基于新能源汽车电机驱动系统故障处理方式探讨

在新能源汽车中,电机驱动系统是重要组成部分,也是车辆的关键动力基础,电机驱动系统也是车辆故障中比较常见的问题,处理好电机驱动系统故障,才可以确保新能源汽车电机驱动功能的有效发挥,保证车辆的安全有效行驶。本文介绍了新能源汽车电机驱动系统的基本概况,分析新能源汽车中,电机驱动系统的常见故障和原因,并探究新能源汽车电机驱动系统故障处理对策。     

新能源汽车速度传感器故障的检测与控制技术研究

速度传感器是新能源汽车电机驱动系统中的重要组件,其工作状态直接影响着汽车的性能和安全性。本文针对速度传感器的常见故障类型,提出了一种基于模糊逻辑和神经网络的故障检测与诊断方法,以及一种基于滑模变结构控制的故障容错控制方法。通过仿真和实验验证了所提方法的有效性和优越性,为新能源汽车电机驱动系统的故障检测与容错控制提供了一种新的思路和技术手段。     

新能源汽车永磁同步电机运转异常故障分析

驱动电机是新能源汽车的核心部件之一,它既是机械元件,具有传递动力的作用,也是电气元件,能够将动力电池中的电能转换为机械能。驱动电机性能的好坏深刻影响着新能源汽车的动力性和舒适性。本文对典型的新能源车用驱动电机进行故障原理分析并列举典型的驱动电机故障的排除案例,加以佐证。     

新能源汽车维修保养技术分析

新能源汽车的研发,能够有效抑制传统汽车造成的污染问题,减轻环境负担,为生态环境建设奠定良好基础。本文针对新能源汽车加以分类,并对新能源汽车常见故障与维修保养过程中常出现的问题进行探究,具体包括常见的电池故障、电机驱动故障、控制系统故障,而技术操作则主要围绕着维修保养技术、维修工具与维修保养意识进行探究。在此基础上,逐步分析新能源汽车保养技术与电力系统的保养。     

变分非线性单分量 Chirp 模态提取及其在电机轴承诊断中的应用

变频驱动下旋转机械设备的振动信号具有调制成分复杂、涉及频带较宽和噪声干扰严重等问题,造成与故障相关的单分量调制成分提取困难。为此,提出了一种新的变分非线性单分量chirp模态提取(VNSCME)方法,建立单个目标模态解调频带最窄与残余分量能量最小组合约束的变分优化模型,迭代提取特定的单分量非线性调制成分。预设一个有关目标模态瞬时频率的先验知识,VNSCME能够独立地提取出特定的单分量调制成分并准确估计其瞬时频率。与现有研究相比,VNSCME具有不受时频分布分辨率限制、初始化简单和计算效率高的特点。将VNSCME与阶次跟踪技术相结合,应用于变频驱动电机轴承故障诊断。分别对仿真和实测的故障振动信号进行处理,结果显示瞬时转频估计的相对误差低于0.76%,提取单个目标模态的计算时间低于11.9 s,验证了所提方法的有效性。     

基于群智能加权核聚类的水电机组故障诊断

针对核聚类中核参数选择依赖经验,最优聚类中心难以有效获取的问题,提出了一种仿电磁蜂群加权核聚类算法。首先,考虑不同特征对聚类结果的影响,对样本进行加权处理,利用核空间的Xie-Beni指标建立加权核聚类模型;然后,提出并引入仿电磁蜂群算法求解聚类模型,实现聚类中心、特征权重与核参数的同步寻优。利用该方法分别对3组标准测试样本集以及水电机组故障样本进行聚类测试,并与传统方法进行对比分析。试验结果表明,提出的仿电磁蜂群加权核聚类算法较传统聚类方法具有更高的精度,能够有效实现水电机组振动故障的准确聚类与识别,完成故障诊断。     

新能源汽车电机振动的故障监测与诊断研究

随着工业的不断发展,环境和能源问题日益严重.为了解决这一问题,近年来国家开始研究发展新能源并不断扩大其应用范围.在此背景下,新能源汽车逐渐替代了传统的汽油汽车.新能源汽车采用电力作为驱动汽车所需能源,其虽然环保,但由于发展时间较短,其技术还不太成熟,电机电池无法保证长时间的工作.所以,研究并解决汽车电机电控的故障是目前...     

新能源汽车驱动电机维护保养与故障维修

近年来,随着我国对于环保的特别是汽车尾气排放的重视,使得我国对于新能源汽车扶持政策的不断推出、车企也不断加大新能源汽车的研发投入,其结果就是我国我国新能源技术的不断进步和新能源汽车产量的不断增加[1]。据我国汽车协会统计,我国2019年新能源汽车产销分别完成124.2万辆和120.6万辆,伴随产销量的增加,我国对于新能源汽车三大部件之一的驱动电机的维护保养与故障维修的需求也在增加[2],因此,本文基于新能源汽车驱动电机的基本构造,阐述其驱动电机的维护保养方法和故障维修手段。     

基于半监督模糊核聚类的齿轮箱离群检测方法

研究核聚类方法在机械故障检测中的应用问题,将基于半监督学习的模糊核聚类方法用于齿轮箱离群故障的检测。机械故障早期检测的难点是故障特征微弱、样本差异小,基于半监督学习的核聚类方法利用少量已知模式的样本,结合大量未知模式的样本进行半监督学习,得到较好的识别效果。进行齿轮箱正常运行和齿轮轻微点蚀的故障试验,比较基于半监督学习的核聚类方法与无监督学习核聚类方法的检测效果。试验结果表明,基于半监督学习的核聚类方法性能更优越。     

新能源汽车动力电池系统故障诊断研究综述

随着新能源汽车保有量的增加,新能源汽车安全问题日益突出,严重威胁着驾乘人员的生命财产安全,制约了新能源汽车产业发展.动力电池问题是新能源汽车着火事故发生的主要原因(占着火事故60％以上),发展先进的动力电池系统故障诊断技术已成为新能源汽车安全防护领域的热点.为填补该领域最新中文综述的空白,基于动力电池系统故障发生位置的差异,将故障分类为内部故障和外部故障,描述过充电、过放电、外部短路、内部短路、过热、热失控、传感器故障、连接件故障、冷却系统故障的失效机理.从内部故障和外部故障两个角度出发,总结锂离子动力电池的基于知识、模型、数据驱动三类故障诊断方法的研究现状与最新进展.讨论当前动力电池系统故障诊断技术研究中存在的主要问题,提出电池故障诊断技术的未来发展趋势,以期实现动力电池系统故障的准确诊断和早期防控,提高新能源汽车安全性,保障驾乘人员生命财产安全,推动新能源汽车产业进一步发展.     

《新能源汽车电机驱动技术》教学研究的探索与实践

随着新能源汽车技术的不断发展,许多高职院校都开设了新能源汽车技术专业,《新能源汽车电机驱动技术》课程是针对高职院校新能源汽车技术专业开设的一门专业核心课程,该课程在新能源汽车技术专业的课程体系中起到承上启下的作用。由于新能源汽车技术是一新兴专业,在人才培养、教学标准、教学过程各学校都有所不同,本文以合肥科技职业学院《新能源汽车电机驱动技术》为例,就此课程的教学内容、教学方式等进行了探索与思考,希望与同行进行交流切磋。     

全矢—模糊核聚类在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的信息不完整以及经典模糊聚类算法中的不足,结合全矢谱技术、密度函数法和模糊核聚类法,提出一种新的旋转机械故障识别方法。该方法首先应用全矢谱技术为特征提取工具,然后以密度函数法求得模糊核聚类的初始聚类中心,最后再用模糊核聚类法建立分类器进行故障识别。实验结果表明,该方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,提高故障诊断的准确率。     

往复压缩机气阀早期故障的双演化遗传聚类检测

针对往复压缩机气阀早期故障的检测数据分布复杂,常规方法难以有效检测的问题,提出一种双演化遗传聚类检测算法。该算法引入测地线距离作为数据间关系测度,并将个体编码为代表各类别的典型样本序号的排列。基于生物进化系统的中自组织、自学习及自适应等复杂性,设计了相应的幂律选择算子、双演化交叉算子和种群的自适应更新策略来完成故障数据的聚类检测。将该算法用于两级往复压缩机气阀早期故障检测,试验结果表明,双演化遗传聚类算法。在对气阀早期故障的识别率上明显优于常用的K均值算法和遗传聚类算法,可应用到具有复杂数据分布的机电系统故障检测。     

基于多重分形的旋转机械振动故障检测方法

为获取更加准确的旋转机械振动故障检测结果，提出基于多重分形的旋转机械振动故障检测方法。通过建立旋转机械振动信号采集模型，获取振动信号，采用小波域维纳滤波算法对振动信号去噪处理。分析不同条件下的振动数据，同时引入多重分形方法提取旋转机械振动信号故障特征，通过核模糊C均值聚类算法区分正常信号和故障信号，最终实现旋转机械振动故障检测。实验结果表明，所提方法进行旋转机械振动故障检测率较高，漏检率较低，检测时间较短，可以快速准确地完成旋转机械振动故障检测。     

电机驱动系统三种开路故障分析

电机是智能电网的一种重要终端设备,电机的发展是智能电网建设中实现负荷智能化管理、监控和调节的重要体现。文章针对电机驱动系统中常见的电气故障且在轻载、空载、负载突变或转速突变等异常条件下出现的故障误诊断问题,分析了电机驱动系统中的故障诊断新方法,以求实现对电驱动系统故障的实时检测和定位。     

不治己病治未病 读懂远程故障预报智能监测系统

正风电机组等大型装备的安全性对国计民生、社会稳定以及资源和环境有重要影响。在工业4.0、互联网+等相关技术发展的驱动下,面向以风电机组为代表的现代、高端、关键的新能源机电装备,针对风电机组群非平稳、非线性、变工况、长历程运行状态及其早期故障预报的特点,基于现代信息化技术研究提出的早期故障微弱趋势信息获取方法,并建立网络化远程故障预报智能监测系统,为实现设备运行状态监控、健康诊断、故障预警以及科学维护管理提供     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。     

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。     

基于虚拟仪器的机械振动系统边频识别和倒频谱分析

基于虚拟仪器的非周期机械振动系统边频带和倒频谱分析技术，是机械振动故障检测和研究领域中非常有效的工具。本文利用LabVIEW软件开发平台深入研究机械振动的非线性特征，探讨了边频带技术和倒频谱技术在机械振动检测中的应用。实验研究中，通过虚拟仪器检测故障的各种特征信息并运用边频带和倒频谱分析技术进行状态诊断，使时域和频域中故障信号的非明显特征，在倒频域非常清晰地展示出来，为机械振动故障的识别提供实据。