基于模型与数据混合驱动的电驱动系统多维载荷预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115753455A(43)申请公布日2023.03.07(21)申请号202211369253.7G06N3/04(2023.01)(22)申请日2022.11.03G06N3/08(2023.01)(71)申请人上海理工大学地址200093上海市杨浦区军工路516号申请人中汽研新能源汽车检验中心（天津）有限公司临界面（上海）智能科技有限公司(72)发明人王震赵礼辉孔治国李乐何诗琪张东东翁硕(74)专利代理机构北京东方盛凡知识产权代理有限公司11562专利代理师高天星(51)Int.Cl.G01N3/32(2006.01)G01M13/00(2019.01)权利要求书2页说明书6页附图4页(54)发明名称基于模型与数据混合驱动的电驱动系统多维载荷预测方法(57)摘要本发明公开基于模型与数据混合驱动的电驱动系统多维载荷预测方法，包括：获取实际用户运行数据，基于实际用户运行数据，分析电驱动系统的不同部件的失效机理与失效关联载荷；采用模型驱动方法提取多维失效关联载荷；采用模型与数据混合驱动方法，构建基于神经网络算法融合的电驱动系统多维载荷快速预测模型；构建载荷预测精度评价指标，验证电驱动系统多维载荷快速预测模型的有效性。本发明能够实现电驱动系统关键应力、功率损耗、时延温度等不同时间尺度的失效关联载荷预测，极大降低失效关联载荷获取的成本，为电驱动系统各部件损伤实时评估与寿命动态预测提供支持，同时能为产品研发与验证环节提供可靠的数据来源。CN115753455ACN115753455A权利要求书1/2页1.基于模型与数据混合驱动的电驱动系统多维载荷预测方法，其特征在于，包括以下步骤：获取实际用户运行数据，基于所述实际用户运行数据，分析电驱动系统的不同部件的失效机理与失效关联载荷；采用模型驱动方法提取多维失效关联载荷时域信号；采用模型与数据混合驱动方法，构建基于神经网络算法融合的电驱动系统多维失效关联载荷快速预测模型；构建载荷预测精度评价指标，验证所述电驱动系统多维失效关联载荷快速预测模型的有效性。2.根据权利要求1所述的基于模型与数据混合驱动的电驱动系统多维载荷预测方法，其特征在于，所述实际用户运行数据包括但不限于所述电驱动系统在实际运行过程中获取的车速、电机转速、电机转矩、电机电流和电机电压；所述电驱动系统的所述不同部件包括但不限于电机轴、齿轮、轴承、定子绕组、转子磁桥、转子磁钢、功率器件IGBT。3.根据权利要求1所述的基于模型与数据混合驱动的电驱动系统多维载荷预测方法，其特征在于，所述失效机理为所述电驱动系统的所述不同部件在多维激励载荷下的失效模式与失效物理模型；所述失效模式包括但不限于疲劳失效、磨损失效、老化失效、热机械疲劳失效；所述失效物理模型包括但不限于所述疲劳失效下的Basquin模型、所述磨损失效下的Archard磨损模型、所述老化失效下的Arrhenius退化模型、所述热机械疲劳失效下的Coffin‑Manson模型；所述失效关联载荷为造成部件失效的相关载荷，包括但不限于电机转速、电机转矩、电机电流、电机电压、接触应力、功率损耗、温度。4.根据权利要求1所述的基于模型与数据混合驱动的电驱动系统多维载荷预测方法，其特征在于，所述模型驱动方法包括但不限于基于物理模型仿真的载荷获取方法和基于解析模型计算的载荷获取方法。5.根据权利要求1所述的基于模型与数据混合驱动的电驱动系统多维载荷预测方法，其特征在于，所述模型与数据混合驱动方法包括：以所述模型驱动方法获取的所述多维失效关联载荷为基础，采用数据驱动方法构建基于GA优化的BP神经网络与LSTM神经网络进行算法融合的电驱动系统多维载荷快速预测模型，对所述电驱动系统多维载荷快速预测模型的结构和参数进行优化。6.根据权利要求5所述的基于模型与数据混合驱动的电驱动系统多维载荷预测方法，其特征在于，所述算法融合为：基于GA‑BP算法将预测功率损耗作为温度预测模型的主要输入信号，结合GA‑BP算法中原始输入层信号与所述预测功率损耗构建神经网络中间层，所述神经网络中间层作为LSTM神经网络的输入层，建立所述电驱动系统多维载荷快速预测模型。2CN115753455A权利要求书2/2页7.根据权利要求5所述的基于模型与数据混合驱动的电驱动系统多维载荷预测方法，其特征在于，所述优化包括但不限于所述BP神经网络的隐含层数优化、隐含层节点个数优化、初始权值和阈值优化和所述LSTM神经网络的初始参数优化。8.根据权利要求1所述的基于模型与数据混合驱动的电驱动系统多维载荷预测方法，其特征在于，所述载荷预测精度评价指标包括但不限于相关系数、均方根误差、时域频次分布、损伤复现比；所述相关系数大于0.9，所述时域频次分布的差异小于10％，所述损