CN113761728B - 基于车联网平台的机场电动特种车辆故障预警方法 - Google Patents

Abstract

本发明涉及一种基于车联网平台的机场电动特种车辆故障预警方法，其为了解决了机场电动特种车发生故障后才报警存在事后性和时延性的技术的技术问题，搭建可以采集电动车辆实时参数的监控平台；基于分布式系统架构，将大量数据进行处理并储存；针对故障类型对数据进行筛选，抽取出故障数据；将故障数据与正常数据进行对比分析，确定相应故障与目标参数间的相关性；利用贝叶斯网络建立故障预警模型，用于预测车辆发生相应故障的概率；根据该预警模型，结合车联网平台采集的实时车辆参数，对车辆进行故障概率预测，并将故障预警信号发送至终端。本发明基于车联网采集的实时车辆数据，代入所建的故障预警模型，在故障可能发生之前做出预警，提高安全性。

Description

基于车联网平台的机场电动特种车辆故障预警方法

技术领域

本发明涉及机车电动特种车辆技术领域，具体而言，涉及一种基于车联网平台的机场电动特种车辆故障预警的方法。

背景技术

随着国家对新能源电动汽车的大力推广，越来越多的电动汽车不仅驰骋于城市的大街小巷更穿梭于机场的各个角落。与此同时车联网技术伴随计算机和网络技术的迅速发展得到了极大的推进与应用。当前，利用车联网技术通过收集机场电动特种车辆的车辆位置、车速、车况以及蓄电池数据等各种车辆信息构成一个巨大的交互平台对机场各电动车辆进行实时监测。虽然该平台已经具备在线监测、车辆故障报警等功能，但是报警都是在发生故障之后，具有事后性和时延性。因此，如何在电动车发生故障前根据车联网收集到的实时车辆数据做好预警，提前预防，成本本领域技术人员亟待解决的技术问题。

发明内容

本发明为了解决对机场电动特种车发生故障后才报警存在事后性和时延性的技术问题，提供一种能够实现提前报警的基于车联网平台的机场电动特种车辆故障预警方法。

本发明提供一种基于车联网平台的机场电动特种车辆故障预警方法，包括以下步骤：

步骤1：分析机场电动特种车辆的故障种类及引起故障的原因，构建车辆监控参数表；

步骤2：搭建机场电动特种车辆车联网平台；

步骤3：在车联网平台的基础上，抽取目标车辆的历史运行数据，并对数据进行相应的预处理；

步骤4：在上述处理后的数据的基础上，将目标车辆的故障状态对比正常运行状态下的相应参数进行分析，确定相应故障与目标参数间的相关性；

步骤5：建立目标车辆相应故障的故障预警模型；

步骤6：在故障预警模型的基础上，基于车联网平台的实时运行参数，通过故障预警模型对目标车辆进行故障概率预测。

优选地：

步骤4中，基于所述步骤3的分析和对数据的预处理，由所有参数构成一个参数空间，记相应故障种类T_i，参数空间x＝{x₁，x₂…x_i}；并逐一判断x中各参数和相应故障T_i的相关性，确定和T_i相关的参数空间X_i；

具体的：对比分析故障时段相应参数和正常运行下该参数，定义相关性参数C_xi如下：

公式(1)中，a表示故障时段相应参数的均值，a₀表示该参数对应时段下正常运行时的均值；b表示故障时段相应参数的极大值与极小值之差，b₀表示该参数对应时段下正常运行时的极大值与极小值之差；

并设置阈值α₀，当参数x_i与故障种类T_i的相关性参数C_xi大于等于阈值α₀，则认为参数x_i与故障种类T_i相关；将参数空间x中每个参数带入公式C_xi，计算出的值大于阈值α₀表示相关；依次确定和相应故障相关的参数，确定故障种类T_i的相关参数空间X_i(X_i＝{x_j|x_j＝x_i且C_xi>＝α₀})；

所述步骤5中，定义贝叶斯网络中的节点为X＝{x₁,x₂,…,x_n}，根据链式规则，贝叶斯网络的联合概率分布P(X)表示如下：

如果用A(x_i)表示非子节点构成的任何节点子集，用π(x_i)表示x_i的父节点的集合，则依据条件独立性假设有：

P(x_i|A(x_i),π(x_i))＝P(x_i|π(x_i))

网络中所有节点的联合概率就可以表示如下：

构建车辆故障概率模型中定义如下：车辆系统和参数具有3种状态，它们用0,1,2表示；其中0状态为正常工作状态，1状态为重故障状态，2状态为轻故障状态；在参数中也有二态的即0,1或0,2；T_i表示相应特种车辆的某种故障，x₁，x₂…表示经过步骤4判定相关性后所确定的关联空间X_i中的参数x_j(x_j＝x_i且C_xi>＝α₀)；P(T＝1)表示该故障发生的概率，P(x₁＝0)、P(x₁＝1)、P(x₁＝2)…分别表示相应参数正常工作状态、重故障状态、轻故障状态的概率；则有相应故障概率如下：

根据先验概率和条件概率，可以推算出车辆相应故障的发生概率。

所述步骤6中，设置阈值α，当发生故障的概率P(T＝1)大于等于阈值α，表示故障将有极大可能在下一时间点出现，此时生成故障预警信息报表。

本发明的有益效果是，电动车故障大多数集中于蓄电池方面，对动力蓄电池做到故障发生前的预警与提前预防，其实十分困难。通过现有的技术检测手段比如将电动汽车开到专门检测机构实际检测，对电池本身状况的评估是一个费时费力的过程，在实际的故障预警方面更是难上加难。我们可以通过车联网采集到的蓄电池历史数据，结合实时数据，然后运用大数据的分析方法，对机场电动特种车辆即将发生故障前进行预警。在车辆未发生故障时，可以根据车联网所采集到的数据，建立相应的贝叶斯网络模型，利用已知的先验概率和条件概率，通过贝叶斯网络推理算法可以求得车辆发生故障的概率，根据概率的大小对故障做出相应的预警，并将故障预警信息发送至单车终端或用户终端设备。在故障可能发生之前做出预警，提高安全性。

本发明进一步的特征和方面，将在以下参考附图的具体实施方式的描述中，得以清楚地记载。

附图说明

图1是基于车联网平台的机场电动特种车辆故障预警方法的流程图；

图2是车辆网结构图；

图3是故障树映射到BN的流程图；

图4是总电压发生异常时的数据绘制的曲线；

图5是总电压正常情况先的数据绘制的曲线；

图6是总电流发生异常时的数据绘制的曲线；

图7是总电流正常情况下的数据绘制的曲线。

具体实施方式

以下参照附图，以具体实施例对本发明作进一步详细说明。

参考图1，基于车联网平台的机场电动特种车辆故障预警方法包括以下步骤：

步骤1：分析机场电动特种车辆的故障种类及引起故障的原因，构建车辆监控参数表，如下表1所示：

表1：

表1中，单体最高电压是整箱动力电池中单体电芯电压最高值，单体最低电压是整箱动力电池中单体电芯电压最低值，单体最高温度是整箱动力电池中电芯温度最高值，单体最低电压是整箱动力电池中温度最低值。

步骤2：搭建机场电动特种车辆车联网平台，车联网平台包括单车终端和云平台，实时监控车辆的运行状态，并将相应车辆的实时参数上传至云平台。单车终端设有车辆信息采集模块和车辆信息发送模块，信息采集模块实时采集车辆的各项运行参数(车辆行驶速度、车辆位置、车辆工作时间、车辆里程、车辆档位、车辆电池电压、车辆电池电流、车辆绝缘电阻值、车辆电机电压、车辆电机电流、车辆电机转速、车辆空调状态、车辆油门踏板值、车辆刹车踏板值等)并由信息发送模块发送至云平台。云平台会将接收到的数据写入数据库存储，并记录时间，通过累计大量的数据以供后续的研究分析。

如图2所示，车联网系统的基本架构主要分为感知层、网络层以及应用层。感知层由传感器(车载传感器、路侧传感器)、传感器网络以及传感器网关组成。通过传感器，RFID、车辆定位等技术，获取车辆位置、道路环境、车辆行驶状况等车辆自身和道路交通信息，为车联网提供全面的数据信息。网络层由车载网络、互联网、无线通信网组成，通过处理和传输感知层的数据，为车联网提供应用支撑。应用层则是根据用户的实际需求，选择相应的子系统接口进行连接，为用户提供所需的服务，具体应用功能包括智能交通、远程诊断监控、事故处理与救援等。

步骤3：在车联网平台的基础上，抽取目标车辆的海量历史运行数据，并对数据进行相应的预处理，方便后续计算分析。预处理的具体过程是：

Step1：初始化处理，收集目标车辆的历史运行数据，对数据进行初步的清洗、删减、归类；

Step2：整理目标车辆的故障信息，包括故障种类、故障持续时间、故障发生频次等；

Step3：确定和对应故障相关的参数信息，统计对应故障发生时的关联异常参数；

Step4：整理对应故障的在故障发生时段及故障前后时段的参数数据；

Step5：收集同型车辆同时段正常运行下的关联参数数据，以供对比分析。

比如，总电压发生异常时的数据绘制的曲线如图4所示。总电压正常情况先的数据绘制的曲线如图5所示。总电流发生异常时的数据绘制的曲线如图6所示。总电流正常情况下的数据绘制的曲线如图7所示。

步骤4：在上述处理后的数据的基础上，将目标车辆的故障状态对比正常运行状态下的相应参数进行分析，确定相应故障与目标参数间的相关性。

基于上述步骤3的分析和对数据的预处理，由所有参数构成一个参数空间，记相应故障种类T_i，参数空间x＝{x₁，x₂…x_i}(x₁，x₂…x_i分别表示步骤1所属监控参数中的总电压、总电流等)。并逐一判断x中各参数和相应故障T_i的相关性，确定和T_i相关的参数空间X_i。

具体的：对比分析故障时段相应参数和正常运行下该参数，定义相关性参数C_xi如下：

公式(1)中，a表示故障时段相应参数的均值，a₀表示该参数对应时段下正常运行时的均值；b表示故障时段相应参数的极大值与极小值之差，b₀表示该参数对应时段下正常运行时的极大值与极小值之差。

并设置阈值α₀，当参数x_i与故障种类T_i的相关性参数C_xi大于等于阈值α₀，则认为参数x_i与故障种类T_i相关。将参数空间x中每个参数带入公式C_xi，计算出的值大于阈值α₀表示相关。依次确定和相应故障相关的参数，确定故障种类T_i的相关参数空间X_i(X_i＝{x_j|x_j＝x_i且C_xi>＝α₀})。

步骤5：在步骤4所述分析的基础上，建立目标车辆相应故障的故障预警模型，用于预测实时运行参数下的相应故障概率。

故障预警模型实际上是一种描述已经出现但尚未演变成故障的车辆运行状况的模型。也就是说，它描述了即将发生故障的车辆应该呈现怎样的运行状态和运行参数。为此，从收集到的数据中筛选出已经出现故障的车辆在即将发生故障阶段所产生的数据并将筛选出的数据提供给预测模型。

贝叶斯网络是一种基于概率的推理技术，它能够很好地解决传统可靠性分析方法的不足，并在复杂系统的可靠性分析、风险分析、故障诊断等领域得到了广泛的应用。引入BN模型以实现机场电动特种车辆故障预警模型的构建。BN是一个有向无环图，其中的节点表示系统的变量，有向弧线则象征着因果变量之间的相互依赖关系。BN实际上是一种图形推理的技术，用来表示变量之间的因果关系。BN既可以预测未知变量的概率，又可以根据其他确定状态的变量，通过概率推理，推导出已知的给定变量的更新概率，推理的依据是贝叶斯定理。节点之间的关系是通过条件概率表来表达的。

定义贝叶斯网络中的节点为X＝{x₁,x₂,…,x_n}，根据链式规则，贝叶斯网络的联合概率分布P(X)表示如下：

如果用A(x_i)表示非子节点构成的任何节点子集，用π(x_i)表示x_i的父节点的集合，则依据条件独立性假设有：

P(x_i|A(x_i),π(x_i))＝P(x_i|π(x_i))

网络中所有节点的联合概率就可以表示如下：

由于故障树分析方法在传统分析方法当中占有非常重要的地位，通常采用基于故障树建模的方法来建立BN模型。首先根据变量之间的逻辑关系建立故障树，然后将故障树模型映射成BN模型。映射算法包括图形和数值两部分。在图形映射中，故障树中的底事件、中间事件和顶事件分别被映射为BN的根节点，中间节点和叶节点。BN中节点采用与故障树中相应组件相同的连接方式连接。在故障树中底事件发生的概率值，映射为对应根节点的先验概率。图3显示了故障树映射到BN简化流程。

构建车辆故障概率模型中定义如下：车辆系统和参数具有3种状态，它们用0,1,2表示。其中0状态为正常工作状态，1状态为重故障状态，2状态为轻故障状态。在参数中也有二态的即0,1或0,2。T_i表示相应特种车辆的某种故障，x₁，x₂…表示经过步骤4判定相关性后所确定的关联空间X_i中的参数x_j(x_j＝x_i且C_xi>＝α₀)。P(T＝1)表示该故障发生的概率，P(x₁＝0)、P(x₁＝1)、P(x₁＝2)…分别表示相应参数正常工作状态、重故障状态、轻故障状态的概率。则有相应故障概率如下：

根据先验概率和条件概率(CPT)，可以推算出车辆相应故障的发生概率。

步骤6：在步骤5所述的故障预警模型的基础上，基于车联网平台的实时运行参数，通过故障预警模型对目标车辆进行故障概率预测，并将故障预警信息发送至单车终端或用户终端。设置阈值α，当发生故障的概率P(T＝1)大于等于阈值α，表示故障将有极大可能在下一时间点出现，此时生成故障预警信息报表，然后将故障报表进行整合并发送到单车终端或用户终端，通知工作人员提前做好相应应急处置准备。

以上所述仅对本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡是在本发明的权利要求限定范围内，所做的任何修改、等同替换、改进等，均应在本发明的保护范围之内。

Claims (1)

1.一种基于车联网平台的机场电动特种车辆故障预警方法，其特征在于，包括以下步骤：

步骤1：分析机场电动特种车辆的故障种类及引起故障的原因，构建车辆监控参数表；

步骤2：搭建机场电动特种车辆车联网平台；

步骤3：在车联网平台的基础上，抽取目标车辆的历史运行数据，并对数据进行相应的预处理；

步骤4：在上述处理后的数据的基础上，将目标车辆的故障状态对比正常运行状态下的相应参数进行分析，确定相应故障与目标参数间的相关性；

步骤5：建立目标车辆相应故障的故障预警模型；

步骤6：在故障预警模型的基础上，基于车联网平台的实时运行参数，通过故障预警模型对目标车辆进行故障概率预测；

所述步骤4中，基于所述步骤3的分析和对数据的预处理，由所有参数构成一个参数空间，记相应故障种类T_i，参数空间x＝{x₁，x₂…x_i}；并逐一判断x中各参数和相应故障T_i的相关性，确定和T_i相关的参数空间X_i；

具体的：对比分析故障时段相应参数和正常运行下该参数，定义相关性参数C_xi如下：

公式(1)中，a表示故障时段相应参数的均值，a₀表示该参数对应时段下正常运行时的均值；b表示故障时段相应参数的极大值与极小值之差，b₀表示该参数对应时段下正常运行时的极大值与极小值之差；

并设置阈值α₀，当参数x_i与故障种类T_i的相关性参数C_xi大于等于阈值α₀，则认为参数x_i与故障种类T_i相关；将参数空间x中每个参数带入公式C_xi，计算出的值大于阈值α₀表示相关；依次确定和相应故障相关的参数，确定故障种类T_i的相关参数空间X_i(X_i＝{x_j|x_j＝x_i且C_xi>＝α₀})；

所述步骤5中，定义贝叶斯网络中的节点为X＝{x₁,x₂,…,x_n}，根据链式规则，贝叶斯网络的联合概率分布P(X)表示如下：

如果用A(x_i)表示非子节点构成的任何节点子集，用π(x_i)表示x_i的父节点的集合，则依据条件独立性假设有：

P(x_i|A(x_i),π(x_i))＝P(x_i|π(x_i))

网络中所有节点的联合概率就可以表示如下：

构建车辆故障概率模型中定义如下：车辆系统和参数具有3种状态，它们用0,1,2表示；其中0状态为正常工作状态，1状态为重故障状态，2状态为轻故障状态；在参数中也有二态的即0,1或0,2；T_i表示相应特种车辆的某种故障，x₁，x₂…表示经过步骤4判定相关性后所确定的关联空间X_i中的参数x_j(x_j＝x_i且C_xi>＝α₀)；P(T＝1)表示该故障发生的概率，P(x₁＝0)、P(x₁＝1)、P(x₁＝2)…分别表示相应参数正常工作状态、重故障状态、轻故障状态的概率；则有相应故障概率如下：

根据先验概率和条件概率，可以推算出车辆相应故障的发生概率；

所述步骤6中，设置阈值α，当发生故障的概率P(T＝1)大于等于阈值α，表示故障将有极大可能在下一时间点出现，此时生成故障预警信息报表。

Images