CN113002555B - 一种数字孪生驱动的智能线控底盘系统及其故障诊断方法 - Google Patents

Abstract

本发明公开了一种数字孪生驱动的智能线控底盘系统及其故障诊断方法，包括：线控底盘装置，线控底盘数字孪生系统和云平台；所述云平台分别与线控底盘装置和线控底盘数字孪生系统通过通信网络方式数据连接；所述线控底盘装置包括：线控转向系统、线控制动系统及线控驱动系统；三者根据控制指令完成相应的转向、制动和驱动动作；本发明通过数字孪生技术生成线控底盘装置的数字孪生系统，利用数据驱动的方法，使数字孪生系统与线控底盘物理实体运行一致，实现了线控底盘装置和数字孪生系统的数据的实时交互。

Description

一种数字孪生驱动的智能线控底盘系统及其故障诊断方法

技术领域

本发明属于线控底盘故障诊断技术领域，具体指代一种数字孪生驱动的智能线控底盘系统及其故障诊断方法。

背景技术

如今，随着汽车智能化、电动化的发展，线控技术受到广泛青睐。与传统底盘采用机械和液压系统控制，线控底盘技术具有操纵精度高等优势，但线控底盘主要通过电池、电机、传感器、控制器、电线等电气部件对车辆进行控制，一旦电能不足或电气部件出现故障，线控底盘系统的可控性将大大降低甚至出现系统失控的情况，出现严重的安全隐患，而且汽车行驶环境复杂，影响线控底盘系统安全的因素繁多且复杂。因此，保障线控底盘的安全性，对线控底盘的故障及时预测和诊断尤为重要。

线控底盘故障诊断和预警的现有技术主要包括零部件冗余和传感器实时监控。中国实用新型专利申请号为CN201820257676.2，专利名称为“用于车辆部件的基于云的实时预测性维护的设备及系统”中提出了通过传感器获得对应部件的寿命决定因素，将其传输至云计算中心，当云计算中心确定部件中的任意值接近某寿命终点，则发出警告，实现对车辆部件寿命进行预测性维护。该专利未考虑传感器故障导致监测不准确的状况和非寿命决定因素对车辆部件寿命的影响，存在预测结果区分度、精确性不足的缺点。零部件冗余虽然在一定程度上保证了线控底盘系统的安全性，但同时也增加了线控底盘系统结构的复杂程度和生产成本。

数字孪生技术的发展为解决线控底盘安全问题提供了新思路，数字孪生技术在数字空间创建物理实体对象的仿真数字模型，通过实体对象的实时监测信息动态地更新数字模型，通过实体与数字孪生模型的数据交互完成故障的预测、评估和诊断。

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数字孪生驱动的智能线控底盘系统及其故障诊断方法，以解决现有技术中难以通过传感器实时信息对车辆线控底盘故障进行精确诊断以及零部件冗余设计的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种数字孪生驱动的智能线控底盘系统，包括：线控底盘装置，线控底盘数字孪生系统和云平台；所述云平台分别与线控底盘装置和线控底盘数字孪生系统通过通信网络方式数据连接；

所述线控底盘装置包括：线控转向系统、线控制动系统及线控驱动系统；三者均采用断机械连接的形式，根据控制指令直接完成相应的转向、制动和驱动动作；

所述线控底盘数字孪生系统，用于构建线控底盘装置的三维物理模型，并生成线控底盘装置的数据映射；其包括：与线控底盘装置对应的线控转向系统物理模型、线控制动系统物理模型、线控驱动系统物理模型及线控底盘数字孪生数据库；

所述云平台包含：存储库、计算分析系统；

所述存储库用于对线控底盘装置和线控底盘数字孪生系统的数据进行存储；计算分析系统用于获得并分析线控底盘装置及线控底盘数字孪生系统的状态，实时更新线控底盘数字孪生系统的数据，并采用深度学习方法建立线控底盘故障数据库。

进一步地，所述线控转向系统物理模型、线控制动系统物理模型、线控驱动系统物理模型分别为线控底盘装置中线控转向系统、线控制动系统和线控驱动系统的拟合模型；所述线控底盘数字孪生数据库包括：孪生底盘几何数据库、孪生底盘属性数据库、孪生底盘动态数据库、孪生底盘仿真数据库、孪生底盘算法数据库、标准数据库、历史关联数据库。

进一步地，所述孪生底盘几何数据库包括：线控转向系统物理模型、线控制动系统物理模型和线控驱动系统物理模型中各构件的形状、尺寸及装配关系数据；

所述孪生底盘属性数据库包括：线控转向系统物理模型、线控制动系统物理模型和线控驱动系统物理模型中的动力学参数和耦合特征数据；动力学参数包括力、扭矩、位移、速度、加速度；耦合特征数据包括线控转向系统、线控制动系统和线控驱动系统中两个及两个以上系统之间产生耦合的动力学参数；

所述孪生底盘动态数据库包括：性能退化数据、交通环境参数；所述性能退化数据包括基于有限元分析方法得到的齿轮齿条转向器和制动减速器的疲劳数据与强度数据、各电机永磁体损耗数据，以及基于数学统计方法得到的各电机轴承磨损和退化数据；所述交通环境参数为线控底盘数字孪生系统在各个工况下运行时的采集的各类实时参数，包括交通信号灯信息、车道线信息、车流量信息、交通指示牌信息；

所述孪生底盘仿真数据库包括：线控底盘数字孪生系统运行过程中的分析数据、扰动数据；分析数据为线控底盘数字孪生系统运行仿真产生的结果数据，包括但不限于方向盘、车轮、各电机、制动和加速踏板的相关参数；扰动数据包括传感器采集过程中的噪声；

所述孪生底盘算法数据库包括：线控底盘数字孪生系统建立和仿真分析过程涉及的各类算法数据；用于根据实际车辆线控底盘装置的转向、制动、驱动操作动作，实现线控底盘数字孪生系统中对应虚拟工况的设置；

所述标准数据包括：线控底盘生产标准数据、线控底盘行业标准数据；用于判断线控底盘数字孪生数据库内的数据是否满足相关标准，若不满足则向云平台发送警报；

所述历史关联数据库包括：线控底盘数字孪生系统的全部历史运行数据，并定期上传至云平台。

进一步地，所述孪生底盘几何数据库和孪生底盘属性数据库中数据从线控转向系统物理模型、线控制动系统物理模型、线控驱动系统物理模型中直接获得；所述孪生底盘动态数据库、孪生底盘仿真数据库和历史关联数据库中的数据在线控底盘数字孪生系统实时运行时产生并自动存储；所述孪生底盘算法数据库和标准数据库中数据为预先存储的离线数据。

进一步地，所述线控底盘故障数据库包括：几何故障数据库、属性故障数据库、动态故障数据库。

进一步地，所述存储库中的数据包括：线控底盘数字孪生数据库、线控底盘装置几何数据库和动态运行数据库；所述线控底盘装置几何数据库包括线控底盘装置中各构件的材料、性能、尺寸和装配关系数据；所述动态运行数据库包括线控底盘装置运行时传感器采集的实时数据。

本发明的一种数字孪生驱动的智能线控底盘系统的故障诊断方法，基于上述系统，包含以下步骤：

1)根据线控底盘装置的设计参数，对应设置线控底盘数字孪生系统初始参数，构建线控底盘数字孪生系统初始物理模型；采用数据驱动方法对初始物理模型进行迭代，对线控底盘数字孪生系统进行校正，并将相关离线数据存储于线控底盘数字孪生数据库中；

2)将装载线控底盘装置的车辆放置在真实环境中驾驶，采集线控底盘装置实时传感器数据，并将实时传感器数据参数化后传输至云平台；

3)云平台将实时传感器数据传输给线控底盘数字孪生系统，并更新孪生底盘动态数据库中的交通环境参数，根据实时传感器数据和交通环境参数调用孪生底盘算法数据库，在线控底盘数字孪生系统中，同步搭建与线控底盘装置在真实环境中相同的转向、制动、驱动及复合驾驶工况；

4)在线控底盘数字孪生系统中执行与线控底盘装置相同的仿真驾驶操作，采集线控底盘数字孪生系统中与线控底盘装置实时传感器数据对应的实时仿真数据，并计算线控底盘装置中无法通过传感器获取的动力学实时仿真数据，将上述动力学实时仿真数据参数化后传输至云平台；

5)云平台对线控底盘装置的实时传感器数据和线控底盘数字孪生系统的动力学实时仿真数据进行数据滤波处理；对滤波后的数据结合孪生底盘几何数据库、孪生底盘属性数据库、标准数据库进行数据比对，并计算滤波后的数据与线控底盘在无故障时各数据的偏差，将偏差与预设的云平台故障阈值和潜在故障阈值进行对比；若超过故障阈值则云平台发出报警信号，并向线控底盘装置发送紧急控制指令，控制线控转向、线控制动和线控驱动系统工作；若超过潜在故障阈值则云平台发送提示信号，继续重复步骤5)；否则判断线控底盘装置当前无故障；

6)线控底盘装置运行时，通过重复步骤2)-5)实现线控底盘装置与线控底盘数字孪生系统同步交互，对线控底盘进行实时故障诊断，同时云平台的计算分析数据对孪生底盘动态数据库、孪生底盘仿真数据库、历史关联数据库和故障数据库进行实时更新。

进一步地，所述相关离线数据具体为：孪生底盘算法数据库和标准数据库中数据为预先存储的离线数据。

进一步地，所述步骤2)中的实时传感器数据和步骤4)中的实时仿真数据，包括方向盘转角、方向盘转矩、轮速、各电机电流、制动踏板行程、加速踏板行程、制动踏板力、加速踏板力以及传感器无法获取的力、扭矩、位移、速度、加速度参数中的一个或多个数据。

进一步地，所述步骤2)和步骤4)对线控底盘装置实时传感器数据和线控底盘数字孪生系统实时仿真数据进行参数化，状态方程为：

式中，x^*(k)和x^*(k-1)分别为k时刻与k-1时刻线控底盘装置传感器数据，

为k-1时刻线控底盘装置传感器数据的导数，T_s为时间步长；x(k)和x(k-1)分别为k时刻与k-1时刻线控底盘数字孪生系统仿真数据，

为k-1时刻线控底盘数字孪生系统仿真数据的导数；x^*为线控底盘装置传感器数据，Φ和B分别为方向盘转角和转矩，M为轮速，I₁、I₂和I₃分别为路感模拟电机，转向执行电机和制动电机电流；L₁、L₂分别为制动踏板和加速踏板行程，

和

分别为制动踏板和加速踏板力；x为线控底盘数字孪生系统中与线控底盘装置对应的仿真数据，φ和b分别为方向盘转角和转矩，m为轮速，i₁、i₂、i₃分别为路感模拟电机，转向执行电机和制动电机电流，l₁和l₂分别为制动踏板和加速踏板行程，

和

分别为制动踏板和加速踏板力。

进一步地，所述步骤4)中的实时仿真数据包括：传感器数据对应的实时仿真数据和无法通过传感器获取的动力学实时仿真数据。

进一步地，所述步骤5)中数据滤波的具体步骤为：

51)针对线控底盘装置实时传感器数据和线控底盘数字孪生系统实时仿真数据，分别计算内在关联特征方程和测量值方程：

式中，x^* _k为k时刻传感器数据状态量，x^* _k-1为k-1时刻传感器数据状态量，z^* _k为k时刻传感器数据测量值向量，x_k为k时刻的仿真数据状态量，x_k-1为k-1时刻仿真数据状态量，z_k为k时刻仿真数据测量值向量，u_k-1为k-1时刻外界输入的控制向量，W_k-1为k-1时刻的过程噪声，v_k为k时刻的观测噪声；

52)计算实时传感器数据状态和仿真数据状态的预测值：

式中，

分别为传感器数据和仿真数据在k时刻的状态预测，x^* _k|k-1、x_k|k-1分别为传感器数据和仿真数据从k-1时刻利用内在关联特征方程传递到k时刻的预测值；

53)对传感器数据和仿真数据在k时刻状态进行更新：

式中，K为增益系数。

进一步地，所述步骤5)中阈值设置方法为：

54)云平台预先设置无故障数据范围，并设置故障阈值(f₁,f₂)和潜在故障阈值(f₃,f₄)；其中，f₁、f₂分别为故障阈值下限和上限；f₃、f₄分别为潜在故障阈值的下限和上限；

55)设置潜在故障阈值是无故障数据上下限的90％；即小于90％数据处于无故障数据范围，则判断为存在潜在故障；

56)设置故障阈值是无故障数据上下限的85％，即小于85％数据处于无故障数据范围，则判断为存在故障。

本发明的有益效果：

本发明通过数字孪生技术生成线控底盘装置的数字孪生系统，利用数据驱动的方法，使数字孪生系统与线控底盘物理实体运行一致，实现了线控底盘装置和数字孪生系统的数据的实时交互。

本发明可通过参数调整使数字孪生系统在不同的复杂工况下进行多次驾驶模拟，获得更广泛和全面的故障数据，实现了对线控底盘安全威胁因素的充分考虑，保障了故障预测和诊断的全面性。

本发明中云平台结合数字孪生系统和仿真无故障数据设置线控底盘的故障阈值，超过阈值时即向线控底盘装置报警，避免线控底盘故障而引发事故；利用深度学习方法将仿真故障数据进行分类和分析，建立和不断完善故障数据库，以此实现线控底盘装置故障的精确诊断。

附图说明

图1为本发明线控底盘故障诊断系统结构简图；

图2为本发明方法原理图。

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所示，本发明的一种数字孪生驱动的智能线控底盘系统，包括：线控底盘装置，线控底盘数字孪生系统和云平台；所述云平台分别与线控底盘装置和线控底盘数字孪生系统通过通信网络方式数据连接；

所述线控底盘装置包括：线控转向系统、线控制动系统及线控驱动系统；三者均采用断机械连接的形式，根据控制指令直接完成相应的转向、制动和驱动动作；

其中，所述线控转向系统包括：方向盘总成、转向执行总成、转向控制器；

方向盘总成包括：方向盘组件、方向盘转角传感器、方向盘转矩传感器、减速器、路感模拟电机、路感模拟电机电流传感器；方向盘转角传感器和方向盘转矩传感器作用于方向盘组件上，方向盘组件通过减速器与路感模拟电机连接，路感模拟电机电流传感器作用在路感模拟电机上；

转向执行总成包括：齿轮齿条转向器、转向执行电机、减速器、转向执行电机电流传感器；转向执行电机的动力输出端通过减速器与齿轮齿条转向器连接，转向执行电机电流传感器作用于转向执行电机；

转向控制器输入端连接上述各传感器，输出端连接转向执行电机和路感模拟电机；转向控制器接收上述各传感器信号，根据预先设计的路感反馈控制策略和线控转向执行控制策略，分别输出转向执行电机和路感模拟电机的控制信号。

所述线控制动系统包括：制动踏板总成、制动执行总成、制动控制器；

制动踏板总成包括制动踏板、制动踏板行程传感器、制动踏板力传感器、制动踏板力感模拟器；制动踏板行程传感器、力传感器作用于制动踏板上，用于获取驾驶员输入的踏板位移和力信号；制动踏板力感模拟器作用于制动踏板上，用于向驾驶员提供模拟制动感觉；

制动执行总成包括制动电机、制动减速机构、制动器、制动电机电流传感器；制动电机电流传感器作用于制动电机上，制动电机的动力输出端通过制动减速机构与制动器相连；

制动控制器输入端连接制动踏板行程传感器、力传感器，输出端制动电机和制动踏板力感模拟器；制动控制器根据预先设计的制动感觉反馈控制策略和线控制动执行控制策略，分别输出制动电机和制动踏板力感模拟器的控制信号。

所述线控驱动系统包括：加速踏板总成、驱动控制器、车轮、轮毂电机；

加速踏板总成包括加速踏板、加速踏板行程传感器、加速踏板力传感器；加速踏板行程传感器和力感传感器作用于加速踏板上，用于获取驾驶员输入的加速踏板行程和力信号；

轮毂电机包括左前、右前、左后、右后四个相同的轮毂电机，四个轮毂电机分别集成到四个车轮中，用于驱动车轮；四个车轮上还分别布置有轮速传感器；

驱动控制器接收加速踏板行程传感器和力感传感器信号，输出四个轮毂电机的控制信号。

所述线控底盘数字孪生系统，用于构建线控底盘装置的三维物理模型，并生成线控底盘装置的数据映射；其包括：与线控底盘装置对应的线控转向系统物理模型、线控制动系统物理模型、线控驱动系统物理模型及线控底盘数字孪生数据库；

所述线控转向系统物理模型、线控制动系统物理模型、线控驱动系统物理模型分别为线控底盘装置中线控转向系统、线控制动系统和线控驱动系统的拟合模型；所述线控底盘数字孪生数据库包括：孪生底盘几何数据库、孪生底盘属性数据库、孪生底盘动态数据库、孪生底盘仿真数据库、孪生底盘算法数据库、标准数据库、历史关联数据库。

所述孪生底盘几何数据库包括：线控转向系统物理模型、线控制动系统物理模型和线控驱动系统物理模型中各构件的形状、尺寸及装配关系数据；

所述孪生底盘属性数据库包括：线控转向系统物理模型、线控制动系统物理模型和线控驱动系统物理模型中的动力学参数和耦合特征数据；动力学参数包括力、扭矩、位移、速度、加速度；耦合特征数据包括线控转向系统、线控制动系统和线控驱动系统中两个及两个以上系统之间产生耦合的动力学参数；

所述孪生底盘动态数据库包括：性能退化数据、交通环境参数；所述性能退化数据包括基于有限元分析方法得到的齿轮齿条转向器和制动减速器的疲劳数据与强度数据、各电机永磁体损耗数据，以及基于数学统计方法得到的各电机轴承磨损和退化数据；所述交通环境参数为线控底盘数字孪生系统在各个工况下运行时的采集的各类实时参数，包括交通信号灯信息、车道线信息、车流量信息、交通指示牌信息；

所述孪生底盘仿真数据库包括：线控底盘数字孪生系统运行过程中的分析数据、扰动数据；分析数据为线控底盘数字孪生系统运行仿真产生的结果数据，包括但不限于方向盘、车轮、各电机、制动和加速踏板的相关参数；扰动数据包括传感器采集过程中的噪声；

所述孪生底盘算法数据库包括：线控底盘数字孪生系统建立和仿真分析过程涉及的各类算法数据；用于根据实际车辆线控底盘装置的转向、制动、驱动操作动作，实现线控底盘数字孪生系统中对应虚拟工况的设置；

所述标准数据包括：线控底盘生产标准数据、线控底盘行业标准数据；用于判断线控底盘数字孪生数据库内的数据是否满足相关标准，若不满足则向云平台发送警报；

所述历史关联数据库包括：线控底盘数字孪生系统的全部历史运行数据，并定期上传至云平台。

所述孪生底盘几何数据库和孪生底盘属性数据库中数据从线控转向系统物理模型、线控制动系统物理模型、线控驱动系统物理模型中直接获得；所述孪生底盘动态数据库、孪生底盘仿真数据库和历史关联数据库中的数据在线控底盘数字孪生系统实时运行时产生并自动存储；所述孪生底盘算法数据库和标准数据库中数据为预先存储的离线数据。

所述线控底盘故障数据库包括：几何故障数据库、属性故障数据库、动态故障数据库。

所述云平台包含：存储库、计算分析系统；

所述存储库用于对线控底盘装置和线控底盘数字孪生系统的数据进行存储；计算分析系统用于获得并分析线控底盘装置及线控底盘数字孪生系统的状态，实时更新线控底盘数字孪生系统的数据，并采用深度学习方法建立线控底盘故障数据库；

所述存储库中的数据包括：线控底盘数字孪生数据库、线控底盘装置几何数据库和动态运行数据库；所述线控底盘装置几何数据库包括线控底盘装置中各构件的材料、性能、尺寸和装配关系数据；所述动态运行数据库包括线控底盘装置运行时传感器采集的实时数据。

参照图2所示，本发明的一种数字孪生驱动的智能线控底盘系统的故障诊断方法，基于上述系统，包含以下步骤：

1)根据线控底盘装置的设计参数，对应设置线控底盘数字孪生系统初始参数，构建线控底盘数字孪生系统初始物理模型；采用数据驱动方法对初始物理模型进行迭代，对线控底盘数字孪生系统进行校正，并将相关离线数据存储于线控底盘数字孪生数据库中；

所述相关离线数据具体为：孪生底盘算法数据库和标准数据库中数据为预先存储的离线数据。

其中，线控底盘装置的设计参数包括线控转向系统、线控制动系统及线控驱动系统中各机械构件的设计参数，包括但不限于尺寸、装配关系、约束关系、公差、材料属性等；初始物理模型采用CAE\CAD方法构建，数据驱动方法是采用深度学习方案，根据线控底盘装置设计参数的历史数据对初始物理模型进行迭代；

2)将装载线控底盘装置的车辆放置在真实环境中驾驶，采集线控底盘装置实时传感器数据，并将实时传感器数据参数化后传输至云平台；

3)云平台将实时传感器数据传输给线控底盘数字孪生系统，并更新孪生底盘动态数据库中的交通环境参数，根据实时传感器数据和交通环境参数调用孪生底盘算法数据库，在线控底盘数字孪生系统中，同步搭建与线控底盘装置在真实环境中相同的转向、制动、驱动及复合驾驶工况；

4)在线控底盘数字孪生系统中执行与线控底盘装置相同的仿真驾驶操作，采集线控底盘数字孪生系统中与线控底盘装置实时传感器数据对应的实时仿真数据，并计算线控底盘装置中无法通过传感器获取的动力学实时仿真数据，将上述动力学实时仿真数据参数化后传输至云平台；

所述步骤2)中的实时传感器数据和步骤4)中的实时仿真数据，包括方向盘转角、方向盘转矩、轮速、各电机电流、制动踏板行程、加速踏板行程、制动踏板力、加速踏板力以及传感器无法获取的力、扭矩、位移、速度、加速度参数中的一个或多个数据。

5)云平台对线控底盘装置的实时传感器数据和线控底盘数字孪生系统的动力学实时仿真数据进行数据滤波处理；对滤波后的数据结合孪生底盘几何数据库、孪生底盘属性数据库、标准数据库进行数据比对，并计算滤波后的数据与线控底盘在无故障时各数据的偏差，将偏差与预设的云平台故障阈值和潜在故障阈值进行对比；若超过故障阈值则云平台发出报警信号，并向线控底盘装置发送紧急控制指令，控制线控转向、线控制动和线控驱动系统工作；若超过潜在故障阈值则云平台发送提示信号，继续重复步骤5)；否则判断线控底盘装置当前无故障；

6)线控底盘装置运行时，通过重复步骤2)-5)实现线控底盘装置与线控底盘数字孪生系统同步交互，对线控底盘进行实时故障诊断，同时云平台的计算分析数据对孪生底盘动态数据库、孪生底盘仿真数据库、历史关联数据库和故障数据库进行实时更新。

其中，所述步骤2)和步骤4)对线控底盘装置实时传感器数据和线控底盘数字孪生系统实时仿真数据进行参数化，状态方程为：

式中，x^*(k)和x^*(k-1)分别为k时刻与k-1时刻线控底盘装置传感器数据，

为k-1时刻线控底盘装置传感器数据的导数，T_s为时间步长；x(k)和x(k-1)分别为k时刻与k-1时刻线控底盘数字孪生系统仿真数据，

为k-1时刻线控底盘数字孪生系统仿真数据的导数；x^*为线控底盘装置传感器数据，Φ和B分别为方向盘转角和转矩，M为轮速，I₁、I₂和I₃分别为路感模拟电机，转向执行电机和制动电机电流；L₁、L₂分别为制动踏板和加速踏板行程，

和

分别为制动踏板和加速踏板力；x为线控底盘数字孪生系统中与线控底盘装置对应的仿真数据，φ和b分别为方向盘转角和转矩，m为轮速，i₁、i₂、i₃分别为路感模拟电机，转向执行电机和制动电机电流，l₁和l₂分别为制动踏板和加速踏板行程，

和

分别为制动踏板和加速踏板力。

此外，所述步骤4)中的实时仿真数据包括：传感器数据对应的实时仿真数据和无法通过传感器获取的动力学实时仿真数据。

所述步骤5)中数据滤波的具体步骤为：

51)针对线控底盘装置实时传感器数据和线控底盘数字孪生系统实时仿真数据，分别计算内在关联特征方程和测量值方程：

式中，x^* _k为k时刻传感器数据状态量，x^* _k-1为k-1时刻传感器数据状态量，z^* _k为k时刻传感器数据测量值向量，x_k为k时刻的仿真数据状态量，x_k-1为k-1时刻仿真数据状态量，z_k为k时刻仿真数据测量值向量，u_k-1为k-1时刻外界输入的控制向量，W_k-1为k-1时刻的过程噪声，v_k为k时刻的观测噪声；

52)计算实时传感器数据状态和仿真数据状态的预测值：

式中，

分别为传感器数据和仿真数据在k时刻的状态预测，x^* _k|k-1、x_k|k-1分别为传感器数据和仿真数据从k-1时刻利用内在关联特征方程传递到k时刻的预测值；

53)对传感器数据和仿真数据在k时刻状态进行更新：

式中，K为增益系数。

所述步骤5)中阈值设置方法为：

54)云平台预先设置无故障数据范围，并设置故障阈值(f₁,f₂)和潜在故障阈值(f₃,f₄)；其中，f₁、f₂分别为故障阈值下限和上限；f₃、f₄分别为潜在故障阈值的下限和上限；

55)设置潜在故障阈值是无故障数据上下限的90％；即小于90％数据处于无故障数据范围，则判断为存在潜在故障；

56)设置故障阈值是无故障数据上下限的85％，即小于85％数据处于无故障数据范围，则判断为存在故障。

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 (8)

1.一种数字孪生驱动的智能线控底盘系统，其特征在于，包括：线控底盘装置，线控底盘数字孪生系统和云平台；所述云平台分别与线控底盘装置和线控底盘数字孪生系统通过通信网络方式数据连接；

所述线控底盘装置包括：线控转向系统、线控制动系统及线控驱动系统；三者根据控制指令完成相应的转向、制动和驱动动作；

所述线控底盘数字孪生系统，用于构建线控底盘装置的三维物理模型，并生成线控底盘装置的数据映射；其包括：与线控底盘装置对应的线控转向系统物理模型、线控制动系统物理模型、线控驱动系统物理模型及线控底盘数字孪生数据库；

所述云平台包含：存储库、计算分析系统；

所述存储库用于对线控底盘装置和线控底盘数字孪生系统的数据进行存储；计算分析系统用于获得并分析线控底盘装置及线控底盘数字孪生系统的状态，实时更新线控底盘数字孪生系统的数据，并采用深度学习方法建立线控底盘故障数据库；

所述线控转向系统物理模型、线控制动系统物理模型、线控驱动系统物理模型分别为线控底盘装置中线控转向系统、线控制动系统和线控驱动系统的拟合模型；所述线控底盘数字孪生数据库包括：孪生底盘几何数据库、孪生底盘属性数据库、孪生底盘动态数据库、孪生底盘仿真数据库、孪生底盘算法数据库、标准数据库、历史关联数据库；

所述孪生底盘几何数据库包括：线控转向系统物理模型、线控制动系统物理模型和线控驱动系统物理模型中各构件的形状、尺寸及装配关系数据；

所述孪生底盘属性数据库包括：线控转向系统物理模型、线控制动系统物理模型和线控驱动系统物理模型中的动力学参数和耦合特征数据；动力学参数包括力、扭矩、位移、速度、加速度；耦合特征数据包括线控转向系统、线控制动系统和线控驱动系统中两个及两个以上系统之间产生耦合的动力学参数；

所述孪生底盘动态数据库包括：性能退化数据、交通环境参数；所述性能退化数据包括基于有限元分析方法得到的齿轮齿条转向器和制动减速器的疲劳数据与强度数据、各电机永磁体损耗数据，以及基于数学统计方法得到的各电机轴承磨损和退化数据；所述交通环境参数为线控底盘数字孪生系统在各个工况下运行时的采集的各类实时参数，包括交通信号灯信息、车道线信息、车流量信息、交通指示牌信息；

所述孪生底盘仿真数据库包括：线控底盘数字孪生系统运行过程中的分析数据、扰动数据；分析数据为线控底盘数字孪生系统运行仿真产生的结果数据，包括但不限于方向盘、车轮、各电机、制动和加速踏板的相关参数；扰动数据包括传感器采集过程中的噪声；

所述孪生底盘算法数据库包括：线控底盘数字孪生系统建立和仿真分析过程涉及的各类算法数据；用于根据实际车辆线控底盘装置的转向、制动、驱动操作动作，实现线控底盘数字孪生系统中对应虚拟工况的设置；

所述标准数据包括：线控底盘生产标准数据、线控底盘行业标准数据；用于判断线控底盘数字孪生数据库内的数据是否满足相关标准，若不满足则向云平台发送警报；

所述历史关联数据库包括：线控底盘数字孪生系统的全部历史运行数据，并定期上传至云平台。

2.根据权利要求1所述的数字孪生驱动的智能线控底盘系统，其特征在于，所述孪生底盘几何数据库和孪生底盘属性数据库中数据从线控转向系统物理模型、线控制动系统物理模型、线控驱动系统物理模型中直接获得；所述孪生底盘动态数据库、孪生底盘仿真数据库和历史关联数据库中的数据在线控底盘数字孪生系统实时运行时产生并自动存储；所述孪生底盘算法数据库和标准数据库中数据为预先存储的离线数据。

3.根据权利要求1所述的数字孪生驱动的智能线控底盘系统，其特征在于，所述存储库中的数据包括：线控底盘数字孪生数据库、线控底盘装置几何数据库和动态运行数据库；所述线控底盘装置几何数据库包括线控底盘装置中各构件的材料、性能、尺寸和装配关系数据；所述动态运行数据库包括线控底盘装置运行时传感器采集的实时数据。

4.一种数字孪生驱动的智能线控底盘系统的故障诊断方法，基于权利要求1-3中任意一项所述系统，其特征在于，包含以下步骤：

1)根据线控底盘装置的设计参数，对应设置线控底盘数字孪生系统初始参数，构建线控底盘数字孪生系统初始物理模型；对初始物理模型进行迭代，对线控底盘数字孪生系统进行校正，并将相关离线数据存储于线控底盘数字孪生数据库中；

2)将装载线控底盘装置的车辆放置在真实环境中驾驶，采集线控底盘装置实时传感器数据，并将实时传感器数据参数化后传输至云平台；

3)云平台将实时传感器数据传输给线控底盘数字孪生系统，并更新孪生底盘动态数据库中的交通环境参数，根据实时传感器数据和交通环境参数调用孪生底盘算法数据库，在线控底盘数字孪生系统中，同步搭建与线控底盘装置在真实环境中相同的转向、制动、驱动及复合驾驶工况；

4)在线控底盘数字孪生系统中执行与线控底盘装置相同的仿真驾驶操作，采集线控底盘数字孪生系统中与线控底盘装置实时传感器数据对应的实时仿真数据，并计算线控底盘装置中无法通过传感器获取的动力学实时仿真数据，将上述动力学实时仿真数据参数化后传输至云平台；

5)云平台对线控底盘装置的实时传感器数据和线控底盘数字孪生系统的动力学实时仿真数据进行数据滤波处理；对滤波后的数据结合孪生底盘几何数据库、孪生底盘属性数据库、标准数据库进行数据比对，并计算滤波后的数据与线控底盘在无故障时各数据的偏差，将偏差与预设的云平台故障阈值和潜在故障阈值进行对比；若超过故障阈值则云平台发出报警信号，并向线控底盘装置发送紧急控制指令，控制线控转向、线控制动和线控驱动系统工作；若超过潜在故障阈值则云平台发送提示信号，继续重复步骤5)；否则判断线控底盘装置当前无故障；

6)线控底盘装置运行时，通过重复步骤2)-5)实现线控底盘装置与线控底盘数字孪生系统同步交互，对线控底盘进行实时故障诊断，同时云平台的计算分析数据对孪生底盘动态数据库、孪生底盘仿真数据库、历史关联数据库和故障数据库进行实时更新。

5.根据权利要求4所述的数字孪生驱动的智能线控底盘系统的故障诊断方法，其特征在于，所述步骤2)中的实时传感器数据和步骤4)中的实时仿真数据，包括方向盘转角、方向盘转矩、轮速、各电机电流、制动踏板行程、加速踏板行程、制动踏板力、加速踏板力以及传感器无法获取的力、扭矩、位移、速度、加速度参数中的一个或多个数据。

6.根据权利要求4所述的数字孪生驱动的智能线控底盘系统的故障诊断方法，其特征在于，所述步骤2)和步骤4)对线控底盘装置实时传感器数据和线控底盘数字孪生系统实时仿真数据进行参数化，状态方程为：

式中，x^*(k)和x^*(k-1)分别为k时刻与k-1时刻线控底盘装置传感器数据，

为k-1时刻线控底盘装置传感器数据的导数，T_s为时间步长；x(k)和x(k-1)分别为k时刻与k-1时刻线控底盘数字孪生系统仿真数据，

为k-1时刻线控底盘数字孪生系统仿真数据的导数；x^*为线控底盘装置传感器数据，Φ和B分别为方向盘转角和转矩，M为轮速，I₁、I₂和I₃分别为路感模拟电机，转向执行电机和制动电机电流；L₁、L₂分别为制动踏板和加速踏板行程，

和

分别为制动踏板和加速踏板力；x为线控底盘数字孪生系统中与线控底盘装置对应的仿真数据，φ和b分别为方向盘转角和转矩，m为轮速，i₁、i₂、i₃分别为路感模拟电机，转向执行电机和制动电机电流，l₁和l₂分别为制动踏板和加速踏板行程，

和

分别为制动踏板和加速踏板力。

7.根据权利要求4所述的数字孪生驱动的智能线控底盘系统的故障诊断方法，其特征在于，所述步骤5)中数据滤波的具体步骤为：

51)针对线控底盘装置实时传感器数据和线控底盘数字孪生系统实时仿真数据，分别计算内在关联特征方程和测量值方程：

式中，x^* _k为k时刻传感器数据状态量，x^* _k-1为k-1时刻传感器数据状态量，z^* _k为k时刻传感器数据测量值向量，x_k为k时刻的仿真数据状态量，x_k-1为k-1时刻仿真数据状态量，z_k为k时刻仿真数据测量值向量，u_k-1为k-1时刻外界输入的控制向量，W_k-1为k-1时刻的过程噪声，v_k为k时刻的观测噪声；

52)计算实时传感器数据状态和仿真数据状态的预测值：

式中，

分别为传感器数据和仿真数据在k时刻的状态预测，x^* _k|k-1、x_k|k-1分别为传感器数据和仿真数据从k-1时刻利用内在关联特征方程传递到k时刻的预测值；

53)对传感器数据和仿真数据在k时刻状态进行更新：

式中，K为增益系数。

8.根据权利要求4所述的数字孪生驱动的智能线控底盘系统的故障诊断方法，其特征在于，所述步骤5)中阈值设置方法为：

54)云平台预先设置无故障数据范围，并设置故障阈值(f₁,f₂)和潜在故障阈值(f₃,f₄)；其中，f₁、f₂分别为故障阈值下限和上限；f₃、f₄分别为潜在故障阈值的下限和上限；

55)设置潜在故障阈值是无故障数据上下限的90％；即小于90％数据处于无故障数据范围，则判断为存在潜在故障；

56)设置故障阈值是无故障数据上下限的85％，即小于85％数据处于无故障数据范围，则判断为存在故障。

Images