐一检测出若干所述第一学习节点分别对应的第一初始值,并逐一检测出若干所述第二学习节点分别对应的第二初始值;
在所述第一学习链中将每一所述第一初始值分别对应替换成每一所述第一特征因子,并在所述第二学习链中将每一所述第二初始值分别对应替换成每一所述第二特征因子,以完成所述学习层的训练。
2.根据权利要求1所述的驱动电机温度控制方法,其特征在于:所述方法还包括:
在所述冷却***中通过预设算法控制所述冷却液的流量,所述预设算法的表达式为:
Pc=Kc·u
其中,Pc表示冷却***的功率,Kc表示冷却***的冷却系数,u表示所述冷却液流量控制信号。
3.一种驱动电机温度控制***,其特征在于,用于实现如权利要求1至2中任意一项所述的驱动电机温度控制方法,所述***包括:
获取模块,用于获取驱动电机的历史状态变量,并根据所述历史状态变量构建出与所述驱动电机对应的热力学模型;
拟合模块,用于获取所述驱动电机的历史温度信号,并根据所述历史温度信号拟合出与所述驱动电机对应的温度变化曲线图;
预测模块,用于根据所述温度变化曲线图的变化规律预测出与所述驱动电机对应的温度预测值,并根据所述热力学模型、所述温度预测值以及预设约束条件生成对应的冷却液流量控制信号;
调节模块,用于将所述冷却液流量控制信号对应发送至车辆内部的冷却***,以使所述冷却***根据所述冷却液流量控制信号调节经过所述驱动电机的冷却液的流量。
4.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至2中任意一项所述的驱动电机温度控制方法。
5.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至2中任意一项所述的驱动电机温度控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311499493.3A CN117254746B (zh) | 2023-11-13 | 2023-11-13 | 一种驱动电机温度控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311499493.3A CN117254746B (zh) | 2023-11-13 | 2023-11-13 | 一种驱动电机温度控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117254746A CN117254746A (zh) | 2023-12-19 |
CN117254746B true CN117254746B (zh) | 2024-03-01 |
Family
ID=89131594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311499493.3A Active CN117254746B (zh) | 2023-11-13 | 2023-11-13 | 一种驱动电机温度控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117254746B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315433A (zh) * | 2017-06-23 | 2017-11-03 | 北京新能源汽车股份有限公司 | 驱动电机的温度获取方法及装置 |
CN109596241A (zh) * | 2018-11-28 | 2019-04-09 | 同济大学 | 电机转子在线温度融合估计方法及*** |
CN113179070A (zh) * | 2021-04-28 | 2021-07-27 | 联合汽车电子有限公司 | 一种车用电力驱动***动力端子动态保护*** |
CN114004164A (zh) * | 2021-11-05 | 2022-02-01 | 上海交通大学 | 一种用于控制的电机转子温度预测方法及*** |
CN115208281A (zh) * | 2022-09-14 | 2022-10-18 | 中汽研汽车检验中心(天津)有限公司 | 热模型及其数据处理方法、电机模型及其数据处理方法 |
CN116431969A (zh) * | 2023-03-31 | 2023-07-14 | 联合汽车电子有限公司 | 一种基于gpr-rc模型的电机温度估算方法及装置 |
CN116674396A (zh) * | 2023-07-28 | 2023-09-01 | 江西五十铃汽车有限公司 | 一种新能源汽车电驱动***控制方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11277086B2 (en) * | 2017-09-22 | 2022-03-15 | Janislav SEGA | Radially symmetric three-phase optimized power control PCB layout |
-
2023
- 2023-11-13 CN CN202311499493.3A patent/CN117254746B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315433A (zh) * | 2017-06-23 | 2017-11-03 | 北京新能源汽车股份有限公司 | 驱动电机的温度获取方法及装置 |
CN109596241A (zh) * | 2018-11-28 | 2019-04-09 | 同济大学 | 电机转子在线温度融合估计方法及*** |
CN113179070A (zh) * | 2021-04-28 | 2021-07-27 | 联合汽车电子有限公司 | 一种车用电力驱动***动力端子动态保护*** |
CN114004164A (zh) * | 2021-11-05 | 2022-02-01 | 上海交通大学 | 一种用于控制的电机转子温度预测方法及*** |
CN115208281A (zh) * | 2022-09-14 | 2022-10-18 | 中汽研汽车检验中心(天津)有限公司 | 热模型及其数据处理方法、电机模型及其数据处理方法 |
CN116431969A (zh) * | 2023-03-31 | 2023-07-14 | 联合汽车电子有限公司 | 一种基于gpr-rc模型的电机温度估算方法及装置 |
CN116674396A (zh) * | 2023-07-28 | 2023-09-01 | 江西五十铃汽车有限公司 | 一种新能源汽车电驱动***控制方法及*** |
Non-Patent Citations (2)
Title |
---|
Deep Neural Network Modeling for Accurate Electric Motor Temperature Prediction;Siavash Hosseini et al.;《2022 IEEE Canadian Conference on Electrical and Computer Engineering (CCECE)》;第170-175页 * |
多领域协同仿真的高密度永磁电机温升计算;张琪 等;《中国电机工程学报》;第34卷(第12期);第1874-1881页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117254746A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110091751B (zh) | 基于深度学习的电动汽车续航里程预测方法、设备及介质 | |
CN116470190B (zh) | 动力电池包加热方法、***、计算机及可读存储介质 | |
CN116853073B (zh) | 一种新能源电动汽车能量管理方法及*** | |
CN114676495A (zh) | 一种汽车能耗的预测方法、装置和设备 | |
CN113821875A (zh) | 一个基于端云协同的智能车辆故障实时预测方法及*** | |
CN112277927A (zh) | 一种基于强化学习的混合动力汽车能量管理方法 | |
CN116674396B (zh) | 一种新能源汽车电驱动***控制方法及*** | |
CN115291545A (zh) | 一种电力电子产品的多层控制***及方法 | |
CN117254746B (zh) | 一种驱动电机温度控制方法及*** | |
CN116776747B (zh) | 一种igbt模块使用寿命计算方法及*** | |
CN116394711B (zh) | 汽车热管理方法、***、计算机及可读存储介质 | |
CN115079663A (zh) | 一种基于数字孪生技术的车辆动力***的监控方法及装置 | |
CN116431969A (zh) | 一种基于gpr-rc模型的电机温度估算方法及装置 | |
CN116404951A (zh) | 一种基于gp-narx模型的电机温度估算方法及装置 | |
CN113788007B (zh) | 一种分层式实时能量管理方法和*** | |
CN110789361A (zh) | 汽车电机扭矩限制方法、装置、整车控制器及*** | |
CN117040351B (zh) | 一种驱动电机控制方法及*** | |
CN116923100B (zh) | 一种动力电池包修复方法及*** | |
Bauer et al. | Black box efficiency modelling of an electric drive unit utilizing methods of machine learning | |
CN113361586A (zh) | 一种基于神经网络的功率器件在线老化检测方法及*** | |
CN114856791B (zh) | 一种电控硅油风扇控制方法及装置、电子设备 | |
CN117533137A (zh) | 一种电驱动***故障预警方法及*** | |
Li et al. | A Thermal-Aware Digital Twin Model of Permanent Magnet Synchronous Motors (PMSM) Based on BP Neural Networks | |
CN116945907B (zh) | 一种新能源电动汽车里程计算方法及*** | |
CN113775607B (zh) | 用于液压油散热***的控制方法、控制装置及处理器 |
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 |