CN113963462B - 基于远传数据的电驱总成可靠性工况构建方法及构建装置 - Google Patents

基于远传数据的电驱总成可靠性工况构建方法及构建装置 Download PDF

Info

Publication number
CN113963462B
CN113963462B CN202111536566.2A CN202111536566A CN113963462B CN 113963462 B CN113963462 B CN 113963462B CN 202111536566 A CN202111536566 A CN 202111536566A CN 113963462 B CN113963462 B CN 113963462B
Authority
CN
China
Prior art keywords
speed
electric drive
drive assembly
working condition
medium
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.)
Active
Application number
CN202111536566.2A
Other languages
English (en)
Other versions
CN113963462A (zh
Inventor
于晗正男
刘昱
李菁元
杨正军
马琨其
安晓盼
胡熙
沈姝
梁永凯
徐航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Automotive Technology and Research Center Co Ltd
CATARC Automotive Test Center Tianjin Co Ltd
Original Assignee
China Automotive Technology and Research Center Co Ltd
CATARC Automotive Test Center Tianjin Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Automotive Technology and Research Center Co Ltd, CATARC Automotive Test Center Tianjin Co Ltd filed Critical China Automotive Technology and Research Center Co Ltd
Priority to CN202111536566.2A priority Critical patent/CN113963462B/zh
Publication of CN113963462A publication Critical patent/CN113963462A/zh
Application granted granted Critical
Publication of CN113963462B publication Critical patent/CN113963462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Genetics & Genomics (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了基于远传数据的电驱总成可靠性工况构建方法及构建装置，包括远传数据处理模块、激烈驾驶片段筛选模块、整车工况库构建模块、电驱总成载荷工况库构建模块、全寿命周期载荷谱生成模块、电驱总成可靠性工况构建模块和电子设备。本发明所述的基于远传数据的电驱总成可靠性工况构建方法及构建装置，代替了实际道路采集的传统方法，在数据覆盖范围、采集周期、采集成本方面均存在明显优势。利用车辆远传数据能较准确地确定低速、中速和高速的权重系数，并基于多准则决策法确定电驱总成载荷工况的最小循环数，进而外推生成电驱总成全寿命周期载荷谱，最终基于等效损伤原理构建电驱总成可靠性工况。

Description

基于远传数据的电驱总成可靠性工况构建方法及构建装置
技术领域
本发明属于交通运输领域，尤其是涉及基于远传数据的电驱总成可靠性工况构建方法及构建装置。
背景技术
近几年，纯电动汽车保有量的不断增加、使用时间的不断延长以及使用场景的不断复杂化均对纯电动汽车的可靠性提出了挑战。电驱总成作为纯电动汽车的核心部件，其可靠性的优劣直接关系到纯电动汽车整车可靠性的优劣。在电驱总成可靠性工况构建过程中，如何获取符合广大用户驾驶习惯的电驱总成全寿命周期载荷谱是目前亟待解决的问题。传统电驱总成可靠性工况构建过程中，通常采用实际道路采集与用户调查相结合的方法来获取电驱总成全寿命周期载荷谱，而实际道路采集的规模及调查人员的主观感受均对获取载荷谱的准确性有较大影响。若载荷谱与实际偏差较大，就会造成对电驱总成可靠性的过考核或欠考核，影响对于电驱总成的可靠性的评价。
发明内容
有鉴于此，本发明旨在提出一种基于远传数据的电驱总成可靠性工况构建方法，能较准确地确定低速、中速和高速的权重系数，有利于获得更符 合用户实际使用的电驱总成全寿命周期载荷谱。以解决现有技术在数据覆盖 范围、采集周期、采集成本方面存在的不足。
为达到上述目的，本发明创造的技术方案是这样实现的：
一种基于远传数据的电驱总成可靠性工况构建方法，包括以下步骤：
S1、对远传数据的运动片段进行切割、清洗和补充，多个所述运动片段经切割、清洗、补充后形成片段库；
S2、从步骤S1中的所述片段库中筛选出激烈驾驶片段，并根据所述激烈驾驶片段的平均车速，分别形成低速、中速和高速激烈驾驶片段库；
S3、基于步骤S2中的所述低速、中速和高速激烈驾驶片段库确定低速、中速和高速的权重系数，并构建低速、中速和高速整车工况曲线，多条所述低速、中速和高速整车工况曲线形成整车工况库；
S4、将步骤S3中的所述整车工况库进行转化，构建低速、中速和高速电驱总成载荷工况库；
S5、分别计算步骤S4中的所述低速、中速和高速电驱总成载荷工况库的最小循环数，根据三个所述最小循环数的最大值分别从低速、中速、高速电驱总成载荷工况库中挑选电驱总成载荷工况，完成单循环样本构建，外推单循环样本生成电驱总成全寿命周期载荷谱；
S6、基于S5步骤中生成的所述电驱总成全寿命周期载荷谱计算电驱总成的全寿命周期疲劳损伤值，构建电驱总成可靠性工况。
进一步的，在步骤S1中的所述远传数据的切割、清洗和补充包括以下步骤：
S11、根据远传数据中的车速数据进行运动片段切割；
S12、计算步骤S11中所述运动片段切割后的数据缺失率；
S13、判断步骤S12中计算得到的所述数据缺失率结果是否大于或等于5%，是，则直接删除运动片段，否，则进行步骤S14；
S14、对缺失的运动片段进行补充；
S15、多个所述运动片段经过步骤S14补充后形成片段库。
进一步的，在步骤S2中的所述激烈驾驶片段筛选包括以下步骤：
S21、对步骤S1中形成的片段库中的每个所述运动片段进行相对正加速度计算；
S22、根据步骤S21中的所述运动片段的相对正加速度分位点筛选出激烈驾驶片段；
S23、将步骤S22中筛选出的所述激烈驾驶片段按照激烈驾驶片段的平均车速，分别形成低速、中速和高速激烈驾驶片段库。
进一步的，在步骤S3中的所述整车工况库构建包括以下步骤：
S31、根据步骤S2中形成的所述低速、中速、高速激烈驾驶片段库，计算得到低速、中速、高速权重系数，通过低速、中速、高速权重系数确定低速、中速、高速整车工况曲线时长；
S32、从步骤S2中形成低速、中速、高速激烈驾驶片段库中分别挑选出低速、中速、高速激烈驾驶片段，按照步骤S31中确定的低速、中速、高速整车工况曲线时长，构建低速、中速和高速整车工况曲线，多条所述低速、中速和高速整车工况曲线形成整车工况库。
进一步的，在步骤S5中的所述电驱总成全寿命周期载荷谱生成包括以下步骤：
S51、分别计算步骤S4中的所述低速、中速和高速电驱总成载荷工况库的三个最小循环数；
S52、根据步骤S51中的三个所述最小循环数的最大值分别从低速、中速、高速电驱总成载荷工况库中挑选电驱总成载荷工况，完成单循环样本构建；
S53、外推步骤S52中构建的所述单循环样本，最终生成电驱总成全寿命周期载荷谱。
进一步的，在步骤S6中的所述电驱总成可靠性工况构建包括以下步骤：
S61、基于步骤S4中的所述低速、中速和高速电驱总成载荷工况库选取电驱总成载荷点，并构建可靠性基准工况；
S62、基于等损伤原理，构建电驱总成可靠性工况。
相对于现有技术，本发明所述的基于远传数据的电驱总成可靠性工况构建方法具有以下优势：
（1）本发明所述的基于远传数据的电驱总成可靠性工况构建方法，以实际用户驾驶过程中所产生的远传数据为原始数据，代替了实际道路采集的传统方法，在数据覆盖范围、采集周期、采集成本方面均存在明显优势。该方法利用车辆远传数据能较准确地确定低速、中速和高速的权重系数，并基于多准则决策法确定电驱总成载荷工况的最小循环数，进而外推生成电驱总成全寿命周期载荷谱，最终基于等效损伤原理构建电驱总成可靠性工况。该方法可为相关企业构建电驱总成可靠性工况提供技术性支持。
本发明的另一目的在于提出一种基于远传数据的电驱总成可靠性工况构建装置，以解决电驱总成载荷工况的用户驾驶习惯覆盖性问题以及不同速度区间权重系数确定问题，同时缩短研发周期，降低研发成本。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于远传数据的电驱总成可靠性工况构建装置，包括远传数据处理模块、激烈驾驶片段筛选模块、整车工况库构建模块、电驱总成载荷工况库构建模块、全寿命周期载荷谱生成模块、电驱总成可靠性工况构建模块和电子设备，所述远传数据处理模块、激烈驾驶片段筛选模块、整车工况库构建模块、电驱总成载荷工况库构建模块、全寿命周期载荷谱生成模块和电驱总成可靠性工况构建模块之间依次信号连接；
所述远传数据处理模块用于对远传数据的运动片段进行切割、清洗和补充，多个所述运动片段经切割、清洗、补充后形成片段库；所述激烈驾驶片段筛选模块用于从所述片段库中筛选出激烈驾驶片段，并根据所述激烈驾驶片段的平均车速，分别形成低速、中速和高速激烈驾驶片段库；所述整车工况库构建模块用于通过所述低速、中速和高速激烈驾驶片段库确定低速、中速和高速的权重系数，并构建低速、中速和高速整车工况曲线，多条所述低速、中速和高速整车工况曲线形成整车工况库；所述电驱总成载荷工况库构建模块用于转化所述整车工况库，构建低速、中速和高速电驱总成载荷工况库；所述全寿命周期载荷谱生成模块用于计算所述低速、中速和高速电驱总成载荷工况库的最小循环数，根据三个所述最小循环数的最大值分别从低速、中速、高速电驱总成载荷工况库中挑选电驱总成载荷工况，完成单循环样本构建，外推单循环样本生成电驱总成全寿命周期载荷谱；所述电驱总成可靠性工况构建模块用于通过所述电驱总成全寿命周期载荷谱计算电驱总成的全寿命周期疲劳损伤值，构建电驱总成可靠性工况；
所述远传数据处理模块、激烈驾驶片段筛选模块、整车工况库构建模块、电驱总成载荷工况库构建模块、全寿命周期载荷谱生成模块、电驱总成可靠性工况构建模块均信号连接至电子设备。
进一步的，所述电子设备包括处理器和存储器，存储器通信连接至处理器，存储器用于存储处理器执行的指令。
相对于现有技术，本发明所述的基于远传数据的电驱总成可靠性工况构建装置具有以下优势：
（1）本发明所述的基于远传数据的电驱总成可靠性工况构建装置，设计合理，基于远传数据运动片段的相对正加速值对激烈驾驶片段进行了筛选，并构建低速、中速和高速激烈驾驶电驱总成载荷工况库，从而有效解决了电驱总成载荷工况的用户驾驶习惯覆盖性问题。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的运动片段切割示意图；
图2为本发明实施例所述的运动片段RPA值94%和96%分位点获取示意图；
图3为图2中A的放大图；
图4为图2中B的放大图；
图5为本发明实施例所述的低速激烈驾驶片段库工况构建方法示意图；
图6为图5中C的放大图；
图7为图5中D的放大图；
图8为图5中E的放大图；
图9为图5中F的放大图；
图10为图5中G的放大图；
图11为图5中H的放大图；
图12为图5中I的放大图；
图13为图5中J的放大图；
图14为本发明实施例所述的单循环样本示例示意图；
图15为图14中K的放大图；
图16为图14中L的放大图；
图17为本发明实施例所述的电驱总成中速区间载荷点聚类分析结果示意图；
图18为图17中M的放大图；
图19为图17中N的放大图；
图20为本发明实施例所述的电驱总成可靠性测试工况样例示意图；
图21为本发明实施例所述的构建方法流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
名词解释：
多准则决策法：多准则决策是指在具有相互冲突、不可共度的有限 (无限)方案集中进行选择的决策。它是分析决策理论的重要内容之一。1、可进行多个项目的评判、排队和选优。2、对一个项目进行研究时，每个影响因子都以主判这个项目的准则对待，并对因子的数值要进行一系列的信息加工和提取，给各因子的重要性赋以权重。3、将项目评估表看做是一个决策判断矩阵，然后采用十多种决策判别方法组织信息，组合成一个分析机理性强的动态分析系统，进而借助于现代化的计算机技术快速完成信息加工；还可组织决策会议，快速反应决策参与人的意见，利于形成一致性观点。多准则决策(MCDM)根据决策方案是有限还是无限，而分为多属性决策(MADM)与多目标决策(MODM )两大类。
客观权重法：即客观赋权法，客观赋权法是界定评价企业竞争力的一种手段，根据原始数据之间的关系通过一定的数学方法来确定权重，其判断结果不依赖于人的主观判断，有较强的数学理论依据。常用的客观赋权法通常包括主成分分析法 、离差及均方差法、多目标规划法等。
非参数外推方法：即非参数方法，在一个统计推断问题中，如果总体分布的具体形式已知(最常见的是假定为正态分布)，则我们只需对其中含有的若干个未知参数作出估计或进行某种形式的假设检验，这类推断方法称为参数方法。但在许多实际问题中，我们对总体分布的形式往往所知甚少(如只能作出诸如连续型分布、关于均值对称等微弱的假定)，甚至一无所知。这时就需要使用不必(或很少)依赖于总体分布形式的统计推断方法，此类推断方法通常称为非参数方法(non-parametric method)。
蛙跳算法：蛙跳算法（SFLA）是一种全新的启发式群体进化算法，具有高效的计算性能和优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述，针对算法局部更新策略引起的更新操作前后个体空间位置变化较大，降低收敛速度这一问题，提出了一种基于阈值选择策略的改进蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略，减小了个体空间差异，从而改善了算法的性能。数值实验证明了该改进算法的有效性，并对改进算法的阈值参数进行了率定。
聚类分析法：聚类分析法是理想的多变量统计技术，主要有分层聚类法和迭代聚类法。聚类分析也称群分析、点群分析，是研究分类的一种多元统计方法。
如图1至图21所示，基于远传数据的电驱总成可靠性工况构建方法，包括以下步骤：
S1、对远传数据的运动片段进行切割、清洗和补充，多个所述运动片段经切割、清洗、补充后形成片段库；
S2、从步骤S1中的所述片段库中筛选出激烈驾驶片段，并根据所述激烈驾驶片段的平均车速，分别形成低速、中速和高速激烈驾驶片段库；
S3、基于步骤S2中的所述低速、中速和高速激烈驾驶片段库确定低速、中速和高速的权重系数，并构建低速、中速和高速整车工况曲线，多条所述低速、中速和高速整车工况曲线形成整车工况库；
S4、将步骤S3中的所述整车工况库进行转化，构建低速、中速和高速电驱总成载荷工况库；
S5、分别计算步骤S4中的所述低速、中速和高速电驱总成载荷工况库的最小循环数，根据三个所述最小循环数的最大值分别从低速、中速、高速电驱总成载荷工况库中挑选电驱总成载荷工况，完成单循环样本构建，外推单循环样本生成电驱总成全寿命周期载荷谱；
S6、基于S5步骤中生成的所述电驱总成全寿命周期载荷谱计算电驱总成的全寿命周期疲劳损伤值，构建电驱总成可靠性工况。
本发明以实际用户驾驶过程中所产生的远传数据为原始数据，代替了实际道路采集的传统方法，在数据覆盖范围、采集周期、采集成本方面均存在明显优势。基于远传数据运动片段的相对正加速值对激烈驾驶片段进行了筛选，并构建低速、中速和高速激烈驾驶电驱总成载荷工况库，从而有效解决了电驱总成载荷工况的用户驾驶习惯覆盖性问题。该方法利用车辆远传数据能较准确地确定低速、中速和高速的权重系数，并基于多准则决策法确定电驱总成载荷工况的最小循环数，进而外推生成电驱总成全寿命周期载荷谱，最终基于等效损伤原理构建电驱总成可靠性工况。该方法可为相关企业构建电驱总成可靠性工况提供技术性支持。
在步骤S1中的所述远传数据的切割、清洗和补充包括以下步骤：
S11、根据远传数据中的车速数据进行运动片段切割；
S12、计算步骤S11中所述运动片段切割后的数据缺失率；
S13、判断步骤S12中计算得到的所述数据缺失率结果是否大于或等于5%，是，则直接删除运动片段，否，则进行步骤S14；
S14、对缺失的运动片段进行补充；
S15、多个所述运动片段经过步骤S14补充后形成片段库。在本实施例中，远传数据的运动片段切割、清洗和补充：根据远传数据中的车速数据进行运动片段切割，基于运动片段数据缺失率对运动片段进行清洗和补充，若缺失率大于或等于5%，则直接删除该运动片段；若缺失率小于5%，则采用线性差值方法对缺失包括车速、电驱总成扭矩及转速在内的远传数据进行补充。
在步骤S2中的所述激烈驾驶片段筛选包括以下步骤：
S21、对步骤S1中形成的片段库中的每个所述运动片段进行相对正加速度计算；
S22、根据步骤S21中的所述运动片段的相对正加速度分位点筛选出激烈驾驶片段；
S23、将步骤S22中筛选出的所述激烈驾驶片段按照激烈驾驶片段的平均车速，分别形成低速、中速和高速激烈驾驶片段库。在本实施例中，激烈驾驶片段的筛选：对每个运动片段的相对正加速（RPA）进行计算，并根据运动片段RPA分位点筛选出激烈驾驶片段，并按照平均速度不同分别分为低速、中速和高速激烈驾驶片段。
在步骤S3中的所述整车工况库构建包括以下步骤：
S31、根据步骤S2中形成的所述低速、中速、高速激烈驾驶片段库，计算得到低速、中速、高速权重系数，通过低速、中速、高速权重系数确定低速、中速、高速整车工况曲线时长；
S32、基于卡方检验从步骤S2中形成低速、中速、高速激烈驾驶片段库中分别挑选出低速、中速、高速激烈驾驶片段，按照步骤S31中确定的低速、中速、高速整车工况曲线时长，构建低速、中速和高速整车工况曲线，多条低速、中速和高速整车工况曲线形成整车工况库。
在步骤S5中的电驱总成全寿命周期载荷谱生成包括以下步骤：
S51、通过多准则决策法结合客观权重法分别计算步骤S4中的所述低速、中速和高速电驱总成载荷工况库的三个最小循环数；
S52、根据步骤S51中的三个所述最小循环数的最大值分别从低速、中速、高速电驱总成载荷工况库中挑选电驱总成载荷工况，完成单循环样本构建；
S53、通过非参数外推方法外推步骤S52中构建的单循环样本，最终生成电驱总成全寿命周期载荷谱。
在步骤S51中的通过多准则决策法结合客观权重法计算电驱总成载荷工况库的最小循环数包括以下步骤：
S511、分别计算步骤S4中所形成的低速、中速和高速电驱总成载荷工况库中每条工况的载荷特征参数，所述载荷特征参数包括载荷均值、载荷标准差和疲劳损伤；
S512、通过多准则决策法计算低速、中速和高速电驱总成载荷工况库基于载荷均值的最小循环数、基于载荷标准差的最小循环数和基于疲劳损伤的最小循环数；
S513、通过客观权重法确定步骤S512中各个准则的客观权重系数，并将客观权重系数加权分别获得低速、中速和高速电驱总成载荷工况库的最小循环数；
在步骤S52中的电驱总成载荷工况单循环样本构建包括以下步骤：
S521、根据步骤S51中计算得到的低速、中速、高速电驱总成载荷工况库的最小循环数的最大值分别从低速、中速、高速电驱总成载荷工况库中挑选电驱总成载荷工况；
S522、将步骤S521中挑选出的电驱总成载荷工况，按从低速到高速的顺序排列，构建电驱总成载荷工况单循环样本。在本实施例中，电驱总成全寿命周期载荷谱生成：
（1）基于多准则决策法结合客观权重法确定电驱总成载荷工况最小循环数：分别计算低速、中速和高速电驱总成载荷工况库中每条工况的载荷特征参数，包括：载荷均值、载荷标准差和疲劳损伤。载荷均值可采用以下公式计算得到：
Figure 700924DEST_PATH_IMAGE001
；载荷标准差可以采用以下公式计算得到：
Figure 86906DEST_PATH_IMAGE002
；其中，
Figure 335485DEST_PATH_IMAGE003
表示载荷均值、
Figure 871639DEST_PATH_IMAGE004
为载荷标准差，
Figure 826957DEST_PATH_IMAGE005
表示第i个载荷大小，n表示载荷数量。疲劳损伤可以采用以下公式计算得到：
Figure 321524DEST_PATH_IMAGE006
；其中，D表示疲劳损伤，
Figure 322978DEST_PATH_IMAGE007
表示应力幅值，
Figure 193982DEST_PATH_IMAGE008
表示应力均值，载荷谱经雨流计数后可得一系列的载荷循环，每个载荷循环可用起应力幅值
Figure 331702DEST_PATH_IMAGE009
和应力均值
Figure 59487DEST_PATH_IMAGE010
唯一确定。
Figure 282657DEST_PATH_IMAGE011
表示该载荷下的应力循环数，
Figure 344636DEST_PATH_IMAGE012
表示相应载荷下的疲劳寿命。
在此基础上，首先基于多准则决策法初步确定低速、中速和高速工况库的最小循环数，基于载荷均值的最小循环数可以采用以下公式计算得到：
Figure 602442DEST_PATH_IMAGE013
；其中，N为最小循环数，
Figure 183684DEST_PATH_IMAGE014
表示载荷均值的标准差，
Figure 362992DEST_PATH_IMAGE015
表示载荷均值的均值，
Figure 310220DEST_PATH_IMAGE016
表示载荷均值的误差。
基于载荷标准差的最小循环数可以采用以下公式计算得到：
Figure 422532DEST_PATH_IMAGE017
；其中，N为最小循环数，
Figure 226540DEST_PATH_IMAGE018
表示载荷标准差的标准差，
Figure 424303DEST_PATH_IMAGE019
表示载荷标准差的均值，
Figure 237539DEST_PATH_IMAGE020
表示载荷标准差的误差。
基于疲劳损伤的最小循环数可以采用以下公式计算得到：
Figure 204358DEST_PATH_IMAGE021
；其中，N为最小循环数，S(D)表示疲劳损伤的标准差，
Figure 444846DEST_PATH_IMAGE022
表示疲劳损伤的均值，
Figure 864326DEST_PATH_IMAGE023
表示疲劳损伤的误差，
Figure 215673DEST_PATH_IMAGE024
为相应置信水平
Figure 36998DEST_PATH_IMAGE025
下的t分布数值。基于客观权重法确定各个准则的客观权重系数，最终加权获得低速、中速和高速工况库的最小循环数，并取其中的最大值作为电驱总成载荷工况的最小循环数。其中客观权重系数的计算方法如下所示：
首先根据载荷特征参数，基于客观权重法确定各个准则的客观权重系数，客观权重法中涉及的决策矩阵
Figure 448388DEST_PATH_IMAGE026
为：
Figure 824006DEST_PATH_IMAGE027
；其中，
Figure 713464DEST_PATH_IMAGE028
代表低速、中速和高速3种速度区间，
Figure 654876DEST_PATH_IMAGE029
表示载荷均值、载荷标准差和疲劳损伤3种准则，
Figure 237167DEST_PATH_IMAGE030
分别表示3种准则的客观权重系数。
Figure 631239DEST_PATH_IMAGE031
指第i个速度区间中的第j个准则值。
将矩阵R列向量归一化得到P矩阵
Figure 324389DEST_PATH_IMAGE032
；
各准则的客观权重系数
Figure 854727DEST_PATH_IMAGE033
可通过下式进行计算：
Figure 607919DEST_PATH_IMAGE034
；其中
Figure 489288DEST_PATH_IMAGE035
表为熵值可通过下式进行求解：
Figure 206969DEST_PATH_IMAGE036
；其中，
Figure 857393DEST_PATH_IMAGE037
。m为速度区间数，取值为3，进而计算出各个准则的客观权重系数
Figure 515907DEST_PATH_IMAGE038
。
在步骤S42中的构建电驱总成载荷工况单循环样本包括以下步骤：
S421、分别筛选出低速、中速和高速电驱总成载荷工况；
S422、按从低速到高速的顺序排列组合；
S423、构建电驱总成载荷工况单循环样本。在本实施例中，（2）构建电驱总成载荷工况单循环样本：根据离差平方和最小原理，按照电驱总成载荷工况最小循环数的要求，分别筛选出低速、中速和高速电驱总成载荷工况，并按从低速到高速的顺序排列组合，最终构建电驱总成载荷工况单循环样本。在本实施例中，（3）基于非参数外推方法生成电驱总成全寿命周期载荷谱：根据可靠性考察总里程数，确定外推因子。采用基于相关向量机预测模型进行电驱总成全寿命周期载荷谱外推，其中相关向量机核函数参数采用模拟蛙跳算法进行优化。
在步骤S6中的电驱总成可靠性工况构建包括以下步骤：
S61、基于步骤S4中所构建低速、中速和高速电驱总成载荷工况库，采用聚类分析的方法选取电驱总成载荷点，并构建可靠性基准工况；
S62、基于等损伤原理，构建电驱总成可靠性工况。在本实施例中，电驱总成可靠性工况构建：
（1）电驱总成载荷点选取：基于聚类分析方法，结合远传数据，分别在低速、中速和高速速度区间中选出载荷点，综合考虑电驱总成的额定及峰值载荷点，最终确定电驱总成载荷点。根据各载荷点的时间占比，构建电驱总成可靠性基准工况。
在步骤S62中的构建电驱总成可靠性工况包括以下步骤：
S621、利用步骤S5中生成的电驱总成全寿命周期载荷谱，计算电驱总成全寿命周期以及可靠性基准工况的疲劳损伤值；
S622、基于等损伤原理，确定基准工况的循环次数，完成电驱总成可靠性工况的构建。在本实施例中，（2）电驱总成可靠性工况构建：将电驱总成全寿命周期载荷谱转变为一维载荷谱：
Figure 884572DEST_PATH_IMAGE039
；其中，
Figure 388365DEST_PATH_IMAGE040
指等效零均值应力，
Figure 158875DEST_PATH_IMAGE041
指第i个应力幅值，
Figure 988291DEST_PATH_IMAGE042
指第j个应力均值，
Figure 844251DEST_PATH_IMAGE043
指材料的强度极限。采用一维载荷谱计算电驱总成全寿命周期以及可靠性基准工况的疲劳损伤值，并根据损伤原理，确定基准工况的循环次数，最终完成电驱总成可靠性工况的构建。
基于远传数据的电驱总成可靠性工况构建装置，包括远传数据处理模块、激烈驾驶片段筛选模块、整车工况库构建模块、电驱总成载荷工况库构建模块、全寿命周期载荷谱生成模块、电驱总成可靠性工况构建模块、电子设备，所述远传数据处理模块、激烈驾驶片段筛选模块、整车工况库构建模块、电驱总成载荷工况库构建模块、全寿命周期载荷谱生成模块和电驱总成可靠性工况构建模块之间依次信号连接；
所述远传数据处理模块用于对远传数据的运动片段进行切割、清洗和补充，多个所述运动片段经切割、清洗、补充后形成片段库；所述激烈驾驶片段筛选模块用于从所述片段库中筛选出激烈驾驶片段，并根据所述激烈驾驶片段的平均车速，分别形成低速、中速和高速激烈驾驶片段库；所述整车工况库构建模块用于通过所述低速、中速和高速激烈驾驶片段库确定低速、中速和高速的权重系数，并构建低速、中速和高速整车工况曲线，多条所述低速、中速和高速整车工况曲线形成整车工况库；所述电驱总成载荷工况库构建模块用于转化所述整车工况库，构建低速、中速和高速电驱总成载荷工况库；所述全寿命周期载荷谱生成模块用于计算所述低速、中速和高速电驱总成载荷工况库的最小循环数，根据三个所述最小循环数的最大值分别从低速、中速、高速电驱总成载荷工况库中挑选电驱总成载荷工况，完成单循环样本构建，外推单循环样本生成电驱总成全寿命周期载荷谱；所述电驱总成可靠性工况构建模块用于通过所述电驱总成全寿命周期载荷谱计算电驱总成的全寿命周期疲劳损伤值，构建电驱总成可靠性工况；
所述数据处理模块、激烈驾驶片段筛选模块、整车工况库构建模块、电驱总成载荷工况库构建模块、全寿命周期载荷谱生成模块和电驱总成可靠性工况构建模块均信号连接至电子设备。所述电子设备包括处理器和存储器，存储器通信连接至处理器，存储器用于存储处理器执行的指令。
在本实施例中，基于远传数据的电驱总成可靠性工况构建装置，包括以下模块：远传数据处理模块，用于运动片段的切割、清洗和补充；激烈驾驶片段筛选模块，用于激烈驾驶片段的筛选及低速、中速和高速激烈驾驶片段库的构建；整车工况库构建模块，用于确定低速、中速和高速的权重系数，并分别构建低速、中速和高速整车工况曲线，多条低速、中速和高速整车工况曲线形成整车工况库；电驱总成载荷工况库构建模块，用于将整车工况曲线转化为电驱总成载荷工况，并形成工况库；全寿命周期载荷谱生成模块，用于确定电驱总成载荷工况的最小循环数，构建电驱总成载荷工况单循环样本，最终外推生成电驱总成全寿命周期载荷谱；电驱总成可靠性工况构建模块，用于确定电驱总成载荷点，并根据等损伤原理构建电驱总成可靠性工况。
提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。该电子设备中的处理器能够执行上述方法，因而至少具有与上述方法相同的优势。提供了一种介质，所述介质上存储有计算机指令，所述计算机指令用于使所述计算机执行上述的方法。该介质中的计算机指令能够使计算机执行上述方法，因而至少具有与上述方法相同的优势。
实施例1
以下结合附图，对发明方法做进一步详细说明，具体步骤如下：
远传数据的运动片段切割及运动片段清洗和补充：
根据远传数据中的车速数据进行运动片段切割，其中：一个运动片段以车速为0km/h为起点，以车速再一次为0km/h为终点，如图1所示。
根据运动片段数据缺失率对运动片段进行清洗和补充，“缺失率”是指运动片段采样点累计缺失时长与采集周期的比值。若缺失率大于或等于5%，则直接删除该运动片段；若缺失率小于5%，则采用线性差值的方法对缺失的包括车速、电驱总成扭矩及转速在内远传数据进行补充；
激烈驾驶片段的筛选及低速、中速和高速激烈驾驶片段库的构建：
对每个运动片段的相对正加速（RPA）采用以下公式进行计算：
Figure 682894DEST_PATH_IMAGE044
（1）其中i为采样时刻（s），
Figure 307911DEST_PATH_IMAGE045
为车辆在第i秒的速度（m/s），
Figure 573807DEST_PATH_IMAGE046
为加速度大于0m/s2的加速度值（m/s2），x为车辆运行里程（m）。计算每个平均速度下所有运动片段RPA值的94%和96%分位点，如图2-图4，进而筛选出RPA值介于94%~96%之间的运动片段作为激烈驾驶片段。
将上述激烈驾驶片段按照平均速度不同分为低速、中速和高速激烈驾驶片段库。其中，推荐把平均速度大于0km/h且小于等于30km/h的激烈驾驶片段归为低速激烈驾驶片段库；把平均速度大于30km/h且小于等于40km/h的激烈驾驶片段归为中速激烈驾驶片段库；把平均速度大于40km/h的激烈驾驶片段归为高速激烈驾驶片段库。
低速、中速和高速的权重系数确定及电驱总成载荷工况库构建：
基于远传数据确定低速、中速和高速的权重系数，统计各激烈驾驶片段库中所有片段时长总和，获得低速、中速、高速权重系数，确定不同速度区间内每条电驱总成载荷工况的持续时间。基于对远传数据的分析可得，低速、中速和高速的权重系数分别为31.17%、39.66%和29.17%，设定低速电驱总成载荷工况的持续时间为3600s，根据权重系数，可知中速电驱总成载荷工况的持续时间为4580s，高速电驱总成载荷工况的持续时间为3369s。
将低速、中速和高速激烈驾驶片段库中的运动片段按平均速度不同再细分为平均速度间隔为5km/h的子片段库，采用卡方检验的方式，分别在各子片段库中挑选出最能能够反映该子片段库速度-加速度分布特征的激烈驾驶片段，并将不符合的激烈驾驶片段从库中删去。如图5-图13所示，在低速激烈驾驶片段库中按照子片段库平均速度从低到高，依次不重复随机抽取一个激烈驾驶片段，组成电驱总成载荷工况，每个片段之间设置1s间隔，直至所组成的工况时长达到上述低速区间电驱总成载荷工况持续时间为止。用同样的方法构建若干条工况，最终形成低速电驱总成载荷工况库，以此类推，分别形成中速和高速电驱总成载荷工况库，其中低速、中速和高速工况库中的工况条数需相等，且每个载荷工况库至少包含20条载荷工况。
电驱总成全寿命周期载荷谱生成：分别计算低速、中速和高速电驱总成载荷工况库中每条工况的载荷特征参数，包括：载荷均值的均值及标准差、载荷标准差的均值及标准差和疲劳损伤的均值和标准差。在此基础上，基于多准则决策法确定低速、中速和高速工况库的最小循环数，最终取其中的最大值作为电驱总成载荷工况最小循环数。
载荷均值可采用以下公式计算得到：
Figure 651485DEST_PATH_IMAGE047
（2）；载荷标准差可以采用以下公式计算得到：
Figure 293818DEST_PATH_IMAGE048
（3）；其中，
Figure 773341DEST_PATH_IMAGE049
表示载荷均值、
Figure 210139DEST_PATH_IMAGE050
为载荷标准差，
Figure 978375DEST_PATH_IMAGE051
表示第i个载荷大小，n表示载荷数量。疲劳损伤可以采用以下公式计算得到：
Figure 424400DEST_PATH_IMAGE052
（4）；其中，D表示疲劳损伤，
Figure 758429DEST_PATH_IMAGE053
表示应力幅值，
Figure 366128DEST_PATH_IMAGE054
表示应力均值，载荷谱经雨流计数后可得一系列的载荷循环，每个载荷循环可用起应力幅值
Figure 418397DEST_PATH_IMAGE055
和应力均值
Figure 136955DEST_PATH_IMAGE056
唯一确定。
Figure 591070DEST_PATH_IMAGE057
表示该载荷下的应力循环数，
Figure 369670DEST_PATH_IMAGE058
表示相应载荷下的疲劳寿命。
选择载荷均值、载荷标准差和疲劳损伤作为决策准则，分别计算低速、中速和高速工况的最小循环数。
基于载荷均值的最小循环数可以采用以下公式计算得到：
Figure 112498DEST_PATH_IMAGE059
（5）；其中，N为最小循环数，
Figure 634746DEST_PATH_IMAGE060
表示载荷均值的标准差，
Figure 943368DEST_PATH_IMAGE061
表示载荷均值的均值，
Figure 892869DEST_PATH_IMAGE062
表示载荷均值的误差。为了提高精度，推荐选择置信度95.4%，
Figure 654152DEST_PATH_IMAGE063
设定为5%。
基于载荷标准差的最小循环数可以采用以下公式计算得到：
Figure 974232DEST_PATH_IMAGE064
（6）；其中，N为最小循环数，
Figure 402939DEST_PATH_IMAGE065
表示载荷标准差的标准差，
Figure 523342DEST_PATH_IMAGE066
表示载荷标准差的均值，
Figure 37500DEST_PATH_IMAGE067
表示载荷标准差的误差。为了提高精度，推荐选择置信度95.4%，
Figure 901551DEST_PATH_IMAGE068
设定为5%。
基于疲劳损伤的最小循环数可以采用以下公式计算得到：
Figure 919185DEST_PATH_IMAGE069
（7）；其中，N为最小循环数，S(D)表示疲劳损伤的标准差，
Figure 476068DEST_PATH_IMAGE070
表示疲劳损伤的均值，
Figure 211943DEST_PATH_IMAGE071
表示疲劳损伤的误差，
Figure 879685DEST_PATH_IMAGE072
为相应置信水平
Figure 751826DEST_PATH_IMAGE073
下的t分布数值。为了提高精度，推荐选取的置信水平
Figure 479611DEST_PATH_IMAGE074
=95%，相对误差
Figure 702781DEST_PATH_IMAGE075
为5%的t分布数值。
根据以上公式，求解出低速、中速和高速电驱总成载荷工况库的最小循环数，如表1所示。
表1 各载荷工况库最小循环数
Figure 908635DEST_PATH_IMAGE077
根据载荷特征参数，基于客观权重法确定各个准则的客观权重系数，客观权重法中涉及的决策矩阵
Figure 900862DEST_PATH_IMAGE078
为：
Figure 2810DEST_PATH_IMAGE079
（8）；其中，
Figure 447698DEST_PATH_IMAGE080
代表低速、中速和高速3种速度区间，
Figure 457242DEST_PATH_IMAGE081
表示载荷均值、载荷标准差和疲劳损伤3种准则，
Figure 569555DEST_PATH_IMAGE082
分别表示3种准则的客观权重系数。
Figure 373562DEST_PATH_IMAGE083
指第i个速度区间中的第j个准则值。例如：
Figure 571326DEST_PATH_IMAGE084
代表低速电驱总成载荷工况的载荷均值的均值，
Figure DEST_PATH_IMAGE085
代表低速电驱总成载荷工况的载荷标准差的均值，
Figure 587823DEST_PATH_IMAGE086
代表低速电驱总成载荷工况的疲劳损伤的均值，计算后的结果如下式所示：
Figure DEST_PATH_IMAGE087
（9）；矩阵R列向量归一化得到P矩阵：
Figure 23484DEST_PATH_IMAGE088
（10）；
Figure DEST_PATH_IMAGE089
（11）；
各准则的客观权重系数
Figure 467234DEST_PATH_IMAGE090
可通过下式进行计算：
Figure DEST_PATH_IMAGE091
（12）；其中
Figure 886715DEST_PATH_IMAGE092
表为熵值可通过下式进行求解：
Figure 441324DEST_PATH_IMAGE093
（13）；其中，
Figure DEST_PATH_IMAGE094
。m为速度区间数，取值为3，由此可以计算得：
Figure 725631DEST_PATH_IMAGE095
=-0.981、
Figure DEST_PATH_IMAGE096
=-0.989、
Figure 871442DEST_PATH_IMAGE097
=-0.574，则各准则的客观权重系数
Figure 778218DEST_PATH_IMAGE098
为：
Figure DEST_PATH_IMAGE099
。
最终确定的低速、中速和高速电驱总成载荷工况库的最小循环数分别为3.4、4.0和12.5，向上取整最终电驱总成载荷工况最小循环数为13，即需要分别从低速、中速和高速电驱总成载荷工况库中各挑选出13条工况曲线。
基于各工况库载荷特征值（扭矩和转速）的均值，采用离差平方和最小原理，按照电驱总成载荷工况最小循环数要求，筛选出低速、中速和高速电驱总成载荷工况。
Figure 136518DEST_PATH_IMAGE100
（14）；其中，
Figure DEST_PATH_IMAGE101
表示离差，
Figure 546771DEST_PATH_IMAGE102
为第i条工况的平均扭矩，
Figure 863483DEST_PATH_IMAGE103
为对应工况库所有工况的平均扭矩，
Figure DEST_PATH_IMAGE104
为第i条工况的平均转速，
Figure 726397DEST_PATH_IMAGE105
为对应工况库所有工况的平均转速。
按照低速、中速和高速的顺序，依次不重复随机抽取一条电驱总成载荷工况，直至抽取完成，每个工况之间设置1s间隔，最终形成电驱总成载荷工况单循环样本，如图14-图16所示，单循环样本单循环里程数为12840km，持续时间为413.3h。
根据可靠性考察总里程数，确定外推因子，通常情况下纯电动汽车电驱总成的设计寿命为30万km，因此此时外推系数为23.36，向上取整后外推系数为24。随后采用基于相关向量机预测模型进行电驱总成全寿命周期载荷谱外推，其中相关向量机核函数参数采用模拟蛙跳算法进行优化。最终生成的电驱总成全寿命周期载荷谱如表2所示，其中横坐标表头为扭矩幅值（单位N·m），纵坐标表头为扭矩均值（单位N·m），表中数据为频次。
表2 电驱总成全寿命周期载荷谱
Figure 622808DEST_PATH_IMAGE107
电驱总成可靠性工况构建:基于远传数据获得低速、中速和高速不同速度区间的电驱总成载荷点分布，并基于聚类分析方法分别在低速、中速和高速速度区间中选出载荷点，综合考虑电驱总成的额定及峰值载荷点，最终确定电驱总成载荷点。
基于聚类分析后所得到电驱总成中速区间载荷点如图17-图19所示，分别为载荷点1 [78.37N·m/1819rpm]、载荷点2 [49.68N·m/4114rpm]、载荷点3 [-70.75N·m/1524rpm]、载荷点4 [-55.75N·m/3852rpm]，分别对各工况点进行圆整，得到[80N·m/1800rpm]、[50N·m/4100rpm]、[-70N·m/1500rpm]和[-55N·m/3900rpm]，以同样的方法获得低速和高速区间载荷点，将电驱总成的额定及峰值载荷点考虑在内后，最终得到18个电驱总成载荷点及其时间占比，如表3所示，构建电驱总成可靠性基准工况如图20所示，总时长为7840s。
表3 电驱总成载荷点
Figure 215464DEST_PATH_IMAGE109
采用Goodman疲劳损伤经验公式进行等效应力转换，将二维载荷谱转化为一维载荷谱：
Figure DEST_PATH_IMAGE110
（15）；式中，
Figure 437498DEST_PATH_IMAGE111
指等效零均值应力，
Figure DEST_PATH_IMAGE112
指第i个应力幅值，
Figure 787708DEST_PATH_IMAGE113
指第j个应力均值，
Figure DEST_PATH_IMAGE114
指材料的强度极限。分别计算电驱总成全寿命周期以及可靠性基准工况的疲劳损伤值，结算结果分别为0.3896和0.000769。根据等损伤原理，需对基准工况的循环506.63次，向上取整为507次。因此电驱总成可靠性工况的总时长为7840×507=3974880s=1104.13h。
综上所述，本发明提出的基于远传数据的电驱总成可靠性工况构建方法能够方便快捷的构建电驱总成可靠性工况，可为相关企业构建电驱总成可靠性工况提供技术性支持。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于远传数据的电驱总成可靠性工况构建方法，其特征在于：包括以下步骤：
S1、对远传数据的运动片段进行切割、清洗和补充，多个所述运动片段经切割、清洗、补充后形成片段库；
S2、从步骤S1中的所述片段库中筛选出激烈驾驶片段，并根据所述激烈驾驶片段的平均车速，分别形成低速、中速和高速激烈驾驶片段库；
S3、基于步骤S2中的所述低速、中速和高速激烈驾驶片段库确定低速、中速和高速的权重系数，并构建低速、中速和高速整车工况曲线，多条所述低速、中速和高速整车工况曲线形成整车工况库；
S4、将步骤S3中的所述整车工况库进行转化，构建低速、中速和高速电驱总成载荷工况库；
S5、分别计算步骤S4中的所述低速、中速和高速电驱总成载荷工况库的最小循环数，根据三个所述最小循环数的最大值分别从低速、中速、高速电驱总成载荷工况库中挑选电驱总成载荷工况，完成单循环样本构建，外推单循环样本生成电驱总成全寿命周期载荷谱；
S6、基于S5步骤中生成的所述电驱总成全寿命周期载荷谱计算电驱总成的全寿命周期疲劳损伤值，构建电驱总成可靠性工况；
在步骤S2中的所述激烈驾驶片段筛选包括以下步骤：
S21、对步骤S1中形成的片段库中的每个所述运动片段进行相对正加速度计算；
S22、根据步骤S21中的所述运动片段的相对正加速度分位点筛选出激烈驾驶片段；
S23、将步骤S22中筛选出的所述激烈驾驶片段按照激烈驾驶片段的平均车速，分别形成低速、中速和高速激烈驾驶片段库；
在步骤S3中的所述整车工况库构建包括以下步骤：
S31、根据步骤S2中形成的所述低速、中速、高速激烈驾驶片段库，计算得到低速、中速、高速权重系数，通过低速、中速、高速权重系数确定低速、中速、高速整车工况曲线时长；
S32、从步骤S2中形成低速、中速、高速激烈驾驶片段库中分别挑选出低速、中速、高速激烈驾驶片段，按照步骤S31中确定的低速、中速、高速整车工况曲线时长，构建低速、中速和高速整车工况曲线，多条所述低速、中速和高速整车工况曲线形成整车工况库；
在步骤S5中的所述电驱总成全寿命周期载荷谱生成包括以下步骤：
S51、分别计算步骤S4中的所述低速、中速和高速电驱总成载荷工况库的三个最小循环数；
S52、根据步骤S51中的三个所述最小循环数的最大值分别从低速、中速、高速电驱总成载荷工况库中挑选电驱总成载荷工况，完成单循环样本构建；
S53、外推步骤S52中构建的所述单循环样本，最终生成电驱总成全寿命周期载荷谱；
在步骤S6中的所述电驱总成可靠性工况构建包括以下步骤：
S61、基于步骤S4中的所述低速、中速和高速电驱总成载荷工况库选取电驱总成载荷点，并构建可靠性基准工况；
S62、基于等损伤原理，构建电驱总成可靠性工况。
2.根据权利要求1所述的基于远传数据的电驱总成可靠性工况构建方法，其特征在于：在步骤S1中的所述远传数据的切割、清洗和补充包括以下步骤：
S11、根据远传数据中的车速数据进行运动片段切割；
S12、计算步骤S11中所述运动片段切割后的数据缺失率；
S13、判断步骤S12中计算得到的所述数据缺失率结果是否大于或等于5%，是，则直接删除运动片段，否，则进行步骤S14；
S14、对缺失的运动片段进行补充；
S15、多个所述运动片段经过步骤S14补充后形成片段库。
3.基于远传数据的电驱总成可靠性工况构建装置，采用权利要求1至2任一所述的基于远传数据的电驱总成可靠性工况构建方法，其特征在于：包括远传数据处理模块、激烈驾驶片段筛选模块、整车工况库构建模块、电驱总成载荷工况库构建模块、全寿命周期载荷谱生成模块、电驱总成可靠性工况构建模块和电子设备，所述远传数据处理模块、激烈驾驶片段筛选模块、整车工况库构建模块、电驱总成载荷工况库构建模块、全寿命周期载荷谱生成模块和电驱总成可靠性工况构建模块之间依次信号连接；
所述远传数据处理模块用于对远传数据的运动片段进行切割、清洗和补充，多个所述运动片段经切割、清洗、补充后形成片段库；所述激烈驾驶片段筛选模块用于从所述片段库中筛选出激烈驾驶片段，并根据所述激烈驾驶片段的平均车速，分别形成低速、中速和高速激烈驾驶片段库；所述整车工况库构建模块用于通过所述低速、中速和高速激烈驾驶片段库确定低速、中速和高速的权重系数，并构建低速、中速和高速整车工况曲线，多条所述低速、中速和高速整车工况曲线形成整车工况库；所述电驱总成载荷工况库构建模块用于转化所述整车工况库，构建低速、中速和高速电驱总成载荷工况库；所述全寿命周期载荷谱生成模块用于计算所述低速、中速和高速电驱总成载荷工况库的最小循环数，根据三个所述最小循环数的最大值分别从低速、中速、高速电驱总成载荷工况库中挑选电驱总成载荷工况，完成单循环样本构建，外推单循环样本生成电驱总成全寿命周期载荷谱；所述电驱总成可靠性工况构建模块用于通过所述电驱总成全寿命周期载荷谱计算电驱总成的全寿命周期疲劳损伤值，构建电驱总成可靠性工况；
所述远传数据处理模块、激烈驾驶片段筛选模块、整车工况库构建模块、电驱总成载荷工况库构建模块、全寿命周期载荷谱生成模块、电驱总成可靠性工况构建模块均信号连接至电子设备；
所述电子设备包括处理器和存储器，存储器通信连接至处理器，存储器用于存储处理器执行的指令。
CN202111536566.2A 2021-12-16 2021-12-16 基于远传数据的电驱总成可靠性工况构建方法及构建装置 Active CN113963462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111536566.2A CN113963462B (zh) 2021-12-16 2021-12-16 基于远传数据的电驱总成可靠性工况构建方法及构建装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111536566.2A CN113963462B (zh) 2021-12-16 2021-12-16 基于远传数据的电驱总成可靠性工况构建方法及构建装置

Publications (2)

Publication Number Publication Date
CN113963462A CN113963462A (zh) 2022-01-21
CN113963462B true CN113963462B (zh) 2022-02-25

Family

ID=79473276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111536566.2A Active CN113963462B (zh) 2021-12-16 2021-12-16 基于远传数据的电驱总成可靠性工况构建方法及构建装置

Country Status (1)

Country Link
CN (1) CN113963462B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114518234B (zh) * 2022-02-17 2023-08-15 浙江吉利控股集团有限公司 整车电驱的损伤检测方法、服务器、计算机可读存储介质
CN114841292B (zh) * 2022-07-04 2022-11-01 岚图汽车科技有限公司 一种汽车转向系统台架耐久试验载荷的获取方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067722A (zh) * 2017-04-24 2017-08-18 中国汽车技术研究中心 一种新的车辆行驶工况构建方法
CN109932191A (zh) * 2019-03-15 2019-06-25 中国汽车技术研究中心有限公司 一种实际道路行驶工况库及构建方法
CN111581893A (zh) * 2020-04-03 2020-08-25 上海理工大学 一种电驱动总成机械系统可靠性试验载荷谱的编制方法
CN112554814A (zh) * 2020-12-18 2021-03-26 华信唐山石油装备有限公司 一种连续抽油杆作业车及方法
JP2021051736A (ja) * 2019-09-24 2021-04-01 ▲広▼州大学 車両走行経路計画方法、装置、システム、媒体及びデバイス
CN113085832A (zh) * 2019-12-20 2021-07-09 陕西汽车集团有限责任公司 一种增程式混合动力车辆能量管理方法
CN113297795A (zh) * 2021-05-28 2021-08-24 长安大学 一种纯电动汽车行驶工况构建方法
CN113392471A (zh) * 2021-06-30 2021-09-14 华南农业大学 混合动力电动汽车减速器载荷谱编制方法、介质和设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372189B (zh) * 2016-08-31 2019-09-20 深圳市元征科技股份有限公司 交通工具云诊断的实现方法和相关装置
CN108510617A (zh) * 2018-03-28 2018-09-07 北京新能源汽车股份有限公司 驾驶工况的数据收集方法和收集系统
CN111198102B (zh) * 2020-01-17 2021-09-28 重庆长安新能源汽车科技有限公司 一种集成式电驱系统台架振动工况拟合方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067722A (zh) * 2017-04-24 2017-08-18 中国汽车技术研究中心 一种新的车辆行驶工况构建方法
CN109932191A (zh) * 2019-03-15 2019-06-25 中国汽车技术研究中心有限公司 一种实际道路行驶工况库及构建方法
JP2021051736A (ja) * 2019-09-24 2021-04-01 ▲広▼州大学 車両走行経路計画方法、装置、システム、媒体及びデバイス
CN113085832A (zh) * 2019-12-20 2021-07-09 陕西汽车集团有限责任公司 一种增程式混合动力车辆能量管理方法
CN111581893A (zh) * 2020-04-03 2020-08-25 上海理工大学 一种电驱动总成机械系统可靠性试验载荷谱的编制方法
CN112554814A (zh) * 2020-12-18 2021-03-26 华信唐山石油装备有限公司 一种连续抽油杆作业车及方法
CN113297795A (zh) * 2021-05-28 2021-08-24 长安大学 一种纯电动汽车行驶工况构建方法
CN113392471A (zh) * 2021-06-30 2021-09-14 华南农业大学 混合动力电动汽车减速器载荷谱编制方法、介质和设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Remote self-learning od driving cycle for electric vehicle demonstrating;Zhaug Ji-Hui et al;《2008 IEEE Vehicle Power and Propulsion Conference》;20081118;1-4 *
中国乘用车工况构建;刘昱等;《交通运输系统工程与信息》;20200630;233-240 *
基于聚类分析的汽车行驶工况构建研究;邵云飞等;《软件导刊》;20210430;129-134 *

Also Published As

Publication number Publication date
CN113963462A (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
CN113963462B (zh) 基于远传数据的电驱总成可靠性工况构建方法及构建装置
CN108133222B (zh) 为数据库确定卷积神经网络cnn模型的装置和方法
CN108765189B (zh) 基于智能诊断算法的开放式局部放电大数据管理系统
CN110765878A (zh) 一种短时降雨预测方法
JP2002543538A (ja) 実験データの分布状階層的発展型モデリングと可視化の方法
Zhang et al. Power transformer fault diagnosis considering data imbalance and data set fusion
US7124054B2 (en) System and method for mining model accuracy display
CN115392349A (zh) 掘进机的截割部的故障诊断方法、装置和掘进机
CN118209870B (zh) 一种锂电池健康水平的评估管理方法及系统
CN113362913A (zh) 一种基于随机森林回归的汽油辛烷值损失预测及优化方法
CN112200048A (zh) 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质
CN115423035A (zh) 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质
CN117172530A (zh) 基于数据挖掘算法的企业运营风险评估系统及方法
CN117783793B (zh) 一种开关柜的故障监测方法及系统
CN113569345B (zh) 一种基于多源信息融合的数控系统可靠性建模方法与装置
CN110689140A (zh) 一种通过大数据进行轨交报警数据智能管理的方法
CN110097120A (zh) 网络流量数据分类方法、设备及计算机存储介质
Zhao et al. State of Health Estimation of Electric Vehicle Batteries Using Transformer-Based Neural Network
CN117493813A (zh) 一种城市碳强度的分析方法及相关设备
CN117368784A (zh) 一种基于特征压缩的电池健康状态预测方法
CN107705160A (zh) 一种结合计量经济学和启发式智能的汽车销量预测方法及系统
CN116124460B (zh) 一种基于健康指标构建的轴承寿命预测方法及系统
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
Terceno et al. ECONOMIC-FINANCIAL FORECASTING MODEL OF BUSINESSES USING FUZZY RELATIONS.
Kumarappa et al. Machine learning-based prediction of lithium-ion battery life cycle for capacity degradation modelling

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
GR01 Patent grant
GR01 Patent grant