CN111144606B - 一种电动车辆的安全失效风险预测方法以及电动车辆 - Google Patents

一种电动车辆的安全失效风险预测方法以及电动车辆 Download PDF

Info

Publication number
CN111144606B
CN111144606B CN201910415051.3A CN201910415051A CN111144606B CN 111144606 B CN111144606 B CN 111144606B CN 201910415051 A CN201910415051 A CN 201910415051A CN 111144606 B CN111144606 B CN 111144606B
Authority
CN
China
Prior art keywords
safety
failure
risk
electric vehicle
standard
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
Application number
CN201910415051.3A
Other languages
English (en)
Other versions
CN111144606A (zh
Inventor
张伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen deta Industrial Intelligent Electric Vehicle Co., Ltd
Original Assignee
Delta Industrial Explosion Proof Electric Vehicle Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Delta Industrial Explosion Proof Electric Vehicle Co ltd filed Critical Delta Industrial Explosion Proof Electric Vehicle Co ltd
Priority to CN201910415051.3A priority Critical patent/CN111144606B/zh
Priority to PCT/CN2020/089420 priority patent/WO2020233428A1/zh
Publication of CN111144606A publication Critical patent/CN111144606A/zh
Application granted granted Critical
Publication of CN111144606B publication Critical patent/CN111144606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种电动车辆的安全失效风险预测方法，包括：S1、构建安全树，所述安全树包括多个安全失效底层事件、安全失效中间事件、安全失效顶层事件以及所述安全失效底层事件、所述安全失效中间事件、所述安全失效顶层事件之间的逻辑因果关系和安全重要程度；S2、根据所述安全树，预测所述电动车辆的安全失效风险。实施本发明的所述的电动车辆的安全失效风险预测方法、计算机可读存储介质以及电动车辆，可以分析车辆失效风险随时间变化的规律，并对未来的失效风险度进行预测，为车辆的安全运维提供必要的定量化信息基础。

Description

一种电动车辆的安全失效风险预测方法以及电动车辆
技术领域
本发明涉及运输工具，更具体地说，涉及一种电动车辆的安全失效风险预测方法以及电动车辆。
背景技术
随着世界经济的快速发展和对环保意识的重视，汽车的普及率越来越高，同时对汽车尾气排放要求也越来越高，节能、安全、无污染的电动车辆是未来的发展趋势。然而，电动车辆一般有高达上百伏的电气系统，这就超过了直流的安全电压范围，如不进行合理的设计与防护，将可能带来人员电击等高压安全问题。此外，电动车辆包括诸如转向系统、制动系统、安全控制系统等多个组成部门，每个组成部分又包括多个组成部件。任何部件的失效或者故障都可能造成整个车辆的失控或者故障，从而导致驾驶者或者乘客遭遇危险。
而电动车辆的安全树是全面解决电动车辆安全问题的系统方法，是由通过安全失效顶事件、安全失效中间事件、安全失效基础故障底事件、相关逻辑和数据建立相关逻辑体系，通过整车安全需求分析和整车系统构建事件模型建立树状图，是对车辆不同层次事件之间逻辑关系的描述，针对例如制动系统、转向系统、车身零部件等多个子系统或部件进行图形表征和定性描述。安全树能够准确表达安全失效顶事件和底层基础故障事件(工艺缺陷、外部因素等)之间因果关系和逻辑。
整车安全状态评估是基于安全树对整车安全情况的实时定量描述。随着车辆工作时间的增加，车辆的安全度是逐渐下降的，这一规律也将表现在车辆失效风险的增加上。因此，有必要分析车辆失效风险随时间变化的规律，并对未来的失效风险度进行预测，为车辆的安全运维提供必要的定量化信息基础。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种电动车辆的安全失效风险预测方法，可以分析车辆失效风险随时间变化的规律，并对未来的失效风险度进行预测，为车辆的安全运维提供必要的定量化信息基础。
本发明解决其技术问题所采用的技术方案是：构造一种电动车辆的安全失效风险预测方法，包括：
S1、构建安全树，所述安全树包括多个安全失效底层事件、安全失效中间事件、安全失效顶层事件以及所述安全失效底层事件、所述安全失效中间事件、所述安全失效顶层事件之间的逻辑因果关系和安全重要程度；
S2、根据所述安全树，预测所述电动车辆的安全失效风险。
在本发明所述的电动车辆的安全失效风险预测方法中，所述步骤S2进一步包括：
S21、计算第一时刻的所述电动车辆的第一系统安全系数；
S22、采用维纳过程基于贝叶斯推理获得第二时刻的所述电动车辆的第二系统安全系数；
S23、基于所述第一系统安全系数、所述第二系统安全系数，采用卡尔曼滤波算法计算所述电动车辆的预测安全失效风险值。
在本发明所述的电动车辆的安全失效风险预测方法中，所述步骤S21进一步包括：
S211、在设定第一时间区间内，统计所述安全失效中间事件发生的标准化频次；
S212、将所述安全失效中间事件发生的标准化频次换算到标准工作条件下以获得标准安全失效中间事件发生频次；
S213、基于所述标准安全失效中间事件发生频次计算所述标准安全失效中间事件对应的风险权值qi；
S214、基于所述标准安全失效中间事件对应的风险权值和风险等级Li计算所述标准安全失效中间事件对应的风险度Ri＝qiLi，其中Li＝0，...，10；
S215、基于电动车辆的全部安全失效中间事件对应的风险度计算所述第一系统安全系数
Figure BDA0002064075140000031
其中N表示全部安全失效的数量，ni表示第i安全失效对应的安全失效底层事件的数量。
在本发明所述的电动车辆的安全失效风险预测方法中，所述步骤S22进一步包括：
基于以下公式计算采用维纳过程基于贝叶斯推理获得第二时刻的所述电动车辆的第二系统安全系数SCt：SCt＝SCt-1+ηΔt+σB(Δt)
其中SCt-1表示第一时刻的所述电动车辆的第一系统安全系数；η表示所述电动车辆的失效风险的变化率，B(Δt)表示标准布朗运动，σ是表示所述电动车辆的失效风险的扩散系数。
在本发明所述的电动车辆的安全失效风险预测方法中，所述步骤S23进一步包括：
S231、采用期望极大似然算法基于所述第一系统安全系数和所述第二系统安全系数估算所述电动车辆的失效风险的变化率η和所述电动车辆的失效风险的扩散系数σ；
S232、采用卡尔曼滤波算法基于以下公式计算区间(t，t+PstepΔt]所述电动车辆的安全失效风险值公式
Figure BDA0002064075140000041
在本发明所述的电动车辆的安全失效风险预测方法中，所述步骤S2进一步包括：
S2a、在设定第一时间区间内，统计所述安全失效中间事件发生的标准化频次；
S2b、将所述安全失效中间事件发生的标准化频次换算到标准工作条件下以获得标准安全失效中间事件发生频次；
S2c、基于所述标准安全失效中间事件发生频次计算所述标准安全失效中间事件对应的风险权值qi；
S2d、基于所述标准安全失效中间事件对应的风险权值和风险等级Li计算所述标准安全失效中间事件对应的风险度Ri＝qiLi，其中Li＝0，...，10；
S2e、基于所述安全树根据以下公式计算整车失效风险度：
Figure BDA0002064075140000042
其中N表示全部安全失效的数量，ni表示第i安全失效对应的安全失效底层事件的数量。
在本发明所述的电动车辆的安全失效风险预测方法中，所述步骤S1进一步包括：
S11.采集电动车辆的整车安全失效数据；
S12.将所述整车安全失效数据映射归类到不同的安全事件组别中，并分别统计各个安全事件组别频次数据；
S13.采用联合分析方法对各个安全事件组别中的所述整车安全失效数据进行分类构建安全树。
本发明解决其技术问题采用的另一技术方案是，构造一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的电动车辆的安全失效风险预测方法。
本发明解决其技术问题采用的再一技术方案是，构造一种电动车辆，包括处理器，存储在所述处理器中的计算机程序，所述程序被处理器执行时实现所述的电动车辆的安全失效风险预测方法。
实施本发明的所述的电动车辆的安全失效风险预测方法、计算机可读存储介质以及电动车辆，可以分析车辆失效风险随时间变化的规律，并对未来的失效风险度进行预测，为车辆的安全运维提供必要的定量化信息基础。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的优选实施例的电动车辆的安全失效风险预测方法的第一实施例的流程图；
图2是本发明的优选实施例的电动车辆的安全失效风险预测方法的整车安全失效数据的归类示意图；
图3a-3c是本发明的优选实施例的电动车辆的安全失效风险预测方法的部分安全树的示意图；
图4是本发明的电动车辆的安全失效风险预测方法的计算预测安全失效风险值的步骤的流程图；
图5是本发明安全失效风险预测方法的计算整车失效风险度的步骤的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明涉及一种电动车辆的安全失效风险预测方法，包括：S1、构建安全树，所述安全树包括多个安全失效底层事件、安全失效中间事件、安全失效顶层事件以及所述安全失效底层事件、所述安全失效中间事件、所述安全失效顶层事件之间的逻辑因果关系和安全重要程度；S2、根据所述安全树，预测所述电动车辆的安全失效风险。实施本发明的所述的电动车辆的安全失效风险预测方法、计算机可读存储介质以及电动车辆，可以分析车辆失效风险随时间变化的规律，并对未来的失效风险度进行预测，为车辆的安全运维提供必要的定量化信息基础。
图1是本发明的优选实施例的电动车辆的安全失效风险预测方法的第一实施例的流程图。如图1所示，在步骤S1中，构建安全树，所述安全树包括多个安全失效底层事件、安全失效中间事件、安全失效顶层事件以及所述安全失效底层事件、所述安全失效中间事件、所述安全失效顶层事件之间的逻辑因果关系和安全重要程度。
在本发明的一个优选实施例中，首先通过CAN总线将所述电动车辆的整车控制器、安全控制器和行车记录仪中的数据传送到平台数据库。然后从所述数据中获取所述电动车辆的整车安全失效数据。将所述整车安全失效数据映射归类到不同的安全事件组别中，并计算各个安全事件组别占全部安全失效的概率。例如，可以将整车安全失效数据映射归类制动系统、转向系统、车身零部件等多个子系统或部件，这样就将所述整车安全失效数据按照映射归类的原理计入不同的组别当中，并且统计各个安全事件组别占全部安全失效的概率。
图2是本发明的优选实施例的电动车辆的安全树构建方法的整车安全失效数据的归类示意图。如图2所示，在本发明的一个优选实施例中，可以将所述整车安全失效数据分别映射到结构安全事件、电气安全事件、功能逻辑安全事件、碰撞安全事件、热安全事件、防爆安全事件、运营维修安全事件、环境安全事件和全生命周期安全事件。上述归纳分析过程可以采用本领域中已知的各种方法，也可以采用已知方法计算各个安全事件组别占全部安全失效的概率，还可以采用电动车辆制造商各自的测量和采集经验数据。最后采用联合分析方法对各个安全事件组别中的所述整车安全失效数据进行分类构建安全树。在本发明的优选实施例中，应用新型联合分析方法进行安全树建模，可以根据安全失效实际情况，选择合适的一种或者多种分析方法，以避免单独使用某种模型构建方法数据状况不适应的弊端，在实际运用过程中能应用方法优势针对性分析，有效简化选择过程。在本发明，可以采用本领域中已知的任何安全树，以及采用本领域中的任何已知安全树。在本发明的进一步的优选实施例中，在本公司申请的在先专利申请CN2019103168721“一种电动车辆的安全树构建方法以及电动车辆”中，公开了一种优选的安全树的构建方法，在此结合引用，以作参考。当然，在本发明的其他优选实施例中，还可以采用其他的安全树构建方法。
图3a-3c是本发明的优选实施例的电动车辆的安全树构建方法的构建的部分安全树的示意图。下面基于图3a-3b对本发明的电动车辆的安全树构建方法进一步说明如下。如图3a-3c所示，结构安全事件下面可以细分三个安全失效中间事件，即制动安全事件，行驶传动安全事件，和转向安全事件，我们可以分别对各个事件构建安全树。
在步骤S2中，根据所述安全树，预测所述电动车辆的安全失效风险。在本发明的优选实施例中，可以根据所述安全树，计算整车失效风险度。在本发明的另一优选实施例中，可以根据所述安全树，计算电动车辆的系统安全系数，然后根据所述系统安全系统计算所述电动车辆的预测安全失效风险值。
实施本发明的所述的电动车辆的安全失效风险预测方法、计算机可读存储介质以及电动车辆，可以分析车辆失效风险随时间变化的规律，并对未来的失效风险度进行预测，为车辆的安全运维提供必要的定量化信息基础。
图4是本发明的电动车辆的安全失效风险预测方法的计算预测安全失效风险值的步骤的流程图。在步骤S1中，计算第一时刻的所述电动车辆的第一系统安全系数。在本发明的优选实施例中，首先在第一步中，在设定第一时间区间内，统计所述安全失效中间事件发生的标准化频次。如图3b所示，例如可以将行车制动故障、驻车制动故障，液压压力异常，分别作为一个安全失效中间事件，统计例如在一年之内，其分别发生的标准化频次。在第二步中，将所述安全失效中间事件发生的标准化频次换算到标准工作条件下以获得标准安全失效中间事件发生频次。在本步骤中，安全失效底层事件对安全失效中间事件的作用逻辑和影响概率，将同源安全失效中间事件(指不同的安全失效中间事件由同一个安全失效底层事件导致产生)的频次，按安全失效底层事件影响概率加权合并，得到加权后的安全失效中间事件发生的标准化频次。同样以图3b所示的实施例为例，对于制动弹簧损坏这一安全失效底层事件，其同时对应行车制动故障和驻车制动故障这两个同源安全失效中间事件。同理，制动压力异常这一安全失效底层事件同时对应行车制动故障和驻车制动故障这两个同源安全失效中间事件。而如图3b所示，制动弹簧损坏对于行车制动故障和驻车制动故障的影响概率分别是0.3％和0.4％。通过根据影响概率加权合并行车制动故障和驻车制动故障，就可以获得标准安全失效中间事件发生频次。在本发明的进一步的优选实施例中，可以根据所述安全失效中间事件的风险等级获得其加权频次。例如在已知时间区间(tc，tc+Δt]内，安全失效中间事件i对应的标准安全失效中间事件Si(i＝1，...N)，则其相应的加权频次为
Figure BDA0002064075140000091
其中，Li＝0，...，10。其中Li＝0，...，10。在本发明中，风险等级Li表征了失效事件(或第i个安全失效中间事件)所引起的与安全性相关的后果。在本发明的优选实施例中，i的具体取值，定义可以参照图3a-3c中示出的安全树。风险等级是对后果严重度的定量评价，通常由专家根据业务特点进行量化定义。本领域中已经有各种对于不同电动车辆的风险等级划分。
在第三步中，将安全失效中间事件发生的加权后的标准化频次，通过统计回归分析方法，换算到待计算的工作条件下，并对所有安全失效中间事件发生的标准化频次求和，得到给定工作条件下、给定时间区间内电气系统失效事件发生的标准化频次(及失效概率，单位是：次/累积工作时长(里程))。安全失效发生频次标准化是指将不同环境参数下统计得到的安全失效发生频次，换算至统一的规定环境参数下，得到可用于全局分析的等价发生频次。依据所述安全失效中间事件的发生机理，分析影响所述安全失效中间事件的事件发生数量的工作条件。比如可以根据道路状况，温度湿度，负载重量等等工作条件，分析影响所述安全失效中间事件的事件发生数量。在湿度大的情况下，发生制动安全事件、转向安全事件和行驶传动安全事件的数量可能较大。在道路状况差的情况下，发生行驶传动安全事件的数量可能较大。基于所述电动车辆的整车控制器、安全控制器和行车记录仪中的数据中记录的数据，可以完成上述分析判断。
随后在第四步中，基于所述标准安全失效中间事件发生频次计算所述标准安全失效中间事件对应的风险权值qi。风险权值qi可以用于描述所述标准安全失效中间事件发生频次对失效风险影响程度的参数。当实际的所述标准安全失效中间事件发生频次小于最高容忍频次时，风险权值为所述标准安全失效中间事件发生频次同最高容忍频次的比值；当实际的所述标准安全失效中间事件发生频次大于或等于最高容忍频次时，风险权值等于1。最高容忍频次是用于安全失效中间事件归一化风险权值的重要参数，其可以由本领域技术人员根据经验设置。通过对电动车辆长期的观察，测试，可以获得该最高容忍频次。本领域中已经有各种对于不同电动车辆的不同安全失效中间事件的最高容忍频次的规定。
在第五步中，基于所述标准安全失效中间事件对应的风险权值和风险等级Li计算所述标准安全失效中间事件对应的风险度Ri＝qiLi，其中Li＝0，...，10。在本发明中，风险等级Li表征了失效事件(或第i个安全失效中间事件)所引起的与安全性相关的后果。在本发明的优选实施例中，i的具体取值，定义可以参照图3a-3c中示出的安全树。风险等级是对后果严重度的定量评价，通常由专家根据业务特点进行量化定义。本领域中已经有各种对于不同电动车辆的风险等级划分。
在第六步中基于电动车辆的全部安全失效中间事件对应的风险度计算所述第一系统安全系数
Figure BDA0002064075140000101
其中N表示全部安全失效的数量，ni表示第i安全失效对应的安全失效底层事件的数量。在本发明的优选实施例中，具体的N和i的具体取值，定义可以参照图3a-3c中示出的安全树。
如图4所示，在步骤S2中，采用维纳过程基于贝叶斯推理获得第二时刻的所述电动车辆的第二系统安全系数，本领域技术人员知悉，维纳过程是一个重要的独立增量过程，也称作布朗运动过程。其定义为，若一个随机过程{X(t)，t＞＝0}满足：(1)X(t)是独立增量过程；(2)任意s，t＞0，X(s+t)-X(s)～N(0，σ^2*t)，即X(s+t)-X(s)是期望为0，方差为σ^2*t的正态分布；(3)X(t)关于t是连续函数。则称{X(t)，t＞＝0}是维纳过程(Wiener process)或布朗运动。贝叶斯推理为已知的经典的统计归纳推理方法，其定义为已知一个事件集Bi(i＝1，2，...k)中每一Bi的概率P(Bi)，又知在Bi已发生的条件下事件A的条件概率P(A/Bi)，就可得出在给定A已发生的条件下任何Bi的条件概率(逆概率)P(Bi/A)。即P(Bi/A)＝P(Bi)P(A/Bi)/(P(B1)P(A/B1)+P(B2)P(A/B2)+…+P(Bn)P(A/Bn))。
基于此，获得如下公式：SCt：SCt＝SCt-1+ηΔt+σB(Δt)
其中SCt-1表示第一时刻的所述电动车辆的第一系统安全系数；η表示所述电动车辆的失效风险的变化率，B(Δt)表示标准布朗运动，σ是表示所述电动车辆的失效风险的扩散系数。SCt表示第二时刻的所述电动车辆的第二系统安全系数。
在步骤S3中，基于所述第一系统安全系数、所述第二系统安全系数，采用卡尔曼滤波算法计算所述电动车辆的预测安全失效风险值。首先，采用期望极大似然算法(EM)基于所述第一系统安全系数和所述第二系统安全系数估算所述电动车辆的失效风险的变化率η和所述电动车辆的失效风险的扩散系数σ。期望极大似然算法是统计学中惯用的参数估计的方法之一，其通常是在已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。因此，利用该期望极大似然算法，通过多次实现，可以估算出所述电动车辆的失效风险的变化率η和所述电动车辆的失效风险的扩散系数σ。然后，采用卡尔曼滤波算法基于以下公式计算区间(t，t+PstepΔt]内所述电动车辆的安全失效风险值公式
Figure BDA0002064075140000111
其中，t代表当前时刻，PstepΔt]表示失效风险预测步数。卡尔曼滤波(Kalman filtering)一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程，其表达式为X(k)＝A X(k-1)+B U(k)+W(k)，因此基于该算法可以获得(t，t+PstepΔt]内所述电动车辆的安全失效风险值公式
Figure BDA0002064075140000121
SCt表示t时刻的系统安全系数(安全系数预测算法中应用)，其估计值为
Figure BDA0002064075140000122
本领域技术人员知悉，PstepΔt]可以根据电动车辆在长期的运营维护过程中，按照经验获得的，电动车辆最可能出现失效的时间周期平均或者加权获得。本领域技术人员可以根据实际需要选择适当的失效风险预测步数值。
车辆失效风险预测是指根据整车完整的实时的所有安全失效统一体现的现状对未来的预测，它是对整车安全性有指示意义的整车重要参数，从而对产品设计生产维保过程的优化提供理论指导。实施本发明的所述的电动车辆的安全失效风险预测方法，可以分析车辆失效风险随时间变化的规律，并对未来的失效风险度进行预测，为车辆的安全运维提供必要的定量化信息基础。
图5是本发明安全失效风险预测方法的计算整车失效风险度的步骤的流程图。如图5所示，在步骤S1中，在设定第一时间区间内，统计所述安全失效中间事件发生的标准化频次。如图3b所示，例如可以将行车制动故障、驻车制动故障，液压压力异常，分别作为一个安全失效中间事件，统计例如在一年之内，其分别发生的标准化频次。
在步骤S2中，将所述安全失效中间事件发生的标准化频次换算到标准工作条件下以获得标准安全失效中间事件发生频次。在本步骤中安全失效底层事件对安全失效中间事件的作用逻辑和影响概率，将同源安全失效中间事件(指不同的安全失效中间事件由同一个安全失效底层事件导致产生)的频次，按安全失效底层事件影响概率加权合并，得到加权后的安全失效中间事件发生的标准化频次。同样以图3b所示的实施例为例，对于制动弹簧损坏这一安全失效底层事件，其同时对应行车制动故障和驻车制动故障这两个同源安全失效中间事件。同理，制动压力异常这一安全失效底层事件同时对应行车制动故障和驻车制动故障这两个同源安全失效中间事件。而如图3b所示，制动弹簧损坏对于行车制动故障和驻车制动故障的影响概率分别是0.3％和0.4％。通过根据影响概率加权合并行车制动故障和驻车制动故障，就可以获得标准安全失效中间事件发生频次。然后将安全失效中间事件发生的标准化频次，通过统计回归分析方法，换算到待计算的工作条件下，并对所有安全失效中间事件发生的标准化频次求和，得到给定工作条件下、给定时间区间内电气系统失效事件发生的标准化频次(及失效概率，单位是：次/累积工作时长(里程))。安全失效发生频次标准化是指将不同环境参数下统计得到的安全失效发生频次，换算至统一的规定环境参数下，得到可用于全局分析的等价发生频次。依据所述安全失效中间事件的发生机理，分析影响所述安全失效中间事件的事件发生数量的工作条件。比如可以根据道路状况，温度湿度，负载重量等等工作条件，分析影响所述安全失效中间事件的事件发生数量。在湿度大的情况下，发生制动安全事件、转向安全事件和行驶传动安全事件的数量可能较大。在道路状况差的情况下，发生行驶传动安全事件的数量可能较大。基于所述电动车辆的整车控制器、安全控制器和行车记录仪中的数据中记录的数据，可以完成上述分析判断。
随后在步骤S3中，基于所述标准安全失效中间事件发生频次计算所述标准安全失效中间事件对应的风险权值qi。风险权值qi可以用于描述所述标准安全失效中间事件发生频次对失效风险影响程度的参数。当实际的所述标准安全失效中间事件发生频次小于最高容忍频次时，风险权值为所述标准安全失效中间事件发生频次同最高容忍频次的比值；当实际的所述标准安全失效中间事件发生频次大于或等于最高容忍频次时，风险权值等于1。最高容忍频次是用于安全失效中间事件归一化风险权值的重要参数，其可以由本领域技术人员根据经验设置。通过对电动车辆长期的观察，测试，可以获得该最高容忍频次。本领域中已经有各种对于不同电动车辆的不同安全失效中间事件的最高容忍频次的规定。
在步骤S4中，基于所述标准安全失效中间事件对应的风险权值和风险等级Li计算所述标准安全失效中间事件对应的风险度Ri＝qiLi，其中Li＝0，...，10。在本发明中，风险等级Li表征了失效事件(或第i个安全失效中间事件)所引起的与安全性相关的后果。在本发明的优选实施例中，i的具体取值，定义可以参照图3a-3c中示出的安全树。风险等级是对后果严重度的定量评价，通常由专家根据业务特点进行量化定义。本领域中已经有各种对于不同电动车辆的风险等级划分。
在步骤S5中，基于所述安全树根据以下公式计算整车失效风险度：
Figure BDA0002064075140000141
其中N表示全部安全失效的数量，ni表示第i安全失效对应的安全失效底层事件的数量。同样以图3b所示的实施例为例，对于制动弹簧损坏这一安全失效底层事件，其同时对应行车制动故障和驻车制动故障这两个同源安全失效中间事件。同理，制动压力异常这一安全失效底层事件同时对应行车制动故障和驻车制动故障这两个同源安全失效中间事件。因此，整车失效风险度可以根据安全树进行计算。Rs的最小值为Rmin＝0，对应于无风险；Rs的最大值为Rmax＝10(n1+…+nN)，对应于最大风险。
实施本发明的所述的电动车辆的安全失效风险预测方法，可以分析车辆失效风险随时间变化的规律，并对未来的失效风险度进行预测，为车辆的安全运维提供必要的定量化信息基础。
因此，本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现本发明方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按本发明方法运行。
本发明还可以通过计算机程序产品进行实施，程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的方法。本文件中的计算机程序所指的是：可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能：a)转换成其它语言、编码或符号；b)以不同的格式再现。
因此本发明还涉及一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的电动车辆的安全失效风险预测方法。
本发明还涉及电动车辆，包括处理器，存储在所述处理器中的计算机程序，所述程序被处理器执行时实现所述的电动车辆的安全失效风险预测方法。
实施本发明的所述的电动车辆的安全失效风险预测方法、计算机可读存储介质以及电动车辆，可以分析车辆失效风险随时间变化的规律，并对未来的失效风险度进行预测，为车辆的安全运维提供必要的定量化信息基础。
虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种电动车辆的安全失效风险预测方法，其特征在于，包括：
步骤S1、构建安全树，所述安全树包括多个安全失效底层事件、安全失效中间事件、安全失效顶层事件以及所述安全失效底层事件、所述安全失效中间事件、所述安全失效顶层事件之间的逻辑因果关系和安全重要程度；
步骤S2、根据所述安全树，预测所述电动车辆的安全失效风险；
所述步骤S2进一步包括：
步骤S21、计算第一时刻的所述电动车辆的第一系统安全系数；
步骤S22、采用维纳过程基于贝叶斯推理获得第二时刻的所述电动车辆的第二系统安全系数；
步骤S23、基于所述第一系统安全系数、所述第二系统安全系数，采用卡尔曼滤波算法计算所述电动车辆的预测安全失效风险值；
所述步骤S21进一步包括：
步骤S211、在设定第一时间区间内，统计所述安全失效中间事件发生的标准化频次；
步骤S212、将所述安全失效中间事件发生的标准化频次换算到标准工作条件下以获得标准安全失效中间事件发生频次；
步骤S213、基于所述标准安全失效中间事件发生频次计算所述标准安全失效中间事件对应的风险权值qi；
步骤S214、基于所述标准安全失效中间事件对应的风险权值和风险等级Li计算所述标准安全失效中间事件对应的风险度Ri＝qiLi，其中Li＝0，...，10；
步骤S215、基于电动车辆的全部安全失效中间事件对应的风险度计算所述第一系统安全系数
Figure FDA0002585144710000021
其中N表示全部安全失效的数量，ni表示第i安全失效对应的安全失效底层事件的数量。
2.根据权利要求1所述的电动车辆的安全失效风险预测方法，其特征在于，所述步骤S22进一步包括：
基于以下公式计算采用维纳过程基于贝叶斯推理获得第二时刻的所述电动车辆的第二系统安全系数SCt：SCt＝SCt-1+ηΔt+σB(Δt)
其中SCt-1表示第一时刻的所述电动车辆的第一系统安全系数；η表示所述电动车辆的失效风险的变化率，B(Δt)表示标准布朗运动，σ是表示所述电动车辆的失效风险的扩散系数。
3.根据权利要求2所述的电动车辆的安全失效风险预测方法，其特征在于，所述步骤S23进一步包括：
步骤S231、采用期望极大似然算法基于所述第一系统安全系数和所述第二系统安全系数估算所述电动车辆的失效风险的变化率η和所述电动车辆的失效风险的扩散系数σ；
步骤S232、采用卡尔曼滤波算法基于以下公式计算区间(t,t+PstepΔt]所述电动车辆的安全失效风险值公式
Figure FDA0002585144710000022
4.根据权利要求1所述的电动车辆的安全失效风险预测方法，其特征在于，所述步骤S2进一步包括：
步骤S2a、在设定第一时间区间内，统计所述安全失效中间事件发生的标准化频次；
步骤S2b、将所述安全失效中间事件发生的标准化频次换算到标准工作条件下以获得标准安全失效中间事件发生频次；
步骤S2c、基于所述标准安全失效中间事件发生频次计算所述标准安全失效中间事件对应的风险权值qi；
步骤S2d、基于所述标准安全失效中间事件对应的风险权值和风险等级Li计算所述标准安全失效中间事件对应的风险度Ri＝qiLi，其中Li＝0，...，10；
步骤S2e、基于所述安全树根据以下公式计算整车失效风险度：
Figure FDA0002585144710000031
其中N表示全部安全失效的数量，ni表示第i安全失效对应的安全失效底层事件的数量。
5.根据权利要求1-4中任意一项权利要求所述的电动车辆的安全失效风险预测方法，其特征在于，所述步骤S1进一步包括：
步骤S11.采集电动车辆的整车安全失效数据；
步骤S12.将所述整车安全失效数据映射归类到不同的安全事件组别中，并分别统计各个安全事件组别频次数据；
步骤S13.采用联合分析方法对各个安全事件组别中的所述整车安全失效数据进行分类构建安全树。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现根据权利要求1-5中任意一项权利要求所述的电动车辆的安全失效风险预测方法。
7.一种电动车辆，其特征在于，包括处理器，存储在所述处理器中的计算机程序，所述程序被处理器执行时实现根据权利要求1-5中任意一项权利要求所述的电动车辆的安全失效风险预测方法。
CN201910415051.3A 2019-05-17 2019-05-17 一种电动车辆的安全失效风险预测方法以及电动车辆 Active CN111144606B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910415051.3A CN111144606B (zh) 2019-05-17 2019-05-17 一种电动车辆的安全失效风险预测方法以及电动车辆
PCT/CN2020/089420 WO2020233428A1 (zh) 2019-05-17 2020-05-09 一种电动车辆的安全失效风险预测方法以及电动车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910415051.3A CN111144606B (zh) 2019-05-17 2019-05-17 一种电动车辆的安全失效风险预测方法以及电动车辆

Publications (2)

Publication Number Publication Date
CN111144606A CN111144606A (zh) 2020-05-12
CN111144606B true CN111144606B (zh) 2020-09-15

Family

ID=70516777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910415051.3A Active CN111144606B (zh) 2019-05-17 2019-05-17 一种电动车辆的安全失效风险预测方法以及电动车辆

Country Status (2)

Country Link
CN (1) CN111144606B (zh)
WO (1) WO2020233428A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115511236B (zh) * 2021-06-22 2023-08-11 中国石油化工股份有限公司 石油化工过程安全风险动态评估方法及装置
CN113865885B (zh) * 2021-09-26 2024-04-26 青岛迈金智能科技股份有限公司 一种用于检测自行车损耗的方法及装置
CN115796589B (zh) * 2022-12-05 2023-09-29 三亚学院 纯电动汽车三电系统风险隐患灵敏度分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909268A (zh) * 2017-11-15 2018-04-13 吉林大学 一种公交车失火事故风险评估的方法
CN109094482A (zh) * 2018-07-25 2018-12-28 哈尔滨工业大学 车辆运行风险评估信息采集系统、风险评估系统及方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8813025B1 (en) * 2009-01-12 2014-08-19 Bank Of America Corporation Customer impact predictive model and combinatorial analysis
US8260493B2 (en) * 2010-02-17 2012-09-04 GM Global Technology Operations LLC Health prognosis for complex system using fault modeling
JP5514643B2 (ja) * 2010-06-21 2014-06-04 株式会社日立ソリューションズ 障害原因判定ルール変化検知装置及びプログラム
CN103049346B (zh) * 2012-12-11 2015-03-18 工业和信息化部电子第五研究所 基于失效物理的元器件故障树构建方法和系统
US10185997B1 (en) * 2014-05-20 2019-01-22 State Farm Mutual Automobile Insurance Company Accident fault determination for autonomous vehicles
CN105652805A (zh) * 2014-11-14 2016-06-08 中国科学院沈阳计算技术研究所有限公司 基于简化fta方法的数控装置硬件安全保护方法及装置
CN104392072A (zh) * 2014-12-12 2015-03-04 北京交通大学 一种基于动态故障树的设备集成系统可靠性分析方法
CN105022893B (zh) * 2015-08-11 2018-01-12 河北工业大学 交流充电桩系统故障分析方法
CN105426692B (zh) * 2015-12-10 2018-06-05 青岛农业大学 基于数据驱动的海洋平台多阶段任务系统可靠性估计方法
CN105573855A (zh) * 2015-12-22 2016-05-11 浙江师范大学 一种用于故障树决策图分析的模块化事件排序方法
CN106444703B (zh) * 2016-09-20 2018-12-07 西南石油大学 基于故障模式发生概率的动设备运行状态模糊评价及预测方法
CN106529581B (zh) * 2016-10-24 2019-08-20 杭州电子科技大学 一种基于贝叶斯网络的桥式起重机故障诊断方法
CN106598029B (zh) * 2016-12-21 2019-02-26 北京交通大学 基于性能退化的列控车载设备可靠性预测方法
CN106647724B (zh) * 2017-02-15 2017-12-26 北京航空航天大学 一种基于车辆异常数据监测的t‑box信息安全检测及防护方法
DE102018120328A1 (de) * 2017-08-24 2019-02-28 Infineon Technologies Ag Sicherheitseinrichtung mit erweiterter Zuverlässigkeit

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909268A (zh) * 2017-11-15 2018-04-13 吉林大学 一种公交车失火事故风险评估的方法
CN109094482A (zh) * 2018-07-25 2018-12-28 哈尔滨工业大学 车辆运行风险评估信息采集系统、风险评估系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于贝叶斯网络的车辆运行风险评估;范璐洋;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190115(第01期);正文第1-49页 *

Also Published As

Publication number Publication date
CN111144606A (zh) 2020-05-12
WO2020233428A1 (zh) 2020-11-26

Similar Documents

Publication Publication Date Title
CN111144606B (zh) 一种电动车辆的安全失效风险预测方法以及电动车辆
JP6653165B2 (ja) 車両構成要素の状態を判定するためのシステム及び方法
KR101713985B1 (ko) 예지 정비 방법 및 장치
Peng et al. A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction
US10121292B2 (en) Automotive predictive failure system
US11120648B2 (en) Health self learning system and method for electrical distribution systems for automated driving vehicles
KR102215107B1 (ko) 주행 데이터 기반 차량 상태 예측 시스템 및 방법
CA2389274C (en) Apparatus and method for performance and fault data analysis
CN110084500B (zh) 基于安全树概率和安全重要度的电动车辆安全控制方法和电动车辆
CN110097219B (zh) 一种基于安全树模型的电动车辆运维优化方法
KR102204199B1 (ko) 자율주행 대중버스에 대한 차량 고장 진단 및 예측 방법
CN111145381B (zh) 一种电动车辆的安全状态评估方法以及电动车辆
CN111143752B (zh) 一种电动车辆的安全重要度的计算方法以及电动车辆
Davari et al. A fault detection framework based on lstm autoencoder: A case study for volvo bus data set
EP4152241A1 (en) Method and computer programmes for the management of vehicle fleets
CN110084919B (zh) 一种电动车辆的安全树构建方法以及电动车辆
Babishin et al. An algorithm for estimating the effect of maintenance on aggregated covariates with application to railway switch point machines
CN111144681B (zh) 一种电动车辆的关键重要度的计算方法以及电动车辆
Turgis et al. Prognostic Expert System for Railway Fleet Maintenance
CN110223416B (zh) 一种电动车辆的原始数据分析方法以及电动车辆
EP4060576A1 (en) A method for identifying vehicle performance
WO2024004313A1 (ja) 不具合診断システム、不具合診断装置および不具合診断方法
RU2787310C1 (ru) Бортовой аналитический комплекс для транспортных средств
US10332323B2 (en) Automotive predictive failure system
KR20230157806A (ko) 클러스터링 알고리즘에 기반하여 차량 내 모터의 고장 여부를 판단하는 방법 및 그를 이용한 시스템

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
CP03 "change of name, title or address"

Address after: 518000 101, 301, building 1, No.1, rongshou Road, Shatian community, Kengzi street, Pingshan District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen deta Industrial Intelligent Electric Vehicle Co., Ltd

Address before: 518000 Guangdong province Shenzhen City Pingshan Kengzi streets rongshou Ludeta high-tech factory 1 layer

Patentee before: DELTA INDUSTRIAL EXPLOSION-PROOF ELECTRIC VEHICLE Co.,Ltd.

CP03 "change of name, title or address"
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40027478

Country of ref document: HK