CN114815629A - 一种用于智能网联汽车电感器工作状态评估方法 - Google Patents

一种用于智能网联汽车电感器工作状态评估方法 Download PDF

Info

Publication number
CN114815629A
CN114815629A CN202210764160.8A CN202210764160A CN114815629A CN 114815629 A CN114815629 A CN 114815629A CN 202210764160 A CN202210764160 A CN 202210764160A CN 114815629 A CN114815629 A CN 114815629A
Authority
CN
China
Prior art keywords
inductor
working state
module
data information
automobile
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
Application number
CN202210764160.8A
Other languages
English (en)
Other versions
CN114815629B (zh
Inventor
李晶华
李�昊
赵晶
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.)
Tianjin Vocational Institute
Original Assignee
Tianjin Vocational Institute
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 Tianjin Vocational Institute filed Critical Tianjin Vocational Institute
Priority to CN202210764160.8A priority Critical patent/CN114815629B/zh
Publication of CN114815629A publication Critical patent/CN114815629A/zh
Application granted granted Critical
Publication of CN114815629B publication Critical patent/CN114815629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Abstract

本发明公开一种用于智能网联汽车电感器工作状态评估方法，涉及电感技术领域，解决的技术问题是智能网联汽车电感器工作状态评估，采用的方案是过获取汽车电感器的工作状态数据信息；应用融合计算模块计算获取到的汽车电感器工作状态数据信息；通过改进型RNN算法模型对融合计算模块输出的数据信息进行故障诊断，以输出汽车电感器故障工作数据信息。本发明能够对智能网联汽车电感器的工作状态进行实时监测，对故障数据信息进行及时诊断，大大提高了智能网联汽车电感器工作状态监测能力。

Description

一种用于智能网联汽车电感器工作状态评估方法
技术领域
本发明涉及电感技术领域，且更确切地涉及一种用于智能网联汽车电感器工作状态评估方法。
背景技术
智能网联汽车在应用过程中避免不了要实现各种充电设备的电器应用，为了提高智能网联应用能力，实现电能量的转换与存储，为智能网联汽车能量供应提供能源供给，电感器(Inductor)是能够把电能转化为磁能而存储起来的元件。电感器的结构类似于变压器，但只有一个绕组。电感器具有一定的电感，它只阻碍电流的变化。如果电感器在没有电流通过的状态下，电路接通时它将试图阻碍电流流过它；如果电感器在有电流通过的状态下，电路断开时它将试图维持电流不变。电感器又称扼流器、电抗器、动态电抗器。通过将电感器应用到智能网联汽车中能够为物联网汽车提供各种储能思路，但是如何实现智能网联汽车电感器工作状态评估关系到智能网联汽车电感器的使用寿命以及智能网联汽车运行的安全。
专利号CN201911075675.1公开一种用于保护DC/DC转换器的电气系统和方法，该方法能够将直流电压转换为另一直流电压，包括：一谐振DCDC转换器(1)，包括一谐振LLC转换器电路，一控制单元(TN)，包括：一第一模块(TN1)，用于根据输出电流(Is)的测量值确定rms谐振电流值(Ir_RMS)，一第二模块(TN2)，使用rms谐振电流值(Ir_RMS)，确定每个谐振电容器(Cr/2)的端子处的电压的最大值(Vr_max)和每个谐振电容器(Cr/2)的端子处的电压的最小值(Vr_min)，一比较模块(TNC)，一断开元件(UP)，其被配置为在过载时使所述谐振DC-DC转换器(1)停止运行。虽然能够实现电感器工作状态评估，但是无法通过在智能网联汽车电感器工作过程中实现数据分析。专利号CN202010178537.2公开了一种提高基于能量路由器的充电站DCDC效率的控制策略，也能够分析智能网联汽车电感器的使用状况，但无法将智能网联汽车电感器运行状态的数据信息转换为微观数据思维，无法实现智能网联汽车电感器的故障诊断，检测效率低下，智能网联汽车电感器工作状态把控能力差。
发明内容
针对上述技术的不足，本发明公开一种用于智能网联汽车电感器工作状态评估方法，能够对智能网联汽车电感器的工作状态进行实时监测，对故障数据信息进行及时诊断，大大提高了智能网联汽车电感器工作状态监测能力。
为了实现上述技术效果，本发明采用以下技术方案：
一种用于智能网联汽车电感器工作状态评估方法，其中包括以下步骤：
步骤一、获取汽车电感器的工作状态数据信息；
在本步骤中，通过电流传感器、电压传感器、纹波传感器、电感量检测电路、线性度传感器、温度检测传感器和负载传感器获取汽车电感器工作过程中的电流、电压、纹波、电感量、线性度、温度和负载；
步骤二、通过融合计算模块计算获取到的汽车电感器工作状态数据信息；
在本步骤中，融合计算模块包括输入端子、I/V转换模块、V/V转换模块、A/D转换模块、DSP处理模块、对比模块、信号调节电路、电源模块、通讯接口、数字合成模块和数据接口，其中所述DSP处理模块与A/D转换模块、电源模块、通讯接口、数字合成模块和数据接口连接，所述电源模块向各个模块提供工作电压，输入端子的输出端分别与I/V转换模块和V/V转换模块的输入端连接，所述I/V转换模块和V/V转换模块的输出端与A/D转换模块的输入端连接，所述A/D转换模块还与对比模块和信号调节电路连接；
步骤三、通过改进型RNN算法模型对融合计算模块输出的数据信息进行故障诊断，以输出汽车电感器故障工作数据信息。
作为本发明进一步的技术方案，I/V转换模块为基于OP07运放放大电路的转换模块。
作为本发明进一步的技术方案，V/V转换模块为基于运算放大器LM324和三极管BG9013的转换电路。
作为本发明进一步的技术方案，对比模块包括标准信息模块、匹配信息模块和输出模块，其中所述匹配信息模块分别与标准信息模块和输出模块连接，其中对比模块工作的方法为：
存储电流、电压、纹波、电感量、线性度、温度和负载数据信息，并将汽车电感器的正常工作状态数据信息存储，通过N次计算求均值，以存储标准数据信息量，将检测到的汽车电感器的工作状态数据信息与存储的正常工作状态数据信息进行匹配对比，当数据信息相匹配时，通过输出模块输出匹配的数据信息，当数据信息不相匹配时，则遗弃。
作为本发明进一步的技术方案，数字合成模块包括DDS芯片和与所述DDS芯片连接的标准参考频率源、相位累加器、波形存储器和D/A转换器。
作为本发明进一步的技术方案，电感器工作状态评估方法为改进型RNN算法模型，所述改进型RNN算法模型包括数据输入模块、数据信息搜索模块、数据评估模块和数据输出模块，其中所述数据输入模块的输出端与数据信息搜索模块的输入端连接，所述数据信息搜索模块的输出端与数据评估模块的输入端连接，所述数据评估模块的输出端与数据输出模块的输入端连接。
作为本发明进一步的技术方案，改进型RNN算法模型工作的方法包括以下步骤：
步骤（1）、通过数据输入模块输入电感器工作状态数据信息；
在本步骤中，通过选择、交叉与变异操作选择电感器工作状态数据信息全局最优解的大小，进而区分电感器工作状态数据信息群体个体好坏，通过设置适应度函数评价电感器工作状态数据信息，其中适应度函数为：
Figure 864078DEST_PATH_IMAGE001
（1）
公式（1）中，
Figure 649631DEST_PATH_IMAGE002
表示电感器工作状态评估方法计算过程中的适应度值，
Figure 778124DEST_PATH_IMAGE003
表示电 感器工作状态评估模型输出数据的实际权值，
Figure 202765DEST_PATH_IMAGE004
中的i表示电感器工作状态数据信息排 序；
Figure 201945DEST_PATH_IMAGE005
表示电感器工作状态评估模型输出数据的期望权值，n表示输入到评估模型中外部 环境影响量参数样本数，其中
Figure 423978DEST_PATH_IMAGE006
表示函数稳定性函数，
Figure 774188DEST_PATH_IMAGE007
表示收敛倍数。
步骤（2）、通过数据信息搜索模块对电感器工作状态数据信息进行搜索，通过用户设置目标数据信息进而设置电感器工作状态数据信息，并计算出电感器工作状态数据信息在改进型RNN算法模型中的支持度，其中支持度函数表示为：
Figure 739870DEST_PATH_IMAGE008
（2）
公式（2）中，
Figure 124715DEST_PATH_IMAGE009
表示支持度函数，
Figure 252071DEST_PATH_IMAGE009
中的
Figure 89577DEST_PATH_IMAGE010
表示在外部环境数据影响 参数下的支持度函数，
Figure 324862DEST_PATH_IMAGE011
表示外部环境数据影响参数之间的线性相关性，i表示电感器工 作状态数据信息排序，
Figure 298634DEST_PATH_IMAGE012
表示电感器工作状态中外部环境数据影响参数，
Figure 128050DEST_PATH_IMAGE010
表示i个电 感器工作过程中，电感器工作状态受外部环境影响的特征量，
Figure 452852DEST_PATH_IMAGE013
表示电感器工作状态中 外部环境数据影响参数可信度，其中
Figure 229178DEST_PATH_IMAGE014
表示函数稳定性函数，
Figure 323036DEST_PATH_IMAGE015
表示收敛倍数。
步骤（3）、将搜索到的电感器工作状态数据信息存储，通过隐含层传入的信息实现电感器工作状态信息记忆，电感器工作状态数据信息存储状态向量函数为：
Figure 323353DEST_PATH_IMAGE016
（3）
公式（3）中，
Figure 604293DEST_PATH_IMAGE017
表示改进型RNN算法模型输出的电感器工作状态数据状态向量，
Figure 712539DEST_PATH_IMAGE017
中的
Figure 660903DEST_PATH_IMAGE018
表示电感器工作状态数据状态向量的个数；
Figure 566542DEST_PATH_IMAGE019
表示电感器工作状态数据在隐 含层中的状态，
Figure 600357DEST_PATH_IMAGE020
表示当前时刻；
步骤（4）、计算电感器工作状态数据信息在隐藏层中的状态，以动态评估汽车工作状态数据信息，其中动态评估函数为：
Figure 984065DEST_PATH_IMAGE021
（4）
公式（4）中，
Figure 786936DEST_PATH_IMAGE022
表示汽车工作状态数据信息的动态评估函数，
Figure 863477DEST_PATH_IMAGE023
表示电感器工 作状态数据信息评估处理函数，
Figure 384588DEST_PATH_IMAGE024
表示电感器工作状态数据信息经过隐含层处理的权重，
Figure 834636DEST_PATH_IMAGE025
表示电感器工作状态数据信息到隐含层的权重，
Figure 351068DEST_PATH_IMAGE026
表示电感器工作状态数据信息外 部环境影响量参数出现的几率，
Figure 739455DEST_PATH_IMAGE027
表示当前时刻；
步骤（5）、评估电感器工作状态数据信息，并输出电感器工作状态数据信息的评估信息；
输出函数为：
Figure 747863DEST_PATH_IMAGE028
（5）
公式（5）中，
Figure 598007DEST_PATH_IMAGE029
表示电感器工作状态数据信息评估输出的故障值，
Figure 516416DEST_PATH_IMAGE030
表示输出 层的传输函数，
Figure 934759DEST_PATH_IMAGE031
表示输出层接收到的车联网数据中隐含层处理数据的权重，通过公式 （5）计算出当前外部环境影响量下的电感器工作状态值；
步骤（6）、将电感器工作状态数据信息评估输出，以量化工作过程中的故障信息：
Figure 164883DEST_PATH_IMAGE033
（6）
公式（6）中，
Figure 818718DEST_PATH_IMAGE034
表示外部环境影响量中电感器工作状态数据故障级别，
Figure 447758DEST_PATH_IMAGE035
表示 故障信息的权重，
Figure 37002DEST_PATH_IMAGE036
表示车联网设备的重要程度，
Figure 160947DEST_PATH_IMAGE037
表示车联网设备中存在的故障信 息数量，
Figure 352894DEST_PATH_IMAGE038
表示车联网设备汽车电感器工作状态中存在故障信息的总数，n表示车联网设 备总数，s表示汽车电感器工作状态故障信息类型数量；
Figure 573791DEST_PATH_IMAGE039
表示故障信息的权重中的类型；
当b值介于
Figure 599516DEST_PATH_IMAGE040
时，汽车电感器工作状态故障评估等级为I级，表示当前 汽车电感器工作状态安全性高，无安全隐患；b值介于
Figure 804232DEST_PATH_IMAGE041
区间时，汽车电感器工作 状态故障评估等级为II级，表示汽车电感器工作状态安全性存在隐患；b值介于
Figure 675236DEST_PATH_IMAGE042
区间时，汽车电感器工作状态故障评估等级为III级，表示汽车电感器工作状 态当前处于故障状态；b值介于
Figure 567885DEST_PATH_IMAGE043
区间时，汽车电感器工作状态故障评估等级为IV 级，表示汽车电感器工作状态面临故障威胁；b值介于
Figure 764511DEST_PATH_IMAGE044
区间时；汽车电感器工作 状态故障评估等级为V级，表示此时汽车电感器工作状态处于瘫痪状态。
本发明有益的积极效果在于：区别于常规技术，本发明通过获取汽车电感器的工作状态数据信息；应用融合计算模块计算获取到的汽车电感器工作状态数据信息；其中融合计算模块包括输入端子、I/V转换模块、V/V转换模块、A/D转换模块、DSP处理模块、对比模块、信号调节电路、电源模块、通讯接口、数字合成模块和数据接口，其中所述DSP处理模块与A/D转换模块、电源模块、通讯接口、数字合成模块和数据接口连接，所述电源模块向各个模块提供工作电压，输入端子的输出端分别与I/V转换模块和V/V转换模块的输入端连接，所述I/V转换模块和V/V转换模块的输出端与A/D转换模块的输入端连接，所述A/D转换模块还与对比模块和信号调节电路连接；之后通过改进型RNN算法模型对融合计算模块输出的数据信息进行故障诊断，以输出汽车电感器故障工作数据信息。本发明能够对智能网联汽车电感器的工作状态进行实时监测，对故障数据信息进行及时诊断，大大提高了智能网联汽车电感器工作状态监测能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明流程结构示意图；
图2为本发明中对比模块示意图；
图3为本发明中改进型RNN算法模型结构示意图；
图4为本发明中融合计算模块结构示意图；
图5为本发明中改进型RNN算法模型工作方法流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，一种用于智能网联汽车电感器工作状态评估方法，包括以下步骤：
步骤一、获取汽车电感器的工作状态数据信息；
在本步骤中，通过电流传感器、电压传感器、纹波传感器、电感量检测电路、线性度传感器、温度检测传感器和负载传感器获取汽车电感器工作过程中的电流、电压、纹波、电感量、线性度、温度和负载；
步骤二、通过融合计算模块计算获取到的汽车电感器工作状态数据信息；
在本步骤中，融合计算模块包括输入端子、I/V转换模块、V/V转换模块、A/D转换模块、DSP处理模块、对比模块、信号调节电路、电源模块、通讯接口、数字合成模块和数据接口，其中所述DSP处理模块与A/D转换模块、电源模块、通讯接口、数字合成模块和数据接口连接，所述电源模块向各个模块提供工作电压，输入端子的输出端分别与I/V转换模块和V/V转换模块的输入端连接，所述I/V转换模块和V/V转换模块的输出端与A/D转换模块的输入端连接，所述A/D转换模块还与对比模块和信号调节电路连接；
步骤三、通过改进型RNN算法模型对融合计算模块输出的数据信息进行故障诊断，以输出汽车电感器故障工作数据信息。
在步骤一中，由于汽车电感器的工作状态数据信息存在多种，在具体实施例中，不局限于电流传感器、电压传感器、纹波传感器、电感量检测电路、线性度传感器、温度检测传感器和负载传感器，其他能够检测汽车电感器的工作状态数据信息都可以应用。
在步骤二中，I/V转换模块为基于OP07运放放大电路的转换模块。
I/V转换模块用于把信号电流转换成信号电压，在具体实施例中，通过OP07组成的4－20mA输入/5V输出的I/V转换电路，对运放的供电可以使用由DIP封装的TL431组成的高精度稳压电路，这种TL431采用DIP8封装，耗散功率达到1W，运算放大器选择使用的是高精度低失调的OP07，其参数指标大大优于普通廉价运放。OP07为关键的是在对零点信号的处理上，可以保证输入4mA的时候，运放ICC的输出电压等于零。在具体实施例中，运放ICD的同相输入端电压由经过TIA31稳压后的负电源提供，它通过分压电阻电路进行分压，经过运放的缓冲，输出将跟随着运放同相端的电压，可以从接近零的电压起调。
在步骤二中，V/V转换模块为基于运算放大器LM324和三极管BG9013的转换电路。
在步骤二中，对比模块包括标准信息模块、匹配信息模块和输出模块，其中所述匹配信息模块分别与标准信息模块和输出模块连接，其中对比模块工作的方法为：
存储电流、电压、纹波、电感量、线性度、温度和负载数据信息，并将汽车电感器的正常工作状态数据信息存储，通过N次计算求均值，以存储标准数据信息量，将检测到的汽车电感器的工作状态数据信息与存储的正常工作状态数据信息进行匹配对比，当数据信息相匹配时，通过输出模块输出匹配的数据信息，当数据信息不相匹配时，则遗弃。
在步骤二中，数字合成模块包括DDS芯片和与所述DDS芯片连接的标准参考频率源、相位累加器、波形存储器和D/A转换器。
在具体实施例中，DDS（Direct Digital Frequency Synthesis）是一种把一系列数字信号通过D/A转换器转换成模拟信号的数字合成技术。DDS（Direct DigitalSynthesis）是一种把一系列数字信号通过D/A转换器转换成模拟信号的数字合成技术。它有查表法和计算法两种基本合成方法。由于ROM查询法结构简单，只需要在ROM中存放不同相位对应的幅度序列，然后通过相位累加器的输出对其寻址，经过数/模转换和低通滤波（LPF）输出便可以得到所需要的模拟信号。这里，选用ROM查表法。DDS技术实质上是实现了一个数字分频器的功能。对于一个周期的正弦波连续信号，可以沿其相位轴方向，以等量的相位间隔对其进行相位/幅度采样，得到一个周期性的正弦信号的离散相位的幅度序列，对模拟幅度进行量化后的幅值采用二进制数据编码，这样就把一个周期的正弦波连续信号转换成一系列离散的二进制数字量，然后存入存储器RAM中，每个存储器单元的地址即是相位取样地址，存储单元的内容是已经量化了的正弦波幅值。一个这样的只读存储器构成了一个与2π周期相位取样对应的正弦波函数表。DDS的基本原理主要由标准参考频率源、相位累加器、波形存储器和数/模转换器构成。在时钟脉冲的控制下，频率控制字K由累加器得到相应的相码。相码寻址波形存储器进行相码—幅码变换输出不同的幅度编码，经过数/模变换器得到相应的阶梯波，最后经过低通滤波器对阶梯波进行平滑，即得到由频率控制字K决定的连续变化的输出波形。相位累加器是实现DDS的核心，它由一个N位字长的二进制加法器和一个由固定时钟脉冲取样的N位相位寄存器组成，在每个时钟脉冲到达时，相位寄存器采用上个时钟周期内相位寄存器的值与频率控制字K之和，并作为相位累加器在这一时钟周期的输出。
在具体实施例中，电感器(Inductor)是能够把电能转化为磁能而存储起来的元件。电感器的结构类似于变压器，但只有一个绕组。电感器具有一定的电感，它只阻碍电流的变化。如果电感器在没有电流通过的状态下，电路接通时它将试图阻碍电流流过它；如果电感器在有电流通过的状态下，电路断开时它将试图维持电流不变。电感器又称扼流器、电抗器、动态电抗器。电感器一般由骨架、绕组、屏蔽罩、封装材料、磁心或铁心等组成。电感器在电路中主要起到滤波、振荡、延迟、陷波等作用，还有筛选信号、过滤噪声、稳定电流及抑制电磁波干扰等作用。电感在电路最常见的作用就是与电容一起，组成LC滤波电路。电容具有“阻直流，通交流”的特性，而电感则有“通直流，阻交流”的功能。如果把伴有许多干扰信号的直流电通过LC滤波电路，那么，交流干扰信号将被电感变成热能消耗掉;变得比较纯净的直流电流通过电感时，其中的交流干扰信号也被变成磁感和热能，频率较高的最容易被电感阻抗，这就可以抑制较高频率的干扰信号。
在上述实施例中，电感器工作状态评估方法为改进型RNN算法模型，所述改进型RNN算法模型包括数据输入模块、数据信息搜索模块、数据评估模块和数据输出模块，其中所述数据输入模块的输出端与数据信息搜索模块的输入端连接，所述数据信息搜索模块的输出端与数据评估模块的输入端连接，所述数据评估模块的输出端与数据输出模块的输入端连接。
在上述实施例中，为改进型RNN算法模型工作的方法包括以下步骤：
步骤（1）、通过数据输入模块输入电感器工作状态数据信息；
在本步骤中，通过选择、交叉与变异操作选择电感器工作状态数据信息全局最优解的大小，进而区分电感器工作状态数据信息群体个体好坏，通过设置适应度函数评价电感器工作状态数据信息，其中适应度函数为：
Figure 331890DEST_PATH_IMAGE046
（1）
公式（1）中，
Figure 272164DEST_PATH_IMAGE047
表示电感器工作状态评估方法计算过程中的适应度值，
Figure 733232DEST_PATH_IMAGE048
表示电 感器工作状态评估模型输出数据的实际权值，
Figure 835181DEST_PATH_IMAGE049
中的i表示电感器工作状态数据信息排 序；
Figure 14489DEST_PATH_IMAGE050
表示电感器工作状态评估模型输出数据的期望权值，n表示输入到评估模型中外部环 境影响量参数样本数，其中
Figure 755525DEST_PATH_IMAGE051
表示函数稳定性函数，
Figure 805520DEST_PATH_IMAGE052
表示收敛倍数。
在具体实施例中，适应度函数(Fitness Function)的选取直接影响到遗传算法的收敛速度以及能否找到最优解，因为遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群每个个体的适应度来进行搜索。因为适应度函数的复杂度是遗传算法复杂度的主要组成部分，所以适应度函数在设计时，和电感器工作状态评估方法有关系。
本申请利用遗传算法（Genetic algorithm,GA）对递归神经汽车电感器工作状态（(Recursive neural networks,RNN）进行优化，并结合了DS证据理论构建出基于GA-Elman神经汽车电感器工作状态评估模型，增强了评估模型解决时序问题的动态能力。
该申请利用改进型RNN算法模型所需要使用的各个参数的最优值，并防止寻优时陷入局部最小值情况的发生。
通过公式（1）计算评估模型的适应度值，将实际输出值与期望输出值间的误差降到最低，达到终止条件时将获得的最佳初始权值和阈值给RNN算法模型神经汽车电感器工作状态模型。证据理论通过动态自适应调整各个证据的权重，来避免出现高冲突合成结果错误的情况，从而解决电感器工作状态中数据信息不稳定的问题，以提高汽车电感器工作状态下数据评估精度。
步骤（2）、通过数据信息搜索模块对电感器工作状态数据信息进行搜索，通过用户设置目标数据信息进而设置电感器工作状态数据信息，并计算出电感器工作状态数据信息在改进型RNN算法模型中的支持度，其中支持度函数表示为：
Figure 343949DEST_PATH_IMAGE054
（2）
公式（2）中，
Figure 10554DEST_PATH_IMAGE055
表示支持度函数，
Figure 292630DEST_PATH_IMAGE056
中的
Figure 728291DEST_PATH_IMAGE057
表示在外部环境数据影响 参数下的支持度函数，
Figure 172042DEST_PATH_IMAGE058
表示外部环境数据影响参数之间的线性相关性，i表示电感器工 作状态数据信息排序，
Figure 325943DEST_PATH_IMAGE059
表示电感器工作状态中外部环境数据影响参数，
Figure 143201DEST_PATH_IMAGE057
表示i个电感 器工作过程中，电感器工作状态受外部环境影响的特征量，
Figure 167789DEST_PATH_IMAGE060
表示电感器工作状态中外 部环境数据影响参数可信度，其中
Figure 641496DEST_PATH_IMAGE061
表示函数稳定性函数，
Figure 17114DEST_PATH_IMAGE062
表示收敛倍数。
步骤（3）、将搜索到的电感器工作状态数据信息存储，通过隐含层传入的信息实现电感器工作状态信息记忆，电感器工作状态数据信息存储状态向量函数为：
Figure 640993DEST_PATH_IMAGE063
（3）
公式（3）中，
Figure 520087DEST_PATH_IMAGE064
表示改进型RNN算法模型输出的电感器工作状态数据状态向量，
Figure 571220DEST_PATH_IMAGE064
中的
Figure 168554DEST_PATH_IMAGE065
表示电感器工作状态数据状态向量的个数；
Figure 330545DEST_PATH_IMAGE066
表示电感器工作状态数据在隐 含层中的状态，
Figure 592375DEST_PATH_IMAGE067
表示当前时刻；
步骤（4）、计算电感器工作状态数据信息在隐藏层中的状态，以动态评估汽车工作状态数据信息，其中动态评估函数为：
Figure 548830DEST_PATH_IMAGE069
（4）
公式（4）中，
Figure 633460DEST_PATH_IMAGE070
表示汽车工作状态数据信息的动态评估函数，
Figure 599142DEST_PATH_IMAGE071
表示电感器工 作状态数据信息评估处理函数，
Figure 718408DEST_PATH_IMAGE072
表示电感器工作状态数据信息经过隐含层处理的权重，
Figure 970398DEST_PATH_IMAGE073
表示电感器工作状态数据信息到隐含层的权重，
Figure 948849DEST_PATH_IMAGE074
表示电感器工作状态数据信息外 部环境影响量参数出现的几率，
Figure 311697DEST_PATH_IMAGE075
表示当前时刻；
步骤（5）、评估电感器工作状态数据信息，并输出电感器工作状态数据信息的评估信息；
输出函数为：
Figure 285470DEST_PATH_IMAGE076
（5）
公式（5）中，
Figure 580797DEST_PATH_IMAGE077
表示电感器工作状态数据信息评估输出的故障值，
Figure 640020DEST_PATH_IMAGE078
表示输出 层的传输函数，
Figure 681926DEST_PATH_IMAGE079
表示输出层接收到的车联网数据中隐含层处理数据的权重，通过公式 （5）计算出当前外部环境影响量下的电感器工作状态值；
步骤（6）、将电感器工作状态数据信息评估输出，以量化工作过程中的故障信息：
Figure 775783DEST_PATH_IMAGE081
（6）
公式（6）中，
Figure 244942DEST_PATH_IMAGE082
表示外部环境影响量中电感器工作状态数据故障级别，
Figure 791461DEST_PATH_IMAGE083
表示 故障信息的权重，
Figure 902637DEST_PATH_IMAGE084
表示车联网设备的重要程度，
Figure 851001DEST_PATH_IMAGE085
表示车联网设备中存在的故障信 息数量，
Figure 488131DEST_PATH_IMAGE086
表示车联网设备汽车电感器工作状态中存在故障信息的总数，n表示车联网设 备总数，s表示汽车电感器工作状态故障信息类型数量；
Figure 521946DEST_PATH_IMAGE087
表示故障信息的权重中的类型；
当b值介于
Figure 30288DEST_PATH_IMAGE088
时，汽车电感器工作状态故障评估等级为I级，表示当前汽 车电感器工作状态安全性高，无安全隐患；b值介于
Figure 239684DEST_PATH_IMAGE089
区间时，汽车电感器工作 状态故障评估等级为II级，表示汽车电感器工作状态安全性存在隐患；b值介于
Figure 581803DEST_PATH_IMAGE090
区间时，汽车电感器工作状态故障评估等级为III级，表示汽车电感器工作状 态当前处于故障状态；b值介于
Figure 837335DEST_PATH_IMAGE091
区间时，汽车电感器工作状态故障评估等级为IV 级，表示汽车电感器工作状态面临故障威胁；b值介于
Figure 555892DEST_PATH_IMAGE092
区间时；汽车电感器工作状 态故障评估等级为V级，表示此时汽车电感器工作状态处于瘫痪状态。
综上所述，改进型RNN算法模型通过参数寻优的方式使汽车电感器工作状态输出的评估结果更加准确，改进型RNN算法模型的电感器工作状态评估模型表示评估的整个流程，进一步划分汽车电感器工作状态故障的安全等级，发现安全等级变化时立即采取合理的措施，使汽车电感器工作状态安全状态脱离威胁状态。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (7)

1.一种用于智能网联汽车电感器工作状态评估方法，其特征在于：包括以下步骤：
步骤一、获取汽车电感器的工作状态数据信息；
在本步骤中，通过电流传感器、电压传感器、纹波传感器、电感量检测电路、线性度传感器、温度检测传感器和负载传感器获取汽车电感器工作过程中的电流、电压、纹波、电感量、线性度、温度和负载；
步骤二、通过融合计算模块计算获取到的汽车电感器工作状态数据信息；
在本步骤中，融合计算模块包括输入端子、I/V转换模块、V/V转换模块、A/D转换模块、DSP处理模块、对比模块、信号调节电路、电源模块、通讯接口、数字合成模块和数据接口，其中所述DSP处理模块与A/D转换模块、电源模块、通讯接口、数字合成模块和数据接口连接，所述电源模块向各个模块提供工作电压，输入端子的输出端分别与I/V转换模块和V/V转换模块的输入端连接，所述I/V转换模块和V/V转换模块的输出端与A/D转换模块的输入端连接，所述A/D转换模块还与对比模块和信号调节电路连接；
步骤三、通过改进型RNN算法模型对融合计算模块输出的数据信息进行故障诊断，以输出汽车电感器故障工作数据信息。
2.根据权利要求1所述的一种用于智能网联汽车电感器工作状态评估方法，其特征在于：I/V转换模块为基于OP07运放放大电路的转换模块。
3.根据权利要求1所述的一种用于智能网联汽车电感器工作状态评估方法，其特征在于：V/V转换模块为基于运算放大器LM324和三极管BG9013的转换电路。
4.根据权利要求1所述的一种用于智能网联汽车电感器工作状态评估方法，其特征在于：对比模块包括标准信息模块、匹配信息模块和输出模块，其中所述匹配信息模块分别与标准信息模块和输出模块连接，其中对比模块工作的方法为：
存储电流、电压、纹波、电感量、线性度、温度和负载数据信息，并将汽车电感器的正常工作状态数据信息存储，通过N次计算求均值，以存储标准数据信息量，将检测到的汽车电感器的工作状态数据信息与存储的正常工作状态数据信息进行匹配对比，当数据信息相匹配时，通过输出模块输出匹配的数据信息，当数据信息不相匹配时，则遗弃。
5.根据权利要求1所述的一种用于智能网联汽车电感器工作状态评估方法，其特征在于：数字合成模块包括DDS芯片和与所述DDS芯片连接的标准参考频率源、相位累加器、波形存储器和D/A转换器。
6.根据权利要求1所述的一种用于智能网联汽车电感器工作状态评估方法，其特征在于：电感器工作状态评估方法为改进型RNN算法模型，所述改进型RNN算法模型包括数据输入模块、数据信息搜索模块、数据评估模块和数据输出模块，其中所述数据输入模块的输出端与数据信息搜索模块的输入端连接，所述数据信息搜索模块的输出端与数据评估模块的输入端连接，所述数据评估模块的输出端与数据输出模块的输入端连接。
7.根据权利要求6所述的一种用于智能网联汽车电感器工作状态评估方法，其特征在于：改进型RNN算法模型工作的方法包括以下步骤：
步骤（1）、通过数据输入模块输入电感器工作状态数据信息；
在本步骤中，通过选择、交叉与变异操作选择电感器工作状态数据信息全局最优解的大小，进而区分电感器工作状态数据信息群体个体好坏，通过设置适应度函数评价电感器工作状态数据信息，其中适应度函数为：
Figure 341732DEST_PATH_IMAGE001
（1）
公式（1）中，
Figure 524452DEST_PATH_IMAGE002
表示电感器工作状态评估方法计算过程中的适应度值，
Figure 756719DEST_PATH_IMAGE003
表示电感器 工作状态评估模型输出数据的实际权值，
Figure 558453DEST_PATH_IMAGE004
中的i表示电感器工作状态数据信息排序；
Figure 638404DEST_PATH_IMAGE005
表示电感器工作状态评估模型输出数据的期望权值，n表示输入到评估模型中外部环境影 响量参数样本数，其中
Figure 411932DEST_PATH_IMAGE006
表示函数稳定性函数，
Figure 819911DEST_PATH_IMAGE007
表示收敛倍数；
步骤（2）、通过数据信息搜索模块对电感器工作状态数据信息进行搜索，通过用户设置目标数据信息进而设置电感器工作状态数据信息，并计算出电感器工作状态数据信息在改进型RNN算法模型中的支持度，其中支持度函数表示为：
Figure 471341DEST_PATH_IMAGE008
（2）
公式（2）中，
Figure 671378DEST_PATH_IMAGE009
表示支持度函数，
Figure 805687DEST_PATH_IMAGE010
中的
Figure 514011DEST_PATH_IMAGE011
表示在外部环境数据影响参数 下的支持度函数，
Figure 782182DEST_PATH_IMAGE012
表示外部环境数据影响参数之间的线性相关性，i表示电感器工作状 态数据信息排序，
Figure 446512DEST_PATH_IMAGE013
表示电感器工作状态中外部环境数据影响参数，
Figure 328886DEST_PATH_IMAGE011
表示i个电感器工 作过程中，电感器工作状态受外部环境影响的特征量，
Figure 101670DEST_PATH_IMAGE014
表示电感器工作状态中外部环 境数据影响参数可信度，其中
Figure 783319DEST_PATH_IMAGE015
表示函数稳定性函数，
Figure 692369DEST_PATH_IMAGE016
表示收敛倍数；
步骤（3）、将搜索到的电感器工作状态数据信息存储，通过隐含层传入的信息实现电感器工作状态信息记忆，电感器工作状态数据信息存储状态向量函数为：
Figure 978600DEST_PATH_IMAGE017
（3）
公式（3）中，
Figure 848467DEST_PATH_IMAGE018
表示改进型RNN算法模型输出的电感器工作状态数据状态向量，
Figure 458440DEST_PATH_IMAGE018
中 的
Figure 408947DEST_PATH_IMAGE019
表示电感器工作状态数据状态向量的个数；
Figure 587119DEST_PATH_IMAGE020
表示电感器工作状态数据在隐含层中 的状态，
Figure 803337DEST_PATH_IMAGE021
表示当前时刻；
步骤（4）、计算电感器工作状态数据信息在隐藏层中的状态，以动态评估汽车工作状态数据信息，其中动态评估函数为：
Figure 639837DEST_PATH_IMAGE022
（4）
公式（4）中，
Figure 398845DEST_PATH_IMAGE023
表示汽车工作状态数据信息的动态评估函数，
Figure 606973DEST_PATH_IMAGE024
表示电感器工作状 态数据信息评估处理函数，
Figure 497437DEST_PATH_IMAGE025
表示电感器工作状态数据信息经过隐含层处理的权重，
Figure 324579DEST_PATH_IMAGE026
表示电感器工作状态数据信息到隐含层的权重，
Figure 62728DEST_PATH_IMAGE027
表示电感器工作状态数据信息外部环 境影响量参数出现的几率，
Figure 127242DEST_PATH_IMAGE028
表示当前时刻；
步骤（5）、评估电感器工作状态数据信息，并输出电感器工作状态数据信息的评估信息；
输出函数为：
Figure 458998DEST_PATH_IMAGE029
（5）
公式（5）中，
Figure 948885DEST_PATH_IMAGE030
表示电感器工作状态数据信息评估输出的故障值，
Figure 462912DEST_PATH_IMAGE031
表示输出层的 传输函数，
Figure 153787DEST_PATH_IMAGE032
表示输出层接收到的车联网数据中隐含层处理数据的权重，通过公式（5）计 算出当前外部环境影响量下的电感器工作状态值；
步骤（6）、将电感器工作状态数据信息评估输出，以量化工作过程中的故障信息：
Figure 831893DEST_PATH_IMAGE033
（6）
公式（6）中，
Figure 17149DEST_PATH_IMAGE034
表示外部环境影响量中电感器工作状态数据故障级别，
Figure 136415DEST_PATH_IMAGE035
表示故障信 息的权重，
Figure 857246DEST_PATH_IMAGE036
表示车联网设备的重要程度，
Figure 209599DEST_PATH_IMAGE037
表示车联网设备中存在的故障信息数量，
Figure 916655DEST_PATH_IMAGE038
表示车联网设备汽车电感器工作状态中存在故障信息的总数，n表示车联网设备总数，s 表示汽车电感器工作状态故障信息类型数量；
Figure 749482DEST_PATH_IMAGE039
表示故障信息的权重中的类型；
当b值介于
Figure 61121DEST_PATH_IMAGE040
时，汽车电感器工作状态故障评估等级为I级，表示当前汽车电 感器工作状态安全性高，无安全隐患；b值介于
Figure 854765DEST_PATH_IMAGE041
区间时，汽车电感器工作状态故 障评估等级为II级，表示汽车电感器工作状态安全性存在隐患；b值介于
Figure 490145DEST_PATH_IMAGE042
区间 时，汽车电感器工作状态故障评估等级为III级，表示汽车电感器工作状态当前处于故障状 态；b值介于
Figure 833271DEST_PATH_IMAGE043
区间时，汽车电感器工作状态故障评估等级为IV级，表示汽车电感 器工作状态面临故障威胁；b值介于
Figure 36850DEST_PATH_IMAGE044
区间时；汽车电感器工作状态故障评估等级 为V级，表示此时汽车电感器工作状态处于瘫痪状态。
CN202210764160.8A 2022-07-01 2022-07-01 一种用于智能网联汽车电感器工作状态评估方法 Active CN114815629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210764160.8A CN114815629B (zh) 2022-07-01 2022-07-01 一种用于智能网联汽车电感器工作状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210764160.8A CN114815629B (zh) 2022-07-01 2022-07-01 一种用于智能网联汽车电感器工作状态评估方法

Publications (2)

Publication Number Publication Date
CN114815629A true CN114815629A (zh) 2022-07-29
CN114815629B CN114815629B (zh) 2022-09-16

Family

ID=82522300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210764160.8A Active CN114815629B (zh) 2022-07-01 2022-07-01 一种用于智能网联汽车电感器工作状态评估方法

Country Status (1)

Country Link
CN (1) CN114815629B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647251A (zh) * 2016-09-11 2017-05-10 浙江大学 一种车载系统能量管理的自适应模糊控制方法
CN106671785A (zh) * 2016-10-12 2017-05-17 西安科技大学 一种电动汽车电池管理系统及方法
CN208013312U (zh) * 2018-04-04 2018-10-26 苏州市万松电气有限公司 牵引变流器中串联谐振电感的检测装置
CN109318938A (zh) * 2018-08-24 2019-02-12 同济大学 一种磁浮列车测速测距系统
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 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
CN112798888A (zh) * 2020-12-30 2021-05-14 中南大学 一种无人驾驶列车车载电气系统故障非侵入诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647251A (zh) * 2016-09-11 2017-05-10 浙江大学 一种车载系统能量管理的自适应模糊控制方法
CN106671785A (zh) * 2016-10-12 2017-05-17 西安科技大学 一种电动汽车电池管理系统及方法
CN208013312U (zh) * 2018-04-04 2018-10-26 苏州市万松电气有限公司 牵引变流器中串联谐振电感的检测装置
CN109318938A (zh) * 2018-08-24 2019-02-12 同济大学 一种磁浮列车测速测距系统
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 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
CN112798888A (zh) * 2020-12-30 2021-05-14 中南大学 一种无人驾驶列车车载电气系统故障非侵入诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. ANARGHYA等: "Investigation of errors in microcontroller interface circuit for mutual inductance sensor", 《ES》 *
唐伟杰等: "一种无电流传感器的CCM Buck变换器输出电容ESR和C的在线监测方法", 《中国电机工程学报》 *
李丹婷: "基于RNN模型的工业机器人故障可跟踪预测方法", 《计算机与网络》 *
陆方: "电感式带钢检测器工作原理及绝缘故障处理", 《化工机械》 *

Also Published As

Publication number Publication date
CN114815629B (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN106909101B (zh) 一种非侵入式家用电器分类装置及方法
US11881719B2 (en) Wireless power transfer object detection circuit and method
CN102460188B (zh) 用于在断路器点的功率消耗测量的设备和方法
CN106877670A (zh) 用于功率转换器控制的德尔塔西格玛调制
CN103326546B (zh) 固定关断时间峰值电流型脉冲序列控制方法及其装置
CN105006973B (zh) 一种原边反馈反激式电源变换器输出电流的恒流控制系统
CN116345701B (zh) 一种低压无功补偿智能监测控制系统
CN108196215A (zh) 一种直流电子式互感器延时时间测试方法及装置
CN114815629B (zh) 一种用于智能网联汽车电感器工作状态评估方法
US6820017B1 (en) Method for determining the amplitude and phase angle of a measuring signal corresponding to a current or voltage of an electrical power supply network
CN105467351B (zh) 一种电子式互感器频率响应测试方法及系统
CN104320143B (zh) 三相电压、电流信号波形采样数据的压缩方法及装置
CN109842302A (zh) 串联谐振变换器及其原边反馈控制电路和控制方法
Nair et al. An improved fs-mpc algorithm for vienna rectifier based ev chargers
CN116500475B (zh) 一种具有实时soc校正补偿的储能采集方法及系统
CN109995248A (zh) 一种提高反激谐振类开关电源输出稳定性的采样方法
CN115802401B (zh) 一种无线网络信道状态预测方法、装置、设备及存储介质
CN104407208B (zh) 一种利用电路能量基于傅里叶fft正反变换相对较准阻性电流测量的系统
CN112583139A (zh) 基于模糊rbf神经网络的wpt系统及频率跟踪方法
CN112350449A (zh) 一种无线能量传输系统及方法
CN113507173B (zh) 耦合参数识别方法、装置及无线电能传输系统
CN115980647B (zh) 一种基于群体信息的cvt异常状态识别方法及装置
CN107612447A (zh) 一种确定电机q轴电感的方法及微控制单元
CN218213167U (zh) 一种改进的基于霍尔电流传感器的闭环电流采样装置
CN202614835U (zh) 一种配电网线路电流测量装置

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