← 返回
智能化与AI应用 故障诊断 机器学习 深度学习 可靠性分析 ★ 3.0

用于新能源汽车电力电子系统中伺服电机预测的时序记忆增强时频建模

Temporal Memory Enhanced Time-Frequency Modeling for Servo Motor Forecasting in NEV Power Electronics Systems

作者 Qi Zhang · Jie Li · Jinsong Bao · Dan Zhang
期刊 IEEE Transactions on Power Electronics
出版日期 预计 2026年6月
技术分类 智能化与AI应用
技术标签 故障诊断 机器学习 深度学习 可靠性分析
相关度评分 ★★★ 3.0 / 5.0
关键词 伺服电机 新能源汽车(NEV) 时频建模 时间记忆 可靠性 电力电子 健康监测
语言:

中文摘要

本文针对新能源汽车换电系统中的伺服电机,提出了一种时序记忆增强的时频建模方法。通过分析伺服驱动器的转矩和速度信号,实现对动态负载条件的监测,这对评估电力电子系统的可靠性及组件健康状态至关重要。

English Abstract

In new energy vehicle (NEV) battery swapping power electronics systems, servo motors serve as actuators for battery lifting, positioning modules, and locking mechanisms, with their operation governed by servo drivers. The torque and speed signals obtained from the drivers reflect dynamic load conditions and are critical indicators for both system reliability and power-electronic component health. ...
S

SunView 深度解读

该研究提出的时频建模与时序记忆增强技术,在智能化运维领域具有重要参考价值。阳光电源的iSolarCloud智能运维平台及PowerTitan/PowerStack储能系统,均涉及大量电力电子器件的运行状态监测。该算法可优化对逆变器及PCS内部关键功率器件的健康状态评估(PHM),通过分析电流/电压信号的动态特征,实现故障预警。建议将此类深度学习模型引入阳光电源的设备全生命周期管理,以提升系统可靠性,降低运维成本。