CN116484511B - 一种平行车系统数字化孪生模型、构建方法及存储介质 - Google Patents
一种平行车系统数字化孪生模型、构建方法及存储介质 Download PDFInfo
- Publication number
- CN116484511B CN116484511B CN202310723498.3A CN202310723498A CN116484511B CN 116484511 B CN116484511 B CN 116484511B CN 202310723498 A CN202310723498 A CN 202310723498A CN 116484511 B CN116484511 B CN 116484511B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- data
- target vehicle
- state
- 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
Links
- 238000010276 construction Methods 0.000 title description 8
- 238000013499 data model Methods 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000003068 static effect Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims description 23
- 230000001360 synchronised effect Effects 0.000 claims description 22
- 230000036541 health Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 11
- 238000007726 management method Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000005056 compaction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种平行车系统数字化孪生模型,通过多层次数据融合框架将来源不同、类型不同的多源异构数据接收集成,建立车辆实体和平行车系统之间的映射关系和信息传输通道,建立能感知车辆运行状态的数字化孪生模型,数字化孪生模型包含:车辆三维模型,其基于目标车辆实体进行车体三维几何建模,还原目标车辆的车辆外观、造型、比例以及结构;车辆数据模型,其基于目标车辆的静态展示数据、实时处理数据以及历史统计数据,构建得到静态数据模型、实时数据模型以及统计数据模型。本发明真实、实时反映相对应的车辆实体和装备的全生命周期过程,通过平行车系统就可以准确把握车辆整体的运行状态和每个子系统的实时状态。
Description
技术领域
本发明涉及无人驾驶车辆及数字孪生技术领域,具体地说,涉及一种平行车系统数字化孪生模型、构建方法及存储介质。
背景技术
现有的车辆管理系统是针对大量信息处理工作而开发的管理软件,主要面向有人车车队管理。根据用户的需求,实现对车辆基本信息、驾驶员、出车记录、维修记录、加油记录、事故记录、年检记录管理几个方面的功能。
现有的车辆管理系统一般包含驾驶员管理、车辆加油、维修保养等事件的静态数据表。很少涉及车辆各电气架构域及其中的动态数据以及车辆的故障、维修、检查均由驾驶员负责发现、跟进和记录。
现有技术中,缺少无人驾驶车辆的管理系统,无法真实、实时反映相对应的车辆实体和装备的全生命周期过程,更无法监控车辆自身和自动驾驶系统的实时状态、支持车辆故障诊断、预测车辆保养等。现有技术中,无人驾驶车辆在无驾驶员时不能及时发现车辆的自身故障或自动驾驶系统故障,没有办法提醒检修人员进行故障诊断和排除。并且,现有技术无法联通云端管理平台、车路协同管理系统等平台,无法在车辆售出后的运营阶段,为车辆使用方服务。
因此,本发明提供了一种平行车系统数字化孪生模型、构建方法及存储介质。
发明内容
针对现有技术的缺陷,本发明提供了一种平行车系统数字化孪生模型,通过多层次数据融合框架将来源不同、类型不同的多源异构数据接收集成,建立车辆实体和平行车系统之间的映射关系和信息传输通道,建立能感知车辆运行状态的数字化孪生模型,所述数字化孪生模型包含:
车辆三维模型,其基于目标车辆实体进行车体三维几何建模,还原目标车辆的车辆外观、造型、比例以及结构;
车辆数据模型,其基于目标车辆的静态展示数据、实时处理数据以及历史统计数据,构建得到静态数据模型、实时数据模型以及统计数据模型。
根据本发明的一个实施例,所述车辆三维模型包含:车身、货箱、车轮、传感器以及灯光辅助装置三维模型,其中,所述货箱三维模型、所述车轮三维模型、所述灯光辅助装置三维模型、所述传感器三维模型分别与实际车辆货箱起落状态及角度、车轮前轮转角、车轮转速、灯光系统以及实际车辆传感器设备状态保持同步映射关系。
根据本发明的一个实施例,所述静态数据模型与目标车辆的车辆基本身份信息保持一致,其中,所述车辆基本身份信息包含但不限于:整车型号、名称、各核心零部件型号以及核心零部件的规格说明。
根据本发明的一个实施例,所述实时数据模型包含状态模型,其包含车辆状态子模型、驾驶模式子模型、胎压监测子模型、充电状态子模型以及网络状态子模型,其中,所述车辆状态子模型用于表征目标车辆的使用状态,所述驾驶模式子模型用于表征目标车辆的及时模式,所述胎压监测子模型用于表征目标车辆每个车轮的胎压以及温度,所述充电状态子模型用于表征目标车辆的充电状态,所述网络状态子模型用于表征目标车辆的网络延时。
根据本发明的一个实施例,所述实时数据模型包含整车系统模型,其包含驱动域子模型、底盘域子模型、新能源域子模型、车身域子模型以及自动驾驶域子模型,其中,所述驱动域子模型与目标车辆的电驱传动、电驱主驱、电驱辅驱以及电驱冷却系统保持同步映射关系,所述底盘域子模型与目标车辆的转向系统、电制动系统以及气动系统保持同步映射关系,所述新能源域子模型与目标车辆的动力电池系统、电池多冷却机组以及变换单元保持同步映射关系,所述车身域子模型与目标车辆的货箱状态以及车灯状态保持同步映射关系,所述自动驾驶域子模型与目标车辆的传感器状态以及系统模块状态保持同步映射关系。
根据本发明的一个实施例,所述统计数据模型与目标车辆的车辆运行日志、单班次运量信息、总里程信息以及能耗信息保持同步映射关系。
根据本发明的一个实施例,所述数字化孪生模型还包含:智能控制模型,其基于所述数字化孪生模型中的数据,在精准感知目标车辆运行状态的基础上,反向操控目标车辆。
根据本发明的一个实施例,所述数字化孪生模型还包含:车辆零部件损耗预测模型,其基于所述数字化孪生模型中的数据,预测目标车辆零部件磨损和电池健康程度,预测目标车辆的养护时间,发出维修及保养提醒。
根据本发明的另一个方面,还提供一种平行车系统数字化孪生模型构建方法,通过多层次数据融合框架将来源不同、类型不同的多源异构数据接收集成,建立车辆实体和平行车系统之间的映射关系和信息传输通道,建立能感知车辆运行状态的如上任一项所述的数字化孪生模型,所述方法包含:
基于目标车辆实体进行三维几何建模,还原目标车辆的车辆外观、造型、比例以及结构,构建得到车辆三维模型;
基于目标车辆的静态展示数据、实时处理数据以及历史统计数据,构建得到静态数据模型、实时数据模型以及统计数据模型。
根据本发明的另一个方面,还提供一种存储介质,其包含用于执行如上所述的方法步骤的一系列指令。
本发明提供的一种平行车系统数字化孪生模型、构建方法及存储介质,相比较于现有技术,具备以下优势:
1、以虚映实:实时交互、动态可视,通过多层次数据融合框架将来源不同、类型不同的多源异构数据接收集成,建立车辆实体和平行车之间的映射关系和信息传输通道,建立能感知车辆运行状态的数字化模型,真实、实时反映相对应的车辆实体和装备的全生命周期过程,通过平行车系统就可以准确把握车辆整体的运行状态和每个子系统的实时状态。将各维度数据彼此连接,进行有效的实时数据传输,实现一一映射,通过全要素数字化和虚拟化,远程监控车辆行驶状态、充电过程、自动驾驶系统状态,实现全状态的实时化和可视化;
2、以虚控实:应急管控、数据闭环,在平行车中建立智能控制体系,实现对车辆实体的远程操控,利用平行车及数据闭环,在精准感知运行状态的基础上,利用平行车反向操控车辆实体。通过平行车系统与车辆实体之间的闭环管控信息流,发生故障时,通过平行车系统掌握车辆故障情况、进行故障诊断、分级和处理,接受人工介入提醒,根据系统提示安全处理方案,对车辆驾驶进行干预,采取远程接管、人工接管或者紧急停车的应急措施,闭环管控,保障车辆安全行驶;
3、以虚预实:时效分析、推演预测,根据车辆实时数据,建立车辆零部件损耗预测模型,有效预测零部件磨损和电池健康,预测车辆养护时间,发出维保提醒。平行车系统根据车辆实际使用情况,建立车辆零部件全生命周期管控,优化零部件使用寿命;
4、以虚优实:决策优化、智能管控,充分利用物理模型、传感器收集数据、历史运行数据等,进行大数据分析,以数据驱动推动孪生平行车的运转和进化。通过计算机视觉、机器学习、知识图谱等人工智能技术整体认知车辆状态,优化各个子系统的模型,洞悉系统运行规律,为决策优化提供依据。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1显示了根据本发明的一个实施例的一种平行车系统数字化孪生模型结构框图;
图2显示了根据本发明的一个实施例的整车系统模型结构框图。
附图中,相同的部件使用相同的附图标记。另外,附图并未按照实际的比例绘制。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合附图对本发明实施例作进一步地详细。
现有技术中,缺少无人驾驶车辆的管理系统,无法透视车辆的各种数据,也无法真实、实时反映相对应的车辆实体和装备的全生命周期过程,更无法监控车辆自身和自动驾驶系统的实时状态、支持车辆故障诊断、预测车辆保养等。现有技术中,无人驾驶车辆在无驾驶员时不能及时发现车辆的自身故障或自动驾驶系统故障,没有办法提醒检修人员进行故障诊断和排除。并且,现有技术无法联通云端管理平台、车路协同管理系统等平台,无法在车辆售出后的运营阶段,为车辆使用方服务。
图1显示了根据本发明的一个实施例的一种平行车系统数字化孪生模型结构框图。
本发明通过多层次数据融合框架将来源不同、类型不同的多源异构数据接收集成,建立车辆实体和平行车系统之间的映射关系和信息传输通道,建立能感知车辆运行状态的数字化孪生模型,数字化孪生模型包含:车辆三维模型以及车辆数据模型。
在一个实施例中,在建立数字化孪生模型时,通过多种传感器、底盘控制器、通讯设备获取目标车辆的实际运行数据,并反馈到数字化孪生模型中,使得实际车辆与孪生车辆同步运行,实现孪生模型的仿真运行。进一步地,数字化孪生模型的建立包括虚拟传感器建模、车辆动力学建模和车辆虚拟三维建模等步骤。
车辆三维模型基于目标车辆实体进行车体三维几何建模,还原目标车辆的车辆外观、造型、比例以及结构,并且,车辆三维模型支持多视角观察车辆外观。车辆数据模型基于目标车辆的静态展示数据、实时处理数据以及历史统计数据,构建得到静态数据模型、实时数据模型以及统计数据模型。
在一个实施例中,车辆三维模型包含:车身、货箱、车轮、传感器以及灯光辅助装置三维模型,其中,货箱三维模型、车轮三维模型、灯光辅助装置三维模型、传感器三维模型分别与实际车辆货箱起落状态及角度、车轮前轮转角、车轮转速、灯光系统以及实际车辆传感器设备状态保持同步映射关系。
进一步地,货箱状态三维模型的货箱起落与实车同步,车轮状态三维模型中车轮可根据目标车辆前轮转角、车轮转速进行动态展示,掉线故障设备红灯闪烁。
车辆数据包括静态展示数据、实时处理数据和统计数据,静态数据主要是车辆档案中的车辆基本信息,实时数据包括底盘数据。通过数据展示可了解车辆的各类参数、底盘各个系统的当前状态、充电情况、网络通信状态、作业情况、能耗情况。
在一个实施例中,静态数据模型与目标车辆的车辆基本身份信息保持一致,其中,车辆基本身份信息包含但不限于:整车型号、名称、各核心零部件型号以及核心零部件的规格说明。
车辆实时处理数据包括能够体现车辆当前状态的所有实时更新数据,包括车辆的作业状态、驾驶模式、底盘各个系统状态、货箱状态,使用者可通过这些数据了解车辆的实时运行状态;包括车辆充电状态,使用方通过充电状态信息了解充电进度等;包括车辆网络状态,通过网络状态了解车辆通讯情况。
在一个实施例中,实时数据模型包含状态模型,其包含车辆状态子模型、驾驶模式子模型、胎压监测子模型、充电状态子模型以及网络状态子模型,其中,车辆状态子模型用于表征目标车辆的使用状态,驾驶模式子模型用于表征目标车辆的及时模式,胎压监测子模型用于表征目标车辆每个车轮的胎压以及温度,充电状态子模型用于表征目标车辆的充电状态,网络状态子模型用于表征目标车辆的网络延时。
进一步地,车辆状态子模型用于表征目标车辆的闲置、运行、急停、故障、维保、报废状态,驾驶模式子模型用于表征目标车辆的近程遥控、远程驾驶、自动驾驶、待机模式,胎压监测子模型用于表征目标车辆每个车轮的胎压以及温度,充电状态子模型用于表征目标车辆的充电状态,网络状态子模型用于表征目标车辆的网络延时。
如图2所示,实时数据模型包含整车系统模型,其包含驱动域子模型、底盘域子模型、新能源域子模型、车身域子模型以及自动驾驶域子模型,其中,驱动域子模型与目标车辆的电驱传动、电驱主驱、电驱辅驱以及电驱冷却系统保持同步映射关系,底盘域子模型与目标车辆的转向系统、电制动系统以及气动系统保持同步映射关系,新能源域子模型与目标车辆的动力电池系统、电池多冷却机组以及变换单元保持同步映射关系,车身域子模型与目标车辆的货箱状态以及车灯状态保持同步映射关系,自动驾驶域子模型与目标车辆的传感器状态以及系统模块状态保持同步映射关系。
在一个实施例中,统计数据模型与目标车辆的车辆运行日志、单班次运量信息、总里程信息以及能耗信息保持同步映射关系。进一步地,运行日志需要故障、网络状态、车速等数据进行周期性的记录。不同数据采用不同的存储周期,根据实际需求再确定。超过记录周期或内存不足时循环覆盖最早的记录。
在一个实施例中,数字化孪生模型还包含:智能控制模型,其基于数字化孪生模型中的数据,在精准感知目标车辆运行状态的基础上,反向操控目标车辆。具体来说,在平行车中建立智能控制体系,实现对车辆实体的远程操控,利用平行车及数据闭环,在精准感知运行状态的基础上,利用平行车反向操控车辆实体。通过平行车系统与车辆实体之间的闭环管控信息流,发生故障时,通过平行车系统掌握车辆故障情况、进行故障诊断、分级和处理,接受人工介入提醒,根据系统提示安全处理方案,对车辆驾驶进行干预,采取远程接管、人工接管或者紧急停车的应急措施,闭环管控,保障车辆安全行驶。进一步地,通过平行车系统的实时展示和预警,操作员可及时发现车辆故障。并通过平行车系统反向操控,向车辆下发控制指令,车辆线控底盘接收并响应控制指令,完成紧急停车等应急操作响应。完成数据流的反馈,形成数据闭环。
在一个实施例中,数字化孪生模型还包含:车辆零部件损耗预测模型,其基于数字化孪生模型中的数据,预测目标车辆零部件磨损和电池健康程度,预测目标车辆的养护时间,发出维修及保养提醒。具体来说,根据目标车辆实时数据,建立车辆零部件损耗预测模型,有效预测零部件磨损和电池健康,预测车辆养护时间,发出维保提醒。平行车系统根据车辆实际使用情况,建立车辆零部件全生命周期管控,优化零部件使用寿命。进一步地,车辆零部件损耗预测模型按预设定周期获取车辆相关零部件信息,通过车辆零部件损耗预测模型展示车辆零部件磨损状态和电池健康,通过根据车辆手册预先设定参数的预测模型给出车辆养护建议。
在一个实施例中,数字化孪生模型还包含:大数据分析模型,其充分利用物理模型、传感器收集数据、历史运行数据等,进行大数据分析,以数据驱动推动孪生平行车的运转和进化。通过计算机视觉、机器学习、知识图谱等人工智能技术整体认知车辆状态,优化各个子系统的模型,洞悉系统运行规律,为决策优化提供依据。进一步地,车辆运行状态、传感器数据和子系统实时状态的数据和报文等信息,输入大数据分析模型,通过大数据分析模型和车辆故障诊断分析,输出车辆行驶状态、充电状态、自动驾驶系统状态分析、提醒和预警信息,操作员通过状态监控、提醒预警信息和相关报表,了解车辆状态,及时处理车辆的各类问题;自动驾驶系统下达的车辆操作指令与车辆反馈的实际执行数据输入优化模型进行对比分析,形成了由数据驱动的控制、规划等子系统优化模型,迭代优化的过程促进了模型的自学习自演化过程。
本发明平行车系统充分利用三维模型、车辆实时数据、自动驾驶系统数据、运行历史等数据,在虚拟空间中完成映射,建立一个数字化的孪生模型,从而真实、实时反映相对应的车辆实体和装备的全生命周期过程。平行车系统联通云端管理平台、车路协同管理系统等平台,将有人车、遥控车、网联车、无人车统一起来,构成平行驾驶系统。应用在车辆售出后的运营阶段,监控车辆自身和自动驾驶系统的实时状态、支持车辆故障诊断、预测车辆保养等,进一步助力自动驾驶和集群作业。系统集物联感知、信息模型、虚实交互等技术于一体,支撑构建未来智慧矿山发展新形态。
根据本发明的另一个方面,还提供了一种平行车系统数字化孪生模型构建方法,通过多层次数据融合框架将来源不同、类型不同的多源异构数据接收集成,建立车辆实体和平行车系统之间的映射关系和信息传输通道,建立能感知车辆运行状态的一种平行车系统数字化孪生模型。
一种平行车系统数字化孪生模型构建方法包含:基于目标车辆实体进行三维几何建模,还原目标车辆的车辆外观、造型、比例以及结构,构建得到车辆三维模型。基于目标车辆的静态展示数据、实时处理数据以及历史统计数据,构建得到静态数据模型、实时数据模型以及统计数据模型。
本发明提供的一种平行车系统数字化孪生模型、构建方法及存储介质还可以配合一种计算机可读取的存储介质,存储介质上存储有计算机程序,执行计算机程序以运行一种平行车系统数字化孪生模型构建方法。计算机程序能够运行计算机指令,计算机指令包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
计算机可读取的存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,计算机可读取的存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读取的存储介质不包括电载波信号和电信信号。
综上,本发明提供的一种平行车系统数字化孪生模型、构建方法及存储介质,相比较于现有技术,具备以下优势:
1、以虚映实:实时交互、动态可视,通过多层次数据融合框架将来源不同、类型不同的多源异构数据接收集成,建立车辆实体和平行车之间的映射关系和信息传输通道,建立能感知车辆运行状态的数字化模型,真实、实时反映相对应的车辆实体和装备的全生命周期过程,通过平行车系统就可以准确把握车辆整体的运行状态和每个子系统的实时状态。将各维度数据彼此连接,进行有效的实时数据传输,实现一一映射,通过全要素数字化和虚拟化,远程监控车辆行驶状态、充电过程、自动驾驶系统状态,实现全状态的实时化和可视化;
2、以虚控实:应急管控、数据闭环,在平行车中建立智能控制体系,实现对车辆实体的远程操控,利用平行车及数据闭环,在精准感知运行状态的基础上,利用平行车反向操控车辆实体。通过平行车系统与车辆实体之间的闭环管控信息流,发生故障时,通过平行车系统掌握车辆故障情况、进行故障诊断、分级和处理,接受人工介入提醒,根据系统提示安全处理方案,对车辆驾驶进行干预,采取远程接管、人工接管或者紧急停车的应急措施,闭环管控,保障车辆安全行驶;
3、以虚预实:时效分析、推演预测,根据车辆实时数据,建立车辆零部件损耗预测模型,有效预测零部件磨损和电池健康,预测车辆养护时间,发出维保提醒。平行车系统根据车辆实际使用情况,建立车辆零部件全生命周期管控,优化零部件使用寿命;
4、以虚优实:决策优化、智能管控,充分利用物理模型、传感器收集数据、历史运行数据等,进行大数据分析,以数据驱动推动孪生平行车的运转和进化。通过计算机视觉、机器学习、知识图谱等人工智能技术整体认知车辆状态,优化各个子系统的模型,洞悉系统运行规律,为决策优化提供依据。
应该理解的是,本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料,而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而并不意味着限制。
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;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”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”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
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“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。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
某些术语在本申请文件中自始至终用来指示特定系统部件。如本领域的技术人员将认识到的那样,通常可以用不同的名称来指示相同的部件,因而本申请文件不意图区别那些只是在名称上不同而不是在功能方面不同的部件。在本申请文件中,以开放的形式使用术语“包括(comprise)”、“包含(include)”和“具有(have)”,并且因此应将其解释为意指“包括但不限于…”。此外,在本文中可能使用的术语“基本上”、“实质上”或者“近似地”涉及行业所接受的对相应术语的容差。如在本文中可能采用的术语“耦合”包括直接耦合和经由另外的组件、元件、电路、或者模块的间接耦合,其中对于间接耦合来说,介于其间的组件、元件、电路、或模块不更改信号的信息但是可调整其电流水平、电压水平、和/或功率水平。推断的耦合(例如其中一个元件通过推断耦合至另一个元件)包括以与“耦合”同样的方式在两个元件之间的直接和间接的耦合。
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (6)
1.一种平行车系统数字化孪生模型,其特征在于,通过多层次数据融合框架将来源不同、类型不同的多源异构数据接收集成,建立车辆实体和平行车系统之间的映射关系和信息传输通道,建立能感知车辆运行状态的数字化孪生模型,所述数字化孪生模型包含:
车辆三维模型,其基于目标车辆实体进行车体三维几何建模,还原目标车辆的车辆外观、造型、比例以及结构;
车辆数据模型,其基于目标车辆的静态展示数据、实时处理数据以及历史统计数据,构建得到静态数据模型、实时数据模型以及统计数据模型;
所述车辆三维模型包含:车身、货箱、车轮、传感器以及灯光辅助装置三维模型,其中,所述货箱三维模型、所述车轮三维模型、所述灯光辅助装置三维模型、所述传感器三维模型分别与实际车辆货箱起落状态及角度、车轮前轮转角、车轮转速、灯光系统以及实际车辆传感器设备状态保持同步映射关系;
所述静态数据模型与目标车辆的车辆基本身份信息保持一致,其中,所述车辆基本身份信息包含但不限于:整车型号、名称、各核心零部件型号以及核心零部件的规格说明;
所述统计数据模型与目标车辆的车辆运行日志、单班次运量信息、总里程信息以及能耗信息保持同步映射关系;
所述实时数据模型包含整车系统模型,其包含驱动域子模型、底盘域子模型、新能源域子模型、车身域子模型以及自动驾驶域子模型,其中,所述驱动域子模型与目标车辆的电驱传动、电驱主驱、电驱辅驱以及电驱冷却系统保持同步映射关系,所述底盘域子模型与目标车辆的转向系统、电制动系统以及气动系统保持同步映射关系,所述新能源域子模型与目标车辆的动力电池系统、电池多冷却机组以及变换单元保持同步映射关系,所述车身域子模型与目标车辆的货箱状态以及车灯状态保持同步映射关系,所述自动驾驶域子模型与目标车辆的传感器状态以及系统模块状态保持同步映射关系。
2.如权利要求1所述的一种平行车系统数字化孪生模型,其特征在于,所述实时数据模型包含状态模型,其包含车辆状态子模型、驾驶模式子模型、胎压监测子模型、充电状态子模型以及网络状态子模型,其中,所述车辆状态子模型用于表征目标车辆的使用状态,所述驾驶模式子模型用于表征目标车辆的驾驶模式,所述胎压监测子模型用于表征目标车辆每个车轮的胎压以及温度,所述充电状态子模型用于表征目标车辆的充电状态,所述网络状态子模型用于表征目标车辆的网络延时。
3.如权利要求1所述的一种平行车系统数字化孪生模型,其特征在于,所述数字化孪生模型还包含:智能控制模型,其基于所述数字化孪生模型中的数据,在精准感知目标车辆运行状态的基础上,反向操控目标车辆。
4.如权利要求1-3中任一项所述的一种平行车系统数字化孪生模型,其特征在于,所述数字化孪生模型还包含:车辆零部件损耗预测模型,其基于所述数字化孪生模型中的数据,预测目标车辆零部件磨损和电池健康程度,预测目标车辆的养护时间,发出维修及保养提醒。
5.一种平行车系统数字化孪生模型构建方法,其特征在于,通过多层次数据融合框架将来源不同、类型不同的多源异构数据接收集成,建立车辆实体和平行车系统之间的映射关系和信息传输通道,建立能感知车辆运行状态的如权利要求1-4中任一项所述的数字化孪生模型,所述方法包含:
基于目标车辆实体进行三维几何建模,还原目标车辆的车辆外观、造型、比例以及结构,构建得到车辆三维模型;
基于目标车辆的静态展示数据、实时处理数据以及历史统计数据,构建得到静态数据模型、实时数据模型以及统计数据模型。
6.一种存储介质,其特征在于,其包含用于执行如权利要求5所述的方法步骤的一系列指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310723498.3A CN116484511B (zh) | 2023-06-19 | 2023-06-19 | 一种平行车系统数字化孪生模型、构建方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310723498.3A CN116484511B (zh) | 2023-06-19 | 2023-06-19 | 一种平行车系统数字化孪生模型、构建方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484511A CN116484511A (zh) | 2023-07-25 |
CN116484511B true CN116484511B (zh) | 2023-09-26 |
Family
ID=87214174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310723498.3A Active CN116484511B (zh) | 2023-06-19 | 2023-06-19 | 一种平行车系统数字化孪生模型、构建方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484511B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392646A (zh) * | 2023-10-11 | 2024-01-12 | 深圳市哲思特科技有限公司 | 一种用于新能源汽车的舱内检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456635A (zh) * | 2019-07-02 | 2019-11-15 | 北京航空航天大学 | 基于数字孪生技术的电动汽车动力系统的控制方法 |
CN115421399A (zh) * | 2022-08-19 | 2022-12-02 | 复旦大学 | 一种面向自动驾驶场景的数字孪生系统和构建方法 |
CN115593433A (zh) * | 2022-10-13 | 2023-01-13 | 河南科技大学(Cn) | 一种自动驾驶车辆远程接管方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10752269B2 (en) * | 2017-03-09 | 2020-08-25 | General Electric Company | System for vehicle subsystem control |
US20210287459A1 (en) * | 2018-09-30 | 2021-09-16 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
-
2023
- 2023-06-19 CN CN202310723498.3A patent/CN116484511B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456635A (zh) * | 2019-07-02 | 2019-11-15 | 北京航空航天大学 | 基于数字孪生技术的电动汽车动力系统的控制方法 |
CN115421399A (zh) * | 2022-08-19 | 2022-12-02 | 复旦大学 | 一种面向自动驾驶场景的数字孪生系统和构建方法 |
CN115593433A (zh) * | 2022-10-13 | 2023-01-13 | 河南科技大学(Cn) | 一种自动驾驶车辆远程接管方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116484511A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110488629B (zh) | 一种基于数字孪生技术的混合动力汽车的管控方法 | |
CN110492186B (zh) | 一种基于云端控制技术的动力电池模组的管理方法 | |
CN111027165B (zh) | 一种基于数字孪生的动力电池组管理系统及方法 | |
CN108428357B (zh) | 一种用于智能网联车的平行遥控驾驶系统 | |
CN116484511B (zh) | 一种平行车系统数字化孪生模型、构建方法及存储介质 | |
CN101378939B (zh) | 具有至少两节机车的火车及其控制方法 | |
CN105511326A (zh) | 一种电动汽车整车控制器的标定系统和标定方法 | |
CN111462481A (zh) | 包含多功能无人车的云大脑智能交通系统 | |
CN106740814B (zh) | 复合功率分流混合动力汽车的定速巡航控制方法及装置 | |
CN113267992B (zh) | 一种基于冗余设计的矿卡无人驾驶控制系统 | |
CN103386935B (zh) | 一种整车控制方法与整车控制器 | |
CN106936915A (zh) | 一种电动汽车远程监控数据云分析系统 | |
CN111746595B (zh) | 一种快捷货运列车走行部运行安全智能监测系统 | |
CN104169908A (zh) | 列车控制系统 | |
JP2021136839A (ja) | 仮想発電所制御システム | |
CN204956359U (zh) | 一种电动汽车的整车控制装置 | |
Gorobchenko et al. | Development of the structure of an intelligent locomotive DSS and assessment of its effectiveness | |
CN112506180A (zh) | 一种面向无人系统的数字孪生系统 | |
US20230085422A1 (en) | Task-informed behavior planning | |
CN116142214A (zh) | 用于处理与车辆能量消耗相关联的数据的装置和方法 | |
CN213262099U (zh) | 一种侧卸式纯电动无人驾驶矿用运输车 | |
Liyakat et al. | IoT in Electrical Vehicle: A Study | |
CN117395292B (zh) | 一种数字平行车云端监控系统及方法 | |
EP4082860A2 (en) | Advanced control framework for automotive systems | |
US20230245505A1 (en) | Vehicle management system and vehicle inspection method |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100070 room 202-01, 2nd floor, building 18, 17th District, 188 South 4th Ring Road West, Fengtai District, Beijing Patentee after: Zhongke Huituo (Beijing) Technology Co.,Ltd. Patentee after: QINGDAO VEHICLE INTELLIGENCE PIONEERS Inc. Address before: 100070 room 202-01, 2nd floor, building 18, 17th District, 188 South 4th Ring Road West, Fengtai District, Beijing Patentee before: Beijing huituo infinite Technology Co.,Ltd. Patentee before: QINGDAO VEHICLE INTELLIGENCE PIONEERS Inc. |