【技術實現步驟摘要】
本申請涉及電機控制，尤其涉及一種扭矩估算方法、裝置、車輛、存儲介質及產品。
技術介紹
1、在電動汽車的快速發展和廣泛應用中，電機作為電動汽車的核心動力部件，其性能的優化和精確控制對于提升整車動力性能、能效以及安全性具有至關重要的作用。其中，電機輸出扭矩的準確估算是確保車輛在各種工況下均能保持良好性能的關鍵技術之一。
2、目前，常見的電機扭矩估算方式大多依賴于電機的物理模型和工作特性，通過構建基于電流和電壓等參數的扭矩計算公式實現扭矩估算。這種方式在特定工況(例如勻速行駛)下可能具備較好的估算精度，但對于加速、制動和爬坡等動態工況，按照固定計算公式計算電機輸出扭矩的方式無法準確計算動態工況下的各種損耗，從而難以準確地反映電機的實際扭矩輸出情況，導致存在扭矩估算誤差，進而影響車輛的動力性能和能效，甚至造成電機過載和損壞。
3、因此，如何提升電機輸出扭矩估算的準確性，是目前亟需解決的一個問題。
技術實現思路
1、本申請的主要目的在于提供一種扭矩估算方法、裝置、車輛、存儲介質及產品，旨在提升電機輸出扭矩估算的準確性。
2、為實現上述目的，本申請提供一種扭矩估算方法，所述扭矩估算方法包括：
3、獲取目標電機的實時運行參數，基于所述實時運行參數構建目標特征向量；
4、將所述目標特征向量輸入至目標寬度學習模型，得到所述目標電機在所述實時運行參數下的估算輸出扭矩，其中，所述目標寬度學習模型是以基于電機在一個時刻的運行參數構建的特征向量為模
5、在一實施例中，所述方法還包括：
6、獲取初始樣本數據集，其中，所述初始樣本數據集中包括多條第一樣本數據，一條第一樣本數據包括電機在一個時刻的運行參數和真實輸出扭矩；
7、對各條所述第一樣本數據進行歸一化處理，得到目標樣本數據集；
8、基于所述目標樣本數據集對初始寬度學習模型進行訓練，得到所述目標寬度學習模型。
9、在一實施例中，所述第一樣本數據包括多個參數類型的運行參數，所述對各條所述第一樣本數據進行歸一化處理，得到目標樣本數據集的步驟，包括：
10、針對各所述參數類型中的任一目標參數類型，確定各所述第一樣本數據中所述目標參數類型的運行參數中的最大運行參數和最小運行參數，并確定所述最大運行參數和所述最小運行參數之間的第一差值；
11、基于各所述參數類型各自對應的最小運行參數和第一差值，分別對各條所述第一樣本數據中的運行參數進行歸一化處理，得到各條所述第一樣本數據各自對應的第二樣本數據；
12、基于各所述第二樣本數據構建目標樣本數據集。
13、在一實施例中，所述基于各所述參數類型各自對應的最小運行參數和第一差值，對各條所述第一樣本數據中的運行參數進行歸一化處理，得到各條所述第一樣本數據各自對應的第二樣本數據的步驟，包括：
14、針對各所述第一樣本數據中的任意一條目標樣本數據，確定所述目標樣本數據中所述目標參數類型的第一運行參數與所述目標參數類型對應的最小運行參數的第二差值，將所述第二差值除以所述目標參數類型對應的第一差值，得到所述目標參數類型的第二運行參數；
15、基于所述目標樣本數據中各所述參數類型的第二運行參數和真實輸出扭矩，構建所述目標樣本數據對應的第二樣本數據。
16、在一實施例中，所述基于所述目標樣本數據集對初始寬度學習模型進行訓練，得到所述目標寬度學習模型的步驟，包括：
17、針對所述目標樣本數據集中各條所述第二樣本數據中的任意一條第三樣本數據，基于所述第三樣本數據中的第三運行參數構建特征向量，以及基于所述第三樣本數據中的第三真實運行參數構建標簽數據；
18、將所述第三樣本數據對應的特征向量作為模型輸入數據，將所述第三樣本數據對應的標簽數據作為模型訓練標簽，對初始寬度學習模型進行訓練得到所述目標寬度學習模型。
19、在一實施例中，所述對初始寬度學習模型進行訓練得到所述目標寬度學習模型的步驟，包括：
20、將各所述模型輸入數據輸入至初始寬度學習模型，得到各目標輸出權重以及各所述模型輸入數據各自的多個特征節點和多個增強節點；
21、分別基于各所述模型輸入數據各自對應的目標輸出權重、各特征節點和各增強節點，確定各所述模型輸入數據對應的預測輸出扭矩；
22、分別確定各所述模型輸入數據各自對應的預測輸入扭矩和模型訓練標簽之間的損失值；
23、確定各所述損失值中的最小值，將所述最小值對應的目標輸出權重作為所述目標寬度學習模型的輸出權重。
24、在一實施例中，所述得到各目標輸出權重以及各所述模型輸入數據各自的多個特征節點和多個增強節點的步驟，包括：
25、針對各所述模型輸入數據中的任一目標模型輸入數據，通過所述初始寬度學習模型對所述目標模型輸入數據進行非線性化處理，得到多個特征節點；
26、對各所述特征節點進行非線性化處理，得到多個增強節點；
27、至少基于各所述特征節點和各所述增強節點，確定目標輸出權重。
28、在一實施例中，所述實時運行參數的參數類型包括母線電壓、電機溫度、直軸電流、交軸電流和電機轉速。
29、此外，為實現上述目的，本申請還提供一種扭矩估算裝置，所述扭矩估算裝置包括：
30、獲取模塊，用于獲取目標電機的實時運行參數，基于所述實時運行參數構建目標特征向量；
31、估算模塊，用于將所述目標特征向量輸入至目標寬度學習模型，得到所述目標電機在所述實時運行參數下的估算輸出扭矩，其中，所述目標寬度學習模型是以基于電機在一個時刻的運行參數構建的特征向量為模型輸入數據，以基于所述電機在所述時刻的真實輸出扭矩構建的標簽數據為模型訓練標簽訓練得到的。
32、此外，為實現上述目的，本申請還提供一種存儲介質，所述存儲介質為計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有實現扭矩估算方法的程序，所述實現扭矩估算方法的程序被處理器執行以實現如上所述扭矩估算方法的步驟。
33、此外，為實現上述目的，本申請還提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現如上述的扭矩估算方法的步驟。
34、本申請提供了一種扭矩估算方法，本申請首先獲取目標電機的實時運行參數，基于該實時運行參數構建目標特征向量，然后將目標特征向量輸入至預先訓練好的目標寬度學習模型，得到目標電機在實時運行參數下的估算輸出扭矩，其中，目標寬度學習模型是以電機在一個時刻的運行參數構建的特征向量為模型輸入數據，以基于電機在該時刻的真實輸出扭矩構建的標簽數據為模型訓練標簽訓練得到的。
35、綜上可知，本申請通過預先以基于電機在某個時刻的運行參數構建的特征向量為模型輸入數據，以基于電機在該時刻的真實輸出扭矩構建本文檔來自技高網...
【技術保護點】
1.一種扭矩估算方法，其特征在于，所述扭矩估算方法包括：
2.如權利要求1所述的方法，其特征在于，所述方法還包括：
3.如權利要求2所述的方法，其特征在于，所述第一樣本數據包括多個參數類型的運行參數，所述對各條所述第一樣本數據進行歸一化處理，得到目標樣本數據集的步驟，包括：
4.如權利要求3所述的方法，其特征在于，所述基于各所述參數類型各自對應的最小運行參數和第一差值，對各條所述第一樣本數據中的運行參數進行歸一化處理，得到各條所述第一樣本數據各自對應的第二樣本數據的步驟，包括：
5.如權利要求3所述的方法，其特征在于，所述基于所述目標樣本數據集對初始寬度學習模型進行訓練，得到所述目標寬度學習模型的步驟，包括：
6.如權利要求5所述的方法，其特征在于，所述對初始寬度學習模型進行訓練得到所述目標寬度學習模型的步驟，包括：
7.如權利要求6所述的方法，其特征在于，所述得到各目標輸出權重以及各所述模型輸入數據各自的多個特征節點和多個增強節點的步驟，包括：
8.如權利要求1至7中任一項所述的方法，其特征在于
9.一種扭矩估算裝置，其特征在于，所述扭矩估算裝置包括：
10.一種車輛，其特征在于，所述車輛包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現如權利要求1至8中任一項所述的扭矩估算方法的步驟。
11.一種存儲介質，其特征在于，所述存儲介質為計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至8中任一項所述的扭矩估算方法的步驟。
12.一種計算機程序產品，其特征在于，所述計算機程序產品包括計算機程序，所述計算機程序被處理器執行時實現如權利要求1至8中任一項所述的扭矩估算方法的步驟。
...【技術特征摘要】
1.一種扭矩估算方法，其特征在于，所述扭矩估算方法包括：
2.如權利要求1所述的方法，其特征在于，所述方法還包括：
3.如權利要求2所述的方法，其特征在于，所述第一樣本數據包括多個參數類型的運行參數，所述對各條所述第一樣本數據進行歸一化處理，得到目標樣本數據集的步驟，包括：
4.如權利要求3所述的方法，其特征在于，所述基于各所述參數類型各自對應的最小運行參數和第一差值，對各條所述第一樣本數據中的運行參數進行歸一化處理，得到各條所述第一樣本數據各自對應的第二樣本數據的步驟，包括：
5.如權利要求3所述的方法，其特征在于，所述基于所述目標樣本數據集對初始寬度學習模型進行訓練，得到所述目標寬度學習模型的步驟，包括：
6.如權利要求5所述的方法，其特征在于，所述對初始寬度學習模型進行訓練得到所述目標寬度學習模型的步驟，包括：
7.如權利要求6所述的方法，其特征在于，所述得到各目標輸出權...
【專利技術屬性】
技術研發人員：范永強，章宏文，鄭富輝，張龍龍，于海生，
申請(專利權)人：無錫星驅動力科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。