CN112101597A - 电动汽车租赁运营平台车辆故障预判系统、方法及装置 - Google Patents
电动汽车租赁运营平台车辆故障预判系统、方法及装置 Download PDFInfo
- Publication number
- CN112101597A CN112101597A CN202011094216.0A CN202011094216A CN112101597A CN 112101597 A CN112101597 A CN 112101597A CN 202011094216 A CN202011094216 A CN 202011094216A CN 112101597 A CN112101597 A CN 112101597A
- Authority
- CN
- China
- Prior art keywords
- fault
- vehicle
- symptom
- fuzzy
- membership
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 208000024891 symptom Diseases 0.000 claims abstract description 105
- 238000003745 diagnosis Methods 0.000 claims abstract description 60
- 230000006870 function Effects 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000005352 clarification Methods 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Finance (AREA)
- Automation & Control Theory (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于新能源汽车故障预判领域,具体涉及了一种电动汽车租赁运营平台车辆故障预判系统、方法及装置,旨在解决的问题。本发明包括:故障诊断专家知识库,用于存储专家经验数据、实验数据和历史数据;信息获取模块,实时获取平台车辆运行数据;模糊逻辑模块,进行车辆故障症状与故障原因之间的模糊关系的结构性知识表达,获得模糊规则库;故障推理模块,基于平台车辆运行数据和故障诊断专家知识库的数据,通过车辆故障预判网络获取车辆故障预判结果。本发明能够对电动汽车可能存在的故障进行预测和诊断,及时发出预警,提醒雇主司机车辆故障,避免事故的发生,预判成本低、准确性与精度高。
Description
技术领域
本发明属于新能源汽车故障预判领域,具体涉及了一种电动汽车租赁运营平台车辆故障预判系统、方法及装置。
背景技术
电动汽车是以动力电池为动力,用电机产生驱动力的车辆,并且要求各项指标符合道路交通和安全法规。随着电动汽车的广泛应用,电动汽车的故障预判技术,尤其是电池故障预判技术,对驾驶用户行车安全和运营管理具有巨大益处,因此越来越多的受到人们关注,在判断故障的方法中,决策树、贝叶斯网络、模糊数学、卡尔曼滤波、人工神经网络等都有着广泛应用。但是,故障的复杂性和不确定性因素,往往使得基于某一种方法的故障诊断或预判效果不佳。
目前,在运租赁的电动汽车管理效率低,且部分用户因对车辆认识不足造成使用不当,进而提升了租赁汽车的维护成本,为此,有必要研究电动汽车运营监控技术,准确掌握电动汽车实时运行数据,提高预判车辆故障隐患的准确性与精度,降低汽车维护成本,减少电动汽车运行中存在的安全隐患。
发明内容
为了解决现有技术中的上述问题,即现有电动汽车领域故障的复杂性和不确定因素导致车辆故障预判成本高、准确性与精度低的问题,本发明提供了一种电动汽车租赁运营平台车辆故障预判系统,该车辆故障预判系统包括以下模块:
故障诊断专家知识库,用于存储车辆症状与故障预判的专家经验数据、实验数据和历史数据;
信息获取模块,用于获取当前电动汽车租赁运营平台车辆故障症状;
模糊逻辑模块,用于进行电动汽车租赁运营平台的故障症状与故障原因之间的模糊关系的结构性知识表达,获得模糊规则库;
故障推理模块,基于所述电动汽车租赁运营平台车辆故障症状以及故障诊断专家知识库的数据,通过车辆故障预判网络获取车辆故障预判结果;
其中,所述车辆故障预判网络基于模糊神经网络构建,并基于模糊逻辑模块获取的模糊规则库以及故障诊断专家知识库的数据训练。
在一些优选的实施例中,所述故障推理模块包括以下子模块:
模糊化子模块,用于通过隶属度函数将所述电动汽车租赁运营平台车辆故障症状进行模糊化和归一化,获得隶属度表示的模糊量集合;
神经网络推理子模块,基于所述隶属度表示的模糊量集合以及故障诊断专家知识库的数据,通过车辆故障预判网络进行故障征兆到故障原因的推理诊断,获得所述故障症状的症状隶属度和故障隶属度;
清晰化子模块,根据症状隶属度和故障原因以及故障隶属度与故障程度之间的模糊规则,获取所述故障症状对应的故障原因和故障程度作为车辆故障预判结果。
在一些优选的实施例中,所述隶属度函数包括症状隶属度函数和故障隶属度函数;
所述症状隶属度函数为模糊三角函数;所述故障隶属度函数为症状隶属度和模糊评估系数的加权求和函数。
在一些优选的实施例中,所述模糊三角函数为:
其中,x代表车辆状态特征参数,a和c分别代表状态特征参数的故障症状下限和上限,b代表症状最大隶属度值。
在一些优选的实施例中,所述故障隶属度函数为:
F=S1C1+S2C2+...+SnCn
其中,S1,S2,...,Sn为n个症状隶属度,C1,C2,...,Cn为症状与故障的模糊评估系数。
在一些优选的实施例中,所述车辆症状与故障预判的专家经验数据、实验数据和历史数据包括历史的车辆故障症状、车辆故障原因和故障程度以及车辆故障症状与车辆故障原因和故障程度之间的模糊规则。
在一些优选的实施例中,所述车辆故障包括充电系统故障、电池管理系统故障和驱动系统故障。
本发明的另一方面,提出了一种电动汽车租赁运营平台车辆故障预判方法,基于上述的电动汽车租赁运营平台车辆故障预判系统,该方法包括:
步骤S10,获取当前电动汽车租赁运营平台车辆故障症状;
步骤S20,通过隶属度函数将所述电动汽车租赁运营平台车辆故障症状进行模糊化和归一化,获得隶属度表示的模糊量集合;
步骤S30,基于所述隶属度表示的模糊量集合以及故障诊断专家知识库的数据,通过车辆故障预判网络进行故障征兆到故障原因的推理诊断,获得所述故障症状的症状隶属度和故障隶属度;
步骤S40,根据症状隶属度和故障原因以及故障隶属度与故障程度之间的模糊规则,获取所述故障症状对应的故障原因和故障程度作为车辆故障预判结果;
其中,所述车辆故障预判网络基于模糊神经网络构建,并基于模糊逻辑模块获取的模糊规则库以及故障诊断专家知识库的数据训练。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的电动汽车租赁运营平台车辆故障预判方法。
本发明的第四方面,提出了一种处理装置,包括处理器、存储装置;所述处理器,适于执行各条程序;所述存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的电动汽车租赁运营平台车辆故障预判方法。
本发明的有益效果:
(1)本发明电动汽车租赁运营平台车辆故障预判系统,通过推理机将专家经验数据、实验数据和历史数据等作为车辆故障预判的知识学习库,通过建立模糊神经网络结合隶属度函数,将故障症状和故障原因进行模糊推理映射,实现了对电动汽车当前的可能存在的故障的准确预测和诊断,及时发出预警,提醒雇主司机车辆故障,避免事故的发生,预判成本低、准确性与精度高。
(2)本发明电动汽车租赁运营平台车辆故障预判系统,故障诊断知识库还可以根据实时运行状态的诊断推理进行在线维护和完善,进一步提升了车辆故障预判的准确性与精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明电动汽车租赁运营平台车辆故障预判系统的框架示意图;
图2是本发明电动汽车租赁运营平台车辆故障预判系统一种实施例的车辆故障预判网络的处理流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种电动汽车租赁运营平台车辆故障预判系统,通过搜集数据(主要是汽车电池数据),分析动力锂电池故障症状现象与故障原因之间的复杂关系,通过建立模糊神经网络结合专家经验数据、实验数据和历史数据,预判车辆电池故障问题,能够对故障进行诊断预警,可以有效提前做好故障防范,降低车辆故障率,减少安全隐患。
本发明的一种电动汽车租赁运营平台车辆故障预判系统,该车辆故障预判系统包括以下模块:
故障诊断专家知识库,用于存储车辆症状与故障预判的专家经验数据、实验数据和历史数据;
信息获取模块,用于获取当前电动汽车租赁运营平台车辆故障症状;
模糊逻辑模块,用于进行电动汽车租赁运营平台的故障症状与故障原因之间的模糊关系的结构性知识表达,获得模糊规则库;
故障推理模块,基于所述电动汽车租赁运营平台车辆故障症状以及故障诊断专家知识库的数据,通过车辆故障预判网络获取车辆故障预判结果;
其中,所述车辆故障预判网络基于模糊神经网络构建,并基于模糊逻辑模块获取的模糊规则库以及故障诊断专家知识库的数据训练。
为了更清晰地对本发明电动汽车租赁运营平台车辆故障预判系统进行说明,下面结合图1对本发明实施例中各模块展开详述。
本发明第一实施例的电动汽车租赁运营平台车辆故障预判方法,包括故障诊断专家知识库、信息获取模块、模糊逻辑模块和故障推理模块,各模块详细描述如下:
故障诊断专家知识库,用于存储车辆症状与故障预判的专家经验数据、实验数据和历史数据,包括历史的车辆故障症状、车辆故障原因和故障程度以及车辆故障症状与车辆故障原因和故障程度之间的模糊规则。
车辆故障包括充电系统故障、电池管理系统故障和驱动系统故障。
故障诊断专家知识库中的专家经验数据和实验数据可用来模拟人类专家的决策过程,使用推理机来对事物进行推理和判断,以通过机器解决人类专家处理的复杂问题。
推理机是专家系统中按照一定的记忆规则和推理程序由事实推理出结论的部件;利用现有知识生成可能会出现的知识,确定产生式规则,每个规则与前提之间的关系并列,并且结论是唯一的;产生式规则转变成存储信息和程序,供推理机程序模块随时调度和使用,包括电池的故障隶属度函数,模糊逻辑规则,故障诊断规则,诊断结果等。
故障诊断专家知识库中的历史数据主要用来反映电动汽车历史运行状态的诊断信息数据,包含有各型号电动汽车电池的原始资料、电池故障原因及现象、电池故障树等,以便在需要时能够随时调用查阅,并能添加和修改新的故障原因、故障现象以及各种新的检查、维修方法,使专家系统知识库不断改进和完善。
故障诊断专家知识库是根据专家经验、实验数据和历史数据等作为故障预判的知识学习库,由于电动汽车工作机理与传统汽车差别较大,其故障产生机理、原因和诊断方法与传统汽车相比也有很大不同。电动汽车常见的故障有车辆无法行驶、无法提速、无法充电等,这些故障可归纳为充电系统故障、电池管理系统故障和驱动系统故障等。本发明系统的故障诊断专家知识库,主要是针对电池管理系统故障组成的知识库,电池管理系统故障包括CAN通信故障、单体电压和温度测量故障、继电器故障和加热器故障等,其对于保障电池组的安全及使用寿命具有重要作用。
根据专家系统的“if…then”的逻辑性,可以建立如下的故障诊断规则。If充电电压上升快x1 and放电电压下降快x2,then y2=电池容量变小;If充电时电压偏高x3 and放电时电压偏低x4,then y3=蓄电池内阻过大;If充电时电压极高x5 and充电电压极高x6,then y4=电池内部开路;If放电电流过大或过放x7 and充电电流过大或过充x8,then y5=电池活性物质脱落;If放电时电池端电压下降很快x9,then y6=单元电池损坏;等。其中,xi为故障症状,yi为对应故障原因,y1为无故障。
信息获取模块,用于获取当前电动汽车租赁运营平台车辆故障症状。
模糊逻辑模块,用于进行电动汽车租赁运营平台的故障症状与故障原因之间的模糊关系的结构性知识表达,获得模糊规则库。
模糊逻辑能够对故障症状与故障原因之间的模糊关系进行准确描述,对模糊性信息具有较强的结构性知识表达能力,在已有经验知识的基础上,为故障诊断系统提供比较合理、可靠的推理方法,较好地解决症状与故障之间的不确定性与模糊性。
故障推理模块,基于所述电动汽车租赁运营平台车辆故障症状以及故障诊断专家知识库的数据,通过车辆故障预判网络获取车辆故障预判结果,其中,车辆故障预判网络基于模糊神经网络构建,并基于模糊逻辑模块获取的模糊规则库以及故障诊断专家知识库的数据训练。
神经网络在故障诊断方面,往往是通过故障症状的表现推理出产生故障的原因,故障症状反映着故障原因,但是他们之间是一种高度的非线性关系,不容易通过建立数学模型来对故障进行诊断,而神经网络对解决非线性问题具有非常好的效果,并且可以在训练过程中不断地进行知识的学习,通过神经网络建立的故障诊断系统,可以不断学习并修正故障症状和故障原因之间的关系,提高故障诊断结果的准确率。
如图2所示,为本发明电动汽车租赁运营平台车辆故障预判系统一种实施例的车辆故障预判网络的处理流程示意图,由于动力锂电池故障症状现象与故障原因之间的复杂关系难以对应确定,为此需要用模糊数学理论来表示不确定的诊断知识,其建立过程主要包括:
模糊化子模块,用于通过隶属度函数将所述电动汽车租赁运营平台车辆故障症状进行模糊化和归一化,获得隶属度表示的模糊量集合。
即对对输入状态量进行模糊化和归一化,将故障症状信号转化为以隶属度表示的模糊量的集合。
隶属度函数包括症状隶属度函数和故障隶属度函数:
针对症状隶属度函数,本发明采用模糊三角函数的隶属度,如式(1)所示:
其中,x代表车辆状态特征参数,a和c分别代表状态特征参数的故障症状下限和上限,b代表症状最大隶属度值。
然后,计算电池症状所描述的状态函数fsta,如充电电压高;对应的症状所描述的电池外部特性数据及其变化程度fcha,如锂电池组的电压特性模糊三角函数。则,第k个电池的症状n的第i个时间段内第t次采样数据的单位隶属度值Fkni=fsta·fcha。
针对故障隶属度函数,通过症状对故障的影响程度,建立评估系数,采用症状隶属度和模糊评估系数加权求和的方式,计算故障隶属度,如式(2)所示:
F=S1C1+S2C2+...+SnCn (2)
其中,S1,S2,...,Sn为n个症状隶属度,C1,C2,...,Cn为症状与故障的模糊评估系数。
神经网络推理子模块,基于所述隶属度表示的模糊量集合以及故障诊断专家知识库的数据,通过车辆故障预判网络进行故障征兆到故障原因的推理诊断,获得所述故障症状的症状隶属度和故障隶属度。
即通过神经网络技术完成从故障征兆到故障原因的推理诊断过程。
在用模糊数学评判电池的故障诊断中,故障的隶属度即代表了故障发生的存在程度,如表1所示:
表1
隶属度 | 0~0.2 | 0.2~0.4 | 0.4~0.6 | 0.6~0.8 | 0.8~1 |
故障程度 | 无故障 | 轻微 | 一般 | 严重 | 特别严重 |
如表1所示,故障隶属度越大,则表示可能出现的故障程度越深。
清晰化子模块,根据症状隶属度和故障原因以及故障隶属度与故障程度之间的模糊规则,获取所述故障症状对应的故障原因和故障程度作为车辆故障预判结果。
神经网络的输出到诊断结果的去模糊过程,即根据输出向量的隶属度确定故障原因。
由症状隶属度确定故障程度,最后判断出故障的类别。
在电动汽车锂电池运行过程中,电池常见的故障主要表现为电池容量变小、电池内阻过大、电池内部开路、单元电池损坏等,如表2所示:
表2
设定xi为故障症状,yi为对应故障原因,y1为无故障。根据电池的充放电历史数据库,选取对应故障症状下的实验数据,基于模糊神经网络诊断规则,并用三角函数模糊数学的方法求出各故障隶属度,得到故障征兆和原因的对应关系,即模糊规则库,通过该规则库对神经网络进行训练。
通过实时运行数据输入到训练好的模糊神经网络中,便可得到故障原因的隶属度描述,从而判定出故障原因,实现电动汽车动力电池的故障预判。
本发明第二实施例的电动汽车租赁运营平台车辆故障预判方法,基于上述的电动汽车租赁运营平台车辆故障预判系统,该方法包括:
步骤S10,获取当前电动汽车租赁运营平台车辆故障症状;
步骤S20,通过隶属度函数将所述电动汽车租赁运营平台车辆故障症状进行模糊化和归一化,获得隶属度表示的模糊量集合;
步骤S30,基于所述隶属度表示的模糊量集合以及故障诊断专家知识库的数据,通过车辆故障预判网络进行故障征兆到故障原因的推理诊断,获得所述故障症状的症状隶属度和故障隶属度;
步骤S40,根据症状隶属度和故障原因以及故障隶属度与故障程度之间的模糊规则,获取所述故障症状对应的故障原因和故障程度作为车辆故障预判结果;
其中,所述车辆故障预判网络基于模糊神经网络构建,并基于模糊逻辑模块获取的模糊规则库以及故障诊断专家知识库的数据训练。
本发明一个实施例中,首先,构建故障诊断专家知识库;然后,构建并训练车辆故障预判网络;最后基于实时运行数据进行故障预判,其过程为:
步骤一,首先根据专家经验数据、实验数据和历史数据等作为故障预判的知识学习库,通过建立模糊神经网络,将故障症状和故障原因进行模糊推理映射,建立故障诊断知识库,并以专家系统的形式进行存储;
步骤二,电动汽车将车辆运行大数据通过车载通讯模块以无线传输形式实时传送到电动汽车租赁运营监控平台,从而分析出当前运行状态的故障症状,输入故障诊断推理机,凭借模糊神经网络进行故障诊断推理,实时预判出故障结果。
故障诊断知识库还可以根据实时运行状态的诊断推理进行维护和完善,综合数据库主要用于存放电池组状态数据及专家系统诊断过程中产生的中间数据,并跳转步骤二持续进行车辆故障预判。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的方法的具体工作过程及有关说明,可以参考前述系统实施例中的对应描述,在此不再赘述。
需要说明的是,上述实施例提供的电动汽车租赁运营平台车辆故障预判方法,仅以上述各步骤的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的步骤来完成,即将本发明实施例中的步骤再分解或者组合,例如,上述实施例的步骤可以合并为一个大步骤,也可以进一步拆分成多个子步骤,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的电动汽车租赁运营平台车辆故障预判方法。
本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的电动汽车租赁运营平台车辆故障预判方法。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种电动汽车租赁运营平台车辆故障预判系统,其特征在于,该车辆故障预判系统包括以下模块:
故障诊断专家知识库,用于存储车辆症状与故障预判的专家经验数据、实验数据和历史数据;
信息获取模块,用于获取当前电动汽车租赁运营平台车辆运行数据;
模糊逻辑模块,用于进行电动汽车租赁运营平台的故障症状与故障原因之间的模糊关系的结构性知识表达,获得模糊规则库;
故障推理模块,基于所述电动汽车租赁运营平台车辆运行数据以及故障诊断专家知识库的数据,通过车辆故障预判网络获取车辆故障预判结果;
其中,所述车辆故障预判网络基于模糊神经网络构建,并基于模糊逻辑模块获取的模糊规则库以及故障诊断专家知识库的数据训练。
2.根据权利要求1所述的电动汽车租赁运营平台车辆故障预判系统,其特征在于,所述故障推理模块包括以下子模块:
模糊化子模块,用于通过隶属度函数将所述电动汽车租赁运营平台车辆运行数据进行模糊化和归一化,获得隶属度表示的模糊量集合;
神经网络推理子模块,基于所述隶属度表示的模糊量集合以及故障诊断专家知识库的数据,通过车辆故障预判网络进行故障征兆到故障原因的推理诊断,获得所述故障症状的症状隶属度和故障隶属度;
清晰化子模块,根据症状隶属度和故障原因以及故障隶属度与故障程度之间的模糊规则,获取所述故障症状对应的故障原因和故障程度作为车辆故障预判结果。
3.根据权利要求2所述的电动汽车租赁运营平台车辆故障预判系统,其特征在于,所述隶属度函数包括症状隶属度函数和故障隶属度函数;
所述症状隶属度函数为模糊三角函数;所述故障隶属度函数为症状隶属度和模糊评估系数的加权求和函数。
5.根据权利要求3所述的电动汽车租赁运营平台车辆故障预判系统,其特征在于,所述故障隶属度函数为:
F=S1C1+S2C2+...+SnCn
其中,S1,S2,...,Sn为n个症状隶属度,C1,C2,...,Cn为症状与故障的模糊评估系数。
6.根据权利要求1所述的电动汽车租赁运营平台车辆故障预判系统,其特征在于,所述车辆症状与故障预判的专家经验数据、实验数据和历史数据包括历史的车辆故障症状、车辆故障原因和故障程度以及车辆故障症状与车辆故障原因和故障程度之间的模糊规则。
7.根据权利要求6所述的电动汽车租赁运营平台车辆故障预判系统,其特征在于,所述车辆故障包括充电系统故障、电池管理系统故障和驱动系统故障。
8.一种电动汽车租赁运营平台车辆故障预判方法,其特征在于,基于权利要求1-7任一项所述的电动汽车租赁运营平台车辆故障预判系统,该方法包括:
步骤S10,获取当前电动汽车租赁运营平台车辆故障症状;
步骤S20,通过隶属度函数将所述电动汽车租赁运营平台车辆故障症状进行模糊化和归一化,获得隶属度表示的模糊量集合;
步骤S30,基于所述隶属度表示的模糊量集合以及故障诊断专家知识库的数据,通过车辆故障预判网络进行故障征兆到故障原因的推理诊断,获得所述故障症状的症状隶属度和故障隶属度;
步骤S40,根据症状隶属度和故障原因以及故障隶属度与故障程度之间的模糊规则,获取所述故障症状对应的故障原因和故障程度作为车辆故障预判结果;
其中,所述车辆故障预判网络基于模糊神经网络构建,并基于模糊逻辑模块获取的模糊规则库以及故障诊断专家知识库的数据训练。
9.一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行以实现权利要求8所述的电动汽车租赁运营平台车辆故障预判方法。
10.一种处理装置,包括
处理器,适于执行各条程序;以及
存储装置,适于存储多条程序;
其特征在于,所述程序适于由处理器加载并执行以实现:
权利要求8所述的电动汽车租赁运营平台车辆故障预判方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011094216.0A CN112101597A (zh) | 2020-10-14 | 2020-10-14 | 电动汽车租赁运营平台车辆故障预判系统、方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011094216.0A CN112101597A (zh) | 2020-10-14 | 2020-10-14 | 电动汽车租赁运营平台车辆故障预判系统、方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101597A true CN112101597A (zh) | 2020-12-18 |
Family
ID=73783864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011094216.0A Pending CN112101597A (zh) | 2020-10-14 | 2020-10-14 | 电动汽车租赁运营平台车辆故障预判系统、方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101597A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393341A (zh) * | 2021-06-17 | 2021-09-14 | 贵州电网有限责任公司 | 一种基于语音识别的电网运行监控方法 |
CN113705615A (zh) * | 2021-07-29 | 2021-11-26 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及系统 |
CN113762516A (zh) * | 2021-08-23 | 2021-12-07 | 联合汽车电子有限公司 | 电子节气门状态管理方法、系统、服务器及存储介质 |
CN113844266A (zh) * | 2021-08-20 | 2021-12-28 | 云度新能源汽车有限公司 | 一种对动力电池进行故障预测和识别的方法和存储设备 |
CN114037869A (zh) * | 2021-11-08 | 2022-02-11 | 江苏新亚高电压测试设备有限公司 | 一种应用于紫外成像仪的高压设备诊断预警方法及系统 |
CN114361536A (zh) * | 2022-03-18 | 2022-04-15 | 北汽福田汽车股份有限公司 | 燃料电池系统故障处理方法及装置 |
CN115563549A (zh) * | 2022-10-27 | 2023-01-03 | 武汉理工大学 | 一种焊接缺陷成因诊断方法、系统及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091112A (zh) * | 2013-01-31 | 2013-05-08 | 林惠堂 | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 |
CN108710359A (zh) * | 2018-05-04 | 2018-10-26 | 江苏科技大学 | 船舶动力装置远程故障诊断系统及模糊化函数的确定方法 |
CN110705812A (zh) * | 2019-04-15 | 2020-01-17 | 中国石油大学(华东) | 一种基于模糊神经网络的工业故障分析系统 |
-
2020
- 2020-10-14 CN CN202011094216.0A patent/CN112101597A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091112A (zh) * | 2013-01-31 | 2013-05-08 | 林惠堂 | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 |
CN108710359A (zh) * | 2018-05-04 | 2018-10-26 | 江苏科技大学 | 船舶动力装置远程故障诊断系统及模糊化函数的确定方法 |
CN110705812A (zh) * | 2019-04-15 | 2020-01-17 | 中国石油大学(华东) | 一种基于模糊神经网络的工业故障分析系统 |
Non-Patent Citations (3)
Title |
---|
刘维等: "基于模糊算法的电动车动力电池故障诊断研究", 《客车技术与研究》, vol. 40, no. 02, 25 April 2018 (2018-04-25), pages 9 - 13 * |
王一卉: "纯电动汽车锂电池故障诊断系统的研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2015, 15 December 2015 (2015-12-15), pages 035 - 185 * |
苏子林等: "基于远程数据交换与智能控制系统的汽车故障诊断研究", 《鲁东大学学报(自然科学版)》, vol. 25, no. 04, 15 December 2009 (2009-12-15), pages 321 - 324 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393341A (zh) * | 2021-06-17 | 2021-09-14 | 贵州电网有限责任公司 | 一种基于语音识别的电网运行监控方法 |
CN113705615A (zh) * | 2021-07-29 | 2021-11-26 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及系统 |
CN113705615B (zh) * | 2021-07-29 | 2024-05-28 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及系统 |
CN113844266A (zh) * | 2021-08-20 | 2021-12-28 | 云度新能源汽车有限公司 | 一种对动力电池进行故障预测和识别的方法和存储设备 |
CN113762516A (zh) * | 2021-08-23 | 2021-12-07 | 联合汽车电子有限公司 | 电子节气门状态管理方法、系统、服务器及存储介质 |
CN113762516B (zh) * | 2021-08-23 | 2024-02-27 | 联合汽车电子有限公司 | 电子节气门状态管理方法、系统、服务器及存储介质 |
CN114037869A (zh) * | 2021-11-08 | 2022-02-11 | 江苏新亚高电压测试设备有限公司 | 一种应用于紫外成像仪的高压设备诊断预警方法及系统 |
CN114361536A (zh) * | 2022-03-18 | 2022-04-15 | 北汽福田汽车股份有限公司 | 燃料电池系统故障处理方法及装置 |
CN114361536B (zh) * | 2022-03-18 | 2022-06-14 | 北汽福田汽车股份有限公司 | 燃料电池系统故障处理方法及装置 |
CN115563549A (zh) * | 2022-10-27 | 2023-01-03 | 武汉理工大学 | 一种焊接缺陷成因诊断方法、系统及电子设备 |
CN115563549B (zh) * | 2022-10-27 | 2023-10-20 | 武汉理工大学 | 一种焊接缺陷成因诊断方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101597A (zh) | 电动汽车租赁运营平台车辆故障预判系统、方法及装置 | |
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
Vanem et al. | Data-driven state of health modelling—A review of state of the art and reflections on applications for maritime battery systems | |
Kim et al. | Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application | |
CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
DE102020206592A1 (de) | Verfahren und Vorrichtung zum Betreiben eines elektrisch antreibbaren Kraftfahrzeugs abhängig von einem prädizierten Alterungszustands eines elektrischen Energiespeichers | |
CN102749589B (zh) | 电动汽车动力电池衰退模式预测方法 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
CN109604186A (zh) | 动力电池性能柔性评估分选方法 | |
CN110568360B (zh) | 一种基于模糊逻辑算法的锂电池老化诊断方法 | |
CN111257753B (zh) | 一种电池系统故障诊断方法 | |
Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
Zhang et al. | State of health estimation for lithium-ion batteries under arbitrary usage using data-driven multimodel fusion | |
CN114167301A (zh) | 一种基于电动汽车实车数据的动力电池评估方法 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN111929588A (zh) | 一种基于极限学习机的充电安全监测方法 | |
DE102022120962A1 (de) | Batteriefehlererkennung | |
CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
JP2021124419A (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
US11513164B2 (en) | Method and system for estimating battery pack balance state of new energy vehicle |
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 |