CN119471354A 电机异常检测装置、方法及非暂时性计算机可读存储介质 （汉拿万都株式会社）

有用于执行所述方法的程序的非暂时性计算机检测装置用于检测车辆的电动助力转向系统中数据和所述操作数据输入所述人工神经网络模述处理器通过将所述推定值与所述物理量的实2所述存储器存储人工神经网络模型，所述人工神经网络模型接收与所述车所述处理器将所述状态数据和所述操作数据输入所述人工神经网络模型并执行计算，所述状态数据和所述操作数据由能够通过所述车辆的控制器局域网获取的信所述物理量是在所述驾驶员操作所述车辆的方向盘时产生的转所述状态数据包括所述车辆的纵向速度、所述车辆的侧向加速度、所述车辆所述判别器还接收包括所述状态数据、所述操作数据以及所述推所述人工神经网络模型是由所述生成器和所述判别器交替进行学进行所述学习时使用的所述状态数据、所述操作数据以及所述实测值是所述推定值跟踪在所述车辆和所述电机处于正常的状态下获取的所述物理量的实测所述处理器将与所述推定值和所述实测值之间的差异相关的误差数据输入所述异常3所述误差数据包括从多个所述数据集的每一个数据集获取的实测值和推定值之间的所述判别器针对多个所述数据集的实测值相关数据12.一种电机异常检测方法，用于检测车辆的电动助力转向系统中的生成转向辅助扭处理器接收与所述车辆的状态相关的状态数据、与所述车辆的驾驶员的所述处理器将所述状态数据和所述操作数据输入人工神经网络模型并所述处理器通过将所述推定值与所述实测值进行比较来检测所述电机的异常与否的所述物理量是在所述驾驶员操作所述车辆的方向盘时产生的转所述状态数据包括所述车辆的纵向速度、所述车辆的侧向加速度、所述车辆所述人工神经网络模型包括生成器，所述生成器接收所述状态数据和所输出所述物理量的推定值的步骤包括：所述处理器将所述状态数据所述人工神经网络模型还包括判别器，所述判别器接收包括所输出所述物理量的推定值的步骤还包括：所述处理器将包括所所述处理器将所述误差数据输入单类支持向量机算法并执行计所述误差数据包括从多个所述数据集的每一个数据集获取的实测值和推定值之间的4所述判别器针对多个所述数据集的实测值相关数据所述程序包含用于执行根据权利要求12所述的电机异常检测方法的至少5[0002]本申请要求于2023年8月9日向韩国特许厅提交的韩国专利申请第10_2023_存储有用于执行所述电机异常检测方法的程序的非暂时性计算机与EPS系统中的用于产生转向扭矩的电机相关的功能[0006]然而，与EPS系统的电机的功能安全相关的传统的尝试方法侧重点在于以故障为方法。这种尝试方法具有无法以嵌入式应用程序(embeddedapplications)的形式扩展到有用于执行所述电机异常检测方法的程序的非暂时性机异常检测方法的程序的非暂时性计算机可读存(ControllerAreaNetwork，CAN)来获取的信号预测EPS系统中的电机的6[0013]根据本发明的一个方面，提供一种电机异常检测装置，其是用于检测车辆的EPS(ElectricPowerSteering)系统中的用于生成转向辅助扭矩的电机的异常的电机异常检所述车辆的横摆角速度(yawrate)以及所述车辆的多个车轮的每一个车轮的车轮速度[0017]在根据本发明一个方面的电机异常检测装置中，所述操作数据可以包括转向角[0019]在根据本发明一个方面的电机异常检测装置中，所述人工神经网络模型可以包括：生成器，接收所述状态数据和所述操作数据并生成所述推定值；以及判别器(discriminator)，接收包括所述状态数据、所述操作数据及所述实测值的实测值相关数[0020]在根据本发明一个方面的电机异常检测装置中，所述生成器可以由多元变压器生成器和所述判别器交替进行学习而构建的模型，进行所述学习时所使用的所述状态数7以包括从多个所述数据集的每一个数据集获取到的实测值和推定值之间的误差的平均误针对多个所述数据集的实测值相关数据生成用于检测车辆的EPS系统中的用于生成转向辅助扭矩的电机的异常，所述电机异常检测方法包括：处理器接收与所述车辆的状态相关的状态数据、与所述车辆的驾驶员的转向(steering)操作相关的操作数据、以及与所述电机的输出相关的物理量的实测值的步骤；的推定值的步骤可以包括：所述处理器向所述生成器输入所述状态数据和所述操作数据，8步骤；以及所述处理器将所述误差数据输入到单类支持向量机(One_ClassSupport多个所述数据集的每一个数据集获取到的实测值和推定值之间的误差的平均误差和标准数据、所述操作数据及所述实测值可以是在所述车辆和所述电机正常的状态下获取的数[0039]通过参照附图详细描述本发明的示例性实施例，本发明的上述描述和其他目的、[0042]图3是示出存储于根据本发明一实施例的电机异常检测装置的存储器中的模型的[0048]图9是根据本发明一实施例的电机异常检测方法中的输出物理量的推定值的步骤[0049]图10是根据本发明一实施例的电机异常检测方法中的检测电机的异常与否的步[0051]说明书和权利要求书中使用的词语和术语不限于解释为9[0054]根据本发明一实施例的电机异常检测装置1可以检测车辆的EPS系统中的用于生[0057]参照图1，根据本发明一实施例的电机异常检测装置1可以包括存储器100和处理如CD_ROM(CompactDiskReadOnlyMemory)、DVD(DigitalVideoDisk)的光记录介质可以形成为在计算机上执行计算和控制的硬件单元。处理器200可以包括至少一个以上的[0060]存储器100存储有人工神经网络模型，所述人工神经网络模型接收与所述车辆的[0061]处理器200将所述状态数据和所述操作数据输入到所述人工神经网络模型并执行理器200可以将与所述推定值和所述实测值之间的差异相关的误差数据输入到所述异常检[0065]车辆状态测量模块15可以测量车辆的纵向速度(longitudinalvelocity)Vx、侧加速度ay、横摆角速度θ,z、车辆的每个车轮的车轮速度Vwheel分别经由CAN(Controller[0068]经由方向盘11而输入的扭矩和由电机18生成的扭矩传输至与车辆的车轮相连接200通过将所述推定值与所述物理量的实测值进行比较来检测所述电机的异常与否。与检steeringsteeringsteeringsteeringsteeringsteering[0075]图3是示出存储于根据本发明一实施例的电机异常检测装置的存储器中的模型的扭矩的推定值的人工神经网络模型110、通过将所述方向盘扭矩的推定值与实测值进行比较来检测电机18的异常与否的异常检测模型120及利用了所述模型的处理[0077]人工神经网络模型110接收所述状态数据和所述操作数据，并且输出所述转向扭矩的推定值。在本发明的一个实施例中，人工神经网络模型110可以包括生成对抗网络[0080]在本发明的一个实施例中，人工神经网络模型110通过接收包括方向盘和车辆的模型110可以包括生成器111和判别器器111通过计算输入数据来输出方向盘扭器111可以包括编码器111a和解码器1可以由以端到端(end_to_end)方式训练了的编码器[0087]编码器111a可以被设计成，使用变换器模块(transformerblock)和线性运算attention)机制。自注意力层可以是基于变压器(Transformer)的深度神经网络(Deep属关系。[0091]缩放了的点积注意力首先将层归一化应用于输入序列，并且通过线性运算[0092]接下来，可以基于导出的向量来计算针对输入序列的每个位置的注意力分数[0096]注意力分数在与所给出的查询相关的输入序列中对各个位置的相对重要性进行[0097]变换器模块的输出可以提供给两个不同的线性运算，以计算解码器111b的查询、[0098]解码器111b可以使用所获取的值并通过与序列到序列循环神经网络(Sequence_to_SequenceRecurrentNeuralNetworks)器111b还可以在变换器模块中包括交叉注意层(cross[0101]判别器112接收包括所述状态数据、所述操作数据及所述实测值的实测值相关数(Wasserstein)的最小_最大(min[0112]生成器111的损失的第一项目相当于指导训练的平均绝对误差损失LMAE。生成器[0113]同时，可以基于由生成器111所生成的所述物理量的推定值和实际测量到的所述[0115]异常检测模型120可以接收所述推定值与所述实测值之间的差异相关误差数据，并执行计算。可以通过异常检测模型120判断电机18的异常与否。在本发明的一个实施例基于从接收到所述误差数据的异常检测模型120中获得到的输出(特征)，检测电机的异常[0119]关于异常检测指数(anomalydetectionmetric)，可以考虑如下公式4所示那样别值。判别器112针对所述数据集中的推定值相关数据的判别值可以作为反馈提供给人工本发明一实施例的电机异常检测装置1可以以如下steeringsteeringvehicle[0126]首先，存储器100存储从车辆的EPS系统获取到的状态数据Dvehicle、操作数据steeringsteeringvehicle[0128]接下来，处理器200将状态数据Dvehicle和操作数据Dsteering输入到人工神经网络模据可以包括从多个所述数据集的每一个数据集获取到的实测值和推定值之间的误差的平个所述数据集的实测值相关数据的判别器11于从接收了所述误差数据的异常检测模型120中获取到的输出(特征)来检测电机的异常[0134]此处，“基于特征”技术包括基于经验累积分布的异常值检测(empiricalcumulativedistribution_basedoutlierdetection，ECOD)算法、深度单类分类(deepone_classclassification，DOCC)模型、β_变分自编码器(beta_variationalautoencoder，β_VAE)模型以及生成对抗主动学习(GenerativeAdversarialActive型、长短时记忆网络(LongShortTermMemory，LSTMmodel)、其基于注意力的版本(A_神经网络模型110与异常检测模型120的组合(MVT_GAN)在所有情况下均显示出最高的F1分测为0.85以上的F1分数(也就是说，模型能够非常准确地检测出电机的输出下降10％的状[0139]如上所述，根据本发明，能够实现系统的未来动作和剩余使用寿命(Remainingsteeringsteeringsteeringsteering[0147]作为所述状态数据和所述操作数据的示例而列出的数据是可以通过所述车辆的过程中通过进行通信来有效地接收所述状态数据和所steeringsteering[0151]接下来，处理器200将所述状态数据和所述操作数据输入到人工神经网络模型并[0152]人工神经网络模型110接收所述状态数据和所述操作数据，并且输出所述转向扭矩的推定值。在本发明的一个实施例中，人工神经网络模型110可以包括生成对抗网络[0153]图9是根据本发明一实施例的电机异常检测方法中的输出物理量的推定值的步骤起到所述车辆的EPS系统中的虚拟孪生模型的作用。[0160]在输出针对实测值相关数据的判别值的步骤(步骤S122)和输出针对推定值相关[0162]输出针对实测值相