CN110843755B - 一种估测电动汽车制动压力的方法和设备 - Google Patents
一种估测电动汽车制动压力的方法和设备 Download PDFInfo
- Publication number
- CN110843755B CN110843755B CN201911136412.7A CN201911136412A CN110843755B CN 110843755 B CN110843755 B CN 110843755B CN 201911136412 A CN201911136412 A CN 201911136412A CN 110843755 B CN110843755 B CN 110843755B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- network model
- artificial neural
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims description 137
- 230000008569 process Effects 0.000 claims description 43
- 238000012795 verification Methods 0.000 claims description 26
- 238000010200 validation analysis Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 20
- 238000012360 testing method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000001172 regenerating effect Effects 0.000 description 3
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Transportation (AREA)
- Regulating Braking Force (AREA)
Abstract
本公开公开了一种估测电动汽车制动压力的方法,属于人工智能技术领域。方法包括:采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力;将CAN总线上的数据和传感器上的数据作为输入数据,制动压力作为基准数据,基于贝叶斯规则反向训练人工神经网络模型,获得训练后的人工神经网络模型;将实际车辆在各个不同工况下行驶时的CAN总线上的数据以及传感器上的数据输入训练后的人工神经网络模型,估测实际车辆中制动主缸的制动压力。采用本公开,可以不借助传感器而有效估测电动汽车的制动压力。
Description
技术领域
本公开属于人工智能技术领域,特别涉及一种估测电动汽车制动压力的方法和设备。
背景技术
电动汽车的制动系统一般为机电复合制动系统,该制动系统由液压制动系统和再生制动系统组成,其中,液压制动系统通过在制动主缸中产生液压力为电动汽车提供一部分的制动力,再生制动系统为电动汽车提供另一部分的制动力,其中,再生制动系统提供固定的制动力,可以通过调节液压制动系统产生的制动力进而调节电动汽车的制动力。
在现有技术中,利用制动主缸上的压力传感器采集制动主缸的制动压力,根据采集到的制动压力来调节制动主缸的制动压力,进而调节电动汽车的制动力的大小。
在实现本公开的过程中,发明人发现相关技术至少存在以下问题:
当无制动主缸压力传感器或传感器失效时,由于无法获取到获取制动主缸的制动压力,导致电动汽车无法实现对制动力的控制,当制动压力过小时,会导致电动汽车的制动力不足,进而导致刹车不及时而危害驾驶员的安全,当制动压力过大时,会导致电动汽车的制动力过大,进而导致汽车轮胎将在地面上出现滑移而危害行车安全。
发明内容
为了解决相关技术中存在的技术问题,本公开实施例提供了一种估测电动汽车制动压力的方法。所述估测电动汽车制动压力的方法的技术方案如下:
第一方面,本公开提供了一种估测电动汽车制动压力的方法,包括:
采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力;
将所述CAN总线上的数据和所述传感器上的数据作为输入数据,所述制动主缸的制动压力作为基准数据,基于贝叶斯算法反向传播训练所述人工神经网络模型,获得训练后的人工神经网络模型;
将实际车辆在所述各个不同工况下行驶时的CAN总线上的数据以及所述传感器上的数据输入训练后的人工神经网络模型,估测所述实际车辆中制动主缸的制动压力。
可选的,所述CAN总线上的数据,包括:电动汽车速度、电池荷电状态、电池电流、电池电压、电机转矩、电机转速、电池电流变化率和电池电压变化率。
可选的,所述传感器上的数据,包括:毫米波雷达传感器上的数据和坡度传感器上的数据,其中,所述毫米波雷达传感器测量所述实验车辆与前方车辆的距离,所述坡度传感器测量所述实验车辆所在前方道路的坡度。
可选的,所述采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力,包括:
以预设的采样频率采集所述实验车辆在各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力,并对采集到数据进行平滑处理和归一化处理。
可选的,所述将所述CAN总线上的数据和所述传感器上的数据作为输入数据,所述制动压力作为基准数据,基于贝叶斯规则反向训练所述人工神经网络模型,获得训练后的人工神经网络模型,包括:
将同一时刻在所述实验车辆上采集到的CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力作为一个子样本,在K个不同时刻采集所述实验车辆在所述各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动压力,获得K个子样本;
进行K次训练,其中在每次训练中选取K个子样本中的一个子样本,并将其他K-1个子样本输入本次训练过程中需要训练的人工神经网络模型中,基于所述贝叶斯算法反向传播训练所述人工神经网络模型,获得在本次训练过程中训练后的人工神经网络模型,本次训练过程中训练后的人工神经网络模型作为下一次训练过程中需要训练的人工神经网络模型,其中每次训练中选取出的子样本彼此不同;
在完成K次训练过程之后,获得训练后的人工神经网络模型。
可选的,所述获得在本次训练过程中训练后的人工神经网络模型之后,所述方法还包括:
在每次训练完成后,将在本次训练中选取出的子样本输入在本次训练后的人工神经网络模型中,获得本次训练过程中训练后的人工神经网络模型输出的验证数据,从而K次训练共获得K个验证数据;
基于所述K个子样本中的制动压力,以及所述K个验证数据,获得决定系数和均方根。
可选的,所述基于所述K个子样本中的制动压力,以及所述K个验证数据,获得决定系数和均方根,包括:
根据所述K个子样本中的制动压力,以及所述K个验证数据,确定人工神经网络模型的均方根,所述均方根误差利用下式:
其中,MSE表示为所述人工神经网络模型的均方根,K表示为所述子样本的数目,Xi表示为在第i次训练中选取出的子样本中的制动压力,Yi表示为在第i次训练中获得的验证数据。
可选的,所述基于所述K个子样本中的制动压力,以及所述K个验证数据,获得决定系数和均方根,包括:
根据第i次训练中选取出的子样本中的制动压力Xi和在第i次训练中获得的验证数据Yi,得到所述人工神经网络模型的残差平方和Eres,所述残差平方和利用下式进行计算:
根据所述残差平方和Eres,以及所述总平方和Etot,得到与所述人工神经网络模型的决定系数R2,所述决定系数利用下式进行计算:
可选的,所述人工神经网络模型,包括:输入层、隐藏层和输出层,其中所述隐藏层的传递函数为tan-sigmoid激活函数,所述输出层的传递函数为purelin函数。
第二方面,本公开提供了一种估测电动汽车制动压力的设备,被配置为:
采集模块,被配置为采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力;
训练模块,被配置为将所述CAN总线上的数据和所述传感器上的数据作为输入数据,所述制动主缸的制动压力作为基准数据,基于贝叶斯算法反向传播训练所述人工神经网络模型,获得训练后的人工神经网络模型;
估测模块,被配置为将实际车辆在所述各个不同工况下行驶时的CAN总线上的数据以及所述传感器上的数据输入训练后的人工神经网络模型,估测所述实际车辆中制动主缸的制动压力。
可选的,所述CAN总线上的数据,包括:电动汽车速度、电池荷电状态、电池电流、电池电压、电机转矩、电机转速、电池电流变化率和电池电压变化率。
可选的,所述传感器上的数据,包括:毫米波雷达传感器上的数据和坡度传感器上的数据,其中,所述毫米波雷达传感器测量所述实验车辆与前方车辆的距离,所述坡度传感器测量所述实验车辆所在前方道路的坡度。
可选的,所述采集模块,包括:
以预设的采样频率采集所述实验车辆在各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力,并对采集到数据进行平滑处理和归一化处理。
可选的,所述训练模块,包括:
将同一时刻在所述实验车辆上采集到的CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力作为一个子样本,在K个不同时刻采集所述实验车辆在所述各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力,获得K个子样本;
进行K次训练,其中在每次训练中选取K个子样本中的一个子样本,并将其他K-1个子样本输入本次训练过程中需要训练的人工神经网络模型中,基于所述贝叶斯算法反向传播训练所述人工神经网络模型,获得在本次训练过程中训练后的人工神经网络模型,本次训练过程中训练后的人工神经网络模型作为下一次训练过程中需要训练的人工神经网络模型,其中每次训练中选取出的子样本彼此不同;
在完成K次训练过程之后,获得训练后的人工神经网络模型。
可选的,所述获得在本次训练过程中训练后的人工神经网络模型之后,方法还包括:
在每次训练完成后,将在本次训练过程中选取出的一个子样本输入本次训练后的人工神经网络模型中,获得本次训练过程中训练后的人工神经网络模型输出的验证数据,从而K次训练共获得K个验证数据;
基于所述K个子样本中的制动压力,以及所述K个验证数据,获得决定系数和均方根。
可选的,所述基于所述K个子样本中的制动压力,以及所述K个验证数据,获得决定系数和均方根,包括:
根据所述K个子样本中的制动压力,以及所述K个验证数据,确定人工神经网络模型的均方根,所述均方根利用下式:
其中,MSE表示为所述人工神经网络模型的均方根,K表示为所述子样本的数目,Xi表示为在第i次训练中选取出的子样本中的制动压力,Yi表示为在第i次训练中获得的验证数据。
可选的,所述基于所述K个子样本中的制动压力,以及所述K个验证数据,获得决定系数和均方根,包括:
根据在第i次训练中选取出的子样本中的制动压力Xi和在第i次训练中获得的验证数据Yi,得到所述人工神经网络模型的残差平方和Eres,所述残差平方和利用下式进行计算:
根据所述残差平方和Eres,以及所述总平方和Etot,得到与所述人工神经网络模型的决定系数R2,所述决定系数利用下式进行计算:
可选的,所述人工神经网络模型,包括:输入层、隐藏层和输出层,其中所述隐藏层的传递函数为tan-sigmoid激活函数,所述输出层的传递函数为purelin函数。
本公开实施例提供的技术方案带来的有益效果至少包括:
本公开实施例提供的方法,采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力,并输入人工神经网络模型中,并基于贝叶斯算法反向传播训练人工神经网络模型,获得训练后的人工神经网络模型。将实际车辆在该各个不同工况下行驶时的CAN总线上的数据以及传感器上的数据输入训练后的人工神经网络模型,估测实际车辆中制动主缸的制动压力。本公开实施例提供的方法可以估测电动汽车的制动压力,在无制动主缸压力传感器或传感器失效时,可以准确估测到电动汽车的制动主缸的制动压力,以实现对电动汽车制动力的控制,减少了行车时的危险。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的人工神经网络模型的训练过程的示意图;
图2是本公开实施例提供的一种估测电动汽车制动压力的方法的流程图;
图3是本公开实施例提供的一种人工神经网络模型的结构示意图;
图4是本公开实施例提供的一种估测电动汽车制动压力的设备的流程图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
图1是本公开实施例提供的人工神经网络模型的训练过程的示意图,请参见图1,在该实施环境中,将实验车辆在各个不同工况下行驶时CAN总线上的数据和传感器上的数据作为人工神经网络模型的输入数据,将输入数据输入人工神经网络模型中,获得估测数据。将制动主缸的制动压力作为基准数据。再将估测数据与基准数据进行对比计算得到损失值,将损失值输入贝叶斯算法进行反向传播训练人工神经网络模型,对人工神经网络模型中的参数进行调整,通过上述反复不断的学习训练,最终建立训练后的人工神经网络模型。
本公开方案可以应用在估测电动汽车上的制动主缸的制动压力的场景,比如,利用本公开方案估测电动汽车的制动压力,以检测安装在电动汽车的制动主缸上的压力传感器是否失效,或者当制动主缸上没有安装压力传感器时,利用本公开方案估测电动汽车上的制动主缸的制动压力,根据估测出的制动压力来进行调节制动主缸的制动压力,进而调节出电动汽车此时需要的制动力。
如图2所示,本公开实施例提供了一种估测电动汽车制动压力的方法,该方法包括:
步骤201,采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力。
其中,工况可以表示实验车辆的行驶方式,比如,车辆的速度为18km/h可以作为一个工况。在本实施例中,往往使用NEDC(New European Driving Cycle,新欧洲驾驶循环)工况作为实验车辆行驶时的工况,并采集该实验车辆在该个工况下循环六次时的数据,以保证训练数据的可靠性。
通过采集CAN总线上与制动主缸的制动压力有关的数据,来预测制动主缸的制动压力的变化规律,CAN总线包括:电动汽车速度、电池荷电状态、电池电流、电池电压、电机转矩、电机转速、电池电流变化率和电池电压变化率。
由于,毫米波雷达传感器和坡度传感器上的数据并不在CAN总线上传输,因此,需要单独采集毫米波雷达传感器和坡度传感器上的数据。在汽车行驶过程中,通过毫米波雷达传感器测量实验车辆与前方车辆的距离,来预测实验车辆与前方车辆的距离对实验车辆的速度的影响。比如,当实验车辆与前方车辆的距离较小时,可以将试验车辆的速度减小,当实验车辆与前方车辆的距离较小时,可以将实验车辆的速度增大。通过坡度传感器测量实验车辆所在道路前方的坡度,来预测实验车辆所在道路前方的坡度对实验车辆的制动力的影响。比如,当试验车辆所在前方道路存在坡度时,实验车辆需要一定的制动力来制约试验车辆的速度。
在实施中,技术人员可以将NEDC(New European Driving Cycle,新欧洲驾驶循环)工况作为电动汽车的仿真工况,并设置6个连续的NEDC工况作为实验车辆行驶时的工况。采集实验车辆在该循环工况下行驶时CAN总线上的数据、毫米波雷达传感器上的数据、坡度传感器上的数据以及制动主缸的制动压力,其中,通过读取在制动主缸上安装的压力传感器上的数据,获得制动主缸的制动压力。
可选的,在采集数据时,可以以预设的采样频率采集CAN总线上的数据、传感器上的数据以及制动主缸的制动压力,比如,以10HZ的频率采集电动汽车在某一行驶方式下的CAN总线上的数据、传感器上的数据以及制动主缸的制动压力。
可选的,对采集到CAN总线上的数据、传感器上的数据以及制动主缸的制动压力进行平滑处理,平滑处理的公式如下所示:
式中,dt是同一数据在时间t内的平均值,dtn是同一数据d在时间t内的第n个采样值,N是在时间t内的采样次数。
通过对采集到的数据进行平滑处理,可以达到对采集到的不准确的数据进行抑制的目的。
可选的,通过对采集到的CAN总线上的数据、传感器上的数据以及制动主缸的制动压力进行归一化处理,来消除不同的信号单位对人工神经网络带来的影响。
步骤202,将CAN总线上的数据和传感器上的数据作为输入数据,制动压力作为基准数据,基于贝叶斯算法反向传播训练人工神经网络模型,获得训练后的人工神经网络模型。
其中,图3为一种人工神经网络模型的结构示意图,图3所示的人工神经网络模型分为三层,分别为输入层、隐藏层以及输出层,其中,隐藏层的神经元的数量可以设置为70,当然也可以设置为其他数值。
在训练过程中,将CAN总线上的数据和传感器上的数据作为输入数据,制动主缸的制动压力作为基准数据,在人工神经网络模型的输入层输入CAN总线上的数据和传感器上的数据,并在输出层输出估测数据,将估测的制动压力与基准数据进行对比计算得到损失值,并根据损失值和贝叶斯算法进行反向传播训练,并对人工神经网络模型中的参数进行调整,通过上述反复不断的学习训练,最终建立训练后的人工神经网络模型。
可选的,人工神经网络模型中的隐藏层的传递函数可以为tan-sigmoid激活函数,人工神经网络模型中输出层的传递函数可以为purelin函数。
可选的,将同一时刻在实验车辆上采集到的CAN总线上的数据、传感器上的数据以及制动主缸的制动压力作为一个子样本,在K个不同时刻采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据以及制动主缸的制动压力,获得K个子样本;进行K次训练,其中在每次训练中选取K个子样本中的一个的子样本,并将其他K-1个子样本输入本次训练过程中需要训练的人工神经网络模型中,基于贝叶斯算法反向传播训练所述人工神经网络模型,获得在本次训练过程中训练后的人工神经网络模型,本次训练过程中训练后的人工神经网络模型作为下一次训练过程中需要训练的人工神经网络模模型,其中每次训练中选取出的子样本彼此不同;在每次训练完成后,将在本次训练中选取出的子样本输入本次训练后的人工神经网络模型中,获得本次训练过程中训练后的人工神经网络模型输出的验证数据,从而K次训练共获得K个验证数据;基于所述K个子样本中的制动压力,以及所述K个验证数据,获得决定系数和均方根。
其中,根据K个子样本中的制动压力,以及K个验证数据,确定人工神经网络模型的均方根,均方根利用下式:
其中,MSE表示为人工神经网络模型的均方根,K表示为子样本的数目,Xi表示为在第i次训练过程中选取出的子样本中的制动压力,Yi表示为在第i次训练中获得的验证数据。
根据在第i次训练中选取出的子样本中的制动压力Xi和在第i次训练中获得的验证数据Yi,得到人工神经网络模型的残差平方和Eres,残差平方和利用下式进行计算:
根据残差平方和Eres,以及总平方和Etot,得到与人工神经网络模型的决定系数R2,决定系数利用下式进行计算:
需要说明的是,通过计算在整个训练过程中的决定系数和均方根,来评价训练完成后的人工神经网络的估测性能,例如,当获得人工神经网络模型的决定系数接近于1,均方根接近于0,这表明由训练完成后的人工神经网络模型具有很好的估测性能。
可选的,反向传播训练方法可以是贝叶斯算法,也可以是Levenberg-Marquardt算法、一步分割法、BFGS-拟牛顿法、归一化共轭梯度法或者带有动量项的梯度下降法。为了使人工神经网络模型估测出的数据更加的准确,可以使用多种反向传播训练方法分别对人工神经网络进行训练,并在每种反向传播训练方法的训练过程中计算出R2和MSE,以R2与MSE为指标来比较各个反向传播训练方法的估测性能,请参见表1。
表1
由表1可得,在以贝叶斯算法反向传播训练人工神经网络模型的训练过程中获得的R2更接近于1,MSE更接近于0,这表明由贝叶斯规则反向传播训练方法训练的人工神经网络模型具有更好的估测性能。
步骤203,将实际车辆在各个不同工况下行驶时的CAN总线上的数据以及传感器上的数据输入训练后的人工神经网络模型,估测实际车辆中制动主缸的制动压力。
使用本公开实施例提供的方法训练出的人工神经网络模型,可以将实际车辆在行驶时CAN总线上的数据和传感器上的数据作为上述训练出的人工神经网络模型的输入,输出估测实际车辆中制动主缸的制动压力。本实施例提供的估测制动压力的方法解决了在无制动主缸压力传感器或传感器失效时,可以准确获取到电动汽车的制动主缸的制动压力的问题,以实现对电动汽车制动力的控制,减少了行车时的危险。
如图4所示,本公开实施例提供了一种估测电动汽车制动压力的设备,该设备包括:
采集模块401,被配置为获取目标人体图像采集实验车辆在试验工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力;
训练模块402,被配置为将所述CAN总线上的数据、所述传感器上的数据作为输入,所述制动压力作为输出,基于贝叶斯规则反向训练所述人工神经网络模型,获得训练后的人工神经网络模型;
估测模块403,被配置为将实际车辆在所述试验工况下行驶时的CAN总线上的数据以及所述传感器上的数据输入训练后的人工神经网络模型,估测所述实际车辆中制动主缸的制动压力。可选的,所述CAN总线上的数据,包括:电动汽车速度、电池荷电状态、电池电流、电池电压、电机转矩、电机转速、电池电流变化率和电池电压变化率。
可选的,所述传感器上的数据,包括:毫米波雷达传感器上的数据和坡度传感器上的数据,其中,所述毫米波雷达传感器测量所述实验车辆与前方车辆的距离,所述坡度传感器测量所述实验车辆所在道路前方的坡度。
可选的,所述采集模块,包括:
以预设的采样频率采集所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力,并对采集到数据进行平滑化以及归一化处理。
可选的,所述训练模块,包括:
将在所述实验车辆上同一时刻采集到的CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力作为一个子样本,对所述实验车上的CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力进行K次不同时刻的采集,获得K个子样本;
进行K次训练,其中在每次训练中选取K个子样本中的一个子样本,并将其他K-1个子样本输入本次训练过程中需要训练的人工神经网络模型中,基于所述贝叶斯算法反向传播训练所述人工神经网络模型,获得在本次训练过程中训练后的人工神经网络模型,本次训练过程中训练后的人工神经网络模型作为下一次训练过程中需要训练的人工神经网络模型,,其中每次训练中选取出的子样本彼此不同;
经过K次训练过程之后,获得训练后的人工神经网络模型。
可选的,所述对于K次训练过程,在每次训练过程中选取K个子样本中的一个不同子样本,并将其他K-1个子样本输入所述人工神经网络模型中,基于所述贝叶斯规则反向训练所述人工神经网络模型,获得本次训练后的人工神经网络模型之后,方法还包括:
在每次训练完成后,将在本次训练中选取出的子样本输入本次训练后的人工神经网络模型中,获得本次训练过程中训练后的人工神经网络模型输出的验证数据,从而K次训练共获得K个验证数据;
基于所述K个子样本中的制动压力,以及所述K个验证数据,确定决定系数和均方根误差。
可选的,所述基于所述K个子样本中的所述制动压力,以及所述K个验证数据,获得决定系数和均方根误差,包括:
根据所述K个子样本中的制动压力,以及所述K个验证数据,确定人工神经网络模型的均方根,所述均方根误差利用下式:
其中,MSE表示为所述人工神经网络模型的均方根,K表示为所述子样本的数目,Xi表示为在第i次训练中选取出的子样本中的制动压力,Yi表示为在第i次训练中获得的验证数据。
可选的,所述基于所述K个子样本中的所述制动压力,以及所述K个验证数据,获得决定系数和均方根误差,包括:
根据在第i次训练中选取出的子样本中的制动压力Xi和在第i次训练中获得的验证数据Yi,得到所述人工神经网络模型的残差平方和Eres,所述残差平方和利用下式进行计算:
根据所述残差平方和Eres,以及所述总平方和Etot,得到与所述人工神经网络模型的决定系数R2,所述决定系数利用下式进行计算:
可选的,所述人工神经网络模型,包括:
所述人工神经网络模型中的隐藏层的传递函数为tan-sigmoid激活函数,所述人工神经网络模型中输出层的传递函数为purelin函数。
需要说明的是:上述实施例提供的估测电动汽车制动压力的设备在估测电动汽车的制动压力时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块后,即将装置的内部结构划分成不同的功能模块,以后以上描述的全部或者部分功能。另外,上述实施例提供的估测电动汽车制动压力的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种估测电动汽车制动压力的方法,其特征在于,所述方法,包括:
采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力;
将所述CAN总线上的数据和所述传感器上的数据作为输入数据,所述制动主缸的制动压力作为基准数据,基于贝叶斯算法反向传播训练需要训练的人工神经网络模型,获得训练后的人工神经网络模型;
将实际车辆在所述各个不同工况下行驶时的CAN总线上的数据以及所述传感器上的数据输入训练后的人工神经网络模型,估测所述实际车辆中制动主缸的制动压力。
2.根据权利要求1所述的方法,其特征在于,所述CAN总线上的数据,包括:电动汽车速度、电池荷电状态、电池电流、电池电压、电机转矩、电机转速、电池电流变化率和电池电压变化率。
3.根据权利要求1所述的方法,其特征在于,所述传感器上的数据,包括:
毫米波雷达传感器上的数据和坡度传感器上的数据,其中,所述毫米波雷达传感器测量所述实验车辆与前方车辆的距离,所述坡度传感器测量所述实验车辆所在前方道路的坡度。
4.根据权利要求1所述的方法,其特征在于,所述采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力,包括:
以预设的采样频率采集所述实验车辆在各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力,并对采集到数据进行平滑处理和归一化处理。
5.根据权利要求1所述的方法,其特征在于,所述将所述CAN总线上的数据和所述传感器上的数据作为输入数据,所述制动主缸的制动压力作为基准数据,基于贝叶斯算法反向传播训练需要训练的人工神经网络模型,获得训练后的人工神经网络模型,包括:
将同一时刻在所述实验车辆上采集到的所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力作为一个子样本,在K个不同时刻采集所述实验车辆在所述各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力,获得K个子样本;
进行K次训练,其中在每次训练中选取K个子样本中的一个子样本,并将其他K-1个子样本输入本次训练过程中需要训练的人工神经网络模型中,基于所述贝叶斯算法反向传播训练本次训练过程中需要训练的人工神经网络模型,获得在本次训练过程中训练后的人工神经网络模型,本次训练过程中训练后的人工神经网络模型作为下一次训练过程中需要训练的人工神经网络模型,其中每次训练中选取出的子样本彼此不同;
在完成K次训练过程之后,获得训练后的人工神经网络模型。
6.根据权利要求5所述的方法,其特征在于,所述获得在本次训练过程中训练后的人工神经网络模型之后,方法还包括:
在每次训练完成后,将在本次训练中选取出的子样本输入本次训练后的人工神经网络模型中,获得本次训练过程中训练后的人工神经网络模型输出的验证数据,从而K次训练共获得K个验证数据;
基于所述K个子样本中的制动压力,以及所述K个验证数据,获得决定系数和均方根。
9.根据权利要求1所述的方法,其特征在于,所述需要训练的人工神经网络模型,包括:输入层、隐藏层和输出层,其中所述隐藏层的传递函数为tan-sigmoid激活函数,所述输出层的传递函数为purelin函数。
10.一种估测电动汽车制动压力的设备,被配置为:
采集模块,被配置为采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力;
训练模块,被配置为将所述CAN总线上的数据和所述传感器上的数据作为输入数据,所述制动主缸的制动压力作为基准数据,基于贝叶斯算法反向传播训练需要训练的人工神经网络模型,获得训练后的人工神经网络模型;
估测模块,被配置为将实际车辆在所述各个不同工况下行驶时的CAN总线上的数据以及所述传感器上的数据输入训练后的人工神经网络模型,估测所述实际车辆中制动主缸的制动压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911136412.7A CN110843755B (zh) | 2019-11-19 | 2019-11-19 | 一种估测电动汽车制动压力的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911136412.7A CN110843755B (zh) | 2019-11-19 | 2019-11-19 | 一种估测电动汽车制动压力的方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110843755A CN110843755A (zh) | 2020-02-28 |
CN110843755B true CN110843755B (zh) | 2021-09-28 |
Family
ID=69602670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911136412.7A Active CN110843755B (zh) | 2019-11-19 | 2019-11-19 | 一种估测电动汽车制动压力的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110843755B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112793428B (zh) * | 2021-02-25 | 2022-04-01 | 合肥工业大学 | 一种汽车制动能量回收系统的工况识别与匹配控制方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10100884A (ja) * | 1996-09-27 | 1998-04-21 | Toyota Motor Corp | ブレーキ液圧制御装置 |
JP2000318602A (ja) * | 1999-05-17 | 2000-11-21 | Nabco Ltd | 列車分離検知システム及びこれを用いた鉄道車両用ブレーキ装置 |
JP2001260856A (ja) * | 2000-03-22 | 2001-09-26 | Aisin Seiki Co Ltd | 車両用制動制御装置 |
JP4046059B2 (ja) * | 2002-11-08 | 2008-02-13 | 株式会社豊田中央研究所 | 路面状態推定装置 |
US7937197B2 (en) * | 2005-01-07 | 2011-05-03 | GM Global Technology Operations LLC | Apparatus and methods for evaluating a dynamic system |
US7499842B2 (en) * | 2005-11-18 | 2009-03-03 | Caterpillar Inc. | Process model based virtual sensor and method |
JP5496854B2 (ja) * | 2010-11-01 | 2014-05-21 | ジヤトコ株式会社 | 車両の制御装置 |
CN102041824B (zh) * | 2010-12-09 | 2012-08-29 | 三一重机有限公司 | 一种挖掘机工作装置的自动控制系统及控制方法 |
JP5838875B2 (ja) * | 2012-03-16 | 2016-01-06 | トヨタ自動車株式会社 | 液圧制御装置および液圧ブレーキシステム |
FR3013001B1 (fr) * | 2013-11-14 | 2015-12-11 | Renault Sas | Procede d'aide a la decision par reseau de neurones dans un systeme de surveillance de la pression des pneumatiques d'un vehicule automobile. |
CN103786703B (zh) * | 2014-01-28 | 2017-04-12 | 同济大学 | 一体式制动主缸的电液复合制动系统分层控制架构及方法 |
CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
CN105730431B (zh) * | 2016-01-29 | 2018-04-20 | 清华大学 | 动车组制动缸故障监测方法及故障监测系统 |
CN106218616B (zh) * | 2016-08-02 | 2019-02-05 | 天津英创汇智汽车技术有限公司 | 一种无压力传感器的esc系统及其控制方法 |
JP6747646B2 (ja) * | 2016-11-29 | 2020-08-26 | 日立オートモティブシステムズ株式会社 | 負圧センサの故障診断装置、負圧センサの故障診断方法およびブレーキ装置 |
DE102016226324A1 (de) * | 2016-12-29 | 2018-07-05 | Robert Bosch Gmbh | Auswerteelektronik und Verfahren zum Schätzen eines Hauptbremszylinderdrucks in einem mit einem elektromechanischen Bremskraftverstärker ausgestatteten Bremssystem eines Fahrzeugs |
WO2021006374A1 (ko) * | 2019-07-08 | 2021-01-14 | 엘지전자 주식회사 | 자율 주행 시스템에서 차량의 브레이크 장치를 모니터링 하는 방법 및 장치 |
-
2019
- 2019-11-19 CN CN201911136412.7A patent/CN110843755B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110843755A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960426B (zh) | 基于bp神经网络的道路坡度综合估计系统 | |
CN109591811B (zh) | 车辆制动方法、装置及存储介质 | |
CN110386145B (zh) | 一种目标驾驶员驾驶行为实时预测系统 | |
Angkititrakul et al. | Modeling and adaptation of stochastic driver-behavior model with application to car following | |
CN110412470B (zh) | 电动汽车动力电池soc估计方法 | |
KR20180055192A (ko) | 배터리 상태를 추정하는 방법 및 장치 | |
CN111319601B (zh) | 一种均衡风缸控制模块故障诊断方法、装置及存储介质 | |
CN111204348A (zh) | 调节车辆行驶参数方法、装置、车辆及存储介质 | |
JP2022080280A (ja) | ハイブリッド学習に基づくドライバー方向転換意思予測方法 | |
CN110962828A (zh) | 预测电动汽车制动压力的方法和设备 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN113159435B (zh) | 一种新能源车辆剩余驾驶里程预测方法及系统 | |
CN110843755B (zh) | 一种估测电动汽车制动压力的方法和设备 | |
KR101754015B1 (ko) | 차량도어의 개폐 보조력 예측 방법 및 이를 이용하는 차량도어 제어 시스템 | |
CN111547028B (zh) | 一种考虑制动意图的制动强度模糊识别方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN110103960A (zh) | 车辆自适应巡航控制方法、系统及车辆 | |
CN110816531B (zh) | 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法 | |
KR20220124900A (ko) | 배터리 상태 추정 장치 및 배터리 상태 추정 모델 학습 장치 | |
CN114676870A (zh) | 车速预测方法、车速预测模型训练方法和相关装置 | |
CN116611864A (zh) | 一种基于rnn的城市轨道交通列车速度与客流量的预测方法 | |
CN113771884B (zh) | 基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法 | |
KR20230062405A (ko) | 열차 운행정보 기반의 열차속도 예측방법 및 장치 | |
CN116080470A (zh) | 电动汽车的动力电池监控方法、装置、服务器及介质 | |
CN115661560A (zh) | 驾驶舱中人脸检测方法、目标检测模型训练方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |