用于监测和识别电驱动系统中的传感器故障的方法

摘要

本发明提供一种用于监测和识别电驱动系统中的传感器故障的方法，包括步骤：通过车辆的电驱动系统中的各种传感器收集相应的数据；将所收集的数据输入到已经建立的传感器故障模式识别模型中；以及基于所收集的数据通过所述传感器故障模式识别模型来确定是否存在故障模式以及故障模式类型。根据本发明的方法可以快速地确定由电驱动系统中的传感器导致的故障模式以及故障模式类型。

说明书

技术领域

本发明涉及电驱动系统,尤其涉及一种用于监测和识别电驱动系统中的传感器故障的方法。

背景技术

由于具有更高的效率、更好的加速性能和对环境更加友好，诸如混合动力或纯电动车辆的新能源车辆越来越被用户所接受，市场占有率也越来越高。在这样的新能源车辆,电驱动系统是它的主要动力源。图1简化地示意显示了一个典型的电驱动系统。如图1所示，电驱动系统包括电池包1、将来自电池包1的直流电转换为交流电的逆变器2、以及在来自逆变器2的交流电的驱动下运转的电动机3。电动机3通常是永磁同步电动机。为了驱动永磁同步电动机，需要检测电动机的转子的角向位置，以便进行磁场定向控制，即，根据转动过程中的转子永磁体的磁场方向来确定应当施加的定子磁场的方向。为此，电驱动系统还包括用于检测转子角向位置的位置传感器4。电驱动系统也还包括用于检测逆变器的输出电流的电流传感器5。电驱动系统的逆变器根据来自位置传感器和电流传感器的实时测量来及时调整输出电流的大小和方向。因此，位置传感器和电流传感器是确保电驱动系统能够进行实时电流控制并且获得期望的转矩或速度的主要传感器。位置传感器和电流传感器的测量准确性就转矩脉动或效率方面而言对于电驱动系统性能具有直接影响。但是，传感器的准确性越高，传感器的成本就越高。为此，已经提出了采用软件补偿算法来补偿由低成本传感器导致的不准确，但是传感器到底如何不准确或者是什么导致这种不准确是难于被检测的。

因此，需要一种用于监测和识别电驱动系统中的传感器故障的方法。

发明内容

本发明的目的是提供一种用于监测和识别电驱动系统中的传感器故障的方法。根据本发明的方法，可以快速地确定由电驱动系统中的传感器导致的故障模式以及故障模式类型。

一种用于监测和识别电驱动系统中的传感器故障的方法，包括步骤：

通过车辆的电驱动系统中的各种传感器收集相应的数据；

将所收集的数据输入到已经建立的传感器故障模式识别模型中；以及

基于所收集的数据通过所述传感器故障模式识别模型来确定是否存在故障模式以及故障模式类型。

可选地，所述的用于监测和识别电驱动系统中的传感器故障的方法还包括步骤：

在确定存在故障模式以及故障模式类型之后，将对应的数据输入数据库中的故障数据中；或者在确定不存在故障模式之后，将对应的数据输入数据库中的正常数据中。

可选地，所述的用于监测和识别电驱动系统中的传感器故障的方法，还包括步骤：

基于新输入的故障数据和/或正常数据完善和更新所述传感器故障模式识别模型。

可选地，所述的用于监测和识别电驱动系统中的传感器故障的方法，还包括步骤：

在确定存在故障模式以及故障模式类型之后，运行存储在所述车辆的控制器或所述电驱动系统中的相应的补偿算法程序，以补偿故障传感器导致的数据不准确性。

可选地，所述传感器故障模式识别模型是基于初始数据通过机器学习方法建立的。

可选地，所述的用于监测和识别电驱动系统中的传感器故障的方法是基于车辆网络监控系统进行的，所述车辆网络监控系统包括在多个车辆的每个中的所述电驱动系统以及能够与每个车辆的控制器或每个所述电驱动系统进行无线通信的云端,所述云端包括用于储存所述数据的数据库、以及用于执行所有计算和通信的中央处理单元。

可选地，所述传感器故障模式识别模型是基于如下公式建立的：

S(normal，Flt

其中，X是反映所述电驱动系统随着时间域或频率域变化的输入变量，Func()是基于历史数据建立的传感器故障模式识别模型，S表示与相应数据对应的模式。

可选地，X是反映所述电驱动系统随着时间域变化的参数X(t)，并且X(t)是电动机功率、电动机转速、电动机转矩、来自电池包的直流电压、电流测量值、位置传感器测量值、定子温度、IGBT温度、直轴电流、交轴电流、直轴电压和交轴电压中的一种或多种。

可选地，X是反映所述电驱动系统随着频率域变化的参数X(f)，由时间域的变量进行频率域的计算或统计计算以获取的谐波信息、标准差、峰度或偏斜度。

根据本发明，可以快速地确定由电驱动系统中的传感器导致的故障模式以及故障模式类型。

附图说明

附图中：

图1简化地示意显示了一个典型的电驱动系统；

图2示意地显示了车辆网络监控系统；

图3是解释根据本发明的用于监测和识别电驱动系统中的传感器故障的方法的示意图；以及

图4是显示根据本发明的用于监测和识别电驱动系统中的传感器故障的方法的优选实施例的流程图。

具体实施方式

以下将结合示例对本发明优选实施例进行详细描述。本领域技术人员应当理解的是，这些示例性实施例并不意味着对本发明施加任何限制。

图2示意地显示了车辆网络监控系统。如图2所示，车辆网络监控系统包括在多个车辆6的每个中的电驱动系统以及能够与每个车辆6中的车辆控制器进行无线通信的云端7。车辆控制器与相应车辆中的电驱动系统电连通，以便监控电驱动系统。数据能够在车辆控制器与云端之间传递。当然，云端7也可以与每个车辆6中的电驱动系统直接电连通进行无线通信。车辆网络监控系统中的典型云端包括用于储存来自所有车辆的数据的数据库8、以及用于执行所有必要的计算和通信的中央处理单元9。

根据本发明的用于监测和识别电驱动系统中的传感器故障的方法是利用车辆网络监控系统作为基本平台。图3是解释根据本发明的用于监测和识别电驱动系统中的传感器故障的方法的示意图。云端从互联的多个车辆中的每个车辆收集所有必要数据并且存储在数据库8中。用于监测和识别电驱动系统中的传感器故障的数据包括但不限于：电流传感器测量值、位置传感器测量值、电池包的直流电压、定子温度、绝缘栅双极型晶体管(IGBT)温度、电动机转速、电动机转矩、电动机功率等。每次从互联的多个车辆中的每个车辆收集的各种数据被称为数据组10，数据组中的数据被分成正常数据11和故障数据12并且作为历史数据被储存在数据库8中。正常数据是指车辆运行正常时的传感器测量值，而故障数据是指车辆运行不正常即出现故障时的传感器测量值。例如，当车辆出现抖动时或动力不足等故障时，电流传感器的测量值可能出现增益误差、偏置误差，或者位置传感器的测量值可能出现增益误差、偏置误差。当电流传感器的测量值出现增益误差时会导致转矩脉动，这种转矩脉动的频率通常是逆变器的输出电流的频率的两倍；而当电流传感器的测量值出现偏置误差时也会导致转矩脉动，这种转矩脉动的频率通常与逆变器的输出电流的频率相同。当位置传感器的测量值出现增益误差或偏置误差时都将导致电动机的输出转矩低于期望的转矩。因而，根据车辆故障状况可以确定可能的传感器故障类型，例如是什么传感器出现的什么类型的故障。随后，通过存储在逆变器或者车辆控制器中的补偿算法程序可以对出现故障的传感器的测量值进行补偿以消除其不准确性。初始的故障数据(历史数据)可以在车辆运行过程中出现故障时通过车辆自身的故障检测手段在线获取(例如，针对位置传感器出现的故障)或者通过车辆维修人员将传感器拆卸下来离线获取。

随后云端的中央处理单元9基于获取的初始历史数据通过机器学习方法13对数据进行处理以建立传感器故障模式识别模型14。有很多机器学习方法能够执行这些功能，例如，人工神经网络、群集、相似度、度量学习等，以建立传感器故障模式识别模型。通过传感器故障模式识别模型，可以识别或确定各种故障模式以及正常模式。传感器故障模式识别模型的输入是从每个车辆收集的新数据组15，传感器故障模式识别模型的输出是是否存在故障模式16、以及故障模式类型17。有关故障模式类型的信息随后被传输到逆变器或者车辆控制器，以便在电驱动系统侧运行补偿算法程序18，从而对故障传感器的测量值不准确性进行补偿。从每个车辆收集的新数据组15同时也作为历史数据被传输到数据库8，以进一步完善和更新数据库8。

对于早期加入车辆网络监控系统中的车辆可能需要离线进行初始的历史故障数据获取，在建立故障识别模型之后加入车辆网络监控系统中的车辆就不需要离线进行初始的历史故障数据获取，而是将其数据直接输入故障识别模型进行识别并且同时输入到数据库8以进一步完善和更新数据库8。借助于持续不断地从各个车辆收集的大数据，可以不断完善传感器故障模式识别模型。

更具体地，传感器故障模式识别模型是基于以下公式建立的：

S(normal，Flt

其中，X是反映车辆电驱动系统随着时间域或频率域变化的输入变量，并且被收集和储存在云端的数据库中。当X是反映电驱动系统随着时间域变化的参数X(t)时，X(t)＝[P，n

当X是反映电驱动系统随着频率域变化的参数X(f)时，X(f)是由时间域的变量进行频率域的计算或统计计算以获取的谐波信息、标准差、峰度、偏斜度等等。

其中，Func()是基于存储在车辆网络监控系统或者存储在云端的历史数据建立的传感器故障模式识别模型。如上所述，传感器故障模式识别模型可以通过诸如人工神经网络、聚类分析等的任何合适的机器学习方法来建立。S(normal，Flt

图4是显示根据本发明的用于监测和识别电驱动系统中的传感器故障的方法的优选实施例的流程图。如图4所示，在步骤20开始根据本发明的用于监测和识别电驱动系统中的传感器故障的方法，开始步骤可以在设定的时间开始。在步骤21，通过车辆上的诸如位置传感器、电流传感器、电压传感器、温度传感器等的各种传感器收集各种相应的必要数据并将数据传送到处于云端的中央处理单元。在步骤22，将收集的各种数据适用于已经建立的传感器故障模式识别模型进行故障模式类型识别。在步骤23，确定是否存在故障。如果确实存在故障，在步骤25，将相应数据添加到数据库的故障数据中。接着，在步骤26，根据已知的故障模式开启逆变器或者车辆控制器中的补偿算法程序。应理解的是，步骤25和26可以同时进行或先实施步骤26，然后实施步骤25。如果没有故障，在步骤27，将相应数据添加到数据库的正常数据中。在步骤26或27之后，根据本发明的用于监测和识别电驱动系统中的传感器故障的方法回到步骤21，重复以上步骤。如果设定的运行时间已到，则在步骤28结束根据本发明的用于监测和识别电驱动系统中的传感器故障的方法。

根据本发明，一旦故障模式被识别，中央处理单元将与对应的电驱动系统通信，并且在必要时以合适的参数启动存储在电驱动系统或车辆控制器中的补偿算法程序，以补偿传感器误差。这样，即使在传感器出现故障的情况下，也可以保持电驱动系统的最佳性能。

加入车辆网络监控系统中的车辆应具有相同的电驱动系统。加入车辆网络监控系统中的车辆越多，获取的数据越多，越有助于完善传感器故障模式识别模型，结果，更有利于提高监测和识别电驱动系统中传感器故障的准确率。

尽管在以上优选实施例中，基于来自车辆网络监控系统的云端的数据库来建立传感器故障模式识别模型，但应理解的是，也可以基于一个单一的电驱动系统的历史数据来建立传感器故障模式识别模型，并且该传感器故障模式识别模型随后可适用于新的运行数据，以监测和识别同一电驱动系统新出现的传感器故障。

以上结合特定优选实施例对本发明进行了详细描述。显然，以上描述以及显示在附图中的实施例是示例性的而不应构成对本发明的限制。本领域技术人员应理解的是在不脱离本发明精神的情况下可以进行各种修改和变型，并且这些修改和变型也不脱离本发明的保护范围。