摘" 要： 為了對電動汽車電機(jī)的健康狀況進(jìn)行動態(tài)監(jiān)測，開發(fā)一套基于云服務(wù)器和數(shù)字孿生的電動汽車電機(jī)在線健康監(jiān)測系統(tǒng)。該系統(tǒng)由車載數(shù)據(jù)采集與傳輸終端和云端健康監(jiān)測平臺兩部分組成。車載終端采集車輛電機(jī)狀態(tài)數(shù)據(jù)，并通過5G無線網(wǎng)絡(luò)傳輸至云服務(wù)器?；谠贫宋⒎?wù)架構(gòu)，集成數(shù)字孿生驅(qū)動的設(shè)備健康預(yù)測算法，實現(xiàn)了電機(jī)數(shù)據(jù)的實時監(jiān)測和健康狀況的動態(tài)預(yù)測。同時，為方便用戶隨時查看電機(jī)健康狀態(tài)及其變化趨勢，設(shè)計開發(fā)了一個人機(jī)交互的Web網(wǎng)頁。實驗結(jié)果表明，所提系統(tǒng)能夠動態(tài)監(jiān)測電機(jī)健康狀態(tài)，為電機(jī)的維護(hù)和管理提供決策支持。

關(guān)鍵詞： 電動汽車電機(jī)； 健康監(jiān)測； 5G； 云服務(wù)器； Web網(wǎng)頁； 數(shù)字孿生； 卷積自編碼器

中圖分類號： TN929.5?34； TP315" " " " " " " " 文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " " "文章編號： 1004?373X（2025）08?0063?07

EV motor health monitoring system based on cloud platform

ZHANG Yuanqin， WU Qinmu

（College of Electrical Engineering， Guizhou University， Guiyang 550025， China）

Abstract： In order to dynamic monitoring the health status of electric vehicle （EV） motors， an online EV motors health monitoring system based on cloud servers and digital twins is proposed. The system is composed of two parts： an onboard data acquisition and transmission terminal， and a cloud?based health monitoring platform. The onboard terminal can collect vehicle motor state data， which is then transmitted to the cloud server via 5G wireless networks. Based on the micro?service architecture， the device health prediction algorithms driven by digital twins can be integrated by means of the cloud， realizing real?time monitoring of motor data and dynamic monitoring of its health condition. In order to facilitate users to check the health status of the motor and its changing trends at any time， a Web page realizing human?machine interaction is designed and developed. The results show that the proposed system can dynamically monitor the motor's health state， providing decision support for its maintenance and management.

Keywords： electric vehicle motor; health monitoring; 5G; cloud server; Web page; digital twin; convolutional autoencoder

0" 引" 言

隨著全球能源結(jié)構(gòu)轉(zhuǎn)變和環(huán)境保護(hù)意識日益增強(qiáng)，電動汽車（EV）因其零排放、高效率等優(yōu)勢，已成為汽車工業(yè)綠色轉(zhuǎn)型的重要發(fā)展方向。驅(qū)動電機(jī)作為電動汽車的核心部件[1]，其運行安全性直接影響整車的安全性和可靠性。因此，對電動汽車的驅(qū)動電機(jī)進(jìn)行實時健康監(jiān)測顯得非常重要。健康監(jiān)測是故障預(yù)測和健康管理（PHM）技術(shù)的基本內(nèi)容[2?4]，是一種基于狀態(tài)的管理方式。它通過對設(shè)備運行數(shù)據(jù)的實時監(jiān)測和分析，監(jiān)測設(shè)備的實時健康狀況和變化趨勢，為設(shè)備的維護(hù)和管理提供決策支持，是實現(xiàn)設(shè)備長期穩(wěn)定運行、降低維護(hù)成本的關(guān)鍵。

國內(nèi)外在機(jī)械設(shè)備健康監(jiān)測方面開展了大量研究并取得一定成果。文獻(xiàn)[5]提出了一種基于物聯(lián)網(wǎng)、云服務(wù)器和4G技術(shù)的電機(jī)遠(yuǎn)程監(jiān)測系統(tǒng)，采用軟件濾波法對采集的電機(jī)溫度、電流、轉(zhuǎn)速等數(shù)據(jù)進(jìn)行濾波處理，同時采用小波包數(shù)據(jù)壓縮算法對采集的振動數(shù)據(jù)進(jìn)行壓縮和單獨封包發(fā)送，實現(xiàn)了對電機(jī)運行參數(shù)的監(jiān)測。文獻(xiàn)[6]設(shè)計一種基于TDengine時序大數(shù)據(jù)處理引擎的設(shè)備邊云協(xié)同健康監(jiān)測系統(tǒng)，以邊緣智能終端、云端Web平臺、邊云協(xié)同策略為核心技術(shù)構(gòu)建整個健康監(jiān)測系統(tǒng)，提高了設(shè)備持續(xù)監(jiān)測數(shù)據(jù)的處理能力與效率。文獻(xiàn)[7]設(shè)計一套基于ARM微處理器的嵌入式軸承健康監(jiān)測系統(tǒng)，該系統(tǒng)使用峭度系數(shù)和樣本熵來評估軸承的健康狀況，并結(jié)合小波包能量熵和RBF神經(jīng)網(wǎng)絡(luò)來識別故障類型。文獻(xiàn)[8]提出了一種礦井提升機(jī)健康狀態(tài)模糊綜合評估方法，該方法引入了相對劣化度來量化礦井提升機(jī)的健康狀態(tài)，并使用改進(jìn)的層次分析法（AHP）和CRITIC客觀賦權(quán)法來計算各子系統(tǒng)和指標(biāo)的綜合權(quán)重?；谔嵘龣C(jī)健康狀態(tài)評估結(jié)果，構(gòu)建了哈里斯鷹優(yōu)化（HHO）算法優(yōu)化的支持向量回歸（SVR）模型，用于預(yù)測礦井提升機(jī)的健康狀態(tài)。

數(shù)字孿生是一種以數(shù)字形式建立物理實體的虛擬模型，利用孿生數(shù)據(jù)模擬物理實體的行為，通過模型與實體的交互反饋、數(shù)據(jù)融合分析及迭代優(yōu)化，能夠?qū)崿F(xiàn)實體與虛擬模型之間的互動，并準(zhǔn)確反映實體的全生命周期[9?11]。已有研究利用數(shù)字孿生技術(shù)建立設(shè)備退化的行為模型，根據(jù)實時數(shù)據(jù)來迭代更新退化模型，通過退化模型與實時數(shù)據(jù)的互動動態(tài)預(yù)測設(shè)備的健康狀況變化趨勢[12?13]。

文獻(xiàn)[14]提出了一種融合數(shù)字孿生技術(shù)與深度學(xué)習(xí)的采煤機(jī)健康狀態(tài)預(yù)測方法。首先通過創(chuàng)建采煤機(jī)的數(shù)字孿生模型實現(xiàn)采煤機(jī)狀態(tài)的可視化，從而預(yù)判采煤機(jī)的健康狀態(tài)；然后基于深度學(xué)習(xí)構(gòu)建了一個預(yù)測采煤機(jī)關(guān)鍵零件剩余壽命的模型，使用實時監(jiān)測數(shù)據(jù)驅(qū)動模型以預(yù)測零件剩余壽命。文獻(xiàn)[15]設(shè)計了一種基于數(shù)字孿生的電主軸健康監(jiān)測系統(tǒng)，構(gòu)建了溫度域模型和溫度閾值模型，通過校正和映射熱邊界條件，實現(xiàn)了電主軸的熱特性數(shù)字孿生和健康監(jiān)測。

目前，并沒有完善的針對電動汽車驅(qū)動電機(jī)健康預(yù)測的遠(yuǎn)程監(jiān)測系統(tǒng)。本文結(jié)合現(xiàn)有遠(yuǎn)程監(jiān)測系統(tǒng)和設(shè)備健康預(yù)測的研究，開發(fā)了一套電動汽車電機(jī)在線健康監(jiān)測系統(tǒng)。該系統(tǒng)從電動汽車CAN總線采集電機(jī)運行狀態(tài)數(shù)據(jù)，通過5G無線網(wǎng)絡(luò)采集數(shù)據(jù)并傳輸?shù)皆品?wù)器，在云端采用微服務(wù)架構(gòu)，集成數(shù)字孿生驅(qū)動的設(shè)備健康預(yù)測算法，實現(xiàn)對電機(jī)運行狀態(tài)的實時監(jiān)測和健康狀況的動態(tài)預(yù)測，工作人員通過瀏覽器即可對電動汽車電機(jī)進(jìn)行健康監(jiān)測。

1" 系統(tǒng)總體結(jié)構(gòu)

本文系統(tǒng)分為車載數(shù)據(jù)采集及傳輸終端（車載終端）和云端健康監(jiān)測平臺（云平臺）兩部分。車載終端由主控模塊、數(shù)據(jù)采集模塊和數(shù)據(jù)傳輸模塊組成，主控模塊控制數(shù)據(jù)采集模塊從電動汽車CAN總線上采集所需的電機(jī)運行數(shù)據(jù)并解析，然后利用數(shù)據(jù)傳輸模塊（5G無線模塊）將解析的數(shù)據(jù)傳輸?shù)皆品?wù)器。云平臺包括云服務(wù)器端和Web客戶端。其中：云服務(wù)器端接收終端發(fā)送的電機(jī)狀態(tài)數(shù)據(jù)，存儲在數(shù)據(jù)庫以供提取分析，實現(xiàn)電機(jī)狀態(tài)監(jiān)測和健康預(yù)測功能，并與Web客戶端建立連接，將狀態(tài)數(shù)據(jù)及健康預(yù)測結(jié)果實時展示在Web客戶端，方便用戶隨時查看；Web客戶端實現(xiàn)人機(jī)交互功能，方便用戶隨時通過瀏覽器查看電機(jī)健康狀態(tài)及其變化趨勢。系統(tǒng)整體結(jié)構(gòu)圖如圖1所示。

2" 車載終端

車載終端需要實現(xiàn)數(shù)據(jù)采集、解析與遠(yuǎn)程傳輸?shù)裙δ堋Ｆ渲校簲?shù)據(jù)采集功能是通過將數(shù)據(jù)采集模塊作為CAN總線節(jié)點掛接在電動汽車CAN總線上來實現(xiàn)；數(shù)據(jù)解析功能是通過主控芯片執(zhí)行數(shù)據(jù)解析協(xié)議來實現(xiàn)；而數(shù)據(jù)遠(yuǎn)程傳輸功能通過主控芯片控制無線通信模塊來實現(xiàn)。

2.1" 硬件設(shè)計

車載終端采用瑞芯微RK3568芯片作為主控模塊芯片，該芯片支持USB、CAN、UART等各類型外圍接口。CAN收發(fā)器選用TJA1042T，可連接電動汽車CAN總線，完成終端與電動汽車內(nèi)部CAN的通信，實現(xiàn)數(shù)據(jù)采集功能。5G無線模塊選用移遠(yuǎn)RG200U?CN，該模塊支持5G NSA、SA、TDD和FDD等模式，也支持雙卡，并向下兼容4G/3G。車載終端結(jié)構(gòu)圖如圖2所示。

2.2" 程序設(shè)計

車載終端軟件實現(xiàn)程序：硬件設(shè)備上電后首先進(jìn)行設(shè)備初始化，設(shè)置5G模塊為透傳模式；初始化完成后，車載終端根據(jù)云服務(wù)器的公網(wǎng)IP及端口號，與云服務(wù)器建立TCP連接；然后調(diào)用CAN數(shù)據(jù)采集模塊函數(shù)來采集電動汽車電機(jī)電流、溫度、轉(zhuǎn)速等狀態(tài)數(shù)據(jù)，根據(jù)自定義協(xié)議解析后轉(zhuǎn)換成JSON格式；最后打包發(fā)送到云服務(wù)器。車載終端程序流程如圖3所示。

3" 云平臺

3.1" 云平臺功能結(jié)構(gòu)

電動汽車電機(jī)健康監(jiān)測云平臺主要實現(xiàn)用戶管理、車輛管理、數(shù)據(jù)接收與存儲、實時狀態(tài)監(jiān)測、動態(tài)健康預(yù)測、歷史數(shù)據(jù)管理、數(shù)據(jù)可視化等功能。云平臺功能結(jié)構(gòu)如圖4所示。

1） 用戶管理：負(fù)責(zé)實現(xiàn)用戶賬號和密碼的維護(hù)管理，以及用戶登錄的身份、賬號和密碼信息驗證，確定平臺使用權(quán)限，保護(hù)平臺數(shù)據(jù)安全。

2） 車輛管理：負(fù)責(zé)錄入、維護(hù)接入系統(tǒng)以及刪除移出系統(tǒng)的車輛信息，保證車輛信息的準(zhǔn)確性和及時性。車輛接入系統(tǒng)后，管理員在系統(tǒng)數(shù)據(jù)庫表中錄入車輛編號、車主姓名、電話、郵箱及車輛品牌。車輛信息變更時，系統(tǒng)管理員對其信息進(jìn)行維護(hù)，車輛移出系統(tǒng)時，管理員將車輛信息從系統(tǒng)界面刪除。

3） 數(shù)據(jù)接收與存儲：包括數(shù)據(jù)接入與解析、數(shù)據(jù)庫設(shè)計，以確保數(shù)據(jù)的有效接收和妥善存儲。

4） 實時狀態(tài)監(jiān)測：負(fù)責(zé)實時展示電機(jī)的各種狀態(tài)數(shù)據(jù)和當(dāng)前健康狀態(tài)，便于用戶實時了解電機(jī)的運行情況。

5） 動態(tài)健康預(yù)測：負(fù)責(zé)計算電機(jī)健康指標(biāo)并展示健康狀態(tài)變化趨勢，幫助用戶提前預(yù)知電機(jī)的健康狀況。

6） 歷史數(shù)據(jù)管理：包括數(shù)據(jù)查詢、下載和可視化功能。系統(tǒng)管理員可以查詢并導(dǎo)出指定車輛在指定時段內(nèi)的狀態(tài)數(shù)據(jù)，也可以查看最新時段及指定時段的電機(jī)運行狀態(tài)數(shù)據(jù)曲線，便于數(shù)據(jù)的復(fù)查和分析。

3.2" 云平臺開發(fā)架構(gòu)

云平臺采用前后端分離的開發(fā)模式。前端和后端通過基于HTTP協(xié)議的RestfulAPI進(jìn)行數(shù)據(jù)交互。

前端項目使用Vue+ElementUI+Echarts框架來構(gòu)建用戶友好的界面，并動態(tài)展示數(shù)據(jù)。

后端項目由兩個服務(wù)組成：一個是基于SpringBoot和MyBatisPlus的JavaEE企業(yè)級服務(wù)，負(fù)責(zé)業(yè)務(wù)邏輯、與前端和數(shù)據(jù)庫進(jìn)行交互，以及與其他后端服務(wù)進(jìn)行通信；另一個是基于Flask和PyTorch的深度學(xué)習(xí)服務(wù)，主要負(fù)責(zé)運行電機(jī)健康預(yù)測模型。兩個后端服務(wù)之間通過RestfulAPI相互通信。這種架構(gòu)充分發(fā)揮了SpringBoot在業(yè)務(wù)邏輯處理和穩(wěn)定性方面的優(yōu)勢，同時也利用了PyTorch在數(shù)據(jù)處理和深度學(xué)習(xí)方面的優(yōu)勢。

使用MySQL數(shù)據(jù)庫管理系統(tǒng)進(jìn)行數(shù)據(jù)存儲，并采用SQLyog數(shù)據(jù)庫管理軟件對其進(jìn)行管理。

使用Maven作為后端Java項目的管理工具，用于統(tǒng)一項目結(jié)構(gòu)、自動化構(gòu)建、依賴管理和部署測試。

前后端項目開發(fā)完成后均部署到云服務(wù)器上運行。云平臺開發(fā)的整體架構(gòu)如圖5所示。

3.3" 數(shù)字孿生驅(qū)動的健康預(yù)測算法

本文采用數(shù)字孿生驅(qū)動的電機(jī)健康預(yù)測算法模型，該模型是文獻(xiàn)[12]提出的針對小樣本數(shù)據(jù)下旋轉(zhuǎn)機(jī)械剩余使用壽命預(yù)測模型，融合了威布爾可靠性理論和卷積自編碼器，可以實時預(yù)測旋轉(zhuǎn)機(jī)械的健康狀態(tài)變化趨勢。

3.3.1" 算法思路

基于威布爾分布構(gòu)建能夠反映電機(jī)健康狀態(tài)變化趨勢的電機(jī)退化模型。兩個參數(shù)威布爾概率密度函數(shù)表達(dá)式為：

式（3）即為設(shè)備隨運行時間增加而退化的行為模型，可以反映設(shè)備的健康狀態(tài)變化趨勢。

本文根據(jù)電機(jī)實時運行數(shù)據(jù)對退化模型參數(shù)進(jìn)行更新迭代，預(yù)測電機(jī)健康變化趨勢。

首先，利用能夠反映電機(jī)健康狀態(tài)的電機(jī)振動信號早期運行數(shù)據(jù)來訓(xùn)練卷積自編碼器模型；然后，使用訓(xùn)練好的卷積自編碼器對振動信號的實時數(shù)據(jù)進(jìn)行重構(gòu)，計算重構(gòu)誤差并將其映射成健康因子。

自編碼器由編碼器和解碼器組成，其輸入層和輸出層神經(jīng)元數(shù)量相同。編碼器將輸入信號編碼成高階特征信號，解碼器將這些高階特征信號進(jìn)行解碼，得到重構(gòu)信號。一維卷積自編碼器網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

根據(jù)歷史資料及經(jīng)驗給定一個合適的電機(jī)初始威布爾可靠度函數(shù)，將式（5）得到的健康因子作為可靠度，代入威布爾可靠度函數(shù)，并對其進(jìn)行擬合和參數(shù)迭代更新，即可得到實時更新的電機(jī)健康狀態(tài)變化趨勢曲線。

采用均方誤差作為損失函數(shù)，可得可靠度函數(shù)的擬合誤差為：

式中[ri]為[ti]時刻根據(jù)實時數(shù)據(jù)計算得到的可靠度。

使用梯度下降法對可靠度函數(shù)的形狀參數(shù)[η]與尺度參數(shù)[β]進(jìn)行更新，更新公式為：

式中[α]為給定學(xué)習(xí)率。

3.3.2" 算法驗證

基于上述算法思路，在PyTorch框架下完成算法編程，采用法國FEMTO?ST研究所提供的PHM2012軸承剩余壽命預(yù)測數(shù)據(jù)集進(jìn)行驗證。該數(shù)據(jù)集包含了3種工況下共17組軸承全生命周期信號樣本，將每組樣本信號數(shù)據(jù)的前15%作為早期運行數(shù)據(jù)，對卷積自編碼器模型進(jìn)行訓(xùn)練。圖7展示了利用全壽命測試集中1_3樣本信號的前3 560 s水平振動信號數(shù)據(jù)對模型訓(xùn)練的收斂情況。

利用訓(xùn)練好的模型對該樣本早期信號和末期退化信號進(jìn)行重構(gòu)，對比結(jié)果如圖8所示。從圖8可以看出，模型學(xué)習(xí)到了早期信號的特征，能夠比較準(zhǔn)確地重構(gòu)早期信號，末期信號與早期信號特征差異較大，因此模型無法對其重構(gòu)。

模型對該樣本全生命周期的信號重構(gòu)誤差如圖9所示。圖中，早期信號的重構(gòu)誤差在0.1～0.2范圍內(nèi)保持穩(wěn)定，中后期緩慢上升，末期急速上升結(jié)果。此表明重構(gòu)誤差隨著軸承退化程度的嚴(yán)重而增大。

利用重構(gòu)誤差映射得到的健康因子曲線如圖10所示。圖中：早期的軸承健康因子在0.96～0.99范圍內(nèi)保持穩(wěn)定，表明軸承在這期間處于健康穩(wěn)定運行狀態(tài)；后期健康因子逐漸下降，直至為0，表明軸承逐漸退化直至失效，符合軸承退化規(guī)律。

用同樣的方法對其他各個軸承樣本執(zhí)行上述操作，也都得到類似的結(jié)果，表明本文算法程序是正確的。

4" 實驗及分析

為驗證云平臺各項功能，本文采用德國?帕德博恩大學(xué)軸承數(shù)據(jù)集中N09_M07_F10_K001樣本數(shù)據(jù)（包含電機(jī)電流、振動、轉(zhuǎn)速、轉(zhuǎn)矩、溫度等數(shù)據(jù)）來模擬采集到的電機(jī)運行數(shù)據(jù)，存儲到數(shù)據(jù)庫以供提取和分析。

4.1" 數(shù)據(jù)可視化

前端頁面利用折線對電機(jī)運行數(shù)據(jù)進(jìn)行可視化，點擊頁面時默認(rèn)展示指定車輛電機(jī)最新時段的運行數(shù)據(jù)曲線，也可以查詢指定時段的電機(jī)運行數(shù)據(jù)曲線。電機(jī)運行振動信號數(shù)據(jù)曲線如圖11所示。

4.2" 實時狀態(tài)監(jiān)測

前端頁面通過表格來展示電機(jī)實時狀態(tài)。點擊左側(cè)導(dǎo)航欄電機(jī)狀態(tài)總覽時，右側(cè)頁面展示了所有接入平臺的車輛電機(jī)當(dāng)前狀態(tài)數(shù)據(jù)；點擊狀態(tài)數(shù)據(jù)列表后，默認(rèn)展示指定車輛電機(jī)最新時段狀態(tài)數(shù)據(jù)，也可以查詢和導(dǎo)出指定時段的電機(jī)狀態(tài)數(shù)據(jù)，實現(xiàn)了對電機(jī)實時狀態(tài)監(jiān)測。電機(jī)狀態(tài)總覽及狀態(tài)數(shù)據(jù)列表見圖12。

4.3" 電機(jī)健康預(yù)測

首先將數(shù)據(jù)庫中電機(jī)運行振動信號數(shù)據(jù)的前25%作為歷史數(shù)據(jù)，其余75%作為實時運行數(shù)據(jù)，利用歷史數(shù)據(jù)對上述卷積自編碼器模型進(jìn)行訓(xùn)練并保存；然后調(diào)用訓(xùn)練好的模型以及上述調(diào)試正確的健康預(yù)測算法對實時數(shù)據(jù)進(jìn)行重構(gòu)，計算重構(gòu)誤差并映射為健康因子；最后對電機(jī)初始威布爾可靠度函數(shù)參數(shù)進(jìn)行更新，得到實時電機(jī)健康狀態(tài)及其變化趨勢預(yù)測，如圖13所示。

從圖13中可以看出，更新后的可靠度與實際計算的健康因子更接近。隨著電機(jī)運行時間的增加，采集到的實時信號數(shù)據(jù)也在增多，信號重構(gòu)誤差隨實時信號與早期信號的差異而變化，健康因子隨之變化，更新后的可靠度曲線也隨之變化。

5" 結(jié)" 論

本文開發(fā)的電動汽車電機(jī)在線健康監(jiān)測系統(tǒng)，通過結(jié)合先進(jìn)的信息技術(shù)、通信技術(shù)、云服務(wù)技術(shù)、數(shù)字孿生技術(shù)，實現(xiàn)了對電動汽車驅(qū)動電機(jī)的實時狀態(tài)監(jiān)測和健康預(yù)測。

本文將融合了威布爾可靠性理論與自編碼器的數(shù)據(jù)孿生驅(qū)動的電機(jī)健康預(yù)測算法集成到云平臺，對電機(jī)的健康狀況及其變化趨勢進(jìn)行預(yù)測，為電機(jī)的維護(hù)和管理提供了科學(xué)的決策支持。

本文采用微服務(wù)架構(gòu)和云服務(wù)器部署，保證了所提系統(tǒng)的可擴(kuò)展性和穩(wěn)定性。總體而言，該系統(tǒng)對于推動電動汽車行業(yè)的健康發(fā)展、降低維護(hù)成本、提高運行效率具有重要意義。

下一步工作是探索有效的故障預(yù)測算法模型并集成到系統(tǒng)，完善電機(jī)故障預(yù)警、控制指令下發(fā)等功能。

注：本文通訊作者為吳欽木。

參考文獻(xiàn)

[1] 陶大軍，潘博，戈寶軍，等.電動汽車驅(qū)動電機(jī)冷卻技術(shù)研究發(fā)展綜述[J].電機(jī)與控制學(xué)報，2023，27（4）：75?85.

[2] CHEN Z， WU M， ZHAO R， et al. Machine remaining useful life prediction via an attention?based deep learning approach [J]. IEEE transactions on industrial electronics， 2020， 68（3）： 2521?2531.

[3] 雷政，姜鵬，王啟明.FAST促動器故障預(yù)測與健康管理系統(tǒng)[J].清華大學(xué)學(xué)報（自然科學(xué)版），2022，62（11）：1796?1802.

[4] YAN J， HE Z， HE S. Multitask learning of health state assessment and remaining useful life prediction for sensor?equipped machines [J]. Reliability engineering amp; system safety， 2023， 234： 109141.

[5] 謝鋒云，王玲嵐，閆少石，等.基于云平臺和物聯(lián)網(wǎng)技術(shù)的電機(jī)遠(yuǎn)程監(jiān)測系統(tǒng)[J].機(jī)械設(shè)計與研究，2023，39（2）：153?157.

[6] 葉宗真，余凱偉，張佳卿，等.基于TDengine的機(jī)械設(shè)備邊云協(xié)同健康監(jiān)測系統(tǒng)設(shè)計[J].兵器裝備工程學(xué)報，2023，44（8）：249?256.

[7] 尚書陽，徐志祥，張海，等.基于ARM的嵌入式軸承健康監(jiān)測系統(tǒng)設(shè)計[J].儀表技術(shù)與傳感器，2021（1）：58?62.

[8] 王琛，楊岸.礦井提升機(jī)健康狀態(tài)評估與預(yù)測系統(tǒng)研究[J].工礦自動化，2023，49（10）：75?86.

[9] 陶飛，劉蔚然，張萌，等.數(shù)字孿生五維模型及十大領(lǐng)域應(yīng)用[J].計算機(jī)集成制造系統(tǒng)，2019，25（1）：1?18.

[10] 陶飛，張賀，戚慶林，等.數(shù)字孿生模型構(gòu)建理論及應(yīng)用[J].計算機(jī)集成制造系統(tǒng)，2021，27（1）：1?15.

[11] 劉大同，郭凱，王本寬，等.數(shù)字孿生技術(shù)綜述與展望[J].儀器儀表學(xué)報，2018，39（11）：1?10.

[12] 張誠，馬梓瑋，劉斌，等.數(shù)字孿生驅(qū)動的小樣本旋轉(zhuǎn)機(jī)械剩余壽命預(yù)測[J].西安交通大學(xué)學(xué)報，2023，57（12）：168?178.

[13] 拓云天，崔潔，王津沓，等.基于數(shù)字孿生的滾動軸承健康狀態(tài)預(yù)測[J].制造技術(shù)與機(jī)床，2022（11）：156?162.

[14] 丁華，楊亮亮，楊兆建，等.數(shù)字孿生與深度學(xué)習(xí)融合驅(qū)動的采煤機(jī)健康狀態(tài)預(yù)測[J].中國機(jī)械工程，2020，31（7）：815?823.

[15] YUAN Y， FAN K. Digital twin?driven life health monitoring for motorized spindle [J]. Journal of manufacturing processes， 2024， 113： 373?387.

作者簡介：張遠(yuǎn)琴（1990—），女，貴州遵義人，碩士研究生，研究方向為電動汽車電機(jī)健康狀態(tài)監(jiān)測。

吳欽木（1975—），男，貴州銅仁人，博士研究生，教授，博士生導(dǎo)師，研究方向為電動汽車電驅(qū)動系統(tǒng)效率優(yōu)化和故障診斷。

收稿日期：2024?05?23" " " " " "修回日期：2024?07?03

基金項目：國家自然科學(xué)基金項目：網(wǎng)聯(lián)化電動汽車電驅(qū)動系統(tǒng)協(xié)同效率優(yōu)化研究（52267003）