CN103115779A - 一种电动汽车在线状态监测系统 - Google Patents

Abstract

本发明提供一种电动汽车在线状态监测系统，系统包括信息采集层、网络层、支撑层、知识库层及展示层；能够解决数据的分布性、异构性等问题，统一、透明、高效地访问网络环境中各种数据资源，使分散在不同物理位置的不同格式、不同传输方式的数据经由整合处理，以统一接口输出，快速地将“孤岛数据”转化为共享信息资源，满足运行状态知识库所必须完成的数据交换的需求。

Description

一种电动汽车在线状态监测系统

技术领域

本发明属于电动汽车电池充换电站技术领域，具体涉及一种电动汽车在线状态监测系统。

背景技术

电动汽车是我国七大战略性新兴产业之一，是党中央、国务院高屋建瓴的战略抉择，国家相关职能部门及各地政府部门相继出台一系列的产业鼓励政策和购买补贴措施，旨在全面推进电动汽车的普及使用，降低城市车辆尾气排放，实现城市综合减排的目标。国家《节能与新能源汽车产业发展规划（2012—2020年）》明确提出，争取到2015年，纯电动汽车和插电式混合动力汽车累计产量达到50万辆，到2020年超过500万辆，新能源汽车、动力电池及关键零部件技术，整体上达到国际先进水平。

随着纯电动汽车保有量的不断上升，对电动汽车充换电基础设施建设的需求将日趋增大。充换电设施作为电动汽车能源补给的重要配套设施，是电动汽车推广普及的基础保障，其技术发展水平以及规划建设规模直接影响着电动汽车的产业化和发展推广。充换电基础设施是电动汽车产业化、规模化发展的重要环节，未来市场发展空间巨大，其基本属性、建设和运行特性决定了充换电设施与电动汽车用户及电网具有密不可分的联系。充换电网络服务体系、客户服务、商业模式、互动方式等方面的重大问题急需得到解决。

发明内容

为了克服上述现有技术的不足，本发明提供一种电动汽车在线状态监测系统，能解决数据的分布性、异构性等问题，统一、透明、高效地访问网络环境中各种数据资源，使分散在不同物理位置的不同格式、不同传输方式的数据经由整合处理，以统一接口输出，快速地将“孤岛数据”转化为共享信息资源，满足运行状态知识库所必须完成的数据交换的需求。

为了实现上述发明目的，本发明采取如下技术方案：

提供一种电动汽车在线状态监测系统，所述系统包括信息采集层、网络层、支撑层、知识库层及展示层；所述信息采集层将物理实体连接到网络层，所述网络层为支撑层提供事件信息和执行命令，所述支撑层通过ESB服务总线为知识库层提供数据，所述知识库层将自身推理结果通过服务信息向展示层传递，展示层将其自身的业务配置信息回知识库层，并提出对车辆的实时状态进行在线估计，提供电动汽车运营的服务信息。

所述信息采集层利用视频监控、射频识别和数据采集模块对电动汽车运行状态数据和事件进行实时数据的测量、采集、抓取和识别以及事件的收集，并通过通信模块将物理实体连接到网络层。

所述网络层包括核心网和接入网，网络层通过通信网络为支撑层提供事件信息和执行命令，所述物理层相关信息包括认证信息、注册信息、监控信息、配置信息和传感信息。

所述支撑层包括运行监控层和支撑服务层；所述运行监控层对采集的数据和事件信息进行加工处理，并按照工作流程的编排和事件信息的处理选择应对措施，所述运行监控层通知相关负责人，保留及查询历史信息，并对网络设备进行监控；所述支撑服务层处理事件信息和用户服务，其包括海量数据集成服务平台、面向服务的架构平台、云计算能力服务平台以及专业能力服务平台。

用户利用车载终端、平台客户端或手机短信的方式和所述展示层进行交互，所述展示层对用户进行身份认证及权限管理。

所述知识库层包括电动汽车运行状态知识库、电动汽车运行状态推理机和电动汽车运行状态人机接口；所述知识库层先通过运用电动汽车状态估计过程中所需要的知识，完成匹配、决策、归纳和演算操作，并围绕知识库层中存储的知识完成推理和决策，得到最终结果。

所述电动汽车运行状态知识库包括知识库管理层、知识库检验维护层和知识库表层；其中，所述知识库管理层直接面向应用，用于知识库管理的操作调用，其直接调用知识库层函数；知识库检验维护层位于所述知识库管理层和知识库表层之间，连接所述知识库管理层和知识库表层；所述知识库表层对知识库中的知识进行存取、查询、修改和删除，其直接面向数据库，操作的对象为底层函数。

所述知识库管理层包括以实时信息为核心的参数比对库、以特征量和理论值为核心的规则库以及以实例信息为核心的案例库；根据电动汽车汽车结构特点，并针对使用过程中的需求，案例库包括动力电池库、保养信息库和车辆运行状态库。

所述知识库检验维护层对诊断知识库中知识的检测包括正确性检验、冗余检验和一致性检验；所述正确性检验是对知识的可靠性进行检验，对于可靠性低于可信限度值的记录，将其状态设为不激活状态；所述冗余检验是对诊断知识库中是否存在完全相同或非常相似的记录进行检验，特别是在规则库中要检查是否存在结论相同而规则前提中除有些条件互逆外其余的条件都相同或等价的规则，如果存在完全相同或非常相似的记录，则将完全相同或非常相似的知识进行合并，消除知识冗余；所述一致性检验是对知识库中是否存在自相矛盾的知识进行检验，在相同情形下根据实例库和规则库的不同知识导致不相容的动作或结论，知识库发出矛盾信号，提示出现了一致性的错误。

所述电动汽车运行状态推理机利用知识和专家经验对诊断进行推理，推理方式包括实例及规则混合推理和正反向混合推理。

所述实例及规则混合推理基于规则、案例和模型进行混合推理，具体的混合推理过程如下：

利用模型得出单个知识的可信度，对于规则可信度较高的知识采用以规则为前导推理，案例分析为后置补充加以论证；对于规则可信度较低的知识采用以案例为前导，规则为后置补充的方式；针对于单个预测估计任务，案例和规则之间的混合协调可以通过临时比对库进行，临时比对库为存放问题状态数据的中间过渡平台，可进行全局引用的数据库，并且数据为动态刷新。

所述正反向混合推理中，先根据前提事实，通过正向推理，帮助系统参考结论，再运用反向推理，进一步寻找支持该结论成立的证据，如此反复循环直到推理成功或失败为止。

与现有技术相比，本发明的有益效果在于：

1.本发明全面的对电动汽车运行状态进行了数据采集和分析；

2.本发明采用了统一接口输出，快速地将“孤岛数据”转化为共享信息资源，满足运行状态知识库所必须完成的数据交换的需求；

3.电动汽车所表现的体感和量化状态采取多层级信息耦合推理策略，为电动汽车的安全、便捷、高效运行提供了保障；

4.能解决数据的分布性、异构性等问题，统一、透明、高效地访问网络环境中各种数据资源，使分散在不同物理位置的不同格式、不同传输方式的数据经由整合处理，以统一接口输出，快速地将“孤岛数据”转化为共享信息资源，满足运行状态知识库所必须完成的数据交换的需求。

附图说明

图1是电动汽车在线状态监测系统架构图；

图2是知识库层实现的流程图；

图3是电动汽车运行状态知识库的操作函数示意图；

图4是实例及规则混合推理流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1，本发明提供一种电动汽车在线状态监测系统，采用SOA架构进行设计，提供服务的定义、开发、部署和运行等功能，各层之间通过松散耦合实现逻辑复用，通过服务方式实现同层之间模块的松耦合，使得平台具备良好的扩展能力；提供基于SOA的海量数据集成服务，包括统一数据模型与管理、异构数据采集与整合、以及海量数据的组织与存贮、共享与发布、分析与挖掘等，为海量的数据处理奠定了基础。同时，平台在传统IT系统的基础上融合云计算技术，以增强平台的计算能力、扩展能力，解决了电动汽车产业链上各类用户中心大量闲置的计算和存储能力问题。

电动汽车在线状态监测系统包括信息采集层、网络层、支撑层、知识库层及展示层；所述信息采集层将物理实体连接到网络层，所述网络层为支撑层提供事件信息和执行命令，所述支撑层通过ESB服务总线为知识库层提供数据，所述知识库层将自身推理结果通过服务信息向展示层传递，展示层将其自身的业务配置信息回知识库层，并提出对车辆的实时状态进行在线估计，提供电动汽车运营的服务信息。

所述信息采集层利用视频监控、射频识别和数据采集模块对电动汽车运行状态数据和事件进行实时数据的测量、采集、抓取和识别以及事件的收集，并通过通信模块将物理实体连接到网络层。

所述网络层包括核心网和接入网，网络层通过通信网络为支撑层提供事件信息和执行命令，所述物理层相关信息包括认证信息、注册信息、监控信息、配置信息和传感信息。

所述支撑层包括运行监控层和支撑服务层；所述运行监控层对采集的数据和事件信息进行加工处理，并按照工作流程的编排和事件信息的处理选择应对措施，所述运行监控层通知相关负责人，保留及查询历史信息，并对网络设备进行监控；所述支撑服务层处理事件信息和用户服务，其包括海量数据集成服务平台、面向服务的架构平台、云计算能力服务平台以及专业能力服务平台。

用户利用车载终端、平台客户端或手机短信的方式和所述展示层进行交互，所述展示层对用户进行身份认证及权限管理。

所述知识库层包括电动汽车运行状态知识库、电动汽车运行状态推理机和电动汽车运行状态人机接口；所述知识库层先通过运用电动汽车状态估计过程中所需要的知识，完成匹配、决策、归纳和演算操作，并围绕知识库层中存储的知识完成推理和决策，得到最终结果。知识库在车辆状态识别过程的主要系统结构如图2所示。

所述电动汽车运行状态知识库包括知识库管理层、知识库检验维护层和知识库表层；其中，所述知识库管理层直接面向应用，用于知识库管理的操作调用，其直接调用知识库层函数；知识库检验维护层位于所述知识库管理层和知识库表层之间，连接所述知识库管理层和知识库表层；所述知识库表层对知识库中的知识进行存取、查询、修改和删除，其直接面向数据库，操作的对象为底层函数。具体实现时，对于每一个具体的知识库管理操作，都将其分为三层调用形式来实现，各层完成的功能不同。这样，当因功能或需求的改变而使知识库管理层的功能发生变动时，如添加数据项、选用另一种数据库时，它都只影响本层的操作，而其它层不必修改。

所述知识库管理层包括以实时信息为核心的参数比对库、以特征量和理论值为核心的规则库以及以实例信息为核心的案例库；其中案例是指以前曾成功解决过的问题或案例。根据电动汽车汽车结构特点，并针对使用过程中的需求，将案例库分为多个子库，包括动力电池库、保养信息库和车辆运行状态库。每一个子库又划分为若干个小块，每一小块对应一张表，每一张表记录了该块的所有故障诊断实例。每个诊断实例看作是一条记录，诊断实例所需要的参数为一个字段。具体的实例表示方法如表1所示。

表1

状态号	状态对象	状态描述	状态分析	检查方法	状态
						1	电池	容量降低	外接线路电阻较大	整理外接线路	1
2	电机	电机不转	电机烧坏	更换	0

表1中的字段“状态”是指该条记录是否处于激活状态（只有激活的记录才是可用的记录）。如果值为1表示该条记录处于激活状态，相反，如果其值为0，则表示该条记录有错误或不确定其可靠性，暂时处于静止状态。

规则是表达由一定的前提推出确定的结论的知识，故障诊断中的规则一般都是领域专家从长期的实践经验中得出的规律性的结论。规则的一般形式是：If X Then Y，这里X表示前提，Y表示结论。和实例库一样，规则库也分为动力电池库、保养信息库、车辆运行状态库等部分。每一部分又划分为若干块，每一块对应一个规则表。规则采用表2的形式记录：

表2

知识库中存储的领域专家知识可以由蕴含关系的规则来表达：If X Then（Y，K），含义为“如果X成立则有可信度为K的结论Y”。其中可信度K是在电动汽车运行特性预测分析模型的输出结果的概率统计分析得出。

如图3，所述知识库检验维护层对诊断知识库中知识的检测包括正确性检验、冗余检验和一致性检验；

所述正确性检验是对知识的可靠性进行检验，对于可靠性低于可信限度值的记录，将其状态设为不激活状态（即将该记录的状态属性值设为0）。

所述冗余检验是对诊断知识库中是否存在完全相同或非常相似的记录进行检验，特别是在规则库中要检查是否存在结论相同而规则前提中除有些条件互逆外其余的条件都相同或等价的规则，如果存在完全相同或非常相似的记录，则将完全相同或非常相似的知识进行合并，消除知识冗余。

所述一致性检验是对知识库中是否存在自相矛盾的知识进行检验，在相同情形下根据实例库和规则库的不同知识导致不相容的动作或结论，知识库发出矛盾信号，提示出现了一致性的错误。

研究表明，单纯依靠一种知识来源或单一的判别方法，得出结论的准确性并不是很高，所以在依据知识库的基础上，为提高对电动汽车状态在线估计的精度，设计采用多重混合的推理方法。所述电动汽车运行状态推理机利用知识和专家经验对诊断进行多重混合推理，推理方式包括实例及规则混合推理和正反向混合推理。

（1）实例及规则混合推理

首先是对于知识库和案例库的融合管理，知识库中的案例库和规则库并不相互独立，相反它们是有密切联系的。运用专家系统中的知识挖掘机制对实例库中的实例进行研究，挖掘出“准”规则，将这些准规则存放到一个临时库中，然后请领域专家对这些规则进行逐一检查，合格的存放到规则库中，不合格的抛弃。所述实例及规则混合推理基于规则、案例和模型进行混合推理，具体的混合推理过程如下：

利用模型得出单个知识的可信度，对于规则可信度较高的知识采用以规则为前导推理，案例分析为后置补充加以论证；对于规则可信度较低的知识采用以案例为前导，规则为后置补充的方式；针对于单个预测估计任务，案例和规则之间的混合协调可以通过临时比对库进行，临时比对库为存放问题状态数据的中间过渡平台，可进行全局引用的数据库，并且数据为动态刷新。对于规则可信度较低的问题进行预测估计的推理过程如图4所示。

（2）正反向混合推理

正反向混合推理按照推理的逻辑方式可分为正向推理和反向推理。

正向推理一般采用以下方式进行推理：根据用户提出的前提事实或目前监测到的异常情况，选用知识库中的知识；将选用的知识及经过推理得出结论。

而反向推理是一种从结论到证据的推理方法，它是根据用户的问题或目前监测到的异常情况提出一个假设，然后到知识库之中去寻找支持这个假设成立的证据，若证据存在，则假设成立。反之则否。这种推理方式由于是从结论到证据，故又称为目标驱动策略。

反向推理采用的方法是：

1）能根据问题，作出相应的假设，并能判断此目标的真假。

2）如假设成立，将结果告知用户并作出解释。

3）若假设不成立，则重新作出假设，并能在知识库之中搜索该假设成立的证据。

无论是正向推理和反向推理都存在精确度的问题，正向推理和反向推理在得出结论上可能得出可信度不一的结论，综合使用正反向混合推理则可以充分的发挥规则到结论再到规则的反复论证优势，即证据→结论→证据→结论，提高结论的可信度。

所述正反向混合推理具体的推理过程：先根据前提事实，通过正向推理，帮助系统参考结论，再运用反向推理，进一步寻找支持该结论成立的证据，如此反复循环直到推理成功或失败为止。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (12)

1.一种电动汽车在线状态监测系统，其特征在于：所述系统包括信息采集层、网络层、支撑层、知识库层及展示层；所述信息采集层将物理实体连接到网络层，所述网络层为支撑层提供事件信息和执行命令，所述支撑层通过ESB服务总线为知识库层提供数据，所述知识库层将自身推理结果通过服务信息向展示层传递，展示层将其自身的业务配置信息回知识库层，并提出对车辆的实时状态进行在线估计，提供电动汽车运营的服务信息。

2.根据权利要求1所述的电动汽车在线状态监测系统，其特征在于：所述信息采集层利用视频监控、射频识别和数据采集模块对电动汽车运行状态数据和事件进行实时数据的测量、采集、抓取和识别以及事件的收集，并通过通信模块将物理实体连接到网络层。

3.根据权利要求1所述的电动汽车在线状态监测系统，其特征在于：所述网络层包括核心网和接入网，网络层通过通信网络为支撑层提供事件信息和执行命令，所述物理层相关信息包括认证信息、注册信息、监控信息、配置信息和传感信息。

4.根据权利要求1所述的电动汽车在线状态监测系统，其特征在于：所述支撑层包括运行监控层和支撑服务层；所述运行监控层对采集的数据和事件信息进行加工处理，并按照工作流程的编排和事件信息的处理选择应对措施，所述运行监控层通知相关负责人，保留及查询历史信息，并对网络设备进行监控；所述支撑服务层处理事件信息和用户服务，其包括海量数据集成服务平台、面向服务的架构平台、云计算能力服务平台以及专业能力服务平台。

5.根据权利要求1所述的电动汽车在线状态监测系统，其特征在于：用户利用车载终端、平台客户端或手机短信的方式和所述展示层进行交互，所述展示层对用户进行身份认证及权限管理。

6.根据权利要求1所述的电动汽车在线状态监测系统，其特征在于：所述知识库层包括电动汽车运行状态知识库、电动汽车运行状态推理机和电动汽车运行状态人机接口；所述知识库层先通过运用电动汽车状态估计过程中所需要的知识，完成匹配、决策、归纳和演算操作，并围绕知识库层中存储的知识完成推理和决策，得到最终结果。

7.根据权利要求6所述的电动汽车在线状态监测系统，其特征在于：所述电动汽车运行状态知识库包括知识库管理层、知识库检验维护层和知识库表层；其中，所述知识库管理层直接面向应用，用于知识库管理的操作调用，其直接调用知识库层函数；知识库检验维护层位于所述知识库管理层和知识库表层之间，连接所述知识库管理层和知识库表层；所述知识库表层对知识库中的知识进行存取、查询、修改和删除，其直接面向数据库，操作的对象为底层函数。

8.根据权利要求7所述的电动汽车在线状态监测系统，其特征在于：所述知识库管理层包括以实时信息为核心的参数比对库、以特征量和理论值为核心的规则库以及以实例信息为核心的案例库；根据电动汽车汽车结构特点，并针对使用过程中的需求，案例库包括动力电池库、保养信息库和车辆运行状态库。

9.根据权利要求7所述的电动汽车在线状态监测系统，其特征在于：所述知识库检验维护层对诊断知识库中知识的检测包括正确性检验、冗余检验和一致性检验；所述正确性检验是对知识的可靠性进行检验，对于可靠性低于可信限度值的记录，将其状态设为不激活状态；所述冗余检验是对诊断知识库中是否存在完全相同或非常相似的记录进行检验，特别是在规则库中要检查是否存在结论相同而规则前提中除有些条件互逆外其余的条件都相同或等价的规则，如果存在完全相同或非常相似的记录，则将完全相同或非常相似的知识进行合并，消除知识冗余；所述一致性检验是对知识库中是否存在自相矛盾的知识进行检验，在相同情形下根据实例库和规则库的不同知识导致不相容的动作或结论，知识库发出矛盾信号，提示出现了一致性的错误。

10.根据权利要求6所述的电动汽车在线状态监测系统，其特征在于：所述电动汽车运行状态推理机利用知识和专家经验对诊断进行推理，推理方式包括实例及规则混合推理和正反向混合推理。

11.根据权利要求10所述的电动汽车在线状态监测系统，其特征在于：所述实例及规则混合推理基于规则、案例和模型进行混合推理，具体的混合推理过程如下：

利用模型得出单个知识的可信度，对于规则可信度较高的知识采用以规则为前导推理，案例分析为后置补充加以论证；对于规则可信度较低的知识采用以案例为前导，规则为后置补充的方式；针对于单个预测估计任务，案例和规则之间的混合协调可以通过临时比对库进行，临时比对库为存放问题状态数据的中间过渡平台，可进行全局引用的数据库，并且数据为动态刷新。

12.根据权利要求10所述的电动汽车在线状态监测系统，其特征在于：所述正反向混合推理中，先根据前提事实，通过正向推理，帮助系统参考结论，再运用反向推理，进一步寻找支持该结论成立的证据，如此反复循环直到推理成功或失败为止。

Images