CN114706028A - 基于漂移孪生体的智能网联汽车bms传感阵列失效云诊断方法 - Google Patents
基于漂移孪生体的智能网联汽车bms传感阵列失效云诊断方法 Download PDFInfo
- Publication number
- CN114706028A CN114706028A CN202210186603.XA CN202210186603A CN114706028A CN 114706028 A CN114706028 A CN 114706028A CN 202210186603 A CN202210186603 A CN 202210186603A CN 114706028 A CN114706028 A CN 114706028A
- Authority
- CN
- China
- Prior art keywords
- vector
- sensing array
- bms
- representing
- drift
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于漂移孪生体的智能网联汽车BMS传感阵列失效云诊断方法,是通过V2I通信提取典型时刻下目标车辆的动力系统数据和BMS传感阵列数据,建立瞬时动力矩阵和功率因子矩阵,通过构建漂移孪生体网络模型进行特征重组和向量重构,获得功率因子标准漂移输出矩阵,并对功率因子矩阵进行补偿与偏置,然后利用归一化处理与基点平均系数计算出BMS传感阵列漂移失效定位向量,自动诊断中传感阵列中存在漂移失效的传感器集合,最终将失效传感器集合通过云服务器输出。本发明能够能在智能网联环境下,诊断出电动汽车BMS中传感阵列存在的漂移失效并定位失效传感器集合,为电池管理系统控制策略的可靠性和有效性提供重要保障。
Description
技术领域
本发明属于智能网联汽车领域,具体的说是一种基于漂移孪生体的智能网联汽车BMS传感阵列失效云诊断方法;
背景技术
随着5G、数字孪生、人工智能等先进技术的逐渐普及,汽车行业也开始发生深刻的变革,无人驾驶、纯电动汽车争相成为研究热点。智能网联新能源汽车已成为全球汽车产业转型发展的主要方向。作为纯电动汽车的核心,BMS(电池管理系统)需要通过传感阵列采集动力电池组的电压、电流以及内部温度等技术参数,控制电池充放电过程等重要过程。因此,传感阵列极大便捷了BMS对动力电池组的记录、传输、监测和处理,这也使得传感阵列工作精度和可靠度成为了BMS安全可靠工作的关键问题之一。
由于传感部件自身老化及外部环境的冲击性噪声会引起传感阵列系统产生不确定性漂移,进而造成电池状态测量的失真。这些漂移失真的电池状态数据,将影响到SOC和SOH等电池状态参数的在线计算精度,进而导致BMS错误的控制输出,造成电池过充或过放,引发动力电池过热、火焰、爆炸以及额定容量的急剧衰减。BMS中动力电池组结构复杂、传感阵列分布密集,存在检修成本较高、失效排查困难等问题。与传感器偏置等故障不一样,漂移失效时失真数据的值仍可能处在传感器规定输出范围内,因此相比于其他故障更具有隐蔽性。现阶段的传感阵列漂移失效的诊断方法都存在一定的不足,如仅针对传感器单体漂移进行诊断,导致无法精准把握传感阵列的故障分布;未建立对环境干扰的合适处理方法;建立模型的关键参数不明确,使之达不到较高的精准度;无法定位传感阵列的失效位置;当将这些方法运用到智能网联汽车的BMS传感阵列失效故障诊断上时,其诊断精度必然很低,达不到精准诊断。
所以,在智能网联的环境下,通过V2I获取汽车动力系统和传感阵列数据,并针对不同的瞬时动力输入,如何在线准确高效地利用传感器采集的原始数据集对车辆BMS传感阵列进行实时漂移失效的云诊断已经成为了一个急需解决的问题。实现BMS中传感阵列漂移失效的云诊断,对智能网联汽车后续在能量管理策略的实施以及电池性能管理至关重要,具有重要的理论意义和研究价值。
发明内容
本发明为了克服以上现有技术的不足,提出一种基于漂移孪生体的智能网联汽车BMS传感阵列失效云诊断方法,以期在保证车辆工况环境稳定的前提下对目标车辆的BMS传感阵列漂移失效进行云诊断并定位失效传感器集合,从而为智能网联汽车对智能网联汽车后续在能量管理策略的制定以及电池性能管理提供重要的依据。
为实现上述目的,本发明采用了以下技术方案:
本发明一种基于漂移孪生体的智能网联汽车BMS传感阵列失效的云诊断方法的特点是按如下步骤进行:
步骤1、云服务器建立目标车辆动力系统的瞬时动力矩阵和功率因子矩阵:
目标车辆通过V2I通信实时获取车辆的动力系统数据和BMS传感阵列数据并传输至所述云服务器;设目标车辆动力电池组中单体电池的个数为m,则BMS传感阵列中单体电池的电压传感器个数为m,BMS传感阵列中单体电池的温度传感器个数为m,BMS传感阵列工作电流传感器个数为1个,BMS传感阵列的传感器总个数为2m+1;
所述云服务器实时截取Δt时间内的n组整车动力数据流并建立车辆的瞬时动力矩阵其中,表示Δt时间内的第i组整车动力因子构成的参数向量,表示Δt时间内第i组整车动力数据流中的车辆瞬时纵向车速,表示Δt时间内第i组整车动力数据流中的道路坡度角,表示Δt时间内第i组整车动力数据流中的车辆瞬时加速度,表示Δt时间内第i组整车动力数据流中的车轮转矩,表示Δt时间内第i组整车动力数据流中的车轮半径,表示Δt时间内第i组整车动力数据流中的汽车迎风面积,表示Δt时间内第i组整车动力数据流中的有效车辆质量,表示Δt时间内第i组整车动力数据流中的驱动电机转速;
所述云服务器实时截取Δt时间内的n组BMS传感阵列数据流并建立车辆的功率因子矩阵其中,表示Δt时间内的第i组BMS传感阵列的功率因子构成的参数向量,表示Δt时间内第i组BMS传感阵列数据中的第k个单体电池电压传感器采集值;表示Δt时间内第i组BMS传感阵列数据中的第k个单体电池温度传感器采集值,表示Δt时间内第i组BMS传感阵列数据中的工作电流传感器采集值;
步骤2、所述云服务器构建传感阵列的漂移孪生体网络模型:
定义所述漂移孪生体网络模型由输入层、特征重组层、标准漂移输出层构成;
定义带高斯白噪声的整车瞬时动力向量集合为X={xj|j=1,2,…,N},其中,N表示整车瞬时动力向量的个数,xj=(vj,δj,aj,Tj,rj,Aj,Mj,wj)T表示第j个整车瞬时动力向量,vj表示第j个输入样本向量xj中的带噪车辆瞬时纵向车速,δj表示第j个输入样本向量xj中的带噪道路坡度角,aj表示第j个输入样本向量xj中的带噪车辆瞬时加速度,Tj表示第j个输入样本向量xj中的带噪车轮转矩,rj表示第j个输入样本向量xj中的带噪车轮半径,Aj表示第j个输入样本向量xj中的带噪车辆迎风面积,Mj表示第j个输入样本向量xj中的带噪有效车辆质量,wj表示第j个输入样本向量xj中的带噪驱动电机转速;
定义带高斯白噪声的BMS传感阵列功率因子向量集合为Y={yj|j=1,2,…,N},其中,yj=(uj,1,…,uj,k,…,uj,m,tj,1,…,tj,k,…,tj,m,ij,work)T表示第j个BMS传感阵列的功率因子向量,uj,k表示第j个输入样本向量yj中第k个单体电池的带噪电压传感器采集值;tj,k表示第j个输入样本向量yj中第k个单体电池的带噪温度传感器采集值,ij,work表示第j个输入样本向量yj中的带噪工作电流采集传感器采集值;
定义所述漂移孪生体网络模型的输入层与特征重组层的连接函数为自相关函数b(Bxj+c0),其中,B为自相关矩阵,c0表示由工程经验确定的机械传动损失补偿向量;
定义所述漂移孪生体网络模型的标准漂移输出层的输入与自身输出之间的映射函数为重构函数ψ(d(x″′j)TM),其中,d为重构向量,M为重构矩阵,x″′j为激活函数处理后的第j个重组特征向量;
定义所述漂移孪生体网络模型的标准漂移输出层的偏置函数为θ(yj+e0),其中,e0表示BMS传感阵列的充放电倍率、温度和蓄电池老化的联合补偿向量;
步骤3、所述云服务器训练传感阵列的漂移孪生体网络模型:
步骤3.1、初始化自相关矩阵B、特征重组矩阵U、重组向量c、重构向量d和重构矩阵M;
步骤3.2、根据动力电池组工况环境确定BMS传感阵列的充放电倍率、温度和蓄电池老化的联合补偿向量e0;
步骤3.3、所述输入层利用自相关函数b(Bxj+c0)对X中的每个整车瞬时动力向量进行降噪处理,从而获得去噪样本集合X′={x′j|j=1,2,…,N},其中,x′j=(v′j,δ′j,a′j,T′j,r′j,A′j,M′j,w′j)T表示第j个去噪向量,并作为特征重组层的第j个输入向量,v′j表示第j个去噪向量x′j中的车辆瞬时纵向车速,δ′j表示第j个去噪向量x′j中的道路坡度角,a′j表示第j个去噪向量x′j中的车辆瞬时加速度,T′j表示第j个去噪向量x′j中的车轮转矩,r′j表示第j个去噪向量x′j中的车轮半径,A′j表示第j个去噪向量x′j中的车辆迎风面积,M′j表示第j个去噪向量x′j中的有效车辆质量,w′j表示第j个去噪向量x′j中的驱动电机转速;
步骤3.4、所述特征重组层利用特征重组函数对去噪样本集合X′中的每个去噪向量进行数据特征重组,从而获得重组后的特征向量集合X″={x″j|j=1,2,…,N},其中,x″j表示第j个重组特征向量,并作为特征重组层的第j个输出向量;
步骤3.5、所述标准漂移输出层利用ReLU函数对重组后的特征向量集合X″中的每个元素进行处理,从而获得使能后的特征向量集合X″′={x″′jj=1,2,…,N},x″′j表示激活函数处理后的第j个重组特征向量;
步骤3.6、所述标准漂移输出层利用重构函数ψ(d(x″′j)TM)对使能后的特征向量集合X″′中的每个重组特征向量进行重构,从而获得BMS传感阵列的功率因子标准漂移输出矩阵Yout=[yout,λout]T,表示BMS传感阵列的标准输出向量,其中,表示第k个单体电池的电压传感器标准输出值,表示第k个单体电池的温度传感器标准输出值,表示工作电流采集传感器标准输出值;表示BMS传感阵列标准漂移系数向量,其中,表示第l个传感阵列标准漂移系数;
步骤3.7、利用偏置函数θ(yj+e0)对带高斯白噪声的BMS传感阵列功率因子向量集合Y中的每个功率因子向量进行补偿处理,从而获得去噪样本集合Y′={y′j|j=1,2,…,N},其中y′j=(u′j,1…u′j,k…u′j,m,t′j,1,…,t′j,k,…,t′j,m,i′j,work)T表示第j个去噪向量;u′j,k表示第j个去噪向量y′j中第k个单体电池的电压传感器采集值;t′j,k表示第j个去噪向量y′j中第k个单体电池的温度传感器采集值,i′j,work表示第j个去噪向量y′j中的工作电流采集传感器采集值;
步骤3.8、利用式(1)计算传感阵列漂移偏差代价P(B,U,M,c,d);
步骤3.9、利用式(2)构建代价目标函数;
式中,ε为代价目标精度;“←”表示将右侧目标函数达到最优即最小值时的参数作为函数最优参数;B*、U*、M*分别为最优自相关矩阵、最优特征重组矩阵和最优重构矩阵,c*为最优重组向量,d*为最优重组向量;
步骤3.10、基于X={xj|j=1,2,…,N}和Y={yj|j=1,2,…,N}对所述代价目标函数进行训练,并利用梯度下降法对自相关矩阵B、特征重组矩阵U、重构矩阵M、重组向量c和重构向量d分别进行更新,直至迭代次数达到设定的次数或代价目标精度ε达到所设定的阈值时,停止训练,从而得到训练好的漂移孪生体网络模型并输出最终的自相关函数b(B*xj+c0)、特征重组函数和重构函数ψ(d*(x″′j)TM*);
步骤4、在目标车辆的实际行程中,目标车辆提前通过V2I通信获取当前时刻下的瞬时动力矩阵和功率因子矩阵并传输至所述云服务器;
所述云服务器将当前时刻下的瞬时动力矩阵输入所述训练好的漂移孪生体网络模型中,从而得到当前时刻下的BMS传感阵列的功率因子标准漂移输出矩阵Y′out=[y′out,λ′out]T,表示当前时刻下的BMS传感阵列的标准输出向量,其中,表示当前时刻下的第k个单体电池的电压传感器标准输出值,表示当前时刻下的第k个单体电池的温度传感器标准输出值,表示当前时刻下的工作电流采集传感器标准输出值;表示当前时刻下的BMS传感阵列标准漂移系数向量,表示当前时刻下的第l个传感阵列标准漂移系数;
步骤5、所述云服务器辨识传感阵列异常分布:
步骤5.1、将当前时刻下的BMS传感阵列功率因子标准漂移输出矩阵Y′out按行进行归一化处理后得到归一化的BMS传感阵列功率因子标准漂移输出矩阵Y″out=[y″out,λ″out]T,表示归一化的BMS传感阵列的标准输出向量,其中,表示归一化的第k个单体电池的电压传感器标准输出值,表示归一化的第i个单体电池的温度传感器标准输出值,表示归一化的工作电流采集传感器标准输出值;λ″out=(λ″1,…,λ″l,…,λ″2m+1)表示归一化的BMS传感阵列标准漂移系数向量,表示归一化的第l个传感阵列标准漂移系数;
式(5)中,λ″max为归一化的BMS传感阵列标准漂移系数向量λ″out中元素的最大值,λ″m′in为归一化的BMS传感阵列标准漂移系数向量λ″out中元素的最小值;
与已有技术相比,本发明的有益效果在:
1.本发明设计了一种基于漂移孪生体的智能网联汽车BMS传感阵列失效云诊断方法,能够在智能网联环境下车辆行驶中,通过V2I通信技术,提取典型时刻电动车辆的瞬时动力数据和传感阵列数据,组成瞬时动力矩阵和功率因子矩阵,通过漂移孪生体网络模型实时诊断出传感阵列的漂移失效,从而提高了汽车故障诊断的经济性和时效性,具有广阔的应用前景;
2.本发明在传感阵列标准矩阵输出后对利用基点平均系数与归一化处理计算出传感器漂移异常指数,能够定位漂移失效传感器集合,并通过云服务器输出或直接报警,从而降低了检修人员工作量,减少了汽车安全隐患;
3.本发明提出的漂移孪生体网络模型,使用自相关函数对瞬时动力矩阵进行降噪处理,并针对电动车辆的瞬时动力矩阵的特征进行特征重组和向量重构,获取传感阵列标准漂移输出矩阵时考虑BMS的放电倍率、温度、老化偏差因素进行补偿,使得传感阵列漂移标准输出在线预测更加精准。
4.本发明适用于多种车型多种路况,该测试方法可移植性强,可扩展至整车其他控制系统的传感阵列漂移的研究领域,可拓展应用于多种复合电源系统的车型。
附图说明
图1为本发明漂移孪生体网络模型训练过程图;
图2为本发明BMS传感阵列失效云诊断流程图。
具体实施方式
本实施例中,一种基于漂移孪生体的智能网联汽车BMS传感阵列失效云诊断方法是按如下步骤进行:通过V2I通信提取典型时刻下目标车辆的动力系统数据和BMS传感阵列数据,建立瞬时动力矩阵和功率因子矩阵,通过构建漂移孪生体网络模型进行特征重组和向量重构,获得功率因子标准漂移输出矩阵,并对功率因子矩阵进行补偿与偏置,在此基础上利用归一化处理与基点平均系数计算出BMS传感阵列漂移失效定位向量,自动诊断中传感阵列中存在漂移失效的传感器集合,最终将失效传感器集合通过云服务器输出。具体的说,如图2所示,是按如下步骤进行:
步骤1、云服务器建立目标车辆动力系统的瞬时动力矩阵和功率因子矩阵:
目标车辆通过V2I通信实时获取车辆的动力系统数据和BMS传感阵列数据并传输至云服务器;设目标车辆动力电池组中单体电池的个数为m,则BMS传感阵列中单体电池的电压传感器个数为m,BMS传感阵列中单体电池的温度传感器个数为m,BMS传感阵列工作电流传感器个数为1个,BMS传感阵列的传感器总个数为2m+1;本实施例中取m=5;
云服务器实时截取Δt时间内的n组整车动力数据流并建立车辆的瞬时动力矩阵其中,表示Δt时间内的第i组整车动力因子构成的参数向量,表示Δt时间内第i组整车动力数据流中的车辆瞬时纵向车速,表示Δt时间内第i组整车动力数据流中的道路坡度角,表示Δt时间内第i组整车动力数据流中的车辆瞬时加速度,表示Δt时间内第i组整车动力数据流中的车轮转矩,表示Δt时间内第i组整车动力数据流中的车轮半径,表示Δt时间内第i组整车动力数据流中的汽车迎风面积,表示Δt时间内第i组整车动力数据流中的有效车辆质量,表示Δt时间内第i组整车动力数据流中的驱动电机转速;
云服务器实时截取Δt时间内的n组BMS传感阵列数据流并建立车辆的功率因子矩阵其中,表示Δt时间内的第i组BMS传感阵列的功率因子构成的参数向量,表示Δt时间内第i组BMS传感阵列数据中的第k个单体电池电压传感器采集值;表示Δt时间内第i组BMS传感阵列数据中的第k个单体电池温度传感器采集值,表示Δt时间内第i组BMS传感阵列数据中的工作电流传感器采集值;
步骤2、云服务器构建传感阵列的漂移孪生体网络模型:
定义漂移孪生体网络模型由输入层、特征重组层、标准漂移输出层构成;
定义带高斯白噪声的整车瞬时动力向量集合为X={xj|j=1,2,…,N},其中,N表示整车瞬时动力向量的个数,xj=(vj,δj,aj,Tj,rj,Aj,Mj,wj)T表示第j个整车瞬时动力向量,vj表示第j个输入样本向量xj中的带噪车辆瞬时纵向车速,δj表示第j个输入样本向量xj中的带噪道路坡度角,aj表示第j个输入样本向量xj中的带噪车辆瞬时加速度,Tj表示第j个输入样本向量xj中的带噪车轮转矩,rj表示第j个输入样本向量xj中的带噪车轮半径,Aj表示第j个输入样本向量xj中的带噪车辆迎风面积,Mj表示第j个输入样本向量xj中的带噪有效车辆质量,wj表示第j个输入样本向量xj中的带噪驱动电机转速;
定义带高斯白噪声的BMS传感阵列功率因子向量集合为Y={yj|j=1,2,…,N},其中,yj=(uj,1,…,uj,k,…,uj,m,tj,1,…,tj,k,…,tj,m,ij,work)T表示第j个BMS传感阵列的功率因子向量,uj,k表示第j个输入样本向量yj中第k个单体电池的带噪电压传感器采集值;tj,k表示第j个输入样本向量yj中第k个单体电池的带噪温度传感器采集值,ij,work表示第j个输入样本向量yj中的带噪工作电流采集传感器采集值;
定义漂移孪生体网络模型的输入层与特征重组层的连接函数为自相关函数b(Bxj+c0),其中,B为自相关矩阵,c0表示由工程经验确定的机械传动损失补偿向量;在本实施例中取c0=(5,40,10,25,10,88,30)T;
定义漂移孪生体网络模型的标准漂移输出层的输入与自身输出之间的映射函数为重构函数ψ(d(x″′j)TM),其中,d为重构向量,M为重构矩阵,x″′j为激活函数处理后的第j个重组特征向量;
定义漂移孪生体网络模型的标准漂移输出层的偏置函数为θ(yj+e0),其中,e0表示BMS传感阵列的充放电倍率、温度和蓄电池老化的联合补偿向量;
步骤3、云服务器训练传感阵列的漂移孪生体网络模型:漂移孪生体网络模型训练过程图如图1所示;此处样本集合越大训练精度越高;
步骤3.2、根据动力电池组工况环境确定BMS传感阵列的充放电倍率、温度和蓄电池老化的联合补偿向量e0;在本实施例中取e0=(16,17,14,19,17,6,10,7,8,6,15)T;
步骤3.3、输入层利用自相关函数b(Bxj+c0)对X中的每个整车瞬时动力向量进行降噪处理,从而获得去噪样本集合X′={x′j|j=1,2,…,N},其中,x′j=(v′j,δ′j,a′j,T′j,r′j,A′j,M′j,w′j)T表示第j个去噪向量,并作为特征重组层的第j个输入向量,v′j表示第j个去噪向量x′j中的车辆瞬时纵向车速,δ′j表示第j个去噪向量x′j中的道路坡度角,a′j表示第j个去噪向量x′j中的车辆瞬时加速度,T′j表示第j个去噪向量x′j中的车轮转矩,r′j表示第j个去噪向量x′j中的车轮半径,A′j表示第j个去噪向量x′j中的车辆迎风面积,M′j表示第j个去噪向量x′j中的有效车辆质量,w′j表示第j个去噪向量x′j中的驱动电机转速;
步骤3.4、特征重组层利用特征重组函数对去噪样本集合X′中的每个去噪向量进行数据特征重组,从而获得重组后的特征向量集合X″={x″j|j=1,2,…,N},其中,x″j表示第j个重组特征向量,并作为特征重组层的第j个输出向量;
步骤3.5、标准漂移输出层利用ReLU函数对重组后的特征向量集合X″中的每个元素进行处理,从而获得使能后的特征向量集合X″′={x″′j|j=1,2,…,N},x″′j表示激活函数处理后的第j个重组特征向量;
步骤3.6、标准漂移输出层利用重构函数ψ(d(x″′j)TM)对使能后的特征向量集合X″′中的每个重组特征向量进行重构,从而获得BMS传感阵列的功率因子标准漂移输出矩阵Yout=[yout,λout]T,表示BMS传感阵列的标准输出向量,其中,表示第k个单体电池的电压传感器标准输出值,表示第k个单体电池的温度传感器标准输出值,表示工作电流采集传感器标准输出值;表示BMS传感阵列标准漂移系数向量,其中,表示第l个传感阵列标准漂移系数;
步骤3.7、利用偏置函数θ(yj+e0)对带高斯白噪声的BMS传感阵列功率因子向量集合Y中的每个功率因子向量进行补偿处理,从而获得去噪样本集合Y′={y′j|j=1,2,…,N},其中y′j=(u′j,1…u′j,k…u′j,m,t′j,1,…,t′j,k,…,t′j,m,i′j,work)T表示第j个去噪向量;u′j,k表示第j个去噪向量y′j中第k个单体电池的电压传感器采集值;t′j,k表示第j个去噪向量y′j中第k个单体电池的温度传感器采集值,i′j,work表示第j个去噪向量y′j中的工作电流采集传感器采集值;
步骤3.8、利用式(1)计算传感阵列漂移偏差代价P(B,U,M,c,d);
步骤3.9、利用式(2)构建代价目标函数;
式中,ε为代价目标精度;“←”表示将右侧目标函数达到最优即最小值时的参数作为函数最优参数;B*、U*、M*分别为最优自相关矩阵、最优特征重组矩阵和最优重构矩阵,c*为最优重组向量,d*为最优重组向量;
步骤3.10、基于X={xj|j=1,2,…,N}和Y={yj|j=1,2,…,N}对代价目标函数进行训练,并利用梯度下降法对自相关矩阵B、特征重组矩阵U、重构矩阵M、重组向量c和重构向量d分别进行更新,直至迭代次数达到设定的次数或代价目标精度ε达到所设定的阈值时,停止训练,从而得到训练好的漂移孪生体网络模型并输出最终的自相关函数b(B*xj+c0)、特征重组函数和重构函数ψ(d*(x″′j)TM*);
步骤4、在目标车辆的实际行程中,目标车辆提前通过V2I通信获取当前时刻下的瞬时动力矩阵和功率因子矩阵并传输至云服务器;
云服务器将当前时刻下的瞬时动力矩阵输入训练好的漂移孪生体网络模型中,从而得到当前时刻下的BMS传感阵列的功率因子标准漂移输出矩阵Y′out=[y′out,λ′out]T,表示当前时刻下的BMS传感阵列的标准输出向量,其中,表示当前时刻下的第k个单体电池的电压传感器标准输出值,表示当前时刻下的第k个单体电池的温度传感器标准输出值,表示当前时刻下的工作电流采集传感器标准输出值;表示当前时刻下的BMS传感阵列标准漂移系数向量,表示当前时刻下的第l个传感阵列标准漂移系数;
步骤5、云服务器辨识传感阵列异常分布:
步骤5.1、将当前时刻下的BMS传感阵列功率因子标准漂移输出矩阵Y′out按行进行归一化处理后得到归一化的BMS传感阵列功率因子标准漂移输出矩阵Y″out=[y″out,λ″out]T,表示归一化的BMS传感阵列的标准输出向量,其中,表示归一化的第k个单体电池的电压传感器标准输出值,表示归一化的第i个单体电池的温度传感器标准输出值,表示归一化的工作电流采集传感器标准输出值;λ″out=(λ″1,…,λ″l,…,λ″2m+1)表示归一化的BMS传感阵列标准漂移系数向量,表示归一化的第l个传感阵列标准漂移系数;
式(5)中,λ″max为归一化的BMS传感阵列标准漂移系数向量λ″out中元素的最大值,λ″min为归一化的BMS传感阵列标准漂移系数向量λ″out中元素的最小值;
综上所述,本发明能够能在智能网联环境下,诊断出电动汽车BMS中传感阵列存在的漂移失效并定位失效传感器集合,为电池管理系统控制策略的可靠性和有效性提供重要保障。
Claims (1)
1.一种基于漂移孪生体的智能网联汽车BMS传感阵列失效的云诊断方法,其特征是按如下步骤进行:
步骤1、云服务器建立目标车辆动力系统的瞬时动力矩阵和功率因子矩阵:
目标车辆通过V2I通信实时获取车辆的动力系统数据和BMS传感阵列数据并传输至所述云服务器;设目标车辆动力电池组中单体电池的个数为m,则BMS传感阵列中单体电池的电压传感器个数为m,BMS传感阵列中单体电池的温度传感器个数为m,BMS传感阵列工作电流传感器个数为1个,BMS传感阵列的传感器总个数为2m+1;
所述云服务器实时截取Δt时间内的n组整车动力数据流并建立车辆的瞬时动力矩阵其中,表示Δt时间内的第i组整车动力因子构成的参数向量,表示Δt时间内第i组整车动力数据流中的车辆瞬时纵向车速,表示Δt时间内第i组整车动力数据流中的道路坡度角,表示Δt时间内第i组整车动力数据流中的车辆瞬时加速度,表示Δt时间内第i组整车动力数据流中的车轮转矩,表示Δt时间内第i组整车动力数据流中的车轮半径,表示Δt时间内第i组整车动力数据流中的汽车迎风面积,表示Δt时间内第i组整车动力数据流中的有效车辆质量,表示Δt时间内第i组整车动力数据流中的驱动电机转速;
所述云服务器实时截取Δt时间内的n组BMS传感阵列数据流并建立车辆的功率因子矩阵其中,表示Δt时间内的第i组BMS传感阵列的功率因子构成的参数向量,表示Δt时间内第i组BMS传感阵列数据中的第k个单体电池电压传感器采集值;表示Δt时间内第i组BMS传感阵列数据中的第k个单体电池温度传感器采集值,表示Δt时间内第i组BMS传感阵列数据中的工作电流传感器采集值;
步骤2、所述云服务器构建传感阵列的漂移孪生体网络模型:
定义所述漂移孪生体网络模型由输入层、特征重组层、标准漂移输出层构成;
定义带高斯白噪声的整车瞬时动力向量集合为X={xj|j=1,2,…,N},其中,N表示整车瞬时动力向量的个数,xj=(vj,δj,aj,Tj,rj,Aj,Mj,wj)T表示第j个整车瞬时动力向量,vj表示第j个输入样本向量xj中的带噪车辆瞬时纵向车速,δj表示第j个输入样本向量xj中的带噪道路坡度角,aj表示第j个输入样本向量xj中的带噪车辆瞬时加速度,Tj表示第j个输入样本向量xj中的带噪车轮转矩,rj表示第j个输入样本向量xj中的带噪车轮半径,Aj表示第j个输入样本向量xj中的带噪车辆迎风面积,Mj表示第j个输入样本向量xj中的带噪有效车辆质量,wj表示第j个输入样本向量xj中的带噪驱动电机转速;
定义带高斯白噪声的BMS传感阵列功率因子向量集合为Y={yj|j=1,2,…,N},其中,yj=(uj,1,…,uj,k,…,uj,m,tj,1,…,tj,k,…,tj,m,ij,work)T表示第j个BMS传感阵列的功率因子向量,uj,k表示第j个输入样本向量yj中第k个单体电池的带噪电压传感器采集值;tj,k表示第j个输入样本向量yj中第k个单体电池的带噪温度传感器采集值,ij,work表示第j个输入样本向量yj中的带噪工作电流采集传感器采集值;
定义所述漂移孪生体网络模型的输入层与特征重组层的连接函数为自相关函数b(Bxj+c0),其中,B为自相关矩阵,c0表示由工程经验确定的机械传动损失补偿向量;
定义所述漂移孪生体网络模型的标准漂移输出层的输入与自身输出之间的映射函数为重构函数ψ(d(x″′j)TM),其中,d为重构向量,M为重构矩阵,x″′j为激活函数处理后的第j个重组特征向量;
定义所述漂移孪生体网络模型的标准漂移输出层的偏置函数为θ(yj+e0),其中,e0表示BMS传感阵列的充放电倍率、温度和蓄电池老化的联合补偿向量;
步骤3、所述云服务器训练传感阵列的漂移孪生体网络模型:
步骤3.1、初始化自相关矩阵B、特征重组矩阵U、重组向量c、重构向量d和重构矩阵M;
步骤3.2、根据动力电池组工况环境确定BMS传感阵列的充放电倍率、温度和蓄电池老化的联合补偿向量e0;
步骤3.3、所述输入层利用自相关函数b(Bxj+c0)对X中的每个整车瞬时动力向量进行降噪处理,从而获得去噪样本集合X′={x′j|j=1,2,…,N},其中,x′j=(v′j,δ′j,a′j,T′j,r′j,A′j,M′j,w′j)T表示第j个去噪向量,并作为特征重组层的第j个输入向量,v′j表示第j个去噪向量x′j中的车辆瞬时纵向车速,δ′j表示第j个去噪向量x′j中的道路坡度角,a′j表示第j个去噪向量x′j中的车辆瞬时加速度,T′j表示第j个去噪向量x′j中的车轮转矩,r′j表示第j个去噪向量x′j中的车轮半径,A′j表示第j个去噪向量x′j中的车辆迎风面积,M′j表示第j个去噪向量x′j中的有效车辆质量,w′j表示第j个去噪向量x′j中的驱动电机转速;
步骤3.4、所述特征重组层利用特征重组函数对去噪样本集合X′中的每个去噪向量进行数据特征重组,从而获得重组后的特征向量集合X″={x″j|j=1,2,…,N},其中,x″j表示第j个重组特征向量,并作为特征重组层的第j个输出向量;
步骤3.5、所述标准漂移输出层利用ReLU函数对重组后的特征向量集合X″中的每个元素进行处理,从而获得使能后的特征向量集合X″′={x″′j|j=1,2,…,N},x″′j表示激活函数处理后的第j个重组特征向量;
步骤3.6、所述标准漂移输出层利用重构函数ψ(d(x″′j)TM)对使能后的特征向量集合X″′中的每个重组特征向量进行重构,从而获得BMS传感阵列的功率因子标准漂移输出矩阵Yout=[yout,λout]T,表示BMS传感阵列的标准输出向量,其中,表示第k个单体电池的电压传感器标准输出值,表示第k个单体电池的温度传感器标准输出值,表示工作电流采集传感器标准输出值;表示BMS传感阵列标准漂移系数向量,其中,表示第l个传感阵列标准漂移系数;
步骤3.7、利用偏置函数θ(yj+e0)对带高斯白噪声的BMS传感阵列功率因子向量集合Y中的每个功率因子向量进行补偿处理,从而获得去噪样本集合Y′={y′j|j=1,2,…,N},其中y′j=(u′j,1…u′j,k…u′j,m,t′j,1,…,t′j,k,…,t′j,m,i′j,work)T表示第j个去噪向量;u′j,k表示第j个去噪向量y′j中第k个单体电池的电压传感器采集值;t′j,k表示第j个去噪向量y′j中第k个单体电池的温度传感器采集值,i′j,work表示第j个去噪向量y′j中的工作电流采集传感器采集值;
步骤3.8、利用式(1)计算传感阵列漂移偏差代价P(B,U,M,c,d);
步骤3.9、利用式(2)构建代价目标函数;
式中,ε为代价目标精度;“←”表示将右侧目标函数达到最优即最小值时的参数作为函数最优参数;B*、U*、M*分别为最优自相关矩阵、最优特征重组矩阵和最优重构矩阵,c*为最优重组向量,d*为最优重组向量;
步骤3.10、基于X={xj|j=1,2,…,N}和Y={yj|j=1,2,…,N}对所述代价目标函数进行训练,并利用梯度下降法对自相关矩阵B、特征重组矩阵U、重构矩阵M、重组向量c和重构向量d分别进行更新,直至迭代次数达到设定的次数或代价目标精度ε达到所设定的阈值时,停止训练,从而得到训练好的漂移孪生体网络模型并输出最终的自相关函数b(B*xj+c0)、特征重组函数和重构函数ψ(d*(x″′j)TM*);
步骤4、在目标车辆的实际行程中,目标车辆提前通过V2I通信获取当前时刻下的瞬时动力矩阵和功率因子矩阵并传输至所述云服务器;
所述云服务器将当前时刻下的瞬时动力矩阵输入所述训练好的漂移孪生体网络模型中,从而得到当前时刻下的BMS传感阵列的功率因子标准漂移输出矩阵Y′out=[y′out,λ′out]T,表示当前时刻下的BMS传感阵列的标准输出向量,其中,表示当前时刻下的第k个单体电池的电压传感器标准输出值,表示当前时刻下的第k个单体电池的温度传感器标准输出值,表示当前时刻下的工作电流采集传感器标准输出值;表示当前时刻下的BMS传感阵列标准漂移系数向量,表示当前时刻下的第l个传感阵列标准漂移系数;
步骤5、所述云服务器辨识传感阵列异常分布:
步骤5.1、将当前时刻下的BMS传感阵列功率因子标准漂移输出矩阵Y′out按行进行归一化处理后得到归一化的BMS传感阵列功率因子标准漂移输出矩阵Y″out=[y″out,λ″out]T,表示归一化的BMS传感阵列的标准输出向量,其中,表示归一化的第k个单体电池的电压传感器标准输出值,表示归一化的第i个单体电池的温度传感器标准输出值,表示归一化的工作电流采集传感器标准输出值;λ″out=(λ″1,…,λ″l,…,λ″2m+1)表示归一化的BMS传感阵列标准漂移系数向量,表示归一化的第l个传感阵列标准漂移系数;
式(5)中,λ″max为归一化的BMS传感阵列标准漂移系数向量λ″out中元素的最大值,λ″min为归一化的BMS传感阵列标准漂移系数向量λ″out中元素的最小值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210186603.XA CN114706028B (zh) | 2022-02-28 | 2022-02-28 | 基于漂移孪生体的智能网联汽车bms传感阵列失效云诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210186603.XA CN114706028B (zh) | 2022-02-28 | 2022-02-28 | 基于漂移孪生体的智能网联汽车bms传感阵列失效云诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114706028A true CN114706028A (zh) | 2022-07-05 |
CN114706028B CN114706028B (zh) | 2023-02-28 |
Family
ID=82167064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210186603.XA Active CN114706028B (zh) | 2022-02-28 | 2022-02-28 | 基于漂移孪生体的智能网联汽车bms传感阵列失效云诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114706028B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010130827A (ja) * | 2008-11-28 | 2010-06-10 | Hitachi Ltd | 蓄電装置 |
WO2019087101A1 (en) * | 2017-11-03 | 2019-05-09 | 3M Innovative Properties Company | System and method for anomaly detection in an electrical network |
US20190266295A1 (en) * | 2018-02-28 | 2019-08-29 | Toyota Jidosha Kabushiki Kaisha | Proactive vehicle maintenance scheduling based on digital twin simulations |
KR20200124786A (ko) * | 2019-04-24 | 2020-11-04 | 현대자동차주식회사 | 배터리 센서 진단 시스템 및 방법 |
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
US20210110262A1 (en) * | 2019-10-14 | 2021-04-15 | Honda Research Institute Europe Gmbh | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data |
CN112711892A (zh) * | 2020-12-07 | 2021-04-27 | 深圳先进技术研究院 | 一种基于数字孪生和区块链技术的云电池管理系统及方法 |
CN113114697A (zh) * | 2021-04-21 | 2021-07-13 | 合肥工业大学 | 一种基于特征自降维标记的整车云测试数据在线封装方法 |
CN113609955A (zh) * | 2021-07-30 | 2021-11-05 | 福州大学 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 |
CN113671382A (zh) * | 2021-09-06 | 2021-11-19 | 中国科学院电工研究所 | 一种基于云-端数字孪生的电池储能系统状态估计方法 |
CN113777918A (zh) * | 2021-07-28 | 2021-12-10 | 张金宁 | 一种数字孪生架构的汽车智能线控底盘控制方法 |
EP3923309A1 (en) * | 2020-06-12 | 2021-12-15 | ABB Power Grids Switzerland AG | Provision of currently unmeasurable state information about a switchgear device system |
CN113895309A (zh) * | 2021-10-09 | 2022-01-07 | 北京理工大学 | 一种应用数字孪生技术的电池热管理方法 |
CN114004168A (zh) * | 2021-12-24 | 2022-02-01 | 武汉理工大学 | 一种基于数字孪生的燃料电池综合管理系统及方法 |
-
2022
- 2022-02-28 CN CN202210186603.XA patent/CN114706028B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010130827A (ja) * | 2008-11-28 | 2010-06-10 | Hitachi Ltd | 蓄電装置 |
WO2019087101A1 (en) * | 2017-11-03 | 2019-05-09 | 3M Innovative Properties Company | System and method for anomaly detection in an electrical network |
US20190266295A1 (en) * | 2018-02-28 | 2019-08-29 | Toyota Jidosha Kabushiki Kaisha | Proactive vehicle maintenance scheduling based on digital twin simulations |
KR20200124786A (ko) * | 2019-04-24 | 2020-11-04 | 현대자동차주식회사 | 배터리 센서 진단 시스템 및 방법 |
US20210110262A1 (en) * | 2019-10-14 | 2021-04-15 | Honda Research Institute Europe Gmbh | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data |
EP3923309A1 (en) * | 2020-06-12 | 2021-12-15 | ABB Power Grids Switzerland AG | Provision of currently unmeasurable state information about a switchgear device system |
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
CN112711892A (zh) * | 2020-12-07 | 2021-04-27 | 深圳先进技术研究院 | 一种基于数字孪生和区块链技术的云电池管理系统及方法 |
CN113114697A (zh) * | 2021-04-21 | 2021-07-13 | 合肥工业大学 | 一种基于特征自降维标记的整车云测试数据在线封装方法 |
CN113777918A (zh) * | 2021-07-28 | 2021-12-10 | 张金宁 | 一种数字孪生架构的汽车智能线控底盘控制方法 |
CN113609955A (zh) * | 2021-07-30 | 2021-11-05 | 福州大学 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 |
CN113671382A (zh) * | 2021-09-06 | 2021-11-19 | 中国科学院电工研究所 | 一种基于云-端数字孪生的电池储能系统状态估计方法 |
CN113895309A (zh) * | 2021-10-09 | 2022-01-07 | 北京理工大学 | 一种应用数字孪生技术的电池热管理方法 |
CN114004168A (zh) * | 2021-12-24 | 2022-02-01 | 武汉理工大学 | 一种基于数字孪生的燃料电池综合管理系统及方法 |
Non-Patent Citations (2)
Title |
---|
XIAOHUI DU 等: "High Accuracy Resonant Pressure Sensor With Balanced-Mass DETF Resonator and Twinborn Diaphragms", 《 JOURNAL OF MICROELECTROMECHANICAL SYSTEMS》 * |
杨帆 等: "数字孪生在电力装备领域中的应用与实现方法", 《高电压技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114706028B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102837696B (zh) | 具有在线监测功能的燃料电池叉车混合动力控制系统 | |
CN111965559B (zh) | 一种锂离子电池soh在线估计方法 | |
CN102749588B (zh) | 基于蓄电池soc和soh的故障诊断方法 | |
CN113740736B (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
CN105974327A (zh) | 一种基于神经网络和ukf的锂电池组soc预测方法 | |
CN111007399A (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
CN113752843B (zh) | 一种基于赛博物理系统的动力电池热失控预警装置及方法 | |
CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
CN109856545B (zh) | 太阳能汽车的蓄电池组剩余容量检测方法及系统 | |
CN112782594B (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
CN102567782A (zh) | 一种基于神经网络的汽车发动机转矩的估算方法 | |
CN111983463B (zh) | 一种电动汽车用锂离子电池剩余电量预警诊断测试方法 | |
CN112163372A (zh) | 一种动力电池的soc估算方法 | |
CN111812535A (zh) | 一种基于数据驱动的动力电池故障诊断方法及系统 | |
CN110077389B (zh) | 一种插电式混合动力电动汽车能量管理方法 | |
CN109878499B (zh) | 混合动力车辆功率控制方法 | |
CN114791993A (zh) | 一种动力电池组soh预测方法及系统 | |
CN115257379A (zh) | 一种基于实车数据的电动汽车动力电池热失控预警方法 | |
CN114115199A (zh) | 新能源环卫车辆的监测及故障诊断系统 | |
CN114706028B (zh) | 基于漂移孪生体的智能网联汽车bms传感阵列失效云诊断方法 | |
CN115511203A (zh) | 基于锂电池荷电状态估计电动船舶航程优化方法及系统 | |
CN110667540B (zh) | 一种用于电动汽车的电子电力控制动力系统及其控制方法 | |
CN113740735A (zh) | 一种锂离子电池soc估计的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |