一种新能源车电机边缘智能多传感器融合预测运维系统

摘要: 本发明涉及新能源汽车运维检测,具体为一种新能源车电机边缘智能多传感器融合预测运维系统。背景技术:1、随着新能源汽车技术的普及,驱动电机作为动力输出的核心部件,其...
一种新能源车电机边缘智能多传感器融合预测运维系统

本发明涉及新能源汽车运维检测,具体为一种新能源车电机边缘智能多传感器融合预测运维系统。

背景技术:

1、随着新能源汽车技术的普及,驱动电机作为动力输出的核心部件,其运行状态的监测与维护对于整车安全至关重要。现有的电机运维系统通常采用多传感器融合技术,通过在设备表面采集振动、噪声和温度等物理信号来评估电机的健康状态。然而,实际应用中不同类型传感器的模数转换硬件采样率不同,且数据在总线传输时存在随机延迟,这使得多通道离散数据之间产生相位错位。在未实现高精度时间对齐的情况下,直接融合这些异构数据会导致机械高频特征的失配。

2、在信号传导层面,电机内部机械部件发生异常时产生的激励波需要经过内部结构和外部壳体才能到达传感器。现有技术往往忽略了外壳几何拓扑形貌对机械波传导路径的影响,壳体表面的散热格栅和弯曲弧面会造成声波和固体波的多径反射与衍射干扰。同时,电机连续运行产生的热负荷会动态改变外壳材料的密度和杨氏模量,导致声阻抗和波速衰减率随温度发生非线性漂移。如果不针对复杂的物理结构和温度漂移进行逆向补偿,直接提取的观测信号会包含大量的空间畸变分量,难以真实反映内部激振源的原始状态。

3、此外,新能源车电机在实际行驶过程中频繁处于变载荷工况,这种工况的频繁切换会导致机械信号特征呈现高度的非平稳状态。常规的固定时间窗特征提取方法难以适应工况的动态变化,容易在负荷过渡阶段产生误诊,导致诊断结果的鲁棒性较差。在云边端架构配合上,传统方案多将底层原始运行数据直接全量打包上传至云端进行集中式模型训练和寿命预测。这种方式不仅占用庞大的网络通信带宽,容易在弱网环境下造成数据传输阻塞,而且多台设备的底层原始传感测点数据直接暴露在广域网通信链路中,增加了车辆工业运行状态和底层数据的隐私泄露风险。

技术实现思路

1、针对现有技术的不足,本发明提供了一种新能源车电机边缘智能多传感器融合预测运维系统,旨在解决现有技术中,部分新能源车电机设备在实际工业运行环境中存在多模态传感信号因硬件采样差异和总线传输延迟导致的相位异步问题。此外,电机内部激振源产生的机械波在具有复杂几何特性的外壳中传导时易发生多径反射与衍射,且物理介质的声阻抗与衰减特性随运行温度呈现非线性漂移,使得传感器接收的观测信号产生空间失真和物理畸变。同时,变载荷工况引发的特征非平稳性以及多设备协同诊断中原始数据汇聚导致的隐私暴露风险与云端通信宽带压力,共同制约了预测运维系统的准确性与数据安全性。

2、为解决上述问题,本发明提供如下技术方案:本发明第一方面提供一种新能源车电机边缘智能多传感器融合预测运维系统,包括:感知终端、边缘节点、服务器和应用终端;感知终端内部集成有多个异构传感器以及时钟模块,用于采集电机设备运行状态的多通道原始离散数据序列,并基于时钟模块分配全局硬件时间戳;边缘节点通过通讯总线与感知终端连接,内部配置有存储器与加速单元,边缘节点用于接收带有全局硬件时间戳的多通道原始离散数据序列,执行异构数据时延对齐、物理空间拓扑补偿与盲源动态估算重构,提取退化特征并执行边缘侧局部诊断分类,输出边缘诊断结果;服务器通过网络接口与边缘节点通讯连接,用于接收边缘节点传输的退化特征与边缘诊断结果,构建电机设备三维数字孪生运算模型并预测电机设备剩余使用寿命,同时执行联邦学习模型迭代以生成全局优化参数下发至边缘节点;应用终端与服务器连接,用于读取服务器中的诊断数据,展示电机设备状态、剩余使用寿命预测数据与系统运维告警信息。系统架构通过云边端协同运算,实现了信号的同步感知与空间物理逆向重构,在源头去除了多维环境干扰导致的波形失真。

3、进一步的,多个异构传感器包括振动传感器、温度传感器、电流传感器、噪声传感器和转速传感器。加速单元提取多通道原始离散数据序列中相邻数据包头部的时间数值差作为实际采样周期,选取各个传感器通道实际采样周期集合中的最小值对应的通道数据作为时基基准,计算非基准通道离散数据点相对于时基基准的时间延时偏差,并基于插值核函数对非基准通道的离散数据序列执行时域卷积插值运算生成消除时延偏差的连续时间重构数值,进而按照预设的工况分析时间窗常数进行等间距截断采样,将各个状态序列按时间轴顺序逐行堆叠生成多源同步特征矩阵。步骤通过时间延时偏差的插值计算实现了多源异构信号的微秒级时间同步,克服了异步采样导致的高频相位畸变。

4、进一步的,存储器中预先存有感知终端壳体的三维几何参数以及感知终端壳体所用材料在不同温度变量下的声学映射参数与力学映射参数。加速单元建立三维直角坐标系并将感知终端壳体的连续物理表面离散化为多个面积相等的拓扑散射微元,计算每一个拓扑散射微元在三维直角坐标系中的空间位置坐标与表面法向量参数以生成空间离散点阵列矩阵。加速单元利用多项式拟合算法将离散的力学映射参数以及声学映射参数转换为连续的温度依存基准函数,结合提取的实时热力学时间序列与基于多层感知机的衰减系数映射模型,建立带有瞬态热应力项的动态补偿方程,计算生成当前环境温度下的实时振动衰减系数与实时声波衰减系数。此特征构建了依赖实时温度的材料属性基准,消除了极端热负荷工况下由单一静态物理参数引发的求解偏差。

5、进一步的,加速单元从多源同步特征矩阵中提取噪声状态序列与三轴振动状态序列,通过广义互相关相位变换算法确定噪声状态序列与三轴振动状态序列之间的到达时间差,并利用快速傅里叶变换提取三轴振动状态序列主频段区间的相位差参数。加速单元结合温度依存基准函数与全局硬件时间戳构建等效传播距离计算逻辑,并利用相位差参数推导振动波到达感知终端的等效方位角与等效仰角,将等效传播距离与等效方位角以及等效仰角代入坐标转换方程,计算生成激振源在三维直角坐标系下的盲源空间三维坐标。这种利用固液混合介质波速差异联合解算位置属性的方法,实现了对电机内部异常振动源位置的动态标定。

6、进一步的,加速单元利用基于多层感知机的散射系数预测模型预测空间离散点阵列矩阵中各个拓扑散射微元的动态能量反射率,结合盲源空间三维坐标计算激振源到达各个传感器通道的直达路径长度以及散射路径总长度,融合实时振动衰减系数与基础波速构建复数域空间传递函数,生成自适应拓扑传播矩阵。加速单元计算当前采样周期的实时信噪比并动态推导自适应正则化参数,结合自适应正则化参数构建带有惩罚项的正则化逆映射算子,将多源同步特征矩阵代入正则化逆映射算子中进行矩阵乘法运算,求解得出原始激振源信号矩阵。过程将结构体对机械波的复杂衰减反射转换为传递矩阵,并通过自适应正则化有效抑制了求逆过程中的高频噪声放大现象。

7、进一步的,加速单元对原始激振源信号矩阵执行基于多项式拟合的基线漂移校正与信号归一化处理,并利用离散小波变换与基于噪声方差估计的自适应阈值函数执行信号高频伪影净化,重构生成净化激振源信号序列。加速单元提取净化激振源信号序列的局部均方根值,将其与主轴转速时间序列同步对齐并标准化生成标准化的工况特征序列,计算瞬态载荷波动特征指标,结合施密特触发器滞回比较逻辑对净化激振源信号序列进行时域边界划分,输出带有工况状态标签的分类信号区间。多项式去趋势与小波收缩过滤了重构产生的数值伪影,基于双特征耦合的滞回比较划分降低了瞬态工况下的边界振荡误判。

8、进一步的,加速单元对带有工况状态标签的分类信号区间计算时域的偏度指标与峭度指标拼接为时域统计特征向量,并计算幅度频谱序列中离散频率谱线能量占比以生成频域谱熵特征,将二者列向拼接并利用非负矩阵分解算子降维生成多维机理特征矩阵。加速单元基于热核半径计算多维机理特征矩阵的局部亲和度矩阵,结合样本类别标签生成局部类内权重矩阵与局部类间权重矩阵,构建带有预设矩阵稳定性正则化项的局部类内散射矩阵以及局部类间散射矩阵,通过广义特征值分解求解最优投影矩阵,输出低维流形融合特征矩阵。利用局部费舍尔判别分析维持了特征样本在高维空间中的邻域拓扑关系,在降低特征冗余度的同时保留了不同运行状态的物理边界辨识度。

9、进一步的,加速单元将低维流形融合特征矩阵输入至多层感知机模型中,输出各个物理状态类别的初始预测概率向量并转化为基本概率分配函数。加速单元提取当前时刻以及预设历史滑动窗口内的多个基本概率分配函数,利用并在分母项中配置防除零冲突校正微小常量的登普斯特绍弗证据理论的组合规则进行正交和融合,生成最终综合概率分布向量,根据最大隶属度原则将最终综合概率分布向量中最大概率值对应的物理状态类别作为最终诊断分类结果。多源时序融合决策方式利用不同时间步长的相互印证,降低了单一截断数据窗偶发冲击导致的分类抖动。

10、进一步的,服务器接收边缘节点上传的低维流形融合特征矩阵以及最终综合概率分布向量,将最终综合概率分布向量映射为三维可视化虚拟电机模型的颜色预警状态,并将低维流形融合特征矩阵映射为关键部件疲劳应变分布,完成数字孪生状态同步更新。服务器将按时间序列连续排列的多个历史低维流形融合特征矩阵输入至带有参数平滑正则化约束项的长短期记忆网络中,输出当前的预测剩余使用寿命数值,通过串联配置的基于历史最小值的单调递减强制约束算子滤除反弹异常值,结合数字孪生状态生成针对物理电机设备的预防性维护工单。单调递减强制约束算子的配置贴合了机械设备磨损不可逆转的客观规律,避免了模型输出非理性的寿命逆序反弹值。

11、进一步的,加速单元利用本地真实分类标签与预测概率分布向量计算本地预测误差损失值,通过反向传播算法求解原始局部梯度矩阵,执行基于预设范数阈值的梯度裁剪并注入拉普拉斯随机噪声矩阵,生成隐私保护局部梯度矩阵上传至服务器。服务器在预设的同步等待时间窗口内收集有效参与节点列表中边缘设备上传的隐私保护局部梯度矩阵与本地样本数量标量,将每一个边缘设备的本地样本数量标量占比作为融合权重系数执行加权平均计算,生成全局平均梯度矩阵并更新全局神经网络权重参数矩阵,向下广播至所有的边缘设备以替换本地多层感知机模型的权重参数。机制通过限制梯度幅值与注入差分隐私噪声,阻断了原始运维数据反向泄露的路径,利用数据量加权统筹了多设备的共性退化特征。

12、本发明提供了一种新能源车电机边缘智能多传感器融合预测运维系统。具备以下有益效果:

13、1、本发明通过为多通道原始离散数据序列分配全局硬件时间戳并利用时域卷积插值运算进行非基准通道的时延补偿,结合感知终端壳体的三维几何参数与温度依存基准函数构建自适应拓扑传播矩阵,推导正则化逆映射算子。机制不仅实现了多源异构信号的高时间同步,还克服了电机外壳内部结构造成的机械波多径反射以及运行温度漂移带来的物理介质阻抗变化,从而在源头上消除了多维环境干扰导致的波形失真与空间畸变,准确还原了电机内部激振源的原始物理信号。

14、2、本发明利用非负矩阵分解算子与局部费舍尔判别分析原理提取低维流形融合特征矩阵,并通过登普斯特绍弗证据理论对当前及历史滑动窗口内的初始预测概率向量执行正交和融合。这种处理方式能够在降低多维状态数据特征冗余度的同时,维持不同运行工况物理边界的辨识度,并通过不同时间步长数据特征的相互印证,降低了变载荷工况下单一截断数据窗偶发瞬态冲击导致的分类抖动与误判现象,提升了边缘侧局部诊断结果的可靠性。

15、3、本发明在服务器端采用带有单调递减强制约束算子的长短期记忆网络预测电机剩余使用寿命,并配合联邦学习机制,利用边缘节点上传的经过梯度裁剪与拉普拉斯随机噪声注入的隐私保护局部梯度矩阵进行全局模型参数更新。寿命预测约束机制遵循了机械设备磨损不可逆转的客观物理规律,避免了模型输出非理性的寿命逆序反弹数值;同时联邦学习的协同架构阻断了原始传感数据的直接通信路径,在降低云端网络带宽压力的前提下确保了多设备协同诊断中工业运行数据的安全性。