基于多智能体协同的新能源电机故障诊断与预测性维护方法和相关设备

摘要: 本技术涉及新能源汽车电驱智能运维与ai故障诊断,尤其涉及基于多智能体协同的新能源电机故障诊断与预测性维护方法和相关设备。背景技术:1、相关技术中,新能源电机失效...
基于多智能体协同的新能源电机故障诊断与预测性维护方法和相关设备

本技术涉及新能源汽车电驱智能运维与ai故障诊断,尤其涉及基于多智能体协同的新能源电机故障诊断与预测性维护方法和相关设备。

背景技术:

1、相关技术中,新能源电机失效机理、维保规程、售后工单、失效阈值等运维知识碎片化严重,无法实现结构化整合与复用,电机运维作业高度依赖资深技师,整体运维成本偏高、行业维保标准化程度较低。

2、综上,相关技术中存在的技术问题有待得到改善。

技术实现思路

1、本技术实施例的主要目的在于提出基于多智能体协同的新能源电机故障诊断与预测性维护方法和相关设备,能够实现新能源电机主动式预测性维护。

2、为实现上述目的,本技术实施例的一方面提出了基于多智能体协同的新能源电机故障诊断与预测性维护方法,所述方法包括以下步骤:

3、采集电机的多源运行数据;

4、对所述多源运行数据执行预处理,提取时域和频域的故障敏感特征,生成统一维度的电机工况特征向量;

5、部署智能体,调度所述智能体依据所述电机工况特征向量分配算力,研判所述智能体基于知识库融合机理先验与样本相似度计算综合故障风险得分以判定故障模式,推演所述智能体依据所述电机工况特征向量计算预设部件的剩余可行驶里程;

6、依据所述综合故障风险得分和所述剩余可行驶里程,以最低安全风险和最小运维成本为目标求解优化函数,划分生成分级维保方案并标注故障类型及预警等级;

7、将所述分级维保方案下发车端展示,同时将所述综合故障风险得分、所述剩余可行驶里程、所述故障模式及所述电机工况特征向量连同实际维修记录合并为新样本集对知识库增量更新,完成预测性维护。

8、在一些实施例中,所述采集电机的多源运行数据,包括:

9、通过车载动力can总线和标配传感器采集电气实测数据、温度实测数据、振动实测数据及整车工况实测数据;所述电气实测数据包括电机三相输出电流、直流母线电压、电机在线输出扭矩和电机转子转速;所述温度实测数据包括定子绕组温度和电机轴承壳体温度;所述振动实测数据包括电机壳体至少两轴的振动加速度;所述整车工况实测数据包括车辆累计行驶里程和在线驱动负载占比。

10、在一些实施例中,所述对所述多源运行数据执行预处理,提取时域和频域的故障敏感特征,生成统一维度的电机工况特征向量,包括:

11、剔除传感器断路或电磁干扰产生的异常离群值,再采用移动均值滤波消除路面及机舱高频噪声,采用最小最大值归一化变换消除各物理量的量纲差异,完成归一化后,在时域和频域联合提取故障敏感特征,将全部归一化特征融合构建为统一维度的电机工况特征向量;所述电机工况特征向量包括经归一化处理的电流特征、电压特征、温度特征、转速特征、扭矩特征、振动特征及里程负载特征。

12、在一些实施例中,所述部署智能体,调度所述智能体依据所述电机工况特征向量分配算力,研判所述智能体基于知识库融合机理先验与样本相似度计算综合故障风险得分以判定故障模式,推演所述智能体依据所述电机工况特征向量计算预设部件的剩余可行驶里程,包括:

13、部署全局调度智能体,所述全局调度智能体以任务优先级函数最大化确定算力分配策略,对所述电机工况特征向量所表征的故障高风险样本优先分配算力给机理研判智能体;

14、部署所述机理研判智能体,所述机理研判智能体将所述电机工况特征向量作为输入,基于电机故障本体知识库中的机理图谱计算部件退化诱发故障的机理先验概率,并计算当前特征向量与云端历史故障样本向量之间的余弦相似度,将所述机理先验概率与所述余弦相似度加权融合得到综合故障风险得分;

15、当所述综合故障风险得分超过预设阈值时判定对应预设的故障模式成立;

16、部署寿命推演智能体,所述寿命推演智能体以所述电机工况特征向量中的温度特征、振动特征和扭矩特征作为工况加速因子的输入分量,基于部件加速退化模型计算电机轴承、定子绕组和永磁体部件的剩余可行驶里程。

17、在一些实施例中,所述依据所述综合故障风险得分和所述剩余可行驶里程,以最低安全风险和最小运维成本为目标求解优化函数,划分生成分级维保方案并标注故障类型及预警等级,包括:

18、以突发故障抢修成本与常规预防性维保成本比较后取较小者作为维保成本优化目标,并以所述综合故障风险得分小于预设故障判定得分阈值作为约束条件,求解维保成本最小化目标函数,根据求解结果自动划分生成分级维保方案,包括:

19、当所述剩余可行驶里程大于或等于预设的安全预警里程阈值时划入轻度劣化等级,输出预设的常规周期保养提醒;

20、当所述剩余可行驶里程小于预设的安全预警里程阈值且所述综合故障风险得分处于预设的中度风险区间时划入中度退化等级,输出预设的缩短维保间隔并推送保养工单;

21、当所述综合故障风险得分超过预设的重度故障判定阈值时划入重度故障等级,输出预设的紧急检修预警并同步生成售后维修工单;

22、各等级的所述分级维保方案中均关联标注所述综合故障风险得分所对应的故障类型以及所述剩余可行驶里程所对应的预警等级。

23、在一些实施例中,所述将所述分级维保方案下发车端展示,同时将所述综合故障风险得分、所述剩余可行驶里程、所述故障模式及所述电机工况特征向量连同实际维修记录合并为新样本集对知识库增量更新,完成预测性维护,包括:

24、将所述分级维保方案下发至车载终端后,在车机界面可视化展示维保预警信息及对应的维保措施;

25、将所述综合故障风险得分、所述剩余可行驶里程、判定出的所述故障模式及所述故障模式的诱因和严重等级标注,连同所述电机工况特征向量以及车辆回传的真实维修记录合并为新样本集,对所述电机故障本体知识库执行增量更新;

26、所述增量更新包括:重新统计机理图谱中部件退化诱发故障的因果频次,以更新各因果关系的机理先验概率;将新增的工况-故障匹配样本编码后扩充至故障向量库,迭代更新用于相似度计算的检索编码模型;同步更新预设的失效临界阈值和安全预警里程阈值;更新完成后生成轻量化增量数据包存储于云端,用于车辆故障推理的机理比对和相似案例检索,完成预测性维护。

27、为实现上述目的,本技术实施例的另一方面提出了基于多智能体协同的新能源电机故障诊断与预测性维护系统,用于实现如前面所述的方法,所述系统包括:

28、车载数据采集模块,用于采集电机的多源运行数据;

29、云端数据预处理模块,用于对所述多源运行数据执行预处理,提取时域和频域的故障敏感特征,生成统一维度的电机工况特征向量;

30、云端多智能体协同模块,用于部署智能体,调度所述智能体依据所述电机工况特征向量分配算力,研判所述智能体基于知识库融合机理先验与样本相似度计算综合故障风险得分以判定故障模式,推演所述智能体依据所述电机工况特征向量计算预设部件的剩余可行驶里程;

31、云端分级维保决策模块,用于依据所述综合故障风险得分和所述剩余可行驶里程,以最低安全风险和最小运维成本为目标求解优化函数,划分生成分级维保方案并标注故障类型及预警等级;

32、云端闭环迭代更新模块,用于将所述分级维保方案下发车端展示,同时将所述综合故障风险得分、所述剩余可行驶里程、所述故障模式及所述电机工况特征向量连同实际维修记录合并为新样本集对知识库增量更新,完成预测性维护。

33、为实现上述目的,本技术实施例的另一方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前面所述的方法。

34、为实现上述目的,本技术实施例的另一方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。

35、为实现上述目的,本技术实施例的另一方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。

36、本技术实施例至少包括以下有益效果:本技术提供基于多智能体协同的新能源电机故障诊断与预测性维护方法、系统、电子设备、存储介质及程序产品,该方案包括:采集电机的多源运行数据;生成统一维度的电机工况特征向量;部署智能体,调度智能体依据电机工况特征向量分配算力,研判智能体基于知识库融合机理先验与样本相似度计算综合故障风险得分以判定故障模式,推演智能体依据电机工况特征向量计算预设部件的剩余可行驶里程;划分生成分级维保方案并标注故障类型及预警等级;将综合故障风险得分、剩余可行驶里程、故障模式及电机工况特征向量连同实际维修记录合并为新样本集对知识库增量更新,完成预测性维护。本技术能够实现新能源电机主动式预测性维护。