基于改进的激活功能和无参数注意力机制的新能源汽车故障识别
Jiao Yan1, Haobo Wu2, Weidong Dai3
1School of Aviation Maintenance, Jiangsu Aviation Technical College, ZhenJiang, 212134, China.
Scientific reports
|March 2, 2026
概括
本研究介绍了用于新能源汽车 (NEV) 故障诊断的先进深度学习模型. 改进的CNN方法提高了检测驱动系统故障的准确性,确保更安全,更可靠的电动汽车运行.
科学领域:
- 汽车工程 汽车工程
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 新能源汽车 (NEV) 依赖于易发生故障的复杂驱动系统 (电池,电机,逆变器).
- 传统的故障诊断方法与NEV中常见的非线性模式作斗争.
- 深度学习为NEV智能故障诊断提供了一个有希望的方法.
研究的目的:
- 为NEVs开发一种改进的基于卷积神经网络 (CNN) 的故障诊断方法.
- 提高模型处理复杂非线性故障模式的能力,提高诊断可靠性.
- 为了应对现实世界NEV运营数据中存在的阶级不平衡和异常值等挑战.
主要方法:
- 提出了改进的CNN架构,集成ReLUT激活功能,以增强非线性和梯度流.
- 整合了SimAM无参数关注机制,以适应性地关注关键故障特征.
- 利用剩余模块来减轻梯度消失和加速模型融合.
- 在NEVData数据集上进行实验,包括电压,电流,电机转速,温度,振动,环境温度和湿度数据.
主要成果:
- 拟议的方法在NEVData数据集上实现了0.992的故障诊断准确度和0.989的精度.
- 与传统的K-最接近邻居 (KNN) 方法相比,在准确性和精度上有1.5%的改进.
- 成功适应实际数据特征,包括类不平衡和异常值,显示出更高的诊断可靠性.
结论:
- 基于CNN的增强故障诊断方法有效地识别NEV驱动系统中的故障.
- ReLUT,SimAM和残余模块的集成显著提高了诊断性能和可靠性.
- 这种方法为新能源汽车的智能故障诊断提供了强大的解决方案,有助于车辆的安全性和稳定性.
