本发明涉及轮毂电机系统及总成测试,尤其涉及一种轮毂电机故障情况预测方法。
背景技术:
1、随着新能源汽车市场渗透率不断提升,以及线控底盘、滑板底盘的技术发展,带动着轮毂电机关键技术的持续突破,轮毂电机汽车的应用领域也在不断拓宽。汽车用轮毂电机角模块是将轮毂电机、悬架系统、转向系统和制动系统集成在一起,具有高效的驱动形式、紧凑的结构设计和灵活的控制方式等优点,但也存在着产品验证周期长,对系统的安全性、可靠性和耐久性要求高等劣势。
2、与传统的集中控制电机相比,由于轮毂电机安装在车轮内,极大改变了汽车产品所需的运行环境,意味着轮毂电机必须在更恶劣的环境条件下保持长时间运行。位于整车悬架簧下的轮毂电机,由于坑洼和其他路面缺陷,比位于簧上的集中控制电机承受更大的冲击和振动。轮毂电机也更容易受到环境因素的影响,如污垢和水,全淹没式涉水、涉泥等。此外,轮毂电机还要承受更复杂的机械载荷,如侧向转弯载荷、悬架运行引起的电缆运动和潜在的路边冲击。
3、因此,亟需一种轮毂电机故障情况预测方法,以快速有效的验证轮毂电机在整车及单独角模块运行条件下长期稳定服役的使用需求。
技术实现思路
1、为了解决上述技术问题,本发明提供了一种轮毂电机故障情况预测方法,以快速有效的验证轮毂电机在整车及单独角模块运行条件下长期稳定服役的使用需求。
2、本发明提供了一种轮毂电机故障情况预测方法,包括如下步骤:
3、s1、采集轮毂电机故障试验所需的基础数据;轮毂电机故障试验包括轮毂电机整车故障试验或轮毂电机角模块故障试验;当轮毂电机故障试验为轮毂电机整车故障试验时,基础数据包括车辆基础数据,当轮毂电机故障试验为轮毂电机角模块故障试验时,基础数据包括角模块基础数据;
4、s2、开展轮毂电机故障试验,记录轮毂电机角模块的故障分析数据;
5、s3、根据基础数据和故障分析数据确定基础数据和故障分析数据的权重矩阵;
6、s4、将待测轮毂电机的基础数据和权重矩阵输入神经网络预测模型,对待测轮毂电机的故障情况进行预测。
7、进一步的,当轮毂电机故障试验为轮毂电机整车故障试验时,在s1之后,还包括:
8、采集轮毂电机整车故障试验所需的第一轮毂电机角模块的载荷谱数据,并根据第一轮毂电机角模块的载荷谱数据提取第一载荷指标;
9、根据第一轮毂电机角模块的载荷谱数据计算用于轮毂电机整车故障试验的驱动参数。
10、进一步的,s2,开展轮毂电机故障试验,记录轮毂电机角模块的故障分析数据包括:
11、s21’、根据驱动参数开展轮毂电机整车故障试验,并采集试验过程中的第二轮毂电机角模块的载荷谱数据;
12、s22’、根据第二轮毂电机角模块的载荷谱数据提取第二载荷指标;
13、s23’、试验结束后,记录轮毂电机角模块的故障分析数据。
14、进一步的,s3,根据基础数据和故障分析数据确定基础数据和故障分析数据的权重矩阵包括:
15、s31’、根据车辆基础数据和第一载荷指标构建第一权重矩阵w1;
16、s32’、根据第二载荷指标和故障分析数据构建第二权重矩阵w2;
17、s33’、根据第一权重矩阵w1和第二权重矩阵w2得出车辆基础数据和故障分析数据的第三权重矩阵w3。
18、进一步的,s4,将待测轮毂电机的基础数据和权重矩阵输入神经网络预测模型,对待测轮毂电机的故障情况进行预测包括:
19、将车辆基础数据作为输入、将第三权重矩阵w3作为初始化权重输入神经网络预测模型,对待测轮毂电机的故障情况进行预测。
20、进一步的,当轮毂电机故障试验为轮毂电机角模块故障试验时,在s1之后,还包括:
21、确定轮毂电机角模块故障试验的标准工况;标准工况包括启动工况、驱动工况、变速工况、转向工况和制动工况。
22、进一步的,s2,开展轮毂电机故障试验,记录轮毂电机角模块的故障分析数据包括:
23、根据标准工况开展轮毂电机角模块故障试验,并记录轮毂电机角模块的故障分析数据。
24、进一步的,s3,根据基础数据和故障分析数据确定基础数据和故障分析数据的权重矩阵包括:
25、根据角模块基础数据和故障分析数据构建第四权重矩阵w4。
26、进一步的,s4,将待测轮毂电机的基础数据和权重矩阵输入神经网络预测模型,对待测轮毂电机的故障情况进行预测包括:
27、将角模块基础数据作为输入、将第四权重矩阵w4作为初始化权重输入神经网络预测模型,对待测轮毂电机的故障情况进行预测。
28、本发明实施例具有以下技术效果:
29、通过采集轮毂电机故障试验所需的基础数据以及轮毂电机角模块的故障分析数据,确定基础数据和故障分析数据的权重矩阵,基于神经网络预测模型得到待测轮毂电机的故障情况,可以仅在仅知道车辆基础数据或仅知道角模块基础数据的情况下,根据不同的输入参数,搭配不同的初始化权重,输入神经网络预测模型,预测轮毂电机的故障情况,增加了神经网络预测模型的兼容性和普适性,更加全面地考虑了轮毂电机的故障情况,可以快速有效的验证轮毂电机在整车及单独角模块运行条件下长期稳定服役的使用需求。
1.一种轮毂电机故障情况预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种轮毂电机故障情况预测方法,其特征在于,当所述轮毂电机故障试验为轮毂电机整车故障试验时,在所述s1之后,还包括:
3.根据权利要求2所述的一种轮毂电机故障情况预测方法,其特征在于,所述s2,所述开展轮毂电机故障试验,记录轮毂电机角模块的故障分析数据包括:
4.根据权利要求3所述的一种轮毂电机故障情况预测方法,其特征在于,所述s3,所述根据所述基础数据和所述故障分析数据确定基础数据和故障分析数据的权重矩阵包括:
5.根据权利要求4所述的一种轮毂电机故障情况预测方法,其特征在于,所述s4,所述将待测轮毂电机的基础数据和所述权重矩阵输入神经网络预测模型,对所述待测轮毂电机的故障情况进行预测包括:
6.根据权利要求1所述的一种轮毂电机故障情况预测方法,其特征在于,当所述轮毂电机故障试验为轮毂电机角模块故障试验时,在所述s1之后,还包括:
7.根据权利要求6所述的一种轮毂电机故障情况预测方法,其特征在于,所述s2,所述开展轮毂电机故障试验,记录轮毂电机角模块的故障分析数据包括:
8.根据权利要求7所述的一种轮毂电机故障情况预测方法,其特征在于,所述s3,所述根据所述基础数据和所述故障分析数据确定基础数据和故障分析数据的权重矩阵包括:
9.根据权利要求8所述的一种轮毂电机故障情况预测方法,其特征在于,所述s4,所述将待测轮毂电机的基础数据和所述权重矩阵输入神经网络预测模型,对所述待测轮毂电机的故障情况进行预测包括: