【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种电驱动系统的故障诊断方法及相关设备。
技术介绍
1、电驱动系统作为电动汽车的动力输出部件，其主要目的是输出扭矩，提供整车行驶的机械动力。相关技术中的电驱动系统控制器在软硬件设计上，仅能支持对电驱动系统的电气性能或电子部件，例如电流，电压等电气参数进行识别和诊断，但对电驱动系统的机械部件，例如电机定子，转子，减速器齿轮，轴承，差速器等纯机械零部件不具备直接诊断识别的能力。在相关部件产生损伤，失效或老化等表现时，不能及时地做出判定，仅能在售后市场进行甄别和维修，产生极大的不便利性。电驱动系统作为新能源汽车的核心驱动部件，公众及市场对电驱动系统的性能，功能和安全设计提出了更高的要求，因此如何对电驱动主要的机械部件状态进行实时的监控并进行诊断，成为了一个亟待解决的问题。
技术实现思路
1、有鉴于此，本申请的目的在于提出一种电驱动系统的故障诊断方法及相关设备，用以解决上述问题。
2、基于上述目的，本申请的第一方面提供了一种电驱动系统的故障诊断方法，包括：
3、实时获取目标电驱动系统的状态信号；
4、对所述状态信号进行时频分析，得到振动频率时间图谱；
5、将所述振动频率时间图谱输入到预先训练好的神经网络模型中，以供所述神经网络模型提取所述振动频率时间图谱的全部特征值，并在全部特征值中确定隐含特征值；
6、基于所述隐含特征值查找预先构建的故障特征对应表，确定所述目标电驱动系统的故障。
7、可选
8、获取电驱动系统的健康图谱和多个故障图谱；
9、对所述故障图谱进行标注，以使所述故障图谱和所述故障一一对应；
10、将所述健康图谱和被标注的所述故障图谱输入到所述神经网络模型中，得到多个隐含特征值样本；
11、响应于确定不满足结束条件，调整所述神经网络模型的超参数，重新将所述健康图谱和被标注的所述故障图谱输入到调整后的所述神经网络模型中，得到多个新的隐含特征值样本，并记录迭代次数，直至满足所述结束条件，保存所述隐含特征值样本并结束训练。
12、可选地，所述获取电驱动系统的健康图谱和多个故障图谱，包括；
13、获取健康电驱动系统的健康状态信号和故障电驱动系统的对应不同故障的多个故障状态信号；
14、通过短时傅里叶变换将所述健康状态信号和多个所述故障状态信号转换为多个复数矩阵样本；
15、基于全部的所述复数矩阵样本分别构建所述健康图谱和多个对应不同故障的所述故障图谱。
16、可选地，所述结束条件为故障诊断准确率大于或等于预设的准确率阈值或所述迭代次数大于或等于预设的最大迭代次数。
17、可选地，在将所述健康图谱和被标注的所述故障图谱输入到所述神经网络模型中之前，还包括：
18、对所述健康图谱和所述故障图谱进行预处理，缩小所述健康图谱和所述故障图谱的范围。
19、可选地，所述利用短时傅里叶变换对所述状态信号进行时频分析，得到振动频率时间图谱，包括：
20、利用短时傅里叶变换对所述状态信号进行时频分析，得到复数矩阵；
21、对所述复数矩阵进行可视化处理，得到所述振动频率时间图谱。
22、本申请的第二方面提供了一种电驱动系统的故障诊断装置，其特征在于，包括：
23、信号获取模块，被配置为：实时获取目标电驱动系统的状态信号；
24、信号转换模块，被配置为：对所述状态信号进行时频分析，得到振动频率时间图谱；
25、模型计算模块，被配置为：将所述振动频率时间图谱输入到预先训练好的神经网络模型中，以供所述神经网络模型提取所述振动频率时间图谱的全部特征值，并在全部特征值中确定隐含特征值；
26、故障诊断模块，被配置为：基于所述隐含特征值查找预先构建的故障特征对应表，确定所述目标电驱动系统的故障。
27、本申请的第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本申请第一方面提供的任意一项所述的方法。
28、本申请的第四方面提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行本申请第一方面提供的任一所述方法。
29、本申请的第五方面提供了一种车辆，其特征在于，包括本申请第二方面提供的的电驱动系统的故障诊断装置或本申请第三方面提供的的电子设备或如本申请第四方面提供的非暂态计算机可读存储介质。
30、从上面所述可以看出，本申请提供的电驱动系统的故障诊断方法及相关设备，获取目标电驱动系统的状态信号，并对状态信号进行时频分析，得到振动频率时间图谱；将振动频率时间图谱输入到预先训练好的神经网络模型中，得到隐含特征值，并基于隐含特征值确定目标电驱动系统的故障。通过实时获取目标电驱动系统的状态信号来实现对目标电驱动系统的实时监控，及时发现目标电驱动系统存在的故障，避免造成交通事故。然后，对状态信号进行时频分析，得到振动频率时间图谱，实现可视化，有利于用户对目标电驱动系统的状态进行实时观测。将振动频率时间图谱输入到预先训练好的神经网络模型中，得到隐含特征值并根据隐含特征值查找故障特征对应表，以确定目标电驱动系统的故障，当目标电机系统中的机械部件出现故障时，能及时发现故障，以便用户采取相应的维修措施。
本文档来自技高网...【技术保护点】
1.一种电驱动系统的故障诊断方法，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，训练所述神经网络模型具体包括：
3.根据权利要求2所述的方法，其特征在于，所述获取电驱动系统的健康图谱和多个故障图谱，包括；
4.根据权利要求2所述的方法，其特征在于，所述结束条件为故障诊断准确率大于或等于预设的准确率阈值或所述迭代次数大于或等于预设的最大迭代次数。
5.根据权利要求2所述的方法，其特征在于，在将所述健康图谱和被标注的所述故障图谱输入到所述神经网络模型中之前，还包括：
6.根据权利要求1所述的方法，其特征在于，所述对所述状态信号进行时频分析，得到振动频率时间图谱，包括：
7.一种电驱动系统的故障诊断装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至6任意一项所述的方法。
9.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执
10.一种车辆，其特征在于，包括如权利要求7所述的电驱动系统的故障诊断装置或如权利要求8所述的电子设备或如权利要求9所述的非暂态计算机可读存储介质。
...【技术特征摘要】
1.一种电驱动系统的故障诊断方法，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，训练所述神经网络模型具体包括：
3.根据权利要求2所述的方法，其特征在于，所述获取电驱动系统的健康图谱和多个故障图谱，包括；
4.根据权利要求2所述的方法，其特征在于，所述结束条件为故障诊断准确率大于或等于预设的准确率阈值或所述迭代次数大于或等于预设的最大迭代次数。
5.根据权利要求2所述的方法，其特征在于，在将所述健康图谱和被标注的所述故障图谱输入到所述神经网络模型中之前，还包括：
6.根据权利要求1所述的方法，其特征在于，所述对所...
【专利技术属性】
技术研发人员：刘强，郑力夫，冯怡，刘翔，
申请(专利权)人：北京车和家汽车科技有限公司，
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。