Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 东南大学祝小元获国家专利权

东南大学祝小元获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉东南大学申请的专利基于机器学习与双卡尔曼滤波的驱动电机温度估计方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN120822394B

龙图腾网通过国家知识产权局官网在2025-11-25发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202511343667.6,技术领域涉及:G06F30/23;该发明授权基于机器学习与双卡尔曼滤波的驱动电机温度估计方法是由祝小元;孙玉达;陶鹏飞;殷国栋设计研发完成,并于2025-09-19向国家知识产权局提交的专利申请。

基于机器学习与双卡尔曼滤波的驱动电机温度估计方法在说明书摘要公布了:本发明公开了基于机器学习与双卡尔曼滤波的驱动电机温度估计方法,涉及电机温度监测与控制技术领域。本发明包括:构建有限元仿真模型,通过有限元仿真采集多工况下的电机损耗数据与温度响应数据,并通过物理信息机器学习方法构建离线参数数据库;基于离线参数数据库,构建二阶集总参数热网络模型,并将二阶集总参数热网络模型转化为线性参数变化状态空间模型。本发明通过LPV模型实时切换参数,并结合双卡尔曼滤波器动态修正模型误差,克服温度、转速引起的参数漂移,解决了传统转子温度估计方法在电动汽车宽范围复杂运行条件下,因建模误差、热参数时变等原因,导致离线建模的开环估计器精度不足,无法实现全工况下准确实时估计的问题。

本发明授权基于机器学习与双卡尔曼滤波的驱动电机温度估计方法在权利要求书中公布了:1.基于机器学习与双卡尔曼滤波的驱动电机温度估计方法,其特征在于,包括以下步骤: S1.构建有限元仿真模型,通过有限元仿真采集多工况下的电机损耗数据与温度响应数据,构建离线参数数据库; S2.基于离线参数数据库,构建二阶集总参数热网络模型,并将二阶集总参数热网络模型转化为线性参数变化状态空间模型,得到线性变参-热网络模型; S3.接收实际电机的电流、转速及油温数据参数,将电流、转速及油温数据参数输入到线性变参-热网络模型进行电机在线温度估计,并基于线性变参-热网络模型构建双卡尔曼滤波器,双卡尔曼滤波器在温度估计过程中进行参数与状态的闭环调节,用于优化在线温度估计值; 构建有限元仿真模型,通过有限元仿真采集多工况下的电机损耗数据与温度响应数据,并通过物理信息机器学习方法构建离线参数数据库,具体如下: S11.基于实验电机标称参数,在仿真软件Motor-CAD中构建油冷式感应电机的有限元模型,同时以定子外径为基准,将几何尺寸归一化; S12.选取转速0-15000rpm,转速间隔1000rpm、定子电流0-120A,电流间隔10A的多组工况,采集两类数据:损耗数据和温度数据: 损耗数据采集:通过磁-热耦合仿真获取不同工况下的定子损耗和转子损耗,涵盖铜损、铁损及机械损耗; 温度数据采集:在低速1000rpm、中速6000rpm、高速10000rpm的典型工况下,选取3000s的定子温度数据、转子温度及冷却剂温度以0.1s为时间间隔进行采集,将采集到的数据集用于热网络参数辨识; S13.基于步骤S12中采集数据构建损耗模型,通过全连接神经网络学习损耗模型的系数,具体输入为转速和电流,输出为定子或转子损耗计算系数; 步骤S13中构建的损耗模型,通过全连接神经网络学习损耗模型的系数,将损耗转化为可观测变量的函数,具体如下: 建立驱动电机损耗公式,通过全连接神经网络学习系数,用参数化建模的方法将损耗模型转化为如下函数: 式中,为定子电流,n为与电流、转速相关的系数,是一个分配系数,其约束条件为,并确定轴承损耗和风阻损耗;是定子铜损系数,用于表征定子铜损与电流平方的比例关系;是定子铜损的转速相关指数;为转子铜损系数,表征转子铜损与定子铜损的比例关系;为铁损基础系数,用于表征总铁损的整体幅值;为铁损的电流相关指数,反映定子电流对总铁损的影响程度;是铁损的转速相关指数,反映转速对总铁损的影响程度;为铁损分配系数,用于将总铁损分配给定子和转子,满足0k71;为机械损耗中的轴承损耗系数,表征机械损耗中与转速一次方相关的分量;为机械损耗中的风阻损耗系数,表征机械损耗中与转速三次方相关的分量; 最终定子总损耗为: 转子总损耗为: 式中,为机械损耗,为定子铜损,为转子铜损,为定子铁损,为定子铁损; 步骤S2中二阶集总参数热网络模型的训练过程采用L-BFGS优化算法,损失函数L1为: 式中,为训练样本的定子损耗预测值,为训练样本的定子损耗仿真值,为训练样本的转子损耗预测值,为训练样本的转子损耗仿真值; 通过L-BFGS算法识别集总参数热网络模型的热参数; 二阶集总参数热网络模型输入为当前温度状态,输出为下一时刻温度预测值,损失函数L2为: 式中,、分别为定子与转子热容,、、为热导;Ti+1为下一时刻温度状态。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人东南大学,其通讯地址为:211189 江苏省南京市江宁区东南大学路2号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。