CN114115199A - 新能源环卫车辆的监测及故障诊断系统 - Google Patents

新能源环卫车辆的监测及故障诊断系统 Download PDF

Info

Publication number
CN114115199A
CN114115199A CN202111428021.XA CN202111428021A CN114115199A CN 114115199 A CN114115199 A CN 114115199A CN 202111428021 A CN202111428021 A CN 202111428021A CN 114115199 A CN114115199 A CN 114115199A
Authority
CN
China
Prior art keywords
fault diagnosis
fault
data
module
monitoring
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.)
Pending
Application number
CN202111428021.XA
Other languages
English (en)
Inventor
仝光
陈嘉乐
王玉林
张番
王万通
马识途
陈星星
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202111428021.XA priority Critical patent/CN114115199A/zh
Publication of CN114115199A publication Critical patent/CN114115199A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供一种新能源环卫车辆的监测及故障诊断系统，包括一控制器模块以及和所述控制器模块连接的一电源模块、一参数采集模块、一通讯转换模块、一数据上传模块和一故障诊断模块。本发明的一种新能源环卫车辆的监测及故障诊断系统，可完成对电机和电池各项数据的监测，解决新能源汽车动力系统中关键参数实时监测和故障诊断的问题。

Description

新能源环卫车辆的监测及故障诊断系统
技术领域
本发明涉及新能源领域，尤其涉及一种新能源环卫车辆的监测及故障诊断系统。
背景技术
在现有的环卫车辆上，使用多种电机，电机负载较大，不能实时地监测车辆运行状态，发生故障之后停机维修，降低车辆的工作效率。因此也就需要一种车辆参数采集系统能够实时监测电机和电池的运行状态。电机和电池作为核心动力，发生故障之后会直接导致车辆无法工作。锂电池随着使用时间的持续，电池内部的各种物质都随着时间的损耗发生不可逆的变化，进而影响电池的安全使用，电池的安全运行是保证新能源设备正常运行的基本要求。目前缺少这样一种能够实时监测电池和电机运行数据并实现故障诊断的策略。
目前市面上的新能源环卫车辆上缺少一种电池和电机的状态监测系统，现有新能源车辆车的故障诊断系统不够完善，大部分使用的是简单地阈值判断方法，只有扫路车有明显故障发生或不工作时者，才能给出故障提示检修电机，带来安全隐患。随着新能源环卫车辆的应用，对车辆运行数据监测的精度要求越来越严格，现有的监测方法都比较简单，而且精度不高，不能实时、准确反应电池和电机的具体情况，发生故障时不能准确诊断故障类型，设备安全无法得到保证，近年有多起的新能源汽车因为运行过程中出现故障障而发生交通事故，甚至是整车的燃烧的现象。
发明内容
针对上述现有技术中的不足，本发明提供一种新能源环卫车辆的监测及故障诊断系统，可完成对电机和电池各项数据的监测，解决新能源汽车动力系统中关键参数实时监测和故障诊断的问题。
为了实现上述目的，本发明提供一种新能源环卫车辆的监测及故障诊断系统，包括一控制器模块以及和所述控制器模块连接的一电源模块、一参数采集模块、一通讯转换模块、一数据上传模块和一故障诊断模块。
优选地，所述参数采集模块包括霍尔传感器和MPU6050陀螺仪，用于同时获取一电机的运行参数，所述运行参数包括转速、振动、温度和湿度。
优选地，所述数据上传模块用于将所述电机和一电池的数据上传至云端，所述云端实时显示所述电机和所述电池的数据。
优选地，所述故障诊断模块用于建立一故障诊断模型，并利用所述参数采集模块采集的数据和所述故障诊断模型分析所述电池和所述电机的故障数据信息和故障类型；所述故障诊断模型采用LSTM循环神经网络。
优选地，所述建立所述故障诊断模型包括步骤：
获取所述参数采集模块采集的历史故障数据；
对所述历史故障数据进行归一化处理，对归一化后的所述历史故障数据进行正态转换，提取所述历史故障数据的故障特征，获得一训练集和一验证集；
利用所述训练集训练所述LSTM循环神经网络；
在所述LSTM循环神经网络的误差达到要求后，得到所述故障诊断模型；
再用所述验证集对所述故障诊断模型的参数和权值进行验证，确定所述故障诊断模型的输出层和数隐含层节点。
优选地，所述利用所述参数采集模块采集的数据和所述故障诊断模型分析所述电池和所述电机的故障数据信息和故障类型包括步骤：
获取所述参数采集模块采集的实时数据；
对所述实时数据进行数据预处理；
将预处理后的所述实时数据输入训练后的所述故障诊断模型；
所述故障诊断模型输出故障诊断结果。
优选地，所述LSTM循环神经网络包括输入门、控制门和遗忘门，通过对所述控制门的权值系数的优化不断修改网络参数，避免出现梯度爆炸和梯度消失，实现所述故障诊断模型的识别准确率的提升。
优选地，所述故障诊断结果包括故障类型，所述故障类型包括过充电、过放电、温度过高和短路故障。
本发明由于采用了以上技术方案，使其具有以下有益效果：
针对目前监控技术不合理，不能及时反应车辆的运行状态，参数采集精度不高的问题，设计了电池和电机状态监测上传系统，包括控制器模块、参数采集模块、数据上传模块以及故障诊断模块。
针对传统简单阈值判断故障方法准确率不高的现状，设计基于LSTM神经网络的电机故障诊断算法，在监测系统采集大量的扫路车运行状态数据后，构建故障诊断策略的训练数据集与测试数据集。针对环卫车辆的运行数据，对原始数据进行预处理是十分必要的，因为原始数据可能包含对故障诊断结果有消极影响的噪声数据，因此需要对原始数据进行特征提取，同时为了提高计算机的计算效率和便于分类处理，对数据进行归一化和正态化处理，提取特征向量，当电机或电池的发生故障时，根据参数变化，结合故障诊断模型，确定故障类型并智能分析，根据分析结果判断故障类型。
针对长时间的车辆运行数据，LSTM神经网络通过加入控制门，控制整个故障诊断模型的输入、输出和内部运算，优化模型的记忆单元，通过对控制门权值系数的优化实现故障诊断模型的识别准确率的提升。保证数据的长期依赖关系，当数据输入到网络模型中，再结合历史信息完成对锂电池故障的准确诊断。建立状态预测和故障诊断模型，提出环卫车辆电池故障诊断方法，实现智能故障诊断。
基于云平台的动力电池和电机状态监测系统采用精确度更高的参数采集模块可以完成对电池各项数据的实时监测，将传感器采集到的电机数据上传到云端物联网，通过物联网实时查看各个电机及动力电池的运行状态。解决新能源环卫车辆运行过程中关键参数实时监测问题。设计了故障诊断算法，结合运行数据构建故障诊断策略的训练数据集与测试数据集，结合离差标准化和正态转换对电池和电机的故障特征提取，提出基于LSTM神经网络的环卫车辆电池与电机的故障诊断算法，通过对控制门权值系数的优化实现故障诊断模型的识别准确率的提升。对新能源环卫车当前的运行数据与以往的运行数据进行对比分析，判断当前环卫车辆的健康状况。该智能维保策略可以有效降低环卫车辆故障频率，降低维修成本，提高新能源环卫车辆的可靠性、可用度。
附图说明
图1为本发明实施例的新能源环卫车辆的监测及故障诊断系统的结构示意图；
图2为本发明实施例的故障诊断模的流程图。
具体实施方式
下面根据附图图1和图2，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1和图2，本发明实施例的一种新能源环卫车辆的监测及故障诊断系统，包括一控制器模块1以及和控制器模块1连接的一电源模块2、一参数采集模块3、一通讯转换模块4、一数据上传模块5和一故障诊断模块6。
参数采集模块3包括霍尔传感器和MPU6050陀螺仪，用于同时获取一电机的运行参数，运行参数包括转速、振动、温度和湿度。
数据上传模块5用于将电机和一电池的数据上传至云端，云端实时显示电机和电池的数据。
故障诊断模块6用于建立一故障诊断模型，并利用参数采集模块3采集的数据和故障诊断模型分析电池和电机的故障数据信息和故障类型；故障诊断模型采用LSTM循环神经网络。
本实施例中，建立故障诊断模型包括步骤：
获取参数采集模块3采集的历史故障数据；
对历史故障数据进行归一化处理，使结果映射到0-1之间，对归一化后的历史故障数据进行正态转换，放大故障数据的体征，提取历史故障数据的故障特征提高准确率，获得一训练集和一验证集；
利用训练集训练LSTM循环神经网络；
在LSTM循环神经网络的误差达到要求后，得到故障诊断模型；
再用验证集对故障诊断模型的参数和权值进行验证，确定故障诊断模型的输出层和数隐含层节点。
本实施例中，利用参数采集模块3采集的数据和故障诊断模型分析电池和电机的故障数据信息和故障类型包括步骤：
获取参数采集模块3采集的实时数据；
对实时数据进行数据预处理；
将预处理后的实时数据输入训练后的故障诊断模型；
故障诊断模型输出故障诊断结果。
本实施例中，LSTM循环神经网络包括输入门、控制门和遗忘门，通过对控制门的权值系数的优化不断修改网络参数，避免出现梯度爆炸和梯度消失，实现故障诊断模型的识别准确率的提升。
基于LSTM循环神经网络的故障诊断模型以处理后的故障数据的特征向量作为输入，故障诊断结果包括故障类型，故障类型包括过充电、过放电、温度过高和短路故障。
接下来对本发明做进一步说明。
故障诊断模块6：通过监测系统采集的扫路车运行状态数据后，根据电机及动力电池运行的实时参数，对电机和电池运行状态进行诊断，构建故障诊断策略的训练数据集与测试数据集，采用LSTM循环神经网络实现故障类别判断。
本发明的故障诊断系统，网络模型的训练和验证是同一时间进行，网络模型在训练的过程中，其验证结果会在每一次训练中计算出。对于电机故障诊断，选择转速、电机的电压、振动的历史数据三者作为输入。电池故障诊断以电压、电流、单体电压作为输入。实验采集的数据为时间序列数据，输出的主要故障类型电机故障包括电机定子偏心、转子偏心、电机短路和开路，电池故障包括过充电、过放电、温度过高和短路故障。
故障诊断策略：LSTM神经网络通过加入控制门，通过权重矩阵和偏置函数对算法的记忆单元记性有选择的保存或删除，控制算法的输入、输出和内部运算，保证数据的长期依赖关系，采用的激活函数为sigmoid函数。
输入网络模型中的数据首先进行离差标准化处理，处理后再经正态转换，将数据变正态分布放大故障特征获得故障诊断模型的输入向量。公式如下：
Figure BDA0003379253890000061
Figure BDA0003379253890000062
其中，xmax表示故障样本数据集中的最大值，xmin表示故障样本数据集中的最小值，xi表示第i个的数据，x表示经过离差标准化处理之后的数据。处理后的数据经特征选择后得到的向量作为神经网络的输入向量，选择电机和电池的故障类型为神经网络的输出变量。
首先利用现有的电池和电机的历史数据对神经网络进行训练，得到预期的诊断结果后，再将实时采集的电池数据输入神经网络中进行分类诊断，并对神经网络进行不断自学习。
在t时刻，模型隐含层输入为：
gfor＝sigm(W*x(t)+V*h(t-1)+V*c(t-1))
Figure BDA0003379253890000063
输出为：
gout＝sigm(W*x(t)+V*h(t-1)+V*c(t))
h1＝gout*f(c(t))
W为各控制门对应的输入权重矩阵，V为记忆单元的权重矩阵。X(t)为t时刻的输入矩阵，h(t-1)为上一时刻的短期记忆单元，c(t)为长时期的记忆单元。
故障诊断模型建立流程主要有以下两个步骤，分为模型历史数据训练和故障数据在线预测两个阶段。历史数据训练阶段是通过平台采集的历史数据作为数据集，首先对数据进行归一化处理，提取数据的特征向量；根据故障类型将数据分为训练集和验证集，确定网络节点、初始权值、最小训练速率、偏置量、允许误差、迭代次数和Sigmoid参数网络节点数确定后，计算前向传播神经元的输出和误差，根据误差计算权重系数，公式如下。
激活函数的导数为：
Figure BDA0003379253890000071
Figure BDA0003379253890000072
设误差为：
Figure BDA0003379253890000073
则t-1时刻的误差项为：
Figure BDA0003379253890000074
结合故障数据对LSTM算法确定最优权重矩阵和参数进行寻优，不断完善各权重矩阵，记忆单元进行长时间的优化训练，误差达到要求后，得到最优参数完善故障诊断模型；再用验证数据集对参数和权值进行验证，确定输出层和数隐含层节点。最后建立基于改进LSTM算法的故障诊断模型。在线测试是实时采集电池和电机的数据，以矩阵形式作为模型的输入，识别故障类别为k，输出是一个k维列向量，p＝(y＝j|x)输入数据x属于某一故障的概率。
Figure BDA0003379253890000075
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims (8)

1.一种新能源环卫车辆的监测及故障诊断系统，其特征在于，包括一控制器模块以及和所述控制器模块连接的一电源模块、一参数采集模块、一通讯转换模块、一数据上传模块和一故障诊断模块。
2.根据权利要求1所述的新能源环卫车辆的监测及故障诊断系统，其特征在于，所述参数采集模块包括霍尔传感器和MPU6050陀螺仪，用于同时获取一电机的运行参数，所述运行参数包括转速、振动、温度和湿度。
3.根据权利要求2所述的新能源环卫车辆的监测及故障诊断系统，其特征在于，所述数据上传模块用于将所述电机和一电池的数据上传至云端，所述云端实时显示所述电机和所述电池的数据。
4.根据权利要求3所述的新能源环卫车辆的监测及故障诊断系统，其特征在于，所述故障诊断模块用于建立一故障诊断模型，并利用所述参数采集模块采集的数据和所述故障诊断模型分析所述电池和所述电机的故障数据信息和故障类型；所述故障诊断模型采用LSTM循环神经网络。
5.根据权利要求4所述的新能源环卫车辆的监测及故障诊断系统，其特征在于，所述建立所述故障诊断模型包括步骤：
获取所述参数采集模块采集的历史故障数据；
对所述历史故障数据进行归一化处理，对归一化后的所述历史故障数据进行正态转换，提取所述历史故障数据的故障特征，获得一训练集和一验证集；
利用所述训练集训练所述LSTM循环神经网络；
在所述LSTM循环神经网络的误差达到要求后，得到所述故障诊断模型；
再用所述验证集对所述故障诊断模型的参数和权值进行验证，确定所述故障诊断模型的输出层和数隐含层节点。
6.根据权利要求5所述的新能源环卫车辆的监测及故障诊断系统，其特征在于，所述利用所述参数采集模块采集的数据和所述故障诊断模型分析所述电池和所述电机的故障数据信息和故障类型包括步骤：
获取所述参数采集模块采集的实时数据；
对所述实时数据进行数据预处理；
将预处理后的所述实时数据输入训练后的所述故障诊断模型；
所述故障诊断模型输出故障诊断结果。
7.根据权利要求6所述的新能源环卫车辆的监测及故障诊断系统，其特征在于，所述LSTM循环神经网络包括输入门、控制门和遗忘门，通过对所述控制门的权值系数的优化不断修改网络参数，避免出现梯度爆炸和梯度消失，实现所述故障诊断模型的识别准确率的提升。
8.根据权利要求7所述的新能源环卫车辆的监测及故障诊断系统，其特征在于，所述故障诊断结果包括故障类型，所述故障类型包括过充电、过放电、温度过高和短路故障。
CN202111428021.XA 2021-11-29 2021-11-29 新能源环卫车辆的监测及故障诊断系统 Pending CN114115199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111428021.XA CN114115199A (zh) 2021-11-29 2021-11-29 新能源环卫车辆的监测及故障诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111428021.XA CN114115199A (zh) 2021-11-29 2021-11-29 新能源环卫车辆的监测及故障诊断系统

Publications (1)

Publication Number Publication Date
CN114115199A true CN114115199A (zh) 2022-03-01

Family

ID=80370723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111428021.XA Pending CN114115199A (zh) 2021-11-29 2021-11-29 新能源环卫车辆的监测及故障诊断系统

Country Status (1)

Country Link
CN (1) CN114115199A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115328088A (zh) * 2022-08-11 2022-11-11 北京理工大学重庆创新中心 基于云边协同的汽车故障诊断方法、系统及智能汽车
CN116500439A (zh) * 2023-06-29 2023-07-28 天津海森诺海洋科技有限公司 一种基于机器学习技术的电机在线故障监测方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180029543A (ko) * 2016-09-13 2018-03-21 오토시맨틱스 주식회사 딥러닝을 통한 자동차 상태 진단 방법
CN111007401A (zh) * 2019-12-16 2020-04-14 国网江苏省电力有限公司电力科学研究院 一种基于人工智能的电动汽车电池故障诊断方法及设备
CN112785016A (zh) * 2021-02-20 2021-05-11 南京领行科技股份有限公司 基于机器学习的新能源汽车保养维护与故障监测诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180029543A (ko) * 2016-09-13 2018-03-21 오토시맨틱스 주식회사 딥러닝을 통한 자동차 상태 진단 방법
CN111007401A (zh) * 2019-12-16 2020-04-14 国网江苏省电力有限公司电力科学研究院 一种基于人工智能的电动汽车电池故障诊断方法及设备
CN112785016A (zh) * 2021-02-20 2021-05-11 南京领行科技股份有限公司 基于机器学习的新能源汽车保养维护与故障监测诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115328088A (zh) * 2022-08-11 2022-11-11 北京理工大学重庆创新中心 基于云边协同的汽车故障诊断方法、系统及智能汽车
CN116500439A (zh) * 2023-06-29 2023-07-28 天津海森诺海洋科技有限公司 一种基于机器学习技术的电机在线故障监测方法和装置

Similar Documents

Publication Publication Date Title
CN111999657B (zh) 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法
Li et al. Data driven battery modeling and management method with aging phenomenon considered
CN114559819B (zh) 一种基于信号处理的电动汽车电池安全预警方法
CN114115199A (zh) 新能源环卫车辆的监测及故障诊断系统
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN104021238A (zh) 一种铅酸动力电池系统故障诊断方法
CN107436409B (zh) 一种电动汽车动力电池soc智能预测装置
CN111680875B (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN113696786B (zh) 电池均衡方法及系统
CN113821875B (zh) 一个基于端云协同的智能车辆故障实时预测方法及系统
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN111273125A (zh) 基于rst-cnn的电力电缆沟道故障诊断方法
CN112782594B (zh) 考虑内阻的数据驱动算法估算锂电池soc的方法
CN110866366A (zh) 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法
Du et al. Battery remaining useful life prediction under coupling stress based on support vector regression
CN116664015A (zh) 一种智能充电桩管理系统及其方法
CN116625686A (zh) 一种航空发动机轴承故障在线诊断方法
Yao et al. Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN114330571A (zh) 基于迁移学习的电力系统主导失稳模式识别方法及系统
CN114280490A (zh) 一种锂离子电池荷电状态估计方法及系统
CN117289167A (zh) 基于多重神经网络的电池剩余寿命预测方法、装置及介质
CN112014757A (zh) 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法

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