故障预测系统、故障预测方法以及故障预测程序与流程

1.本公开涉及一种对电动车辆的逆变器中包括的开关元件的老化故障进行预测的故障预测系统、故障预测方法以及故障预测程序。


背景技术：

2.以配送车辆等营业车为中心，电动汽车(ev)正在普及。近年，ev的行驶数据(电池信息、移动轨迹、车辆控制信息等)被保存在云上，正在构建能够在多方面活用的环境。
3.大量公开了为了使ev不发生电池用尽地行驶到目的地而根据行驶路径来计算所需的能量并充入所需的充电量等方法。例如，提出了在设定目的地时通知在平时使用的路径上行驶所需的最佳充电量来抑制过量的充电从而抑制电池劣化的方法(例如，参照专利文献1)。另外，提出了根据过去的行驶历史记录来呈现到目的地为止的能量成本最小的最佳路径并判断在蓄电量的范围内能否持续行驶的方法(例如，参照专利文献2)。另外，提出了由逆变器进行能够根据总行驶距离、重量、大小、阻力系数、速度、加速度、历史记录、气温、地形等条件来向目的地继续行驶的控制的方法(例如，参照专利文献3)。
4.在ev中，为了对马达进行驱动而使用逆变器。逆变器使用的功率元件(例如，mosfet(metal-oxide semiconductor field-effect transmitter：金属氧化物半导体场效应晶体管)、igbt(insulated gate bipolar transistor：绝缘栅极双极型晶体管))发生经年劣化。功率元件的劣化的主要原因在于接合线的接触电阻的增加。其原因是由热循环引起的金属疲劳，接合线的接触电阻的增加表现为功率元件的损耗增大(效率下降)。
5.现有技术文献
6.专利文献
7.专利文献1：日本特开2012-19627号公报
8.专利文献2：日本特开2009-63555号公报
9.专利文献3：日本特开2018-27012号公报


技术实现要素：

10.发明要解决的问题
11.为了预测电解电容器、线圈、风扇等功率元件以外的元件的经年劣化，分别需要专用的传感器。因而，为了预测搭载于ev的这些元件的经年劣化，需要进行追加专用的传感器的设计变更。
12.另一方面，对于功率元件的经年劣化，如果能够预测损耗增大的推移，则不追加专用的传感器也能够进行预测。
13.本公开是鉴于这一状况而完成的，其目的在于提供一种以低成本预测电动车辆的驱动电路的经年劣化的技术。
14.用于解决问题的方案
15.为了解决上述问题，本公开的某个方式的故障预测系统具备：获取部，其获取电动
车辆的行驶数据；以及预测部，其基于所述电动车辆的行驶数据来预测对所述电动车辆的驱动轮进行驱动的马达的驱动电路的老化故障。在所述行驶数据中包含所述电动车辆的位置数据以及与功耗有关的数据。所述预测部基于所述电动车辆在同一路径行驶时的功耗量的增加的推移，来预测所述驱动电路的老化故障。
16.此外，将以上的构成要素的任意组合、本公开的表述在装置、系统、方法、计算机程序、记录有计算机程序的记录介质等之间进行变换所得到的方式作为本公开的方式也有效。
17.发明的效果
18.根据本公开，能够以低成本预测电动车辆的驱动电路的经年劣化。
附图说明
19.图1是示出实施方式所涉及的电动车辆的概要结构的图。
20.图2是示出电动车辆的驱动系统的概要结构的图。
21.图3是示出实施方式所涉及的故障预测系统的结构例的图。
22.图4的(a)-(i)是对某个电动车辆的规定期间的gps轨迹的日志数据进行时间分割并将分割后的多个gps轨迹绘制为多个曲线得到的图。
23.图5的(a)-(b)是用于说明对象路径的决定方法的图。
24.图6的(a)-(g)是示出在对象路径行驶时的车速模式的具体例的图。
25.图7是示出在对象路径行驶时的功耗量的推移的一例的图。
26.图8是示出由实施方式所涉及的故障预测系统进行的、预测逆变器中包括的开关元件的老化故障的处理的流程的流程图。
具体实施方式
27.图1是示出实施方式所涉及的电动车辆3的概要结构的图。在本实施方式中，作为电动车辆3，假定不搭载内燃机的纯粹的ev。图1所示的电动车辆3是具备一对前轮31f、一对后轮31r以及作为动力源的马达34的后轮驱动(2wd)的ev。一对前轮31f通过前轮轴32f连结，一对后轮31r通过后轮轴32r连结。变速器33以规定的变换比将马达34的旋转传递到后轮轴32r。此外，也可以是前轮驱动(2wd)或4wd的电动车辆3。
28.电源系统40具备电池单元(电池部)41和管理部42，电池单元41包括多个电池单体。对于电池单体，能够使用锂离子电池单体、镍氢电池单体等。下面，在本说明书中假定使用锂离子电池单体(公称电压：3.6-3.7v)的例子。管理部42监视电池单元41中包括的多个电池单体的电压、温度、电流、soc(state of charge：充电状态)、soh(state of health：健康状态)，并经由车载网络发送到车辆控制部30。作为车载网络，例如能够使用can(controller area network：局域网)或lin(local interconnect network：局域互联网)。
29.逆变器35是对马达34进行驱动的驱动电路，在动力运转时，将从电池单元41供给的直流电力转换为交流电力并供给到马达34。在再生时，将从马达34供给的交流电力转换为直流电力并供给到电池单元41。在动力运转时，马达34根据从逆变器35供给的交流电力来旋转。在再生时，马达34将由于减速产生的旋转能量转换为交流电力并供给到逆变器35。
30.图2是示出电动车辆3的驱动系统的概要结构的图。在图2中，示出了对驱动电动车
辆3的马达34使用三相交流马达并通过三相逆变器35对三相交流马达34进行驱动的例子。三相逆变器35将从电池单元41供给的直流电力转换为相位分别偏移120度的三相交流电力，来对三相交流马达34进行驱动。
31.逆变器35包括将由第一开关元件q1和第二开关元件q2串联连接而成的第一臂、由第三开关元件q3和第四开关元件q4串联连接而成的第二臂、以及由第五开关元件q5和第六开关元件q6串联连接而成的第三臂，第一-第三臂与电池单元41并联连接。
32.在图2中，对第一开关元件q1-第六开关元件q6使用igbt。第一二极管d1-第六二极管d6与第一开关元件q1-第六开关元件q6分别反并联连接。此外，在对第一开关元件q1-第六开关元件q6使用mosfet的情况下，作为第一二极管d1-第六二极管d6，利用从源极向漏极方向形成的寄生二极管。
33.马达控制器36获取由输入电压/电流传感器381检测出的逆变器35的输入直流电压及输入直流电流、由输出电压/电流传感器382检测出的逆变器35的输出交流电压及输出交流电流、由转速/转矩传感器383检测出的三相交流马达34的转速及转矩。另外，马达控制器36获取与驾驶者的操作相应的或者由自动驾驶控制器生成的加速信号或制动信号。
34.马达控制器36基于这些输入参数来生成用于对逆变器35进行驱动的pwm信号，并输出到栅极驱动器37。栅极驱动器37基于从马达控制器36输入的pwm信号和规定的载波，来生成第一开关元件q1-第六开关元件q6的驱动信号，并输入到第一开关元件q1-第六开关元件q6的栅极端子。
35.马达控制器36经由车载网络向车辆控制部30发送逆变器35的输入直流电压、逆变器35的输入直流电流、马达34的转速、马达34的转矩。
36.返回图1。车辆控制部30是控制电动车辆3整体的车辆ecu(electronic control unit：电子控制单元)，例如也可以由综合型vcm(vehicle control module：车辆控制模块)构成。
37.gps传感器384检测电动车辆3的位置信息，并将检测出的位置信息发送到车辆控制部30。具体而言，gps传感器384从多个gps卫星分别接收包括各个发送时刻的电波，基于接收到的多个电波各自包括的多个发送时刻，来计算接收地点的纬度/经度。
38.车速传感器385产生与前轮轴32f或后轮轴32r的转速成比例的脉冲信号，并将所产生的脉冲信号发送到车辆控制部30。车辆控制部30基于从车速传感器385接收到的脉冲信号来检测电动车辆3的速度。
39.无线通信部39进行用于经由天线39a来与网络进行无线连接的信号处理。作为电动车辆3能够无线连接的无线通信网，例如能够使用移动电话网(蜂窝网)、无线lan、v2i(vehicle-to-infrastructure：车辆与基础设施通信)、v2v(vehicle-to-vehicle：车辆与车辆通信)、etc系统(electronic toll collection system：电子收费系统)、dsrc(dedicated short range communications：专用短程通信)。
40.在电动车辆3的行驶期间，车辆控制部30能够使用无线通信部39将行驶数据实时地发送到数据存储用云服务器或本公司服务器。行驶数据中包含电动车辆3的位置数据(纬度/经度)、电动车辆3的车速、电池单元41中包括的多个电池单体的电压、电流、温度、soc、soh、逆变器35的输入直流电压、输入直流电流、马达34的转速、转矩。车辆控制部30定期(例如，间隔10秒)地对这些数据进行采样，并且每次向云服务器或本公司服务器发送。
41.此外，车辆控制部30也可以将电动车辆3的行驶数据存储于内部的存储器，在规定的时机将存储器中存储的行驶数据一次性进行发送。例如，车辆控制部30也可以在一天的营业结束之后将存储器中存储的行驶数据一次性发送到营业所的终端装置。营业所的终端装置在规定的时机将多个电动车辆3的行驶数据发送到云服务器或本公司服务器。
42.另外，也可以是，在从具备网络通信功能的充电器进行充电时，车辆控制部30经由充电线缆将存储器中存储的行驶数据一并发送到充电器。充电器将接收到的行驶数据发送到云服务器或本公司服务器。该例对于未搭载无线通信功能的电动车辆3是有效的。
43.图3是示出实施方式所涉及的故障预测系统10的结构例的图。故障预测系统10通过一台以上服务器来构建。例如，故障预测系统10也可以通过设置于数据中心或本公司设施)的一台本公司服务器来构建。另外，故障预测系统10也可以通过基于云服务利用的云服务器来构建。另外，故障预测系统10也可以通过分散地设置于多个据点(数据中心、本公司设施)的多个本公司服务器来构建。另外，故障预测系统10也可以通过基于云服务利用的云服务器与本公司服务器的组合来构建。另外，故障预测系统10也可以通过基于与多个云服务业务商的合同的多个云服务器来构建。
44.故障预测系统10具备处理部11和记录部12。处理部11包括行驶数据获取部111、对象路径决定部112以及故障预测部113。处理部11的功能能够通过硬件资源与软件资源的协作、或者仅通过硬件资源来实现。作为硬件资源，能够利用cpu、rom、ram、gpu(graphics processing unit：图像处理单元)、asic(application specific integrated circuit：专业集成电路)、fpga(field programmable gate array：现场可编程门阵列)、其它lsi。作为软件资源，能够利用操作系统、应用等程序。
45.记录部12包括行驶数据保持部121。记录部12包括hdd(hard disk drive：硬盘驱动器)、ssd(solid state drive：固态驱动器)等非易失性记录介质，用于记录各种数据。
46.行驶数据获取部111经由网络来获取电动车辆3的行驶数据，并将获取到的行驶数据保存于行驶数据保持部121。对象路径决定部112从行驶数据保持部121读出电动车辆3的行驶数据，并从电动车辆3的位置数据的推移中提取电动车辆3的移动轨迹。对象路径决定部112基于所提取出的电动车辆3的移动轨迹，来决定经常使用的使用频度高的路径(以下，称为对象路径)。
47.图4的(a)-(i)是对某个电动车辆3的规定期间的gps轨迹的日志数据进行时间分割并将分割得到的多个gps轨迹绘制成多个曲线图的图。在图4的(a)-(i)所示的例子中，在将横轴设为经度、将纵轴设为纬度的曲线图中简单标记出gps轨迹，但也可以在实际的地图上重叠地绘制gps轨迹。
48.图5的(a)-(b)是用于说明对象路径的决定方法的图。在图5的(a)所示的例子中，对象路径决定部112基于电动车辆3的规定期间的gps轨迹来生成二维核密度分布(二维频度分布)。在生成二维核密度分布时，期望仅绘制车速为设定值(例如，10km/h)以上时的位置数据。当也绘制低速行驶时、停车时的位置数据时，低速行驶时、停车时的位置数据的绘制数量增加，有时会生成相对于按照实际情况的密度分布偏离的密度分布。
49.对象路径决定部112使用规定的核函数(例如，高斯函数)来选择规定的带宽，并生成所绘制的纬度的核密度曲线以及所绘制的经度的核密度曲线。对象路径决定部112根据所绘制的纬度的核密度曲线来确定最高的峰位置以及第二高的峰位置。同样地，对象路径
决定部112根据所绘制的纬度的核密度曲线来确定最高的峰位置以及第二高的峰位置。对象路径决定部112将使最高的峰位置的路径与最高的峰位置的纬度的交点同第二高的峰位置的经度与第二高的峰位置的纬度的交点连接的路径中的使用频度最高的路径决定为对象路径。图5的(b)示出了由对象路径决定部112根据图5(a)所示的规定期间的gps轨迹决定出的对象路径。
50.此外，对象路径的决定方法不限于基于二维核密度分布来进行决定的方法。例如，对象路径决定部112也可以将由精通电动车辆3的行驶地域的道路状况的管理者指定的路径决定为对象路径。关于对象路径，期望选定电动车辆3行驶时的环境条件尽可能为固定的路径。例如，期望选定平坦、弯道少、交通灯的数量少、堵塞少的路径且使用频度高的路径。
51.故障预测部113从行驶数据保持部121读出电动车辆3在对象路径行驶时的多个行驶数据，来生成在对象路径行驶时的功耗量的增加的推移。故障预测部113基于该功耗量的增加的推移来预测逆变器35中包括的开关元件q1-q6的老化故障。
52.开关元件q1-q6的经年劣化能够根据开关元件q1-q6的损耗增加(效率下降)来估计。为了根据在对象路径行驶时的功耗量的推移来高精度地预测逆变器35的老化故障，期望尽可能排除逆变器35的损耗增加的因素以外的因素的影响。首先，期望仅将与在对象路径行驶时的车速模式相似的数据用作分析对象数据。
53.图6的(a)-(g)是示出在对象路径行驶时的车速模式的具体例的图。图6的(a)-(g)示出了七次在对象路径行驶时的车速模式。故障预测部113根据从行驶数据中提取出的在对象路径行驶时的车速模式来提取相似的车速模式。作为提取相似的车速模式的方法，能够使用各种方法。例如，考虑了提取高速行驶时间的累计为规定时间以上的车速模式(例如，提取以50km/h以上行驶的期间为行驶时间的一半以上的车速模式)、提取停车次数为规定次数以内的车速模式、提取停车或加减速的时机接近的车速模式等。另外，也可以使用模式匹配、相关系数等方法。在图6的(a)-(g)所示的例子中，故障预测部113提取高速行驶时间的累计成为规定时间以上的图6的(a)、(d)、(e)的车速模式。
54.故障预测部113能够从在对象路径行驶时的行驶数据中提取对象路径的出发地点的电池单元41的soc和目标地点的电池单元41的soc，并基于它们的差来计算在对象路径行驶时的功耗量。
55.另外，故障预测部113也能够从在对象路径行驶时的行驶数据中提取从对象路径的出发地点起到目标地点为止的、逆变器35的输入直流电压v和输入直流电流i的日志，并如下述(式1)所示那样通过以对象路径的行驶时间对逆变器35的输入电力进行积分来计算在对象路径行驶时的功耗量。
56.功耗量＝∫(v
·
i)dt/1000[kwh]
…
(式1)
[0057]
如果将对象路径的距离除以计算出的功耗量，则能够计算电耗费。对于如上述那样计算出的功耗量，除了逆变器35的损耗(主要由开关元件q1-q6的接合线的接触电阻产生的损耗)以外，也考虑在马达34的旋转力的传递过程中产生的机械的驱动损耗的影响。在驱动损耗中包括由驱动轴的驱动摩擦、差速器的滑动摩擦、轮胎的橡胶变形、轮胎与路面之间的摩擦等产生的损耗。
[0058]
故障预测部113能够从行驶数据中提取从对象路径的出发地点起到目标地点为止的、马达34的转速rpm和马达34的旋转转矩nm的日志，并如下述(式2)那样通过以对象路径
的行驶时间对马达34的轴输出进行积分来计算在对象路径行驶时的累积轴输出。
[0059]
累积轴输出＝∫(rpm
·
nm
·
2π/60)dt/1000[kwh]
…
(式2)
[0060]
故障预测部113从通过上述(式1)计算出的功耗量减去通过上述(式2)计算出的累积轴输出，由此能够计算去除了机械的驱动损耗的影响的功耗量。
[0061]
对于通过上述(式1)计算出的功耗量，除了逆变器35的损耗、机械的驱动损耗的影响以外，也考虑各种变动因素的影响。例如，考虑天气、轮胎的气压、载荷、电池的内部电阻、对象路径的出发地点处的车速(初始速度)、对象路径的高低差、在对象路径行驶时的停车次数等的影响。在对象路径的高低差的推移在去程和回程大不相同的情况下，去程和回程的功耗量成为不同的值。在对象路径行驶时的停车次数影响电池单元41的再生量。
[0062]
图7是示出在对象路径行驶时的功耗量的推移的一例的图。功耗量能够以由逆变器35的损耗和机械的驱动损耗引起的功耗的合计来大致进行说明。此外，功耗量也受到其它变动因素的影响。故障预测部113绘制出在对象路径行驶时的多个功耗量。故障预测部113基于绘制出的多个功耗，量通过最小二乘法等来计算第一回归直线l1。同样地，故障预测部113基于在对象路径行驶时的多个累积轴输出来计算第二回归直线l2。
[0063]
在将其它变动因素假设为固定的情况下，故障预测部113能够将第一回归直线l1与第二回归直线l2之差估计为逆变器35的损耗。第一回归直线l1与第二回归直线l2也向未来方向延伸，因此，故障预测部113能够预测将来的逆变器35的损耗。
[0064]
故障预测部113能够基于预测出的将来的逆变器35的损耗来预测逆变器35的统计上的最短寿命到来的时期。作为预防性维护，电动车辆3的管理者能够在逆变器35的统计上的最短寿命到来之前更换逆变器35。
[0065]
另外，故障预测部113也能够基于预测出的将来的逆变器35的损耗来预测逆变器35的统计上的平均寿命到来的时期。作为预知性维护，电动车辆3的管理者能够在逆变器35的统计上的平均寿命到来之前更换逆变器35。在该情况下，能够使停机时间最小化并且有效活用使用中的逆变器35。
[0066]
故障预测部113能够对功耗量施加各种校正，以使其它变动因素接近固定。故障预测系统10的处理部11也可以具备天气信息获取部(未图示)。天气信息获取部从网络上的天气信息数据库服务器中获取在对象路径行驶了的日期时间的天气数据。
[0067]
故障预测部113也可以基于风向、风量、电动车辆3的行驶方向来估计风对电动车辆3的功耗量带来的影响，并以使该影响标准化的方式校正功耗量。另外，故障预测部113也可以基于雨量来估计路面的摩擦系数，估计路面的摩擦系数对电动车辆3的功耗量带来的影响，并以使该影响标准化的方式校正功耗量。
[0068]
另外，故障预测部113也可以基于温度来估计由于使用空调而产生的功耗量，估计空调的功耗量对电动车辆3的功耗量带来的影响，并以使该影响标准化的方式校正功耗量。此外，在不根据电池单元41的soc而根据逆变器35的输入电压/输入电流来计算功耗量的情况下，不需要考虑空调的功耗量。
[0069]
在行驶数据中包含轮胎的气压传感器的日志的情况下，故障预测部113也可以估计轮胎的气压对电动车辆3的功耗量带来的影响，并以使该影响标准化的方式校正功耗量。在行驶数据中包含载荷传感器的日志的情况下，故障预测部113也可以估计载荷对电动车辆3的功耗量带来的影响，并以使该影响标准化的方式校正功耗量。
[0070]
此外，在不包含载荷传感器的日志的情况下，故障预测部113也可以根据使用了电动车辆3的配送车辆的类型来估计载荷。例如，在电动车辆3为集货型的配送车辆的情况下，故障预测部113使用载荷随着从早上的集货开始时刻到晚上的集货结束时刻而逐渐变重的载荷模型。在电动车辆3为配送型的配送车辆的情况下，故障预测部113使用载荷随着从早上的配送开始时刻到晚上的配送结束时刻而逐渐变轻的载荷模型。在电动车辆3为据点间配送型的配送车辆的情况下，故障预测部113估计为载荷变动固定。故障预测部113能够根据不同时间段的电耗费来估计配送车辆的类型。
[0071]
故障预测部113也可以基于对象路径的出发地点处的车速来估计对象路径的初始速度对电动车辆3的功耗量带来的影响，并以使该影响标准化的方式校正功耗量。
[0072]
故障预测部113也可以估计对象路径的高低差对去程的功耗量和回程的功耗量带来的影响，并以使该影响标准化的方式校正功耗量。此外，故障预测部113也可以仅提取在对象路径行驶时的多个功耗量中的去程或回程的功耗量，来估计功耗量的增加的推移。
[0073]
故障预测部113也可以通过功耗量的计算方法，基于在对象路径行驶时的停车次数，从功耗量中扣除根据停车次数估计出的再生电力量。此外，在不根据电池单元41的soc而根据逆变器35的输入电压/输入电流来计算功耗量的情况下，不需要考虑再生电力量。
[0074]
故障预测部113也可以基于电池单元41的soc、soh、温度来估计电池单元41的内部电阻，估计电池单元41的内部电阻对电动车辆3的功耗量带来的影响，并以使该影响标准化的方式校正功耗量。此外，在不根据电池单元41的soc而根据逆变器35的输入电压/输入电流来计算功耗量的情况下，不需要考虑电池单元41的内部电阻。
[0075]
在行驶数据中包含驾驶者的日志的情况下，故障预测部113也可以仅提取在对象路径行驶时的多个功耗量中的、基于同一驾驶者的驾驶产生的功耗量，来估计功耗量的增加的推移。
[0076]
图8是示出由实施方式所涉及的故障预测系统10进行的、预测逆变器35中包括的开关元件q1-q6的老化故障的处理的流程的流程图。对象路径决定部112从行驶数据保持部121读出电动车辆3的行驶数据，从电动车辆3的位置数据的推移中提取电动车辆3的移动轨迹(s10)。对象路径决定部112基于电动车辆3的移动轨迹来生成二维核密度分布(s11)。对象路径决定部112基于所生成的二维核密度分布来决定对象路径(s12)。此外，在以不使用二维核密度分布的方式决定对象路径的情况下，对象路径决定部112根据需要将电动车辆3的移动轨迹按规定的期间进行时间分割。
[0077]
故障预测部113从电动车辆3在对象路径行驶时的多个车速模式中提取相似的车速模式(s13)。故障预测部113根据提取出的车速模式的行驶数据来计算在对象路径行驶时的各功耗量(s14)。故障预测部113基于功耗量的随时间的变化，来预测逆变器35中包括的开关元件q1-q6产生老化故障的时期(s15)。
[0078]
如以上说明那样，根据本实施方式，能够以低成本预测电动车辆3的逆变器35中包括的开关元件q1-q6的经年劣化。如果获取并保存电动车辆3的行驶数据，则无需对电动车辆3追加新的部件(例如，开关元件q1-q6的故障检测用传感器)。仅通过对日志数据进行分析，就能够以高精度且低成本预测开关元件q1-q6的故障。
[0079]
通过根据逆变器35的损耗的经年增加预测来预测开关元件q1-q6的故障，能够事先通知并促使用户进行逆变器35的更换修理。由此，能够避免由于逆变器35的突发故障而
导致无法行驶的不便。
[0080]
通过估计负荷条件大致一致的行驶时的功耗量的经年变化，能够事先预测开关元件q1-q6的故障。为了收集负荷条件大致一致的功耗量，基于二维核密度分布来决定经常使用的使用频度高的对象路径。另外，通过从逆变器35的输入电力量[kwh]减去将马达34的轴输出(转矩
×
转速)的时间积分与规定的系数相乘所得到的值[kwh]，能够排除从马达34的输出轴到驱动轮(后轮31r)的驱动损耗，能够仅掌握逆变器35的损耗的增加。
[0081]
另外，能够通过其它各种校正来排除各种的变动因素的影响。例如，通过根据电动车辆3的时间上的使用历史记录来估计载荷变动，能够排除由载荷引起的变动因素的影响。通过这些处理，与基于测定出的原始的功耗量来预测开关元件q1-q6的故障时期的情况相比较，能够更加高精度地预测故障时期。
[0082]
以上，基于实施例说明了本公开。并领域技术人员容易理解，实施例是例示，它们的各构成要素、各处理工艺的组合能够有各种变形例，另外，这样的变形例也在本公开的范围内。
[0083]
为了使对逆变器35的损耗增加的预测更加高精度化，也可以将gps数据的采样间隔隔开规定期间以上的区间的行驶数据从分析对象数据中排除。例如，在隧道多的行驶区间，gps数据的缺失变多。另外，还可以将气象条件差的日子(例如，雪天)的行驶数据从分析对象数据中排除。
[0084]
实施方式所涉及的故障预测系统10也能够用于预测搭载于混合动力车(hv)、插电式混合动力车(phv)的逆变器35中包括的开关元件q1-q6的故障时期。只要基于马达行驶期间和发动机行驶期间中的马达行驶期间的行驶数据进行预测即可。
[0085]
另外，在上述的实施方式中，作为电源车辆3，假定了使用逆变器35的四轮电动汽车。对于这一点，也可以是电动摩托车(电动滑行艇)、电动自行车。另外，在电动汽车不仅包括全规格电动汽车，还包括高尔夫球车、在购物中心、娱乐设施等使用的陆地车(日语：
ランドカー
)等低速的电动汽车。
[0086]
此外，实施方式也可以由以下的项目确定。
[0087]
[项目1]
[0088]
一种故障预测系统(10)，其特征在于，具备：
[0089]
获取部(111)，其获取电动车辆(3)的行驶数据；以及
[0090]
预测部(113)，其基于所述电动车辆(3)的行驶数据来预测对所述电动车辆(3)的驱动轮(31r)进行驱动的马达(34)的驱动电路(35)的老化故障，
[0091]
其中在所述行驶数据中包含所述电动车辆(3)的位置数据以及与功耗有关的数据，
[0092]
所述预测部(113)基于所述电动车辆(3)在同一路径行驶时的功耗量的增加的推移，来预测所述驱动电路(35)的老化故障。
[0093]
由此，能够以低成本预测驱动电路(35)的经年劣化。
[0094]
[项目2]
[0095]
根据项目1所述的故障预测系统(10)，其特征在于，
[0096]
所述行驶数据中包含车速，
[0097]
所述预测部(113)基于与所述电动车辆(3)在所述路径行驶时的车速模式相似的
行驶数据，来生成所述功耗量的增加的推移。
[0098]
由此，能够使驱动电路(35)的经年劣化的预测精度提高。
[0099]
[项目3]
[0100]
根据项目1或2所述的故障预测系统(10)，其特征在于，
[0101]
所述行驶数据中包含所述驱动电路(35)的输入电压、所述驱动电路(35)的输入电流、由所述驱动电路(35)驱动的马达(34)的转速、以及所述马达(34)的旋转转矩，
[0102]
所述预测部(113)从以所述路径的行驶时间对基于所述驱动电路(35)的输入电压和输入电流得到的所述驱动电路(35)的输入电力进行积分所得到的功耗量减去以所述路径的行驶时间对基于所述马达(34)的转速和旋转转矩得到的所述马达(34)的轴输出进行积分所得到的所述马达(34)的累积轴输出，来估计所述驱动电路(35)中包括的开关元件(q1-q6)的损耗。
[0103]
由此，能够从驱动电路(35)中包括的开关元件(q1-q6)的经年劣化的预测中排除机械的驱动损耗的影响。
[0104]
[项目4]
[0105]
根据项目1～3中的任一项所述的故障预测系统(10)，其特征在于，
[0106]
所述驱动电路(35)是逆变器(35)，
[0107]
所述预测部(113)预测所述逆变器(35)中包括的开关元件(q1-q6)的老化故障。
[0108]
由此，能够以低成本预测逆变器(35)中包括的开关元件(q1-q6)的经年劣化。
[0109]
[项目5]
[0110]
根据项目1～4中的任一项所述的故障预测系统(10)，其特征在于，
[0111]
还具备路径决定部(112)，所述路径决定部(112)从所述电动车辆(3)的位置数据的推移中提取所述电动车辆(3)的移动轨迹并生成二维频度分布，来决定所述路径。
[0112]
由此，能够高精度地决定作为对功耗量进行采样的基础的对象路径。
[0113]
[项目6]
[0114]
根据项目5所述的故障预测系统(10)，其特征在于，
[0115]
由所述路径决定部(112)生成的二维频度分布是二维核密度分布。
[0116]
由此，能够基于密度函数来高精度地决定作为对功耗量进行采样的基础的对象路径。
[0117]
[项目7]
[0118]
根据项目5所述的故障预测系统(10)，其特征在于，
[0119]
所述路径决定部(112)基于所提取出的电动车辆(3)的移动轨迹，来确定使用频度高的对象路径，
[0120]
所述预测部(113)基于在所述对象路径行驶时的行驶时的功耗量的增加的推移，来预测所述驱动电路(35)的老化故障。
[0121]
由此，能够基于高精度的对象路径的行驶数据以低成本预测驱动电路(35)的经年劣化。
[0122]
[项目8]
[0123]
根据项目5或6所述的故障预测系统(10)，其特征在于，
[0124]
在所述行驶数据中包含车速，
[0125]
所述路径决定部(112)在所述车速小于设定值时排除行驶时的位置数据，来生成所述二维频度分布。
[0126]
由此，能够高精度地生成二维频度分布。
[0127]
[项目9]
[0128]
一种故障预测方法，其特征在于，包括以下步骤：
[0129]
获取电动车辆(3)的行驶数据；以及
[0130]
基于所述电动车辆(3)的行驶数据来预测对所述电动车辆(3)的驱动轮(31r)进行驱动的马达(34)的驱动电路(35)的老化故障，
[0131]
所述行驶数据中包含所述电动车辆(3)的位置数据以及与功耗有关的数据，
[0132]
其中，在进行所述预测的步骤中，基于所述电动车辆(3)在同一路径行驶时的功耗量的增加的推移，来预测所述驱动电路(35)的老化故障。
[0133]
由此，能够以低成本预测驱动电路(35)的经年劣化。
[0134]
[项目10]
[0135]
一种故障预测程序，其特征在于，使计算机执行以下处理：
[0136]
获取电动车辆(3)的行驶数据；以及
[0137]
基于所述电动车辆(3)的行驶数据来预测对所述电动车辆(3)的驱动轮(31r)进行驱动的马达(34)的驱动电路(35)的老化故障，
[0138]
其中，所述行驶数据中包含所述电动车辆(3)的位置数据以及与功耗有关的数据，
[0139]
在进行所述预测的处理中，基于所述电动车辆(3)在同一路径行驶时的功耗量的增加的推移，来预测所述驱动电路(35)的老化故障。
[0140]
由此，能够以低成本预测驱动电路(35)的经年劣化。
[0141]
附图标记说明
[0142]
3：电动车辆；10：故障预测系统；11：处理部；111：行驶数据获取部；112：对象路径决定部；113：故障预测部；12：记录部；121：行驶数据保持部；30：车辆控制部；31f：前轮；31r：后轮；32f：前轮轴；32r：后轮轴；33：变速器；34：马达；35：逆变器；36：马达控制器；37：栅极驱动器；381：输入电压/电流传感器；382：输出电压/电流传感器；383：转速/转矩传感器；384：gps传感器；385：车速传感器；39：无线通信部；39a：天线；40：电源系统；41：电池单元；42：管理部；q1-q6：开关元件；d1-d6：二极管。

技术特征：
1.一种故障预测系统，其特征在于，具备：获取部，其获取电动车辆的行驶数据；以及预测部，其基于所述电动车辆的行驶数据来预测对所述电动车辆的驱动轮进行驱动的马达的驱动电路的老化故障，其中，所述行驶数据中包含所述电动车辆的位置数据以及与功耗有关的数据，所述预测部基于所述电动车辆在同一路径行驶时的功耗量的增加的推移，来预测所述驱动电路的老化故障。2.根据权利要求1所述的故障预测系统，其特征在于，所述行驶数据中包含车速，所述预测部基于与所述电动车辆在所述路径行驶时的车速模式相似的行驶数据，来生成所述功耗量的增加的推移。3.根据权利要求1或2所述的故障预测系统，其特征在于，所述行驶数据中包含所述驱动电路的输入电压、所述驱动电路的输入电流、由所述驱动电路驱动的马达的转速、以及所述马达的旋转转矩，所述预测部从以所述路径的行驶时间对基于所述驱动电路的输入电压和输入电流得到的所述驱动电路的输入电力进行积分所得到的功耗量减去以所述路径的行驶时间对基于所述马达的转速和旋转转矩得到的所述马达的轴输出进行积分所得到的所述马达的累积轴输出，来估计所述驱动电路中包括的开关元件的损耗。4.根据权利要求1～3中的任一项所述的故障预测系统，其特征在于，所述驱动电路是逆变器，所述预测部预测所述逆变器中包括的开关元件的老化故障。5.根据权利要求1～4中的任一项所述的故障预测系统，其特征在于，还具备路径决定部，所述路径决定部从所述电动车辆的位置数据的推移中提取所述电动车辆的移动轨迹并生成二维频度分布，来决定所述路径。6.根据权利要求5所述的故障预测系统，其特征在于，由所述路径决定部生成的二维频度分布是二维核密度分布。7.根据权利要求5所述的故障预测系统，其特征在于，所述路径决定部基于提取出的电动车辆的移动轨迹，来确定使用频度高的对象路径，所述预测部基于在所述对象路径行驶时的行驶时的功耗量的增加的推移，来预测所述驱动电路的老化故障。8.根据权利要求5或6所述的故障预测系统，其特征在于，所述行驶数据中包含车速，所述路径决定部在所述车速小于设定值时排除行驶时的位置数据，来生成所述二维频度分布。9.一种故障预测方法，其特征在于，包括以下步骤：获取电动车辆的行驶数据；以及基于所述电动车辆的行驶数据来预测对所述电动车辆的驱动轮进行驱动的马达的驱动电路的老化故障，其中，所述行驶数据中包含所述电动车辆的位置数据以及与功耗有关的数据，
在进行所述预测的步骤中，基于所述电动车辆在同一路径行驶时的功耗量的增加的推移，来预测所述驱动电路的老化故障。10.一种故障预测程序，其特征在于，使计算机执行以下处理：获取电动车辆的行驶数据；以及基于所述电动车辆的行驶数据来预测对所述电动车辆的驱动轮进行驱动的马达的驱动电路的老化故障，其中，所述行驶数据中包含所述电动车辆的位置数据以及与功耗有关的数据，在进行所述预测的处理中，基于所述电动车辆在同一路径行驶时的功耗量的增加的推移，来预测所述驱动电路的老化故障。

技术总结
获取部(111)获取电动车辆的行驶数据。预测部(112)基于电动车辆的行驶数据来预测用于对电动车辆的驱动轮进行驱动的马达的驱动电路的老化故障。行驶数据中包含电动车辆的位置数据以及与功耗有关的数据。预测部(112)基于电动车辆在同一路径行驶时的功耗量的增加的推移，来预测驱动电路的老化故障。来预测驱动电路的老化故障。来预测驱动电路的老化故障。


技术研发人员：仓贯正明
受保护的技术使用者：松下知识产权经营株式会社
技术研发日：2022.02.02
技术公布日：2023/10/15