WO2023008082A1 - 故障予測システム、故障予測方法、及び故障予測プログラム - Google Patents

故障予測システム、故障予測方法、及び故障予測プログラム Download PDF

Info

Publication number
WO2023008082A1
WO2023008082A1 PCT/JP2022/026185 JP2022026185W WO2023008082A1 WO 2023008082 A1 WO2023008082 A1 WO 2023008082A1 JP 2022026185 W JP2022026185 W JP 2022026185W WO 2023008082 A1 WO2023008082 A1 WO 2023008082A1
Authority
WO
WIPO (PCT)
Prior art keywords
motor
drive circuit
data
electric vehicle
failure
Prior art date
Application number
PCT/JP2022/026185
Other languages
English (en)
French (fr)
Inventor
正明 倉貫
Original Assignee
パナソニックＩｐマネジメント株式会社
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 パナソニックＩｐマネジメント株式会社 filed Critical パナソニックＩｐマネジメント株式会社
Priority to CN202280051878.0A priority Critical patent/CN117716621A/zh
Priority to EP22849150.2A priority patent/EP4380033A1/en
Priority to JP2023538364A priority patent/JPWO2023008082A1/ja
Publication of WO2023008082A1 publication Critical patent/WO2023008082A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
    • H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/53—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
    • H02M7/537—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters
    • H02M7/5387—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters in a bridge configuration
    • 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
    • B60L3/003—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to inverters
    • 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
    • B60L3/0061—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electrical machines
    • 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
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/40—Transportation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • 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
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—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
    • B60L2240/421—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
    • B60L2240/427—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
    • B60L2240/52—Drive Train control parameters related to converters
    • B60L2240/527—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
    • B60L2240/52—Drive Train control parameters related to converters
    • B60L2240/529—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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/44—Control modes by parameter estimation
    • 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
    • B60L2260/50—Control modes by future state prediction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Definitions

  • the present disclosure relates to a failure prediction system, a failure prediction method, and a failure prediction program for predicting failures over time of inverters and motors mounted on electric vehicles.
  • Electric vehicles are becoming popular, mainly for commercial vehicles such as delivery vehicles.
  • EV driving data battery information, vehicle control information, etc.
  • Patent Literature 1 discloses a method of predicting the life of an IGBT of an inverter from the difference between the input power and the output power of the inverter.
  • Patent Document 1 relates to an inverter that drives a crane motor.
  • an inverter that drives a motor that rotates at high speed such as an EV
  • the voltage and current of the three-phase sinusoidal alternating current between the inverter and the motor change rapidly. do.
  • the input voltage, input current, output voltage, and output current of the inverter are calculated at high speed in order to ensure the correspondence between the input power and the output power of the inverter. Need to sample. In order to save the log data, high-speed access and large-capacity memory are required. The use of such high specification memory results in high cost.
  • the present disclosure has been made in view of this situation, and its purpose is to provide a technique for predicting aged deterioration of an electromechanical conversion unit of an electric vehicle at low cost.
  • a failure prediction system includes an acquisition unit that acquires travel data of an electric vehicle; a prediction unit that predicts age-related failures of the electromechanical conversion unit including the motor that drives the wheels and its drive circuit.
  • the running data includes the input voltage of the drive circuit, the input current of the drive circuit, the number of revolutions of the motor driven by the drive circuit, and the rotational torque of the motor.
  • the electric Predict aging failures of mechanical transducers.
  • aging deterioration of an electromechanical conversion unit of an electric vehicle can be predicted at low cost.
  • FIG. 1 is a diagram showing a schematic configuration of an electric vehicle according to an embodiment
  • FIG. 1 is a diagram showing a schematic configuration of a drive system for an electric vehicle
  • FIG. 1 is a diagram showing a configuration example of a failure prediction system according to an embodiment
  • FIG. 10 is a diagram showing an example of a graph obtained by plotting a plurality of data indicating losses of an electromechanical transducer in a target period of an electric vehicle and linearly regressing the plotted data
  • FIG. 10 is a diagram showing an example of a graph obtained by plotting a plurality of data indicating loss of an electromechanical transducer in a reference period of the same electric vehicle and performing linear regression; It is the figure which showed typically the change of the inclination of a regression line.
  • FIG. 10 is a diagram showing an example of a graph obtained by plotting a plurality of data indicating losses of an electromechanical transducer in a target period of an electric vehicle and linearly regressing the plotted data
  • FIG. 7A is a diagram plotting a plurality of data showing the correspondence relationship between the speed of the electric vehicle and the input power of the inverter, which is generated from the travel data that forms the basis of the graph shown in FIG.
  • FIG. 7B is a diagram plotting a plurality of data showing the correspondence relationship between the speed of the electric vehicle and the shaft output of the motor, which is generated from the travel data that forms the basis of the graph shown in FIG. 4 is a flow chart showing the flow of processing for predicting a secular failure of an electromechanical converter by the failure prediction system according to the embodiment;
  • FIG. 1 is a diagram showing a schematic configuration of an electric vehicle 3 according to the embodiment.
  • the electric vehicle 3 is assumed to be a pure EV without an internal combustion engine.
  • the electric vehicle 3 shown in FIG. 1 is a rear wheel drive (2WD) EV including a pair of front wheels 31F, a pair of rear wheels 31R, and a motor 34 as a power source.
  • a pair of front wheels 31F are connected by a front wheel axle 32F
  • a pair of rear wheels 31R are connected by a rear wheel axle 32R.
  • the transmission 33 transmits the rotation of the motor 34 to the rear wheel shaft 32R at a predetermined conversion ratio.
  • the electric vehicle 3 may be a front wheel drive (2WD) or a 4WD electric vehicle.
  • the power supply system 40 includes a battery pack 41 and a management unit 42, and the battery pack 41 includes a plurality of cells. Lithium-ion battery cells, nickel-hydrogen battery cells, etc. can be used for the cells. Hereinafter, an example using a lithium-ion battery cell (nominal voltage: 3.6-3.7V) will be assumed in this specification.
  • the management unit 42 monitors the voltage, temperature, current, SOC (STATE OF CHARGE), and SOH (STATE OF HEALTH) of a plurality of cells included in the battery pack 41, and transmits them to the vehicle control unit 30 via the in-vehicle network. . For example, CAN (CONTROLLER AREA NETWORK) or LIN (LOCAL INTERCONNECT NETWORK) can be used as an in-vehicle network.
  • the inverter 35 is a drive circuit that drives the motor 34, and converts the DC power supplied from the battery pack 41 into AC power and supplies it to the motor 34 during power running. During regeneration, AC power supplied from the motor 34 is converted into DC power and supplied to the battery pack 41 . The motor 34 rotates according to the AC power supplied from the inverter 35 during power running. During regeneration, rotational energy due to deceleration is converted into AC power and supplied to the inverter 35 .
  • FIG. 2 is a diagram showing a schematic configuration of the drive system of the electric vehicle 3. As shown in FIG. FIG. 2 shows an example in which a three-phase AC motor is used as the motor 34 that drives the electric vehicle 3 and the three-phase AC motor 34 is driven by a three-phase inverter 35 .
  • the three-phase inverter 35 converts the DC power supplied from the battery pack 41 into three-phase AC power with a phase difference of 120 degrees, and drives the three-phase AC motor 34 .
  • the inverter 35 has a first arm in which a first switching element Q1 and a second switching element Q2 are connected in series, a second arm in which a third switching element Q3 and a fourth switching element Q4 are connected in series, and a fifth switching element. It includes a third arm in which Q5 and a sixth switching element Q6 are connected in series, and the first to third arms are connected in parallel to battery pack 41 .
  • IGBTs are used for the first switching element Q1 to the sixth switching element Q6.
  • the first diode D1-sixth diode D6 are connected in anti-parallel to the first switching element Q1-sixth switching element Q6, respectively.
  • MOSFETs are used for the first switching element Q1 to the sixth switching element Q6, parasitic diodes formed in the direction from the source to the drain are used as the first diode D1 to the sixth diode D6.
  • the motor controller 36 detects the input DC voltage and input DC current of the inverter 35 detected by the input voltage/current sensor 381, the output AC voltage and output AC current of the inverter 35 detected by the output voltage/current sensor 382, the rotation speed/ The rotational speed and rotational torque of the three-phase AC motor 34 detected by the torque sensor 383 are obtained. Also, the motor controller 36 acquires an accelerator signal or a brake signal according to the driver's operation or generated by the automatic driving controller.
  • the motor controller 36 Based on these input parameters, the motor controller 36 generates a PWM signal for driving the inverter 35 and outputs it to the gate driver 37.
  • the gate driver 37 generates a drive signal for the first switching element Q1 to the sixth switching element Q6 based on the PWM signal and the predetermined carrier wave input from the motor controller 36, and drives the first switching element Q1 to the sixth switching element. Input to the gate terminal of Q6.
  • the motor controller 36 transmits the input DC voltage of the inverter 35, the input DC current of the inverter 35, the rotation speed of the motor 34, and the rotation torque of the motor 34 to the vehicle control unit 30 via the in-vehicle network.
  • the vehicle control unit 30 is a vehicle ECU (electronic control unit) that controls the entire electric vehicle 3, and may be composed of, for example, an integrated VCM (vehicle control module).
  • VCM vehicle control module
  • the vehicle speed sensor 385 generates a pulse signal proportional to the number of revolutions of the front wheel shaft 32F or the rear wheel shaft 32R, and transmits the generated pulse signal to the vehicle control unit 30.
  • the vehicle control unit 30 detects the speed of the electric vehicle 3 based on the pulse signal received from the vehicle speed sensor 385 .
  • the wireless communication unit 39 performs signal processing for wireless connection to the network via the antenna 39A.
  • Wireless communication networks to which the electric vehicle 3 can be wirelessly connected include, for example, a mobile phone network (cellular network), wireless LAN, V2I (VEHICLE-TO-INFRASTRUCTURE), V2V (VEHICLE-TO-VEHICLE), ETC system (ELECTRONIC TOLL COLLECTION SYSTEM), DSRC (DEDICATED SHORT RANGE COMMUNICATIONS) can be used.
  • the vehicle control unit 30 can use the wireless communication unit 39 to transmit the running data to the cloud server for data accumulation or the company's own server in real time.
  • the traveling data includes the vehicle speed of the electric vehicle 3, the voltage, current, temperature, SOC, and SOH of the plurality of cells included in the battery pack 41, the input DC voltage and input DC current of the inverter 35, the rotation speed of the motor 34, and the rotation torque. is included.
  • the vehicle control unit 30 periodically (for example, at intervals of 10 seconds) samples these data and transmits them to the cloud server or our own server each time.
  • the vehicle control unit 30 may store the travel data of the electric vehicle 3 in an internal memory, and collectively transmit the travel data accumulated in the memory at a predetermined timing. For example, the vehicle control unit 30 may collectively transmit the traveling data accumulated in the memory to the terminal device of the sales office after the end of business for the day. The terminal device at the sales office transmits travel data of the plurality of electric vehicles 3 to the cloud server or the company's own server at a predetermined timing.
  • the vehicle control unit 30 may collectively transmit travel data accumulated in the memory to the charger via the charging cable when charging from a charger having a network communication function.
  • the charger transmits the received travel data to the cloud server or its own server. This example is effective for the electric vehicle 3 that does not have a wireless communication function.
  • FIG. 3 is a diagram showing a configuration example of the failure prediction system 10 according to the embodiment.
  • the failure prediction system 10 is constructed with one or more servers.
  • the failure prediction system 10 may be constructed with one in-house server installed in a data center or in-house facility.
  • the failure prediction system 10 may be constructed with a cloud server that is used based on a cloud service.
  • the failure prediction system 10 may be constructed by a plurality of in-house servers distributed and installed in a plurality of bases (data centers, in-house facilities).
  • the failure prediction system 10 may be constructed by combining a cloud server used based on a cloud service and an in-house server.
  • the failure prediction system 10 may be constructed with a plurality of cloud servers based on contracts with a plurality of cloud service providers.
  • the failure prediction system 10 includes a processing unit 11 and a storage unit 12.
  • the processing unit 11 includes a travel data acquisition unit 111 , a prediction unit 112 and a notification unit 113 .
  • the functions of the processing unit 11 can be realized by cooperation of hardware resources and software resources, or only by hardware resources.
  • hardware resources CPU, ROM, RAM, GPU (GRAPHICS PROCESSING UNIT), ASIC (APPLICATION SPECIFIC INTEGRATED CIRCUIT), FPGA (FIELD PROGRAM MABLE GATE ARRAY), and other LSIs can be used.
  • Programs such as operating systems and applications can be used as software resources.
  • the storage unit 12 includes a travel data holding unit 121.
  • the storage unit 12 includes non-volatile recording media such as HDD (HARD DISK DRIVE) and SSD (SOLID STATE DRIVE), and stores various data.
  • HDD HARD DISK DRIVE
  • SSD SOLID STATE DRIVE
  • the travel data acquisition unit 111 acquires the travel data of the electric vehicle 3 via the network, and stores the acquired travel data in the travel data storage unit 121 .
  • the prediction unit 112 reads the running data of the target electric vehicle 3 for a certain period (for example, one month) stored in the running data holding unit 121, and uses the inverter 35 and the motor 34 ( Hereinafter, both of them will be collectively referred to as an electromechanical converter). A specific description will be given below.
  • the prediction unit 112 calculates the input power EP of the inverter 35 at each sample time based on the input DC voltage V [V] and the input DC current I [A] of the inverter 35 at each sample time, which are included in the read travel data. [W] is calculated (see (Formula 1)).
  • EP V ⁇ I (Formula 1)
  • the prediction unit 112 predicts the rotation speed of the motor 34 at each sample time based on the rotational speed N [RPM] of the motor 34 and the rotational torque T [N ⁇ M] of the motor 34 at each sample time, which are included in the read travel data.
  • a shaft output MP [W] is calculated (see (Equation 2)).
  • the prediction unit 112 generates a regression line by performing regression analysis on a plurality of data indicating the correspondence relationship between the input power EP of the inverter 35 and the shaft output MP of the motor 34 based on travel data within a certain period of time.
  • linear regression for example, the method of least squares can be used. Since the difference between the input power EP of the inverter 35 and the shaft output MP of the motor 34 indicates the sum of the loss of the inverter 35 and the loss of the motor 34, each data indicates the instantaneous value of the loss of the electromechanical converter. become. Note that the regression analysis by the prediction unit 112 is not limited to single regression analysis of linear regression, and may be multiple regression analysis.
  • FIG. 4 is a diagram showing an example of a graph obtained by plotting and linearly regressing a plurality of data indicating the loss of the electromechanical converter in a certain electric vehicle 3 during the target period.
  • FIG. 5 is a diagram showing an example of a graph obtained by plotting a plurality of data indicating the loss of the electromechanical converter during the reference period of the same electric vehicle 3 and performing linear regression.
  • the target period is a period of one month
  • the reference period is the period of the same month of the previous year.
  • the X axis indicates the shaft output MP of the motor 34
  • the Y axis indicates the input power EP of the inverter 35.
  • the first quadrant of the graph shows plot data when the motor 34 is power running. During power running, the motor 34 rotates based on power supplied from the battery pack 41 to the inverter 35 . That is, the relationship is electrical input (input power EP is positive) ⁇ mechanical output (shaft output MP is positive).
  • the third quadrant of the graph shows plot data when the motor 34 is regenerating. During regeneration, the rotational energy of the motor 34 is recovered by the battery pack 41 via the inverter 35 . That is, the relationship is mechanical input (shaft output MP is negative) ⁇ electrical output (input power EP is negative).
  • the prediction unit 112 calculates each plot data based on the input DC voltage, the input DC current of the inverter 35, the rotation speed of the motor 34, and the rotation torque of the motor 34 sampled at the same time.
  • the input electric power EP of the inverter 35 varies according to the accelerator opening of the electric vehicle 3 .
  • plot data is generated in which the change in the input power EP of the inverter 35 due to the change in the accelerator opening is not reflected in the shaft output MP of the motor 34 .
  • the plot data appear in the second quadrant (electrical input-mechanical input) and the fourth quadrant (electrical output-mechanical output).
  • the influence of the plot data appearing in the second and fourth quadrants is slight.
  • the regression line generated from the multiple plot data shown in FIG. 4 is shown below (Formula 3), and the regression line generated from the multiple plot data shown in FIG. 5 is shown below (Formula 4).
  • FIG. 6 is a diagram schematically showing changes in the slope of the regression line.
  • the Y-intercept of the regression line indicates the input power EP [W] of the inverter 35 when the shaft output MP of the motor 34 is 0 [W]. That is, it indicates the fixed loss (offset) of the electromechanical transducer.
  • the slope value indicates the conversion efficiency of the electromechanical converter.
  • the prediction unit 112 determines that the aging failure of the electromechanical converter is approaching.
  • the threshold varies depending on the allowable loss of the motor 34 and the inverter 35, but may be set to a value obtained by increasing the slope of the regression line by a predetermined value (for example, 1.0%) from the initial value.
  • the graphs shown in FIGS. 4 to 6 show an example in which the shaft output MP of the motor 34 is on the X axis and the input power EP of the inverter 35 is on the Y axis.
  • the X-axis may be the input power EP of the inverter 35 and the Y-axis may be the shaft output MP of the motor 34 .
  • the fixed loss of the electromechanical converter appears in the X-intercept of the regression line
  • the conversion efficiency of the electromechanical converter appears in the slope of the regression line.
  • the prediction unit 112 determines that the age-related failure of the electromechanical converter is approaching.
  • the notification unit 113 manages the electric vehicle 3 on which the electromechanical conversion unit is mounted or the electric vehicle 3. An alert indicating that the electromechanical converter is about to fail is transmitted to an operation management terminal device (not shown).
  • the user who receives the alert notification brings the target electric vehicle 3 to a dealer or repair shop, and undergoes a precise failure diagnosis of the inverter 35 and motor 34 . Based on the precise failure diagnosis, the inverter 35 or motor 34 can be repaired or replaced, and a reservation for replacement after a predetermined period can be made.
  • the prediction unit 112 estimates the wear of the bearing of the motor 34 based on the detection value of the vibration sensor. , the loss increment of the motor 34 can be estimated.
  • the prediction unit 112 can estimate the loss increase of the inverter 35 by subtracting the loss increase of the motor 34 from the loss increase of the electromechanical conversion unit. In this case, the prediction unit 112 can determine when the inverter 35 will fail over time.
  • the conversion efficiency of the motor 34 fluctuates according to the operating point defined by the combination of the rotation speed N [RPM] and the rotation torque T [N ⁇ M].
  • the efficiency decreases whether the number of rotations N [RPM] is increased or decreased from the optimum number of rotations. Basically, efficiency decreases as the number of revolutions deviates from the optimum.
  • the efficiency of the rotational torque T [N ⁇ M] is lowered whether the torque is increased or decreased from the optimum torque. Basically, the more the torque deviates from the optimum, the lower the efficiency.
  • FIG. 7A is a diagram plotting a plurality of data showing the correspondence relationship between the speed of the electric vehicle 3 and the input power EP of the inverter 35 generated from the travel data on which the graph shown in FIG. 5 is based.
  • FIG. 7B is a diagram plotting a plurality of data showing the correspondence relationship between the speed of the electric vehicle 3 and the shaft output MP of the motor 34, generated from the travel data that forms the basis of the graph shown in FIG.
  • the data shown in FIGS. 7A and 7B includes only data for the speed of the electric vehicle 3 within 88 [KM/H], and the speed of the electric vehicle 3 is limited to within 88 [KM/H]. It is understood that In the graph shown in FIG. 7B, a large amount of data is plotted along two lines R1 and R2 in the area (regeneration area) where the shaft output MP of the motor 34 is negative. This indicates that the motor controller 36 of the electric vehicle 3 controls at least one of the rotational speed N and rotational torque T of the motor 34 during regeneration so that the motor 34 generates power at an operating point where the conversion efficiency of the motor 34 is high. ing. In the example shown in FIG. 7B, control is performed in two regeneration modes, the first line R1 shows data when controlled in the weak regeneration mode, and the second line R2 is controlled in the strong regeneration mode. It shows the data when
  • the conversion efficiency of the motor 34 when controlled in the weak regeneration mode is approximately the same.
  • the conversion efficiency of the motor 34 when controlled in the strong regeneration mode is substantially the same.
  • the regeneration area a large amount of data is plotted along the two lines R1 and R2, so the data in the regeneration area means that the variation in the conversion efficiency of the motor 34 is small.
  • the prediction unit 112 may generate the regression line using only the driving data in the regeneration state in which the regenerative current is flowing from the motor 34 to the inverter 35, among the driving data for the target period. good.
  • the regression line for the reference period may be generated only from the travel data in the regeneration state.
  • the prediction unit 112 may generate the regression line using only the travel data along the first line R1 or the travel data along the second line R2.
  • the prediction unit 112 uses both the driving data in the powering state in which the powering current flows from the inverter 35 to the motor 34 and the driving data in the regeneration state, among the driving data in the target period, to obtain the above It is desirable to generate a regression line. In particular, when it is not possible to obtain sufficient running data in the regenerative state, it is desirable to use running data in both the power running state and the regenerative state.
  • the prediction unit 112 generates a regression line based on the travel data in both regeneration states.
  • the prediction unit 112 weights the travel data. For example, weighting may be different between the power running state and the regenerative state so as to emphasize the driving data in the regenerative state, or the plot data appearing in the second and fourth quadrants of the graphs shown in FIGS. It may be excluded from the running data to be processed.
  • FIG. 8 is a flow chart showing the flow of processing for predicting age-related failures of electromechanical conversion units by the failure prediction system 10 according to the embodiment.
  • the prediction unit 112 reads the input DC voltage, the input DC current, the rotation speed and the rotation torque of the motor 34 during the target period, which are accumulated in the travel data holding unit 121 (S10).
  • the prediction unit 112 calculates the input power of the inverter 35 and the shaft output of the motor 34 at each sample time (S11).
  • the prediction unit 112 linearly regresses a plurality of values indicating the correspondence between the input power of the inverter 35 and the shaft output of the motor 34 within the target period, and calculates the slope of the regression line (S12).
  • the prediction unit 112 similarly calculates the slope of the regression line in the reference period. If the slope of the regression line in the reference period has already been calculated and the value of the slope is stored in the travel data holding unit 121, the prediction unit 112 reads out and uses the value.
  • the prediction unit 112 predicts the failure time of the electromechanical conversion unit based on the slope of the regression line in the target period and the slope of the regression line in the reference period (S13).
  • the notification unit 113 transmits an alert to the electric vehicle 3 or an operation management terminal device (not shown) that manages the electric vehicle 3 as necessary.
  • aging deterioration of the electromechanical converter of the electric vehicle 3 can be predicted at low cost. If the traveling data of the electric vehicle 3 is acquired and stored, there is no need to add a new component (for example, a sensor for detecting failure of the switching elements Q1 to Q6) to the electric vehicle 3. Only by analyzing the log data, failure of the electromechanical transducer can be predicted with high accuracy and low cost.
  • a new component for example, a sensor for detecting failure of the switching elements Q1 to Q6
  • the present embodiment does not require a high-specification memory and does not require additional sensors, so additional hardware costs are basically zero. Prediction is possible only from existing cloud stored data. Moreover, since attention is focused on the relationship between the input power of the inverter 35 and the shaft output of the motor 34 at the same time, dependence on external factors such as the travel route and the travel environment can be eliminated.
  • the user by predicting the failure time of the electromechanical converter based on the predicted increase in the loss of the electromechanical converter over time, the user is notified in advance and the replacement and repair of the inverter 35 or the motor 34 is urged. be able to. As a result, the inconvenience of being unable to run due to a sudden failure of the inverter 35 or the motor 34 can be avoided.
  • the user can replace the inverter 35 or the motor 34 at the optimum timing as predictive maintenance. This allows users to minimize downtime while pursuing economic rationality.
  • the prediction unit 112 can predict when the inverter 35 will fail.
  • travel data for example, travel data only during regeneration
  • the prediction unit 112 can estimate the loss of the inverter 35 with higher accuracy.
  • the failure prediction system 10 described above may be implemented in the battery control unit 32 in the electric vehicle 3. In this case, although a large-capacity memory is required, data loss can be reduced.
  • the electric vehicle 3 is assumed to be a four-wheeled electric vehicle.
  • it may be an electric motorcycle (electric scooter), an electric bicycle, or an electric kick scooter.
  • Electric vehicles include not only full-standard electric vehicles but also low-speed electric vehicles such as golf carts and land cars used in shopping malls, entertainment facilities, and the like.
  • the target on which the battery pack 41 is mounted is not limited to the electric vehicle 3 .
  • electric moving bodies such as electric ships, railroad vehicles, and multicopters (drone) are also included.
  • the embodiment may be specified by the following items.
  • the driving data includes the input voltage of the drive circuit (35), the input current of the drive circuit (35), the rotation speed of the motor (34) driven by the drive circuit (35), and the motor (34).
  • the prediction unit (112) predicts the input power of the drive circuit (35) based on the input voltage and the input current of the drive circuit (35), and the motor (34) based on the rotation speed and rotation torque of the motor (34). ) based on the transition of the value statistically indicating the relationship with the shaft output, predicting age-related failure of the electromechanical conversion unit (34, 35);
  • a failure prediction system (10) characterized by:
  • aged deterioration of the electromechanical conversion units (34, 35) of the electric vehicle (3) can be predicted at low cost.
  • the prediction unit (112) obtains by linear regression a plurality of data indicating the correspondence relationship between the input power of the drive circuit (35) and the shaft output of the motor (34), based on travel data within a certain period of time. Predicting aging failure of the electromechanical conversion unit (34, 35) based on the transition of the slope of the regression line obtained,
  • a failure prediction system (10) according to item 1, characterized by:
  • the prediction unit (112) extracts the running data in a state in which regenerative current is flowing from the motor (34) to the driving circuit (35) from the running data within the fixed period, and calculates the regression line.
  • a failure prediction system (10) according to item 2, characterized by:
  • the loss of the electromechanical converters (34, 35) can be estimated based on the data with small variations in the efficiency of the motor (34).
  • the prediction unit (112) predicts a state in which a power running current is flowing from the drive circuit (35) to the motor (34) and a state in which a power running current is flowing from the motor (34) to the drive circuit ( 35) generating the regression line based on both driving data in a state where regenerative current is flowing;
  • a failure prediction system (10) according to item 2, characterized by:
  • the prediction unit (112) predicts a state in which a power running current is flowing from the drive circuit (35) to the motor (34) and a state in which a power running current is flowing from the motor (34) to the drive circuit ( 35) generating the regression line based on any running data in a state in which regenerative current is flowing;
  • the prediction unit (112) when increasing the traveling data to be used as the basic data for generating the regression line, determines a state in which a power running current is flowing from the drive circuit (35) to the motor (34) and a state in which the motor (34) Generating the regression line based on both driving data in a state in which regenerative current is flowing from 34) to the drive circuit (35);
  • a failure prediction system (10) according to item 2, characterized by:
  • Travel data of the plurality of electric vehicles (3) is accumulated in a server (12),
  • the prediction unit (112) predicts age-related failures of the electromechanical conversion units (34, 35) based on the travel data accumulated in the server (12).
  • a failure prediction system (10) according to any one of items 1 to 5, characterized by:
  • An electromechanical conversion unit (34) including a motor (34) for driving a drive wheel (31R) of the electric vehicle (3) and a drive circuit (35) for the motor (34) based on travel data of the electric vehicle (3) , 35) of predicting aging failures;
  • the driving data includes the input voltage of the drive circuit (35), the input current of the drive circuit (35), the rotation speed of the motor (34) driven by the drive circuit (35), and the motor (34). contains the rotational torque of
  • the step of predicting includes input power of the drive circuit (35) based on the input voltage and input current of the drive circuit (35), and power of the motor (34) based on the rotational speed and rotational torque of the motor (34). Predicting age-related failures of the electromechanical converters (34, 35) based on changes in values that statistically indicate the relationship with the shaft output;
  • a failure prediction method characterized by:
  • aged deterioration of the electromechanical conversion units (34, 35) of the electric vehicle (3) can be predicted at low cost.
  • An electromechanical conversion unit (34) including a motor (34) for driving a drive wheel (31R) of the electric vehicle (3) and a drive circuit (35) for the motor (34) based on travel data of the electric vehicle (3) , 35) for predicting age-related failures, and
  • the driving data includes the input voltage of the drive circuit (35), the input current of the drive circuit (35), the rotation speed of the motor (34) driven by the drive circuit (35), and the motor (34). contains the rotational torque of
  • the prediction process includes input power of the drive circuit (35) based on the input voltage and input current of the drive circuit (35), and power of the motor (34) based on the rotation speed and rotation torque of the motor (34).
  • Predicting age-related failures of the electromechanical converters (34, 35) based on changes in values that statistically indicate the relationship with the shaft output;
  • a failure prediction program characterized by:
  • aged deterioration of the electromechanical conversion units (34, 35) of the electric vehicle (3) can be predicted at low cost.
  • 3 Electric vehicle 10 Failure prediction system, 11 Processing unit, 111 Driving data acquisition unit, 112 Prediction unit, 113 Notification unit, 12 Storage unit, 121 Driving data storage unit, 30 Vehicle control unit, 31F Front wheels, 31R Rear wheels, 32F Front wheel axle, 32R rear wheel axle, 33 transmission, 34 motor, 35 inverter, 36 motor controller, 37 gate driver, 381 input voltage/current sensor, 382 output voltage/current sensor, 383 rotation speed/torque sensor, 385 vehicle speed sensor, 39 Wireless communication unit, 39A antenna, 40 power supply system, 41 battery pack, 42 management unit, Q1, Q6 switching element, D1, D6 diode.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Sustainable Energy (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

取得部は、電動移動体の走行データを取得する。予測部は、電動移動体の走行データをもとに、電動移動体の駆動輪を駆動するモータとその駆動回路を含む電気機械変換部の経年故障を予測する。走行データには、駆動回路の入力電圧、駆動回路の入力電流、駆動回路により駆動されるモータの回転数、及びモータの回転トルクが含まれる。予測部は、駆動回路の入力電圧と入力電流に基づく駆動回路の入力電力と、モータの回転数と回転トルクに基づくモータの軸出力との関係性を統計的に示す値の推移をもとに、電気機械変換部の経年故障を予測する。

Description

故障予測システム、故障予測方法、及び故障予測プログラム
　本開示は、電動移動体に搭載されるインバータとモータの経時故障を予測する故障予測システム、故障予測方法、及び故障予測プログラムに関する。
　配送車両などの営業車を中心に、電気自動車（ＥＶ）が普及してきている。近年、ＥＶの走行データ（電池情報、車両制御情報など）がクラウド上に保存され、多方面に活用できる環境が構築されつつある。
　ＥＶでは、モータ、インバータ、電池パックがキーデバイスとなる。インバータに使用されるパワー素子（例えば、ＭＯＳＦＥＴ（ＭＥＴＡＬ－ＯＸＩＤＥ　ＳＥＭＩＣＯＮＤＵＣＴＯＲ　ＦＩＥＬＤ－ＥＦＦＥＣＴ　ＴＲＡＮＳＭＩＴＴＥＲ）、ＩＧＢＴ（ＩＮＳＵＬＡＴＥＤ　ＧＡＴＥ　ＢＩＰＯＬＡＲ　ＴＲＡＮＳＩＳＴＯＲ））は経年劣化する。パワー素子の劣化の大きな要因は、ボンディングワイヤの接触抵抗の増加にある。これはヒートサイクルによる金属疲労が原因であり、ボンディングワイヤの接触抵抗の増加は、パワー素子の損失増大（効率低下）として現れる。特許文献１はインバータの入力電力の出力電力の差から、インバータのＩＧＢＴの寿命を予測する手法を開示する。
特開２０１９－０３７０２４号公報
　特許文献１はクレーンのモータを駆動するインバータに関するものであるが、ＥＶのように高速回転するモータを駆動するインバータの場合、インバータとモータ間の三相正弦波交流の電圧と電流が高速に変化する。この場合、インバータの入力電力と出力電力の差を算出する手法では、インバータの入力電力と出力電力との対応関係を担保するために、インバータの入力電圧、入力電流、出力電圧、出力電流を高速サンプリングする必要がある。そのログデータを保存するには、高速アクセスが可能で大容量なメモリが必要となる。このような高仕様なメモリを使用すると、コスト高となる。
　ところで、電解コンデンサ、コイル、ファンなどの、パワー素子以外の素子の経年劣化を予測するには、それぞれ専用のセンサが必要となる。従って、ＥＶに搭載されるそれらの素子の経年劣化を予測するには、専用のセンサを追加する設計変更が必要となる。一方、パワー素子の経年劣化は、損失を予測できれば、専用のセンサを追加せずとも、予測可能である。
　本開示はこうした状況に鑑みなされたものであり、その目的は、電動移動体の電気機械変換部の経年劣化を、低コストで予測する技術を提供することにある。
　上記課題を解決するために、本開示のある態様の故障予測システムは、電動移動体の走行データを取得する取得部と、前記電動移動体の走行データをもとに、前記電動移動体の駆動輪を駆動するモータとその駆動回路を含む電気機械変換部の経年故障を予測する予測部と、を備える。前記走行データには、前記駆動回路の入力電圧、前記駆動回路の入力電流、前記駆動回路により駆動されるモータの回転数、及び前記モータの回転トルクが含まれ、前記予測部は、前記駆動回路の入力電圧と入力電流に基づく前記駆動回路の入力電力と、前記モータの回転数と回転トルクに基づく前記モータの軸出力との関係性を統計的に示す値の推移をもとに、前記電気機械変換部の経年故障を予測する。
　なお、以上の構成要素の任意の組合せ、本開示の表現を装置、システム、方法、コンピュータプログラム、コンピュータプログラムを記録した記録媒体などの間で変換したものもまた、本開示の態様として有効である。
　本開示によれば、電動移動体の電気機械変換部の経年劣化を、低コストで予測することが出来る。
実施の形態に係る、電動車両の概略構成を示す図である。 電動車両の駆動システムの概略構成を示す図である。 実施の形態に係る故障予測システムの構成例を示す図である。 ある電動車両の対象期間における電気機械変換部の損失を示す複数のデータをプロットして一次回帰させたグラフの一例を示す図である。 同じ電動車両の参照期間における電気機械変換部の損失を示す複数のデータをプロットして一次回帰させたグラフの一例を示す図である。 回帰直線の傾きの変化を模式的に示した図である。 図７Ａは、図５に示したグラフのもとになる走行データから生成された、電動車両の速度とインバータの入力電力の対応関係を示す複数のデータをプロットした図である。 図７Ｂは、図５に示したグラフのもとになる走行データから生成された、電動車両の速度とモータの軸出力の対応関係を示す複数のデータをプロットした図である。 実施の形態に係る故障予測システムによる、電気機械変換部の経年故障を予測する処理の流れを示すフローチャートである。
　図１は、実施の形態に係る、電動車両３の概略構成を示す図である。本実施の形態では電動車両３として、内燃機関を搭載しない純粋なＥＶを想定する。図１に示す電動車両３は、一対の前輪３１Ｆ、一対の後輪３１Ｒ、動力源としてのモータ３４を備える後輪駆動（２ＷＤ）のＥＶである。一対の前輪３１Ｆは前輪軸３２Ｆで連結され、一対の後輪３１Ｒは後輪軸３２Ｒで連結される。変速機３３は、モータ３４の回転を所定の変換比で後輪軸３２Ｒに伝達する。なお、前輪駆動（２ＷＤ）や４ＷＤの電動車両３であってもよい。
　電源システム４０は、電池パック４１と管理部４２を備え、電池パック４１は、複数のセルを含む。セルには、リチウムイオン電池セル、ニッケル水素電池セルなどを使用することが出来る。以下、本明細書ではリチウムイオン電池セル（公称電圧：３．６－３．７Ｖ）を使用する例を想定する。管理部４２は、電池パック４１に含まれる複数のセルの電圧、温度、電流、ＳＯＣ（ＳＴＡＴＥ　ＯＦ　ＣＨＡＲＧＥ）、ＳＯＨ（ＳＴＡＴＥ　ＯＦ　ＨＥＡＬＴＨ）を監視し、車載ネットワークを介して車両制御部３０に送信する。車載ネットワークとして例えば、ＣＡＮ（ＣＯＮＴＲＯＬＬＥＲ　ＡＲＥＡ　ＮＥＴＷＯＲＫ）やＬＩＮ（ＬＯＣＡＬ　ＩＮＴＥＲＣＯＮＮＥＣＴ　ＮＥＴＷＯＲＫ）を使用することができる。
　インバータ３５はモータ３４を駆動する駆動回路であり、力行時、電池パック４１から供給される直流電力を交流電力に変換してモータ３４に供給する。回生時、モータ３４から供給される交流電力を直流電力に変換して電池パック４１に供給する。モータ３４は、力行時、インバータ３５から供給される交流電力に応じて回転する。回生時、減速による回転エネルギーを交流電力に変換してインバータ３５に供給する。
　図２は、電動車両３の駆動システムの概略構成を示す図である。図２では、電動車両３を駆動するモータ３４に三相交流モータを使用し、三相交流モータ３４を三相インバータ３５で駆動する例を示している。三相インバータ３５は、電池パック４１から供給される直流電力を、位相がそれぞれ１２０度ずれた三相交流電力に変換し、三相交流モータ３４を駆動する。
　インバータ３５は、第１スイッチング素子Ｑ１と第２スイッチング素子Ｑ２が直列接続された第１アームと、第３スイッチング素子Ｑ３と第４スイッチング素子Ｑ４が直列接続された第２アームと、第５スイッチング素子Ｑ５と第６スイッチング素子Ｑ６が直列接続された第３アームを含み、第１－第３アームは電池パック４１に並列接続される。
　図２では、第１スイッチング素子Ｑ１－第６スイッチング素子Ｑ６にＩＧＢＴが使用されている。第１ダイオードＤ１－第６ダイオードＤ６は、第１スイッチング素子Ｑ１－第６スイッチング素子Ｑ６にそれぞれ逆並列に接続される。なお、第１スイッチング素子Ｑ１－第６スイッチング素子Ｑ６にＭＯＳＦＥＴが使用される場合、第１ダイオードＤ１－第６ダイオードＤ６として、ソースからドレイン方向に形成される寄生ダイオードが利用される。
　モータコントローラ３６は、入力電圧・電流センサ３８１で検出されたインバータ３５の入力直流電圧と入力直流電流、出力電圧・電流センサ３８２で検出されたインバータ３５の出力交流電圧と出力交流電流、回転数・トルクセンサ３８３で検出された三相交流モータ３４の回転数と回転トルクを取得する。また、モータコントローラ３６は、運転者の操作に応じた、又は自動運転コントローラにより生成されたアクセル信号又はブレーキ信号を取得する。
　モータコントローラ３６は、これらの入力パラメータをもとに、インバータ３５を駆動するためのＰＷＭ信号を生成し、ゲートドライバ３７に出力する。ゲートドライバ３７は、モータコントローラ３６から入力されるＰＷＭ信号と所定の搬送波をもとに第１スイッチング素子Ｑ１－第６スイッチング素子Ｑ６の駆動信号を生成し、第１スイッチング素子Ｑ１－第６スイッチング素子Ｑ６のゲート端子に入力する。
　モータコントローラ３６は、インバータ３５の入力直流電圧、インバータ３５の入力直流電流、モータ３４の回転数、モータ３４の回転トルクを、車載ネットワークを介して車両制御部３０に送信する。
　図１に戻る。車両制御部３０は電動車両３全体を制御する車両ＥＣＵ（ＥＬＥＣＴＲＯＮＩＣ　ＣＯＮＴＲＯＬ　ＵＮＩＴ）であり、例えば、統合型のＶＣＭ（ＶＥＨＩＣＬＥ　ＣＯＮＴＲＯＬ　ＭＯＤＵＬＥ）で構成されていてもよい。
　車速センサ３８５は、前輪軸３２Ｆ又は後輪軸３２Ｒの回転数に比例したパルス信号を発生させ、発生させたパルス信号を車両制御部３０に送信する。車両制御部３０は、車速センサ３８５から受信したパルス信号をもとに電動車両３の速度を検出する。
　無線通信部３９は、アンテナ３９Ａを介してネットワークに無線接続するための信号処理を行う。電動車両３が無線接続可能な無線通信網として、例えば、携帯電話網（セルラー網）、無線ＬＡＮ、Ｖ２Ｉ（ＶＥＨＩＣＬＥ－ＴＯ－ＩＮＦＲＡＳＴＲＵＣＴＵＲＥ）、Ｖ２Ｖ（ＶＥＨＩＣＬＥ－ＴＯ－ＶＥＨＩＣＬＥ）、ＥＴＣシステム（ＥＬＥＣＴＲＯＮＩＣ　ＴＯＬＬ　ＣＯＬＬＥＣＴＩＯＮ　ＳＹＳＴＥＭ）、ＤＳＲＣ（ＤＥＤＩＣＡＴＥＤ　ＳＨＯＲＴ　ＲＡＮＧＥ　ＣＯＭＭＵＮＩＣＡＴＩＯＮＳ）を使用することができる。
　車両制御部３０は電動車両３の走行中、走行データを、データ蓄積用のクラウドサーバ又は自社サーバに、無線通信部３９を使用してリアルタイムに送信することができる。走行データには、電動車両３の車速、電池パック４１に含まれる複数のセルの電圧、電流、温度、ＳＯＣ、ＳＯＨ、インバータ３５の入力直流電圧、入力直流電流、モータ３４の回転数、回転トルクが含まれる。車両制御部３０は、これらのデータを定期的に（例えば、１０秒間隔で）サンプリングし、クラウドサーバ又は自社サーバに都度送信する。
　なお、車両制御部３０は、電動車両３の走行データを内部のメモリに蓄積し、所定のタイミングでメモリに蓄積されている走行データを一括送信してもよい。例えば、車両制御部３０は、一日の営業終了後に、メモリに蓄積されている走行データを営業所の端末装置に一括送信してもよい。営業所の端末装置は、所定のタイミングで複数の電動車両３の走行データをクラウドサーバ又は自社サーバに送信する。
　また、車両制御部３０は、ネットワーク通信機能を備えた充電器からの充電時に、メモリに蓄積されている走行データを、充電ケーブルを介して充電器に一括送信してもよい。充電器は、受信した走行データをクラウドサーバ又は自社サーバに送信する。この例は、無線通信機能を搭載していない電動車両３に有効である。
　図３は、実施の形態に係る故障予測システム１０の構成例を示す図である。故障予測システム１０は、一台以上のサーバで構築される。例えば、故障予測システム１０はデータセンタ又は自社施設）に設置された一台の自社サーバで構築されてもよい。また、故障予測システム１０は、クラウドサービスに基づき利用するクラウドサーバで構築されてもよい。また、故障予測システム１０は、複数の拠点（データセンタ、自社施設）に分散して設置された複数の自社サーバで構築されてもよい。また、故障予測システム１０は、クラウドサービスに基づき利用するクラウドサーバと、自社サーバとの組み合わせで構築されてもよい。また、故障予測システム１０は、複数のクラウドサービス事業者との契約に基づく複数のクラウドサーバで構築されてもよい。
　故障予測システム１０は、処理部１１及び記憶部１２を備える。処理部１１は、走行データ取得部１１１、予測部１１２及び通知部１１３を含む。処理部１１の機能はハードウェア資源とソフトウェア資源の協働、又はハードウェア資源のみにより実現できる。ハードウェア資源として、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＧＰＵ（ＧＲＡＰＨＩＣＳ　ＰＲＯＣＥＳＳＩＮＧ　ＵＮＩＴ）、ＡＳＩＣ（ＡＰＰＬＩＣＡＴＩＯＮ　ＳＰＥＣＩＦＩＣ　ＩＮＴＥＧＲＡＴＥＤ　ＣＩＲＣＵＩＴ）、ＦＰＧＡ（ＦＩＥＬＤ　ＰＲＯＧＲＡＭＭＡＢＬＥ　ＧＡＴＥ　ＡＲＲＡＹ）、その他のＬＳＩを利用できる。ソフトウェア資源としてオペレーティングシステム、アプリケーションなどのプログラムを利用できる。
　記憶部１２は、走行データ保持部１２１を含む。記憶部１２は、ＨＤＤ（ＨＡＲＤ　ＤＩＳＫ　ＤＲＩＶＥ）、ＳＳＤ（ＳＯＬＩＤ　ＳＴＡＴＥ　ＤＲＩＶＥ）などの不揮発性の記録媒体を含み、各種データを記憶する。
　走行データ取得部１１１は、電動車両３の走行データをネットワークを介して取得し、取得した走行データを走行データ保持部１２１に格納する。予測部１１２は、走行データ保持部１２１に格納されている、対象とする電動車両３の一定期間（例えば、一ヶ月分）の走行データを読み出して、当該電動車両３のインバータ３５とモータ３４（以下、両者を総称して電気機械変換部という）の経年故障を予測する。以下、具体的に説明する。
　予測部１１２は、読み出した走行データに含まれる、各サンプル時刻のインバータ３５の入力直流電圧Ｖ［Ｖ］と入力直流電流Ｉ［Ａ］をもとに、各サンプル時刻のインバータ３５の入力電力ＥＰ［Ｗ］を算出する（（式１）参照）。
　ＥＰ＝Ｖ×Ｉ　・・・（式１）
　予測部１１２は、読み出した走行データに含まれる、各サンプル時刻のモータ３４の回転数Ｎ［ＲＰＭ］とモータ３４の回転トルクＴ［Ｎ・Ｍ］をもとに、各サンプル時刻のモータ３４の軸出力ＭＰ［Ｗ］を算出する（（式２）参照）。
　ＭＰ＝２Π×Ｎ×Ｔ／６０　・・・（式２）
　予測部１１２は、一定期間内の走行データに基づく、インバータ３５の入力電力ＥＰとモータ３４の軸出力ＭＰの対応関係を示す複数のデータを回帰分析して、回帰直線を生成する。直線回帰には例えば、最小二乗法を使用することができる。インバータ３５の入力電力ＥＰとモータ３４の軸出力ＭＰとの差分が、インバータ３５の損失とモータ３４の損失の合計を示すため、各データは電気機械変換部の損失の瞬時値を示していることになる。なお、予測部１１２による回帰分析は、一次回帰の単回帰分析に限定されず重回帰分析であっても良い。
　図４は、ある電動車両３の対象期間における電気機械変換部の損失を示す複数のデータをプロットして一次回帰させたグラフの一例を示す図である。図５は、同じ電動車両３の参照期間における電気機械変換部の損失を示す複数のデータをプロットして一次回帰させたグラフの一例を示す図である。対象期間はある一ヶ月の期間であり、参照期間はその前年同月の期間である。
　図４、図５に示すグラフでは、Ｘ軸がモータ３４の軸出力ＭＰ、Ｙ軸がインバータ３５の入力電力ＥＰを示している。グラフの第１象限は、モータ３４が力行時のプロットデータを示している。力行時には、電池パック４１からインバータ３５に供給される電力をもとにモータ３４が回転する。即ち、電気入力（入力電力ＥＰが正）→機械出力（軸出力ＭＰが正）の関係となる。
　グラフの第３象限は、モータ３４が回生時のプロットデータを示している。回生時には、モータ３４の回転エネルギーがインバータ３５を経由して電池パック４１に回収される。即ち、機械入力（軸出力ＭＰが負）→電気出力（入力電力ＥＰが負）の関係となる。
　予測部１１２は、同時刻にサンプリングされたインバータ３５の入力直流電圧、入力直流電流、モータ３４の回転数、モータ３４の回転トルクをもとに、各プロットデータを算出している。インバータ３５の入力電力ＥＰは、電動車両３のアクセル開度に応じて変動する。
　インバータ３５の入力電力ＥＰがモータ３４の軸出力ＭＰに反映されるまでに、厳密には、タイムラグがある。従って、アクセル開度の変化によるインバータ３５の入力電力ＥＰの変化が、モータ３４の軸出力ＭＰに反映されていないプロットデータが発生する。当該プロットデータは、第２象限（電気入力－機械入力）と第４象限（電気出力－機械出力）に現れる。但し、プロットデータ数が多い場合、第２象限と第４象限に現れるプロットデータの影響は軽微なものとなる。
　図４に示す複数のプロットデータから生成される回帰直線は下記（式３）で示され、図５に示す複数のプロットデータから生成される回帰直線は下記（式４）で示される。
　Ｙ＝１．１０２３Ｘ＋２１２６．８　・・・（式３）
　Ｒ２＝０．９７２
　Ｙ＝１．１１２３Ｘ＋２２７２．８　・・・（式４）
　Ｒ２＝０．９７４５
　いずれの回帰直線でも、決定係数Ｒ２（相関係数Ｒの二乗）が０．９７を超えており、インバータ３５の入力電力ＥＰとモータ３４の軸出力ＭＰとの間に、極めて強い正の相関があることが示されている。予測部１１２は、回帰直線の傾きの推移をもとに電気機械変換部の経年故障の発生時期を予測する。図４、図５に示す例では回帰直線の傾きが１年で、１．１０２３から１．１１２３に増加している。この増加分は、電気機械変換部の損失増加分（効率低下分）を示している。
　図６は、回帰直線の傾きの変化を模式的に示した図である。回帰直線のＹ切片は、モータ３４の軸出力ＭＰが０［Ｗ］のときのインバータ３５の入力電力ＥＰ［Ｗ］を示している。即ち、電気機械変換部の固定損（オフセット）を示している。傾きの値が、電気機械変換部の変換効率を示している。予測部１１２は、対象期間の回帰直線の傾きが参照期間の回帰直線の傾きに対して閾値以上、増加した場合、電気機械変換部の経年故障の発生時期が接近していると判定する。当該閾値はモータ３４及びインバータ３５の許容損失によって変化するが、例えば、回帰直線の傾きの値が初期値に対して所定値（例えば、１．０％）増加した値に設定されてもよい。
　なお図４－図６示したグラフでは、Ｘ軸をモータ３４の軸出力ＭＰ、Ｙ軸をインバータ３５の入力電力ＥＰとする例を示した。この点、Ｘ軸をインバータ３５の入力電力ＥＰ、Ｙ軸をモータ３４の軸出力ＭＰとしてもよい。この場合、電気機械変換部の固定損が回帰直線のＸ切片に現れ、電気機械変換部の変換効率が回帰直線の傾きに現れる。予測部１１２は、対象期間の回帰直線の傾きが参照期間の回帰直線の傾きに対して閾値以上、低下した場合、電気機械変換部の経年故障の発生時期が接近していると判定する。
　電気機械変換部の経年故障の発生時期が接近していると判定されると、通知部１１３は、当該電気機械変換部が搭載されている電動車両３、又は当該電動車両３を管理している運行管理端末装置（不図示）に、当該電気機械変換部の故障発生が近いことを示すアラートを送信する。
　当該アラート通知を受けたユーザは、対象の電動車両３をディーラや修理工場に持ち込み、インバータ３５とモータ３４の精密な故障診断を受ける。当該精密な故障診断をもとに、インバータ３５又はモータ３４の修理や交換、所定期間後の交換の予約を行うことが出来る。
　なお、故障予測システム１０が、モータ３４の軸受などに設置される振動センサの検出値を取得できる場合、予測部１１２は当該振動センサの検出値をもとにモータ３４の軸受の摩耗を推定し、モータ３４の損失増加分を推定することが出来る。予測部１１２は、電気機械変換部の損失増加分からモータ３４の損失増加分を差し引いて、インバータ３５の損失増加分を推定することが出来る。この場合、予測部１１２はインバータ３５の経年故障の発生時期を判定することが出来る。
　ところで、モータ３４の変換効率は、回転数Ｎ［ＲＰＭ］と回転トルクＴ［Ｎ・Ｍ］の組み合わせで規定される動作点に応じて変動する。回転数Ｎ［ＲＰＭ］は最適な回転数から増加しても減少しても効率が低下する。基本的に最適な回転数から乖離するほど効率が低下していく。同様に回転トルクＴ［Ｎ・Ｍ］も最適なトルクから増加しても減少しても効率が低下する。基本的に最適なトルクから乖離するほど効率が低下していく。例えば、あるモータでは、回転数Ｎが２３００［ＲＰＭ］付近で回転トルクＴが９０［Ｎ・Ｍ］付近に最大効率（９４％）の動作点がある。なお、モータの効率マップは、機種ごとに様々である。
　図７Ａは、図５に示したグラフのもとになる走行データから生成された、電動車両３の速度とインバータ３５の入力電力ＥＰの対応関係を示す複数のデータをプロットした図である。図７Ｂは、図５に示したグラフのもとになる走行データから生成された、電動車両３の速度とモータ３４の軸出力ＭＰの対応関係を示す複数のデータをプロットした図である。
　図７Ａ－図７Ｂに示されるデータには、電動車両３の速度が８８［ＫＭ／Ｈ］以内のデータしか含まれておらず、電動車両３の速度が８８［ＫＭ／Ｈ］以内に制限されていることが分かる。図７Ｂに示されるグラフでは、モータ３４の軸出力ＭＰが負の領域（回生領域）で２本のラインＲ１、Ｒ２に沿って多くのデータがプロットされている。これは、電動車両３のモータコントローラ３６が、モータ３４の変換効率が高い動作点で発電するように回生時に、モータ３４の回転数Ｎ及び回転トルクＴの少なくとも一方を制御していることを示している。図７Ｂに示す例では２つの回生モードで制御しており、第１ラインＲ１は弱回生モードで制御されているときのデータを示しており、第２ラインＲ２は強回生モードで制御されているときのデータを示している。
　弱回生モードで制御されているときのモータ３４の変換効率は略同じである。同様に、強回生モードで制御されているときのモータ３４の変換効率も略同じである。回生領域では、２本のラインＲ１、Ｒ２に沿って多くのデータがプロットされているため、回生領域のデータは、モータ３４の変換効率のばらつきが小さいことを意味している。
　モータ３４の変換効率のばらつきが小さいほど、電気機械変換部の損失からインバータ３５の損失分を高精度に推定することが出来る。この観点から、予測部１１２は、対象期間の走行データの内、モータ３４からインバータ３５に向けて回生電流が流れている回生状態における走行データのみを使用して、上記回帰直線を生成してもよい。参照期間の回帰直線も同様に回生状態における走行データのみから生成してもよい。更に、予測部１１２は、第１ラインＲ１に沿っている走行データ、又は第２ラインＲ２に沿っている走行データのみを使用して、上記回帰直線を生成してもよい。
　統計処理の一般論としては、サンプル数が多いほど高精度な回帰が出来る。その観点からは、予測部１１２は、対象期間の走行データの内、インバータ３５からモータ３４に力行電流が流れている力行状態における走行データと、回生状態における走行データの両方を使用して、上記回帰直線を生成することが望ましい。特に、回生状態の走行データが十分に確保できない場合は、力行状態と回生状態の両方の走行データを使用することが望ましい。そのため、回帰直線を生成する基礎データとすべき走行データが力行状態及び回生状態の一方では不足する場合、すなわち回帰直線を生成する基礎データとすべき走行データを増やす必要がある場合、力行状態と回生状態の両方の走行データを基に予測部１１２により回帰直線を生成するように切り替えることが好ましい。
　また、回帰直線を生成する基礎データとすべき走行データをサンプルする際には、予測部１１２が走行データの重み付けをすることも好ましい。例えば、力行状態と回生状態とで回生状態の走行データを重視するように重み付けに差を設けたり、図４、図５に示すグラフにおける第２象限と第４象限に現れるプロットデータを基礎データとすべき走行データから除外するようにしても良い。
　図８は、実施の形態に係る故障予測システム１０による、電気機械変換部の経年故障を予測する処理の流れを示すフローチャートである。予測部１１２は、走行データ保持部１２１に蓄積されている、対象期間のインバータ３５の入力直流電圧、入力直流電流、モータ３４の回転数、回転トルクを読み出す（Ｓ１０）。予測部１１２は、サンプル時刻ごとに、インバータ３５の入力電力とモータ３４の軸出力を算出する（Ｓ１１）。予測部１１２は、対象期間内のインバータ３５の入力電力とモータ３４の軸出力の対応関係を示す複数の値を一次回帰して、その回帰直線の傾きを算出する（Ｓ１２）。
　予測部１１２は、同様に参照期間の回帰直線の傾きを算出する。なお、既に参照期間の回帰直線の傾きが算出され、その傾きの値が走行データ保持部１２１に格納されている場合は、予測部１１２はその値を読み出して使用する。
　予測部１１２は、対象期間の回帰直線の傾きと参照期間の回帰直線の傾きをもとに、電気機械変換部の故障時期を予測する（Ｓ１３）。通知部１１３は必要に応じて、電動車両３又は当該電動車両３を管理している運行管理端末装置（不図示）にアラートを送信する。
　以上説明したように本実施の形態によれば、電動車両３の電気機械変換部の経年劣化を、低コストで予測することが出来る。電動車両３の走行データを取得して保存しておけば、電動車両３に新たな部品（例えば、スイッチング素子Ｑ１－Ｑ６の故障検出用のセンサ）を追加する必要がない。ログデータの解析のみで、電気機械変換部の故障を高精度かつ低コストで予測することが出来る。
　インバータ３５とモータ３４間の三相正弦波交流の電圧と電流を使用しないため、高速サンプリングしたログデータを保存しておく必要がない。インバータ３５の入力電圧、入力電流は直流であり、アクセル開度の変化は、マイクロ秒、ミリ秒オーダの高速変化ではない。同様に、モータ３４の回転数、回転トルクの変化も、マイクロ秒、ミリ秒オーダの高速変化ではない。従って、インバータ３５の入力電圧、入力電流、モータ３４の回転数、回転トルクは、高速サンプリングしたログデータを保存する必要性が低く、秒オーダで低速サンプリングしたログデータを保存しておけば足りる。
　このように本実施の形態では、高仕様なメモリが不要であり、追加のセンサも不要であるため、追加のハードコストは基本的にゼロである。既存のクラウド蓄積データのみから予測可能である。また、同時刻のインバータ３５の入力電力とモータ３４の軸出力の関係に着目しているため、走行経路や走行環境などの外部要因に対する依存性を排除することが出来る。
　このように本実施の形態では、電気機械変換部の損失の経年増加予測から電気機械変換部の故障時期を予測することで、事前にユーザに報知し、インバータ３５又はモータ３４の交換修理を促すことができる。これにより、インバータ３５又はモータ３４の突然の故障により、走行不能となる不都合を回避できる。ユーザは予知保全としてインバータ３５又はモータ３４を最適なタイミングで交換することが出来る。これにより、ユーザは経済合理性を追求しつつ、ダウンタイムを最小化することが出来る。
　なお、モータ３４の劣化を既設の振動センサなどから推定できる場合、予測部１１２はインバータ３５の故障時期を予測することが出来る。モータ３４の効率ができるだけ近い走行データ（例えば、回生時のみの走行データ）を使用すれば、予測部１１２は、インバータ３５の損失分をより高精度に推定することが出来る。
　以上、本開示を実施例をもとに説明した。実施例は例示であり、それらの各構成要素や各処理プロセスの組み合わせにいろいろな変形例が可能なこと、またそうした変形例も本開示の範囲にあることは当業者に容易に理解されるところである。
　上述した故障予測システム１０は、電動車両３内の電池制御部３２に実装されてもよい。この場合、大容量のメモリが必要になるが、データ欠損を少なくすることが出来る。
　また上記実施の形態では、電動車両３として、四輪の電気自動車を想定した。この点、電動バイク（電動スクータ）、電動自転車、電動キックスクータであってもよい。また、電気自動車にはフル規格の電気自動車だけでなく、ゴルフカートや、ショッピングモールやエンタテイメント施設などで使用されるランドカーなどの低速の電気自動車も含まれる。また、電池パック４１が搭載される対象は電動車両３に限るものではない。例えば、電動船舶、鉄道車両、マルチコプタ（ドローン）などの電動移動体も含まれる。
　なお、実施の形態は、以下の項目によって特定されてもよい。
　［項目１］
　電動移動体（３）の走行データを取得する取得部（１１１）と、
　前記電動移動体（３）の走行データをもとに、前記電動移動体（３）の駆動輪（３１Ｒ）を駆動するモータ（３４）とその駆動回路（３５）を含む電気機械変換部（３４、３５）の経年故障を予測する予測部（１１２）と、を備え、
　前記走行データには、前記駆動回路（３５）の入力電圧、前記駆動回路（３５）の入力電流、前記駆動回路（３５）により駆動されるモータ（３４）の回転数、及び前記モータ（３４）の回転トルクが含まれ、
　前記予測部（１１２）は、前記駆動回路（３５）の入力電圧と入力電流に基づく前記駆動回路（３５）の入力電力と、前記モータ（３４）の回転数と回転トルクに基づく前記モータ（３４）の軸出力との関係性を統計的に示す値の推移をもとに、前記電気機械変換部（３４、３５）の経年故障を予測する、
　ことを特徴とする故障予測システム（１０）。
　これによれば、電動移動体（３）の電気機械変換部（３４、３５）の経年劣化を、低コストで予測することが出来る。
　［項目２］
　前記予測部（１１２）は、一定期間内の走行データに基づく、前記駆動回路（３５）の入力電力と前記モータ（３４）の軸出力との対応関係を示す複数のデータを一次回帰して得られる回帰直線の傾きの推移をもとに、前記電気機械変換部（３４、３５）の経年故障を予測する、
　ことを特徴とする項目１に記載の故障予測システム（１０）。
　これによれば、電気機械変換部（３４、３５）の損失の経年変化を、高精度に予測することが出来る。
　［項目３］
　前記予測部（１１２）は、前記一定期間内の走行データの内、前記モータ（３４）から前記駆動回路（３５）に回生電流が流れている状態の走行データを抽出して、前記回帰直線を生成する、
　ことを特徴とする項目２に記載の故障予測システム（１０）。
　これによれば、モータ（３４）の効率のばらつきが小さいデータをもとに、電気機械変換部（３４、３５）の損失の推定することが出来る。
　［項目４］
　前記予測部（１１２）は、前記一定期間内の走行データの内、前記駆動回路（３５）から前記モータ（３４）に力行電流が流れている状態と、前記モータ（３４）から前記駆動回路（３５）に回生電流が流れている状態の両方の走行データをもとに、前記回帰直線を生成する、
　ことを特徴とする項目２に記載の故障予測システム（１０）。
　これによれば、電気機械変換部（３４、３５）の損失を推定するためのサンプルデータの数を確保することが出来る。
　［項目５］
　前記予測部（１１２）は、前記一定期間内の走行データの内、前記駆動回路（３５）から前記モータ（３４）に力行電流が流れている状態と、前記モータ（３４）から前記駆動回路（３５）に回生電流が流れている状態のいずれかの走行データをもとに前記回帰直線を生成し、
　前記予測部（１１２）は、前記回帰直線を生成する基礎データとすべき走行データを増やす場合、前記駆動回路（３５）から前記モータ（３４）に力行電流が流れている状態と、前記モータ（３４）から前記駆動回路（３５）に回生電流が流れている状態の両方の走行データをもとに、前記回帰直線を生成する、
　ことを特徴とする項目２に記載の故障予測システム（１０）。
　これによれば、データ数の不足による予測精度の低下を防止することが出来る。
　［項目６］
　複数の前記電動移動体（３）の走行データがサーバ（１２）に蓄積され、
　前記予測部（１１２）は、前記サーバ（１２）に蓄積された前記走行データをもとに、前記電気機械変換部（３４、３５）の経年故障を予測する、
　ことを特徴とする項目１から５のいずれか１項に記載の故障予測システム（１０）。
　これによれば、サーバ（１２）に蓄積された走行データをもとに、電気機械変換部（３４、３５）の経年故障を予測して提供するクラウドサービスを実現することが出来る。
　［項目７］
　電動移動体（３）の走行データを取得するステップと、
　前記電動移動体（３）の走行データをもとに、前記電動移動体（３）の駆動輪（３１Ｒ）を駆動するモータ（３４）とその駆動回路（３５）を含む電気機械変換部（３４、３５）の経年故障を予測するステップと、を有し、
　前記走行データには、前記駆動回路（３５）の入力電圧、前記駆動回路（３５）の入力電流、前記駆動回路（３５）により駆動されるモータ（３４）の回転数、及び前記モータ（３４）の回転トルクが含まれ、
　前記予測するステップは、前記駆動回路（３５）の入力電圧と入力電流に基づく前記駆動回路（３５）の入力電力と、前記モータ（３４）の回転数と回転トルクに基づく前記モータ（３４）の軸出力との関係性を統計的に示す値の推移をもとに、前記電気機械変換部（３４、３５）の経年故障を予測する、
　ことを特徴とする故障予測方法。
　これによれば、電動移動体（３）の電気機械変換部（３４、３５）の経年劣化を、低コストで予測することが出来る。
　［項目８］
　電動移動体（３）の走行データを取得する処理と、
　前記電動移動体（３）の走行データをもとに、前記電動移動体（３）の駆動輪（３１Ｒ）を駆動するモータ（３４）とその駆動回路（３５）を含む電気機械変換部（３４、３５）の経年故障を予測する処理と、をコンピュータに実行させ、
　前記走行データには、前記駆動回路（３５）の入力電圧、前記駆動回路（３５）の入力電流、前記駆動回路（３５）により駆動されるモータ（３４）の回転数、及び前記モータ（３４）の回転トルクが含まれ、
　前記予測する処理は、前記駆動回路（３５）の入力電圧と入力電流に基づく前記駆動回路（３５）の入力電力と、前記モータ（３４）の回転数と回転トルクに基づく前記モータ（３４）の軸出力との関係性を統計的に示す値の推移をもとに、前記電気機械変換部（３４、３５）の経年故障を予測する、
　ことを特徴とする故障予測プログラム。
　これによれば、電動移動体（３）の電気機械変換部（３４、３５）の経年劣化を、低コストで予測することが出来る。
　３　電動車両、　１０　故障予測システム、　１１　処理部、　１１１　走行データ取得部、　１１２　予測部、　１１３　通知部、　１２　記憶部、　１２１　走行データ保持部、　３０　車両制御部、　３１Ｆ　前輪、　３１Ｒ　後輪、　３２Ｆ　前輪軸、　３２Ｒ　後輪軸、　３３　変速機、　３４　モータ、　３５　インバータ、　３６　モータコントローラ、　３７　ゲートドライバ、　３８１　入力電圧・電流センサ、　３８２　出力電圧・電流センサ、　３８３　回転数・トルクセンサ、　３８５　車速センサ、　３９　無線通信部、　３９Ａ　アンテナ、　４０　電源システム、　４１　電池パック、　４２　管理部、　Ｑ１，Ｑ６　スイッチング素子、　Ｄ１，Ｄ６　ダイオード。

Claims (8)

  1. 　電動移動体の走行データを取得する取得部と、
    　前記電動移動体の走行データをもとに、前記電動移動体の駆動輪を駆動するモータとその駆動回路を含む電気機械変換部の経年故障を予測する予測部と、を備え、
    　前記走行データには、前記駆動回路の入力電圧、前記駆動回路の入力電流、前記駆動回路により駆動されるモータの回転数、及び前記モータの回転トルクが含まれ、
    　前記予測部は、前記駆動回路の入力電圧と入力電流に基づく前記駆動回路の入力電力と、前記モータの回転数と回転トルクに基づく前記モータの軸出力との関係性を統計的に示す値の推移をもとに、前記電気機械変換部の経年故障を予測する、
    　ことを特徴とする故障予測システム。
  2. 　前記予測部は、一定期間内の走行データに基づく、前記駆動回路の入力電力と前記モータの軸出力との対応関係を示す複数のデータを一次回帰して得られる回帰直線の傾きの推移をもとに、前記電気機械変換部の経年故障を予測する、
    　ことを特徴とする請求項１に記載の故障予測システム。
  3. 　前記予測部は、前記一定期間内の走行データの内、前記モータから前記駆動回路に回生電流が流れている状態の走行データを抽出して、前記回帰直線を生成する、
    　ことを特徴とする請求項２に記載の故障予測システム。
  4. 　前記予測部は、前記一定期間内の走行データの内、前記駆動回路から前記モータに力行電流が流れている状態と、前記モータから前記駆動回路に回生電流が流れている状態の両方の走行データをもとに、前記回帰直線を生成する、
    　ことを特徴とする請求項２に記載の故障予測システム。
  5. 　前記予測部は、前記一定期間内の走行データの内、前記駆動回路から前記モータに力行電流が流れている状態と、前記モータから前記駆動回路に回生電流が流れている状態のいずれかの走行データをもとに前記回帰直線を生成し、
    　前記予測部は、前記回帰直線を生成する基礎データとすべき走行データを増やす場合、前記駆動回路から前記モータに力行電流が流れている状態と、前記モータから前記駆動回路に回生電流が流れている状態の両方の走行データをもとに、前記回帰直線を生成する、
    　ことを特徴とする請求項２に記載の故障予測システム。
  6. 　複数の前記電動移動体の走行データがサーバに蓄積され、
    　前記予測部は、前記サーバに蓄積された前記走行データをもとに、前記電気機械変換部の経年故障を予測する、
    　ことを特徴とする請求項１から５のいずれか１項に記載の故障予測システム。
  7. 　電動移動体の走行データを取得するステップと、
    　前記電動移動体の走行データをもとに、前記電動移動体の駆動輪を駆動するモータとその駆動回路を含む電気機械変換部の経年故障を予測するステップと、を有し、
    　前記走行データには、前記駆動回路の入力電圧、前記駆動回路の入力電流、前記駆動回路により駆動されるモータの回転数、及び前記モータの回転トルクが含まれ、
    　前記予測するステップは、前記駆動回路の入力電圧と入力電流に基づく前記駆動回路の入力電力と、前記モータの回転数と回転トルクに基づく前記モータの軸出力との関係性を統計的に示す値の推移をもとに、前記電気機械変換部の経年故障を予測する、
    　ことを特徴とする故障予測方法。
  8. 　電動移動体の走行データを取得する処理と、
    　前記電動移動体の走行データをもとに、前記電動移動体の駆動輪を駆動するモータとその駆動回路を含む電気機械変換部の経年故障を予測する処理と、をコンピュータに実行させ、
    　前記走行データには、前記駆動回路の入力電圧、前記駆動回路の入力電流、前記駆動回路により駆動されるモータの回転数、及び前記モータの回転トルクが含まれ、
    　前記予測する処理は、前記駆動回路の入力電圧と入力電流に基づく前記駆動回路の入力電力と、前記モータの回転数と回転トルクに基づく前記モータの軸出力との関係性を統計的に示す値の推移をもとに、前記電気機械変換部の経年故障を予測する、
    　ことを特徴とする故障予測プログラム。
PCT/JP2022/026185 2021-07-26 2022-06-30 故障予測システム、故障予測方法、及び故障予測プログラム WO2023008082A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202280051878.0A CN117716621A (zh) 2021-07-26 2022-06-30 故障预测***、故障预测方法以及故障预测程序
EP22849150.2A EP4380033A1 (en) 2021-07-26 2022-06-30 Failure prediction system, failure prediction method, and failure prediction program
JP2023538364A JPWO2023008082A1 (ja) 2021-07-26 2022-06-30

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-121662 2021-07-26
JP2021121662 2021-07-26

Publications (1)

Publication Number Publication Date
WO2023008082A1 true WO2023008082A1 (ja) 2023-02-02

Family

ID=85086716

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/026185 WO2023008082A1 (ja) 2021-07-26 2022-06-30 故障予測システム、故障予測方法、及び故障予測プログラム

Country Status (4)

Country Link
EP (1) EP4380033A1 (ja)
JP (1) JPWO2023008082A1 (ja)
CN (1) CN117716621A (ja)
WO (1) WO2023008082A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017070105A (ja) * 2015-09-30 2017-04-06 ファナック株式会社 パラメータを自動調整する機能を有する機械学習装置及び電動機制御装置
JP2019037024A (ja) 2017-08-10 2019-03-07 株式会社日立プラントメカニクス クレーンにおけるインバータのｉｇｂｔ寿命予測方法及びその装置
JP2020141465A (ja) * 2019-02-27 2020-09-03 トヨタ自動車株式会社 故障予知システム
JP2021072654A (ja) * 2019-10-29 2021-05-06 株式会社日立ビルシステム 電力変換装置の診断システム
JP2021090340A (ja) * 2019-11-22 2021-06-10 ディエスピーテクノロジ株式会社 Ａｉ搭載型モータ状態量推定システムおよびモータモデル用機械学習方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017070105A (ja) * 2015-09-30 2017-04-06 ファナック株式会社 パラメータを自動調整する機能を有する機械学習装置及び電動機制御装置
JP2019037024A (ja) 2017-08-10 2019-03-07 株式会社日立プラントメカニクス クレーンにおけるインバータのｉｇｂｔ寿命予測方法及びその装置
JP2020141465A (ja) * 2019-02-27 2020-09-03 トヨタ自動車株式会社 故障予知システム
JP2021072654A (ja) * 2019-10-29 2021-05-06 株式会社日立ビルシステム 電力変換装置の診断システム
JP2021090340A (ja) * 2019-11-22 2021-06-10 ディエスピーテクノロジ株式会社 Ａｉ搭載型モータ状態量推定システムおよびモータモデル用機械学習方法

Also Published As

Publication number Publication date
CN117716621A (zh) 2024-03-15
EP4380033A1 (en) 2024-06-05
JPWO2023008082A1 (ja) 2023-02-02

Similar Documents

Publication Publication Date Title
US9963043B2 (en) Control system and vehicle power supply
JP5932596B2 (ja) 車両の回生制御装置
US20210203177A1 (en) Vehicle charging scheduler
EP3303048B1 (en) Systems and methods for vehicle load detection and response
JP2020171190A (ja) 単一又は複数の動力電池を使用して電気車両に電力を供給するためのシステム及び方法
US8423233B2 (en) Degradation determining apparatus for power storage device and degradation determining method for power storage device
CN101417618B (zh) 混合动力电动车辆的推进***
CN103079897B (zh) 车辆用控制装置及车辆用控制方法
US20100270983A1 (en) City Electric Bus Powered by Ultracapacitors
CN103683901A (zh) 用于减小环保车辆中噪声的逆变器控制***和方法
JP5822951B2 (ja) 車両駆動装置
JP6962826B2 (ja) 電池システム
WO2023008082A1 (ja) 故障予測システム、故障予測方法、及び故障予測プログラム
JP2016015825A (ja) バッテリ管理装置
JP2006020401A (ja) ハイブリッド車のバッテリ管理システム
US11180051B2 (en) Display apparatus and vehicle including the same
JP2006033970A (ja) ハイブリッド車のバッテリ管理システム
JP2010022123A (ja) 電動車両の駆動制御装置
JP2018074812A (ja) 車両制御装置および充電目標決定方法
WO2022176622A1 (ja) 故障予測システム、故障予測方法、および故障予測プログラム
JP2003254839A (ja) 温度センサの状態検知装置および状態検知方法
CN113366677B (zh) 用于预估能量存储设备健康状态的***和方法
JPH09308117A (ja) バッテリ残存容量測定装置
Mian et al. EV Component Sizing using NEDC and WLTP Drive Cycles
JP2020089103A (ja) 電動車両のトルク制御装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22849150

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023538364

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18579933

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202280051878.0

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022849150

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022849150

Country of ref document: EP

Effective date: 20240226