CN113119937A - 基于数字孪生的智能线控制动系统及其预测控制方法 - Google Patents

Abstract

本发明公开了一种基于数字孪生的智能线控制动系统及其预测控制方法，包括：智能线控制动系统、数字孪生云存储计算平台和终端交互系统；所述智能线控制动系统包括：实时制动响应采集模块、控制参数驱动模块、线控制动模块；所述数字孪生云存储计算平台包括：数字孪生虚拟模型模块、虚拟制动计算模块、生命周期演算模块、工作极限演算模块、控制参数数据库、数据处理模块；所述终端交互系统接收数字孪生云存储计算平台发送的信息数据，通过可视化处理后反馈给用户。本发明通过虚拟系统实现对智能线控制动系统的剩余健康寿命、极限工作范围等进行演算反馈，提升制动系统全生命周期的工作可靠度和安全性。

Description

基于数字孪生的智能线控制动系统及其预测控制方法

技术领域

本发明属于汽车线控制动系统技术领域，具体指代一种基于数字孪生的智能线控制动系统及其预测控制方法。

背景技术

电子液压式线控制动系统是从传统的液压制动系统发展来，以电子元件替代了原有的部分机械元件，并将电子系统和液压系统相结合，是机电液一体化的高性能系统，其作为线控底盘的核心组成部分，直接影响到线控底盘以及智能汽车的可靠度、安全性等。

盘式制动器主要由制动盘、分泵、制动钳、油管等组成，构造简单，具有散热快、重量轻、调整方便、高负载时耐高温性能好，制动效果稳定，而且不怕泥水侵袭，可以在冬季低温和恶劣路况下行车。传统车辆的盘式制动器有平面式制动盘、打孔式制动盘以及划线式制动盘等类型，其能够满足被动散热过程的性能要求。但在新型电子液压线控制动系统中，仅仅通过被动散热的方式的进行制动系统热管理，难以满足全线控底盘对全生命周期动态健康管理的需求。而被动散热的方式，异常状态只有在制动系统发生问题后才能被发现，导致制动器热量回传给制动液引起气阻等现象，使得制动失效。因此传统制动系统，不能满足智能汽车对精细化和主动安全性的高标准要求，亟待出现可以实时管理检测制动散热系统的有效方法。

数字孪生技术以数字化的方式建立物理实体的多维度、多时空尺度、多学科、多物理量、多概率的数字化实体(动态虚拟模型)来仿真和刻画物理实体在真实环境中的属性、行为和规则等特性，在数字化空间(虚拟空间)中完成映射，从而反映相对应的物理实体的全生命周期过程的技术，是解决智能制造信息物理融合难题的有效方法，已在诸多工业化领域成功落地应用。但目前数字孪生技术在汽车线控制动领域的应用尚无公开报道，其在制动系统的健康预测、全生命周期管理和主动预测控制等方面具有很大的潜力。

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基于数字孪生的智能线控制动系统及其预测控制方法，以解决现有技术中线控制动系统的控制方法不主动，不能提前发现和预警潜在危险、无法在极限工况下精准仿真的问题。本发明通过搭建与物理智能线控制动系统完全一致的数字孪生云端虚拟系统模型，通过虚拟系统实现对智能线控制动系统的剩余健康寿命、极限工作范围等进行演算反馈，提升制动系统全生命周期的工作可靠度和安全性。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于数字孪生的智能线控制动系统，包括：智能线控制动系统、数字孪生云存储计算平台和终端交互系统；

所述智能线控制动系统包括：实时制动响应采集模块、控制参数驱动模块、线控制动模块；实时制动响应采集模块和控制参数驱动模块并联在车辆总线内，二者均通过网络与数字孪生云存储计算平台进行数据交互，接收来自数字孪生云存储计算平台的控制指令并完成相应的响应；线控制动模块和控制参数驱动模块通过控制管路连接，线控制动模块接收来自控制参数驱动模块的指令进行制动操作，并对控制结果进行反馈；

所述数字孪生云存储计算平台包括：数字孪生虚拟模型模块、虚拟制动计算模块、生命周期演算模块、工作极限演算模块、控制参数数据库、数据处理模块；所述数字孪生虚拟模型模块为数字孪生虚拟模型的创建提供数字空间，并提供与实际工作环境相匹配的仿真工作环境；生命周期演算模块和工作极限演算模块接收来自数字孪生虚拟模型模块的运行数据，并分别创建独立的运算空间进行数据计算，将计算得到的预警信号传输给数据处理模块，以及通过车联网传输预警信号给终端交互系统；虚拟制动计算模块接收来自数字孪生虚拟模型模块的运行数据进行仿真现实系统的运行，然后将虚拟运行数据传输给数据处理模块；数据处理模块接收虚拟制动计算模块的虚拟运行数据和智能线控制动系统的真实运行数据，并将处理后的控制信号发送给智能线控制动系统，及发送控制信号反馈至终端交互系统；数据处理模块基于数据组的传输形式将各控制指令和真实运行数据发送到控制参数数据库进行存储；

所述终端交互系统接收数字孪生云存储计算平台发送的信息数据，通过可视化处理后反馈给用户。

进一步地，所述实时制动响应采集模块用于实时对线控制动模块的响应初始条件和响应结果进行数据采集和传输，其包括：传感器集合子模块和数据传输子模块；传感器集合子模块并联各个传感器，所述传感器包括但不限于加速度传感器、制动距离传感器、速度传感器、湿度传感器、温度传感器、电子踏板位移传感器、轮缸压力传感器，收集各响应初始数值、影响因子和响应结果；数据传输子模块通过网络与所述数据处理模块连接，将每一次传感器集合子模块采集的数据传输给数据处理模块。

进一步地，所述控制参数驱动模块用于实时对线控制动模块的控制器的控制参数设置进行数据采集，其包括：控制中枢模块和数据传输子模块；控制中枢模块控制线控制动模块中的控制器，并接收控制器发送的执行反馈数据，所述控制器包括但不限于电子控制单元、高压液压控制器、管路油压控制器、制动响应控制器、抗扰动控制器；数据传输子模块通过网络与所述数据处理模块相连，并将每一次控制中枢模块采集的数据传输给数据处理模块，以及将数据处理模块的控制信号传输给控制中枢模块，进行对应的控制响应。

进一步地，所述线控制动模块用于执行制动指令，包括但不限于储油杯、高压蓄能器、单向阀、溢流阀、盘式刹车片、制动轮缸、增压阀、电子踏板、电子控制单元、液压执行机构。

进一步地，所述数字孪生虚拟模型模块采用CAD画图法、CAE近似数值分析法和有限元法将智能线控制动系统中各部件进行数字化，并将各数字化部件在仿真工作环境中组装成数字孪生虚拟模型。

进一步地，所述数字孪生虚拟模型模块的运行数据包括：结构数据及环境参数数据，所述结构数据包括尺寸、结构、系统制动传递函数，所述环境参数数据包括空气湿度、温度（用于虚拟制动计算模块计算附着系数）。

进一步地，所述虚拟制动计算模块接收来自数字孪生虚拟模型模块的运行数据，根据虚拟环境参数、虚拟工作参数和虚拟模型结构的制动响应函数输出响应结果，并将响应初始数值、影响因子和响应结果传输到所述数据处理模块；所述数字孪生虚拟模型模块的运行数据包括但不限于工作环境参数、连续工作时长、寿命状态。

进一步地，所述生命周期演算模块接收来自数字孪生虚拟模型模块的运行数据，用于根据瞬时虚拟工作状态和历史工作过程，对智能线控制动系统的剩余生命周期进行演算，对系统部件的有效剩余寿命进行核算校正并通过车载网反馈给终端交互系统，对有潜在寿命危险的部件进行预警提示。

进一步地，所述工作极限演算模块接收来自数字孪生虚拟模型模块的运行数据，用于根据瞬时虚拟工作环境变化趋势，对无法做出有效试验的极限工作条件或在现实试验中无法达到的极限工作条件进行演算，反馈系统及其部件的极限工作范围包括位移量、扭曲度、压应力、拉应力、剪切力，对当前趋势下可能出现的过载情况通过车载网反馈给终端交互系统，并进行及时的预警提示。

进一步地，所述控制参数数据库，用于接收来自所述数据处理模块的各项数据，基于数据记录智能线控制动系统运行全周期中各阶段的运行数据作为历史运行数据；基于该控制参数数据库对不同寿命阶段和不同工况环境下的智能线控制动系统提供最优的控制参数及动态调整优化。

进一步地，所述数据处理模块，采用包括但不限于BP神经网络算法、Hopfield网络算法、ART网络算法和Kohonen网络算法中一种或多种任意组合的算法对数据进行分析处理；将瞬时寿命状态下的运行数据存入控制参数数据库中，接收来自其他模块的预警信号，分析后输出针对性的控制信号给控制参数驱动模块进行对应的控制响应。

进一步地，所述终端交互系统接收数字孪生云存储计算平台发送的信息数据包括：生命周期演算模块的健康反馈数据，工作极限演算模块的极限工作范围反馈数据，及数据处理模块的控制信号反馈。

本发明的一种基于数字孪生的智能线控制动系统的预测控制方法，步骤如下：

1）在数字孪生云存储计算平台上搭建与物理实体相匹配的数字孪生虚拟模型，配置数字孪生虚拟模型的仿真工作环境使其与物理实体的工作环境保持一致；

2）同步运行智能线控制动系统和数字孪生虚拟模型；

3）通过实时制动响应采集模块对车辆当前的每次制动状态进行检测，并对当前行驶状态下的环境进行感知和数据采集；通过控制参数驱动模块对智能线控制动系统的控制函数和参数因子进行数据采集；对上述所有采集到的数据进行整理封装后，发送给数字孪生云存储计算平台；

4）在仿真工作环境下运行数字孪生虚拟模型；数字孪生虚拟模型模块通过接收实时制动响应采集模块发送的实际环境参数使得数字孪生虚拟模型的仿真工作环境实时保持一致；

5）数字孪生云存储计算平台实时接收智能线控制动系统运行所产生的物理数据及其环境数据，及数字孪生虚拟模型运行产生的虚拟数据；

6）数字孪生云存储计算平台基于智能线控制动系统的真实运行数据和虚拟制动计算模块的虚拟运行数据进行数据分析、融合处理；

7）数字孪生云存储计算平台将产生的预警提示、建议操作信息传输给终端交互系统，经过可视化处理后显示给用户，并输出控制信号给智能线控制动系统，对智能线控制动系统的物理实体进行优化控制。

进一步地，所述步骤3）中的制动状态和环境数据采集，包括但不限于环境湿度、大气压力、大气温度、路面与轮胎间摩擦系数、制动力、制动初始速度、制动时间、制动末速度、制动距离、制动响应时间。

进一步地，所述步骤3）中的控制函数和参数因子数据，包括但不限于制动盘温度、控制电路的时间常数、液压压力、制动踏板行程。

进一步地，所述步骤5）中的收集数据的具体步骤为：数字孪生云存储计算平台的虚拟制动计算模块、生命周期演算模块、工作极限演算模块接收来自数字孪生虚拟模型的运行数据，以及数据处理模块接收来自智能线控制动系统和数字孪生虚拟模型的运行数据。

进一步地，所述步骤6）中的分析内容包括：智能线控制动系统的物理实体的全生命周期管理、健康检测、主动预测控制。

进一步地，所述步骤6）中的数据分析的具体步骤为：

61）生命周期演算模块通过获取当前的环境参数、模型工作状态，对智能线控制动系统各机构的疲劳寿命极限进行仿真演算，演算中得到的预警信号传输给数据处理模块并影响控制信号的输出，演算后得到的信息数据输出至终端交互系统，通过可视化处理后，反馈给用户并提示建议操作；

62）工作极限演算模块实时对工作环境和系统机构参数的瞬时变化趋势进行计算分析；当给定时间范围内的变化系数超过警戒值后，将采集数字孪生虚拟模型的结构参数和环境参数并进行趋势演算，得到由于条件限制无法在正常试验规则下得到的特殊工况数据；并将演算后得到的信息数据反馈到终端交互系统，终端交互系统通过可视化处理，向用户反馈可能的工作趋向以及车辆所能承载的极限工况；

63）数据处理模块根据实时制动响应采集模块和虚拟制动计算模块发送的系统数据，实时将真实和虚拟运行数据比较，对虚拟是否偏离现实进行判定，并将当前寿命状态下的经过虚拟运行数据纠正的真实运行数据存入到控制参数数据库中；数据处理模块接收生命周期演算模块和工作极限演算模块的预警信号，根据预警信号向控制参数驱动模块输出针对相应的控制参数变动的信号；所述智能线控制动系统的运行数据再次被数据处理模块收集，同时依变化同步配置的数字孪生虚拟模型产生的数据再次被数据处理模块收集，该数据处理模块对所述数据再次进行分析处理，并根据得到的最新数据处理结果，输出相应的控制信号，形成动态滚动数据交换，实现动态最优控制参数匹配。

进一步地，所述步骤63）中的系统数据包括响应初始数值、影响因子和响应结果。

进一步地，所述步骤6）中的数据融合处理采用包括但不限于bp神经网络、深度学习算法对真实运行数据和虚拟运行数据进行有偏估计、无偏估计的数据计算，判定虚拟运行数据偏离真实运行数据的程度，并校准真实运行数据。

进一步地，所述方法还包括步骤8）：车辆在正常运行时，通过重复步骤3）-7）实现智能线控制动系统和数字孪生云存储计算平台的同步信息交互，对车辆当前健康状况进行实时监测和在该状态趋势下的未来预测，同时对数据库中的信息组进行实时的更新迭代。

本发明的有益效果：

本发明方法引入了数字孪生技术，通过搭建与物理智能线控制动系统完全一致的数字孪生虚拟系统模型，分别在实际工作环境和仿真工作环境中同步监测两个系统的运行，通过物理实体与虚拟数字模型（智能线控制动系统数字孪生虚拟模型）交互、耦合的方法建立数字孪生系统，使用数字孪生云存储计算平台通过信息实时交互的方法将物理实体和虚拟数字模型连接，以保证虚拟数字模型的实时同步，有效提升了虚拟模型运行的准确性、平稳性，对本控制方法起到至关重要的作用。

本发明通过数字孪生云存储计算平台对收集数据进行计算处理，基于平台内的生命周期演算模块、工作极限模块、数据处理模块，保证数字化的智能线控制动系统数字孪生虚拟模型具有推演智能线控制动系统未来工作环境、理论工作极限、过载提前预警、有效生命周期、全生命周期健康管理的功能，实现对智能线控制动系统的剩余健康寿命、极限工作范围等进行演算反馈。有效解决了传统方法中智能线控制动系统的控制方法不主动、处于被动，且不能提前发现和预警一些潜在危险比如制动系统过热导致气阻现象，以及无法仿真特殊情况下的工作极限条件等问题。

本发明对全生命周期各阶段的控制参数等数据构建控制参数数据库，并根据数据库所提供的生命周期各阶段数据指导智能线控制动系统的针对性维护，大大降低了智能系统的维修成本，有效提升系统的工作性能，以及全生命周期下的工作可靠度和安全性。

本发明能够支持数字孪生与汽车智能化的相互促进发展及进行深度的技术交融探索。

附图说明

图1为本发明系统的原理框图。

图2为本发明方法的原理流程图。

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，本发明的一种基于数字孪生的智能线控制动系统，包括：智能线控制动系统、数字孪生云存储计算平台和终端交互系统；

所述智能线控制动系统包括：实时制动响应采集模块、控制参数驱动模块、线控制动模块；实时制动响应采集模块和控制参数驱动模块并联在车辆总线内，二者均通过网络与数字孪生云存储计算平台进行数据交互，接收来自数字孪生云存储计算平台的控制指令并完成相应的响应；线控制动模块和控制参数驱动模块通过控制管路连接，线控制动模块接收来自控制参数驱动模块的指令进行制动操作，并对控制结果进行反馈；

其中，所述实时制动响应采集模块用于实时对线控制动模块的响应初始条件和响应结果进行数据采集和传输，其包括：传感器集合子模块和数据传输子模块；传感器集合子模块并联各个传感器，所述传感器包括但不限于加速度传感器、制动距离传感器、速度传感器、湿度传感器、温度传感器、电子踏板位移传感器、轮缸压力传感器，收集各响应初始数值、影响因子和响应结果；数据传输子模块通过网络与所述数据处理模块连接，将每一次传感器集合子模块采集的数据传输给数据处理模块。

其中，所述控制参数驱动模块用于实时对线控制动模块的控制器的控制参数设置进行数据采集，其包括：控制中枢模块和数据传输子模块；控制中枢模块控制线控制动模块中的控制器，并接收控制器发送的执行反馈数据，所述控制器包括但不限于电子控制单元、高压液压控制器、管路油压控制器、制动响应控制器、抗扰动控制器；数据传输子模块通过网络与所述数据处理模块相连，并将每一次控制中枢模块采集的数据传输给数据处理模块，以及将数据处理模块的控制信号传输给控制中枢模块，进行对应的控制响应。

其中，所述线控制动模块用于执行制动指令，包括但不限于储油杯、高压蓄能器、单向阀、溢流阀、盘式刹车片、制动轮缸、增压阀、电子踏板、电子控制单元、液压执行机构。

所述数字孪生云存储计算平台包括：数字孪生虚拟模型模块、虚拟制动计算模块、生命周期演算模块、工作极限演算模块、控制参数数据库、数据处理模块；所述数字孪生虚拟模型模块为数字孪生虚拟模型的创建提供数字空间，并提供与实际工作环境相匹配的仿真工作环境；生命周期演算模块和工作极限演算模块接收来自数字孪生虚拟模型模块的运行数据，并分别创建独立的运算空间进行数据计算，将计算得到的预警信号传输给数据处理模块，以及通过车联网传输预警信号给终端交互系统；虚拟制动计算模块接收来自数字孪生虚拟模型模块的运行数据进行仿真现实系统的运行，然后将虚拟运行数据传输给数据处理模块；数据处理模块接收虚拟制动计算模块的虚拟运行数据和智能线控制动系统的真实运行数据，并将处理后的控制信号发送给智能线控制动系统，及发送控制信号反馈至终端交互系统；数据处理模块基于数据组的传输形式将各控制指令和真实运行数据发送到控制参数数据库进行存储；

其中，所述数字孪生虚拟模型模块采用CAD画图法、CAE近似数值分析法和有限元法将智能线控制动系统中各部件进行数字化，并将各数字化部件在仿真工作环境中组装成数字孪生虚拟模型。

其中，所述数字孪生虚拟模型模块的运行数据包括：结构数据及环境参数数据，所述结构数据包括尺寸、结构、系统制动传递函数，所述环境参数数据包括空气湿度、温度（用于虚拟制动计算模块计算附着系数）。

其中，所述虚拟制动计算模块接收来自数字孪生虚拟模型模块的运行数据，根据虚拟环境参数、虚拟工作参数和虚拟模型结构的制动响应函数输出响应结果，并将响应初始数值、影响因子和响应结果传输到所述数据处理模块；所述数字孪生虚拟模型模块的运行数据包括但不限于工作环境参数、连续工作时长、寿命状态。

其中，所述生命周期演算模块接收来自数字孪生虚拟模型模块的运行数据，用于根据瞬时虚拟工作状态和历史工作过程，对智能线控制动系统的剩余生命周期进行演算，对系统部件的有效剩余寿命进行核算校正并通过车载网反馈给终端交互系统，对有潜在寿命危险的部件进行预警提示。

其中，所述工作极限演算模块接收来自数字孪生虚拟模型模块的运行数据，用于根据瞬时虚拟工作环境变化趋势，对无法做出有效试验的极限工作条件或在现实试验中无法达到的极限工作条件进行演算，反馈系统及其部件的极限工作范围包括位移量、扭曲度、压应力、拉应力、剪切力，对当前趋势下可能出现的过载情况通过车载网反馈给终端交互系统，并进行及时的预警提示。

其中，所述控制参数数据库，用于接收来自所述数据处理模块的各项数据，基于数据记录智能线控制动系统运行全周期中各阶段的运行数据作为历史运行数据；基于该控制参数数据库对不同寿命阶段和不同工况环境下的智能线控制动系统提供最优的控制参数及动态调整优化。

其中，所述数据处理模块，采用包括但不限于BP神经网络算法、Hopfield网络算法、ART网络算法和Kohonen网络算法中一种或多种任意组合的算法对数据进行分析处理；将瞬时寿命状态下的运行数据存入控制参数数据库中，接收来自其他模块的预警信号，分析后输出针对性的控制信号给控制参数驱动模块进行对应的控制响应。

所述终端交互系统接收数字孪生云存储计算平台发送的信息数据，通过可视化处理后反馈给用户；

其中，所述终端交互系统接收数字孪生云存储计算平台发送的信息数据包括：生命周期演算模块的健康反馈数据，工作极限演算模块的极限工作范围反馈数据，及数据处理模块的控制信号反馈。

参照图2所示，本发明的一种基于数字孪生的智能线控制动系统的预测控制方法，步骤如下：

1）在数字孪生云存储计算平台上搭建与物理实体相匹配的数字孪生虚拟模型，配置数字孪生虚拟模型的仿真工作环境使其与物理实体的工作环境保持一致。

2）同步运行智能线控制动系统和数字孪生虚拟模型。

3）通过实时制动响应采集模块对车辆当前的每次制动状态进行检测，并对当前行驶状态下的环境进行感知和数据采集；通过控制参数驱动模块对智能线控制动系统的控制函数和参数因子进行数据采集；对上述所有采集到的数据进行整理封装后，发送给数字孪生云存储计算平台；

制动状态和环境数据采集，包括但不限于环境湿度、大气压力、大气温度、路面与轮胎间摩擦系数、制动力、制动初始速度、制动时间、制动末速度、制动距离、制动响应时间；

控制函数和参数因子数据，包括但不限于制动盘温度、控制电路的时间常数、液压压力、制动踏板行程。

4）在仿真工作环境下运行数字孪生虚拟模型；数字孪生虚拟模型模块通过接收实时制动响应采集模块发送的实际环境参数使得数字孪生虚拟模型的仿真工作环境实时保持一致。

5）数字孪生云存储计算平台实时接收智能线控制动系统运行所产生的物理数据及其环境数据，及数字孪生虚拟模型运行产生的虚拟数据；

收集数据的具体步骤为：数字孪生云存储计算平台的虚拟制动计算模块、生命周期演算模块、工作极限演算模块接收来自数字孪生虚拟模型的运行数据，以及数据处理模块接收来自智能线控制动系统和数字孪生虚拟模型的运行数据。

6）数字孪生云存储计算平台基于智能线控制动系统的真实运行数据和虚拟制动计算模块的虚拟运行数据进行数据分析、融合处理；

所述步骤6）中的分析内容包括：智能线控制动系统的物理实体的全生命周期管理、健康检测、主动预测控制。

数据分析的具体步骤为：

61）生命周期演算模块通过获取当前的环境参数、模型工作状态，对智能线控制动系统各机构的疲劳寿命极限进行仿真演算，得到的预警信号传输给数据处理模块并影响控制信号的输出使智能线控制动系统寿命更长；其影响表现在，应当优先考虑预警信号内容，给予更安全的控制信号输出，放弃暂时的为了延长系统寿命而调整的控制趋向；演算后得到的信息数据输出至终端交互系统，通过可视化处理后，反馈给用户并提示建议操作；

62）工作极限演算模块实时对工作环境和系统机构参数的瞬时变化趋势进行计算分析；当给定时间范围内的变化系数超过警戒值后，将采集数字孪生虚拟模型的结构参数和环境参数并进行趋势演算，得到由于条件限制无法在正常试验规则下得到的特殊工况数据；并将演算后得到的信息数据反馈到终端交互系统，终端交互系统通过可视化处理，向用户反馈可能的工作趋向以及车辆所能承载的极限工况；

63）数据处理模块根据实时制动响应采集模块和虚拟制动计算模块发送的系统数据，实时将真实和虚拟运行数据比较，对虚拟是否偏离现实进行判定，并将当前寿命状态下的经过虚拟运行数据纠正的真实运行数据存入到控制参数数据库中；数据处理模块接收生命周期演算模块和工作极限演算模块的预警信号，根据预警信号向控制参数驱动模块输出针对相应的控制参数变动的信号；所述智能线控制动系统的运行数据再次被数据处理模块收集，同时依变化同步配置的数字孪生虚拟模型产生的数据再次被数据处理模块收集，该数据处理模块对所述数据再次进行分析处理，并根据得到的最新数据处理结果，输出相应的控制信号，形成动态滚动数据交换，实现动态最优控制参数匹配。

系统数据包括响应初始数值、影响因子和响应结果。

数据融合处理采用包括但不限于bp神经网络、深度学习算法对真实运行数据和虚拟运行数据进行有偏估计、无偏估计的数据计算，判定虚拟运行数据偏离真实运行数据的程度，并校准真实运行数据。

7）数字孪生云存储计算平台将产生的预警提示、建议操作信息传输给终端交互系统，经过可视化处理后显示给用户，并输出控制信号给智能线控制动系统，对智能线控制动系统的物理实体进行优化控制。

所述方法还包括步骤8）：车辆在正常运行时，通过重复步骤3）-7）实现智能线控制动系统和数字孪生云存储计算平台的同步信息交互，对车辆当前健康状况进行实时监测和在该状态趋势下的未来预测，同时对数据库中的信息组进行实时的更新迭代。

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 (10)

1.一种基于数字孪生的智能线控制动系统，其特征在于，包括：智能线控制动系统、数字孪生云存储计算平台和终端交互系统；

所述智能线控制动系统包括：实时制动响应采集模块、控制参数驱动模块、线控制动模块；实时制动响应采集模块和控制参数驱动模块并联在车辆总线内，二者均通过网络与数字孪生云存储计算平台进行数据交互，接收来自数字孪生云存储计算平台的控制指令并完成相应的响应；线控制动模块和控制参数驱动模块通过控制管路连接，线控制动模块接收来自控制参数驱动模块的指令进行制动操作，并对控制结果进行反馈；

所述数字孪生云存储计算平台包括：数字孪生虚拟模型模块、虚拟制动计算模块、生命周期演算模块、工作极限演算模块、控制参数数据库、数据处理模块；所述数字孪生虚拟模型模块为数字孪生虚拟模型的创建提供数字空间，并提供与实际工作环境相匹配的仿真工作环境；生命周期演算模块和工作极限演算模块接收来自数字孪生虚拟模型模块的运行数据，并分别创建独立的运算空间进行数据计算，将计算得到的预警信号传输给数据处理模块，以及通过车联网传输预警信号给终端交互系统；虚拟制动计算模块接收来自数字孪生虚拟模型模块的运行数据进行仿真现实系统的运行，然后将虚拟运行数据传输给数据处理模块；数据处理模块接收虚拟制动计算模块的虚拟运行数据和智能线控制动系统的真实运行数据，并将处理后的控制信号发送给智能线控制动系统，及发送控制信号反馈至终端交互系统；数据处理模块基于数据组的传输形式将各控制指令和真实运行数据发送到控制参数数据库进行存储；

所述终端交互系统接收数字孪生云存储计算平台发送的信息数据，通过可视化处理后反馈给用户。

2.根据权利要求1所述的基于数字孪生的智能线控制动系统，其特征在于，所述实时制动响应采集模块用于实时对线控制动模块的响应初始条件和响应结果进行数据采集和传输，其包括：传感器集合子模块和数据传输子模块；传感器集合子模块并联各个传感器，所述传感器包括但不限于加速度传感器、制动距离传感器、速度传感器、湿度传感器、温度传感器、电子踏板位移传感器、轮缸压力传感器，收集各响应初始数值、影响因子和响应结果；数据传输子模块通过网络与所述数据处理模块连接，将每一次传感器集合子模块采集的数据传输给数据处理模块。

3.根据权利要求1所述的基于数字孪生的智能线控制动系统，其特征在于，所述控制参数驱动模块用于实时对线控制动模块的控制器的控制参数设置进行数据采集，其包括：控制中枢模块和数据传输子模块；控制中枢模块控制线控制动模块中的控制器，并接收控制器发送的执行反馈数据，所述控制器包括但不限于电子控制单元、高压液压控制器、管路油压控制器、制动响应控制器、抗扰动控制器；数据传输子模块通过网络与所述数据处理模块相连，并将每一次控制中枢模块采集的数据传输给数据处理模块，以及将数据处理模块的控制信号传输给控制中枢模块，进行对应的控制响应。

4.根据权利要求1所述的基于数字孪生的智能线控制动系统，其特征在于，所述数字孪生虚拟模型模块采用CAD画图法、CAE近似数值分析法和有限元法将智能线控制动系统中各部件进行数字化，并将各数字化部件在仿真工作环境中组装成数字孪生虚拟模型。

5.根据权利要求1所述的基于数字孪生的智能线控制动系统，其特征在于，所述数字孪生虚拟模型模块的运行数据包括：结构数据及环境参数数据，所述结构数据包括尺寸、结构、系统制动传递函数，所述环境参数数据包括空气湿度、温度。

6.根据权利要求1所述的基于数字孪生的智能线控制动系统，其特征在于，所述数据处理模块，采用包括但不限于BP神经网络算法、Hopfield网络算法、ART网络算法和Kohonen网络算法中一种或多种任意组合的算法对数据进行分析处理；将瞬时寿命状态下的运行数据存入控制参数数据库中，接收来自其他模块的预警信号，分析后输出针对性的控制信号给控制参数驱动模块进行对应的控制响应。

7.一种基于数字孪生的智能线控制动系统的预测控制方法，其特征在于，步骤如下：

1）在数字孪生云存储计算平台上搭建与物理实体相匹配的数字孪生虚拟模型，配置数字孪生虚拟模型的仿真工作环境使其与物理实体的工作环境保持一致；

2）同步运行智能线控制动系统和数字孪生虚拟模型；

3）通过实时制动响应采集模块对车辆当前的每次制动状态进行检测，并对当前行驶状态下的环境进行感知和数据采集；通过控制参数驱动模块对智能线控制动系统的控制函数和参数因子进行数据采集；对上述所有采集到的数据进行整理封装后，发送给数字孪生云存储计算平台；

4）在仿真工作环境下运行数字孪生虚拟模型；数字孪生虚拟模型模块通过接收实时制动响应采集模块发送的实际环境参数使得数字孪生虚拟模型的仿真工作环境实时保持一致；

5）数字孪生云存储计算平台实时接收智能线控制动系统运行所产生的物理数据及其环境数据，及数字孪生虚拟模型运行产生的虚拟数据；

6）数字孪生云存储计算平台基于智能线控制动系统的真实运行数据和虚拟制动计算模块的虚拟运行数据进行数据分析、融合处理；

7）数字孪生云存储计算平台将产生的预警提示、建议操作信息传输给终端交互系统，经过可视化处理后显示给用户，并输出控制信号给智能线控制动系统，对智能线控制动系统的物理实体进行优化控制。

8.根据权利要求7所述的基于数字孪生的智能线控制动系统的预测控制方法，其特征在于，所述步骤5）中的收集数据的具体步骤为：数字孪生云存储计算平台的虚拟制动计算模块、生命周期演算模块、工作极限演算模块接收来自数字孪生虚拟模型的运行数据，以及数据处理模块接收来自智能线控制动系统和数字孪生虚拟模型的运行数据。

9.根据权利要求7所述的基于数字孪生的智能线控制动系统的预测控制方法，其特征在于，所述步骤6）中的数据分析的具体步骤为：

61）生命周期演算模块通过获取当前的环境参数、模型工作状态，对智能线控制动系统各机构的疲劳寿命极限进行仿真演算，演算中得到的预警信号传输给数据处理模块并影响控制信号的输出，演算后得到的信息数据输出至终端交互系统，通过可视化处理后，反馈给用户并提示建议操作；

62）工作极限演算模块实时对工作环境和系统机构参数的瞬时变化趋势进行计算分析；当给定时间范围内的变化系数超过警戒值后，将采集数字孪生虚拟模型的结构参数和环境参数并进行趋势演算，得到由于条件限制无法在正常试验规则下得到的特殊工况数据；并将演算后得到的信息数据反馈到终端交互系统，终端交互系统通过可视化处理，向用户反馈可能的工作趋向以及车辆所能承载的极限工况；

63）数据处理模块根据实时制动响应采集模块和虚拟制动计算模块发送的系统数据，实时将真实和虚拟运行数据比较，对虚拟是否偏离现实进行判定，并将当前寿命状态下的经过虚拟运行数据纠正的真实运行数据存入到控制参数数据库中；数据处理模块接收生命周期演算模块和工作极限演算模块的预警信号，根据预警信号向控制参数驱动模块输出针对相应的控制参数变动的信号；所述智能线控制动系统的运行数据再次被数据处理模块收集，同时依变化同步配置的数字孪生虚拟模型产生的数据再次被数据处理模块收集，该数据处理模块对所述数据再次进行分析处理，并根据得到的最新数据处理结果，输出相应的控制信号，形成动态滚动数据交换，实现动态最优控制参数匹配。

10.根据权利要求7所述的基于数字孪生的智能线控制动系统的预测控制方法，其特征在于，所述方法还包括步骤8）：车辆在正常运行时，通过重复步骤3）-7）实现智能线控制动系统和数字孪生云存储计算平台的同步信息交互，对车辆当前健康状况进行实时监测和在该状态趋势下的未来预测，同时对数据库中的信息组进行实时的更新迭代。

Images