基于机器学习的车载同步电机驱动系统UDS诊断与评估

扫码查看

原文链接

NETL

中文摘要：随着新能源汽车扶持政策的持续发布，如今有越来越多的高校和企业活跃在新能源汽车市场。当前我国新能源汽车正在迈向中高级阶段，有着重解决汽车本身充电、续航、安全性等基础技术问题，转向关注与其他高技术行业的协同，充分挖掘新能源汽车的潜能。本课题以故障预测和健康管理（PHM）技术为核心思想，设计了一套结合机器学习和UDS（UnifiedDiagnosticServices）诊断的车载同步电机的故障诊断系统以及对应的开发流程。该套系统是运用MATLAB/Simulink平台基于模型的开发模式，再结合软件自身的自动代码生成技术，使系统有图形可视化、开发便捷、易于移植等特点。对该套系统的虚拟原型机，从软件和硬件两个方面进行了验证，证明了其可行性。首先，本文从同步电机出发，选择了在新能源汽车上得到广泛运用的六相混合励磁同步电机（HESM），并对该电机及其驱动系统的故障进行了分类，从材料角度，分析了其中电机永磁去磁的原因，并做了相关的退化模拟，同时基于MATLAB/Simulink平台搭建了相应的电机去磁退化模型。在该模型的基础上，深入研读并介绍了基于CAN的UDS诊断相关的协议标准，以OSI模型为参考，重点从物理层、数据链路层、网络层以及应用层搭建了UDS诊断系统。其次，阐述了机器学习在UDS诊断的关系和应用，并在循环神经网络（RNN）的基础上，介绍了进一步优化的长短期记忆（LSTM）网络，包括其网络结构、激活函数、优化算法以及损失函数。结合MATLAB的神经网络工具箱，从时序预测结构、健康因子（HI）构建、原始数据选择等几个方面，介绍了LSTM神经网络在故障诊断中的应用。此外还对比了三种时序网络结构，并得到最佳结构。最后，在软件验证方面，整合电机去磁退化模型、UDS诊断模型以及训练好的LSTM神经网络，并详细介绍了仿真流程，预测评估了起始温度为140℃的电机去磁退化模型的故障状态。在硬件方面，结合六相HESM电机控制系统，以其整车试验历史数据作为原始数据集来训练LSTM神经网络，预测评估该电机在试验台架上连续运行一段时间后的故障状态。

作者：

侯青松

展开 >

关键词：

车载同步电机驱动系统 UDS诊断机器学习预测评估

授予学位：

硕士

学科专业：

电子与通信工程

导师：

李泽宏

学位年度：

2021

学位授予单位：

电子科技大学

语种：

中文

中图分类号：