CN118228074B 基于机器学习的新能源汽车电驱系统驱动状态监测方法 （嘉兴和新精冲科技有限公司）

基于机器学习的新能源汽车电驱系统驱动具体涉及基于机器学习的新能源汽车电驱系统度数据点更能分配到异常的电压温度数据聚类使得根据数据点密集程度和聚类簇相对离群情类异常程度进行新能源汽车电驱系统驱动状态2获取新能源汽车启动后电驱系统的所有电压温度数据点，所述电根据各个电压温度数据点的局部稀疏程度以及簇间相隔程度，得的电压温度数据点之间的欧氏距离的归一化值，作为每个电压温度数据点的局部稀疏程根据所述聚类影响权重以及每个电压温度数据点与每个参考聚类中心点之间的欧氏根据所述聚类异常程度进行新能源汽车电驱系统驱2.根据权利要求1所述的基于机器学习的新能源汽车电驱系统驱动状态监测方法，其在第一次迭代遍历后续的每一次迭代遍历中，根据参考聚类中将每次迭代遍历时的所有电压温度数据点中最大的聚类中心可能程度对应的电压温3.根据权利要求1所述的基于机器学习的新能源汽车电驱系统驱动状态监测方法，其依次将每个参考聚类中心点作为目标聚类中心点；将参考聚类中沿每个分析数据点到目标聚类中心点的方向，将每个参考数将每个分析数据点与目标聚类中心点之间直线的斜率的反正切函数每个分析数据点与目标聚类中心点之间的整3根据所述参考密度稳定程度和所述整体角度一致性，得到每个4.根据权利要求1所述的基于机器学习的新能源汽车电驱系统驱动状态监测方法，其将每个电压温度数据点与每个参考聚类中心点之间的欧氏距离，5.根据权利要求1所述的基于机器学习的新能源汽车电驱系统驱动状态监测方法，其据聚类簇的聚类中心与其之外的第个电压温度数据聚类簇的聚类中心之间的欧氏距离；exp()为以自然常数为底的指数函数；tanh()为双曲正切函数。6.根据权利要求5所述的基于机器学习的新能源汽车电驱系统驱动状态监测方法，其特征在于，所述根据所述聚类异常程度进行新能源汽车电驱系统驱动状态监测的方法包7.根据权利要求2所述的基于机器学习的新能源汽车电驱系统驱动状态监测方法，其将所述局部稀疏程度与所述簇间相隔程度的和值，作为迭代遍历时8.根据权利要求3所述的基于机器学习的新能源汽车电驱系统驱动状态监测方法，其将所述参考密度稳定程度和所述整体角度一致性之间的均值的负相9.根据权利要求6所述的基于机器学习的新能源汽车电驱系统驱动状态监测方法，其4[0003]现有技术通常利用k均值聚类算法对电动机电压数据和电动机温度数据对应的电[0004]为了解决通过k均值聚类算法对电压温度数据点进行聚类分析的结果准确度较5[0008]根据所述聚类影响权重以及每个电压温度数据点与每个参考聚类中心点之间的[0011]将每个电压温度数据点与其相距最近的电压温度数据点之间的欧氏距离的归一温度数据点的局部稀疏程度，以及各个电压温度数据点与参考聚类中心点之间的聚类距[0013]将每次迭代遍历时的所有电压温度数据点中最大的聚类中心可能程度对应的电为每个对比数据点的对比角度；将所有对比数据点的对比角度的累加值的负相关映射值，作为每个分析数据点与目标聚类中心点之间的6为第h个电压温度数据聚类簇外的其他电压温度数据聚类簇数量；dm,i为第h个电压温度数据聚类簇的聚类中心与其之外的第i个电压温度数据聚类簇的聚类中心之间的欧氏距离；[0028]将每个电压温度数据点与所有参考聚类中心点之间的欧氏距离累加值的归一化析数据点与目标聚类中心点之间的聚类影响[0034]由于新能源汽车启动后的电驱系统对应的电压和温度会呈现线性趋势进行缓慢离进行聚类分析时，出现异常的电压温度数据点会被划分到正常数据点对应的聚类簇中，温度数据点尽可能地划分到异常数据点对应的聚类在聚类结果合理的情况下最大聚类簇种类有三种，也即低温高电压的电压温度数据点集7入局部最优解的同时保证异常类型相同的异常电压温度数据点被划分到单独的聚类中心[0039]进一步地根据异常电压温度数据点相对分布较为离散且相对于其他聚类簇距离据聚类异常程度进行新能源汽车电驱系统驱动状态监测[0041]图1为本发明一个实施例所提供的一种基于机器学习的新能源汽车电驱系统驱动8[0045]下面结合附图具体的说明本发明所提供的一种基于机器学习的新能源汽车电驱[0046]请参阅图1，其示出了本发明一个实施例提供的一种基于机器学习的新能源汽车[0048]本发明实施例旨在提供一种基于机器学习的新能源汽车电驱系统驱动状态监测类分析结果中各个聚类簇的聚类异常程度进行新能源汽车电驱系统驱动状态监测的效果上的数据点密度变化，以及每个电压温度数据点相对于每个参考聚类中心点的连线斜率，得到每个电压温度数据点与每个参考聚类中心点的[0051]由于新能源汽车启动后的电驱系统对应的电压和温度会呈现线性趋势进行缓慢离进行聚类分析时，出现异常的电压温度数据点会被划分到正常数据点对应的聚类簇中，温度数据点尽可能地划分到异常数据点对应的聚类9在聚类结果合理的情况下最大聚类簇种类有三种，也即低温高电压的电压温度数据点集入局部最优解的同时保证异常类型相同的异常电压温度数据点被划分到单独的聚类中心[0055]将每个电压温度数据点与其相距最近的电压温度数据点之间的欧氏距离的归一[0059]将每个电压温度数据点与所有参考聚类中心点之间的欧氏距离累加值的归一化k个电压温度数据点的聚类中心可能程度的获取方法为第k个电压温度数据点与其相距最近的电压温度数据点之时的参考聚类中心数量；为第r次迭代遍历时的第k个电压温度数据点的聚类中心点的连线斜率，得到每个电压温度数据点与每个参考聚类中心点的聚类影响权比值的负相关映射值，作为每个分析数据点与目标聚类中心点之间的参考密度稳定程度。[0068]需要说明的是，区分对比数据点和分析数据点的目的是为每个对比数据点的对比角度；将所有对比数据点的对比角度的累加值的负相关映射值，作为每个分析数据点与目标聚类中心点之间的[0070]请参阅图2，其示出了本发明一个实施例所提供的一种电压温度数据点角度分析据点与目标聚类中心点之间对应的对比角度累加值越小时，对应的越可能属于一个聚类考聚类中心点作为第v个参考聚类中心点；则第u个分析数据点与第v个参考聚类中心点的第u个分析数据点到第v个参考聚类中心点方向上的参考数据点数量；为第u个分析数据点与第v个参考聚类中心点之间的参考密度稳定程度；f'ut,v为第u个分析数据点第u个分析数据点对应的第t个对比数据点的对exp(-larctan(farp)-arctan(fi.⃞))为第u个分析数据点与第v个参考聚类中心点影响权重以及每个电压温度数据点与每个参考聚类中心点之间的欧氏距离，进行聚类分聚类簇，因此本发明实施例将每个电压温度数据点与每个参考聚类中心点之间的欧氏距的电压温度数据点集合、高温低电压的电压温度数据点集合以及正常电压温度数据点集为第h个电压温度数据聚类簇外的其他电压温度数据聚类簇数量；dm,i为第h个电压温度数据聚类簇的聚类中心与其之外的第i个电压温度数据聚类簇的聚类中心之间的欧氏距离；对应的聚类中心与其他每个聚类