【技术实现步骤摘要】
本申请涉及电机领域，尤其涉及一种电机效率工况分类方法、装置、设备及介质。
技术介绍
1、随着经济的不断发展和新能源汽车技术的成熟，人们对电动汽车的需求越来越高。其中，为提高电动汽车驱动电机系统的性能和稳定性，需要对电机的高效运行工况进行持续分析。
2、目前，对电机高效工作区域的分析方案主要以人工采集数据的方式进行计算并分析高效区占比，但是人工计算过程中误差较大，且耗费时间和人力成本。另一种方法是基于颜色索引的方式对电机效率map图中效率大于80％的像素点进行计算，以获得电机的高效工作区域。但是，该方法缺乏电机效率工况的初步判断逻辑，且对电机效率map图工况的识别准确性低。因此，当前需要解决的问题是提高电机效率工况分类的准确性。
技术实现思路
1、本申请提供一种电机效率工况分类方法、装置、设备及介质，用以提高电机效率工况分类的准确性。
2、一方面，本申请提供一种电机效率工况分类方法，包括：获取待分类的电机效率map图；电机效率map图包括表征电机转速和电机转矩关系的像素数据；将待分类的电机效率map图输入至注意力残差模型中，获得注意力残差模型输出的待分类的电机效率map图的分类结果，分类结果包括待分类的电机效率map图在各标准工况下的相似概率；其中，注意力残差模型预先根据标准工况map图集基于残差神经网络和损失函数完成拟合和验证；标准工况map图集包括标准工况标签和标准工况标签对应的多个电机效率map图；根据待分类的电机效率map图的分类结果，确定待分类的电机
3、在一种可能的实现方式中，方法还包括：基于残差神经网络建立初始的模型，根据标准工况map图集对当前模型进行拟合，并基于损失函数对当前模型进行验证；若验证未通过，则对当前模型进行调参并返回执行根据标准工况map图集对当前模型进行拟合，并基于损失函数对当前模型进行验证的步骤，直至验证通过，得到注意力残差模型。
4、在一种可能的实现方式中，根据标准工况map图集对当前模型进行拟合，并基于损失函数对当前模型进行验证，包括：依次根据标准工况map图集中的每个电机效率map图对当前模型进行拟合，并判断该电机效率map图的当次拟合对应的损失函数的映射值是否小于该电机效率map图上次拟合对应的损失函数的映射值；若该电机效率map图的当次拟合对应的损失函数的映射值小于该电机效率map图上次拟合对应的损失函数的映射值，则判断该电机效率map图的拟合次数是否达到预设的阈值；若达到预设的阈值，则结束拟合，通过验证；若未达到预设的阈值，则继续根据该电机效率map图对当前模型进行拟合，并返回执行判断该电机效率map图的当次拟合对应的损失函数的映射值是否小于该电机效率map图上次拟合对应的损失函数的映射值，直至验证通过；若该电机效率map图的当次拟合对应的损失函数的映射值不小于该电机效率map图上次拟合对应的损失函数的映射值，则验证不通过。
5、在一种可能的实现方式中，注意力残差模型包括：第一模块，用于将输入的电机效率map图的像素数据转化为第一特征数据；第二模块，用于将第一特征数据进行卷积层特征提取、最大池化层特征提取、激活函数层特征激活，获得第二特征数据；第三模块，用于将第二特征数据进行多次残差层特征提取，获得注意力残差模型的输出结果。
6、在一种可能的实现方式中，残差层特征提取包括：将本次的输入特征进行卷积核为a×a、卷积核为b×b、卷积核为a×a的卷积层特征提取，以及进行平均池化层特征提取，获得残差层平均池化特征；其中，a和b均为正整数，且a小于b；将残差层平均池化特征进行第一角度注意力层特征提取，获得第一角度注意力特征；其中，第一角度注意力层特征提取包括将残差层平均池化特征进行全局平均池化层提取后，进行卷积核为b×b的卷积层提取、第二角度注意力去除、卷积核为b×b的卷积层提取、以及非线性函数转化、批归一转化、激活函数层特征激活，获得第一角度注意力特征；将残差层平均池化特征进行第二角度注意力层特征提取，获得第二角度注意力特征；其中，第二角度注意力层特征提取包括将残差层平均池化特征进行全局平均池化层提取后，进行卷积核为b×b的卷积层提取、第一角度注意力去除、卷积核为b×b的卷积层提取、以及非线性函数转化、批归一转化、激活函数层特征激活，获得第二角度注意力特征；将第一角度注意力特征和第二角度注意力特征进行特征相加，并将相加结果和本次的输入特征进行残差跳跃连接，获得当次残差层特征提取的输出结果。
7、另一方面，本申请提供一种电机效率工况分类装置，包括：获取模块，用于获取待分类的电机效率map图；电机效率map图包括表征电机转速和转矩关系的像素数据；模拟模块，用于将待分类的电机效率map图输入至注意力残差模型中，获得注意力残差模型输出的待分类的电机效率map图的分类结果，分类结果包括待分类的电机效率map图在各标准工况下的相似概率；其中，注意力残差模型预先根据标准工况map图集基于残差神经网络和损失函数完成拟合和验证；标准工况map图集包括标准工况标签和标准工况标签对应的多个电机效率map图；分类模块，用于根据待分类的电机效率map图的分类结果，确定待分类的电机效率map图对应的分类工况。
8、在一种可能的实现方式中，装置还包括训练模块，训练模块用于：基于残差神经网络建立初始的模型，根据标准工况map图集对当前模型进行拟合，并基于损失函数对当前模型进行验证；若验证未通过，则对当前模型进行调参并返回执行根据标准工况map图集对当前模型进行拟合，并基于损失函数对当前模型进行验证的步骤，直至验证通过，得到注意力残差模型。
9、在一种可能的实现方式中，训练模块用于：依次根据标准工况map图集中的每个电机效率map图对当前模型进行拟合，并判断该电机效率map图的当次拟合对应的损失函数的映射值是否小于该电机效率map图上次拟合对应的损失函数的映射值；若该电机效率map图的当次拟合对应的损失函数的映射值小于该电机效率map图上次拟合对应的损失函数的映射值，则判断该电机效率map图的拟合次数是否达到预设的阈值；若达到预设的阈值，则结束拟合，通过验证；若未达到预设的阈值，则继续根据该电机效率map图对当前模型进行拟合，并返回执行判断该电机效率map图的当次拟合对应的损失函数的映射值是否小于该电机效率map图上次拟合对应的损失函数的映射值，直至验证通过；若该电机效率map图的当次拟合对应的损失函数的映射值不小于该电机效率map图上次拟合对应的损失函数的映射值，则验证不通过。
10、另一方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；存储器存储计算机执行指令；处理器执行存储器存储的计算机执行指令，以实现如上的方法。
11、另一方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上的方法。
12、本申请提供的电机效率工况分类方法、装置、设备及介本文档来自技高网...
【技术保护点】
1.一种电机效率工况分类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述标准工况MAP图集对当前模型进行拟合，并基于所述损失函数对当前模型进行验证，包括：
4.根据权利要求1至3任一项所述的方法，其特征在于，所述注意力残差模型包括：
5.根据权利要求4所述的方法，其特征在于，所述残差层特征提取包括：
6.一种电机效率工况分类装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述装置还包括训练模块，所述训练模块用于：
8.根据权利要求7所述的装置，其特征在于，所述训练模块用于：
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机
...【技术特征摘要】
1.一种电机效率工况分类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述标准工况map图集对当前模型进行拟合，并基于所述损失函数对当前模型进行验证，包括：
4.根据权利要求1至3任一项所述的方法，其特征在于，所述注意力残差模型包括：
5.根据权利要求4所述的方法，其特征在于，所述残差层特征提取包括：
6.一种电机效率工况分类装置，其特征在于，包括：
7.根据权利要...
【专利技术属性】
技术研发人员：潘齐炜，余培锦，武权立，吕金山，罗成炜，
申请(专利权)人：浙江吉利控股集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。