一种基于模糊神经网络的电动汽车电机的可靠性评价方法技术

本发明专利技术公开了一种基于模糊神经网络的电动汽车电机的可靠性评价方法，包括如下步骤：A1、确立电动汽车电机可靠性的评价指标；A2、建立评价指标体系，制定评价标准；A3、根据所述评价指标与评价标准，基于模糊神经网络模型量化可靠性程度；A4、根据量化结果判断电动汽车电机电机可靠性。其中，步骤A3中包括根据所述评价指标体系确定相对隶属度矩阵；计算模糊神经网络的学习样本；将学习样本带入到模糊神经网络模型中进行训练，并对模糊神经网络模型进行精度训练；将待评价的可靠性指标数据，代入到达到预定精度的模糊神经网络模型中进行计算，得到评价结果。运用模糊神经网络模型进行评价，解决了大样本数量条件下的可靠性评价问题，得到可靠性评价依据。

【技术实现步骤摘要】
一种基于模糊神经网络的电动汽车电机的可靠性评价方法
本专利技术涉及电动汽车电机领域，尤其涉及一种基于模糊神经网络的电动汽车电机的可靠性评价方法。
技术介绍
电机是电动汽车的重要组成部分，特别对于新能源电动汽车，其驱动电机要求工作可控性高、稳态精度高、动态性能好，在负载要求、技术性能和工作环境等方面都有着特殊的要求，其可靠性的高低更是直接影响到电动汽车的运行能力和使用年限，用户所反馈的电机使用情况能够为企业提供参考，反馈指标如首次故障时间、故障率、维修时间等数据，都是评价一台电机可靠性的指标，因此由现有用户的反馈来确立评价体系，能够促进企业针对薄弱环节加以改进。模糊神经网络结合了神经网络算法和模糊理论的知识，汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体，具有强大的结构性知识表达能力与强大的学习能力，利用神经网络结构来实现模糊逻辑推理，是近年来人工智能和智能自动化的研究热点，如何利用模糊神经网络对电机可靠性评价是目前亟待解决的问题。
技术实现思路
本专利技术的目的是为了解决如何确立电机可靠性的评价指标并利用模糊神经网络对电机可靠性评价的问题，本申请提供了一种基于模糊神经网络的电动汽车电机的可靠性评价方法。为了解决上述技术问题，本申请采用如下技术方案：一种基于模糊神经网络的电动汽车电机的可靠性评价方法，包括如下步骤：A1、确立电动汽车电机可靠性的评价指标；A2、建立评价指标体系，制定评价标准；A3、根据所述评价指标与评价标准，基于模糊神经网络模型量化可靠性程度；A4、根据量化结果判断电动汽车电机电机可靠性。优选地，步骤A1中，所述评价指标包括h个指标，其中h是大于等于1的正整数。优选地，步骤A2中，所述评价指标中每一指标对应m个评价标准，所述评价指标与所述评价等级标准构成可靠性评价标准值矩阵(Y＝h*m)，其中，矩阵中的第yij项表示第i项评价因子在第j个评价标准上的评价标准值，其中m是大于等于1的正整数。优选地，步骤A3中通过模型量化可靠性程度，包括如下步骤：A31、根据所述评价指标体系确定相对隶属度矩阵；A32、根据相对隶属度矩阵计算模糊神经网络的学习样本；A33、将学习样本带入到模糊神经网络模型中进行训练，初始化模糊神经网络，并对模糊神经网络模型进行精度训练；A34、将待评价的可靠性指标数据，代入到达到预定精度的模糊神经网络模型中进行计算，得到评价结果。优选地，设定第1级别评价标准值对于模糊集的相对隶属度为pi1＝1，第m级别评价标准值对于模糊集的相对隶属度为pim＝0，介于中间的pij用线性内插法进行计算，所得元素为评价标准指标，所有元素构成评价标准指标相对隶属度矩阵。优选地，步骤A2中，设W组待检测数据中每一组数据包括h个评价指标，则构成(W*h)个元素的检测样本值矩阵(X)，其中，矩阵中的第xij项表示第j组检测数据的第i项评价因子值，其中W是大于等于1的正整数。优选地，将所述评价因子值与所述评价标准值进行比较，得到评价等级集合的相对隶属度，构成相对隶属度矩阵(R)。优选地，根据所述评价因子的不同，设置不同所述评价因子与同一个评价标准值的比较结果为不同的相对隶属度(r)，并采用线性内插法计算其余情况下的相对隶属度。优选地，所述步骤A3中，采用内插法得到学习样本和检验样本，其中：表示内插样本k的第i项评价因子在第j个评价等级上的相对隶属度，Tk表示内插样本k对应的标准级别值，1≤i≤h，1≤j≤m；Tk＝j+q/n，其中1≤j≤n-1，n的取值根据插值样本的需要进行调整。优选地，将所述学习样本代入程序中进行模糊神经网络的初始化，得到训练样本的输出矩阵。优选地，设定各评价因子的可靠性等级标准对照表，采用各等级标准值作为精度检验的检验样本，对训练样本的输出矩阵按照下式进行归一化处理，其中，i＝1，2...m1，j＝1，2...m2，xij表示第i项评价因子在第j个评价等级上的值，表示归一化处理后的值，m1表示评价因子的个数，m2表示评价等级的个数；根据检验样本的目标输出与经过神经网络计算后的实际输出的比较结果，判断此神经网络模型是否达到预期训练精度。优选地，将待评价数据代入所述达到预期训练精度的计算机程序中进行评价即可得到结果。与现有技术相比，本专利技术的有益效果为：本专利技术的一种基于模糊神经网络的电动汽车电机的可靠性评价方法，通过建立可靠性的评价指标体系，根据所述评价指标与评价标准，基于模糊神经网络量化可靠性程度，根据量化结果判断电动汽车电机电机可靠性，实现评价指标数据化。进一步地，采用相对隶属度矩阵，用来描述指标的可靠性程度，把各个可靠性指标数据转换为指标对于评价等级集合的相对隶属度，把抽象的评价内容转变为数据，使其能够代入数学模型中进行计算。进一步地，通过相对隶属度矩阵计算模糊神经网络的学习样本，运用内插法提高训练精度，使用学习样本对神经网络模型进行训练。进一步地，把检验样本代入学习后的模型进行计算，将检验样本的目标输出与经过神经网络计算后的实际输出进行误差分析，判断经过学习样本训练后的神经网络模型的结果误差是否符合要求。进一步地，运用模糊神经网络模型对电动汽车电机可靠性进行评价，能解决大样本数量条件下的可靠性评价问题，为设计部门进一步提高电机的可靠性水平提供依据，建立更为完善的维修制度。附图说明图1是本专利技术实施例可靠性评价方法的流程示意图；图2是本专利技术实施例通过模型量化可靠性程度的流程示意图。具体实施方式下面结合具体实施方式并对照附图对本专利技术做进一步详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本专利技术的范围及其应用。模糊神经网络结合了神经网络算法和模糊理论的知识，汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体，具有强大的结构性知识表达能力与强大的学习能力，利用神经网络结构来实现模糊逻辑推理，是近年来人工智能和智能自动化的研究热点。模糊神经网络有如下三种形式：1.逻辑模糊神经网络2.算术模糊神经网络3.混合模糊神经网络神经网络具有多种的特征和优势：1.并行分布式信息处理。神经网络具有并行结构，可以进行并行数据处理。这种并行机制可以解决控制系统中大规模实时计算问题，并且并行计算中的冗余性可以使控制系统具有很强的容错性和鲁棒性。2.神经网络是本质非线性系统。理论上，神经网络能以任意精度实现任意非线性映射，网络还可以实现较其他方法更优越的系统建模。3.学习和自适应能力。神经网络是基于所研究系统过去的数据记录来进行训练的。当提供给网络的输入不包含在训练集中时，一个经过训练的网络具有归纳能力。神经网络也可以在线进行自适应调节。4.多变量系统。神经网络可以处理很多输入信号，并具有很多输出量，所以很容易用于多变量系统。运用模糊神经网络模型对电动汽车电机可靠性进行评价，能解决大样本数量条件下的可靠性评价问题，为设计部门进一步提高电机的可靠性水平提供依据，建立更为完善的维修制度。具体实施方式一本实施例的基于模糊神经网络的新能源电动汽车电机的可靠性评价方法，包括如下步骤：A1、确立电动汽车电机可靠性的评价指标；A2、建立评价指标体系，制定评价标准；A3、根据所述评价指标与评价标准，基于模糊神经网络模型量化可靠性程度；A4、根据量化结果判断电动汽车电机电机可靠性。本文档来自技高网...

【技术保护点】
1.一种基于模糊神经网络的电动汽车电机的可靠性评价方法，其特征在于，包括如下步骤：A1、确立电动汽车电机可靠性的评价指标；A2、建立评价指标体系，制定评价标准；A3、根据所述评价指标与评价标准，基于模糊神经网络模型量化可靠性程度；A4、根据量化结果判断电动汽车电机可靠性。

【技术特征摘要】
1.一种基于模糊神经网络的电动汽车电机的可靠性评价方法，其特征在于，包括如下步骤：A1、确立电动汽车电机可靠性的评价指标；A2、建立评价指标体系，制定评价标准；A3、根据所述评价指标与评价标准，基于模糊神经网络模型量化可靠性程度；A4、根据量化结果判断电动汽车电机可靠性。2.根据权利要求1所述的可靠性评价方法，其特征在于，步骤A1中，所述评价指标包括h个指标，其中h是大于等于1的正整数。3.根据权利要求2所述的可靠性评价方法，其特征在于，步骤A2中，所述评价指标中每一指标对应m个评价标准，所述评价指标与所述评价等级标准构成可靠性评价标准值矩阵(Y＝h*m)，其中，m是大于等于1的正整数，矩阵中的第yij项表示第i项评价因子在第j个评价标准上的评价标准值。4.根据权利要求1所述的可靠性评价方法，其特征在于，步骤A3中通过模型量化可靠性程度，包括如下步骤：A31、根据所述评价指标体系确定相对隶属度矩阵；A32、根据相对隶属度矩阵计算模糊神经网络的学习样本；A33、将学习样本带入到模糊神经网络模型中进行训练，初始化模糊神经网络，并对模糊神经网络模型进行精度训练；A34、将待评价的可靠性指标数据，代入到达到预定精度的模糊神经网络模型中进行计算，得到评价结果。5.根据权利要求4所述的可靠性评价方法，其特征在于，设定第1级别评价标准值对于模糊集的相对隶属度为pi1＝1，第m级别评价标准值对于模糊集的相对隶属度为pim＝0，介于中间的pij用线性内插法进行计算，所得元素为评价标准指标，所有元素构成评价标准指标相对隶属度矩阵。6.根据权利要求5所述的可靠性评价方法，其特征在于，步骤A2中，设W组待检测数据中每一组数据包括h个评价指标，则构成(W*h)个...

【专利技术属性】
技术研发人员：张凯，吴瑶，李志恒，于海洋，
申请(专利权)人：清华大学深圳研究生院，
类型：发明
国别省市：广东,44