CN110962828A - 预测电动汽车制动压力的方法和设备 - Google Patents

Abstract

本申请公开了一种预测电动汽车制动压力的方法，属于电动汽车技术领域。所述方法包括：获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数；基于影响所述制动压力的参数和所述制动压力，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力。采用本申请，可以有效解决相关技术中缺乏一种预测电动汽车制动压力的方法的技术问题。

Description

预测电动汽车制动压力的方法和设备

技术领域

本申请属于电动汽车技术领域，特别涉及一种预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。

在实现本申请的过程中，发明人发现相关技术至少存在以下问题：

通过上述方法可知，压力传感器只能获得当前时刻的制动压力，并不能预测出当前时刻的下一时刻的制动压力。

发明内容

为了解决相关技术中存在的技术问题，本申请实施例提供了一种预测电动汽车制动压力的方法和设备。所述预测电动汽车制动压力的方法和设备的技术方案如下：

第一方面，本申请提供了一种预测电动汽车制动压力的方法，包括：

获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数；

基于所述制动压力和影响所述制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；

获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力。

可选的，所述影响所述制动压力的参数，包括电动汽车的速度、电动汽车的速度平均值、电动汽车的速度标准差、电动汽车的加速度、电动汽车的加速度平均值、电动汽车的加速度标准差、电机转速、电机转矩、电池电流、电池电压、电池荷电状态、电池电流变化率和电池电压变化率中的至少一种参数。

可选的，所述电动汽车的速度平均值为预估时刻之前的至少一个时刻的电动汽车的速度平均值，所述电动汽车的速度标准差为预估时刻之前的至少一个时刻的电动汽车的速度标准差。

可选的，所述电动汽车的加速度平均值为预估时刻之前的至少一个时刻的电动汽车的加速度平均值，所述电动汽车的加速度标准差为预估时刻之前的至少一个时刻的电动汽车的加速度标准差。

可选的，所述获取实验车辆在各个不同工况下制动主缸的制动压力和影响所述制动压力的参数，包括：

获取K个样本，每个样本包括同一时刻在所述实验车辆上采集到的制动主缸的制动压力与可能影响制动压力的参数；

将所述K个样本输入特征权重算法，输出每个可能影响制动压力的参数项所对应的权重；

根据所述权重，筛选出至少一个影响制动压力的参数项，从而将所述至少一个影响制动压力的参数项对应的参数作为影响所述制动压力的参数。

可选的，所述至少一个影响制动压力的参数项，包括：电动汽车的速度标准差、电动汽车的加速度均值、电动汽车的加速度标准差、电动汽车的加速度、电池电压、电机转矩和电池荷电状态。

可选的，所述获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数之后，包括：

以预设的采样频率采集所述实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数，并对采集到数据进行平滑处理和归一化处理。

可选的，所述基于影响所述制动压力的参数和所述制动压力，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型，包括：

在每次训练中，将预估时刻之前的至少一个时刻的制动压力和影响制动压力的参数作为非线性自回归动态神经网络模型的输入数据，以及预估时刻的制动压力作为非线性自回归动态神经网络模型的基准数据，基于列文伯格-马夸尔特算法反向传播训练所述非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型。

可选的，所述获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力，包括：

获取所述电动汽车实际行驶中预估时刻前的至少一个时刻的制动压力和影响所述制动压力的参数；

将所述至少一个时刻的制动压力和影响所述制动压力的参数输入所述非线性自回归动态神经网络模型，输出预测的所述电动汽车中制动主缸的制动压力，其中，所述预估时刻为当前时刻的下一个进行参数采样的时刻。

第二方面，本申请提供了一种预测电动汽车制动压力的设备，被配置为：

采集模块，被配置为获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数；

训练模块，被配置为基于所述制动压力和影响所述制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；

估测模块，被配置为获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力。

可选的，所述采集模块，被配置为：

电动汽车的速度、电动汽车的速度平均值、电动汽车的速度标准差、电动汽车的加速度、电动汽车的加速度平均值、电动汽车的加速度标准差、电机转速、电机转矩、电池电流、电池电压、电池荷电状态、电池电流变化率和电池电压变化率中的至少一种参数。

可选的，所述电动汽车的速度平均值为预估时刻之前的至少一个时刻的电动汽车的速度平均值，所述电动汽车的速度标准差为预估时刻之前的至少一个时刻的电动汽车的速度标准差。

可选的，所述电动汽车的加速度平均值为预估时刻之前的至少一个时刻的电动汽车的加速度平均值，所述电动汽车的加速度标准差为预估时刻之前的至少一个时刻的电动汽车的加速度标准差。

可选的，所述采集模块，被配置为：

获取K个样本，每个样本包括同一时刻在所述实验车辆上采集到的制动主缸的制动压力与可能影响制动压力的参数；

将所述K个样本输入特征权重算法，输出每个可能影响制动压力的参数项所对应的权重；

根据所述权重，筛选出至少一个影响制动压力的参数项，从而将所述至少一个影响制动压力的参数项对应的参数作为影响所述制动压力的参数。

可选的，所述采集模块，被配置为：

电动汽车的速度标准差、电动汽车的加速度均值、电动汽车的加速度标准差、电动汽车的加速度、电池电压、电机转矩和电池荷电状态。

可选的，所述采集模块，被配置为：

以预设的采样频率采集所述实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数，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，被配置为：

在每次训练中，将预估时刻之前的至少一个时刻的制动压力和影响制动压力的参数作为非线性自回归动态神经网络模型的输入数据，以及预估时刻的制动压力作为非线性自回归动态神经网络模型的基准数据，基于列文伯格-马夸尔特算法反向传播训练所述非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型。

可选的，所述模块，被配置为：

获取所述电动汽车实际行驶中预估时刻前的至少一个时刻的制动压力和影响所述制动压力的参数；

将所述至少一个时刻的制动压力和影响所述制动压力的参数输入所述非线性自回归动态神经网络模型，输出预测的所述电动汽车中制动主缸的制动压力，其中，所述预估时刻为当前时刻的下一个进行参数采样的时刻。

本申请实施例提供的技术方案带来的有益效果至少包括：

本申请实施例提供的方法，获取实验车辆在各个工况下制动主缸的制动压力和影响制动压力的参数；基于制动压力和影响所述制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；获取电动汽车实际行驶中影响制动压力的参数，基于实际行驶中影响制动压力的参数，以及训练后的非线性自回归动态神经网络模型，预测电动汽车中制动主缸的制动压力，从而能预测出电动汽车下一时刻的制动主缸的制动压力。本申请实施例提供的方法可以预测电动汽车下一时刻的制动压力，以实现对电动汽车制动力的预先的控制，减少了行车时的危险。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例提供的非线性自回归动态神经网络模型的训练过程的示意图；

图2是本申请实施例提供的一种预测电动汽车制动压力的方法的流程图；

图3是本申请实施例提供的一种预测电动汽车制动压力的权重示意图；

图4是本申请实施例提供的一种非线性自回归动态神经网络模型的结构示意图；

图5是本申请实施例提供的一种非线性自回归动态神经网络模型的结构示意图；

图6是本申请实施例提供的一种预测电动汽车制动压力的设备的流程图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

图1是本申请实施例提供的自回归动态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，通过采集实验车辆在各个不同工况下行驶时的制动压力和可能影响制动压力的参数，并将制动压力和可能影响制动压力的参数作为特征权重算法的输入数据，并输出影响制动压力的参数，进而在可能影响制动压力的参数筛选出影响制动压力的参数。将影响制动压力的参数作为输入数据，将采集到的制动压力作为基准数据。将输入数据输入自回归动态神经网络模型，自回归动态神经网络模型输出估测数据。再将估测数据与基准数据进行对比计算得到损失值，将损失值输入列文伯格-马夸尔特算法进行反向传播训练自回归动态神经网络模型，并对自回归动态神经网络模型中的参数进行调整，从而完成一次训练。通过上述反复不断的学习训练，最终建立训练后的自回归动态神经网络模型。

本申请方案可以应用在预测电动汽车上的制动主缸的制动压力的场景，比如，利用本申请方案预测电动汽车的制动压力，电动汽车可以根据预测出的制动压力，预先对电动汽车的运动情况进行调整，进而减少行车危险。

如图2所示，本申请实施例提供了一种预测电动汽车制动压力的方法，该方法包括：

步骤201，获取实验车辆在各个工况下制动主缸的制动压力和影响制动压力的参数。

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工况下循环至少一次的数据，以保证训练数据的可靠性。

影响制动压力的参数可以是电动汽车的速度、电动汽车的速度平均值、电动汽车的速度标准差、电动汽车的加速度、电动汽车的加速度平均值、电动汽车的加速度标准差、电机转速、电机转矩、电池电流、电池电压、电池荷电状态、电池电流变化率和电池电压变化率中的至少一种参数。其中，电动汽车的速度平均值为预估时刻之前的至少一个时刻的电动汽车的速度平均值，电动汽车的速度标准差为预估时刻之前的至少一个时刻的电动汽车的速度标准差。电动汽车的加速度平均值为预估时刻之前的至少一个时刻的电动汽车的加速度平均值，电动汽车的加速度标准差为预估时刻之前的至少一个时刻的电动汽车的加速度标准差。

需要说明的是，通过获取电动汽车在预估时刻之前的至少一个时刻的速度和加速度，来确定电动汽车的速度平均值、速度标准差、加速度平均值和加速度标准差。通过这些参数可以确定出电动汽车在预估时刻之前的运动运动情况，进而确定出电动汽车在预估时刻的运动趋势，而电动汽车在预估时刻的运动趋势又与电动汽车在预估时刻的制动压力有关，从而可以根据电动汽车的速度平均值、速度标准差、加速度平均值和加速度标准差，来预测电动汽车的制动压力。

在实施中，获取实验车辆在各个工况下的至少一个可能影响制动压力的参数，在至少一个可能影响制动压力的参数中，选取出影响制动压力的参数。通过读取在制动主缸上安装的压力传感器上的数据，获取实验车辆在各个工况下制动主缸的制动压力。

可选的，以预设的采样频率采集实验车辆在各个工况下制动主缸的制动压力和影响制动压力的参数，并对采集到的参数进行平滑处理和归一化处理。

其中，由于采样频率越大，则采样点之间的间隔越小,获得的数据就越多,这些数据之间的相关性越大，使得最终训练出的神经网络模型输出的结果更加的准确。技术人员可以预先设置采样时间间隔，根据采样时间间隔对行驶时的实验车辆进行采样。例如，技术人员可以将采样频率设置为10HZ。

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。

通过对采集到参数进行归一化处理，使得让不同的参数所对应的数值有一定的比较性，同时也提高了神经网络模型的准确性。

具体的，在本实施例中的归一化过程，由于上述过程中已经获取多组参数项，可以通过确定每组参数项中的最大参数值和最小参数值，并根据确定出的最大参数值和最小参数值，可以通过下述公式计算：

其中，X为每组参数项中的参数归一化处理后的数据，x_min为每组参数项中的最小参数值，x_max为每组参数项中的最大参数值。

可选的，获取K个样本，每个样本包括同一时刻在实验车辆上采集到的制动主缸的制动压力与可能影响制动压力的参数；将K个样本输入特征权重算法，输出每个可能影响制动压力的参数项所对应的权重；根据权重，筛选出至少一个影响制动压力的参数项，从而将至少一个影响制动压力的参数项对应的参数作为影响制动压力的参数。

其中，特征权重算法可以通过确定出至少一个可能影响制动压力的参数与制动压力的相关性，根据这些相关性，确定每个可能影响制动压力的参数项所对应的权重，该权重用于表示该权重对应的参数项对制动压力的影响程度。例如，某一参数项对应的权重越大，该参数项对制动压力的影响程度越大,某一参数项对应的权重越小，该参数项对制动压力的影响程度越小。

在实施中，采集电动汽车在K个不同时刻的制动主缸的制动压力和可能影响制动压力的参数，并将在同一时刻采集到的制动主缸的制动压力和可能影响制动压力的参数作为一个样本，进而获取到K个样本。将获得的K个样本输入特征权重算法，并输出每个可能影响制动压力的参数项所对应的权重。在这些权重中，筛选出至少一个可能影响制动压力的参数项，从而将至少一个影响制动压力的参数项对应的参数作为影响制动压力的参数。

进一步的，在获取每个可能影响制动压力的参数项所对应的权重后，可以将预设数目个权重最大的参数项筛选出来，将这些参数项作为影响制动压力的参数项。或者，在获取每个可能影响制动压力的参数项所对应的权重后，可以将权重数值超过预设数值的参数项筛选出来，将这些参数项作为影响制动压力的参数项。

如图3所示，将可能影响制动压力的参数输入特征权重算法中，获得每个参数项对应的权重，其中，电流、电流变化率、电压变化率这些参数项对应的权重为负值，说明上述三个参数项与制动压力呈现为负相关，如果将上述参数输入非线性自回归动态神经网络模型中，上述三个参数对非线性自回归动态神经网络模型的训练过程产生不利的影响，进而使得非线性自回归动态神经网络模型输出的预测结果与实际结果之间的误差较大。车速、电机转速和速度平均值这些参数项对应的权重较小，为了简化非线性自回归动态神经网络模型的运算，使非线性自回归动态神经网络模型的计算更加的方便和快捷，可以不将车速、电机转速和速度平均值这三个参数项作为影响制动压力的参数项。由于加速度、电压、电机转矩、SOC、车速标准差、加速度均值和加速度标准差这些参数项对应的权重较大且权重为正值，可以将这些参数项作为影响制动压力的参数项。

步骤202，基于制动压力和影响制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型。

其中，非线性自回归动态神经网络模型是神经网络模型的一种，可以根据预估时刻的前n个时刻的数据，来预测预估时刻的数据。非线性自回归动态神经网络模型分为两层，这两层分别是隐藏层和输出层，其中，在非线性自回归动态神经网络模型的隐藏层输入数据，在非线性自回归动态神经网络模型的输出层输出数据。

非线性自回归动态神经网络模型的数学模型如下所示：

y(t)＝f(y(t-1),y(t-2),……,y(t-n),x(t-1),x(t-2),……,x(t-n))

其中，y(t)为t时刻的制动压力，y(t-1)为t时刻的前一时刻的制动压力，y(t-2)为t时刻的前两个时刻的制动压力，y(t-n)为t时刻的前n个时刻的制动压力，x(t-1)为t时刻的前一时刻的影响制动压力的参数，x(t-2)为t时刻的前两个时刻的影响制动压力的参数，x(t-n)为t时刻的前n个时刻的影响制动压力的参数。

在非线性自回归动态神经网络模型的数学模型可以看出，非线性自回归动态神经网络模型的输入数据包括预估时刻的前n个时刻的影响制动压力的参数，以及预估时刻的前n个时刻的制动压力，输出数据为预估时刻的制动压力。需要说明的是，非线性自回归动态神经网络模型分为闭环和开环两种，当非线性自回归动态神经网络模型为闭环时，前n个时刻的制动压力为前n个时刻的预测的制动压力，当非线性自回归动态神经网络模型为开环时，前n个时刻的制动压力为前n个时刻的真实的制动压力。

如图4所示，图4为开环非线性自回归动态神经网络模型的结构示意图，在该图可知，非线性自回归动态神经网络模型的两个输入均与非线性自回归动态神经网络模型的输出无关。开环非线性自回归动态神经网络模型的一个输入为真实的制动压力，在实际中需要在车辆的制动主缸上需要安装压力传感器，以测量真实的制动压力。

如图5所示，图5是闭环非线性自回归动态神经网络模型的结构示意图，在该图可知，非线性自回归动态神经网络模型的其中一个输入与非线性自回归动态神经网络模型的输出有关。在闭环非线性自回归动态神经网络模型中，由于其中一个输入为估测时刻的前n个时刻的预测出的制动压力，而预测出的制动压力存在误差，进而造成闭环非线性自回归动态神经网络模型输出的预测数据存在误差。

在本实施例中，为了保证预测数据的准确性，采用开环非线性自回归动态神经网络模型。在以下过程中，均采用的是开环非线性自回归动态神经网络模型。

在每次训练中，将预估时刻的前n个时刻的制动压力和影响制动压力的参数作为非线性自回归动态神经网络模型的输入数据，以及预估时刻的制动压力作为非线性自回归动态神经网络模型的基准数据，其中，n为技术人员根据经验设置的任一整数。将上述输入数据输入非线性自回归动态神经网络模型的隐藏层，并在非线性自回归动态神经网络模型的输出层输出预测数据。将基准数据与预测数据进行对比计算得到损失值，并根据损失值和列文伯格-马夸尔特算法进行反向传播训练，并对非线性自回归动态神经网络模型中的参数进行调整，从而完成一次训练。通过上述反复不断的学习训练，最终建立训练后的非线性自回归动态神经网络模型。

在实际过程中，将非线性自回归动态神经网络模型的隐藏层中的神经元个数设置为20个，将预估时刻的前n个时刻中的n设置为5，此时，非线性自回归动态神经网络模型输出的预测数据与真实数据更加的接近。

为了准确评价非线性自回归动态神经网络模型的预测效果，可以通过均方误差MSE和相关系数R，对非线性自回归动态神经网络模型的预测效果进行评价。

均方误差MSE值反映了基准数据与预测数据的误差大小，当MSE值越小，则非线性自回归动态神经网络模型的预测效果越好，当MSE值越大，则非线性自回归动态神经网络模型的预测效果越不好。计算均方误差MSE值的公式如下：

其中，MSE表示为基准数据与预测数据的均方根误差，N表示进行了N次训练，X表示在第i次训练中的基准数据，Y表示在第i次训练中的预测数据。

相关系数R值反映了基准数据与预测数据之间的相关性，当R值越接近1，则非线性自回归动态神经网络模型的预测效果越好，当R值越接近0，则非线性自回归动态神经网络模型的预测效果越不好。计算相关系数R值的公式如下：

其中，R表示为基准数据与预测数据之间的相关系数，N表示进行了N次训练，X表示在第i次训练中的基准数据，

表示N训练中的所有基准数据的平均值，Y表示在第i次训练中的预测数据，

表示N次训练中的所有预测数据的平均值。

需要说明的是，通过计算出在基准数据与预测数据之间的相关系数和均方根，来评价训练完成后的非线性自回归动态神经网络模型的预测性能，例如，当获得非线性自回归动态神经网络模型的相关系数接近于1，均方根接近于0，这表明由训练完成后的非线性自回归动态神经网络模型具有很好的预测性能。

可选的，反向传播训练方法可以是列文伯格-马夸尔特算法，也可以是归一化共轭梯度算法、一步分割算法、BFGS-拟牛顿算法或者带有动量项的梯度下降算法。为了使非线性自回归动态神经网络模型预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非线性自回归动态神经网络模型进行训练，并在每种反向传播训练方法的训练过程中计算出R值、MSE值以及训练时间，以R值、MSE值以及训练时间为指标来比较各个反向传播训练方法的预测性能，进而确定出训练效果最好的反向传播训练方法。在不同训练方法下，开环非线性自回归动态神经网络模型的R值、MSE值以及训练时间如表1所示。

表1

训练算法	MSE	R	训练时间
				归一化共轭梯度算法	0.003126	0.981	9
一步分割算法	0.003779	0.979	25
				BFGS-拟牛顿算法	0.001714	0.988	10
带有动量项的梯度下降算法	0.126163	0.925	5
				列文伯格-马夸尔特算法	0.001408	0.991	19
贝叶斯算法	0.001248	0.992	68

由表1可得，在列文伯格-马夸尔特算法反向传播训练非线性自回归动态神经网络模型的训练过程时，获得的基准数据与预测数据的相关系数R值更接近于1，均方根误差MSE值更接近于0，且比贝叶斯算法少了大约三分之一的时间，这表明由列文伯格-马夸尔特算法反向传播训练方法训练的非线性自回归动态神经网络模型具有更好的性能。

步骤303，获取电动汽车实际行驶中影响制动压力的参数，基于实际行驶中影响制动压力的参数，以及训练后的非线性自回归动态神经网络模型，预测电动汽车中制动主缸的制动压力。

其中，由于在上述步骤中已经获得了影响制动压力的参数项，以及训练后的非线性自回归动态神经网络模型，便可以将影响制动压力的参数输入训练后的非线性自回归动态神经网络模型，来预测电动汽车中制动主缸的制动压力。

在实施中，通过获取电动汽车实际行驶中影响制动压力的参数，将实际行驶中影响制动压力的参数作为输入数据，输入训练后的非线性自回归动态神经网络模型，输出预测电动汽车中制动主缸的制动压力。

具体的，若要预测电动汽车在预估时刻的制动压力，需要获取在预估时刻的前n个时刻的制动压力和影响制动压力的参数，如速度标准差、电动汽车的加速度均值、电动汽车的加速度标准差、电动汽车的加速度、电池电压、电机转矩和电池荷电状态分别在预估时刻的前n个时刻的参数，将这些参数输入训练后的非线性自回归动态神经网络模型，输出电动汽车在预估时刻的制动压力，其中，预估时刻为当前时刻的下一个进行参数采样的时刻，也就是，预估时刻是当前时刻对应的采样点的下一个采样点对应的时刻。

需要说明的是，在预测电动汽车的制动压力时，只能采集在当前时刻的制动压力和影响制动压力的参数，并不能采集到除当前时刻外的前n个时刻对应的参数，因此，在采集每个时刻的电动汽车的制动压力和影响制动压力的参数后，将制动压力和影响制动压力的参数存储在电动汽车的本地中，在需要获取这些参数时，便可以在本地中直接读取这些参数。

本申请实施例提供的方法，获取实验车辆在各个工况下制动主缸的制动压力和影响制动压力的参数，并基于影响制动压力的参数和制动压力，训练非线性自回归动态神经网络模型，来获得训练后的非线性自回归动态神经网络模型。再将获取到的电动汽车实际行驶中影响所述制动压力的参数，输入训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力，从而实现预测出电动汽车下一时刻的制动主缸的制动压力。本申请实施例提供的方法可以预测电动汽车下一时刻的制动压力，以实现对电动汽车制动力的预先的控制，减少了行车时的危险。

如图6所示，本申请实施例提供了一种预测电动汽车制动压力的设备，该设备包括：

采集模块601，被配置为获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数；

训练模块602，被配置为基于所述制动压力和影响所述制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；

预测模块603，被配置为获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力。

可选的，所述采集模块601，被配置为：

电动汽车的速度、电动汽车的速度平均值、电动汽车的速度标准差、电动汽车的加速度、电动汽车的加速度平均值、电动汽车的加速度标准差、电机转速、电机转矩、电池电流、电池电压、电池荷电状态、电池电流变化率和电池电压变化率中的至少一种参数。

可选的，所述电动汽车的速度平均值为预估时刻之前的至少一个时刻的电动汽车的速度平均值，所述电动汽车的速度标准差为预估时刻之前的至少一个时刻的电动汽车的速度标准差。

可选的，所述电动汽车的加速度平均值为预估时刻之前的至少一个时刻的电动汽车的加速度平均值，所述电动汽车的加速度标准差为预估时刻之前的至少一个时刻的电动汽车的加速度标准差。

可选的，所述采集模块601，被配置为：

获取K个样本，每个样本包括同一时刻在所述实验车辆上采集到的制动主缸的制动压力与可能影响制动压力的参数；

将所述K个样本输入特征权重算法，输出每个可能影响制动压力的参数项所对应的权重；

根据所述权重，筛选出至少一个影响制动压力的参数项，从而将所述至少一个影响制动压力的参数项对应的参数作为影响所述制动压力的参数。

可选的，所述采集模块601，被配置为：电动汽车的速度标准差、电动汽车的加速度均值、电动汽车的加速度标准差、电动汽车的加速度、电池电压、电机转矩和电池荷电状态。

可选的，所述设备包括采集模块601，被配置为：

以预设的采样频率采集所述实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数，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602，被配置为：

在每次训练中，将预估时刻之前的至少一个时刻的制动压力和影响制动压力的参数作为非线性自回归动态神经网络模型的输入数据，以及预估时刻的制动压力作为非线性自回归动态神经网络模型的基准数据，基于列文伯格-马夸尔特算法反向传播训练所述非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型。

可选的，所述估测模块603，被配置为：

获取电动汽车实际行驶中预估时刻前的至少一个时刻的制动压力和影响所述制动压力的参数；

将所述至少一个时刻的制动压力和影响所述制动压力的参数输入所述非线性自回归动态神经网络模型，输出预测的所述电动汽车中制动主缸的制动压力，其中，所述预估时刻为当前时刻的下一个进行参数采样的时刻。

需要说明的是：上述实施例提供的预测电动汽车制动压力的设备在预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，上述实施例提供的预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。

上述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种预测电动汽车制动压力的方法，其特征在于，所述方法，包括：

获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数；

基于所述制动压力和影响所述制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；

获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车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，所述影响所述制动压力的参数，包括电动汽车的速度、电动汽车的速度平均值、电动汽车的速度标准差、电动汽车的加速度、电动汽车的加速度平均值、电动汽车的加速度标准差、电机转速、电机转矩、电池电流、电池电压、电池荷电状态、电池电流变化率和电池电压变化率中的至少一种参数。

3.根据权利要求2所述的方法，其特征在于，所述电动汽车的速度平均值为预估时刻之前的至少一个时刻的电动汽车的速度平均值，所述电动汽车的速度标准差为预估时刻之前的至少一个时刻的电动汽车的速度标准差。

4.根据权利要求2所述的方法，其特征在于，所述电动汽车的加速度平均值为预估时刻之前的至少一个时刻的电动汽车的加速度平均值，所述电动汽车的加速度标准差为预估时刻之前的至少一个时刻的电动汽车的加速度标准差。

5.根据权利要求1所述的方法，其特征在于，所述获取实验车辆在各个不同工况下制动主缸的制动压力和影响所述制动压力的参数，包括：

获取K个样本，每个样本包括同一时刻在所述实验车辆上采集到的制动主缸的制动压力与可能影响制动压力的参数；

将所述K个样本输入特征权重算法，输出每个可能影响制动压力的参数项所对应的权重；

根据所述权重，筛选出至少一个影响制动压力的参数项，从而将所述至少一个影响制动压力的参数项对应的参数作为影响所述制动压力的参数。

6.根据权利要求5所述的方法，其特征在于，所述至少一个影响制动压力的参数项，包括：电动汽车的速度标准差、电动汽车的加速度均值、电动汽车的加速度标准差、电动汽车的加速度、电池电压、电机转矩和电池荷电状态。

7.根据权利要求5所述的方法，其特征在于，所述获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数之后，包括：

以预设的采样频率采集所述实验车辆在各个工况下制动主缸的制动压力和可能影响所述制动压力的参数，并对采集到的参数进行平滑处理和归一化处理。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述基于影响所述制动压力的参数和所述制动压力，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型，包括：

在每次训练中，将预估时刻之前的至少一个时刻的制动压力和影响制动压力的参数作为非线性自回归动态神经网络模型的输入数据，以及预估时刻的制动压力作为非线性自回归动态神经网络模型的基准数据，基于列文伯格-马夸尔特算法反向传播训练所述非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型。

9.根据权利要求1所述的方法，其特征在于，所述获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力，包括：

获取所述电动汽车实际行驶中预估时刻前的至少一个时刻的制动压力和影响所述制动压力的参数；

将所述至少一个时刻的制动压力和影响所述制动压力的参数输入所述非线性自回归动态神经网络模型，输出预测的所述电动汽车中制动主缸的制动压力，其中，所述预估时刻为当前时刻的下一个进行参数采样的时刻。

10.一种预测电动汽车制动压力的设备，其特征在于，所述设备，被配置为：

采集模块，被配置为获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数；

训练模块，被配置为基于所述制动压力和影响所述制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；

估测模块，被配置为获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力。

Images