CN116541790B - 基于多特征融合的新能源车辆健康评估方法和装置 - Google Patents
基于多特征融合的新能源车辆健康评估方法和装置 Download PDFInfo
- Publication number
- CN116541790B CN116541790B CN202310388842.8A CN202310388842A CN116541790B CN 116541790 B CN116541790 B CN 116541790B CN 202310388842 A CN202310388842 A CN 202310388842A CN 116541790 B CN116541790 B CN 116541790B
- Authority
- CN
- China
- Prior art keywords
- health
- current
- key component
- score
- vehicle
- 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
- 230000036541 health Effects 0.000 title claims abstract description 241
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 90
- 238000003745 diagnosis Methods 0.000 claims abstract description 73
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000011161 development Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于多特征融合的新能源车辆健康评估方法和装置，该方法包括：获取目标车辆中各关键部件的当前性能指标，根据当前性能指标确定各关键部件对应的输入信息；将各关键部件对应的输入信息输入至故障诊断模型的生成器，对输入信息进行重构，得到各关键部件对应的当前重构误差；对各关键部件对应的当前重构误差进行隶属度计算，得到各关键部件的当前健康评分；根据各关键部件的当前健康评分，获取目标车辆的总健康评分，并根据总健康评分，确定目标车辆的健康评估结果；健康评估结果包括正常状态或故障状态。本发明建立了一套完整的全自动化安全健康评估流程，实现对新能源车辆进行实时有效地多维度安全健康评估，并提高检测精度。
Description
技术领域
本发明涉及车辆管理技术领域，尤其涉及一种基于多特征融合的新能源车辆健康评估方法和装置。
背景技术
车辆对经济发展起着至关重要的作用，如新能源汽车产业，其已经是战略性新兴产业，发展节能汽车是促进节能减排的有效措施。如今，能源和环境问题变得越来越严重，因此大力发展节能新能源汽车是解决能源和环境问题的有效途径，同时也是实现生态文明建设的有力举措。
随着科技水平的发展，人们对生活中的便利性要求也越来越高。新能源汽车以其乘坐舒适、节约燃油能源、废气排放少，噪声低、保养费用低等优势受到人民大众的青睐，越来越多的家庭在购车时选择了新能源车。然而新能源车是由动力电池、驱动电机、电控设备等系统组成的，是一个复杂的控制系统。车辆经过长时间运行后，其故障发生概率会升高、整车健康状态会降低，而且这种变化是不可逆的。因此，如何对新能源车进行有效地安全健康评估是业界亟待解决的难题。
现有技术中，通常通过人工定期检测实现新能源车辆安全健康评估，但这种评估方式不仅仅实时性差，且检测精度难以保证。
发明内容
本发明提供一种基于多特征融合的新能源车辆健康评估方法和装置，用以解决现有技术中新能源车辆安全健康评估能够人工评估方式，不仅实时性差且检测精度难以保证的缺陷，实现在对新能源车进行实时有效地多维度安全健康评估的同时，提高检测精度。
本发明提供一种基于多特征融合的新能源车辆健康评估方法，包括：获取目标车辆中各关键部件的当前性能指标，根据所述当前性能指标确定所述各关键部件对应的输入信息；
将所述各关键部件对应的输入信息输入至故障诊断模型的生成器，对所述输入信息进行重构，得到所述各关键部件对应的当前重构误差；
对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分；
根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，并根据所述总健康评分，确定所述目标车辆的健康评估结果；所述健康评估结果包括正常状态或故障状态；
其中，所述故障诊断模型是基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到的。
根据本发明提供的一种基于多特征融合的新能源车辆健康评估方法，所述根据所述总健康评分，确定所述目标车辆的健康评估结果，包括：
将所述总健康评分与目标评分进行比较；
在根据比较结果确定所述总健康评分大于或等于所述目标评分的情况下，确定所述目标车辆处于故障状态；
在根据所述比较结果确定所述总健康评分小于所述目标评分的情况下，确定所述目标车辆处于正常状态；
其中，所述目标评分是在多个预设评分中确定的。
根据本发明提供的一种基于多特征融合的新能源车辆健康评估方法，所述目标评分的确定步骤包括：
获取所述训练数据集中各样本在各预设评分下的健康评估结果，以及所述各样本的健康标签；所述样本包括正样本和负样本，所述正样本是根据处于正常状态的样本车辆中各关键部件的历史性能指标确定的，所述负样本是根据处于异常状态的样本车辆中各关键部件的历史性能指标确定的；
根据所述各样本在所述各预设评分下的健康评估结果，以及所述各样本的健康标签，计算所述各预设评分对应的评估性能，所述评估性能包括漏报率和误报率；
对所述漏报率和误报率进行融合，得到所述各预设评分对应的安全评估标准值；
根据所述安全评估标准值，在所述多个预设评分中确定所述目标评分。
根据本发明提供的一种基于多特征融合的新能源车辆健康评估方法，所述对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分，包括：
获取所述各关键部件对应的目标隶属度函数；
将所述各关键部件对应的当前重构误差输入至所述对应的目标隶属度函数中，得到所述各关键部件的当前健康评分；
其中，每一关键部件对应的目标隶属度函数是根据所述每一关键部件的历史重构误差序列的分布特征进行确定的；所述每一关键部件的历史重构误差序列包括根据所述目标车辆中所述每一关键部件的在各历史时刻的历史性能指标确定的重构误差序列，或者根据与所述目标车辆同类型的样本车辆中所述每一关键部件在各历史时刻的历史性能指标确定的重构误差序列。
根据本发明提供的一种基于多特征融合的新能源车辆健康评估方法，所述根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，包括：
基于层次分析法，确定所述目标车辆中各关键部件对应的权重系数；
根据所述权重系数，对所述目标车辆中各关键部件的当前健康评分进行加权相加，得到所述目标车辆的总健康评分。
根据本发明提供的一种基于多特征融合的新能源车辆健康评估方法，所述故障诊断模型是基于GANomaly网络架构构建的；
所述故障诊断模型的生成器是基于自编码器构建的，所述故障诊断模型的判别器是基于时间卷积网络构建的。
根据本发明提供的一种基于多特征融合的新能源车辆健康评估方法，所述根据所述当前性能指标确定所述各关键部件对应的输入信息，包括：
对所述当前性能指标进行预处理；
根据预处理后的当前性能指标，确定所述各关键部件对应的输入信息；
其中，预处理包括对所述当前性能指标中的空值进行剔除处理和拉格朗日插值处理，和/或对所述当前性能指标进行运动学片段提取和组合。
本发明还提供一种基于多特征融合的新能源车辆健康评估装置，包括：获取模块，用于获取目标车辆中各关键部件的当前性能指标，根据所述当前性能指标确定所述各关键部件对应的输入信息；
重构模块，用于将所述各关键部件对应的输入信息输入至故障诊断模型的生成器，对所述输入信息进行重构，得到所述各关键部件对应的当前重构误差；
计算模块，用于对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分；
评估模块，用于根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，并根据所述总健康评分，确定所述目标车辆的健康评估结果；所述健康评估结果包括正常状态或故障状态；
其中，所述故障诊断模型是基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多特征融合的新能源车辆健康评估方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多特征融合的新能源车辆健康评估方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于多特征融合的新能源车辆健康评估方法。
本发明提供的基于多特征融合的新能源车辆健康评估方法和装置，通过基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到故障诊断模型，并根据获取到的目标车辆中各关键部件的当前性能指标，确定各关键部件对应的输入信息；然后通过将各关键部件对应的输入信息输入至故障诊断模型的生成器，以对输入信息进行重构并得到各关键部件对应的当前重构误差；接着对得到的当前重构误差进行隶属度计算，获取各关键部件的当前健康评分；最后基于各关键部件的当前健康评分，获取目标车辆的总健康评分，并根据总健康评分，确定目标车辆的健康评估结果为正常状态或故障状态，建立了一套完整的全自动化安全健康评估流程，以自动实时地进行新能源车辆健康评估，实现对新能源车辆进行实时有效地多维度安全健康评估的同时，可提高评估精度。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于多特征融合的新能源车辆健康评估方法的流程示意图之一；
图2是本发明提供的目标车辆的结构示意图；
图3是本发明提供的基于多特征融合的新能源车辆健康评估方法的流程示意图之二；
图4是本发明提供的故障诊断模型下电机的训练数据损失值与测试数据损失值变化趋势图；
图5是本发明提供的故障诊断模型下电池的训练数据损失值与测试数据损失值变化趋势图；
图6是本发明提供的故障诊断模型下电机的当前重构误差趋势图；
图7是本发明提供的故障诊断模型下电池的当前重构误差趋势图；
图8是本发明提供的故障诊断模型下不同预设评分下的误报率曲线图；
图9是本发明提供的故障诊断模型下不同预设评分下的漏报率曲线图；
图10是本发明提供的故障诊断模型下的安全评估标准曲线图；
图11是本发明提供的故障诊断模型下电机历史重构误差序列的分布特征曲线图；
图12是本发明提供的故障诊断模型下电池历史重构误差序列的分布特征曲线图；
图13是本发明提供的故障诊断模型下电控历史重构误差序列的分布特征曲线图；
图14是本发明提供的对当前性能指标中的空值进行剔除处理和拉格朗日插值处理前的分布特征曲线图；
图15是本发明提供的对当前性能指标中的空值进行剔除处理和拉格朗日插值处理后的分布特征曲线图；
图16是本发明提供的运动学片段提取的流程示意图；
图17是本发明提供的运动学片段处理得到的典型运动学片段的分布特征曲线图之一；
图18是本发明提供的运动学片段处理得到的典型运动学片段的分布特征曲线图之二；
图19是本发明提供的运动学片段处理得到的典型运动学片段的分布特征曲线图之三；
图20是本发明提供的运动学片段处理得到的典型运动学片段的分布特征曲线图之四；
图21是本发明提供的基于多特征融合的新能源车辆健康评估装置的结构示意图；
图22是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，该方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本发明不作具体限定。
汽车工业是经济的重要支柱产业，新能源汽车产业是战略性新兴产业，发展节能汽车是促进节能减排的有效措施。如今，能源和环境问题变得越来越严重，大力发展节能新能源汽车是解决能源和环境问题的有效途径。
随着科技水平的发展，人们对生活中的便利性要求也越来越高。新能源汽车以其乘坐舒适、节约燃油能源、废气排放少，噪声低、保养费用低等优势受到人民大众的青睐，越来越多的家庭在购车时选择了新能源车。然而新能源车是由动力电池、驱动电机、电控设备等组成的复杂控制系统。车辆经过长时间运行后，其故障发生概率会升高、整车健康状态会降低，而且这种变化是不可逆的。因此对新能源车的故障预测与健康管理就成为亟待解决的难题。
目前，人工智能已经广泛应用于各个领域，随着新能源汽车的广泛普及，由于汽车故障引起的事故在不断增加，造成的经济损失也在不断增加，汽车故障预测也显得越发重要，传统的故障检测方法已经不能满足当前需要，亟须一种多维度的故障检测方法。
下面结合图1描述本发明的基于多特征融合的新能源车辆健康评估方法。
图1是本实施例提供的基于多特征融合的新能源车辆健康评估方法的流程示意图，如图1所示，该方法包括：
步骤101，获取目标车辆中各关键部件的当前性能指标，根据所述当前性能指标确定所述各关键部件对应的输入信息；
其中，目标车辆是指需要进行健康评估的新能源车辆；关键部件包括新能源汽车的故障集中部件，包括但不限于动力电池、驱动电机、电控设备等部件；各关键部件的性能指标可以是分别针对各关键部件预先配置的用于辅助进行健康评估的指标，当前性能指标是各关键部件的性能指标在当前状态下的数据。
如图2所示，为目标车辆的结构示意图，可将目标车辆的整车设备分为三层，包括：系统层、分系统层、性能指标层。其中，系统层为待评估对象，即新能源汽车；分系统层包含了整车设备的各关键部件，即分别以目标车辆的动力电池、驱动电机和电控设备进行性能指标分析的子系统；性能指标层包含上述分系统的关键性能指标，能定量反映设备健康状态，示例性的，动力电池的性能指标层可以是包括可充电储能装置电压和可充电储能装置电流；驱动电机的性能指标层可以是包括驱动电机转速、驱动电机控制器温度和驱动电机控制器输入电压等性能指标；电控设备的性能指标层可以是包括SOC(System on Chip，系统级芯片)、总电压、总电流和电池单体电压最低值等性能指标。
如图3所示，获取目标车辆的各关键部件的性能指标层的当前性能指标后，可以根据当前性能指标确定各关键部件对应的输入信息，将获取的输入信息输入故障诊断模型以对输入信息进行处理，接着经隶属度计算后可以获得目标车辆的健康评分并进行目标车辆的安全健康评估。
可选地，此处确定输入信息的方式可以是直接将当前性能指标作为输入信息；也可以是对于当前性能指标进行预处理得到输入信息，本实施例对此不作具体地限定。
步骤102，将所述各关键部件对应的输入信息输入至故障诊断模型的生成器，对所述输入信息进行重构，得到所述各关键部件对应的当前重构误差；
其中，故障诊断模型包括生成器和判别器，生成器用于对输入信息进行重构，判别器用于判断生成器的输出数据是否能完好地重构输入信息中的特征数据。
其中，所述故障诊断模型是基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到的。
其中，训练数据集是用于训练故障诊断模型的样本车辆数据集中各关键部件的历史性能指标组成的数据集，历史性能指标包括各关键部件的性能指标在历史状态下的数据。无监督学习是指根据未被标记类别的训练样本解决模式识别中的各种问题。
在一些实施例中，所述故障诊断模型是基于GANomaly(半监督异常检测方法)网络架构构建的；所述故障诊断模型的生成器是基于自编码器构建的，所述故障诊断模型的判别器是基于时间卷积网络构建的。
GANomaly网络框架的特征重构的思想在信用卡欺诈、轴承异常诊断、织物缺陷检测等领域有较多成熟的应用。其整个框架由生成器与判别器两部分组成，生成器分为编码器GE(x)与解码器GD(x)，送入的数据经过编码器GE(x)得到潜在特征z，再经过解码器GD(x)得到重构的数据；判别器D(x)是一个分类模型，其对于原始数据判别为正样本，重构数据判别为负样本。使用生成器与判别器不断地对抗，进而使模型自监督促进生成器能够更好地重构出样本车辆运行中的正常数据。
同时，选择自编码器模型构建故障诊断模型的生成器，选用TCN(TemporalConvolutional Network，时间卷积网络)网络构建故障诊断模型的判别器。
自编码器模型是一种无监督式学习模型，基于反向传播算法与最优化方法(如梯度下降法)，利用输入数据本身作为监督，来指导神经网络尝试学习一个映射关系，从而得到一个重构输出。在时间序列异常检测场景下，异常对于正常来说是少数，所以如果使用自编码器重构出来的输出跟原始输入的差异超出一定阈值(threshold)的话，原始时间序列即存在了异常。示例性的，本实施例可以选择稀疏自编码器用于构建故障诊断模型的生成器。
TCN网络包含多个残差模块，是一种新型的可以用来解决时间序列预测的算法。TCN网络有很多的优点，首先是其具有并行性，不需要像RNN(Recurrent Neural Network，循环神经网络)那样顺序的处理；其次是其具有灵活的感受野、稳定的梯度和更低的内存。RNN在使用时需要将每步的信息都保存下来，这会占据大量的内存，TCN在一层里面卷积核是共享的，内存使用更低。
因此，本实施例中基于GANomaly网络框架和TCN网络联合构建的故障诊断模型，可以高效精准地确定各关键部件对应的当前重构误差，进而进一步提高健康评估的实时性和精准性。
可选地，在执行步骤102之前，可预先训练得到故障诊断模型，具体训练步骤包括：采集大量正常运行的样本车辆的历史性能指标。其中，样本车辆为与目标车辆同类型的车辆，也可以为目标车辆。历史性能指标包括当天之前的多个历史时间段内采集的正常运行的样本车辆的性能指标，如历史性能指标包括当天之前30天内采集的正常运行的样本车辆的性能指标。
在采集到正常运行的样本车辆的历史性能指标之后，可对历史性能指标进行预处理得到历史输入信息，包括但不限于对历史性能指标中的空值进行剔除处理和拉格朗日插值处理，以及对历史性能指标进行运动学片段提取和组合。
然后，将预处理后的样本车辆的历史输入信息输入至故障诊断模型中，对故障诊断模型进行无监督训练，以使得训练后的故障诊断模型可对正常运行的样本车辆的输入信息进行精准地重构，即训练后的故障诊断模型可精准学习样本车辆在正常运行情况下样本车辆的输入信息之间的分布特征，进而获取样本车辆的正常运行特征。
在获取到具有良好重构性能的故障诊断模型之后，由故障诊断模型的生成器对当前性能指标进行重构，以获取当前性能指标对应的模拟性能指标和重构损失。其中，重构损失为对当前性能指标进行重构产生的损失，具体可以根据当前性能指标和模拟性能指标之间的偏差进行确定。
基于故障诊断模型，分别得到电机的训练数据loss(损失值)与测试数据loss的MSE(Mean Square Error，均方误差)变化趋势如图4所示，电池的训练数据loss与测试数据loss的MSE变化趋势如图5所示；其中train_loss为训练数据集的损失值，val_loss为测试数据集的损失值。可以看出故障诊断模型在电机和电池中的训练过程和验证过程中均具有良好的性能。
同时得到电机的当前重构误差趋势如图6所示；电池的重构误差趋势如图7所示。由图可知，重构误差趋势与车辆的衰退趋势基本一致，因而采用重构误差可以精准地评估出车辆的健康状态。
步骤103，对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分；
不同指标的量纲不同，波动情况也不相同，因此各关键部件的当前性能指标对应的当前重构误差对各关键部件的故障特征的影响程度是难以准确判断的，具有模糊性，因此本实施例中可以采用模糊数学中的隶属度思想来确定每个指标的评分，以避免这些差异带来过高或过低的评分，提高健康评分的精准性。
隶属度的定义：论域X到[0,1]闭区间上的任意映射都确定X上的一个模糊集合A，μA叫做A的隶属函数，μA(x)叫做X对模糊集A的隶属度，记为：
A＝{(x,μA(x))/x∈X}；
基于各关键部件对应的当前重构误差完成隶属度计算后，即可将当前重构误差对应的隶属度，作为各关键部件的当前健康评分。
步骤104，根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，并根据所述总健康评分，确定所述目标车辆的健康评估结果；所述健康评估结果包括正常状态或故障状态；
可选地，目标车辆的总健康评分的获取方式可以是根据实际场景对各关键部件的当前健康评分进行叠加(加权相加)获取，也可以是通过将各关键部件的当前健康评分输入预先设置的评分模型进行训练获取，本实施例对此不作具体地限定。
获取目标车辆的总健康评分之后，可以基于总健康评分确定目标车辆的健康评估结果，即判断目标车辆处于正常状态或是故障状态。
可选地，目标车辆的健康评估结果的判断方式可以是通过将目标车辆的总健康评分与预先设置的评分阈值进行比较获取比较结果，再根据比较结果获取；也可以是通过将各关键部件的总健康评分输入预先设置的判断模型进行训练获取，本实施例对此不作具体地限定。
本实施例通过基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到故障诊断模型，并根据获取到的目标车辆中各关键部件的当前性能指标，确定各关键部件对应的输入信息；然后通过将各关键部件对应的输入信息输入至故障诊断模型的生成器，以对输入信息进行重构并得到各关键部件对应的当前重构误差；接着对得到的当前重构误差进行隶属度计算，获取各关键部件的当前健康评分；最后基于各关键部件的当前健康评分，获取目标车辆的总健康评分，并根据总健康评分，确定目标车辆的健康评估结果为正常状态或故障状态，建立了一套完整的全自动化安全健康评估流程，以自动实时地进行新能源车辆健康评估，实现对新能源车辆进行实时有效地多维度安全健康评估的同时，可提高评估精度。
在上述实施例的基础上，本实施例中所述根据所述总健康评分，确定所述目标车辆的健康评估结果，包括：将所述总健康评分与目标评分进行比较；在根据比较结果确定所述总健康评分大于或等于所述目标评分的情况下，确定所述目标车辆处于故障状态；在根据所述比较结果确定所述总健康评分小于所述目标评分的情况下，确定所述目标车辆处于正常状态；其中，所述目标评分是在多个预设评分中确定的。
可选地，目标评分是用于作为确定目标车辆的健康评估结果的判断标准，目标评分的确定方式可以是根据实际需求选择多个预设评分中对应的评估性能更好的一项等，本实施例对此不作具体地限定。
将总健康评分与目标评分进行比较，获取比较结果，若比较结果为总健康评分大于或等于目标评分，则确定目标车辆处于故障状态；否则确定目标车辆处于正常状态。
本实施例通过首先在多个预设评分中确定目标评分，然后将总健康评分与目标评分进行比较，根据比较结果确定目标车辆的健康评估结果，实现对于新能源车进行有效地安全健康评估。
在上述实施例的基础上，本实施例中所述目标评分的确定步骤包括：首先，获取所述训练数据集中各样本在各预设评分下的健康评估结果，以及所述各样本的健康标签；
所述样本包括正样本和负样本，所述正样本是根据处于正常状态的样本车辆中各关键部件的历史性能指标确定的，所述负样本是根据处于异常状态的样本车辆中各关键部件的历史性能指标确定的；
其中，样本包括阳性样例P(Positive)和阴性样例N(Negative)；各样本在各预设评分下的健康评估结果包括将正样本预测为正样本的TP(True Positive，真阳性)、将正样本预测为负样本的FN(False Negative，假阴性)，将负样本预测为正样本的FP(FalsePositive，假阳性)，以及将负样本预测为负样本的True Negative(TN，真阴性)。因此，阳性样例P和阴性样例N的计算公式为：
接着，根据所述各样本在所述各预设评分下的健康评估结果，以及所述各样本的健康标签，计算所述各预设评分对应的评估性能，所述评估性能包括漏报率和误报率；
误报率(False Alarm)也称为假阳率、虚警率、误检率，误报率可以反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。误报率值越小，评估性能越好，误报率值的计算如下：
漏报率(Miss Rate)也称为漏警率、漏检率，漏报率可以反映分类器或者模型正确预测负样本纯度的能力，减少将正样本预测为负样本，即正样本被预测为负样本占总的正样本的比例。漏报率值越小，性能越好，漏报率值的计算如下：
接着，对所述漏报率和误报率进行融合，得到所述各预设评分对应的安全评估标准值；最后，根据所述安全评估标准值，在所述多个预设评分中确定所述目标评分。
以基于GANomaly网络架构构建的故障诊断模型(其中生成器基于自编码器构建而判别器基于时间卷积网络构建)为例进行分析。
如图8所示，为在不同预设评分(以下也称阈值)下的误报率对应的曲线，也即整车阈值(Threshold)与其误报率的曲线，在一定范围内误报率随整车阈值增大而增大；如图9所示，为在不同阈值下的漏报率对应的曲线，也即整车阈值与其漏报率的曲线，在一定范围内漏报率随整车阈值增大而减小。
为实现整车安全健康评估，在各关键部件的故障诊断中需要在保持漏报率不高的前提下，使误报率尽量处于较低水平。为权衡误报率与漏检率，因此设置相关安全评估标准值以确定其整车安全评估得分阈值，该安全评估标准值越低表明在该阈值下的故障预测能力越强。安全评估标准值计算公式如下，其中ymiss为漏报率曲线，yfalse为误报率曲线：
y＝ymiss+yfalse；
如图10所示，为安全评估标准值的分布曲线图，可以看出在阈值为0.4时，安全评估标准值最低。因此，优选阈值0.4为本实施例的目标评分。
此外，由于安全评估标准值是一个连续的数值，因此在一些实施例中还可以使用安全评估标准作为整车的健康值参考，实现新能源汽车的整车故障监测与健康管理。
本实施例通过首先获取训练数据集中各样本在各预设评分下的健康评估结果及各样本的健康标签；然后基于各样本在各预设评分下的健康评估结果及各样本的健康标签，计算各预设评分对应的评估性能；接着对评估性能中的漏报率和误报率进行融合，得到各预设评分对应的安全评估标准值；最后根据得到的安全评估标准值，在多个预设评分中确定目标评分，提高故障诊断覆盖率，完整精准地实现新能源汽车故障预测。
在上述实施例的基础上，本实施例中所述对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分，包括：获取所述各关键部件对应的目标隶属度函数；将所述各关键部件对应的当前重构误差输入至所述对应的目标隶属度函数中，得到所述各关键部件的当前健康评分；其中，每一关键部件对应的目标隶属度函数是根据所述每一关键部件的历史重构误差序列的分布特征进行确定的；所述每一关键部件的历史重构误差序列包括根据所述目标车辆中所述每一关键部件的在各历史时刻的历史性能指标确定的重构误差序列，或者根据与所述目标车辆同类型的样本车辆中所述每一关键部件在各历史时刻的历史性能指标确定的重构误差序列。
首先，需要获取目标车辆的各关键部位的目标隶属度函数。应用模糊数学方法建立数学模型的关键是建立符合实际的隶属度函数。由于得到的电机，电池，电控三者的重构误差值大小不一，运用隶属度函数进行归一化，得到每个系统的当前健康评分。示例性的，驱动电机的当前健康评分可以通过如下公式计算：
其中μ表示电机历史重构误差序列的分布特征曲线的均值，σ表示电机历史重构误差序列的分布特征曲线的标准差，x为电机的当前重构误差。
以基于GANomaly网络架构构建的故障诊断模型(其中生成器基于自编码器构建而判别器基于时间卷积网络构建)为例进行分析。如图11所示，为电机历史重构误差序列的分布特征曲线，可以对电机的历史重构误差序列的分布特征进行分析，以得到对应的目标隶属度函数以及目标隶属度函数的均值μ及标准差σ。
相似地，动力电池的当前健康评分可以通过如下公式计算：
其中μ表示电池历史重构误差序列的分布特征曲线的均值，σ表示电池历史重构误差序列的分布特征曲线的标准差，x为电池的当前重构误差。
以基于GANomaly网络架构构建的故障诊断模型(其中生成器基于自编码器构建而判别器基于时间卷积网络构建)为例进行分析。如图12所示，为电池历史重构误差序列的分布特征曲线，可以对电池的历史重构误差序列的分布特征进行分析，以得到对应的目标隶属度函数以及目标隶属度函数的均值μ及标准差σ；其中，优选电池历史重构误差序列的分布特征的均值μ＝0.47，电池标准差σ＝0.44。
相似地，电控设备的当前健康评分可以通过如下公式计算：
其中μ表示电控历史重构误差序列的分布特征曲线的均值，σ表示电控历史重构误差序列的分布特征曲线的标准差，x为电控的当前重构误差。
以基于GANomaly网络架构构建的故障诊断模型(其中生成器基于自编码器构建而判别器基于时间卷积网络构建)为例进行分析。如图13所示，为电控历史重构误差序列的分布特征曲线，可以对电控的历史重构误差序列的分布特征进行分析，以得到对应的目标隶属度函数以及目标隶属度函数的均值μ及标准差σ；其中，优选电控历史重构误差序列的分布特征的均值μ＝0.12，电控标准差σ＝0.04；
本实施例通过首先根据每一关键部件的历史重构误差序列的分布特征确定各关键部件对应的目标隶属度函数；然后将各关键部件对应的当前重构误差输入至对应的目标隶属度函数中，得到各关键部件的当前健康评分，实现构造统一标准的隶属度函数以对各关键部件对应的当前重构误差进行适用性的归一化处理，实现对于对新能源车进行有效地安全健康评估，提高健康评估精度。
在上述实施例的基础上，本实施例中所述根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，包括：基于层次分析法，确定所述目标车辆中各关键部件对应的权重系数；根据所述权重系数，对所述目标车辆中各关键部件的当前健康评分进行加权相加，得到所述目标车辆的总健康评分。
可选地，得到了各关键部件各自的当前健康评分后，还需要对各自对应的权重系数进行确定；层次分析法(AHP，Analytic Hierarchy Process)可以由定性的相对重要性得到定量的权重，可以用于本实施例中确定各关键部件对应的权重系数，以得到目标车辆整体的总健康评分。
以下以具体的实例对层次分析法的具体执行步骤展开描述。
其中，运用层次分析法确定各关键部件的权重系数主要分为以下三个方面：
首先，确定判断矩阵表如表1所示：
表1判断矩阵表
| 标度 | 含义1 |
| 1 | 两个因素相比，具有同样的重要性 |
| 3 | 两个因素相比，前者比后者稍重要 |
| … | … |
| 9 | 两个因素相比，前者比后者极端重要 |
| 偶数 | 表示上述相邻判断的中间值 |
本实施例假定三方面指标的重要程度为：电控>电池>电机。并写出判断矩阵如下：
接着，求解特征向量；
利用(λI-q)x＝0求得矩阵q的特征值，其最大特征值为λmax＝3.0183；将特征向量ζ＝(a11,a12,a13)＝(0.8527,0.4881,0.1862)标准化后得到：
接着，进行一致性检验；
计算一致性指标：其中n为指标数量，根据指标数量查找平均随机一致性指标RI＝0.58；计算一致性比例/>
判断得到矩阵q的一致性是可以接受的，如表2所示，各关键部件对应的权重系数为A＝(0.5584,0.3196,0.1219)。
表2各关键部位权重表
得到各关键部件对应的权重系数，乘以各关键部件的当前健康评分相加得到目标车辆的总健康评分，具体计算公式如下：
Score＝ω1*L1+ω2*L2+ω3*L3；
式中ω1、ω2、ω3分别为电控的权重系数、电池的权重系数和电机的权重系数，L1、L2、L3分别为电控的当前健康评分、电池的当前健康评分和电机的当前健康评分。
本实施例通过首先基于层次分析法，确定目标车辆中各关键部件对应的权重系数；然后根据权重系数，对目标车辆中各关键部件的当前健康评分进行加权相加，得到目标车辆的总健康评分，实现对新能源车进行实时有效地多维度安全健康评估。
在上述实施例的基础上，本实施例中所述根据所述当前性能指标确定所述各关键部件对应的输入信息，包括：对所述当前性能指标进行预处理；根据预处理后的当前性能指标，确定所述各关键部件对应的输入信息；其中，预处理包括对所述当前性能指标中的空值进行剔除处理和拉格朗日插值处理，和/或对所述当前性能指标进行运动学片段提取和组合。
由于数据采集终端、车辆自身、周围环境的一些原因，采集到的当前性能指标通常存在一定的异常，包括部分时间段的数据丢失，大量时间数据不对应。大量的无效数据影响后续问题的分析等，因此要对当前性能指标进行预处理操作。
如图14所示为当前性能指标的分布特征曲线图，将当前性能指标中所有的空值数据进行剔除操作，同时使用了拉格朗日插值法对异常数据去除后的填充操作，处理结果如图15所示，拉格朗日插值法可以给出一个恰好穿过二维平面上若干个已知点的多项式函数，对某个多项式函数有已知的n+1个点，假设其中任意两个点互不相同，应用拉格朗日插值公式所得到的拉格朗日插值多项式为：
其中，yj为每个基函数乘以对应的函数值，每个lj(x)为拉格朗日基本多项式(或称为插值基函数)，其表达式为：
和/或，按照运动学片段的定义将当前性能指标进行提取和组合。由于一个路段可能包含多种不同的交通特征，新能源汽车的各种行驶状态并不完全取决于汽车的性能，也受到地理环境和道路类型等交通状况的影响，且同一路段随着时段、天气、汽车承载的成员数等的变化，也呈现不同的行驶状态，因此可以运用运动学片段划分的方式对当前性能指标进行提取和组合操作。
运动学片段划分的方式颇为符合实际状况，对许多代表汽车实际行驶工况的微小片段进行分析，使得分析更为精确也更为便捷。运动学片段是指相邻两个的停车点之间的汽车行驶过程，也就是将车辆从一个怠速部分的开始到下一个怠速部分的开始的运动过程作为一个数据单元，通常包括一个怠速部分和一个行驶部分，是汽车的一段运行概况。提取所有当前性能指标的有效运动学片段，对划分的所有片段进行组合，最终构造代表性行驶工况。
运动学片段提取的流程示意图如图16所示，运动学片段处理过程包括：
步骤1601，去除存在范围超限的记录；
步骤1602，寻找短时间确实及加速度异常情况；
步骤1603，插值补充记录点的速度；
步骤1604，寻找最高车速<15km/h的运动段；
步骤1605，将该段速度置为0；
步骤1606，寻找怠速时长>180s的记录段；
步骤1607，只保留180s怠速时长；
步骤1608，寻找长时间记录缺失；
步骤1609，去除长时间缺失所在的整个运动学片段；
步骤1610，组合并保留预处理后的数据，最终得到如图17、图18、图19以及图20所示的典型运动学片段。
可选地，完成对当前性能指标进行的预处理后，即可将其作为各关键部件对应的输入信息。
本实施例通过首先当前性能指标进行中的空值进行剔除处理和拉格朗日插值处理，和/或对当前性能指标进行运动学片段提取和组合；然后确定各关键部件对应的输入信息，提高输入信息的有效性，以助于更精确便捷地进行故障诊断，实现对于对新能源车进行有效地安全健康评估。
下面对本发明提供的基于多特征融合的新能源车辆健康评估装置进行描述，下文描述的基于多特征融合的新能源车辆健康评估装置与上文描述的基于多特征融合的新能源车辆健康评估方法可相互对应参照。
如图21所示，为本发明提供的基于多特征融合的新能源车辆健康评估装置的结构示意图，该装置包括：
获取模块2101，用于获取目标车辆中各关键部件的当前性能指标，根据所述当前性能指标确定所述各关键部件对应的输入信息；
重构模块2102，用于将所述各关键部件对应的输入信息输入至故障诊断模型的生成器，对所述输入信息进行重构，得到所述各关键部件对应的当前重构误差；
计算模块2103，用于对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分；
评估模块2104，用于根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，并根据所述总健康评分，确定所述目标车辆的健康评估结果；所述健康评估结果包括正常状态或故障状态；
其中，所述故障诊断模型是基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到的。
本实施例提供的基于多特征融合的新能源车辆健康评估装置，通过基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到故障诊断模型，并根据获取到的目标车辆中各关键部件的当前性能指标，确定各关键部件对应的输入信息；然后通过将各关键部件对应的输入信息输入至故障诊断模型的生成器，以对输入信息进行重构并得到各关键部件对应的当前重构误差；接着对得到的当前重构误差进行隶属度计算，获取各关键部件的当前健康评分；最后基于各关键部件的当前健康评分，获取目标车辆的总健康评分，并根据总健康评分，确定目标车辆的健康评估结果为正常状态或故障状态，建立了一套完整的全自动化安全健康评估流程，以自动实时地进行新能源车辆健康评估，实现对新能源车辆进行实时有效地多维度安全健康评估的同时，可提高评估精度。
在上述实施例的基础上，本实施例中的评估模块2104具体用于：将所述总健康评分与目标评分进行比较；在根据比较结果确定所述总健康评分大于或等于所述目标评分的情况下，确定所述目标车辆处于故障状态；在根据所述比较结果确定所述总健康评分小于所述目标评分的情况下，确定所述目标车辆处于正常状态；其中，所述目标评分是在多个预设评分中确定的。
在上述实施例的基础上，本实施例中的评估模块2104还用于：获取所述训练数据集中各样本在各预设评分下的健康评估结果，以及所述各样本的健康标签；所述样本包括正样本和负样本，所述正样本是根据处于正常状态的样本车辆中各关键部件的历史性能指标确定的，所述负样本是根据处于异常状态的样本车辆中各关键部件的历史性能指标确定的；根据所述各样本在所述各预设评分下的健康评估结果，以及所述各样本的健康标签，计算所述各预设评分对应的评估性能，所述评估性能包括漏报率和误报率；对所述漏报率和误报率进行融合，得到所述各预设评分对应的安全评估标准值；根据所述安全评估标准值，在所述多个预设评分中确定所述目标评分。
在上述实施例的基础上，本实施例中的计算模块2103具体用于：获取所述各关键部件对应的目标隶属度函数；将所述各关键部件对应的当前重构误差输入至所述对应的目标隶属度函数中，得到所述各关键部件的当前健康评分；其中，每一关键部件对应的目标隶属度函数是根据所述每一关键部件的历史重构误差序列的分布特征进行确定的；所述每一关键部件的历史重构误差序列包括根据所述目标车辆中所述每一关键部件的在各历史时刻的历史性能指标确定的重构误差序列，或者根据与所述目标车辆同类型的样本车辆中所述每一关键部件在各历史时刻的历史性能指标确定的重构误差序列。
在上述实施例的基础上，本实施例中的评估模块2104还用于：基于层次分析法，确定所述目标车辆中各关键部件对应的权重系数；根据所述权重系数，对所述目标车辆中各关键部件的当前健康评分进行加权相加，得到所述目标车辆的总健康评分。
在上述实施例的基础上，本实施例中所述故障诊断模型是基于GANomaly网络架构构建的；所述故障诊断模型的生成器是基于自编码器构建的，所述故障诊断模型的判别器是基于时间卷积网络构建的。
在上述实施例的基础上，本实施例中的获取模块2101具体用于：对所述当前性能指标进行预处理；根据预处理后的当前性能指标，确定所述各关键部件对应的输入信息；其中，预处理包括对所述当前性能指标中的空值进行剔除处理和拉格朗日插值处理，和/或对所述当前性能指标进行运动学片段提取和组合。
图22示例了一种电子设备的实体结构示意图，如图22所示，该电子设备可以包括：处理器(processor)2201、通信接口(Communications Interface)2202、存储器(memory)2203和通信总线2204，其中，处理器2201，通信接口2202，存储器2203通过通信总线2204完成相互间的通信。处理器2201可以调用存储器2203中的逻辑指令，以执行基于多特征融合的新能源车辆健康评估方法，该方法包括：获取目标车辆中各关键部件的当前性能指标，根据所述当前性能指标确定所述各关键部件对应的输入信息；将所述各关键部件对应的输入信息输入至故障诊断模型的生成器，对所述输入信息进行重构，得到所述各关键部件对应的当前重构误差；对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分；根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，并根据所述总健康评分，确定所述目标车辆的健康评估结果；所述健康评估结果包括正常状态或故障状态；其中，所述故障诊断模型是基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到的。
此外，上述的存储器2203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于多特征融合的新能源车辆健康评估方法，该方法包括：获取目标车辆中各关键部件的当前性能指标，根据所述当前性能指标确定所述各关键部件对应的输入信息；将所述各关键部件对应的输入信息输入至故障诊断模型的生成器，对所述输入信息进行重构，得到所述各关键部件对应的当前重构误差；对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分；根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，并根据所述总健康评分，确定所述目标车辆的健康评估结果；所述健康评估结果包括正常状态或故障状态；其中，所述故障诊断模型是基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于多特征融合的新能源车辆健康评估方法，该方法包括：获取目标车辆中各关键部件的当前性能指标，根据所述当前性能指标确定所述各关键部件对应的输入信息；将所述各关键部件对应的输入信息输入至故障诊断模型的生成器，对所述输入信息进行重构，得到所述各关键部件对应的当前重构误差；对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分；根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，并根据所述总健康评分，确定所述目标车辆的健康评估结果；所述健康评估结果包括正常状态或故障状态；其中，所述故障诊断模型是基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于多特征融合的新能源车辆健康评估方法，其特征在于，包括：
获取目标车辆中各关键部件的当前性能指标，根据所述当前性能指标确定所述各关键部件对应的输入信息；
将所述各关键部件对应的输入信息输入至故障诊断模型的生成器，对所述输入信息进行重构，得到所述各关键部件对应的当前重构误差；
对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分；
根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，并根据所述总健康评分，确定所述目标车辆的健康评估结果；所述健康评估结果包括正常状态或故障状态；
其中，所述故障诊断模型是基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到的；
所述故障诊断模型包括生成器和判别器，所述生成器用于对所述输入信息进行重构，所述判别器用于判断所述生成器的输出数据能否重构所述输入信息中的特征数据；所述当前重构误差是根据所述生成器对所述当前性能指标进行重构获取的所述当前性能指标对应的模拟性能指标和所述当前性能指标之间的偏差进行确定的；
所述对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分，包括：
获取所述各关键部件对应的目标隶属度函数；
将所述各关键部件对应的当前重构误差输入至所述对应的目标隶属度函数中，得到所述各关键部件的当前健康评分；
其中，每一关键部件对应的目标隶属度函数是根据所述每一关键部件的历史重构误差序列的分布特征进行确定的；所述每一关键部件的历史重构误差序列包括根据所述目标车辆中所述每一关键部件的在各历史时刻的历史性能指标确定的重构误差序列，或者根据与所述目标车辆同类型的样本车辆中所述每一关键部件在各历史时刻的历史性能指标确定的重构误差序列；其中，所述各关键部件的当前健康评分f(x)的计算公式如下：
其中，μ表示所述各关键部件的历史重构误差序列的分布特征曲线的均值，σ表示所述各关键部件的历史重构误差序列的分布特征曲线的标准差，x为所述各关键部件的当前重构误差。
2.根据权利要求1所述的基于多特征融合的新能源车辆健康评估方法，其特征在于，所述根据所述总健康评分，确定所述目标车辆的健康评估结果，包括：
将所述总健康评分与目标评分进行比较；
在根据比较结果确定所述总健康评分大于或等于所述目标评分的情况下，确定所述目标车辆处于故障状态；
在根据所述比较结果确定所述总健康评分小于所述目标评分的情况下，确定所述目标车辆处于正常状态；
其中，所述目标评分是在多个预设评分中确定的。
3.根据权利要求2所述的基于多特征融合的新能源车辆健康评估方法，其特征在于，所述目标评分的确定步骤包括：
获取所述训练数据集中各样本在各预设评分下的健康评估结果，以及所述各样本的健康标签；所述样本包括正样本和负样本，所述正样本是根据处于正常状态的样本车辆中各关键部件的历史性能指标确定的，所述负样本是根据处于异常状态的样本车辆中各关键部件的历史性能指标确定的；
根据所述各样本在所述各预设评分下的健康评估结果，以及所述各样本的健康标签，计算所述各预设评分对应的评估性能，所述评估性能包括漏报率和误报率；
对所述漏报率和误报率进行融合，得到所述各预设评分对应的安全评估标准值；
根据所述安全评估标准值，在所述多个预设评分中确定所述目标评分。
4.根据权利要求1-3任一所述的基于多特征融合的新能源车辆健康评估方法，其特征在于，所述根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，包括：
基于层次分析法，确定所述目标车辆中各关键部件对应的权重系数；
根据所述权重系数，对所述目标车辆中各关键部件的当前健康评分进行加权相加，得到所述目标车辆的总健康评分。
5.根据权利要求1-3任一所述的基于多特征融合的新能源车辆健康评估方法，其特征在于，所述故障诊断模型是基于GANomaly网络架构构建的；
所述故障诊断模型的生成器是基于自编码器构建的，所述故障诊断模型的判别器是基于时间卷积网络构建的。
6.根据权利要求1-3任一所述的基于多特征融合的新能源车辆健康评估方法，其特征在于，所述根据所述当前性能指标确定所述各关键部件对应的输入信息，包括：
对所述当前性能指标进行预处理；
根据预处理后的当前性能指标，确定所述各关键部件对应的输入信息；
其中，预处理包括对所述当前性能指标中的空值进行剔除处理和拉格朗日插值处理，和/或对所述当前性能指标进行运动学片段提取和组合。
7.一种基于多特征融合的新能源车辆健康评估装置，其特征在于，包括：
获取模块，用于获取目标车辆中各关键部件的当前性能指标，根据所述当前性能指标确定所述各关键部件对应的输入信息；
重构模块，用于将所述各关键部件对应的输入信息输入至故障诊断模型的生成器，对所述输入信息进行重构，得到所述各关键部件对应的当前重构误差；
计算模块，用于对所述各关键部件对应的当前重构误差进行隶属度计算，得到所述各关键部件的当前健康评分；
评估模块，用于根据所述各关键部件的当前健康评分，获取所述目标车辆的总健康评分，并根据所述总健康评分，确定所述目标车辆的健康评估结果；所述健康评估结果包括正常状态或故障状态；
其中，所述故障诊断模型是基于训练数据集中处于正常状态的样本车辆中各关键部件的历史性能指标，进行无监督学习训练得到的；
所述故障诊断模型包括生成器和判别器，所述生成器用于对所述输入信息进行重构，所述判别器用于判断所述生成器的输出数据能否重构所述输入信息中的特征数据；所述当前重构误差是根据所述生成器对所述当前性能指标进行重构获取的所述当前性能指标对应的模拟性能指标和所述当前性能指标之间的偏差进行确定的；
所述计算模块，具体用于：
获取所述各关键部件对应的目标隶属度函数；
将所述各关键部件对应的当前重构误差输入至所述对应的目标隶属度函数中，得到所述各关键部件的当前健康评分；
其中，每一关键部件对应的目标隶属度函数是根据所述每一关键部件的历史重构误差序列的分布特征进行确定的；所述每一关键部件的历史重构误差序列包括根据所述目标车辆中所述每一关键部件的在各历史时刻的历史性能指标确定的重构误差序列，或者根据与所述目标车辆同类型的样本车辆中所述每一关键部件在各历史时刻的历史性能指标确定的重构误差序列；所述各关键部件的当前健康评分f(x)的计算公式如下：
其中，μ表示所述各关键部件的历史重构误差序列的分布特征曲线的均值，σ表示所述各关键部件的历史重构误差序列的分布特征曲线的标准差，x为所述各关键部件的当前重构误差。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于多特征融合的新能源车辆健康评估方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于多特征融合的新能源车辆健康评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310388842.8A CN116541790B (zh) | 2023-04-12 | 2023-04-12 | 基于多特征融合的新能源车辆健康评估方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310388842.8A CN116541790B (zh) | 2023-04-12 | 2023-04-12 | 基于多特征融合的新能源车辆健康评估方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116541790A CN116541790A (zh) | 2023-08-04 |
| CN116541790B true CN116541790B (zh) | 2024-03-12 |
Family
ID=87453314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310388842.8A Active CN116541790B (zh) | 2023-04-12 | 2023-04-12 | 基于多特征融合的新能源车辆健康评估方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116541790B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117134675B (zh) * | 2023-08-28 | 2024-07-19 | 苏州金钥匙自动化设备有限公司 | 一种基于机器视觉的伺服电机控制系统 |
| CN117315941B (zh) * | 2023-10-27 | 2024-05-07 | 烽源车务(广州)有限公司 | 一种基于人工智能的车辆风险管理预警系统 |
| CN117688514B (zh) * | 2024-02-04 | 2024-04-30 | 广东格绿朗节能科技有限公司 | 基于多源数据的遮阳篷健康状况检测方法及系统 |
| CN118212760B (zh) * | 2024-05-20 | 2024-07-19 | 山东理工职业学院 | 一种实训室电池电量报警装置及报警方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5410495A (en) * | 1993-07-20 | 1995-04-25 | Texas Instruments Incorporated | Apparatus, systems, and methods for diagnosing anomalous mass flow controller operation |
| WO2021217940A1 (zh) * | 2020-04-27 | 2021-11-04 | 深圳壹账通智能科技有限公司 | 车辆部件识别方法、装置、计算机设备和存储介质 |
| CN114037877A (zh) * | 2021-10-20 | 2022-02-11 | 中山大学 | 基于局部异常数据提升全局异常检测性能的方法及系统 |
| CN114297936A (zh) * | 2021-12-31 | 2022-04-08 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
| CN114595753A (zh) * | 2022-03-01 | 2022-06-07 | 浙江大学 | 面向数据稀缺场景的综合供能服务站油气回收系统故障检测方法 |
| CN115809818A (zh) * | 2022-11-18 | 2023-03-17 | 国网新源控股有限公司 | 抽水蓄能电站辅助设备多维诊断评估方法及装置 |
| CN115933605A (zh) * | 2022-12-20 | 2023-04-07 | 广州图灵科技有限公司 | 一种采用编码输入的生成对抗网络故障检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070078576A1 (en) * | 2005-10-04 | 2007-04-05 | Salman Mutasim A | System and method for fuzzy-logic based fault diagnosis |
| US8260486B2 (en) * | 2008-02-01 | 2012-09-04 | GM Global Technology Operations LLC | Method and apparatus for diagnosis of sensors faults using adaptive fuzzy logic |
-
2023
- 2023-04-12 CN CN202310388842.8A patent/CN116541790B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5410495A (en) * | 1993-07-20 | 1995-04-25 | Texas Instruments Incorporated | Apparatus, systems, and methods for diagnosing anomalous mass flow controller operation |
| WO2021217940A1 (zh) * | 2020-04-27 | 2021-11-04 | 深圳壹账通智能科技有限公司 | 车辆部件识别方法、装置、计算机设备和存储介质 |
| CN114037877A (zh) * | 2021-10-20 | 2022-02-11 | 中山大学 | 基于局部异常数据提升全局异常检测性能的方法及系统 |
| CN114297936A (zh) * | 2021-12-31 | 2022-04-08 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
| CN114595753A (zh) * | 2022-03-01 | 2022-06-07 | 浙江大学 | 面向数据稀缺场景的综合供能服务站油气回收系统故障检测方法 |
| CN115809818A (zh) * | 2022-11-18 | 2023-03-17 | 国网新源控股有限公司 | 抽水蓄能电站辅助设备多维诊断评估方法及装置 |
| CN115933605A (zh) * | 2022-12-20 | 2023-04-07 | 广州图灵科技有限公司 | 一种采用编码输入的生成对抗网络故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116541790A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116541790B (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
| US20220358363A1 (en) | Engine surge fault prediction system and method based on fusion neural network model | |
| CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
| CN114580262B (zh) | 一种锂离子电池健康状态估计方法 | |
| CN113848417A (zh) | 轨道交通供电设备故障预测方法及装置 | |
| CN116342657A (zh) | 一种基于编码-解码结构的tcn-gru船舶轨迹预测方法、系统、设备及介质 | |
| CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
| CN115833937A (zh) | 一种基于变分自编码器和长短时记忆网络混合模型的光模块故障预测方法 | |
| Guo et al. | Attention-based BILSTM for the degradation trend prediction of lithium battery | |
| CN117744495A (zh) | 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法 | |
| CN117686921A (zh) | 检测电池内短路的方法和系统及计算设备 | |
| CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 | |
| CN117456417A (zh) | 交通异常事件感知方法、系统、电子设备及存储介质 | |
| CN117648675A (zh) | 城轨列车受电弓磨耗量的预警方法 | |
| CN105426665A (zh) | 基于状态监测的动态可靠度确定方法 | |
| CN117456637A (zh) | 车辆数据检测方法、车辆数据检测装置、车辆和存储介质 | |
| Zhang et al. | Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model | |
| CN115660198B (zh) | 滚动轴承剩余使用寿命预测方法 | |
| Dui et al. | Reliability Evaluation and Prediction Method with Small Samples. | |
| Qu et al. | Remaining Useful Life Prediction of High-Speed Railroad Contact Network Based on Stacking Integrated Attention-LSTM-CNN Deep Learning | |
| CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
| CN116579233A (zh) | 一种机械设备的剩余寿命预测方法 | |
| CN115865716A (zh) | 一种网络状态分析方法、系统及计算机可读介质 | |
| CN114722704A (zh) | 车轮磨损预测网络模型训练方法、装置 | |
| Peng et al. | Fault prediction method for on-board equipment of CTCS based on Seq2Seq model using LSTM |
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 |