CN103838229B - 电动汽车诊断方法和诊断装置 - Google Patents

Abstract

本发明公开了一种电动汽车的诊断方法和诊断装置。该诊断方法包括根据表示电动车运行状态的状态数据流提取模式敏感特征；根据模式敏感特征对电动汽车各运行状态进行特征评估；根据特征评估的结果建立包括正常模式和多个故障模式的模式库；分别计算并比较模式库中的多个模式和表示汽车实时运行状态的数据流之间的多个相似度；以及根据比较结果产生故障警示信号。本发明的诊断方法和诊断装置实现了故障的实时预报，提高了效率，能够为电动汽车的远程诊断决策即时提供依据。同时，减少了人工的参与，避免了由人工产生的安全隐患。

Description

电动汽车诊断方法和诊断装置

技术领域

本发明涉及电动汽车领域，尤其涉及电动汽车故障的诊断方法和诊断装置。

背景技术

随着科学技术的发展，汽车电子化程度越来越高，例如，ABS、ASR、安全气囊、发动机电控喷射等技术不断应用到汽车上。汽车电子控制设备可以迅速、准确地处理各种信息，并通过汽车仪表显示出来，使驾驶员及时了解并掌握汽车的运行状态，妥善处理各种情况。然而，电控化程度越高，所包含的仪器和参数则越多，汽车的故障诊断也越困难。

现有技术中的解决电动汽车安全问题的方法包括：故障发生后的故障诊断和维修人员定期的维护和保养。其中，车辆故障诊断技术包括专家系统、模糊推理、神经网络等。然而，这些技术严重依赖于专家知识，很多情况下并不能及时有效的获取这些专家知识。此外，现有的故障诊断方法不能预测故障，因此，无法阻止故障的发生。目的不明确的定期维修和保养不仅成本高、效率低，而且人工检查的方式很难迅速发现电动汽车的安全隐患。

发明内容

本发明所要解决的技术问题是提供一种电动汽车的诊断方法和诊断装置，以实现实时监控电动汽车运行状态，及时预测和预报电动汽车故障的发生，避免因为过度依赖专家和人工检查而产生的安全隐患。

本发明解决其技术问题采用以下的技术方案：

本发明提供了一种电动汽车的诊断方法，所述诊断方法包括以下步骤：

通过网络获取表示所述电动汽车运行状态的状态数据流；

根据所述状态数据流提取电动汽车各运行状态下的敏感特征；

根据所述敏感特征对电动汽车各运行状态进行特征评估；

根据所述特征评估的结果建立包括正常模式和多个故障模式的模式库；

通过所述网络接收表示所述电动汽车的实时运行状态的数据流；

分别计算模式库中的多个模式和表示所述实时运行状态的数据流之间的多个相似度；

比较所述多个相似度；

如果所述比较结果表示所述实时运行状态与所述模式库中的正常模式匹配，则产生表示所述电动汽车没有故障的正常信号；以及

如果所述比较结果表示所述实时运行状态与所述模式库中的故障模式匹配，则产生表示所述电动汽车出现故障的故障信号。

其中，所述提取模式特征的步骤还包括：

利用小波包分解和经验模态分解方法分解所述原始数据；

对所述原始数据和所述分解后的数据分别提取时域无量纲指标，以形成联合特征；以及

从所述联合特征中选择出所述模式敏感特征。

此外，所述比较所述多个相似度的步骤还包括：

根据加权矩阵限定接收预定频率范围内的状态数据，并丢弃所述预定频率范围以外的状态数据。

并且，所述特征评估的步骤包括：

根据特征间的距离大小评估特征敏感度，其中，同一模式类的类内特征距离最小，不同模式内的类间特征距离最大，此外，敏感特征是满足同一模式类的类内特征距离最小且不同模式内的类间特征距离最大的特征；以及

将所述特征敏感度的值输入基函数神经网络（RBF），以测试和训练故障模式，建立所述模式库。

最后，所述建立模式库的步骤还包括：

滤波所述原始数据，以去除包括异常数据和冗余数据的噪声数据。

本发明还提供了一种电动汽车的诊断装置，其特征在于，包括：

接收模块，用于通过网络获取表示所述电动汽车运行状态的原始数据并接收表示所述电动汽车的实时运行状态的数据流；

提取模块，用于根据所述原始数据提取模式敏感特征；

模式库模块，用于根据所述模式敏感特征对电动汽车的各运行状态进行特征评估，并根据所述评估的结果建立包括正常模式和多个故障模式的模式库；

计算模块，用于分别计算模式库中的多个模式和所述实时运行状态之间的多个相似度；以及

比较模块，用于比较所述多个相似度，其中，如果所述比较结果表示所述实时运行状态与所述模式库中的正常模式相匹配，则产生表示所述电动汽车没有故障的正常信号；如果所述比较结果表示所述实时运行状态与所述模式库中的一个故障模式相匹配，则产生表示所述电动汽车出现故障的故障信号。

其中，所述模式库模块包括：

类聚模块，用于根据特征间的距离大小评估特征敏感度，其中，同一模式内的类内特征距离最小，不同模式类的类间特征距离最大，此外，敏感特征是满足同一模式类的类内特征距离最小且不同模式的类间特征距离最大的特征。所述类聚模块将所述特征敏感度的值输入基函数神经网络（RBF），以测试和训练故障模式，建立所述模式库。

此外，所述网络可以是无线网络。

与现有技术相比，本发明的诊断方法和诊断装置可以通过无线或有线网络实时监控电动车运行状态，并且自动检测故障的发生。因此，实现了故障的实时预报和故障检测自动化和智能化，提高了效率，能够为电动汽车的远程诊断决策即时提供依据。同时，减少了人工的参与，避免了由人工产生的安全隐患。

附图说明

图1所示为根据本发明的实施例的汽车诊断系统。

图2所示为根据本发明的实施例的诊断装置的工作流程图。

图3所示为根据本发明的实施例的诊断装置的另一工作流程图。

图4所示为根据本发明的实施例的诊断装置的另一工作流程图。

图5所示为根据本发明的实施例的诊断装置的结构示意图。

具体实施方式

以下将对本发明的实施例给出详细的说明。尽管本发明将结合一些具体实施方式进行阐述和说明，但需要注意的是本发明并不仅仅只局限于这些实施方式。相反，对本发明进行的修改或者等同替换，均应涵盖在本发明的权利要求范围当中。

另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员将理解，没有这些具体细节，本发明同样可以实施。在另外一些实例中，对于大家熟知的方法、流程、元件和电路未作详细描述，以便于凸显本发明的主旨。

图1所示为根据本发明的实施例的汽车诊断系统100。汽车诊断系统100包括电动车102和诊断装置104。电动车102包括传感器110和微处理器112。传感器110包含装备在电动车102的多个运行和控制设备上的传感器，用于检测车辆的运行状态。传感器110通过总线114传送表示车辆运行状态的数据给微处理器112。微处理器112处理这些数据信息通过网络106传送状态数据包给诊断装置104。在一个实施例中，微处理器112通过总线114实时获取车载控制器的内部数据和故障状态，同时采集电池组及电动机等部件的工作电压、电流和温度，结合全球定位系统（GPS）获取定位信息。然后，微处理器112将采集的数据进行打包处理，通过网络106传送至诊断装置104。在一个实施例中，网络106通过无线网络连接至Internet，以实现信息的交互。在另一个实施例中，网络106可以是有线网络。诊断装置104接收来自微处理器112的数据流并据此建立特征模式库，提取故障信息的特征值，并根据特征模式库和故障信息特征值得出故障诊断的结论，为故障修复提供依据。优点在于，诊断装置104实现了故障诊断的自动化和和智能化，提高了效率，能够为电动汽车的远程诊断决策即时提供依据。

图2所示为根据本发明的实施例的诊断装置104的工作流程图。结合图1所述，诊断装置104根据表示电动汽车102的运行状态的数据流信息提取特征信息，建立特征模式库，并进行故障诊断。在步骤202中，诊断装置104通过网络106获取表示电动汽车102运行状态的状态数据流（也称作原始数据流）。在步骤204中，诊断装置104根据该原始数据提取模式敏感特征。在一个实施例中，诊断装置104利用小波包分解和经验模态分解方法分解原始数据，对原始数据和分解后的数据分别提取时域无量纲指标，以形成联合特征，并且从该联合特征中选择模式敏感特征。在一个实施例中，诊断装置104滤波原始数据，以去除包括异常数据和冗余数据的噪声数据。在一个实施例中，诊断装置104根据特征间的距离大小评估特征敏感度，其中，同一模式类的类内特征距离最小，不同模式内的类间特征距离最大；敏感特征是满足同一模式类的类内特征距离最小且不同模式内的类间特征距离最大的特征。在步骤206中，诊断装置104根据模式敏感特征对电动汽车运行系统的各模式进行特征评估，并根据该特征评估建立包括正常模式和多个故障模式的特征模式库。在一个实施例中，诊断装置104将特征敏感度的值输入基函数神经网络（RBF），以测试和训练故障模式，建立模式库。在步骤208中，诊断装置104通过网络106接收表示电动汽车102的实时运行状态的数据流。在步骤210中，诊断装置104分别计算模式库中的多个模式和表示所述实时运行状态的数据流之间的多个相似度。在一个实施例中，诊断装置104根据加权矩阵限定接收预定频率范围内的状态数据，并丢弃预定频率范围以外的状态数据。在步骤212中，比较该多个相似度并得出表示车102是否发生故障和发生什么故障的结论信息。其中，在步骤214中，如果比较结果表示实时运行状态与特征模式库中的正常模式匹配，则产生表示该电动汽车没有故障的正常信号；在步骤216中，如果比较结果表示实时运行状态与模式库中的一个故障模式匹配，则产生表示电动汽车出现故障的故障信号。

图3所示为根据本发明的实施例的诊断装置104的另一工作流程图。图3将对图2中的步骤202-204进行详细的描述。在一个实施例中，特征评估和提取的方法包括根据特征间的距离大小评估特征敏感度。更具体地讲，同一类的类内特征距离最小，不同类的类间特征距离最大，能够符合这一原则的特征被认为是敏感特征。通过计算选定特征的同一类的类内距离和不同类的类间距离，可以评估该特征的敏感度。在一个实施例中，数据特征信息采样方式采取类聚法。

在步骤S10中，接收数据流，采集原始数据，例如：对实时监控数据进行挖掘获得电动车远程数据流，采集N个数据流样本。在步骤S11中，对所采集的N个数据流样本进行滤波预处理，去除数据中的异常数据、冗余数据等噪声数据。

在步骤S12中，计算数据流中的特征的类内距离的平均值。例如，数据流中的第j类第i个特征的类内距离可表示为：

$d_{i,j}=\frac{1}{N(N-1)}{\mathrm{\Σ}}_{m,n=1}^N|p_{i,j}\left(m\right)-p_{i,j}\left(n\right)|;$ m,n=1,2,.....N,i=1,2,...,K,j=1,2,...,M。其中，N表示样本个数，K表示特征个数，M表示类别个数，p_i,j(m)、p_i,j(n)分别表示第j类第m个和第n个样本的特征值。由此，可得出第i个特征值M个类的类内距离的平均值为：

${D^{\′}}_i=\frac{1}{M}{\mathrm{\Σ}}_{j=1}^M{d}_{i,j}.$

同时，第j类N个样本中第i个特征的平均值由此可计算第i个特征值M个类的类间距离的平均值为：

${D^{\′\′}}_i=\frac{1}{M(M-1)}{\mathrm{\Σ}}_{u,w=1}^M|q_{i,u}-q_{i,w}|;$

u,w=1,2,...M,u≠w。

其中，q_i,u,q_i,w分别表示第n个和第w个类N个样本的第i个特征值的平均值。

在步骤S13中，计算第i个特征的评估因子θ_i=D''_i/D'_i,θ_i的大小反映了第i个特征对M个类进行分类的难易程度，即第i个特征的敏感度。θ_i越大表示第i个特征越敏感，能够更好地符合评估原则，更容易对M个类进行分类。

在步骤S14中，将每一个特征的θ_i值进行排序，并逐一增加特征个数，判断是否终止特征的评估。在一个实施例中，特征评估的终止条件包括：1.分类准确率（如评估因子θ_i）达到设置的门限值，例如，95%～100%之间的某一数值；2.特征个数连续增加x个，分类准确率却没有任何提高。在一个实施例中，x选择5。在步骤S14中，如果不满足上述任一条件，该流程进入步骤S17，继续增加特征个数。在步骤S14中，当满足这2个终止条件的其中之一时，即停止增加特征个数，流程进入步骤S15，此时所选取的特征可以认为是正确识别诊断对象的类状态的敏感特征，则取得合适的评估因子和特征值。在步骤S16中，将评估因子和特征值输入RBF神经网络进行训练和测试。根据RBF神经网络处理的结果对包含多个模式的模式库进行分类，得到包含正常模式和多个故障模式的模式库。这样的方式可避免再次提取和选取特征的重复性。

图4所示为根据本发明的实施例的诊断装置104的另一工作流程图。图4将对图2中的步骤208-216进行详细的描述。在一个实施例中，诊断装置104将接收数据流中的故障信息特征值与模式库中的特征值进行匹配，计算两者的相似度，并根据相似度进行排序，输出与目标案例最匹配的前几个案例，完成案例匹配过程。

在步骤S21中，诊断装置104计算当前对象与模式库中案例的相似度。例如，对象间的相似度W_ij可定义为：

$W_{\mathrm{ij}}=\exp (-\frac{d(s_i,s_j)}{2{\mathrm{\σ}}^2}).$

其中，d(s_i,s_j)表示当前对象s_i与其中一个模式库对象s_j之间的距离，一般取||s_i-s_j||²，σ比例参数为专家经验给出的权重值。σ越小，相似度在指数函数曲线越平坦的地方。在一个实施例中，为减少对经验的依赖，选择一种改进算法，即为每个对象设置一个σ，取值为当前对象s_i和第l个相邻对象的距离或平均距离，可由下式表示：

${\mathrm{\σ}}_i=\left|\right|s_i-s_j\left|\right|$ 或 ${\mathrm{\σ}}_i=\frac{1}{i}{\mathrm{\Σ}}_{j=1}^l\left|\right|s_i-s_j\left|\right|,$

由此，相似度表示为因此，可以提出一种定义对象间相似度W_ij的算法

ε为比例参数阀值，如果|σ_i-σ_j|≤ε，则说明当前对象s_i与某一模式库案例对象s_j局部分布趋于一致，否则，说明当前对象s_i与某一模式库案例对象s_j差异较大，W_ij=0，其中σ取值 ${\mathrm{\σ}}_i=\frac{1}{l}{\mathrm{\Σ}}_{j=1}^l\left|\right|s_i-s_j\left|\right|.$

在步骤S22中，诊断装置104判断是否进行故障判断。更具体地讲，诊断装置104将当前被检查对象的相似度W_ij与模式库案例阀值W₀进行比较。如果相似度W_ij在正常模式的阈值区间内，则认为没有故障发生，则流程图再次回到步骤S21检测下一个数据流对象，并产生表示系统电动车102工作正常的信号。如果当前对象与某个故障模式状态相匹配，说明该故障发生，流程图则进入步骤S23，进行故障分离。

在步骤S23中，如果当前被检测对象与特征模式库中的一个故障模式状态相匹配，则说明该故障发生，诊断装置104产生表示该故障发生的故障信号。如果当前被检测对象与特征模式库中的几个故障模式状态都匹配，诊断装置104比较当前对象与相关的每一个故障模式的多个相似度，选择最相似的一个故障模式，并产生表示对应故障的故障信号。

在步骤S23中，如果当前对象不与正常模式匹配，同时也不与任何故障模式匹配，则认为系统发生了新故障，此时，进入步骤S24，给故障模式库，加入新的故障模式，并返回步骤S23进行新的案例匹配，并产生表示对应故障的故障信号。

在步骤S25中，电动车102得到诊断结果，并给予维修建议。

优点在于，诊断装置104可以通过无线或有线网络实时监控电动车102的运行状态，并自动检测故障的发生。因此，能实现故障的实时预报，实现了故障检测自动化和智能化，提高了效率，能够为电动汽车的远程诊断决策即时提供依据。同时，减少了人工的参与，避免了由人工产生的安全隐患。

图5所示为根据本发明的实施例的诊断装置104的结构示意图。如图4所示，诊断装置104包括接收模块502、提取模块504、模式库模块508、计算模块506和比较模块512。接收模块502通过网络（例如：无线网）获取表示电动汽车102运行状态的原始数据，并接收表示电动汽车102的实时运行状态的数据流。提取模块504根据原始数据提取模式敏感特征。模式库模块508根据模式敏感特征对电动汽车运行系统的各模式进行特征评估，并根据评估的结果建立包括正常模式和多个故障模式的模式库。计算模块506分别计算模式库中的多个模式和所述实时运行状态之间的多个相似度。比较模块512比较该多个相似度，其中，如果比较结果表示电动车102的实时运行状态与模式库中的正常模式相匹配，比较模块512则产生表示电动汽车102没有故障的正常信号。如果比较结果表示实时运行状态与模式库中的一个故障模式相匹配，比较模块512则产生表示电动汽车出现故障的故障信号。

在一个实施例中，模式库模块508包括类聚模块510。类聚模块510根据特征间的距离大小评估特征敏感度，其中，同一模式类的类内特征距离最小，不同模式内的类间特征距离最大，此外，敏感特征是满足同一模式类的类内特征距离最小且不同模式内的类间特征距离最大的特征。类聚模块510将特征敏感度的值输入基函数神经网络（RBF），以测试和训练故障模式，建立该模式库。

上文具体实施方式和附图仅为本发明之常用实施例。显然，在不脱离权利要求书所界定的本发明精神和发明范围的前提下可以有各种增补、修改和替换。本领域技术人员应该理解，本发明在实际应用中可根据具体的环境和工作要求在不背离发明准则的前提下在形式、结构、布局、比例、材料、元素、组件及其它方面有所变化。因此，在此披露之实施例仅用于说明而非限制，本发明之范围由后附权利要求及其合法等同物界定，而不限于此前之描述。

Claims (8)

1.一种电动汽车的诊断方法，其特征在于，所述诊断方法包括以下步骤：

通过网络获取表示电动汽车运行状态的状态数据流；

根据所述状态数据流提取电动汽车各运行状态下的模式敏感特征；

根据所述敏感特征对电动汽车各运行状态进行特征评估；

根据所述特征评估的结果建立包括正常模式和多个故障模式的模式库；

通过所述网络接收表示所述电动汽车的实时运行状态的数据流；

分别计算模式库中的多个模式和表示所述实时运行状态的数据流之间的多个相似度；

比较所述多个相似度；

如果所述比较结果表示所述实时运行状态与所述模式库中的正常模式匹配，则产生表示所述电动汽车没有故障的正常信号；以及

如果所述比较结果表示所述实时运行状态与所述模式库中的故障模式匹配，则产生表示所述电动汽车出现故障的故障信号；

所述提取电动汽车各运行状态下的模式敏感特征的步骤还包括：

利用小波包分解和经验模态分解方法分解所述状态数据；

对所述状态数据和所述分解后的数据分别提取时域无量纲指标，以形成联合特征；以及

从所述联合特征中选择出所述模式敏感特征。

2.根据权利要求1所述的电动汽车的诊断方法，其特征在于，所述比较所述多个相似度的步骤还包括：

根据加权矩阵限定接收预定频率范围内的状态数据，并丢弃所述预定频率范围以外的状态数据。

3.根据权利要求1所述的电动汽车的诊断方法，其特征在于，所述特征评估的步骤包括：

根据特征间的距离大小评估特征敏感度，其中，同一模式类的类内特征距离最小，不同模式内的类间特征距离最大，此外，敏感特征是满足同一模式类的类内特征距离最小且不同模式内的类间特征距离最大的特征。

4.根据权利要求3所述的电动汽车的诊断方法，其特征在于，所述特征评估的步骤还包括：

将所述特征敏感度的值输入基函数神经网络，以测试和训练故障模式，建立所述模式库。

5.根据权利要求1所述的电动汽车的诊断方法，其特征在于，所述建立模式库的步骤还包括：

滤波原始数据，以去除包括异常数据和冗余数据的噪声数据。

6.一种电动汽车的诊断装置，其特征在于，包括：

接收模块，用于通过网络获取表示所述电动汽车运行状态的原始数据并接收表示所述电动汽车的实时运行状态的数据流；

提取模块，用于根据所述原始数据提取电动汽车各运行状态下的敏感特征；

模式库模块，用于根据所述敏感特征对电动汽车的各运行状态进行特征评估，并根据所述评估的结果建立包括正常模式和多个故障模式的模式库；

计算模块，用于分别计算模式库中的多个模式和所述实时运行状态之间的多个相似度；以及比较模块，用于比较所述多个相似度，其中，如果所述比较结果表示所述实时运行状态与所述模式库中的正常模式相匹配，则产生表示所述电动汽车没有故障的正常信号；如果所述比较结果表示所述实时运行状态与所述模式库中的一个故障模式相匹配，则产生表示所述电动汽车出现故障的故障信号；

所述模式库模块包括：类聚模块，用于根据特征间的距离大小评估特征敏感度，其中，同一模式类的类内特征距离最小，不同模式内的类间特征距离最大，此外，敏感特征是满足同一模式类的类内特征距离最小且不同模式内的类间特征距离最大的特征。

7.根据权利要求6所述的电动汽车的诊断装置，其特征在于，所述类聚模块将所述特征敏感度的值输入基函数神经网络，以测试和训练故障模式，建立所述模式库。

8.根据权利要求6所述的电动汽车的诊断装置，其特征在于，所述网络包括无线网络。