一种用于电机驱动器的故障预警方法和装置与流程

1.本技术实施例涉及电力电子功率变换领域，尤其涉及一种用于电机驱动器的故障预警方法和装置。


背景技术：

2.电机驱动器用于对电机的驱动、怠速和制动控制。电机驱动器可以包括功率半导体模组，功率半导体模组是电动汽车动力总成的核心器件，同时也是容易失效的部件。
3.在目前的对电机驱动器的故障诊断方案中，主要通过监测电机驱动器的温度、温度幅值变化、循环数等参数，利用寿命模型对电机驱动器进行寿命评估，该寿命模型可以包括：coffin-manson模型，norris-landzberg模型及bayerer模型。
4.上述故障诊断方案中，寿命模型的输入参数通过对少量的电机驱动器进行寿命测试之后得到，该寿命模型只能表征统计意义上的整体情况，对于每一个电机驱动器的个体没有实用价值。因此，上述的寿命模型通用性较差且无法针对单个电机驱动器进行故障诊断。


技术实现要素：

5.本技术实施例提供了一种用于电机驱动器的故障预警方法和装置，用于实现电机驱动器的故障预警。
6.为解决上述技术问题，本技术实施例提供以下技术方案：
7.第一方面，本技术实施例提供一种用于电机驱动器的故障预警方法，包括：
8.获取电机驱动器运行时的运行态数据；
9.将所述运行态数据输入到预设的人工智能ai诊断模型，通过所述ai诊断模型输出所述电机驱动器的第一异常度参数，其中，所述ai诊断模型用于根据所述运行态数据提取数据特征，并通过所述数据特征进行决策推理；
10.根据所述第一异常度参数对所述电机驱动器进行故障预警。
11.在该方案中，由于本技术实施例中电机驱动器运行时车辆处于运行状态，根据电机驱动器运行时的运行态数据可以对电机驱动器进行故障预警，电机驱动器的运行态数据是电机驱动器运行时采集到的数据，运行态数据能够反映电机驱动器的真实运行状态，基于该运行态数据进行故障预警，可以实现对电机驱动器失效的提前预测，实现对电机驱动器的故障预警。
12.在一种可能的实现方式中，所述方法还包括：
13.获取车辆处于停止阶段时对所述电机驱动器进行低频采样得到的静态数据，所述电机驱动器安装在所述车辆上；
14.将所述静态数据输入到所述ai诊断模型中，通过所述ai诊断模型输出所述电机驱动器的第二异常度参数；
15.根据所述第二异常度参数对所述电机驱动器进行故障预警。
16.在该方案中，本技术实施例中车辆处于停止阶段时获取电机驱动器的静态数据，根据该静态数据可以对电机驱动器进行故障预警，电机驱动器的静态数据是车辆停止时对电机驱动器采集到的数据，静态数据能够反映电机驱动器的真实静止状态，基于该静态数据进行故障预警，可以实现对电机驱动器失效的提前预测，实现对电机驱动器的故障预警。
17.在一种可能的实现方式中，所述车辆处于停止阶段，至少包括如下一种：
18.所述车辆处于充电阶段、所述车辆处于打火阶段、所述车辆处于熄火阶段。
19.在该方案中，在车辆充电阶段、车辆打火阶段、车辆熄火阶段时进行静态数据的采样，从而故障诊断装置可以根据该静态数据提供断网情况下的紧急响应功能。
20.在一种可能的实现方式中，所述根据所述第一异常度参数对所述电机驱动器进行故障预警，包括：
21.通过所述ai诊断模型对预设的异常条件进行动态更新，以得到更新后的异常条件；
22.当所述第一异常度参数满足所述更新后的异常条件时，对所述电机驱动器进行故障预警。
23.在该方案中，可以预设异常条件，并且该异常条件可以通过ai诊断模型进行动态更新，以保证该异常条件能够用于故障判断，保证故障判断的准确率。在对异常条件进行动态更新之后，可以判断第一异常度是否满足动态更新后的异常条件，当第一异常度参数满足更新后的异常条件时，说明该电机驱动器可能存在故障，此时对电机驱动器进行故障预警。本技术实施例中通过对异常条件进行动态更新，可以进一步提高故障预警的准确度。
24.在一种可能的实现方式中，所述获取电机驱动器运行时的运行态数据之后，所述方法还包括：
25.对所述运行态数据进行清洗处理，得到清洗处理后的运行态数据；
26.所述将所述运行态数据输入到预设的人工智能ai诊断模型包括：
27.将所述清洗处理后的运行态数据输入到所述ai诊断模型。
28.在该方案中，在获取到多个运行态数据之后，可以先对该运行态数据进行清洗处理，例如可以先对运行态数据中符合清洗条件的数据进行剔除。该清洗条件可以是运行态数据不完整，或者运行态数据的某项指标超标等。获取到清洗处理后的运行态数据之后，将清洗处理后的运行态数据输入到ai诊断模型中，通过ai诊断模型对清洗处理后的运行态数据进行数据特征的提取，通过对运行态数据进行清洗处理之后再输入到ai诊断模型，可以提高ai诊断模型的推理效率。
29.在一种可能的实现方式中，所述方法还包括：
30.云端服务器获取同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
31.所述云端服务器使用所述同类型的多个车辆的训练样本数据和所述多个不同类型的车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
32.在该方案中，云端服务器使用了多个训练样本数据，该多个训练样本数据可以包括同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，从而得到的ai诊断模型是ai全局模型，该模型是面向具体的故障预警任务进行的，该模型基于所有采
集的车辆终端设备侧数据训练，基于该模型并给出每个车辆终端设备的端侧推理结果。
33.在一种可能的实现方式中，所述方法还包括：
34.云端服务器获取一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
35.所述云端服务器使用所述一个车辆的训练样本数据或者所述同类型的多个车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
36.在该方案中，云端服务器使用了多个训练样本数据，该多个训练样本数据可以包括一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，从而得到的ai诊断模型是ai局部模型，该模型是面向具体的故障预警任务进行的，该ai局部模型可能是某个型号的车辆终端设备甚至是某个车辆终端设备，基于该模型并给出每个端侧推理结果。
37.在一种可能的实现方式中，当云端服务器通过所述ai诊断模型输出所述电机驱动器的第一异常度参数时，所述根据所述第一异常度参数对所述电机驱动器进行故障预警，包括：
38.所述云端服务器根据所述第一异常度参数生成故障预警信息；
39.所述云端服务器向车辆终端设备发送所述故障预警信息。
40.在该方案中，本技术实施例中云端服务器具有模型训练能力和决策推理能力，车辆终端设备可以按照云端服务器的决策结果进行故障预警，通过云端服务器和车辆终端设备的交互，可以实现对电机驱动器的故障预警。
41.在一种可能的实现方式中，当云端服务器向车辆终端设备发送所述ai诊断模型时，所述方法还包括：所述车辆终端设备接收所述云端服务器发送的ai诊断模型；
42.所述将所述运行态数据输入到预设的人工智能ai诊断模型中，通过所述ai诊断模型输出所述电机驱动器的第一异常度参数，包括：
43.所述车辆终端设备将所述运行态数据输入到所述ai诊断模型中，通过所述ai诊断模型输出所述电机驱动器的第一异常度参数。
44.在该方案中，本技术实施例中云端服务器具有模型训练能力，车辆终端设备具有决策推理能力，车辆终端设备可以接收云端服务器的ai诊断模型，从而车辆终端设备可以根据ai诊断模型输出决策结果，对电机驱动器进行故障预警，通过云端服务器和车辆终端设备的交互，可以实现对电机驱动器的故障预警。
45.在一种可能的实现方式中，所述方法还包括：
46.云端服务器获取多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据；
47.所述云端服务器对所述多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据，进行数据关联关系提取，以得到预训练模型，所述预训练模型用于表示提取到的数据关联关系；
48.所述云端服务器向车辆终端设备发送所述预训练模型。
49.在该方案中，云端服务器不需要进行ai诊断模型的训练，云端服务器只需要提取数据关联关系，得到预训练模型之后，向车辆终端设备发送该预训练模型。
50.在一种可能的实现方式中，所述方法，还包括：
51.所述车辆终端设备接收来自所述云端服务器的预训练模型；
52.所述车辆终端设备根据预设的标签数据对所述预训练模型进行模型参数寻优处理，以得到所述预设的ai诊断模型。
53.在该方案中，车辆终端设备根据预设的标签数据对预训练模型进行模型参数寻优处理，模型参数寻优处理也可以称为微调，即车辆终端设备可以进行模型训练，以得到预设的ai诊断模型。
54.在一种可能的实现方式中，所述运行态数据包括：所述电机驱动器运行时默认采集的动态数据；或者，
55.所述运行态数据包括：通过控制器局域网络can总线采集的动态数据。
56.在一种可能的实现方式中，所述运行态数据包括：车辆处于运行阶段进行高频采样得到的动态数据，所述电机驱动器安装在所述车辆上。
57.在该方案中，车辆具有多种状态，例如车辆处于运行阶段，该运行阶段是指车辆在打火启动之后的阶段，例如运行阶段是指车辆处于行驶阶段。在车辆处于运行阶段时进行高频采样得到的动态数据可以是前述的运行态数据，后续实施例中对于高频采样的数据项以及数据量进行举例说明。其中，高频采样是指数据采集的频率大于预设的频率阈值。
58.在一种可能的实现方式中，所述运行态数据至少包括如下一种：电机驱动器的参数、冷却系统的参数、电机的参数、电池的参数。
59.在该方案中，本技术实施例中电机驱动器运行时的运行态数据具有多种实现方式，例如在电机驱动器运行时可以针对电机驱动器进行数据采集以得到电机驱动器的参数，或者在电机驱动器运行时可以针对冷却系统进行数据采集以得到冷却系统的参数，或者在电机驱动器运行时可以针对电机进行数据采集以得到电机的参数，或者在电机驱动器运行时可以针对电池进行数据采集以电池的参数。
60.在一种可能的实现方式中，所述电机驱动器的参数包括如下至少一种：直流母线电压、直流母线电流、低压电源电压、车辆行驶状态命令、车辆状态、电机驱动器温度、转子位置电角度、电机驱动器三相电流有效值、电机驱动器三相电流、电机驱动器三相电流采样值、电机驱动器降额状态；和/或，
61.所述冷却系统的参数包括如下至少一种：冷却液流量、冷却液温度、油泵目标转速、油泵状态、油泵实际转速、油泵供电电压、油泵的功率半导体器件温度、油泵电流；和/或，
62.所述电机的参数包括如下至少一种：电磁频率、电机工作模式命令、电机控制器工作状态、电机目标转矩命令、电机当前转矩、电机目标转速命令、电机当前转速、电机温度、电机直轴电压、电机直轴电流给定值、电机直轴电流反馈值、电机交轴电压、电机交轴电流给定值、电机交轴电流反馈值、电机当前校验转矩；和/或，
63.所述电池的参数包括如下至少一种：额定输出电压、电池容量、最大输出电流。
64.第二方面，本技术实施例还提供一种用于电机驱动器的故障预警装置，其特征在于，包括：
65.获取模块，用于获取电机驱动器运行时的运行态数据；
66.推理模块，用于将所述运行态数据输入到预设的人工智能ai诊断模型，通过所述ai诊断模型输出所述电机驱动器的第一异常度参数，其中，所述ai诊断模型用于根据所述运行态数据提取数据特征，并通过所述数据特征进行决策推理；
67.预警模块，用于根据所述第一异常度参数对所述电机驱动器进行故障预警。
68.在一种可能的实现方式中，所述获取模块，还用于获取车辆处于停止阶段时对所述电机驱动器进行低频采样得到的静态数据，所述电机驱动器安装在所述车辆上；
69.所述推理模块，还用于将所述静态数据输入到所述ai诊断模型中，通过所述ai诊断模型输出所述电机驱动器的第二异常度参数；
70.所述预警模块，还用于根据所述第二异常度参数对所述电机驱动器进行故障预警。
71.在一种可能的实现方式中，所述车辆处于停止阶段，至少包括如下一种：
72.所述车辆处于充电阶段、所述车辆处于打火阶段、所述车辆处于熄火阶段。
73.在一种可能的实现方式中，所述预警模块，用于通过所述ai诊断模型对预设的异常条件进行动态更新，以得到更新后的异常条件；当所述第一异常度参数满足所述更新后的异常条件时，对所述电机驱动器进行故障预警。
74.在一种可能的实现方式中，所述装置还包括：数据处理模块，用于所述获取模块获取电机驱动器运行时的运行态数据之后，对所述运行态数据进行清洗处理，得到清洗处理后的运行态数据；
75.所述推理模块，用于将所述清洗处理后的运行态数据输入到所述ai诊断模型。
76.在一种可能的实现方式中，所述装置具体为云端服务器；所述装置还包括：训练模块，
77.所述获取模块，还用于获取同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
78.所述训练模块，用于使用所述同类型的多个车辆的训练样本数据和所述多个不同类型的车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
79.在一种可能的实现方式中，所述装置具体为云端服务器；所述装置还包括：训练模块，
80.所述获取模块，还用于获取一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
81.所述训练模块，用于使用所述一个车辆的训练样本数据或者所述同类型的多个车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
82.在一种可能的实现方式中，所述装置具体为云端服务器；所述预警模块，用于根据所述第一异常度参数生成故障预警信息；向车辆终端设备发送所述故障预警信息。
83.在一种可能的实现方式中，所述装置具体为车辆终端设备；
84.当云端服务器向所述车辆终端设备发送所述ai诊断模型时，所述获取模块，还用于接收所述云端服务器发送的ai诊断模型。
85.在一种可能的实现方式中，所述装置具体为云端服务器；所述装置还包括：训练模块，
86.所述获取模块，还用于获取多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据；
87.所述训练模块，用于对所述多个不同类型的车辆的训练样本数据，或者一个车辆
的训练样本数据，或者同类型的多个车辆的训练样本数据，进行数据关联关系提取，以得到预训练模型，所述预训练模型用于表示提取到的数据关联关系；向车辆终端设备发送所述预训练模型。
88.在一种可能的实现方式中，所述装置具体为车辆终端设备；所述装置还包括：训练模块，
89.所述训练模块，用于接收来自云端服务器的预训练模型，其中，所述预训练模块用于表示所述云端服务器对多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据进行提取后得到的数据关联关系；根据预设的标签数据对所述预训练模型进行模型参数寻优处理，以得到所述预设的ai诊断模型。
90.在一种可能的实现方式中，所述运行态数据包括：所述电机驱动器运行时默认采集的动态数据；或者，
91.所述运行态数据包括：通过控制器局域网络can总线采集的动态数据。
92.在一种可能的实现方式中，所述运行态数据包括：车辆处于运行阶段进行高频采样得到的动态数据，所述电机驱动器安装在所述车辆上。
93.在一种可能的实现方式中，所述运行态数据至少包括如下一种：电机驱动器的参数、冷却系统的参数、电机的参数、电池的参数。
94.在一种可能的实现方式中，所述电机驱动器的参数包括如下至少一种：直流母线电压、直流母线电流、低压电源电压、车辆行驶状态命令、车辆状态、电机驱动器温度、转子位置电角度、电机驱动器三相电流有效值、电机驱动器三相电流、电机驱动器三相电流采样值、电机驱动器降额状态；和/或，
95.所述冷却系统的参数包括如下至少一种：冷却液流量、冷却液温度、油泵目标转速、油泵状态、油泵实际转速、油泵供电电压、油泵的功率半导体器件温度、油泵电流；和/或，
96.所述电机的参数包括如下至少一种：电磁频率、电机工作模式命令、电机控制器工作状态、电机目标转矩命令、电机当前转矩、电机目标转速命令、电机当前转速、电机温度、电机直轴电压、电机直轴电流给定值、电机直轴电流反馈值、电机交轴电压、电机交轴电流给定值、电机交轴电流反馈值、电机当前校验转矩；和/或，
97.所述电池的参数包括如下至少一种：额定输出电压、电池容量、最大输出电流。
98.在本技术的第二方面中，用于电机驱动器的故障预警装置的组成模块还可以执行前述第一方面以及各种可能的实现方式中所描述的步骤，详见前述对第一方面以及各种可能的实现方式中的说明。
99.第三方面，本技术实施例还提供一种用于电机驱动器的故障预警方法，所述方法包括：
100.获取车辆处于停止阶段时对所述电机驱动器进行低频采样得到的静态数据，所述电机驱动器安装在所述车辆上；
101.将所述静态数据输入到所述ai诊断模型中，通过所述ai诊断模型输出所述电机驱动器的第二异常度参数；
102.根据所述第二异常度参数对所述电机驱动器进行故障预警。
103.在一种可能的实现方式中，所述车辆处于停止阶段，至少包括如下一种：
104.所述车辆处于充电阶段、所述车辆处于打火阶段、所述车辆处于熄火阶段。
105.在一种可能的实现方式中，所述根据所述第二异常度参数对所述电机驱动器进行故障预警，包括：
106.通过所述ai诊断模型对预设的异常条件进行动态更新，以得到更新后的异常条件；
107.当所述第二异常度参数满足所述更新后的异常条件时，对所述电机驱动器进行故障预警。
108.在一种可能的实现方式中，所述获取车辆处于停止阶段时对所述电机驱动器进行低频采样得到的静态数据之后，所述方法还包括：
109.对所述静态数据进行清洗处理，得到清洗处理后的静态数据；
110.所述将所述静态数据输入到预设的人工智能ai诊断模型包括：
111.将所述清洗处理后的静态数据输入到所述ai诊断模型。
112.在一种可能的实现方式中，所述方法还包括：
113.云端服务器获取同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
114.所述云端服务器使用所述同类型的多个车辆的训练样本数据和所述多个不同类型的车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
115.在一种可能的实现方式中，所述方法还包括：
116.云端服务器获取一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
117.所述云端服务器使用所述一个车辆的训练样本数据或者所述同类型的多个车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
118.在一种可能的实现方式中，当云端服务器通过所述ai诊断模型输出所述电机驱动器的第一异常度参数时，所述根据所述第二异常度参数对所述电机驱动器进行故障预警，包括：
119.所述云端服务器根据所述第二异常度参数生成故障预警信息；
120.所述云端服务器向车辆终端设备发送所述故障预警信息。
121.在一种可能的实现方式中，当云端服务器向车辆终端设备发送所述ai诊断模型时，所述方法还包括：所述车辆终端设备接收所述云端服务器发送的ai诊断模型；
122.所述将所述静态数据输入到预设的人工智能ai诊断模型中，通过所述ai诊断模型输出所述电机驱动器的第二异常度参数，包括：
123.所述车辆终端设备将所述静态数据输入到所述ai诊断模型中，通过所述ai诊断模型输出所述电机驱动器的第二异常度参数。
124.在一种可能的实现方式中，所述方法还包括：
125.云端服务器获取多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据；
126.所述云端服务器对所述多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据，进行数据关联关系提取，以得到预训
练模型，所述预训练模型用于表示提取到的数据关联关系；
127.所述云端服务器向车辆终端设备发送所述预训练模型。
128.在一种可能的实现方式中，所述方法，还包括：
129.所述车辆终端设备接收来自所述云端服务器的预训练模型；
130.所述车辆终端设备根据预设的标签数据对所述预训练模型进行模型参数寻优处理，以得到所述预设的ai诊断模型。
131.第四方面，本技术实施例还提供一种用于电机驱动器的故障预警装置，所述装置包括：
132.获取模块，用于获取车辆处于停止阶段时对所述电机驱动器进行低频采样得到的静态数据，所述电机驱动器安装在所述车辆上；
133.推理模块，用于将所述静态数据输入到所述ai诊断模型中，通过所述ai诊断模型输出所述电机驱动器的第二异常度参数；
134.预警模块，用于根据所述第二异常度参数对所述电机驱动器进行故障预警。
135.在一种可能的实现方式中，所述车辆处于停止阶段，至少包括如下一种：
136.所述车辆处于充电阶段、所述车辆处于打火阶段、所述车辆处于熄火阶段。
137.在一种可能的实现方式中，所述预警模块，用于通过所述ai诊断模型对预设的异常条件进行动态更新，以得到更新后的异常条件；当所述第二异常度参数满足所述更新后的异常条件时，对所述电机驱动器进行故障预警。
138.在一种可能的实现方式中，所述装置还包括：数据处理模块，用于所述获取模块获取车辆处于停止阶段时对所述电机驱动器进行低频采样得到的静态数据之后，对所述静态数据进行清洗处理，得到清洗处理后的静态数据；
139.所述推理模块，用于将所述清洗处理后的静态数据输入到所述ai诊断模型。
140.在一种可能的实现方式中，所述装置具体为云端服务器；所述装置还包括：训练模块，
141.所述获取模块，还用于获取同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
142.所述训练模块，用于使用所述同类型的多个车辆的训练样本数据和所述多个不同类型的车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
143.在一种可能的实现方式中，所述装置具体为云端服务器；所述装置还包括：训练模块，
144.所述获取模块，还用于获取一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
145.所述训练模块，用于使用所述一个车辆的训练样本数据或者所述同类型的多个车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
146.在一种可能的实现方式中，所述装置具体为云端服务器；所述预警模块，用于根据所述第二异常度参数生成故障预警信息；向车辆终端设备发送所述故障预警信息。
147.在一种可能的实现方式中，所述装置具体为车辆终端设备；
148.当云端服务器向所述车辆终端设备发送所述ai诊断模型时，所述获取模块，还用
于接收所述云端服务器发送的ai诊断模型。
149.在一种可能的实现方式中，所述装置具体为云端服务器；所述装置还包括：训练模块，
150.所述获取模块，还用于获取多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据；
151.所述训练模块，用于对所述多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据，进行数据关联关系提取，以得到预训练模型，所述预训练模型用于表示提取到的数据关联关系；向车辆终端设备发送所述预训练模型。
152.在一种可能的实现方式中，所述装置具体为车辆终端设备；所述装置还包括：训练模块，
153.所述训练模块，用于接收来自云端服务器的预训练模型，其中，所述预训练模块用于表示所述云端服务器对多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据进行提取后得到的数据关联关系；根据预设的标签数据对所述预训练模型进行模型参数寻优处理，以得到所述预设的ai诊断模型。
154.第五方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面或第三方面所述的方法。
155.第六方面，本技术实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面或第三方面所述的方法。
156.第七方面，本技术实施例提供一种通信装置，该通信装置可以包括云端服务器、或者车辆终端设备或者芯片等实体，所述通信装置包括：处理器、存储器；所述存储器用于存储指令；所述处理器用于执行所述存储器中的所述指令，使得所述通信装置执行如前述第一方面或第三方面中任一项所述的方法。
157.第八方面，本技术提供了一种芯片系统，该芯片系统包括处理器，用于支持故障预警装置实现上述第一方面或第三方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据和/或信息。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存故障预警装置必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
158.第九方面，本技术提供了一种云端服务器，该云端服务器包括处理器，用于支持故障预警装置实现上述第一方面或第三方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据和/或信息。在一种可能的设计中，所述云端服务器还包括存储器，所述存储器，用于保存故障预警装置必要的程序指令和数据。
159.第十方面，本技术提供了一种车辆终端设备，该芯片系统包括处理器，用于支持故障预警装置实现上述第一方面或第三方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据和/或信息。在一种可能的设计中，所述车辆终端设备还包括存储器，所述存储器，用于保存故障预警装置必要的程序指令和数据。
160.第十一方面，本技术实施例还提供一种故障预警系统，该故障预警系统可以包括如前述第九方面所述的云端服务器和如第十方面所述的车辆终端设备。
161.第十二方面，本技术实施例提供一种车联网装置，该车联网装置可以包括车联网服务器、路侧单元、车联网通信装置或者芯片等实体，所述车联网装置包括：处理器。可选的，所述车联网装置还包括：存储器；所述存储器用于存储指令；所述处理器用于执行所述存储器中的所述指令，使得所述车联网装置执行如前述第一方面或第三方面中任一项所述的方法。
162.从以上技术方案可以看出，本技术实施例具有以下优点：
163.在本技术实施例中，首先获取电机驱动器运行时的运行态数据，然后将运行态数据输入到预设的ai诊断模型，通过ai诊断模型输出电机驱动器的第一异常度参数，其中，ai诊断模型用于根据运行态数据提取数据特征，并通过数据特征进行决策推理；根据第一异常度参数对电机驱动器进行故障预警。由于本技术实施例中电机驱动器运行时车辆处于运行状态，根据电机驱动器运行时的运行态数据可以对电机驱动器进行故障预警，电机驱动器的运行态数据是电机驱动器运行时采集到的数据，运行态数据能够反映电机驱动器的真实运行状态，基于该运行态数据进行故障预警，可以实现对电机驱动器失效的提前预测，实现对电机驱动器的故障预警。
附图说明
164.图1为本技术实施例提供的一种用于电机驱动器的故障预警方法的流程方框示意图；
165.图2为本技术实施例提供的一种用于电机驱动器的故障预警方法的流程方框示意图；
166.图3为本技术实施例提供的一种用于电机驱动器的故障预警方法的流程方框示意图；
167.图4为本技术实施例提供的一种用于电机驱动器的故障预警方法的流程方框示意图；
168.图5为本技术实施例提供的一种用于电机驱动器的故障预警方法的流程方框示意图；
169.图6为本技术实施例提供的一种用于电机驱动器的故障预警方法的流程方框示意图；
170.图7为本技术实施例提供的一种云端服务器和车辆终端设备的组成结构示意图；
171.图8为本技术实施例提供的一种ai诊断模型的执行流程示意图；
172.图9为本技术实施例提供的一种ai诊断模型的执行流程示意图；
173.图10为本技术实施例提供的一种运行态数据和静态数据的采集流程示意图；
174.图11a为本技术实施例提供的一种用于电机驱动器的故障预警装置的组成结构示意图；
175.图11b为本技术实施例提供的一种用于电机驱动器的故障预警装置的组成结构示意图；
176.图11c为本技术实施例提供的一种用于电机驱动器的故障预警装置的组成结构示意图；
177.图12为本技术实施例提供的一种用于电机驱动器的故障预警装置的组成结构示
意图。
具体实施方式
178.本技术实施例提供了一种用于电机驱动器的故障预警方法和装置，用于实现对电机驱动器的故障预警。
179.下面结合附图，对本技术的实施例进行描述。
180.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本技术的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
181.本技术实施例提供一种用于电机驱动器的故障预警方法，可以对电机驱动器进行故障预警，提高对电机驱动器的故障预警精确度。该电机驱动器安装在车辆上，电机驱动器是车辆上的电子控制设备，该车辆可以是新能源汽车、智能汽车、车辆终端设备等，电机驱动器也可以称为电机控制单元(motor control unit，mcu)。电机驱动器中可以包括一个或多个的功率半导体器件，功率半导体器件是指实现电路开关功能的半导体器件，例如功率半导体器件可以是开关管，本技术实施例以各个开关管为金属氧化物半导体场效应管(metal-oxide-semiconductor field-effect transistor，mosfet)进行示例性说明，应当理解的是，各个开关管还可以是绝缘栅双极型晶体管(insulated gate bipolar transistor，igbt)等其他半导体器件，例如开关管还可以是二极管(diode)等，后续实施例中开关管主要应用于igbt进行举例说明。本技术实施例中，电机驱动器通过控制电机的旋转角度和运转速度，实现对电机的控制。例如，电机驱动器既可通过继电器或功率晶体管驱动，也可利用可控硅或功率型mos场效应管驱动，电机驱动器的控制要求可以有多种，例如对电机的工作电流、电压，电机的调速，直流电机的正反转控制等。
182.本技术实施例中电机驱动器运行时车辆处于运行状态，根据电机驱动器运行时的运行态数据可以对电机驱动器进行故障预警，由于电机驱动器的运行态数据是电机驱动器运行时采集到的数据，运行态数据能够反映电机驱动器的真实运行状态，基于该运行态数据进行故障预警，可以实现对电机驱动器失效的提前预测，实现对电机驱动器的故障预警。
183.本技术实施例提供的用于电机驱动器的故障预警方法由用于电机驱动器的故障预警装置(后续简称为故障预警装置)实现，该故障预警装置中可以存储预先训练完成的人工智能(artificial intelligence，ai)诊断模型，该ai诊断模型可以是使用ai诊断算法进行模型训练后得到的诊断模型，该ai诊断模型具有数据特征的提取能力，并基于该数据特征进行决策推理，输出电机驱动器的异常度参数，通过异常度参数的分析可以确定出电机驱动器是否存在故障，从而对电机驱动器进行故障预警。
184.本技术实施例提供的故障预警装置具有多种实现方式，该故障预警装置可以是独立于车辆的服务器，或者与车辆集成的终端设备，此处不做限定。例如该故障预警装置可以是云端服务器，该云端服务器又可以称为云端平台或者云平台。云端服务器中可以存储预先训练完成的ai诊断模型，从而云端服务器可以在ai诊断模型完成决策推理之后，向车辆
终端设备通知推理结果。又如，故障预警装置还可以是车辆终端设备，该车辆终端设备可以是车辆的控制器，或者车辆终端设备可以是集成在车辆内的终端设备，车辆终端设备又可以称为端侧终端设备，或者端侧智能设备，车辆终端设备可以从云端服务器获取到推理结果，从而车辆终端设备可以对电机驱动器进行故障预警。又如，故障预警装置可以是车辆终端设备，车辆终端设备可以从云端服务器获取预训练模型，然后车辆终端设备根据该预训练模型生成ai诊断模型，从而车辆终端设备可以使用该ai诊断模型对电机驱动器进行故障预警。本技术实施例对故障预警装置的实现方式不做限定。
185.首先请参阅图1所示，本技术实施例提供一种用于电机驱动器的故障预警方法，主要包括如下步骤：
186.101、获取电机驱动器运行时的运行态数据。
187.在本技术实施例中，电机驱动器安装在车辆中，车辆运行过程中需要电机驱动器运行，故障预警装置可以获取电机驱动器运行时的运行态数据，该运行态数据能够反映电机驱动器的真实运行状态，本技术实施例对电机驱动器的运行态数据的具体采集过程以及该运行态数据包括的数据项和数据参量的采集范围不做限定，例如可以根据电机驱动器的类型以及功能、车辆运行状态等综合确定运行态数据，后续实施例中对运行态数据进行详细说明。
188.例如故障预警装置可以是云端服务器，则车辆终端设备可以采集电机驱动器运行时的运行态数据，然后车辆终端设备可以通过通信接口或者无线网络向云端服务器发送电机驱动器运行时的运行态数据。又如，故障预警装置可以是车辆终端设备，车辆终端设备中设置有数据测量模块，该数据测量模块可以采集电机驱动器运行的运行态数据。
189.在本技术的一些实施例中，运行态数据包括：电机驱动器运行时默认采集的动态数据；或者，
190.运行态数据包括：通过控制器局域网络(controller area network，can)总线采集的动态数据。
191.其中，运行态数据包括电机驱动器运行时默认采集的动态数据，在电机驱动器运行时会默认采集动态数据，默认采集的动态数据除了用于车辆的原有控制功能，本技术实施例中可以将默认采集的动态数据用于电机驱动器的故障预警。另外，运行态数据包括通过can总线采集的动态数据，电机控制器连接can总线，因此可以通过can总线进行动态数据采集，以得到上述的运行态数据。本技术实施例不局限于上述两种数据采集方式，通过上述数据采集方式，都不需要对车辆以及电机驱动器进行单板硬件升级，就可以获取到电机驱动器运行时的运行态数据，提高了运行态数据的采集效率。本技术实施例对电机驱动器的运行态数据的具体采集过程以及该运行态数据包括的数据项和数据参量的采集范围不做限定。
192.在本技术的一些实施例中，运行态数据包括：车辆处于运行阶段进行高频采样得到的动态数据，电机驱动器安装在车辆上。
193.其中，车辆具有多种状态，例如车辆处于运行阶段，该运行阶段是指车辆在打火启动之后的阶段，例如运行阶段是指车辆处于行驶阶段。在车辆处于运行阶段时进行高频采样得到的动态数据可以是前述的运行态数据，后续实施例中对于高频采样的数据项以及数据量进行举例说明。其中，高频采样是指数据采集的频率大于预设的频率阈值，本技术实施
例中对于频率阈值的具体取值不做限定。
194.在本技术的一些实施例中，运行态数据至少包括如下一种：电机驱动器的参数、冷却系统的参数、电机的参数、电池的参数。
195.其中，本技术实施例中电机驱动器运行时的运行态数据具有多种实现方式，例如在电机驱动器运行时可以针对电机驱动器进行数据采集以得到电机驱动器的参数，或者在电机驱动器运行时可以针对冷却系统进行数据采集以得到冷却系统的参数，或者在电机驱动器运行时可以针对电机进行数据采集以得到电机的参数，或者在电机驱动器运行时可以针对电池进行数据采集以电池的参数。本技术实施例中对于电机驱动器的参数、冷却系统的参数、电机的参数、电池的参数中具体的参数名称和参数内容不做限定。
196.需要说明的是，本技术实施例中通过数据采集可以得到电机驱动器的参数、冷却系统的参数、电机的参数、电池的参数。由于电机驱动器的参数、冷却系统的参数、电机的参数、电池的参数都是电机驱动器运行时采集到的数据，因此电机驱动器的参数、冷却系统的参数、电机的参数、电池的参数中的任意一项都能够反映电机驱动器的真实运行状态，基于上述参数进行故障预警，可以实现对电机驱动器失效的提前预测，实现对电机驱动器的故障预警。
197.进一步的，在本技术的一些实施例中，电机驱动器的参数包括如下至少一种：直流母线电压、直流母线电流、低压电源电压、车辆行驶状态命令、车辆状态、电机驱动器温度、转子位置电角度、电机驱动器三相电流有效值、电机驱动器三相电流、电机驱动器三相电流采样值、电机驱动器降额状态；和/或，
198.冷却系统的参数包括如下至少一种：冷却液流量、冷却液温度、油泵目标转速、油泵状态、油泵实际转速、油泵供电电压、油泵的功率半导体器件温度、油泵电流；和/或，
199.电机的参数包括如下至少一种：电磁频率、电机工作模式命令、电机控制器工作状态、电机目标转矩命令、电机当前转矩、电机目标转速命令、电机当前转速、电机温度、电机直轴电压、电机直轴电流给定值、电机直轴电流反馈值、电机交轴电压、电机交轴电流给定值、电机交轴电流反馈值、电机当前校验转矩；和/或，
200.电池的参数包括如下至少一种：额定输出电压、电池容量、最大输出电流。
201.其中，在电机驱动器的参数中，电机驱动器的三相电流可以是u、v和w相的电流。
202.需要说明的是，电机驱动器的参数、冷却系统的参数、电机的参数、电池的参数的说明详见后续实施例。
203.102、将运行态数据输入到预设的人工智能ai诊断模型，通过ai诊断模型输出电机驱动器的第一异常度参数，其中，ai诊断模型用于根据运行态数据提取数据特征，并通过数据特征进行决策推理。
204.在本技术实施例中，故障诊断装置可以预先训练完成ai诊断模型，故障诊断装置在获取到运行态数据之后，使用该ai诊断模型进行决策推理。具体的，运行态数据输入到ai诊断模型中，该ai诊断模型根据运行态数据提取数据特征，该数据特征由ai诊断模型根据输入的运行态数据进行特征提前得到，该数据特征是ai诊断模型进行决策推理的依据。该ai诊断模型可以是机器学习模型，例如该ai诊断模型可以是经过预先训练得到的神经网络模型，或者ai诊断模型也可以其它的机器学习模型，例如可以是线性回归模型、决策树模型等，ai诊断模型根据提取到的数据特征进行决策推理。本技术实施例中对于数据特征所包
括的数据内容不做限定。ai诊断模型进行决策推理之后，可以输出电机驱动器的第一异常度参数，该第一异常度参数是为了区分后续实施例中出现的其它异常度参数(例如第二异常度参数)而定义的异常度参数。其中，第一异常度参数是用于衡量电机驱动器的异常情况的参数，该第一异常度参数也可以称为第一异常因子分数、第一异常度评分等。
205.需要说明的是，故障诊断装置执行前述步骤102，具体的，该故障诊断装置可以是云端服务器，或者该故障诊断装置可以是车辆终端设备。
206.在本技术的一些实施例中，步骤101获取电机驱动器运行时的运行态数据之后，本技术实施例提供的方法还可以包括如下步骤：
207.对运行态数据进行清洗处理，得到清洗处理后的运行态数据。
208.其中，故障诊断装置在获取到多个运行态数据之后，可以先对该运行态数据进行清洗处理，例如可以先对运行态数据中符合清洗条件的数据进行剔除。该清洗条件可以是运行态数据不完整，或者运行态数据的某项指标超标等。
209.在对运行态数据进行清洗处理之后，前述步骤102将运行态数据输入到预设的ai诊断模型包括：
210.将清洗处理后的运行态数据输入到ai诊断模型。
211.其中，故障诊断装置获取到清洗处理后的运行态数据之后，将清洗处理后的运行态数据输入到ai诊断模型中，通过ai诊断模型对清洗处理后的运行态数据进行数据特征的提取，通过对运行态数据进行清洗处理之后再输入到ai诊断模型，可以提高ai诊断模型的推理效率。
212.103、根据第一异常度参数对电机驱动器进行故障预警。
213.在本技术实施例中，通过ai诊断模型输出第一异常度参数之后，根据该第一异常度参数可以衡量电机驱动器的工作情况，以识别该电机驱动器是否出现异常情况，当电机驱动器出现异常情况时，确定该电机驱动器存在故障，对该电机驱动器进行故障预警，以实现对电机驱动器失效的提前预测。其中，故障预警是指在故障发生前一定时间提前预测到故障将在未来发生，并发出报警信号。本技术实施例提供的方法可应用于汽车电驱动系统，提前诊断汽车电驱动系统因为电机驱动器造成的失效并进行预警，让用户在故障发生之前进行维护，避免驾驶过程中车辆出现抛锚等情况。
214.在本技术的一些实施例中，步骤103根据第一异常度参数对电机驱动器进行故障预警，包括：
215.通过ai诊断模型对预设的异常条件进行动态更新，以得到更新后的异常条件；
216.当第一异常度参数满足更新后的异常条件时，对电机驱动器进行故障预警。
217.其中，故障诊断装置可以预设异常条件，并且该异常条件可以通过ai诊断模型进行动态更新，以保证该异常条件能够用于故障判断，保证故障判断的准确率。在对异常条件进行动态更新之后，可以判断第一异常度是否满足动态更新后的异常条件，当第一异常度参数满足更新后的异常条件时，说明该电机驱动器可能存在故障，此时对电机驱动器进行故障预警。本技术实施例中通过对异常条件进行动态更新，可以进一步提高故障预警的准确度。
218.通过前述实施例的举例说明可知，首先获取电机驱动器运行时的运行态数据，然后将运行态数据输入到预设的ai诊断模型，通过ai诊断模型输出电机驱动器的第一异常度
参数，其中，ai诊断模型用于根据运行态数据提取数据特征，并通过数据特征进行决策推理；根据第一异常度参数对电机驱动器进行故障预警。由于本技术实施例中电机驱动器运行时车辆处于运行状态，根据电机驱动器运行时的运行态数据可以对电机驱动器进行故障预警，电机驱动器的运行态数据是电机驱动器运行时采集到的数据，运行态数据能够反映电机驱动器的真实运行状态，基于该运行态数据进行故障预警，可以实现对电机驱动器失效的提前预测，实现对电机驱动器的故障预警。
219.本技术前述实施例中说明了通过电机驱动器的运行态数据进行故障预警，接下来介绍本技术实施例提供的根据车辆停止时的静态数据进行故障预警的方案，请参阅图2所示，本技术实施例提供一种用于电机驱动器的故障预警方法，主要包括如下步骤：
220.201、获取车辆处于停止阶段时对电机驱动器进行低频采样得到的静态数据，电机驱动器安装在车辆上。
221.其中，车辆具有多种状态，例如车辆处于停止阶段，该停止阶段又可以称为静止阶段。
222.在车辆处于停止阶段时对电机驱动器进行低频采样得到静态数据，后续实施例中对于低频采样的数据项以及数据量进行举例说明。其中，低频采样是指数据采集的频率低于预设的频率阈值，本技术实施例中对于频率阈值的取值不做限定。
223.例如，该故障诊断装置可以是车辆终端设备，在车辆处于停止阶段时，车辆终端设备可以对电机驱动器进行低频采样以得到静态数据，该静态数据可以用于ai诊断模型的决策推理。又如，该故障诊断装置可以是云端服务器，车辆终端设备在车辆处于停止阶段时，车辆终端设备可以对电机驱动器进行低频采样以得到静态数据，车辆终端设备可以向云端服务器发送该静态数据，从而云端服务器可以从车辆终端设备接收到该静态数据。
224.在本技术的一些实施例中，车辆处于停止阶段，至少包括如下一种：车辆处于充电阶段、车辆处于打火阶段、车辆处于熄火阶段。
225.其中，在车辆充电阶段、车辆打火阶段、车辆熄火阶段时进行静态数据的采样，从而故障诊断装置可以根据该静态数据提供断网情况下的紧急响应功能。
226.202、将静态数据输入到ai诊断模型中，通过ai诊断模型输出电机驱动器的第二异常度参数。
227.在本技术实施例中，故障诊断装置可以预先训练完成ai诊断模型，故障诊断装置在获取到静态数据之后，使用该ai诊断模型进行决策推理。具体的，静态数据输入到ai诊断模型中，该ai诊断模型根据静态数据提取数据特征，该数据特征由ai诊断模型根据输入的静态数据进行特征提前得到，该数据特征是ai诊断模型进行决策推理的依据。该ai诊断模型可以是机器学习模型，例如该ai诊断模型可以是经过预先训练得到的神经网络模型，或者ai诊断模型也可以其它的机器学习模型，例如可以是线性回归模型、决策树模型等，ai诊断模型根据提取到的数据特征进行决策推理。本技术实施例中对于数据特征所包括的数据内容不做限定。ai诊断模型进行决策推理之后，可以输出电机驱动器的第二异常度参数。其中，第二异常度参数是用于衡量电机驱动器的异常情况的参数，该第二异常度参数也可以称为第二异常因子分数、第二异常度评分等。
228.203、根据第二异常度参数对电机驱动器进行故障预警。
229.在本技术实施例中，通过ai诊断模型输出第二异常度参数之后，根据该第二异常
度参数可以衡量电机驱动器的工作情况，以识别该电机驱动器是否出现异常情况，当电机驱动器出现异常情况时，确定该电机驱动器存在故障，对该电机驱动器进行故障预警，以实现对电机驱动器失效的提前预测。本技术实施例提供的方法可应用于汽车电驱动系统，提前诊断汽车电驱动系统因为电机驱动器造成的失效并进行预警，让用户在故障发生之前进行维护，避免驾驶过程中车辆出现抛锚等情况。
230.需要说明的是，本技术实施例提供的上述步骤201至步骤203可以是独立于图1所示的实施例，该步骤201至步骤203也可以在图1所示的步骤101至步骤103之后执行，或者该步骤201至步骤203也可以在图1所示的步骤101至步骤103之前执行，此处不做限定。例如故障诊断装置可以获取到前述的静态数据和运行态数据，将静态数据和运行态数据都输入ai诊断模型，ai诊断模型根据静态数据和运行态数据提取到数据特征，再根据该数据特征进行决策推理，输出第三异常度参数，最后根据该第三异常度参数对电机驱动器进行故障预警。
231.通过前述实施例的举例说明可知，本技术实施例中车辆处于停止阶段时获取电机驱动器的静态数据，根据该静态数据可以对电机驱动器进行故障预警，电机驱动器的静态数据是车辆停止时对电机驱动器采集到的数据，静态数据能够反映电机驱动器的真实静止状态，基于该静态数据进行故障预警，可以实现对电机驱动器失效的提前预测，实现对电机驱动器的故障预警。
232.前述图1和图2中以故障诊断装置执行用于电机驱动器的故障预警方法进行示例说明，接下来介绍本技术实施例中云端服务器和车辆终端设备之间的一种交互流程，如图3所示，本技术实施例提供一种用于电机驱动器的故障预警方法，主要包括如下步骤：
233.301、云端服务器获取同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，电机驱动器安装在车辆上。
234.其中，云端服务器可以和多个车辆终端设备进行交互，每个车辆中可以安装一个或多个电机驱动器。云端服务器可以获取到多个训练样本数据，训练样本数据可用于模型训练。例如多个训练样本数据可以是同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，该类型是指车辆的类型。对于训练样本数据的数据类型和数据内容不做限定。
235.302、云端服务器使用同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到预设的ai诊断模型。
236.其中，云端服务器获取到同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，云端服务器可以预先定义训练任务为故障预警任务，云端服务器使用同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据进行模型训练，本技术实施例中对于模型的具体训练过程不再详细说明，在模型训练完成之后可以得到预设的ai诊断模型。例如云端服务器先使用同类型的多个车辆的训练样本数据进行模型训练，然后再对不同类型车辆的训练样本数据进行泛化，最后可以完成模型的训练，输出预设的ai诊断模型。
237.303、云端服务器获取车辆终端设备发送的电机驱动器运行时的运行态数据。
238.304、云端服务器将运行态数据输入到预设的人工智能ai诊断模型，通过ai诊断模型输出电机驱动器的第一异常度参数，其中，ai诊断模型用于根据运行态数据提取数据特
征，并通过数据特征进行决策推理。
239.其中，本技术实施例中可以由云端服务器使用ai诊断模型进行决策推理，通过ai诊断模型输出电机驱动器的第一异常度参数。步骤303至步骤304的实现方式与前述实施例中的步骤101至步骤102的实现方式类似，详见前述的实施例说明，此处不做限定。
240.305、云端服务器根据第一异常度参数生成故障预警信息。
241.306、云端服务器向车辆终端设备发送故障预警信息。
242.其中，云端服务器通过ai诊断模型输出第一异常度参数之后，云端服务器根据第一异常度参数生成故障预警信息，该故障预警信息可以是云端服务器根据第一异常度参数进行推理决策的结果，云端服务器向车辆终端设备发送该故障预警信息，以使得车辆终端设备可以根据故障预警信息对电机驱动器进行故障预警。
243.307、车辆终端设备接收来自云端服务器的故障预警信息。
244.308、车辆终端设备根据故障预警信息对电机驱动器进行故障预警。
245.需要说明的是，本技术实施例中，云端服务器使用了多个训练样本数据，该多个训练样本数据可以包括同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，从而得到的ai诊断模型是ai全局模型，该模型是面向具体的故障预警任务进行的，该模型基于所有采集的车辆终端设备侧数据训练，基于该模型并给出每个车辆终端设备的端侧推理结果，作为决策策略下发给车辆终端设备，车辆终端设备不做训练推理，直接执行云端服务器的推理结果，因此可以通过云端服务器和车辆终端设备的交互，完成对电机驱动器的故障预警。
246.通过前述实施例的举例说明可知，本技术实施例中云端服务器具有模型训练能力和决策推理能力，车辆终端设备可以按照云端服务器的决策结果进行故障预警，通过云端服务器和车辆终端设备的交互，可以实现对电机驱动器的故障预警。
247.如图4所示，本技术实施例提供一种用于电机驱动器的故障预警方法，主要包括如下步骤：
248.401、云端服务器获取同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，电机驱动器安装在车辆上。
249.402、云端服务器使用同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到预设的ai诊断模型。
250.上述步骤401至步骤402的实现方式与前述实施例中的步骤301至步骤302的实现方式类似，详见前述的实施例说明，此处不做限定。
251.403、云端服务器向车辆终端设备发送ai诊断模型。
252.在本技术实施例中，云端服务器在完成ai诊断模型的训练之后，云端服务器可以向车辆终端设备发送训练好的ai诊断模型。
253.404、车辆终端设备接收云端服务器发送的ai诊断模型。
254.在本技术实施例中，车辆终端设备不具备模型训练能力，车辆终端设备可以从云端服务器接收ai诊断模型，从而车辆终端设备可以使用该ai诊断模型进行决策推理，具体的，车辆终端设备可以执行后续步骤405至407。
255.405、车辆终端设备获取电机驱动器运行时的运行态数据。
256.406、车辆终端设备将运行态数据输入到预设的ai诊断模型，通过ai诊断模型输出
电机驱动器的第一异常度参数，其中，ai诊断模型用于根据运行态数据提取数据特征，并通过数据特征进行决策推理。
257.407、车辆终端设备根据第一异常度参数对电机驱动器进行故障预警。
258.其中，步骤405至步骤407的实现方式与前述实施例中的步骤101至步骤103的实现方式类似，详见前述的实施例说明，此处不做限定。
259.需要说明的是，本技术实施例中，云端服务器使用了多个训练样本数据，该多个训练样本数据可以包括同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，从而得到的ai诊断模型是ai全局模型，该模型是面向具体的故障预警任务进行的，该模型基于所有采集的车辆终端设备侧数据训练，云端服务器将训练完的ai诊断模型发送给车辆终端设备，车辆终端设备基于该模型并给出每个车辆终端设备的端侧推理结果，车辆终端设备不做训练，直接使用ai诊断模型进行推理，执行推理结果，因此可以通过云端服务器和车辆终端设备的交互，完成对电机驱动器的故障预警。
260.通过前述实施例的举例说明可知，本技术实施例中云端服务器具有模型训练能力，车辆终端设备具有决策推理能力，车辆终端设备可以接收云端服务器的ai诊断模型，从而车辆终端设备可以根据ai诊断模型输出决策结果，对电机驱动器进行故障预警，通过云端服务器和车辆终端设备的交互，可以实现对电机驱动器的故障预警。
261.如图5所示，本技术实施例提供一种用于电机驱动器的故障预警方法，主要包括如下步骤：
262.501、云端服务器获取一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，电机驱动器安装在车辆上。
263.其中，云端服务器可以和一个车辆终端设备或者同类型的多个车辆终端设备进行交互，每个车辆中可以安装一个或多个电机驱动器。云端服务器可以获取到多个训练样本数据，训练样本数据可用于模型训练。例如多个训练样本数据可以是一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，该类型是指车辆的类型。对于训练样本数据的数据类型和数据内容不做限定。
264.502、云端服务器使用一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到预设的ai诊断模型。
265.其中，云端服务器获取到一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，云端服务器可以预先定义训练任务为故障预警任务，云端服务器使用一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据进行模型训练，本技术实施例中对于模型的具体训练过程不再详细说明，在模型训练完成之后可以得到预设的ai诊断模型。例如云端服务器先使用一个车辆的训练样本数据进行模型训练，然后再对同类型多个车辆的训练样本数据进行泛化，最后可以完成模型的训练，输出预设的ai诊断模型。
266.503、云端服务器获取车辆终端设备发送的电机驱动器运行时的运行态数据。
267.504、云端服务器将运行态数据输入到预设的人工智能ai诊断模型，通过ai诊断模型输出电机驱动器的第一异常度参数，其中，ai诊断模型用于根据运行态数据提取数据特征，并通过数据特征进行决策推理。
268.505、云端服务器根据第一异常度参数生成故障预警信息。
269.506、云端服务器向车辆终端设备发送故障预警信息。
270.507、车辆终端设备接收来自云端服务器的故障预警信息。
271.508、车辆终端设备根据故障预警信息对电机驱动器进行故障预警。
272.其中，步骤503至步骤508的实现方式与前述实施例中的步骤303至步骤308的实现方式类似，详见前述的实施例说明，此处不做限定。
273.需要说明的是，本技术实施例中，云端服务器使用了多个训练样本数据，该多个训练样本数据可以包括一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，从而得到的ai诊断模型是ai局部模型，该模型是面向具体的故障预警任务进行的，该ai局部模型可能是某个型号的车辆终端设备甚至是某个车辆终端设备，基于该模型并给出每个端侧推理结果，作为决策策略下发给车辆终端设备，车辆终端设备不做训练推理，直接执行云端服务器的推理结果，因此可以通过云端服务器和车辆终端设备的交互，完成对电机驱动器的故障预警。
274.通过前述实施例的举例说明可知，本技术实施例中云端服务器具有模型训练能力和决策推理能力，车辆终端设备可以按照云端服务器的决策结果进行故障预警，通过云端服务器和车辆终端设备的交互，可以实现对电机驱动器的故障预警。
275.如图6所示，本技术实施例提供一种用于电机驱动器的故障预警方法，主要包括如下步骤：
276.601、云端服务器获取多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据。
277.其中，云端服务器可以和不同类型的车辆终端设备、或者一个车辆终端设备或者同类型的多个车辆终端设备进行交互，每个车辆中可以安装一个或多个电机驱动器。云端服务器可以获取到多个训练样本数据，训练样本数据可用于数据关联关系的提取。例如多个训练样本数据可以是多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，该类型是指车辆的类型。对于训练样本数据的数据类型和数据内容不做限定。
278.602、云端服务器对多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据，进行数据关联关系提取，以得到预训练模型，预训练模型用于表示提取到的数据关联关系。
279.其中，云端服务器不面向具体的任务或功能，对多个不同类型的车辆的训练样本数据进行数据关联关系提取，或者对一个车辆的训练样本数据进行数据关联关系提取，或者对同类型的多个车辆的训练样本数据进行数据关联关系提取，以得到预训练模型。数据关联关系可以是多个训练样本数据中各个数据维度及其特征在一定时序及工况中的关系。
280.603、云端服务器向车辆终端设备发送预训练模型。
281.在本技术实施例中，云端服务器在得到预训练模型之后，云端服务器可以向车辆终端设备发送预训练模型。
282.604、车辆终端设备接收来自云端服务器的预训练模型。
283.605、车辆终端设备根据预设的标签数据对预训练模型进行模型参数寻优处理，以得到预设的ai诊断模型。
284.在本技术实施例中，云端服务器不需要进行ai诊断模型的训练，云端服务器只需要提取数据关联关系，得到预训练模型之后，向车辆终端设备发送该预训练模型，车辆终端
设备根据预设的标签数据对预训练模型进行模型参数寻优处理，模型参数寻优处理也可以称为微调，即车辆终端设备可以进行模型训练，以得到预设的ai诊断模型。例如，车辆终端设备在接收到预训练模型之后，车辆终端设备根据故障预警任务，结合预设的标签数据对预训练模型进行微调，在低资源消耗下实现故障预警任务。
285.606、车辆终端设备获取电机驱动器运行时的运行态数据。
286.607、车辆终端设备将运行态数据输入到预设的ai诊断模型，通过ai诊断模型输出电机驱动器的第一异常度参数，其中，ai诊断模型用于根据运行态数据提取数据特征，并通过数据特征进行决策推理。
287.608、车辆终端设备根据第一异常度参数对电机驱动器进行故障预警。
288.其中，步骤606至步骤608的实现方式与前述实施例中的步骤101至步骤103的实现方式类似，详见前述的实施例说明，此处不做限定。
289.需要说明的是，本技术实施例中，云端服务器使用了多个训练样本数据，云端服务器可以获取预训练模型，将该预训练模型下发到车辆终端设备，作为车辆终端设备的训练初始化参数，车辆终端设备基于采集的少量数据进行模型参数寻优，即微调或迁移学习过程，从而可以到ai诊断模型，车辆终端设备基于该模型并给出每个车辆终端设备的端侧推理结果，车辆终端设备直接使用ai诊断模型进行推理，执行推理结果，因此可以通过云端服务器和车辆终端设备的交互，完成对电机驱动器的故障预警。
290.通过前述实施例的举例说明可知，本技术实施例中云端服务器向车辆终端设备发送预训练模型，车辆终端设备根据该预训练模型生成ai诊断模型，车辆终端设备具有决策推理能力，从而车辆终端设备可以根据ai诊断模型输出决策结果，对电机驱动器进行故障预警，通过云端服务器和车辆终端设备的交互，可以实现对电机驱动器的故障预警。
291.为便于更好的理解和实施本技术实施例的上述方案，下面举例相应的应用场景来进行具体说明。
292.本技术实施例提出一种用于对电机驱动器的故障预警方法，本技术实施例不仅适用于电机驱动器，还适用于所有用到功率半导体模组的电力电子部件，比如充电机、直流/直流变换器(direct-current/direct-current converter，dc/dc)等。本技术实施例提供的技术方案可以实现电机驱动器整机级的智能诊断。接下来以电机驱动器具体为功率半导体器件为例进行说明，在车辆运行态采集功率半导体器件的运行态数据，通过ai诊断模型判断数据特征，并对数据特征进行异常度评分，将异常度超标的功率半导体器件识别出来，以实现对单个功率半导体器件失效的提前预测。
293.请参阅如图7所示，为本技术实施例提供的一种云端服务器和车辆终端设备的组成结构示意图。其中，云端服务器也可以称为云端，云端服务器包括如下至少一个模块：数据处理模块、数据存储模块、模型训练模块和云端推理模块。车辆终端设备又可以称为端侧或者板端，车辆终端设备包括如下至少一个模块：数据测量模块、微调模块、策略执行模块和端侧推理模块。
294.其中，数据测量模块用于采集功率半导体器件的训练样本数据。
295.数据存储模块用于存储端侧上报的海量数据，便于后续处理。
296.数据处理模块用于对海量数据进行清洗处理，便于后续ai诊断模型的训练。
297.模型训练模块用于进行故障预警或者状态计算，后续以故障预警场景进行示例说
明。
298.云端服务器上的模型训练模块具有如下三种实现方式：
299.1.ai诊断模型为通用模型。所有车辆共用同一个模型，该模型是面向具体的任务或功能的，比如故障预警任务或者容量估计任务等，模型可以直接用于这些场景的结果推理。提取训练样本车中的特征信息(例如故障或者容量相关特征)，训练一个模型，云端推理模块可以基于该模型在云服务器上对每台车的数据进行推理预测以得到推理结果，将推理结果(例如故障预警等)作为策略，下发到车辆终端设备，车辆终端设备中的策略执行模块按照云端服务器的策略进行控制处理。
300.2.ai诊断模型为局部模型。一类车共用一个模型，或者一个车单独使用一个模型，局部模型与前述的通用模型类似，这些模型也是面向具体任务的。云端服务器上基于某一类车或者每台车的数据进行提取特征，并训练ai诊断模型，在云端服务器上基于这些模型对相应的车进行推理预测以得到推理结果，将推理结果(例如故障预警等)作为策略，下发到车辆终端设备，车辆终端设备中的策略执行模块按照云端服务器的策略进行控制处理。
301.3.通过预训练模型得到ai诊断模型。预训练模型是不面向具体的任务或功能，从海量数据中学习端侧各个数据维度及其特征在一定时序及工况中的关系，形成预训练模型。车辆终端设备的微调模块可以结合一定的标注数据对预训练模型进行微调处理，以得到ai诊断模型，在低资源消耗下实现故障预警、容量估计等任务。以车载领域为例，云端服务器储存了大量的时序、工况、驾驶行为、车辆位置、总电流、总电压、温度、电机状态、告警类型及等级、故障状态等数据，预训练模型通过自监督学习这些维度及其衍生特征之间的关系，车辆终端设备在做类似故障预警等任务时，只需在预训练模型上结合自身有标签的告警数据进行微调，即可得到该车面向故障预警任务的ai诊断模型，这个模型既有通过大数据学习得到的通用信息，又有自身的独有信息。其中，通用信息是指云端服务器从多个运行态车辆中学习到的各种测量值之间的数据分布，通用信息反映的是大数据条件下这些测量数据之间的相互关系。而独有信息是指车辆终端设备的测量值，结合预训练模型的通用信息进行微调或者迁移学习之后就可以得到端侧独有的ai诊断模型。
302.云端推理模块执行云端服务器的推理功能，基于云端训练的通用模型或者局部模型，对诸如故障预警或者容量估计等任务给出推理结果。
303.微调模块执行端侧的微调(即迁移学习)功能，基于云端的预训练模型，结合车辆终端设备的数据进行微调，得到面向特定任务(如故障预警任务)的ai诊断模型。
304.端侧推理模块执行端侧的推理功能，可以支持两种情况下的推理：一种是云端服务器的通用模型或者局部模型轻量化后下沉到车辆终端设备，车辆终端设备根据云端服务器发送的ai诊断模型进行推理。另一种是车辆终端设备在基于云端的预训练模型及微调(迁移学习)得到ai诊断模型后进行推理。
305.策略执行模块用于对安全预警(如故障预警任务)或者状态估算(如容量估计任务)的推理结果采取措施进行处理。
306.通过上述举例说明可知，本技术实施例中可以采取云端的训练推理和端侧的训练推理，或者仅通过云端进行推理，或者仅通过端侧进行推理，对于具体的实现方式不做限定。
307.本实施例采用电机驱动器的默认运行态数据作为ai诊断模型的输入，计算出电机
驱动器的异常因子分数，通过异常因子分数来判断电机驱动器在未来发生故障的风险等级，针对高风险等级的产品在真实故障发生前发出预警信号，以便用户提前检测维修，避免汽车行驶过程中发生损坏。
308.如图8所示，为本技术实施例提供的一种ai诊断模型的执行流程示意图。例如ai诊断模型的输入数据包括：母线电压v_dc、三相电流i_phase、igbt温度t_jav、冷却液流量l、冷却液温度t_fluid、电磁频率f_em。
309.具体的，输入的运行态数据如下表1所示，这些数据为mcu运行时默认采样的数据，可以直接从can总线上获取。对于不同的车辆，采集到的运行态数据的规格可能不同，此处仅为示例，不做限制，只要can总线上可以采集到的数据内容都可作为ai诊断模型的输入数据。
310.表1为采集的运行态数据的部分项目举例，测试项目可以增加，跟需要检测的失效模式对应：
311.采集数据项目直流母线电压直流母线电流驱动电机工作模式命令驱动电机当前转矩驱动电机当前转速驱动电机温度ud(电机控制d轴的电压)uq(电机控制q轴的电压)mcu igbt温度(u相)mcu igbt温度(v相)mcu igbt温度(w相)u相电流采样值v相电流采样值w相电流采样值
312.ai诊断模型根据上述输入数据进行决策推理，输出第一异常度参数。对于ai诊断模型的决策推理过程，详见前述图7所示的模型推理过程的说明，此处不再赘述。
313.在本技术的另一些实施例中，在电机驱动器中采用额外的采样传感器或电路，提取特定的关键数据作为ai诊断模型的输入数据，计算出功率半导体器件的异常因子分数，通过异常因子分数来判断功率半导体器件在未来发生故障的风险等级，针对高风险等级的产品在真实故障发生前发出预警信号，以便用户提前检测维修，避免汽车行驶过程中发生损坏。
314.如图9所示，为ai诊断模型的一种执行流程示意图，ai诊断模型的输入数据可以包括：击穿电压brv_ce、ce漏电流i_ces、ge漏电流i_ges、阈值电压vth、igbt饱和压降v_cesat、二极管导通压降v_f、igbt寄生电容cies，coes，cres、模组开关损耗eon，eoff，err。本技术实施例中不再对上述输入数据的具体含义进行详细介绍。
315.本技术实施例中采用的测试电路具有多种实现方式，例如该测试电路可以是iges
测试电路、vth测试电路、bvces和ices测试电路、ices低端测试电路、vcesat和vf测试电路。本技术实施例中不限定测试电路的类型。
316.ai诊断模型的输入数据针对igbt和mos两种功率半导体器件分别如下表2和表3所示，这些数据不是mcu运行时默认采样的数据，可以在mcu中额外增加传感器或者采样电路实现数据采集。
317.表2为igbt模块的测试部分项目，真实测试项目可以增加，测试项跟需要检测的失效模式对应：
[0318][0319]
表3为mosfet的部分测试项，真实项目可以增加，测试项跟需要检测的失效模式对应：
[0320][0321]
如图10所示，为本技术实施例提供的一种运行态数据和静态数据的采集流程示意图。本技术实施例中，汽车运行态对功率半导体器件的行驶数据进行动态采样，在云平台上进行基于ai诊断模型的决策推理。本实施例中的数据采集过程需要功率半导体器件在运行条件下完成，即功率半导体器件整机处在高频开关工作模式的条件下进行。比如汽车运行阶段进行关键数据采样。
[0322]
在汽车充电、汽车打火、汽车熄火阶段进行关键数据采样，主要包括如下两个阶段：第一阶段，将采集到的数据传入云平台，在云平台上进行基于大数据的ai诊断模型的决策推理，得到推理结果；第二阶段，云平台将推理结果发送给车辆终端设备，车辆终端设备进行数据预处理压缩，并提供断网情况下的紧急响应功能。本实施例中的数据采集工作需要功率半导体在静态条件下，即功率半导体器件整机未处在低频开关工作模式的条件下进行，比如汽车充电、汽车打火、汽车熄火阶段，进行如上关键数据采样。
[0323]
通过前述的举例说明可知，本技术实施例中云端和/或端侧具备ai诊断模型的训练和推理能力。本技术实施例通过ai诊断模型判断数据特征，并对特征进行异常度评分，将异常度超标的电机驱动器识别出来，以实现对电机驱动器失效的提前预测。提前诊断汽车电驱动系统因为电机驱动器造成的失效并进行预警，让用户在故障发生之前进行维护，避免驾驶过程中抛锚。另外，端侧在算力受限约束下具备本地训练及决策推理能力，故障预测等模型的精度以及推理的实时性、可靠性都有提升。
[0324]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
[0325]
为便于更好的实施本技术实施例的上述方案，下面还提供用于实施上述方案的相关装置。
[0326]
请参阅图11a所示，本技术实施例提供的一种用于电机驱动器的故障预警装置1100，可以包括：获取模块1101、推理模块1102、预警模块1103，其中，
[0327]
获取模块，用于获取电机驱动器运行时的运行态数据；
[0328]
推理模块，用于将所述运行态数据输入到预设的人工智能ai诊断模型，通过所述ai诊断模型输出所述电机驱动器的第一异常度参数，其中，所述ai诊断模型用于根据所述运行态数据提取数据特征，并通过所述数据特征进行决策推理；
[0329]
预警模块，用于根据所述第一异常度参数对所述电机驱动器进行故障预警。
[0330]
在本技术的一些实施例中，所述获取模块，还用于获取车辆处于停止阶段时对所述电机驱动器进行低频采样得到的静态数据，所述电机驱动器安装在所述车辆上；
[0331]
所述推理模块，还用于将所述静态数据输入到所述ai诊断模型中，通过所述ai诊断模型输出所述电机驱动器的第二异常度参数；
[0332]
所述预警模块，还用于根据所述第二异常度参数对所述电机驱动器进行故障预警。
[0333]
在本技术的一些实施例中，所述车辆处于停止阶段，至少包括如下一种：
[0334]
所述车辆处于充电阶段、所述车辆处于打火阶段、所述车辆处于熄火阶段。
[0335]
在本技术的一些实施例中，所述预警模块，用于通过所述ai诊断模型对预设的异常条件进行动态更新，以得到更新后的异常条件；当所述第一异常度参数满足所述更新后的异常条件时，对所述电机驱动器进行故障预警。
[0336]
在本技术的一些实施例中，如图11b所示，所述装置还包括：数据处理模块1104，用于所述获取模块获取电机驱动器运行时的运行态数据之后，对所述运行态数据进行清洗处理，得到清洗处理后的运行态数据；
[0337]
所述推理模块，用于将所述清洗处理后的运行态数据输入到所述ai诊断模型。
[0338]
在本技术的一些实施例中，所述装置具体为云端服务器；如图11c所示，所述装置还包括：训练模块1105，
[0339]
所述获取模块，还用于获取同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
[0340]
所述训练模块，用于使用所述同类型的多个车辆的训练样本数据和所述多个不同类型的车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
[0341]
在本技术的一些实施例中，所述装置具体为云端服务器；所述装置还包括：训练模块，
[0342]
所述获取模块，还用于获取一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
[0343]
所述训练模块，用于使用所述一个车辆的训练样本数据或者所述同类型的多个车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
[0344]
在本技术的一些实施例中，所述装置具体为云端服务器；所述预警模块，用于根据所述第一异常度参数生成故障预警信息；向车辆终端设备发送所述故障预警信息。
[0345]
在本技术的一些实施例中，所述装置具体为车辆终端设备；
[0346]
当云端服务器向所述车辆终端设备发送所述ai诊断模型时，所述获取模块，还用于接收所述云端服务器发送的ai诊断模型。
[0347]
在本技术的一些实施例中，所述装置具体为云端服务器；所述装置还包括：训练模
块，
[0348]
所述获取模块，还用于获取多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据；
[0349]
所述训练模块，用于对所述多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据，进行数据关联关系提取，以得到预训练模型，所述预训练模型用于表示提取到的数据关联关系；向车辆终端设备发送所述预训练模型。
[0350]
在本技术的一些实施例中，所述装置具体为车辆终端设备；所述装置还包括：训练模块，
[0351]
所述训练模块，用于接收来自云端服务器的预训练模型，其中，所述预训练模块用于表示所述云端服务器对多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据进行提取后得到的数据关联关系；根据预设的标签数据对所述预训练模型进行模型参数寻优处理，以得到所述预设的ai诊断模型。
[0352]
在本技术的一些实施例中，所述运行态数据包括：所述电机驱动器运行时默认采集的动态数据；或者，
[0353]
所述运行态数据包括：通过控制器局域网络can总线采集的动态数据。
[0354]
在本技术的一些实施例中，所述运行态数据包括：车辆处于运行阶段进行高频采样得到的动态数据，所述电机驱动器安装在所述车辆上。
[0355]
在本技术的一些实施例中，所述运行态数据至少包括如下一种：电机驱动器的参数、冷却系统的参数、电机的参数、电池的参数。
[0356]
在本技术的一些实施例中，所述电机驱动器的参数包括如下至少一种：直流母线电压、直流母线电流、低压电源电压、车辆行驶状态命令、车辆状态、电机驱动器温度、转子位置电角度、电机驱动器三相电流有效值、电机驱动器三相电流、电机驱动器三相电流采样值、电机驱动器降额状态；和/或，
[0357]
所述冷却系统的参数包括如下至少一种：冷却液流量、冷却液温度、油泵目标转速、油泵状态、油泵实际转速、油泵供电电压、油泵的功率半导体器件温度、油泵电流；和/或，
[0358]
所述电机的参数包括如下至少一种：电磁频率、电机工作模式命令、电机控制器工作状态、电机目标转矩命令、电机当前转矩、电机目标转速命令、电机当前转速、电机温度、电机直轴电压、电机直轴电流给定值、电机直轴电流反馈值、电机交轴电压、电机交轴电流给定值、电机交轴电流反馈值、电机当前校验转矩；和/或，
[0359]
所述电池的参数包括如下至少一种：额定输出电压、电池容量、最大输出电流。
[0360]
通过前述实施例的举例说明可知，首先获取电机驱动器运行时的运行态数据，然后将运行态数据输入到预设的ai诊断模型，通过ai诊断模型输出电机驱动器的第一异常度参数，其中，ai诊断模型用于根据运行态数据提取数据特征，并通过数据特征进行决策推理；根据第一异常度参数对电机驱动器进行故障预警。由于本技术实施例中电机驱动器运行时车辆处于运行状态，根据电机驱动器运行时的运行态数据可以对电机驱动器进行故障预警，电机驱动器的运行态数据是电机驱动器运行时采集到的数据，运行态数据能够反映电机驱动器的真实运行状态，基于该运行态数据进行故障预警，可以实现对电机驱动器失
效的提前预测，实现对电机驱动器的故障预警。
[0361]
本技术实施例还提供一种用于电机驱动器的故障预警装置，所述装置包括：
[0362]
获取模块，用于获取车辆处于停止阶段时对所述电机驱动器进行低频采样得到的静态数据，所述电机驱动器安装在所述车辆上；
[0363]
推理模块，用于将所述静态数据输入到所述ai诊断模型中，通过所述ai诊断模型输出所述电机驱动器的第二异常度参数；
[0364]
预警模块，用于根据所述第二异常度参数对所述电机驱动器进行故障预警。
[0365]
在一种可能的实现方式中，所述车辆处于停止阶段，至少包括如下一种：
[0366]
所述车辆处于充电阶段、所述车辆处于打火阶段、所述车辆处于熄火阶段。
[0367]
在一种可能的实现方式中，所述预警模块，用于通过所述ai诊断模型对预设的异常条件进行动态更新，以得到更新后的异常条件；当所述第二异常度参数满足所述更新后的异常条件时，对所述电机驱动器进行故障预警。
[0368]
在一种可能的实现方式中，所述装置还包括：数据处理模块，用于所述获取模块获取车辆处于停止阶段时对所述电机驱动器进行低频采样得到的静态数据之后，对所述静态数据进行清洗处理，得到清洗处理后的静态数据；
[0369]
所述推理模块，用于将所述清洗处理后的静态数据输入到所述ai诊断模型。
[0370]
在一种可能的实现方式中，所述装置具体为云端服务器；所述装置还包括：训练模块，
[0371]
所述获取模块，还用于获取同类型的多个车辆的训练样本数据和多个不同类型的车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
[0372]
所述训练模块，用于使用所述同类型的多个车辆的训练样本数据和所述多个不同类型的车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
[0373]
在一种可能的实现方式中，所述装置具体为云端服务器；所述装置还包括：训练模块，
[0374]
所述获取模块，还用于获取一个车辆的训练样本数据或者同类型的多个车辆的训练样本数据，所述电机驱动器安装在所述车辆上；
[0375]
所述训练模块，用于使用所述一个车辆的训练样本数据或者所述同类型的多个车辆的训练样本数据，进行基于故障预警任务的模型训练，以得到所述预设的ai诊断模型。
[0376]
在一种可能的实现方式中，所述装置具体为云端服务器；所述预警模块，用于根据所述第二异常度参数生成故障预警信息；向车辆终端设备发送所述故障预警信息。
[0377]
在一种可能的实现方式中，所述装置具体为车辆终端设备；
[0378]
当云端服务器向所述车辆终端设备发送所述ai诊断模型时，所述获取模块，还用于接收所述云端服务器发送的ai诊断模型。
[0379]
在一种可能的实现方式中，所述装置具体为云端服务器；所述装置还包括：训练模块，
[0380]
所述获取模块，还用于获取多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据；
[0381]
所述训练模块，用于对所述多个不同类型的车辆的训练样本数据，或者一个车辆
的训练样本数据，或者同类型的多个车辆的训练样本数据，进行数据关联关系提取，以得到预训练模型，所述预训练模型用于表示提取到的数据关联关系；向车辆终端设备发送所述预训练模型。
[0382]
在一种可能的实现方式中，所述装置具体为车辆终端设备；所述装置还包括：训练模块，
[0383]
所述训练模块，用于接收来自云端服务器的预训练模型，其中，所述预训练模块用于表示所述云端服务器对多个不同类型的车辆的训练样本数据，或者一个车辆的训练样本数据，或者同类型的多个车辆的训练样本数据进行提取后得到的数据关联关系；根据预设的标签数据对所述预训练模型进行模型参数寻优处理，以得到所述预设的ai诊断模型。
[0384]
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其带来的技术效果与本技术方法实施例相同，具体内容可参见本技术前述所示的方法实施例中的叙述，此处不再赘述。
[0385]
本技术实施例还提供一种计算机存储介质，其中，该计算机存储介质存储有程序，该程序执行包括上述方法实施例中记载的部分或全部步骤。
[0386]
接下来介绍本技术实施例提供的另一种用于电机驱动器的故障预警装置，请参阅图12所示，用于电机驱动器的故障预警装置1200包括：
[0387]
接收器1201、发射器1202、处理器1203和存储器1204(其中用于电机驱动器的故障预警装置1200中的处理器1203的数量可以一个或多个，图12中以一个处理器为例)。在本技术的一些实施例中，接收器1201、发射器1202、处理器1203和存储器1204可通过总线或其它方式连接，其中，图12中以通过总线连接为例。
[0388]
存储器1204可以包括只读存储器和随机存取存储器，并向处理器1203提供指令和数据。存储器1204的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，nvram)。存储器1204存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
[0389]
处理器1203控制用于电机驱动器的故障预警装置的操作，处理器1203还可以称为中央处理单元(central processing unit，cpu)。具体的应用中，用于电机驱动器的故障预警装置的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
[0390]
上述本技术实施例揭示的方法可以应用于处理器1203中，或者由处理器1203实现。处理器1203可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1203中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1203可以是通用处理器、数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器
中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1204，处理器1203读取存储器1204中的信息，结合其硬件完成上述方法的步骤。
[0391]
接收器1201可用于接收输入的数字或字符信息，以及产生与用于电机驱动器的故障预警装置的相关设置以及功能控制有关的信号输入，发射器1202可包括显示屏等显示设备，发射器1202可用于通过外接接口输出数字或字符信息。
[0392]
本技术实施例中，处理器1203，用于执行如下步骤图1至图6所示的方法步骤。
[0393]
在另一种可能的设计中，当用于电机驱动器的故障预警装置为终端内的芯片时，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使该终端内的芯片执行上述第一方面任意一项的方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述终端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)等。
[0394]
其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，asic，或一个或多个用于控制上述第一方面方法的程序执行的集成电路。
[0395]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
[0396]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0397]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0398]
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质
传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。