CN112987687A - 一种云-端融合的智能线控底盘健康监测系统及方法 - Google Patents

Abstract

本发明公开了一种云‑端融合的智能线控底盘健康监测系统及方法，包括：云数据终端和线控底盘端：所述线控底盘端包括：线控驱动系统、线控转向系统、线控制动系统和车辆装置；本发明通过对轮毂电机、转向齿轮、扭杆和转向拉杆等线控底盘关键零部件状态的实时检测，判断零件是否发生损伤，并通过云数据终端对异常数据进行在线诊断位，对汽车线控底盘的损伤进行健康监测。

Description

一种云-端融合的智能线控底盘健康监测系统及方法

技术领域

本发明属于汽车线控底盘检测技术领域，具体为一种云-端融合的智能线控底盘健康监测系统及方法。

背景技术

随着时代发展，汽车智能化是大势所趋，线控技术作为实现智能化的关键，正在逐步应用于汽车底盘中。线控技术具有如下优点：为汽车设计提供了更多空间，线控的灵活性使汽车设计、工程制造和生产过程中的成本大为降低，以及降低了维护要求和车身重量等等。但线控系统必须满足安全冗余，在行驶过程一旦系统的关键零件如电机、传感器，ECU等发生故障和损害，将会严重影响车辆安全性，危害人身财产安全。现有的底盘对于关键零件的损伤检测，需要使用专业工具在专用的维修平台上进行检测，难以做到随时监测关键零件的运行状态和损伤程度，进而存在因保养不当导致汽车关键零件受损严重；或因其他原因导致的汽车主要零件迅速损坏，但无法及时获取底盘的故障。

针对上述问题，在中国发明专利申请专利号CN201711090327.2名称为“汽车底盘自动检测设备、汽车智能检测系统”中提出一种通过图像对比判断车辆底盘是否存在异常的自动检测装置，但是此系统不能对零件内部的损伤进行判断检测，也无法通过云数据终端对异常数据进行在线诊断。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种云-端融合的智能线控底盘健康监测系统及方法，通过对轮毂电机、转向齿轮、扭杆和转向拉杆等线控底盘关键零部件状态的实时检测，判断零件是否发生损伤，并通过云数据终端对异常数据进行在线诊断位，对汽车线控底盘的损伤进行健康监测，以解决现有技术中不能对线控底盘关键零部件进行在线的健康监测及智能预测控制的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种云-端融合的智能线控底盘健康监测系统，包括：云数据终端和线控底盘端：所述线控底盘端包括：线控驱动系统、线控转向系统、线控制动系统和车辆装置；

所述车辆装置分别与线控驱动系统、线控转向系统、线控制动系统电气连接，用于采集线控底盘零部件状态并发送驱动、转向和制动指令；其通过网络与云数据终端连接，发送车辆故障数据给云数据终端，及接收云数据终端发送的故障分析结果；

线控驱动系统为分布式四轮独立驱动系统，包括：车轮单元和轮毂电机单元，所述车轮单元包括：第一车轮、第二车轮、第三车轮、第四车轮，所述轮毂电机单元包含：第一轮毂电机、第二轮毂电机、第三轮毂电机、第四轮毂电机，所述各轮毂电机均置于对应的车轮上；

线控转向系统，包括：转向电机、扭杆、蜗轮蜗杆、转向齿轮、转向拉杆、方向盘；方向盘与扭杆连接，扭杆与转向齿轮之间为断机械模式，转向电机通过蜗轮蜗杆与转向齿轮连接，转向齿轮输出端连接转向拉杆，转向拉杆两端分别与线控驱动系统的第一车轮和第二车轮连接；

线控制动系统，包括：制动减速器、轮边制动器、制动电机；制动电机通过制动减速器连接轮边制动器，轮边制动器与线控驱动系统的车轮单元连接；

车辆装置包括：主控模块、检测模块、通信模块、车载数据存储模块、预警模块；

所述检测模块，用于采集线控底盘的零件运行数据；

所述车载数据存储模块，用于存储车辆行驶过程中采集的线控底盘零件运行数据；

所述预警模块，用于向驾驶员提示线控底盘故障的预警信息；

所述主控模块，其输入端分别与检测模块、车载数据存储模块连接，用于处理采集到的线控底盘的零件运行数据，并对零件状况、整车状况进行分析，产生线控底盘故障预警信号给预警模块，及分析后产生的潜在异常数据给通信模块；

所述通信模块，用于将主控模块分析产生的潜在异常数据发送给云数据终端，及接收云数据终端发送的故障诊断结果数据，并传输给主控模块；

所述云数据终端，包括：云数据存储模块、远程工程师终端、云数据分析模块和云通信模块；

云数据分析模块，用于数据的偏差计算，以及对故障诊断结果进行分类和强化学习处理；

云数据存储模块，用于存储车辆装置、云数据分析模块及远程工程师终端发送的故障数据，

云通信模块，用于云数据分析模块和远程工程师终端之间的故障数据传递；

远程工程师终端，用于将人工分析后得到的故障诊断结果数据发送给云数据存储模块。

进一步地，所述第一轮毂电机、第二轮毂电机、第三轮毂电机、第四轮毂电机均为永磁同步电机。

进一步地，所述检测模块包括：线控驱动系统检测模块、线控转向系统检测模块和线控制动系统检测模块；

所述线控驱动系统检测模块包含：第二电子控制单元、第二温度传感器单元、第二电流传感器单元、第二电压传感器单元、轮速传感器单元、图像采集器单元；所述第二电子控制单元与各传感器单元以CAN总线方式连接；轮毂电机单元的温度信号t₁通过第二温度传感器单元采集；轮毂电机单元输入电流信号I′_in及输出电流信号I′_out通过第二电流传感器单元采集；轮毂电机单元输入电压信号V′_in和输出电压信号V′_out通过第二电压传感器单元采集；车轮单元的轮速rω₁通过轮速传感器单元采集，车轮单元的表面图像信号及轮毂电机单元的表面图像信号通过图像采集器单元采集；

所述线控转向系统检测模块包含：第一电子控制单元、第一温度传感器单元、第一振动传感器单元、第二振动传感器单元、第一电流传感器单元、第一电压传感器单元、第一电阻应变片单元、第二电阻应变片单元、转速传感器单元和扭转传感器单元；所述第一电子控制单元与传感器单元以CAN总线方式连接；转向电机温度信号t₂通过第一温度传感器单元采集；转向齿轮的振动幅值A₁通过第一振动传感器单元采集；转向电机输入电流信号I″_in及输出电流信号I″_out通过第一电流传感器单元采集；转向电机输入电压信号V″_in及输出电压信号V″_out通过第一电压传感器单元采集；方向盘力矩信号M₁通过扭矩传感器单元采集；扭杆所受拉应力信号σ₁及所受切应力信号τ₁通过第一电阻应变片单元采集；转向拉杆所受拉应力信号σ₂及所受切应力信号τ₂通过第二电阻应变片单元采集；蜗轮蜗杆振动幅值A₂通过第二振动传感器单元采集，蜗轮转速n*通过转速传感器单元采集；

所述线控制动系统检测模块包含：第三电子控制单元、第三电流传感器单元、第三电压传感器单元、第三温度传感器单元；所述电子控制单元与各传感器单元以CAN总线方式连接；制动电机的温度信号t₃通过第三温度传感器单元采集；制动电机输入电流信号I″′_in及输出电流信号I″′_out通过第三电流传感器单元采集；制动电机输入电压信号V″′_in及输出电压信号V″′_out通过第三电压传感器单元采集。

进一步地，所述蜗轮蜗杆正常运作时的振动信号为：

G_MF＝Zn*

式中，G_MF是蜗轮蜗杆啮合频率；Z是蜗轮齿数；n*是蜗轮转速；

转向齿轮正常运作时振动信号为：

式中，f_z是啮合频率；m是自然数，取1,2,3,…M，其中M表示最大阶数；X_m是第m阶啮合频率谐波分量的幅值；φ_m是初相位；n′是所在轴的转速。

进一步地，所述云数据分析模块根据云数据存储模块中的线控底盘零件运行数据，判断潜在异常数据是否属于故障案例范围，并计算潜在异常数据与云数据存储模块中的线控底盘零件运行数据的偏差；若属于故障案例范围且偏差未超过设定的预警阈值，则标记为故障数据，并发送至车辆装置；

若偏差超过设定的预警阈值或不属于故障案例范围，则通过云通信模块将潜在异常数据发送给远程工程师终端。

本发明的一种云-端融合的智能线控底盘健康监测方法，步骤如下：

工作模式一(车辆自主解决)

步骤11：检测模块采集车辆行驶过程中线控底盘的零件运行数据；

步骤12：将采集到的数据与车载数据存储模块中预设的数据进行初步对比；若采集到的数据与预设数据偏差超过设定的偏离阈值，则标记为潜在异常数据，将潜在异常数据上传至主控模块；

步骤13：主控模块根据车载数据存储模块中的线控底盘零件运行数据，对上述潜在异常数据进行分类，判断异常数据是否源于线控转向系统、线控驱动系统、线控制动系统中的一个系统或多个系统，并对线控底盘进行整体分析，判断线控底盘是否存在异常；若存在异常，将潜在异常数据标记为故障数据，并反馈给预警单元，进入步骤14；若不存在异常，则进行线控底盘预测评估，重复步骤11-13；

步骤14：预警单元进行预警，提示驾驶员车辆存在故障隐患，同时通信模块将故障数据上传至云数据终端，更新云数据存储模块的相关数据；

步骤15：主控模块周期性调用云数据存储模块的数据，对车载数据存储模块中的数据进行更新，并重复步骤11-15，周期性对线控底盘零件健康状况进行监测；

工作模式二(车辆与云数据终端配合)

步骤21：重复步骤11-13，若潜在异常数据不属于整体分析的范围，主控模块无法判断线控底盘是否存在异常，则通过通信模块上传潜在异常数据至云数据终端；

步骤22：云数据分析模块根据云数据存储模块中的线控底盘零件运行数据，判断潜在异常数据是否属于故障案例范围，并计算潜在异常数据与云数据存储模块中的线控底盘零件运行数据的偏差；若属于故障案例范围且偏差未超过设定的预警阈值，则标记为故障数据，并发送至车辆装置；

步骤23若偏差超过设定的预警阈值或不属于故障案例范围，则通过云通信模块将潜在异常数据发送给远程工程师终端，远程工程师终端对潜在异常数据进行人工故障诊断，并将人工故障诊断结果发送至云数据分析模块；

步骤24：云数据分析模块将人工故障诊断结果进行分类，经过强化学习处理，存储为故障案例并更新云数据存储模块；云数据终端将人工故障诊断结果发送至车辆装置。

进一步地，所述数据偏差的计算方法包括但不限于相关数据的均值、均方根、方差等指标计算结果；

进一步地，所述偏离阈值和预警阈值分别取30％和50％；

进一步地，所述步骤13中的预测评估方法为：分析正常零件寿命曲线，提取特征轨迹，再以提取的特征轨迹和实时采集的各零件参数对各零件的寿命曲线进行拟合，预测各零件的剩余使用寿命。

进一步地，所述步骤13中的整体分析方法包括：单属性参数异常分析和多属性参数异常分析；

单属性参数异常分析：

1311)电机温度异常：预设轮毂电机、转向电机和制动电机正常工作时温度最大值分别为t′、t″和t″′，轮毂电机、转向电机和制动电机正常工作应满足以下关系：

t₁＜t′

t₂＜t″

t₃＜t″

否则电机温度异常；

1312)电机耗能异常：预设轮毂电机、转向电机、制动电机正常工作时输出功率与输入功率最小比分别为η₁、η₂、η₃，应满足以下关系：

否则电机能耗异常；

1313)蜗轮蜗杆异常：当蜗轮蜗杆发生故障时，故障激励将导致蜗轮蜗杆产生与常规啮合时不同的振动信号，通过第二振动传感器单元采集蜗轮蜗杆振动信号A₂，并与蜗轮蜗杆常规啮合时的振动信号进行比较判断，若检测信号与正常信号差异超过预设的阈值，则蜗轮蜗杆运作异常；

1314)扭杆和转向拉杆异常：预设扭杆以及转向拉杆的许用拉应力[F]与许用切用力[τ]，应满足：

F＜[F]

τ＜[τ]；

1315)轮胎异常：图像采集器单元采集车轮单元和轮毂电机单元的表面图像信号，并与正常情况下的表面图像信号进行对比处理，判断车辆轮胎是否存在局部磨损过度或变形；

多属性参数异常分析：

多属性参数异常分析采用K-means聚类分析法，聚类分析结果为三类：第一类，电机故障；第二类，转向齿轮故障；第三类，扭杆或转向拉杆故障；具体实施步骤为：

1321)提取需要处理的数据；

1322)确定K值；

1323)选取K个质心；

1324)计算各个不同时间状况下的检测参数与K个质心的距离，归类并生成K个新集合；

1325)计算新集合的质心；

1326)判断新集合的质心是否满足要求，并在满足要求条件下结束算法；

1327)在不满足要求时，迭代1324)到1326)；

1328)比较判断。

进一步地，所述步骤1321)中提取需要处理的数据具体表现为：

且

i≠j，X为提取的数据集合，具体表现为n×m矩阵，n代表不同时间的零件状况数，m代表检测模块检测参数的个数；C_i代表簇，表示不同时间状况下的零件检测参数集合。

进一步地，所述1322)确定K值具体表现为：以最终分类的类别数确定K值，K代表最终分类的类别数，最终分析结果表现为三类，K值为3。

进一步地，所述1323)选取K个质心具体表现为：选取3个质心，所述质心代表各类结果的最明显参数值。例如：第一类结果为电机异常，假设其参数表示为a，b，c，d，e，f，g，f，i，j，k，m(a，b，c，d，e，f，g，f，i，j，k，m)即为第一类分类的质心，而其对应的参数值为最能代表这一类结果的参数，其大小根据大样本分析结果确定，增加分类结果的准确性。

进一步地，所述1324)计算各个不同时间状况下的检测参数与K个质心的距离，归类并生成K个新集合具体表现为：计算各个不同时间状况下的检测参数与3个质心的距离，通过该距离对该时间状况下的零件状态进行分类，计算第i个时间状态下零件状态与第j类质心的距离时，具体计算公式为：

式中，d(x_i,x_j)代表所分析第i个时间状态下零件状态与第j类质心的距离；m的值为12；x_i为第i个驾驶员的时间状态下零件状态，具体表现为x_i1＝a_i,x_i2＝b_i,…,x_i12＝m_i；x_j为第j类质心参数，具体表现为x_j1＝a_j,x_j2＝b_j,…,x_j12＝m_j。

进一步地，所述1325)计算新集合的质心具体表现为：将所有不同时间下零件状态分类完毕，得到3个新的集合，对应三类结果，重新计算3个集合的质心。

进一步地，所述1326)判断新集合的质心是否满足要求，并在满足要求条件下结束算法，具体表现为：判断新集合的质心是否满足要求，如果新的集合质心与初始质心的距离小于预设阈值ε，算法终止。

进一步地，所述1327)在不满足要求时，迭代1324)到1326)具体表现为：如果新的集合质心与初始质心的距离大于阈值ε，需要迭代1324)到1326)过程；至此，对选取的不同时间下零件状态分类完毕。

进一步地，所述1328)中比较判断具体表现为：对新读取的各个参数与分类完毕以后的数据进行比较，通过计算该状态下参数到三个质心的距离，将其转化为可信度，具体公式如下：

式中，r_i表示零件状态被分到第i类故障可信度，d_i表示零件状态到第i类质心的距离；预先根据故障的常规发生概率，设定一个可信度阈值ε′，若分析结果的可信度大于该可信度阈值ε′，则分类合理。

本发明的有益效果：

1、本发明通过采集线控底盘核心零部件的关键指标，解决了现有技术中只能通过图像对比对底盘外部进行故障检测的问题，实现了对线控底盘内部零件的故障监测，监测范围更广，不受时间和空间的制约，能够有效降低意外事故的发生；

2、本发明能够方便地调取数据存储模块中的数据并对零件健康状况进行预测评估，方便驾驶员和维修人员掌握线控底盘内部主要零件的健康信息；

3、本发明能够执行自主工作、车辆-云端配合、远程工程师诊断等多种健康监测工作模式，能够提高线控底盘主要零件故障判断的正确率，且云数据终端具有学习升级功能，能够根据每一次故障积累的数据进行自学习，使得故障判断的自主化和智能化程度不断提高。

附图说明

图1为本发明系统的结构框图。

图2为本发明系统的具体结构原理示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1、图2所示，本发明的一种云-端融合的智能线控底盘健康监测系统，包括：云数据终端和线控底盘端：所述线控底盘端包括：线控驱动系统、线控转向系统、线控制动系统和车辆装置；

所述车辆装置分别与线控驱动系统、线控转向系统、线控制动系统电气连接，用于采集线控底盘零部件状态并发送驱动、转向和制动指令；其通过网络与云数据终端连接，发送车辆故障数据给云数据终端，及接收云数据终端发送的故障分析结果；

线控驱动系统为分布式四轮独立驱动系统，包括：车轮单元和轮毂电机单元，所述车轮单元包括：第一车轮、第二车轮、第三车轮、第四车轮，所述轮毂电机单元包含：第一轮毂电机、第二轮毂电机、第三轮毂电机、第四轮毂电机，所述各轮毂电机均置于对应的车轮上；所述第一轮毂电机、第二轮毂电机、第三轮毂电机、第四轮毂电机均为永磁同步电机。

线控转向系统，包括：转向电机、扭杆、蜗轮蜗杆、转向齿轮、转向拉杆、方向盘；方向盘与扭杆连接，扭杆与转向齿轮之间为断机械模式，转向电机通过蜗轮蜗杆与转向齿轮连接，转向齿轮输出端连接转向拉杆，转向拉杆两端分别与线控驱动系统的第一车轮和第二车轮连接；

线控制动系统，包括：制动减速器、轮边制动器、制动电机；制动电机通过制动减速器连接轮边制动器，轮边制动器与线控驱动系统的车轮单元连接；

车辆装置包括：主控模块、检测模块、通信模块、车载数据存储模块、预警模块；

所述检测模块，用于采集线控底盘的零件运行数据；

所述车载数据存储模块，用于存储车辆行驶过程中采集的线控底盘零件运行数据；

所述预警模块，用于向驾驶员提示线控底盘故障的预警信息；

所述主控模块，其输入端分别与检测模块、车载数据存储模块连接，用于处理采集到的线控底盘的零件运行数据，并对零件状况、整车状况进行分析，产生线控底盘故障预警信号给预警模块，及分析后产生的潜在异常数据给通信模块；

所述通信模块，用于将主控模块分析产生的潜在异常数据发送给云数据终端，及接收云数据终端发送的故障诊断结果数据，并传输给主控模块；

所述云数据终端，包括：云数据存储模块、远程工程师终端、云数据分析模块和云通信模块；

云数据分析模块，用于云数据终端的数据偏差计算，以及对故障诊断结果进行分类和强化学习处理；

云数据存储模块，用于存储车辆装置、云数据分析模块及远程工程师终端发送的故障数据，

云通信模块，用于云数据分析模块和远程工程师终端之间的故障数据传递；

远程工程师终端，用于将人工分析后得到的故障诊断结果数据发送给云数据存储模块。

具体地，所述检测模块包括：线控驱动系统检测模块、线控转向系统检测模块和线控制动系统检测模块；

所述线控驱动系统检测模块包含：第二电子控制单元、第二温度传感器单元、第二电流传感器单元、第二电压传感器单元、轮速传感器单元、图像采集器单元；所述第二电子控制单元与各传感器单元以CAN总线方式连接；轮毂电机单元的温度信号t₁通过第二温度传感器单元采集；轮毂电机单元输入电流信号I′_in及输出电流信号I′_out通过第二电流传感器单元采集；轮毂电机单元输入电压信号V′_in和输出电压信号V′_out通过第二电压传感器单元采集；车轮单元的轮速rω₁通过轮速传感器单元采集，车轮单元的表面图像信号及轮毂电机单元的表面图像信号通过图像采集器单元采集；

所述线控转向系统检测模块包含：第一电子控制单元、第一温度传感器单元、第一振动传感器单元、第二振动传感器单元、第一电流传感器单元、第一电压传感器单元、第一电阻应变片单元、第二电阻应变片单元、转速传感器单元和扭转传感器单元；所述第一电子控制单元与传感器单元以CAN总线方式连接；转向电机温度信号t₂通过第一温度传感器单元采集；转向齿轮的振动幅值A₁通过第一振动传感器单元采集；转向电机输入电流信号I″_in及输出电流信号I″_out通过第一电流传感器单元采集；转向电机输入电压信号V″_in及输出电压信号V″_out通过第一电压传感器单元采集；方向盘力矩信号M₁通过扭矩传感器单元采集；扭杆所受拉应力信号σ₁及所受切应力信号τ₁通过第一电阻应变片单元采集；转向拉杆所受拉应力信号σ₂及所受切应力信号τ₂通过第二电阻应变片单元采集；蜗轮蜗杆振动幅值A₂通过第二振动传感器单元采集，蜗轮转速n*通过转速传感器单元采集。

所述线控制动系统检测模块包含：第三电子控制单元、第三电流传感器单元、第三电压传感器单元、第三温度传感器单元；所述电子控制单元与各传感器单元以CAN总线方式连接；制动电机的温度信号t₃通过第三温度传感器单元采集；制动电机输入电流信号I″′_in及输出电流信号I″′_out通过第三电流传感器单元采集；制动电机输入电压信号V″′_in及输出电压信号V″′_out通过第三电压传感器单元采集；

具体地，所述蜗轮蜗杆正常运作时的振动信号为：

G_MF＝Zn*

式中，G_MF是蜗轮蜗杆啮合频率；Z是蜗轮齿数；n*是蜗轮转速；

转向齿轮正常运作时振动信号为：

式中，f_z是啮合频率；m是自然数，取1,2,3,…M，其中M表示最大阶数；X_m是第m阶啮合频率谐波分量的幅值；φ_m是初相位；n′是所在轴的转速。

本发明的一种云-端融合的智能线控底盘健康监测方法，步骤如下：

工作模式一(车辆自主解决)

步骤11：检测模块采集车辆行驶过程中线控底盘的零件运行数据；

步骤12：将采集到的数据与车载数据存储模块中预设的数据进行初步对比；若采集到的数据与预设数据偏差超过设定的偏离阈值，则标记为潜在异常数据，将潜在异常数据上传至主控模块；

步骤13：主控模块根据车载数据存储模块中的线控底盘零件运行数据，对上述潜在异常数据进行分类，判断异常数据是否源于线控转向系统、线控驱动系统、线控制动系统中的一个系统或多个系统，并对线控底盘进行整体分析，判断线控底盘是否存在异常；若存在异常，将潜在异常数据标记为故障数据，并反馈给预警单元，进入步骤14；若不存在异常，则进行线控底盘预测评估，重复步骤11-13；

步骤14：预警单元进行预警，提示驾驶员车辆存在故障隐患，同时通信模块将故障数据上传至云数据终端，更新云数据存储模块的相关数据；

步骤15：主控模块周期性调用云数据存储模块的数据，对车载数据存储模块中的数据进行更新，并重复步骤11-15，周期性对线控底盘零件健康状况进行监测；

工作模式二(车辆与云数据终端配合)

步骤21：重复步骤11-13，若潜在异常数据不属于整体分析的范围，主控模块无法判断线控底盘是否存在异常，则通过通信模块上传潜在异常数据至云数据终端；

步骤22：云数据分析模块根据云数据存储模块中的线控底盘零件运行数据，判断潜在异常数据是否属于故障案例范围，并计算潜在异常数据与云数据存储模块中的线控底盘零件运行数据的偏差；若属于故障案例范围且偏差未超过设定的预警阈值，则标记为故障数据，并发送至车辆装置；

步骤23若偏差超过设定的预警阈值或不属于故障案例范围，则通过云通信模块将潜在异常数据发送给远程工程师终端，远程工程师终端对潜在异常数据进行人工故障诊断，并将人工故障诊断结果发送至云数据分析模块；

步骤24：云数据分析模块将人工故障诊断结果进行分类，经过强化学习处理，存储为故障案例并更新云数据存储模块；云数据终端将人工故障诊断结果发送至车辆装置。

其中，所述数据偏差的计算方法包括但不限于相关数据的均值、均方根、方差等指标计算结果；

其中，所述偏离阈值和预警阈值分别取30％和50％；

其中，，所述步骤13中的预测评估方法为：分析正常零件寿命曲线，提取特征轨迹，再以提取的特征轨迹和实时采集的各零件参数对各零件的寿命曲线进行拟合，预测各零件的剩余使用寿命。

其中，所述步骤13中的整体分析方法包括：单属性参数异常分析和多属性参数异常分析；

单属性参数异常分析：

1311)电机温度异常：预设轮毂电机、转向电机和制动电机正常工作时温度最大值分别为t′、t″和t″′，轮毂电机、转向电机和制动电机正常工作应满足以下关系：

t₁＜t′

t₂＜t″

t₃＜t″

否则电机温度异常；

1312)电机耗能异常：预设轮毂电机、转向电机、制动电机正常工作时输出功率与输入功率最小比分别为η₁、η₂、η₃，应满足以下关系：

否则电机能耗异常；

1313)蜗轮蜗杆异常：当蜗轮蜗杆发生故障时，故障激励将导致蜗轮蜗杆产生与常规啮合时不同的振动信号，通过第二振动传感器单元采集蜗轮蜗杆振动信号A₂，并与蜗轮蜗杆常规啮合时的振动信号进行比较判断，若检测信号与正常信号差异超过预设的阈值，则蜗轮蜗杆运作异常；

1314)扭杆和转向拉杆异常：预设扭杆以及转向拉杆的许用拉应力[F]与许用切用力[τ]，应满足：

F＜[F]

τ＜[τ]；

1315)轮胎异常：图像采集器单元采集车轮单元和轮毂电机单元的表面图像信号，并与正常情况下的表面图像信号进行对比处理，判断车辆轮胎是否存在局部磨损过度或变形；

多属性参数异常分析：

多属性参数异常分析采用K-means聚类分析法，聚类分析结果为三类：第一类，电机故障；第二类，转向齿轮故障；第三类，扭杆或转向拉杆故障；具体实施步骤为：

1321)提取需要处理的数据；

1322)确定K值；

1323)选取K个质心；

1324)计算各个不同时间状况下的检测参数与K个质心的距离，归类并生成K个新集合；

1325)计算新集合的质心；

1326)判断新集合的质心是否满足要求，并在满足要求条件下结束算法；

1327)在不满足要求时，迭代1324)到1326)；

1328)比较判断。

其中，所述步骤1321)中提取需要处理的数据具体表现为：

且

i≠j，X为提取的数据集合，具体表现为n×m矩阵，n代表不同时间的零件状况数，m代表检测模块检测参数的个数；C_i代表簇，表示不同时间状况下的零件检测参数集合。

例如：C₁为不同时间状况下的电机温度t参数集合，C₂为不同时间状况下的转向齿轮振动幅值A₁参数集合，C₃为不同时间状况下的输入电流信号I_in参数集合，C₄为不同时间状况下的输出电流信号I_out参数集合，C₅为不同时间状况下的输入电压信号V_in参数集合，C₆为不同时间状况下的输出电压信号V_out参数集合，C₇为不同时间状况下的轮速rω₁参数集合，C₈为不同时间状况下的方向盘力矩信号M参数集合，C₉为不同时间状况下的扭杆所受拉应力信号σ参数集合，C₁₀为不同时间状况下的扭杆所受切应力信号τ参数集合，C₁₁为不同时间状况下的蜗轮蜗杆振动幅值A₂参数集合，C₁₂为不同时间状况下的蜗轮转速n参数集合。

其中，所述1322)确定K值具体表现为：以最终分类的类别数确定K值，K代表最终分类的类别数，最终分析结果表现为三类，K值为3。

其中，所述1323)选取K个质心具体表现为：选取3个质心，所述质心代表各类结果的最明显参数值。例如：第一类结果为电机异常，假设其参数表示为a，b，c，d，e，f，g，f，i，j，k，m(a，b，c，d，e，f，g，f，i，j，k，m)即为第一类分类的质心，而其对应的参数值为最能代表这一类结果的参数，其大小根据大样本分析结果确定，增加分类结果的准确性。

其中，所述1324)计算各个不同时间状况下的检测参数与K个质心的距离，归类并生成K个新集合具体表现为：计算各个不同时间状况下的检测参数与3个质心的距离，通过该距离对该时间状况下的零件状态进行分类，计算第i个时间状态下零件状态与第j类质心的距离时，具体计算公式为：

式中，d(x_i,x_j)代表所分析第i个时间状态下零件状态与第j类质心的距离；m的值为12；x_i为第i个驾驶员的时间状态下零件状态，具体表现为x_i1＝a_i,x_i2＝b_i,…,x_i12＝m_i；x_j为第j类质心参数，具体表现为x_j1＝a_j,x_j2＝b_j,…,x_j12＝m_j。

其中，所述1325)计算新集合的质心具体表现为：将所有不同时间下零件状态分类完毕，得到3个新的集合，对应三类结果，重新计算3个集合的质心。

其中，所述1326)判断新集合的质心是否满足要求，并在满足要求条件下结束算法，具体表现为：判断新集合的质心是否满足要求，如果新的集合质心与初始质心的距离小于预设阈值ε，算法终止。

其中，所述1327)在不满足要求时，迭代1324)到1326)具体表现为：如果新的集合质心与初始质心的距离大于阈值ε，需要迭代1324)到1326)过程；至此，对选取的不同时间下零件状态分类完毕。

其中，所述1328)中比较判断具体表现为：对新读取的各个参数与分类完毕以后的数据进行比较，通过计算该状态下参数到三个质心的距离，将其转化为可信度，具体公式如下：

式中，r_i表示零件状态被分到第i类故障可信度，d_i表示零件状态到第i类质心的距离；预先根据故障的常规发生概率，设定一个可信度阈值ε′，若分析结果的可信度大于该可信度阈值ε′，则分类合理。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (9)

1.一种云-端融合的智能线控底盘健康监测系统，其特征在于，包括：云数据终端和线控底盘端：所述线控底盘端包括：线控驱动系统、线控转向系统、线控制动系统和车辆装置；

所述车辆装置分别与线控驱动系统、线控转向系统、线控制动系统电气连接，用于采集线控底盘零部件状态并发送驱动、转向和制动指令；其通过网络与云数据终端连接，发送车辆故障数据给云数据终端，及接收云数据终端发送的故障分析结果；

线控驱动系统为分布式四轮独立驱动系统，包括：车轮单元和轮毂电机单元，所述车轮单元包括：第一车轮、第二车轮、第三车轮、第四车轮，所述轮毂电机单元包含：第一轮毂电机、第二轮毂电机、第三轮毂电机、第四轮毂电机，所述各轮毂电机均置于对应的车轮上；

线控转向系统，包括：转向电机、扭杆、蜗轮蜗杆、转向齿轮、转向拉杆、方向盘；方向盘与扭杆连接，扭杆与转向齿轮之间为断机械模式，转向电机通过蜗轮蜗杆与转向齿轮连接，转向齿轮输出端连接转向拉杆，转向拉杆两端分别与线控驱动系统的第一车轮和第二车轮连接；

线控制动系统，包括：制动减速器、轮边制动器、制动电机；制动电机通过制动减速器连接轮边制动器，轮边制动器与线控驱动系统的车轮单元连接；

车辆装置包括：主控模块、检测模块、通信模块、车载数据存储模块、预警模块；

所述检测模块，用于采集线控底盘的零件运行数据；

所述车载数据存储模块，用于存储车辆行驶过程中采集的线控底盘零件运行数据；

所述预警模块，用于向驾驶员提示线控底盘故障的预警信息；

所述主控模块，其输入端分别与检测模块、车载数据存储模块连接，用于处理采集到的线控底盘的零件运行数据，并对零件状况、整车状况进行分析，产生线控底盘故障预警信号给预警模块，及分析后产生的潜在异常数据给通信模块；

所述通信模块，用于将主控模块分析产生的潜在异常数据发送给云数据终端，及接收云数据终端发送的故障诊断结果数据，并传输给主控模块；

所述云数据终端，包括：云数据存储模块、远程工程师终端、云数据分析模块和云通信模块；

云数据分析模块，用于数据的偏差计算，以及对故障诊断结果进行分类和强化学习处理；

云数据存储模块，用于存储车辆装置、云数据分析模块及远程工程师终端发送的故障数据，

云通信模块，用于云数据分析模块和远程工程师终端之间的故障数据传递；

远程工程师终端，用于将人工分析后得到的故障诊断结果数据发送给云数据存储模块。

2.根据权利要求1所述的云-端融合的智能线控底盘健康监测系统，其特征在于，所述检测模块包括：线控驱动系统检测模块、线控转向系统检测模块和线控制动系统检测模块；

所述线控驱动系统检测模块包含：第二电子控制单元、第二温度传感器单元、第二电流传感器单元、第二电压传感器单元、轮速传感器单元、图像采集器单元；所述第二电子控制单元与各传感器单元以CAN总线方式连接；轮毂电机单元的温度信号t₁通过第二温度传感器单元采集；轮毂电机单元输入电流信号I′_in及输出电流信号I′_out通过第二电流传感器单元采集；轮毂电机单元输入电压信号V′_in和输出电压信号V′_out通过第二电压传感器单元采集；车轮单元的轮速rω₁通过轮速传感器单元采集，车轮单元的表面图像信号及轮毂电机单元的表面图像信号通过图像采集器单元采集；

所述线控转向系统检测模块包含：第一电子控制单元、第一温度传感器单元、第一振动传感器单元、第二振动传感器单元、第一电流传感器单元、第一电压传感器单元、第一电阻应变片单元、第二电阻应变片单元、转速传感器单元和扭转传感器单元；所述第一电子控制单元与传感器单元以CAN总线方式连接；转向电机温度信号t₂通过第一温度传感器单元采集；转向齿轮的振动幅值A₁通过第一振动传感器单元采集；转向电机输入电流信号I″_in及输出电流信号I″_out通过第一电流传感器单元采集；转向电机输入电压信号V″_in及输出电压信号V″_out通过第一电压传感器单元采集；方向盘力矩信号M₁通过扭矩传感器单元采集；扭杆所受拉应力信号σ₁及所受切应力信号τ₁通过第一电阻应变片单元采集；转向拉杆所受拉应力信号σ₂及所受切应力信号τ₂通过第二电阻应变片单元采集；蜗轮蜗杆振动幅值A₂通过第二振动传感器单元采集，蜗轮转速n*通过转速传感器单元采集；

所述线控制动系统检测模块包含：第三电子控制单元、第三电流传感器单元、第三电压传感器单元、第三温度传感器单元；所述电子控制单元与各传感器单元以CAN总线方式连接；制动电机的温度信号t₃通过第三温度传感器单元采集；制动电机输入电流信号I″′_in及输出电流信号I″′_out通过第三电流传感器单元采集；制动电机输入电压信号V″′_in及输出电压信号V″′_out通过第三电压传感器单元采集。

3.根据权利要求1所述的云-端融合的智能线控底盘健康监测系统，其特征在于，所述蜗轮蜗杆正常运作时的振动信号为：

G_MF＝Zn*

式中，G_MF是蜗轮蜗杆啮合频率；Z是蜗轮齿数；n*是蜗轮转速；

转向齿轮正常运作时振动信号为：

式中，f_z是啮合频率；m是自然数，取1,2,3,…M，其中M表示最大阶数；X_m是第m阶啮合频率谐波分量的幅值；φ_m是初相位；n'是所在轴的转速。

4.根据权利要求1所述的云-端融合的智能线控底盘健康监测系统，其特征在于，所述云数据分析模块根据云数据存储模块中的线控底盘零件运行数据，判断潜在异常数据是否属于故障案例范围，并计算潜在异常数据与云数据存储模块中的线控底盘零件运行数据的偏差；若属于故障案例范围且偏差未超过设定的预警阈值，则标记为故障数据，并发送至车辆装置；

若偏差超过设定的预警阈值或不属于故障案例范围，则通过云通信模块将潜在异常数据发送给远程工程师终端。

5.一种云-端融合的智能线控底盘健康监测方法，其特征在于，步骤如下：

工作模式一

步骤11：检测模块采集车辆行驶过程中线控底盘的零件运行数据；

步骤12：将采集到的数据与车载数据存储模块中预设的数据进行初步对比；若采集到的数据与预设数据偏差超过设定的偏离阈值，则标记为潜在异常数据，将潜在异常数据上传至主控模块；

步骤13：主控模块根据车载数据存储模块中的线控底盘零件运行数据，对上述潜在异常数据进行分类，判断异常数据是否源于线控转向系统、线控驱动系统、线控制动系统中的一个系统或多个系统，并对线控底盘进行整体分析，判断线控底盘是否存在异常；若存在异常，将潜在异常数据标记为故障数据，并反馈给预警单元，进入步骤14；若不存在异常，则进行线控底盘预测评估，重复步骤11-13；

步骤14：预警单元进行预警，提示驾驶员车辆存在故障隐患，同时通信模块将故障数据上传至云数据终端，更新云数据存储模块的相关数据；

步骤15：主控模块周期性调用云数据存储模块的数据，对车载数据存储模块中的数据进行更新，并重复步骤11-15，周期性对线控底盘零件健康状况进行监测；

工作模式二

步骤21：重复步骤11-13，若潜在异常数据不属于整体分析的范围，主控模块无法判断线控底盘是否存在异常，则通过通信模块上传潜在异常数据至云数据终端；

步骤22：云数据分析模块根据云数据存储模块中的线控底盘零件运行数据，判断潜在异常数据是否属于故障案例范围，并计算潜在异常数据与云数据存储模块中的线控底盘零件运行数据的偏差；若属于故障案例范围且偏差未超过设定的预警阈值，则标记为故障数据，并发送至车辆装置；

步骤23若偏差超过设定的预警阈值或不属于故障案例范围，则通过云通信模块将潜在异常数据发送给远程工程师终端，远程工程师终端对潜在异常数据进行人工故障诊断，并将人工故障诊断结果发送至云数据分析模块；

步骤24：云数据分析模块将人工故障诊断结果进行分类，经过强化学习处理，存储为故障案例并更新云数据存储模块；云数据终端将人工故障诊断结果发送至车辆装置。

6.根据权利要求5所述的云-端融合的智能线控底盘健康监测方法，其特征在于，所述步骤13中的预测评估方法为：分析正常零件寿命曲线，提取特征轨迹，再以提取的特征轨迹和实时采集的各零件参数对各零件的寿命曲线进行拟合，预测各零件的剩余使用寿命。

7.根据权利要求5所述的云-端融合的智能线控底盘健康监测方法，其特征在于，所述步骤13中的整体分析方法包括：单属性参数异常分析和多属性参数异常分析；

单属性参数异常分析：

1311)电机温度异常：预设轮毂电机、转向电机和制动电机正常工作时温度最大值分别为t'、t”和t”'，轮毂电机、转向电机和制动电机正常工作应满足以下关系：

t₁＜t′

t₂＜t″

t₃＜t″

否则电机温度异常；

1312)电机耗能异常：预设轮毂电机、转向电机、制动电机正常工作时输出功率与输入功率最小比分别为η₁、η₂、η₃，应满足以下关系：

否则电机能耗异常；

1313)蜗轮蜗杆异常：当蜗轮蜗杆发生故障时，故障激励将导致蜗轮蜗杆产生与常规啮合时不同的振动信号，通过第二振动传感器单元采集蜗轮蜗杆振动信号A₂，并与蜗轮蜗杆常规啮合时的振动信号进行比较判断，若检测信号与正常信号差异超过预设的阈值，则蜗轮蜗杆运作异常；

1314)扭杆和转向拉杆异常：预设扭杆以及转向拉杆的许用拉应力[F]与许用切用力[τ]，应满足：

F＜[F]

τ＜[τ]；

1315)轮胎异常：图像采集器单元采集车轮单元和轮毂电机单元的表面图像信号，并与正常情况下的表面图像信号进行对比处理，判断车辆轮胎是否存在局部磨损过度或变形；

多属性参数异常分析：

多属性参数异常分析采用K-means聚类分析法，聚类分析结果为三类：第一类，电机故障；第二类，转向齿轮故障；第三类，扭杆或转向拉杆故障；具体实施步骤为：

1321)提取需要处理的数据；

1322)确定K值；

1323)选取K个质心；

1324)计算各个不同时间状况下的检测参数与K个质心的距离，归类并生成K个新集合；

1325)计算新集合的质心；

1326)判断新集合的质心是否满足要求，并在满足要求条件下结束算法；

1327)在不满足要求时，迭代1324)到1326)；

1328)比较判断。

8.根据权利要求7所述的云-端融合的智能线控底盘健康监测方法，其特征在于，所述步骤1321)中提取需要处理的数据具体表现为：

且

i≠j，X为提取的数据集合，具体表现为n×m矩阵，n代表不同时间的零件状况数，m代表检测模块检测参数的个数；C_i代表簇，表示不同时间状况下的零件检测参数集合。

9.根据权利要求7所述的云-端融合的智能线控底盘健康监测方法，其特征在于，所述1322)确定K值具体表现为：以最终分类的类别数确定K值，K代表最终分类的类别数，最终分析结果表现为三类，K值为3。

Images