(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210945734.1 (22)申请日 2022.08.08 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙坪坝正 街 174号 申请人 赛力斯汽车有限公司 　 重庆金康动力新能源 有限公司 (72)发明人 王时龙　杨波　张正萍　段伟　 喜泽瑞　 (74)专利代理 机构 重庆航图知识产权代理事务 所(普通合伙) 50247 专利代理师 胡小龙 (51)Int.Cl. G06F 30/20(2020.01) G06F 17/15(2006.01)G06F 17/16(2006.01) G06F 30/15(2020.01) (54)发明名称 新能源汽车电机温度场数字孪生模型构建 方法 (57)摘要 本发明公开了一种新能源汽车电机温度场 数字孪生模型构建方法， 包括如下步骤： S1： 数据 采集： 采集电机在不同工 况下的时序数据； S2： 数 据预处理： 对采集的时序数据进行缺失值填充、 异常值剔除和数值标准化处理； S3： 将经预处理 后的时序数据分为训练集和测试集； S4： 训练模 型： 构建深度学习模型， 以训练集训练深度学习 模型以更新模 型参数， 以损失函数为目标函数以 判断是否达到模 型训练的终止条件； 当达到模型 训练终止条件后， 得到 预测模型； S5： 将测试集输 入预测模型中并得到电机温度分布的预测结果； 判断预测结果是否达到预设的评价指标： 若是， 则以该预测模型构建得到电机温度场数字孪生 模型； 若否， 则执 行步骤S4。 权利要求书2页 说明书9页 附图2页 CN 115310285 A 2022.11.08 CN 115310285 A 1.一种新能源 汽车电机温度场数字 孪生模型构建方法， 其特 征在于： 包括如下步骤： S1： 数据采集： 采集电机在不同工况下的时序数据， 时序数据中包括电机的转速、 输出 扭矩、 母线电压、 母线电流以及环境温度和冷却液的流 量、 温度； S2： 数据预处 理： 对采集的时序数据进行缺失值 填充、 异常值剔除和数值标准 化处理； S3： 将经预处理后的时序数据分为训练集和 测试集； S4： 训练模型： 构建深度学习模型， 以训练集训练深度学习模型并更新模型参数， 以损 失函数为 目标函数以判断是否达到模型训练的终止条件； 当达到模型训练终止条件后， 得 到预测模型； S5： 将测试集输入预测模型中并得到电机温度分布 的预测结果； 判断预测结果是否达 到预设的评价指标： 若是， 则以该预测模型构建得到电机温度场数字孪生模型； 若否， 则执 行步骤S4。 2.根据权利要求1所述的新能源汽车电机温度场数字孪生模型构建方法， 其特征在于： 所述深度学习 模型采用GEN(Graph  Effect Network， 图影响力神经网络)模型， 所述GEN模 型为在GAT(Graph  Attention  Network， 图注意力神经网络)模型中引入微分算子层后得 到， 所述微分算子层用于对一个节点的不同相 邻节点分配不同的权重以识别出各相邻节点 对于该节点的影响程度。 3.根据权利要求2所述的新能源汽车电机温度场数字孪生模型构建方法， 其特征在于： 所述微分算子层采用拉普拉斯算子来表示不同相 邻节点对于某节点的影响程度， 并定义其 为热扩散微分算子； 令节点i与其任意相邻节 点j和k之间连线组成三角形为Δijk， 则节点i 处的热扩散微分算子为： 其中， (Δt)i为节点i的热扩散微分算子， 表示任意一个与节点i相连的节点j变化而给 节点i带来的增益； ti表示函数t在节点i处的函数值； tj表示函数t在节点j处的函数值； wij 表示节点 i与节点j之间的节点 边eij的边权重； ai表示节点 i的节点权 重； 且： ai＝∑aijk 其中， lij表示节点i与节点j之间相 连的节点边长度， 同理lik和ljk分别表示节点k与节 点i和节点j之间相连的节点边长度； aijk表示节点i在三角形Δijk中的权重； Sijk表示三角 形Δijk的面积； 根据图网络节点相连关系构造一个以边权重wij为元素的n ×n的矩阵W， 若节点i与节点 j不相邻， 则节点i与节点j之间不存在节点边， 矩阵中对应位置的元素wij＝0； 构造一个以节 点权重ai为元素的对角矩阵A； 构造 一个以ti为列向量的矩阵T； 则所有节点的热扩 散微分算 子可以表示 为： ΔT＝A‑1(D‑W)T 其中， ΔT为m阶矩阵， 表示所有节点的热扩散微分算子， m为所有节点的数量； D表示所权　利　要　求　书 1/2 页 2 CN 115310285 A 2有节点组成的图网络的度矩阵。 4.根据权利要求3所述的新能源汽车电机温度场数字孪生模型构建方法， 其特征在于： 采用线性离散热扩散算子作为基元算子ΔT， 通过n阶切比雪夫多项式将基元算子ΔT构建 成非线性离 散微分算子进行逼近， 即： 其中， θ∈Rm为切比雪夫多项式的系数向量。 当T0(x)＝1， T1(x)＝x且k＞1时， 切比雪夫 多项式的递归定义为Tk(x)＝2xTk‑1(x)‑Tk‑2(x)， 此时m阶切比雪夫多项式系数向量θ为GEN 网络的待学习优化 参数； 向GEN模型中输入电机在t时刻实时采集的时间序列数据Ft和， 得到t时刻节点i的温度 预测值为： 其中， 表示预测得到的t时刻节点i的温度值； 表示t‑1时刻节点i的温度值； 表示 由GEN模型 预测得到t ‑1时刻到t时刻的温度变化 量预测值。 5.根据权利要求2 ‑4任一项所述的新能源汽车电机温度场数字孪生模型构建方法， 其 特征在于： 所述 步骤22)中， 采用归一 化方法进行 数值标准 化处理： 其中， x表示原属性值； xmin表示样本集中该属性的最小数值； xmax表示样本集中该属性 的最大数值， xnormal表示归一 化处理后的数值。 6.根据权利要求5所述的新能源汽车电机温度场数字孪生模型构建方法， 其特征在于： 所述步骤S4中， GEN模型的训练方法为： S41： 随机初始化模型参数； S42： 向GEN模型中输入训练集， 以利Adam算法对GEN模型的参数进行迭代优化； S43： 以均方根 误差为损失函数， 用于衡量预测值与真实值之间的偏差， 由下式计算： 其中， h(xi)表示预测值； yi表示真实值； m表示节点的数量； S44： 判断损失函数的值是否小于设定阈值， 若是， 则终止迭代， 得到预测模型； 若否， 则 循环执行步骤S42。权　利　要　求　书 2/2 页 3 CN 115310285 A 3