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！

申请/专利权人：河南工业大学;河南工大高新产业技术研究院有限公司

摘要：本发明公开了一种基于智能故障诊断模型的电驱动系统构型，涉及汽车技术领域，解决的是现有分布式轮边构型及故障诊断系统，在极端工作条件下的可靠性低和安全性低的问题；电驱动系统构型，包括外部电源、动力能源系统、电力驱动系统和辅助控制系统；动力能源系统包括动力电池、电池管理单元和高压配电盒；电力驱动系统包括轮边驱动单元、整车控制器、制动单元和转向单元；辅助控制系统包括DCDC转换器、PTC加热器、电动冷却器、DCAC变换器、低压配电盒和辅助电池；通过智能故障诊断模型对轮边驱动单元的驱动器、驱动电机和减速机的运行数据进行实时故障预测，并根据故障预测结果生成一系列控制信号，同时将控制信号发送至对应的部件完成车辆的故障避险。

主权项：1.一种基于智能故障诊断模型的电驱动系统构型，其特征在于：包括外部电源1、动力能源系统2、电力驱动系统3和辅助控制系统4；其中，外部电源1，用于为配置电驱动系统构型的大载荷智能牵引平台充电；动力能源系统2，用于为大载荷智能牵引平台提供高压直流电；电力驱动系统3，用于实现大载荷智能牵引平台的动力输出和运动控制；辅助控制系统4，用于为大载荷智能牵引平台的各辅助部件提供电源和控制；辅助部件包括控制部件、灯具、散热装置、冷却系统、空调和驾驶室雨刷；充电设备将所述外部电源1输入所述动力能源系统2进行存储，所述动力能源系统2将存储的电能经高压变换后，通过动力线束分别为所述电力驱动系统3和所述辅助控制系统4提供高压直流电；其中，所述电力驱动系统3将高压直流电转化为机械能，以实现大载荷智能牵引平台的动力输出和运动控制；所述辅助控制系统4将高压直流电转换为低压直流电，并将低压直流电分配到大载荷智能牵引平台的各辅助部件，以保证各辅助部件正常工作；所述动力能源系统2包括动力电池21、电池管理单元22和高压配电盒23；动力电池21将输入的外部电源1进行储存，电池管理单元22通过中央处理器利用CAN总线接收、处理及分析由电压传感器、电流传感器和温度传感器对动力电池21的各单体电池进行监测测算的实时数据，并根据分析结果对动力电池21进行充放电控制、热管理、均衡管理和高压绝缘检测，高压配电盒23通过内部设置的若干个独立电路，将动力电池21储存的电能转换为不同幅值的高压直流电，并利用动力线束分别向电力驱动系统3和辅助控制系统4输送高压直流电；所述电力驱动系统3包括驱动器31、整车控制器32、制动单元33、转向单元34、驱动电机35和减速机36；在获取高压直流电后，电力驱动系统3开始工作，轮边驱动单元接收由整车控制器32生成控制信号和高压配电盒23分配的高压直流电，以实现车轮独立控制；轮边驱动单元由驱动器31、驱动电机35和减速机36模块化集成；驱动器31根据整车控制器32的控制信号，分别对驱动电机35和减速机36的转速和转矩进行控制，驱动电机35配合减速机36完成多车轮协同驱动、转向和制动；控制信号包括驱动信号、转向信号、制动信号或故障信号；所述整车控制器32包括数据采集单元、数据处理单元、数据分析单元、信号生成单元和数据存储单元；数据采集单元利用传感器网络获取轮边驱动单元各部件的运行数据；运行数据包括电压、电流、温度、扭矩和振动幅值及频率；数据处理单元利用小波变换算法和聚类算法将获取的运行数据进行去噪和分类；数据分析单元利用预设的智能故障诊断模型将完成处理的运行数据进行故障预测，以生成故障预测结果；信号生成单元利用时序先验模型根据故障预测结果生成一系列控制信号，并将控制信号发送至对应的部件完成车辆的故障避险；数据存储单元利用云端元数据库将完成处理的运行数据、故障预测结果和一系列控制信号进行储存，以构建故障模式数据库；智能故障诊断模型利用故障模式数据库内的数据信息不断进行迭代训练，以获取优化后的数据权重矩阵，并传输至数据分析单元进行信息更新；所述智能故障诊断模型首先根据轮边驱动单元各部件的故障原因，确定轮边驱动故障权重函数：F＝[DV,DM,RD]1其中，F表示轮边驱动故障权重函数，DV表示驱动器故障权重函数，DM表示驱动电机故障权重函数，RD表示减速机故障权重函数；接着从运行数据的历史记录中分别统计过压、过流、高温、过载和转速突变的次数，并确定各部件的故障权重函数： 其中，m表示异常总次数，OV表示过压次数，α表示电压阈值，OT表示高温次数，∈表示瞬时降温概率值，β表示温度阈值，OC表示过流次数，OL表示过载次数，γ表示扭矩阈值，δ表示电流阈值，FS表示转速突变次数，ε表示转速阈值；然后将获取的轮边驱动故障权重函数、各部件的故障权重函数及运行数据的历史记录分别输入特征提取层的三个分支进行特征提取，以获取深度特征值；第一个分支包括2个3X3卷积层、1个3X3最大池化层和1个归一化层，第二个分支包括3个5X5卷积层、6个3X3平均池化层和3个归一化层，第三个分支包括4个3X3卷积层、2个5X5卷积层、2个3X3最大池化层和1个归一化层；随后将第一个分支和第二个分支利用控制缝合层拼接后输入学习训练层的第一网络分支；第三个分支输入学习训练层的第二网络分支；第一网络分支包括2个串联的RES-ECA块、3个3X3卷积层和1个Relu激活函数；RES-ECA块包括4个3X3卷积层、6个残差块、3个全局池化层、2个维度扩充层和1个Sigmoid激活函数；训练第一网络分支时，利用双插值算法将轮边驱动故障权重函数和各部件的故障权重函数进行拟合，并提取拟合矩阵；第二网络分支包括3个InceptionV1块、2个InceptionV4块、2个5X5上采样层、1个3X3平均池化层和2个MISH激活函数；训练第二网络分支时，利用正则表达式对运行数据的历史记录进行不断筛选，以获取历史记录的深度特征矩阵；接着将学习训练层的两个网络分支输入通道混洗层，以获取综合权重矩阵；最后根据运行数据的采集时间利用时序注意力机制，将综合权重矩阵输入长短期记忆网络，以获取时序权重矩阵；并将时序权重矩阵输入识别验证层进行故障预测；识别验证层包括4个全连接层、2个随机失活层和1个RELU激活函数。

全文数据：

权利要求：

百度查询： 河南工业大学 河南工大高新产业技术研究院有限公司 一种基于智能故障诊断模型的电驱动系统构型