CN118070082B - 一种新能源汽车电机噪音测试方法及*** - Google Patents
一种新能源汽车电机噪音测试方法及*** Download PDFInfo
- Publication number
- CN118070082B CN118070082B CN202410479660.6A CN202410479660A CN118070082B CN 118070082 B CN118070082 B CN 118070082B CN 202410479660 A CN202410479660 A CN 202410479660A CN 118070082 B CN118070082 B CN 118070082B
- Authority
- CN
- China
- Prior art keywords
- noise data
- cluster
- test
- actual
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 296
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000013500 data storage Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012097 association analysis method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 7
- 238000010998 test method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000003066 decision tree Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000004040 coloring Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及电机测试技术领域,特别是一种新能源汽车电机噪音测试方法及***,对目标测试电机测试完毕后,基于K‑均值算法与标准化互信息分数对数据存储器内的实际噪声数据进行分类处理,得到若干个最终聚类群集;将各个最终聚类群集中的实际噪声数据的时间戳,根据所述时间戳对各个最终聚类群集中的实际噪声数据进行基于时间序列排序,得到各项实际噪声数据集;通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成测试结果。本测试方法可以自动化处理大量数据,生成可靠性高的测试结果,对电机噪音进行全面、准确的测试,可以及时发现问题和缺陷。
Description
技术领域
本发明涉及电机测试技术领域,特别是一种新能源汽车电机噪音测试方法及***。
背景技术
随着全球能源危机和环境污染问题的日益严重,新能源汽车作为一种环保、节能的交通工具,越来越备受关注。新能源汽车主要包括电动汽车、混合动力汽车和燃料电池汽车等,其中,电动汽车和混合动力汽车的核心部件之一便是电机。电机的性能直接影响到新能源汽车的行驶效率、续航里程和驾驶舒适性等关键指标。
在新能源汽车的研发和生产过程中,电机噪音测试成为了一个不可忽视的环节。电机噪音不仅影响驾驶者和乘客的舒适度,还可能对周围环境产生噪音污染。因此,降低电机噪音、提高驾驶舒适性是新能源汽车制造商不断追求的目标。但现有新能源汽车电机噪音测试方法仍存在一些技术和方法上的缺陷:现有方法需要对采集到的数据进行预处理、特征提取和模式识别等步骤,这些过程可能涉及到复杂的算法和计算,在实际应用中,这可能导致测试过程耗时较长、计算资源消耗较大。并且现有方法在很大程度上依赖于现有的数据模型和分析算法,如果这些模型和算法不能很好地适应实际电机的特性,可能导致测试结果的偏差和不准确。
发明内容
本发明克服了现有技术的不足,提供了一种新能源汽车电机噪音测试方法及***。
为达到上述目的本发明采用的技术方案为:
本发明第一方面公开了一种新能源汽车电机噪音测试方法,包括以下步骤:
S102:获取目标测试电机的实际铭牌图像信息,并根据所述实际铭牌图像信息在知识图谱中配对得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集;
S104:将配对得到的预设测试方案发送至测试工作站的控制***上,以基于配对得到的预设测试方案对目标测试电机进行测试;在测试过程中,在多个预设时间节点采集目标测试电机的实际噪声数据,并将所述实际噪声数据传送至数据存储器上;
S106:对目标测试电机测试完毕后,基于K-均值算法与标准化互信息分数对数据存储器内的实际噪声数据进行分类处理,得到若干个最终聚类群集;
S108:将各个最终聚类群集中的实际噪声数据的时间戳,根据所述时间戳对各个最终聚类群集中的实际噪声数据进行基于时间序列排序,得到各项实际噪声数据集;
S110:通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成第一测试结果或第二测试结果。
进一步地,本发明的一个较佳实施例中,获取目标测试电机的实际铭牌图像信息,并根据所述实际铭牌图像信息在知识图谱中配对得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集,具体为:
获取不同型号新能源汽车电机所对应的标准铭牌图像信息,预制不同型号新能源汽车电机所对应的预设测试方案,以及预制不同型号新能源汽车电机经过相应预设测试方案进行测试时的各项标准噪声数据集;
分别将各型号新能源汽车电机所对应的标准铭牌图像信息、预设测试方案以及各项标准噪声数据集进行压缩捆绑,得到若干个测试数据包;构建知识图谱,并将各个测试数据包导入所述知识图谱中;
获取目标测试电机的实际铭牌图像信息,以及在所述知识图谱中获取各个测试数据包内的标准铭牌图像信息;基于感知哈希算法计算所述实际铭牌图像信息与各标准铭牌图像信息之间的相似度,得到多个相似度;
构建排序表,将多个所述相似度导入所述排序表中进行排序,排序完成后,提取出最大相似度,获取与最大相似度对应的标准铭牌图像信息,并根据与最大相似度对应的标准铭牌图像信息生成检索标签;
基于所述检索标签在所述知识图谱中检索出相应的测试数据包,根据检索得到的测试数据包中提取得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集。
进一步地,本发明的一个较佳实施例中,基于K-均值算法与标准化互信息分数对数据存储器内的实际噪声数据进行分类处理,得到若干个最终聚类群集,具体为:
S202:获取需分类实际噪声数据的项数,根据需分类实际噪声数据的项数预先设定K值,并随机选择K个实际噪声数据作为初始聚类中心;
S204:计算剩余实际噪声数据与各个初始聚类中心之间的闵可夫斯基距离,将剩余实际噪声数据分配至闵可夫斯基距离最近的初始聚类中心中,形成K个簇族;
S206:获取各个簇族中实际噪声数据的坐标值,对每个簇族中实际噪声数据的坐标值进行取平均处理,得到各个簇族中所有实际噪声数据的平均坐标值;并将该平均坐标值所对应的位置设定为新的聚类中心;
S208:重复S204至S206步骤,直到新的聚类中心不再发生变化,得到若干个聚类群集;并计算各个聚类群集的标准化互信息分数,将各个聚类群集的标准化互信息分数与预设分数阈值进行比较;
S210:若某一聚类群集的标准化互信息分数大于预设分数阈值,则说明该聚类群集的聚类状态正常,则将该聚类群集直接设定为最终聚类群集;
S212:若某一聚类群集的标准化互信息分数不大于预设分数阈值,则说明该聚类群集的聚类状态异常,则将该聚类群集标定为异常聚类群集。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
S302:获取所有异常聚类群集,并计算各个异常聚类群集中各实际噪声数据与聚类中心之间的闵可夫斯基距离;
S304:构建若干个大小排序表,并将各个异常聚类群集中各实际噪声数据与聚类中心之间的闵可夫斯基距离导入相应大小排序表中进行升序排序处理,得到排序结果;
S306:在相应排序结果中提取出各个异常聚类群集的最大闵可夫斯基距离,并将各个异常聚类群集中与最大闵可夫斯基距离对应的实际噪声数据筛除,得到修正后的聚类群集;
S308:计算所述修正后的聚类群集的标准化互信息分数,若所述修正后的聚类群集的标准化互信息分数大于预设分数阈值,则说明该修正后的聚类群集的聚类状态正常,则将该修正后的聚类群集设定为最终聚类群集;
S310:若所述修正后的聚类群集的标准化互信息分数依旧不大于预设分数阈值,则将所述修正后的聚类群集标定为异常聚类群集,并重复S302至S308步骤,直至修正后的聚类群集的标准化互信息分数大于预设分数阈值,则将该修正后的聚类群集设定为最终聚类群集。
进一步地,本发明的一个较佳实施例中,通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成第一测试结果或第二测试结果,具体为:
构建一个空白矩阵,将所述实际噪声数据集与相应的标准噪声数据集中在相同时间节点上的实际噪声数据与标准噪声数据进行配对,得到若干对噪声数据对;
计算各对噪声数据对之间的欧氏距离,得到若干个欧氏距离;从空白矩阵的左上角开始,将计算得到的各个欧氏距离依次逐步填入空白矩阵中,直到达到空白矩阵的右下角,得到一个距离矩阵;
从所述距离矩阵的右下角开始回溯,回溯得到一条到达左上角的回溯路径,将所述回溯路径上所经过的欧氏距离累加起来,得到一个总欧氏距离,并将所述总欧氏距离除以该回溯路径的路径长度,得到平均距离,根据所述平均距离确定出实际噪声数据集与相应的标准噪声数据集的重合度;
以此类推,计算得到各项实际噪声数据集与相应的标准噪声数据集之间的重合度;将各项实际噪声数据集与相应的标准噪声数据集之间的重合度与预设重合度进行比较;
若各项实际噪声数据集与相应的标准噪声数据集之间的重合度均大于预设重合度,则说明目标测试电机的测试结果合格,则生成第一测试结果;
若存在一项或多项实际噪声数据集与相应的标准噪声数据集之间的重合度不大于预设重合度,则说明目标测试电机的测试结果不合格,则生成第二测试结果。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
若为第二测试结果,则将目标测试电机中重合度不大于预设重合度对应的实际噪声数据集定义为异常噪声数据;
获取目标测试电机中各模块的功能特征信息,基于灰色关联分析法分析所述异常噪声数据与各模块的功能特征信息之间的关联度;将关联度大于预设关联度的模块标记可疑模块;
获取目标测试电机的电子测试日志本,根据所述电子测试日志本获取目标测试电机中可疑模块在测试过程中所对应的实际工作参数;
将目标测试电机中可疑模块在测试过程中所对应的实际工作参数导入至贝叶斯网络中进行故障预测,得到可疑模块的故障概率;
将故障概率大于预设故障概率对应的可疑模块标记为故障模块,根据所述故障模块生成推荐检修方案,并将所述推荐检修方案推送至预设平台上显示。
本发明第二方面公开了一种新能源汽车电机噪音测试***,所述新能源汽车电机噪音测试***包括存储器与处理器,所述存储器中存储有新能源汽车电机噪音测试方法程序,当所述新能源汽车电机噪音测试方法程序被所述处理器执行时,实现如下步骤:
S102:获取目标测试电机的实际铭牌图像信息,并根据所述实际铭牌图像信息在知识图谱中配对得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集;
S104:将配对得到的预设测试方案发送至测试工作站的控制***上,以基于配对得到的预设测试方案对目标测试电机进行测试;在测试过程中,在多个预设时间节点采集目标测试电机的实际噪声数据,并将所述实际噪声数据传送至数据存储器上;
S106:对目标测试电机测试完毕后,基于K-均值算法与标准化互信息分数对数据存储器内的实际噪声数据进行分类处理,得到若干个最终聚类群集;
S108:将各个最终聚类群集中的实际噪声数据的时间戳,根据所述时间戳对各个最终聚类群集中的实际噪声数据进行基于时间序列排序,得到各项实际噪声数据集;
S110:通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成第一测试结果或第二测试结果。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:本测试方法可以自动化处理大量数据,生成可靠性高的测试结果,对电机噪音进行全面、准确的测试,可以及时发现问题和缺陷,为故障诊断和产品改进提供重要参考,并且可以减少人工干预,提高测试效率,节省时间和人力成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他实施例的附图。
图1为一种新能源汽车电机噪音测试方法的第一方法流程图;
图2为一种新能源汽车电机噪音测试方法的第二方法流程图;
图3为一种新能源汽车电机噪音测试方法的第三方法流程图;
图4为一种新能源汽车电机噪音测试***的***框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面公开了一种新能源汽车电机噪音测试方法,包括以下步骤:
S102:获取目标测试电机的实际铭牌图像信息,并根据所述实际铭牌图像信息在知识图谱中配对得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集;
S104:将配对得到的预设测试方案发送至测试工作站的控制***上,以基于配对得到的预设测试方案对目标测试电机进行测试;在测试过程中,在多个预设时间节点采集目标测试电机的实际噪声数据,并将所述实际噪声数据传送至数据存储器上;
S106:对目标测试电机测试完毕后,基于K-均值算法与标准化互信息分数对数据存储器内的实际噪声数据进行分类处理,得到若干个最终聚类群集;
S108:将各个最终聚类群集中的实际噪声数据的时间戳,根据所述时间戳对各个最终聚类群集中的实际噪声数据进行基于时间序列排序,得到各项实际噪声数据集;
S110:通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成第一测试结果或第二测试结果。
进一步地,本发明的一个较佳实施例中,获取目标测试电机的实际铭牌图像信息,并根据所述实际铭牌图像信息在知识图谱中配对得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集,具体为:
获取不同型号新能源汽车电机所对应的标准铭牌图像信息,预制不同型号新能源汽车电机所对应的预设测试方案,以及预制不同型号新能源汽车电机经过相应预设测试方案进行测试时的各项标准噪声数据集;
分别将各型号新能源汽车电机所对应的标准铭牌图像信息、预设测试方案以及各项标准噪声数据集进行压缩捆绑,得到若干个测试数据包;构建知识图谱,并将各个测试数据包导入所述知识图谱中;
获取目标测试电机的实际铭牌图像信息,以及在所述知识图谱中获取各个测试数据包内的标准铭牌图像信息;基于感知哈希算法计算所述实际铭牌图像信息与各标准铭牌图像信息之间的相似度,得到多个相似度;
其中,感知哈希算法(Perceptual Hashing Algorithm)是一种用于计算两张图片之间相似度的算法。它的主要原理是通过提取图片的特征,并生成一个哈希值(或称为“指纹”),然后通过比较这两个哈希值之间的相似度来判断图片的相似程度;
构建排序表,将多个所述相似度导入所述排序表中进行排序,排序完成后,提取出最大相似度,获取与最大相似度对应的标准铭牌图像信息,并根据与最大相似度对应的标准铭牌图像信息生成检索标签;
基于所述检索标签在所述知识图谱中检索出相应的测试数据包,根据检索得到的测试数据包中提取得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集。
需要说明的是的,通过技术人员提取预制不同型号新能源汽车电机所对应的预设测试方案,以及预制不同型号新能源汽车电机经过相应预设测试方案进行测试时的各项标准噪声数据集。预设测试方案包括预设测试环境、预设测试时间、预设测试负载、预设测试工况等;噪声数据包括噪声级别、噪声频谱、噪声特性以及噪声随时间、负载、工作条件等因素的变化情况等。
通过智能配对测试方案和标准噪声数据,***可以根据电机的特性和测试需求自动选择合适的测试方案,从而减少了人工干预,提高了测试效率,并且能够有效提高噪音测试的准确性和可靠性,可以减少返工和重复测试,降低整体测试成本。
如图2所示,进一步地,本发明的一个较佳实施例中,基于K-均值算法与标准化互信息分数对数据存储器内的实际噪声数据进行分类处理,得到若干个最终聚类群集,具体为:
S202:获取需分类实际噪声数据的项数,根据需分类实际噪声数据的项数预先设定K值,并随机选择K个实际噪声数据作为初始聚类中心;
S204:计算剩余实际噪声数据与各个初始聚类中心之间的闵可夫斯基距离,将剩余实际噪声数据分配至闵可夫斯基距离最近的初始聚类中心中,形成K个簇族;
S206:获取各个簇族中实际噪声数据的坐标值,对每个簇族中实际噪声数据的坐标值进行取平均处理,得到各个簇族中所有实际噪声数据的平均坐标值;并将该平均坐标值所对应的位置设定为新的聚类中心;
S208:重复S204至S206步骤,直到新的聚类中心不再发生变化,得到若干个聚类群集;并计算各个聚类群集的标准化互信息分数,将各个聚类群集的标准化互信息分数与预设分数阈值进行比较;
其中,标准化互信息(Normalized Mutual Information,NMI)是一种评估聚类效果的指标,用于衡量两个聚类结果之间的相似性;标准化互信息值越接近1,表示聚类效果越好。标准化互信息值越接近0,表示聚类效果越差;
S210:若某一聚类群集的标准化互信息分数大于预设分数阈值,则说明该聚类群集的聚类状态正常,则将该聚类群集直接设定为最终聚类群集;
S212:若某一聚类群集的标准化互信息分数不大于预设分数阈值,则说明该聚类群集的聚类状态异常,则将该聚类群集标定为异常聚类群集。
需要说明的是,K-均值算法是一种经典的聚类分析方法,用于将数据集划分为K个具有相似特征的簇,它的主要目标是使簇内的样本尽可能相似,而簇间的样本尽可能不同。K-均值算法的主要优点是简单、易于实现,对于大多数数据集效果较好。然而,它也存在一些局限性,由于对异常值敏感,从而可能收敛到局部最优解,导致出现将部分异常数据聚类至正常的聚类群集内部,如将一些无效的数据聚类至某一聚类群集内。因此,为了消除K-均值算法缺陷问题,以提高聚类数据可靠性,在本步骤中,通过引入标准化互信息分数对聚类后的聚类群集进行评估,若某一聚类群集的标准化互信息分数大于预设分数阈值,则说明该聚类群集的聚类状态正常,该聚类群集内部所有数据均为有效数据,则将该聚类群集直接设定为最终聚类群集;若某一聚类群集的标准化互信息分数不大于预设分数阈值,则说明该聚类群集的聚类状态异常,该聚类群集内部存在部分无效数据(异常数据),则将该聚类群集标定为异常聚类群集。综上,通过聚类处理,可以将相似的噪声数据归为同一类别,从而减少数据的冗余性,实现数据的压缩与优化,提高存储效率和性能;并且基于标准化互信息分数的评估结果,可以发现聚类结果的不足之处,从而进一步修正聚类结果,提高聚类结果可靠性。
如图3所示,进一步地,本发明的一个较佳实施例中,还包括以下步骤:
S302:获取所有异常聚类群集,并计算各个异常聚类群集中各实际噪声数据与聚类中心之间的闵可夫斯基距离;
S304:构建若干个大小排序表,并将各个异常聚类群集中各实际噪声数据与聚类中心之间的闵可夫斯基距离导入相应大小排序表中进行升序排序处理,得到排序结果;
S306:在相应排序结果中提取出各个异常聚类群集的最大闵可夫斯基距离,并将各个异常聚类群集中与最大闵可夫斯基距离对应的实际噪声数据筛除,得到修正后的聚类群集;
S308:计算所述修正后的聚类群集的标准化互信息分数,若所述修正后的聚类群集的标准化互信息分数大于预设分数阈值,则说明该修正后的聚类群集的聚类状态正常,则将该修正后的聚类群集设定为最终聚类群集;
S310:若所述修正后的聚类群集的标准化互信息分数依旧不大于预设分数阈值,则将所述修正后的聚类群集标定为异常聚类群集,并重复S302至S308步骤,直至修正后的聚类群集的标准化互信息分数大于预设分数阈值,则将该修正后的聚类群集设定为最终聚类群集。
需要说明的是,当通过标准化互信息分数评估出聚类群集的聚类效果不合格时(即存在部分无效数据),通过本步骤对聚类群集中的无效数据进行筛除修正,可以减少噪音和异常值的干扰,提高聚类的准确性和稳定性,使得聚类结果更加可靠和有效,从而优化聚类结果,提高数据分析的质量,可以减少这种误导性,避免不合理的聚类分布。
进一步地,本发明的一个较佳实施例中,通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成第一测试结果或第二测试结果,具体为:
构建一个空白矩阵,将所述实际噪声数据集与相应的标准噪声数据集中在相同时间节点上的实际噪声数据与标准噪声数据进行配对,得到若干对噪声数据对;
计算各对噪声数据对之间的欧氏距离,得到若干个欧氏距离;从空白矩阵的左上角开始,将计算得到的各个欧氏距离依次逐步填入空白矩阵中,直到达到空白矩阵的右下角,得到一个距离矩阵;
从所述距离矩阵的右下角开始回溯,回溯得到一条到达左上角的回溯路径,将所述回溯路径上所经过的欧氏距离累加起来,得到一个总欧氏距离,并将所述总欧氏距离除以该回溯路径的路径长度,得到平均距离,根据所述平均距离确定出实际噪声数据集与相应的标准噪声数据集的重合度;
以此类推,计算得到各项实际噪声数据集与相应的标准噪声数据集之间的重合度;将各项实际噪声数据集与相应的标准噪声数据集之间的重合度与预设重合度进行比较;
若各项实际噪声数据集与相应的标准噪声数据集之间的重合度均大于预设重合度,则说明目标测试电机的测试结果合格,则生成第一测试结果;
若存在一项或多项实际噪声数据集与相应的标准噪声数据集之间的重合度不大于预设重合度,则说明目标测试电机的测试结果不合格,则生成第二测试结果。
需要说明的是,从矩阵的左上角开始,逐步填充矩阵,直到达到右下角。在填充的过程中,每个单元格的值是基于它左边、上边和左上方的单元格的值来确定的,目的是寻找一条从开始到结束的最佳路径,这条路径反映了两个序列之间最小的累计距离。然后从矩阵的右下角开始回溯,找到一条到达左上角的路径,这条路径就是两个时间序列最佳匹配的映射,反映了它们之间的最佳对齐方式。通过回溯路径,计算两个时间序列之间的总距离,这个距离会被进一步处理,比如通过除以路径的长度来标准化,得到一个平均值,用于表示两个序列之间的不相似度。根据得到的平均距离或不相似度,评估两个时间序列之间的重合度,这个值越小,说明两个序列越相似,重合度越高。将各项实际噪声数据集与相应的标准噪声数据集之间的重合度与预设重合度进行比较,如将目标测试电机的实际噪声频谱与预设噪声频谱之间的重合度与预设重合度进行比较。若各项实际噪声数据集与相应的标准噪声数据集之间的重合度均大于预设重合度,则说明目标测试电机的测试结果合格,则生成第一测试结果;若存在一项或多项实际噪声数据集与相应的标准噪声数据集之间的重合度不大于预设重合度,则说明目标测试电机的测试结果不合格,则生成第二测试结果。综上,本测试方法可以自动化处理大量数据,生成可靠性高的测试结果,对电机噪音进行全面、准确的测试,可以及时发现问题和缺陷,为故障诊断和产品改进提供重要参考;并且可以减少人工干预,提高测试效率,节省时间和人力成本。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
若为第二测试结果,则将目标测试电机中重合度不大于预设重合度对应的实际噪声数据集定义为异常噪声数据;
获取目标测试电机中各模块的功能特征信息,基于灰色关联分析法分析所述异常噪声数据与各模块的功能特征信息之间的关联度;将关联度大于预设关联度的模块标记可疑模块;
其中,目标测试电机中各模块包括定子和转子模块、轴承模块、齿轮箱模块、冷却***模块等;
获取目标测试电机的电子测试日志本,根据所述电子测试日志本获取目标测试电机中可疑模块在测试过程中所对应的实际工作参数;
其中,工作参数包括温度、电流、电压以及功率等;
其中,测试电机的电子测试日志本是一种记录电机测试过程和结果的数字化工具。此类日志本通常以软件形式存在,它使得测试流程自动化、记录标准化,同时也便于数据分析和存储;
将目标测试电机中可疑模块在测试过程中所对应的实际工作参数导入至贝叶斯网络中进行故障预测,得到可疑模块的故障概率;
其中,贝叶斯网络模型,也称为信念网络或概率图模型,是一种表示变量间条件依赖关系的图形模型。它通过有向无环图(DAG)来描述变量之间的依赖关系,其中图的节点代表随机变量,边代表变量之间的直接依赖关系。贝叶斯网络是一种强大的工具,用于处理不确定性知识,进行概率推理和决策支持。贝叶斯网络的优势在于能够处理各种不确定性信息,并且随着新数据的获取,可以动态更新概率估计,从而提高故障预测的准确性和可靠性;
将故障概率大于预设故障概率对应的可疑模块标记为故障模块,根据所述故障模块生成推荐检修方案,并将所述推荐检修方案推送至预设平台上显示。
综上,通过对电机噪声数据进行深入分析,可以更准确地识别出潜在的故障和性能问题,有助于提前发现并解决这些问题,从而提高新能源汽车电机的可靠性和性能,可以避免电机在出厂后出现严重故障,从而降低维修成本和更换成本,有助于降低新能源汽车的总体维护成本。
此外,本方法还包括以下步骤:
通过超声波探测仪对所述故障模块进行扫描探测,并获取故障模块所反馈的声波数据,基于所述声波数据构建故障模块的实际三维模型图,并对所述实际三维模型图以第一色彩形式进行着色处理;
获取目标测试电机的工程图纸信息,基于所述工程图纸信息获取故障模块的标准三维模型图,并对所述标准三维模型图以第二色彩形式进行着色处理;
构建虚拟空间,将着色后的实际三维模型图与标准三维模型图导入所述虚拟空间中,并检索实际三维模型图与标准三维模型图的装配基准面,使得所述实际三维模型图与标准三维模型图的装配基准面相互重合,以对所述实际三维模型图与标准三维模型图的装配基准面进行配准;
配准完毕后,在所述虚拟空间中将实际三维模型图与标准三维模型图相重合的模型区域剔除,保留实际三维模型图与标准三维模型图不相重合的模型区域,得到加工偏差模型图;
对所述加工偏差模型图进行色彩分析,若加工偏差模型图的色彩为第一色彩,则将故障模块定义为可修复模块;若加工偏差模型图的色彩为第二色彩,则将故障模块定义为不可修复模块。
需要说明的是,当判断出目标测试电机中某一模块为故障模块是,如轴承模块为故障模块,此时获取故障轴承模块的实际三维模型图与标准三维模型图,并对实际三维模型图以第一色彩形式进行着色处理,如将实际三维模型图着色为蓝色;对标准三维模型图以第二色彩形式进行着色处理,如将标准三维模型图着色为红色。并且利用如CAD、SolidWorks等工业软件构建虚拟空间,从而获取得到加工偏差模型图,若加工偏差模型图的色彩为第一色彩,即为蓝色,此时轴承尺寸已经过大,此时可以通过打磨抛光的方式使得轴承恢复至正常尺寸,则将故障模块定义为可修复模块;若加工偏差模型图的色彩为第二色彩,即为红色,此时轴承尺寸已经过小,此时不可以通过打磨抛光的方式使得轴承恢复至正常尺寸,则将故障模块定义为不可修复模块。通过本步骤能有效判断出故障模块是否可以进行修复处理,能够有效降低报废成本,提高经济效益。
此外,本方法还包括以下步骤:
根据对目标测试电机进行测试的预设测试方案确定出测试工作站在测试过程中的各项预设环境参数;
在对目标测试电机进行测试前,获取测试工作站的各项实际环境参数,通过局部敏感注意力机制计算所述各项实际环境参数与相应预设环境参数之间的注意力分数;
预设注意力分数阈值范围,判断各项实际环境参数与相应预设环境参数之间的注意力分数是否位于预设注意力分数阈值范围内,若不位于,则对该项实际环境参数进行调控处理。
需要说明的是,通过本方法能够有效确保测试环境满足测试要求,提高测试结果可靠性。
此外,本方法还包括以下步骤:
收集目标测试电机的目标使用寿命和实际噪声数据,并根据目标测试电机性能要求和行业标准,确定评估电机寿命的关键指标;
构建决策树,其中,决策树的每个节点代表一个关键指标,分支代表该指标的不同取值,叶子节点代表最终的寿命判断结果;
根据实际噪声数据,为决策树的每个叶子节点分配概率值,根据每个叶子节点分配概率值,构建寿命判断矩阵;
引入马尔科夫链,通过马尔科夫链并结合寿命判断矩阵计算目标测试电机在不同预设时间节点的状态转移概率;并将目标测试电机在不同预设时间节点的状态转移概率与预设概率值进行比较;
获取状态转移概率大于预设概率值所对应的预设时间节点,根据状态转移概率大于预设概率值所对应的预设时间节点确定出目标测试电机的预测使用寿命;
判断所述预测使用寿命是否大于目标使用寿命;若大于,则将目标测试电机的寿命信息评价为合格;若不大于,则将目标测试电机的寿命信息评价为不合格。
需要说明的是,首先,收集目标测试电机的预估使用寿命信息和实际噪声数据。预估使用寿命信息可以从设计参数、历史数据或者相似产品中获取。实际噪声数据需要通过测试设备进行测量。根据电机性能要求和行业标准,确定评估电机寿命的关键指标,例如噪声水平、效率、功率因数等。同时,为每个关键指标设定阈值,用于判断电机性能是否达标。利用收集到的数据和评估标准,构建决策树。决策树的每个节点代表一个关键指标,分支代表该指标的不同取值,叶子节点代表最终的寿命判断结果。例如,噪声水平可以分为“低于阈值”和“高于阈值”两个分支,预估使用寿命可以分为“达到预期”和“未达到预期”两个分支。根据实际噪声数据和其他相关参数,为决策树的每个叶子节点分配概率值。概率值可以根据历史数据、相似产品数据或者专家经验进行估算。根据决策树和概率值,构建寿命判断矩阵。矩阵的行表示不同的评估结果,例如“高噪声、低寿命”、“低噪声、高寿命”等;列表示各个评估结果的概率值。概率值可以通过决策树的路径概率相乘得到。然后结合马尔科夫链计算得到目标测试电机在不同预设时间节点的状态转移概率,从而判断出目标电机的预测使用寿命。通过对电机进行预测使用寿命分析,可以识别出潜在的质量问题和风险,有助于提前采取措施进行改进。并预测使用寿命有助于识别和评估潜在的风险因素,例如电机可能在特定工况下出现故障,了解这些风险有助于制定相应的风险应对策略,降低项目失败的风险。
如图4所示,本发明第二方面公开了一种新能源汽车电机噪音测试***,所述新能源汽车电机噪音测试***包括存储器20与处理器80,所述存储器20中存储有新能源汽车电机噪音测试方法程序,当所述新能源汽车电机噪音测试方法程序被所述处理器80执行时,实现如下步骤:
S102:获取目标测试电机的实际铭牌图像信息,并根据所述实际铭牌图像信息在知识图谱中配对得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集;
S104:将配对得到的预设测试方案发送至测试工作站的控制***上,以基于配对得到的预设测试方案对目标测试电机进行测试;在测试过程中,在多个预设时间节点采集目标测试电机的实际噪声数据,并将所述实际噪声数据传送至数据存储器上;
S106:对目标测试电机测试完毕后,基于K-均值算法与标准化互信息分数对数据存储器内的实际噪声数据进行分类处理,得到若干个最终聚类群集;
S108:将各个最终聚类群集中的实际噪声数据的时间戳,根据所述时间戳对各个最终聚类群集中的实际噪声数据进行基于时间序列排序,得到各项实际噪声数据集;
S110:通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成第一测试结果或第二测试结果。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种新能源汽车电机噪音测试方法,其特征在于,包括以下步骤:
S102:获取目标测试电机的实际铭牌图像信息,并根据所述实际铭牌图像信息在知识图谱中配对得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集;
S104:将配对得到的预设测试方案发送至测试工作站的控制***上,以基于配对得到的预设测试方案对目标测试电机进行测试;在测试过程中,在多个预设时间节点采集目标测试电机的实际噪声数据,并将所述实际噪声数据传送至数据存储器上;
S106:对目标测试电机测试完毕后,基于K-均值算法与标准化互信息分数对数据存储器内的实际噪声数据进行分类处理,得到若干个最终聚类群集;
S108:将各个最终聚类群集中的实际噪声数据的时间戳,根据所述时间戳对各个最终聚类群集中的实际噪声数据进行基于时间序列排序,得到各项实际噪声数据集;
S110:通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成第一测试结果或第二测试结果;
其中,通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成第一测试结果或第二测试结果,具体为:
构建一个空白矩阵,将所述实际噪声数据集与相应的标准噪声数据集中在相同时间节点上的实际噪声数据与标准噪声数据进行配对,得到若干对噪声数据对;
计算各对噪声数据对之间的欧氏距离,得到若干个欧氏距离;从空白矩阵的左上角开始,将计算得到的各个欧氏距离依次逐步填入空白矩阵中,直到达到空白矩阵的右下角,得到一个距离矩阵;
从所述距离矩阵的右下角开始回溯,回溯得到一条到达左上角的回溯路径,将所述回溯路径上所经过的欧氏距离累加起来,得到一个总欧氏距离,并将所述总欧氏距离除以该回溯路径的路径长度,得到平均距离,根据所述平均距离确定出实际噪声数据集与相应的标准噪声数据集的重合度;
以此类推,计算得到各项实际噪声数据集与相应的标准噪声数据集之间的重合度;将各项实际噪声数据集与相应的标准噪声数据集之间的重合度与预设重合度进行比较;
若各项实际噪声数据集与相应的标准噪声数据集之间的重合度均大于预设重合度,则说明目标测试电机的测试结果合格,则生成第一测试结果;
若存在一项或多项实际噪声数据集与相应的标准噪声数据集之间的重合度不大于预设重合度,则说明目标测试电机的测试结果不合格,则生成第二测试结果;
在填充矩阵的过程中,每个单元格的值是基于它左边、上边和左上方的单元格的值来确定的,目的是寻找一条从开始到结束的最佳路径,这条路径反映了两个序列之间最小的累计距离。
2.根据权利要求1所述的一种新能源汽车电机噪音测试方法,其特征在于,获取目标测试电机的实际铭牌图像信息,并根据所述实际铭牌图像信息在知识图谱中配对得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集,具体为:
获取不同型号新能源汽车电机所对应的标准铭牌图像信息,预制不同型号新能源汽车电机所对应的预设测试方案,以及预制不同型号新能源汽车电机经过相应预设测试方案进行测试时的各项标准噪声数据集;
分别将各型号新能源汽车电机所对应的标准铭牌图像信息、预设测试方案以及各项标准噪声数据集进行压缩捆绑,得到若干个测试数据包;构建知识图谱,并将各个测试数据包导入所述知识图谱中;
获取目标测试电机的实际铭牌图像信息,以及在所述知识图谱中获取各个测试数据包内的标准铭牌图像信息;基于感知哈希算法计算所述实际铭牌图像信息与各标准铭牌图像信息之间的相似度,得到多个相似度;
构建排序表,将多个所述相似度导入所述排序表中进行排序,排序完成后,提取出最大相似度,获取与最大相似度对应的标准铭牌图像信息,并根据与最大相似度对应的标准铭牌图像信息生成检索标签;
基于所述检索标签在所述知识图谱中检索出相应的测试数据包,根据检索得到的测试数据包中提取得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集。
3.根据权利要求1所述的一种新能源汽车电机噪音测试方法,其特征在于,基于K-均值算法与标准化互信息分数对数据存储器内的实际噪声数据进行分类处理,得到若干个最终聚类群集,具体为:
S202:获取需分类实际噪声数据的项数,根据需分类实际噪声数据的项数预先设定K值,并随机选择K个实际噪声数据作为初始聚类中心;
S204:计算剩余实际噪声数据与各个初始聚类中心之间的闵可夫斯基距离,将剩余实际噪声数据分配至闵可夫斯基距离最近的初始聚类中心中,形成K个簇族;
S206:获取各个簇族中实际噪声数据的坐标值,对每个簇族中实际噪声数据的坐标值进行取平均处理,得到各个簇族中所有实际噪声数据的平均坐标值;并将该平均坐标值所对应的位置设定为新的聚类中心;
S208:重复S204至S206步骤,直到新的聚类中心不再发生变化,得到若干个聚类群集;并计算各个聚类群集的标准化互信息分数,将各个聚类群集的标准化互信息分数与预设分数阈值进行比较;
S210:若某一聚类群集的标准化互信息分数大于预设分数阈值,则说明该聚类群集的聚类状态正常,则将该聚类群集直接设定为最终聚类群集;
S212:若某一聚类群集的标准化互信息分数不大于预设分数阈值,则说明该聚类群集的聚类状态异常,则将该聚类群集标定为异常聚类群集。
4.根据权利要求3所述的一种新能源汽车电机噪音测试方法,其特征在于,还包括以下步骤:
S302:获取所有异常聚类群集,并计算各个异常聚类群集中各实际噪声数据与聚类中心之间的闵可夫斯基距离;
S304:构建若干个大小排序表,并将各个异常聚类群集中各实际噪声数据与聚类中心之间的闵可夫斯基距离导入相应大小排序表中进行升序排序处理,得到排序结果;
S306:在相应排序结果中提取出各个异常聚类群集的最大闵可夫斯基距离,并将各个异常聚类群集中与最大闵可夫斯基距离对应的实际噪声数据筛除,得到修正后的聚类群集;
S308:计算所述修正后的聚类群集的标准化互信息分数,若所述修正后的聚类群集的标准化互信息分数大于预设分数阈值,则说明该修正后的聚类群集的聚类状态正常,则将该修正后的聚类群集设定为最终聚类群集;
S310:若所述修正后的聚类群集的标准化互信息分数依旧不大于预设分数阈值,则将所述修正后的聚类群集标定为异常聚类群集,并重复S302至S308步骤,直至修正后的聚类群集的标准化互信息分数大于预设分数阈值,则将该修正后的聚类群集设定为最终聚类群集。
5.根据权利要求1所述的一种新能源汽车电机噪音测试方法,其特征在于,还包括以下步骤:
若为第二测试结果,则将目标测试电机中重合度不大于预设重合度对应的实际噪声数据集定义为异常噪声数据;
获取目标测试电机中各模块的功能特征信息,基于灰色关联分析法分析所述异常噪声数据与各模块的功能特征信息之间的关联度;将关联度大于预设关联度的模块标记可疑模块;
获取目标测试电机的电子测试日志本,根据所述电子测试日志本获取目标测试电机中可疑模块在测试过程中所对应的实际工作参数;
将目标测试电机中可疑模块在测试过程中所对应的实际工作参数导入至贝叶斯网络中进行故障预测,得到可疑模块的故障概率;
将故障概率大于预设故障概率对应的可疑模块标记为故障模块,根据所述故障模块生成推荐检修方案,并将所述推荐检修方案推送至预设平台上显示。
6.一种新能源汽车电机噪音测试***,其特征在于,所述新能源汽车电机噪音测试***包括存储器与处理器,所述存储器中存储有新能源汽车电机噪音测试方法程序,当所述新能源汽车电机噪音测试方法程序被所述处理器执行时,实现如下步骤:
S102:获取目标测试电机的实际铭牌图像信息,并根据所述实际铭牌图像信息在知识图谱中配对得到对目标测试电机进行测试的预设测试方案以及各项标准噪声数据集;
S104:将配对得到的预设测试方案发送至测试工作站的控制***上,以基于配对得到的预设测试方案对目标测试电机进行测试;在测试过程中,在多个预设时间节点采集目标测试电机的实际噪声数据,并将所述实际噪声数据传送至数据存储器上;
S106:对目标测试电机测试完毕后,基于K-均值算法与标准化互信息分数对数据存储器内的实际噪声数据进行分类处理,得到若干个最终聚类群集;
S108:将各个最终聚类群集中的实际噪声数据的时间戳,根据所述时间戳对各个最终聚类群集中的实际噪声数据进行基于时间序列排序,得到各项实际噪声数据集;
S110:通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成第一测试结果或第二测试结果;
其中,通过动态时间规整算法计算各项实际噪声数据集与相应的标准噪声数据集之间的重合度,根据所述重合度对目标测试电机进行评估,生成第一测试结果或第二测试结果,具体为:
构建一个空白矩阵,将所述实际噪声数据集与相应的标准噪声数据集中在相同时间节点上的实际噪声数据与标准噪声数据进行配对,得到若干对噪声数据对;
计算各对噪声数据对之间的欧氏距离,得到若干个欧氏距离;从空白矩阵的左上角开始,将计算得到的各个欧氏距离依次逐步填入空白矩阵中,直到达到空白矩阵的右下角,得到一个距离矩阵;
从所述距离矩阵的右下角开始回溯,回溯得到一条到达左上角的回溯路径,将所述回溯路径上所经过的欧氏距离累加起来,得到一个总欧氏距离,并将所述总欧氏距离除以该回溯路径的路径长度,得到平均距离,根据所述平均距离确定出实际噪声数据集与相应的标准噪声数据集的重合度;
以此类推,计算得到各项实际噪声数据集与相应的标准噪声数据集之间的重合度;将各项实际噪声数据集与相应的标准噪声数据集之间的重合度与预设重合度进行比较;
若各项实际噪声数据集与相应的标准噪声数据集之间的重合度均大于预设重合度,则说明目标测试电机的测试结果合格,则生成第一测试结果;
若存在一项或多项实际噪声数据集与相应的标准噪声数据集之间的重合度不大于预设重合度,则说明目标测试电机的测试结果不合格,则生成第二测试结果;
在填充矩阵的过程中,每个单元格的值是基于它左边、上边和左上方的单元格的值来确定的,目的是寻找一条从开始到结束的最佳路径,这条路径反映了两个序列之间最小的累计距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410479660.6A CN118070082B (zh) | 2024-04-22 | 2024-04-22 | 一种新能源汽车电机噪音测试方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410479660.6A CN118070082B (zh) | 2024-04-22 | 2024-04-22 | 一种新能源汽车电机噪音测试方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118070082A CN118070082A (zh) | 2024-05-24 |
CN118070082B true CN118070082B (zh) | 2024-06-25 |
Family
ID=91111622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410479660.6A Active CN118070082B (zh) | 2024-04-22 | 2024-04-22 | 一种新能源汽车电机噪音测试方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118070082B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862209A (zh) * | 2023-09-05 | 2023-10-10 | 深圳市金威源科技股份有限公司 | 一种新能源汽车充电设施管理方法及*** |
CN116956639A (zh) * | 2023-09-15 | 2023-10-27 | 深圳海汇科技有限公司 | 一种基于数据分析的高散热性蓄电池评估方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117641222B (zh) * | 2024-01-26 | 2024-04-19 | 深圳市美格信测控技术有限公司 | 一种应用于耳机降噪的测试评价*** |
-
2024
- 2024-04-22 CN CN202410479660.6A patent/CN118070082B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862209A (zh) * | 2023-09-05 | 2023-10-10 | 深圳市金威源科技股份有限公司 | 一种新能源汽车充电设施管理方法及*** |
CN116956639A (zh) * | 2023-09-15 | 2023-10-27 | 深圳海汇科技有限公司 | 一种基于数据分析的高散热性蓄电池评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN118070082A (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
CN111259947A (zh) | 一种基于多模态学习的电力***故障预警方法和*** | |
CN114511112B (zh) | 一种基于物联网的智慧运维方法、***和可读存储介质 | |
CN113452018B (zh) | 一种电力***备用不足风险场景辨识方法 | |
CN116340586B (zh) | 基于云平台的汽车故障管理方法、***及存储介质 | |
CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及*** | |
CN117494072B (zh) | 一种基于数据融合的换电柜运行状态监测方法及*** | |
CN112183780A (zh) | 故障维修引导方法、装置及***、存储介质 | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
CN113468157A (zh) | 一种基于能耗分析的相似建筑挑选方法和装置 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
CN117131425B (zh) | 一种基于反馈数据的数控机床加工状态监测方法及*** | |
CN118070082B (zh) | 一种新能源汽车电机噪音测试方法及*** | |
CN112836967A (zh) | 新能源汽车电池安全风险评估*** | |
CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 | |
CN112148605B (zh) | 一种基于谱聚类的半监督学习的软件缺陷预测方法 | |
CN115378000A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
CN114545276A (zh) | 基于容量测试与车联网大数据的动力电池寿命预测方法 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
CN117370824B (zh) | 一种空气压缩机进气状态智能监测方法及*** | |
CN117391715B (zh) | 基于机器视觉的电芯二维码识别与溯源方法 | |
CN114114056B (zh) | 一种换电柜的电池检测回收方法、***及存储介质 | |
CN115563561A (zh) | 基于联合特征量的局部放电模式识别方法、***及介质 | |
CN117787945A (zh) | 船舶设施运维方法、装置、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 |