【技术实现步骤摘要】
本专利技术涉及车用电驱动总成关键性能参数预测。具体涉及多场耦合建模与数据驱动的电驱动总成关键性能预测方法。
技术介绍
1、随着电驱动总成集成度以及内部电机转速的日益提高，其内部瞬态温度场等关键性能参数的实时测量变得更加困难，因此，建立一个高保真、轻量化、可应用于真实车辆底层热管理和上层能量管理的电驱动总成性能预测模型，对保证电驱动总成安全稳定运行具有重要意义。
2、现有技术中：
3、cn 116317800 a公开了一种基于温度时序输入的永磁同步电机温度预测方法和系统，其通过数据采集系统获取永磁同步电机运行过程中的参数序列，并根据常规模型输入、初始温度序列、时间差序列和增广输入，进行特征选择，构建用于永磁同步电机温度预测的模型输入特征集，载入永磁同步电机温度预测模型中，获取永磁同步电机内部温度。cn113379041a公开了一种基于pytorch搭建神经网络算法的列车牵引电机温度预测方法，其主要从温度数据重采样以及采用nearest方法采样等数据预处理角度提高温度预测精度。
4、cn202011402714.7公开了一种永磁同步电机的温度预测方法，其利用数据集对所构建的psnlstms模型进行训练，并将训练后的psnlstms模型左右两侧输入按照相同的权重进行回归预测，得到下一时刻永磁同步电机的预测温度。
5、cn 115598526 a公开了一种基于在线学习的高速列车牵引电机温度预测方法，其根据历史温度数据和列车工况数据建立并训练端到端的神经网络预测模型，模型在在线学习阶段每个时
6、cn105160109a公开了一种基于rbf神经网络的电机温升预测的方法，通过构建rbf神经网络预测现代汽车车窗电机温升参数，同时将神经网络所预测的参数代入到所建电机温升数学模型中实现对电机温度的实时预测。
7、cn 115313763 a公开了一种新能源汽车电机热管控方法，其通过将在汽车行驶过程中，实时采集电机关于机械、电气和温度的时间序列数据输入到电机温度预测模型中，得到电机温度分布预测结果，以求解当前工况下的最佳冷却水流量，使电机的最高温度保持在设定范围以内。
8、cn 114896777 a公开了基于灰色理论通过电机温度和负载对电机寿命预测的方法，其通过获取电机在不同温度下的工作寿命时长原始数据以及电机在不同负载下的工作寿命时长原始数据，建立电机温度预测寿命模型和电机负载寿命模型。但上述七项专利技术均未考虑永磁同步电机和电驱动总成多物理场耦合损耗特性，且未考虑各温度节点间的时空相关特性，无法通过少量传感器信息实现电机整体温度场分布以及转速、转矩和电流等信息的变时间尺度预测。
9、cn 116595876 a公开了一种基于gcn-lstm的多传感器数据融合的电机温度态势预测方法，其采用多个不同监测电机温度状态传感器收集的多元时间序列构建为传感器网络；通过gcn和lstm挖掘电机的时空特征，提高电机态势预测准确度。但上述专利技术仅考虑了温度节点间的时空相关性，缺少对电机多物理场耦合损耗特性的分析，忽视了电机本身损耗对温度的影响，且无法通过少量传感器信息实现电机温度、转速、转矩和电流等预测。cn115081308 a公开了一种考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法，其通过建立基于最小二乘法的时空图卷积热神经网络瞬态温度场预测模型，获取电驱变速箱未来一定时尺内的瞬态温度场数据，并利用可能性c均值聚类算法探究预测模型的误差分布规律，对所预测的温度值进行误差补偿，以进一步提高温度预测模型的预测精度。但该方法未考虑电驱动总成多物理场耦合损耗特性，且忽视了电驱动总成本身的物理特性对温度场预测的重要性。同时其使用的是传统的图卷积神经网络模型，而不是本专利技术所提出的改进后的关系图卷积神经网络模型。
10、cn110412462a公布了一种航空用永磁同步电动机瞬态温度预测方法，该方法基于曲线拟合及电流源法/电压源法的损耗计算、电机三维模型设计和有限元模型网格划分、冷却散热条件及流固耦合分析、电机各零部件温度分布进行瞬态温度预测，获得高精度的温度分布。
11、cn 112800685 a公开了一种高精度的电机多物理场耦合仿真计算方法，其通过搭建基于keras框架的深度学习模型，对已有铁磁损耗数据进行训练；并且采用乱序重复k折验证方法对模型进行评估；通过搭建两个深度学习模型对训练样本进行扩充，以扩充后的样本为另一深度学习模型的训练样本，将电磁损耗作为温度场计算的输入源，通过电磁-温度-应力场的多物理联合仿真计算模拟了电机由于温升所受的热应力。但上述两个专利技术未对有限元模型进行降阶处理，未提出有效的参数化模型且未考虑与数据驱动方法的结合以提高预测效率，无法直接应用于实车中的电驱动总成瞬态温度场快速预测。
12、cn113720495a公布了一种电机转子实时温度估计方法，其以电机损耗模型和热路模型为基础，构造电机温度估计模型，以电机运行中的电流、转速、环境温度以及其它可以低成本传感器测量获得的热点温度为输入，估计电机绕组温度、定子铁心温度和转子磁钢温度等关键热点温度。该专利技术求解损耗模型与热路模型过程较为复杂，未考虑温度节点间的时空关联特性，且无法对未来温度进行预测。
13、cn 108490357 a公开了一种机理-数据驱动模型的锂电池剩余容量预测方法，其通过构造锂电池剩余容量与其充放电循环周期的退化机理模型，对锂电池原始剩余容量数据进行凸优化降噪处理，采用最小二乘法对机理模型中未知参数进行辨识，实现基于机理模型的锂电池剩余容量的预测。建立基于lssvm的建模误差数据驱动模型，将lssvm估计的建模误差反馈到机理模型的预测结果上，从而实现锂电池剩余容量的高精度预测。但该方法涉及的机理挖掘过程与电驱动总成多物理场耦合损耗特性探索过程不同，且本方法是对现实物理规律进行降阶和参数化处理后与数据驱动相融合，以更好的挖掘电驱动总成时空相关特性，与该方法机理-数据驱动融合机制完全不同，且本方法能够基于少量传感器信息对关键传感器数据进行不同时间尺度快速预测。
14、上述所公开的现有技术均只针对单独的电机或电池进行温度预测，将此类方法迁移到结构更为复杂的电驱动总成应用难度较大，适用性存在一定局限性。
15、实际上，目前使用部分温度传感器和温度估计方法对电机和逆变器温度进行热监控，同时采用主动冷却的方式对其进行冷却是主流趋势。然而，由于布置和成本限制，目前多是通过少量温度传感器对部分温度点进行测量，很难准确估计整体温度场，且由于不能快速准确预测电驱动总成未来的瞬态温度场和其它性能参数，无法对未来时刻异常温升进行有效的主动抑制，也无法有效参与整车的能量管理。同时，由于未考虑电机或电驱动总成本身的多物理场耦合损耗特性，其热建模准确度较差。
16、因此，融合多物理场耦合模型计算准确度高与数据驱动模型计算效率高等优点，本专利技术提本文档来自技高网...
【技术保护点】
1.一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，所述步骤2具体为：
4.根据权利要求3所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，步骤2-2参数化稳态功率损耗模型中的铜损在不同温度和频率下绕组电阻的损耗变化规律如下式，其中T为温度，f为频率，
5.根据权利要求3所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，所述步骤2-3中，绕组电阻R及其电阻率ρ、永磁体的电阻率ρPM关于时间t、温度T和频率f的变化关系分别为R(t,T,f,ΔI,Δf)，ρ(t,T,f,ΔI,Δf)，ρPM(t,T,f,ΔI,Δf)，其中ΔI与Δf分别为电流和频率的误差补偿量。
6.根据权利要求1所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，
7.根据权利要求1所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，所述步骤4具体为：
8.根据权利要求2所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，所述步骤1-2和1-3具体为：
9.根据权利要求3所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，所述步骤2-2具体为：
10.根据权利要求5所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，所述步骤4-1和4-2具体为：
...【技术特征摘要】
1.一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，所述步骤2具体为：
4.根据权利要求3所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，步骤2-2参数化稳态功率损耗模型中的铜损在不同温度和频率下绕组电阻的损耗变化规律如下式，其中t为温度，f为频率，
5.根据权利要求3所述的一种多场耦合建模与数据驱动的电驱动总成关键性能预测方法，其特征在于，所述步骤2-3中，绕组电阻r及其电阻率ρ、永磁体的电阻率ρpm关于时间t、温度t和频率f的变化关系分别为r(t,t,f...
【专利技术属性】
技术研发人员：赵治国，唐鹏，李豪迪，杨建煜，范文伯，
申请(专利权)人：同济大学，
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。