CN117075650A - 散热控制方法、系统、电子设备、存储介质及新能源车辆 - Google Patents
散热控制方法、系统、电子设备、存储介质及新能源车辆 Download PDFInfo
- Publication number
- CN117075650A CN117075650A CN202311011689.3A CN202311011689A CN117075650A CN 117075650 A CN117075650 A CN 117075650A CN 202311011689 A CN202311011689 A CN 202311011689A CN 117075650 A CN117075650 A CN 117075650A
- Authority
- CN
- China
- Prior art keywords
- heat dissipation
- data
- vehicle
- control method
- target
- 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.)
- Withdrawn
Links
- 230000017525 heat dissipation Effects 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000013136 deep learning model Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 238000005265 energy consumption Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000010606 normalization Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K11/00—Arrangement in connection with cooling of propulsion units
- B60K11/02—Arrangement in connection with cooling of propulsion units with liquid cooling
- B60K11/04—Arrangement or mounting of radiators, radiator shutters, or radiator blinds
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及新能源车辆散热技术领域,尤其涉及散热控制方法、系统、电子设备、存储介质及新能源车辆,其包括以下步骤:通过多模态传感器网络收集车辆的实时状态数据,并进行冗余检查处理;将状态数据通过预处理后进行信息融合,融合后的数据作为输入,输入至预训练好的深度学习模型中,根据驾驶策略预测各散热构件的目标散热参数;通过目标散热参数对各散热构件进行调整,本发明具有强大的自适应性,可以实时监测车辆和环境状态,并根据状态自动调整散热参数;可精确、灵活地适应各种驾驶条件;本发明系统具有良好的鲁棒性和可靠性,还具有良好的可扩展性和通用性,可适应各种新能源车辆,以满足不同的散热需求。
Description
技术领域
本发明涉及新能源车辆散热技术领域,尤其涉及散热控制方法、系统、电子设备、存储介质及新能源车辆。
背景技术
新能源车辆散热系统是确保引擎和其他动力构件正常工作的关键部分,对于维持新能源车辆性能和可靠性至关重要。
传统的散热控制方法通常依赖于固定的散热参数和预设的控制策略。这些方法在标准条件下工作良好,但在变化的环境温度、不同的驾驶速度、不同的能源状态等复杂场景下,无法提供最佳的散热效果。这导致能源浪费、散热效率低下、过度冷却或过度加热等问题。
现有的一些先进散热控制技术已经开始采用传感器来监测部分关键参数,并通过简单的算法或规则来调整散热参数。然而,这些方法通常只能处理有限的输入变量和场景,无法全面捕捉和理解复杂的非线性关系。
现有技术无法充分适应不同的驾驶条件和环境,导致散热控制不够精确和灵活;缺乏综合考虑能耗和散热效率的方法,导致能源浪费,特别是在新能源车辆中;对于传感器故障或数据异常的处理不够完善,增加了系统的故障敏感性;现有的解决方案难以应对不同类型和规模的新能源车辆,或适应不同的散热需求和条件。
发明内容
针对上述现有技术存在若干问题,本发明提供散热控制方法、系统、电子设备、存储介质及新能源车辆,本发明通过结合深度学习、多模态传感器网络、信息融合、和灵活的驾驶策略,有效地解决了现有散热控制技术的这些缺陷,提供了一种先进、自适应和高效的解决方案。
一种散热控制方法,包括以下步骤:
通过多模态传感器网络收集车辆的实时状态数据,并进行冗余检查处理;
将状态数据通过预处理后进行信息融合,融合后的数据作为输入,输入至预训练好的深度学习模型中,根据驾驶策略预测各散热构件的目标散热参数;
通过目标散热参数对各散热构件进行调整。
优选的,所述状态数据包括:车辆的关键部位的各温度信息、车辆的实时速度和车辆外部环境信息。
优选的,所述冗余检查处理包括:
对所有实时状态数据进行检查;
若检查结果出现异常,则启动新的传感器替代出现异常的传感器。
优选的,所述预处理包括:对传感器数据进行噪声过滤、异常检测和数据标准化;
所述信息融合包括:
对齐来自不同源的数据;
使用融合算法将不同源的数据进行融合;
其中,若不同源的数据存在冲突,则通过冲突解决机制进行处理。
优选的,所述训练深度学习模型将车辆的历史状态数据和实时状态数据作为训练样本进行学习训练,训练深度学习模型通过训练样本学习和识别车辆动力构件的当前温度、车辆速度、环境温度、电量剩余百分比及散热构件工作状态之间的非线性关系。
优选的,所述驾驶策略包括:
节能模式,通过以下公式来计算目标散热参数:
目标散热参数=ɑ×T+β×V-γ×C
其中,ɑ、β及γ分别为调节系数;T为车辆动力构件的当前温度;V为车辆速度;C为电量剩余百分比;
高效模式,通过以下公式来计算目标散热参数:
目标散热参数=ɑ×T+β×V+γ×R
其中,R为环境温度;
均衡模式,通过以下公式来计算目标散热参数:
目标散热参数=ɑ×T+β×V+γ×R-δ×C
其中,δ是调节系数,正权重γ用于反映了环境温度对散热需求的影响,而负权重δ用于反映电量不足时降低散热能耗。
一种散热控制系统,包括:
数据采集模块,所述数据采集模块通过多模态传感器网络收集车辆的实时状态数据,并进行冗余检查处理;
数据处理模块,数据处理模块将状态数据通过预处理后进行信息融合,融合后的数据作为输入,输入至预训练好的深度学习模型中,根据驾驶策略预测各散热构件的目标散热参数;
执行模块,所述执行模块通过目标散热参数对各散热构件进行调整。
一种电子设备,包括处理器及存储介质;
所述存储介质用于存储指令;以及
所述处理器用于根据所述指令进行操作以执行所述散热控制方法的步骤。
一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述散热控制方法的步骤。
一种新能源车辆,该新能源车辆包括所述的散热控制系统。
相比于现有技术,本发明的优点及有益效果在于:
(1)自适应能力强:通过结合深度学习模型和多模态传感器网络,本发明能够实时监测车辆和环境状态,并自动调整散热参数;这使得散热系统能够适应不同的驾驶条件和环境,从而实现更精确和灵活的控制;
(2)优化能源效率:通过三种不同的驾驶策略(节能模式、高效模式、均衡模式),本发明能够在降低能耗和提高散热效率之间找到平衡;这有助于提高整个车辆系统的能源效率,特别是在新能源车辆中可能更加重要;
(3)信息融合增强鲁棒性:本发明中的信息融合步骤通过对齐和融合来自不同源的数据,以及通过冲突解决机制处理数据冲突,增强了系统的鲁棒性;即使某个传感器出现故障或误读,其他传感器的数据也可以提供支持,确保系统的稳定运行;
(4)冗余检查和异常处理:
通过冗余检查和异常处理,本发明可以及时发现并处理传感器故障或数据异常;这增加了系统的可靠性,并有助于防止由于故障或误读导致的不正确工作;
(5)可扩展性和通用性:
本发明具有很好的可扩展性和通用性;通过调整深度学习模型的结构和参数,或者修改驾驶策略的公式,可以轻松地将本方案应用于不同类型和规模的新能源车辆,或适应不同的散热需求和条件。
附图说明
图1为本发明方法的流程示意图;
图2为本发明中目标参数的预测流程示意图;
图3为本发明系统的结构框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
如图1所示,一种散热控制方法,包括以下步骤:
通过多模态传感器网络收集车辆的实时状态数据,并进行冗余检查处理;
将状态数据通过预处理后进行信息融合,融合后的数据作为输入,输入至预训练好的深度学习模型中,根据驾驶策略预测各散热构件的目标散热参数;
通过目标散热参数对各散热构件进行调整。
在本发明中,多模态传感器网络用于收集车辆的实时状态数据,包括动力构件的温度、车辆的速度、外部环境温度、电量剩余百分比等。这些数据源独立但互相关联,可以从不同的角度反映车辆的运行状态和散热需求。为了确保数据的质量和完整性,本发明还进行了冗余检查处理。如果某个传感器的数据出现异常,本发明将启动新的传感器替代出现异常的传感器,保证数据的连续性和准确性。
数据预处理和信息融合:由于来自不同传感器的数据可能存在噪声、异常、不一致等问题,这个本发明使用了预处理步骤,包括噪声过滤、异常检测和数据标准化,以提高数据的质量。然后,本发明将预处理后的数据进行信息融合,使得来自不同源的数据可以一起被深度学习模型处理。如果不同源的数据存在冲突,本发明通过冲突解决机制进行处理,确保数据的一致性。
深度学习模型和驾驶策略:信息融合后的数据作为输入,输入至预训练好的深度学习模型中。这个模型经过大量历史数据的训练,能够学习和识别车辆动力构件的当前温度、车辆速度、环境温度、电量剩余百分比及散热构件工作状态之间的非线性关系。根据输入的实时状态数据和预设的驾驶策略(节能模式、高效模式、均衡模式),深度学习模型可以预测各散热构件的目标散热参数。
散热构件调整:通过深度学习模型计算出的目标散热参数,本发明对各散热构件进行调整,如改变风扇转速、调节冷却液流量等,以达到最佳的散热效果。
通过本发明的方法,可以实现自适应、精确和高效的散热控制。它可以根据实时的车辆状态和环境条件,自动调整散热参数,以满足不同的散热需求和驾驶策略。这不仅可以提高散热效率,降低能源消耗,还可以增加本发明的鲁棒性,提高车辆的性能和可靠性。
优选的,所述状态数据包括:车辆的关键部位的各温度信息、车辆的实时速度和车辆外部环境信息。
车辆的关键部位的各温度信息:车辆的关键部位,如发动机、电池、电机等,都会产生大量的热量,如果不进行有效的散热,可能导致性能下降甚至损坏。所以,实时获取这些部位的温度信息是散热控制的关键。这些温度信息是通过安装在各关键部位的温度传感器收集的,可以实时反映出车辆的工作状态和散热需求。
车辆的实时速度:车辆的速度直接影响到散热的需求。一般来说,车辆的速度越快,发动机和电机的工作负荷越大,产生的热量也越多,散热的需求也就越大。车辆的实时速度信息可以通过车载速度传感器或GPS系统获取。
车辆外部环境信息:车辆的外部环境,如环境温度、湿度、气压等,也会影响到散热的效果和需求。比如,在高温环境下,散热的难度会增加;在湿度高的环境下,散热效果可能会受到影响。车辆的外部环境信息可以通过车载的环境传感器获取。
这些状态数据一起形成了散热控制系统的输入,可以被用来预测散热构件的目标散热参数,进而调整散热构件的工作状态。
这些状态数据的收集使得散热控制系统可以全面了解车辆的实时工作状态和外部环境条件,从而进行精确的散热控制。这不仅可以提高散热效率,降低能源消耗,也可以增加系统的鲁棒性,提高车辆的性能和可靠性。
在一个实施例中,在一个炎热的夏天,车辆正在高速公路上高速驾驶。此时,车辆的发动机和电机温度可能会升高,速度也很快,外部环境温度也很高。这些状态数据都会被传感器网络实时收集,并输入到散热控制系统中。系统根据这些输入数据,可能会预测出较高的目标散热参数,然后调整散热构件(如增加风扇转速或冷却液流量)以实现更强的散热效果。这就是这些状态数据在实际驾驶中如何帮助散热控制系统实现自适应和高效的散热控制。
优选的,所述冗余检查处理包括:
对所有实时状态数据进行检查;
若检查结果出现异常,则启动新的传感器替代出现异常的传感器。
对所有实时状态数据进行检查:冗余检查处理的第一步是检查所有实时状态数据。这主要是为了检查数据的完整性和一致性,例如检查是否有数据缺失、是否有明显的异常值、是否有数据不一致等情况。这一步通常需要利用一些数据质量检查的方法,例如范围检查(检查数据是否在预期的范围内)、一致性检查(检查相关数据是否一致)等。
若检查结果出现异常,则启动新的传感器替代出现异常的传感器:如果在数据检查过程中发现了异常,如某个传感器的数据突然变为零或者出现了明显的异常值,那么可能就是这个传感器出现了故障。在这种情况下,系统将启动新的传感器替代出现异常的传感器。这一步可能需要一些故障检测和隔离的技术,例如基于模型的故障检测、基于数据的故障检测等。
冗余检查处理的主要目的是确保数据的质量和准确性,从而提高散热控制系统的鲁棒性和可靠性。通过及时发现并处理数据异常,可以防止因为数据问题导致的控制错误,提高系统的稳定性和安全性。
在一个实施例中,假设系统中有一个温度传感器用于监测发动机的温度。在一次驾驶过程中,系统发现这个温度传感器的数据突然变为零,而其他相关的数据(如速度、冷却液温度等)并没有出现异常。通过冗余检查处理,系统判断出这个温度传感器可能出现了故障,然后启动了一个新的传感器来替代它。在新的传感器启动后,系统可以继续获取到准确的发动机温度数据,并进行正确的散热控制。这就是冗余检查处理在实际驾驶中如何帮助保证系统的鲁棒性和可靠性。
优选的,如图2所示,所述预处理包括:对传感器数据进行噪声过滤、异常检测和数据标准化;
噪声过滤:噪声过滤的目的是消除数据中的随机误差或不相关的信息。例如,温度传感器可能会受到环境干扰(如电磁干扰)而产生随机噪声,噪声过滤可以通过一些统计方法(如滑动平均、中值滤波等)来减少这种噪声的影响。
异常检测:异常检测的目的是识别并处理那些与正常数据显著不同的数据点。例如,如果一个温度传感器突然报告一个非常高的温度,而其他相关数据并没有显示出过热的迹象,那么这个高温数据可能就是一个异常值。异常检测可以通过一些统计方法或机器学习方法来进行。
数据标准化:数据标准化的目的是将数据转换到一个公共的比例尺或范围,以便于进行后续的处理和分析。例如,温度数据和速度数据的单位和范围可能会有很大的不同,直接将它们混合在一起可能会导致一些问题。数据标准化可以通过一些方法(如最大最小归一化、Z-Score标准化等)将这些数据转换到同一的比例尺或范围。
所述信息融合包括:
对齐来自不同源的数据;
使用融合算法将不同源的数据进行融合;
其中,若不同源的数据存在冲突,则通过冲突解决机制进行处理。
信息融合:信息融合包括对齐来自不同源的数据、使用融合算法将不同源的数据进行融合以及处理数据冲突。
数据对齐:数据对齐是指将来自不同源的数据按照时间或空间对齐,以保证数据的一致性。例如,如果一个温度传感器的数据采样率是1Hz(每秒一个数据),而一个速度传感器的数据采样率是10Hz(每秒十个数据),那么在进行数据融合前,需要将这两个传感器的数据进行时间对齐,例如通过插值或降采样。
融合算法:融合算法是用来将对齐后的多源数据融合为一份数据,以便于进行后续的处理和分析。融合算法可能会考虑数据的权重、置信度、相关性等因素,常见的融合算法有加权平均、最大值/最小值融合、决策融合等。
冲突解决:如果不同源的数据存在冲突,例如一个温度传感器报告的温度与另一个温度传感器报告的温度有显著的差异,那么需要通过冲突解决机制进行处理。这可能包括选择信任度较高的数据源、采用多数投票的方式、或者通过一些决策模型来进行。
预处理和信息融合步骤的主要目的是确保数据的质量和一致性,从而提高后续深度学习模型的性能和鲁棒性。通过这两个步骤,可以有效地处理数据的噪声、异常、不一致等问题,并将多源数据融合为一份一致的数据,以供深度学习模型进行训练和预测。
在一个实施例中,在驾驶过程中,车辆的温度传感器收集到了一组温度数据,速度传感器收集到了一组速度数据。在预处理步骤中,系统对这些数据进行了噪声过滤、异常检测和数据标准化,以提高数据的质量。然后,在信息融合步骤中,系统将温度数据和速度数据进行了时间对齐和融合,生成了一份包含温度和速度信息的数据。这份融合后的数据被输入到深度学习模型中,用于预测散热参数。这就是预处理和信息融合步骤在实际驾驶中如何帮助提高散热控制系统的性能和鲁棒性。
优选的,所述训练深度学习模型将车辆的历史状态数据和实时状态数据作为训练样本进行学习训练,训练深度学习模型通过训练样本学习和识别车辆动力构件的当前温度、车辆速度、环境温度、电量剩余百分比及散热构件工作状态之间的非线性关系。
深度学习是一种能够从数据中学习复杂模式的机器学习技术,它通过训练大量的训练样本,学习和识别这些样本中的特征和模式。在这个方案中,深度学习模型将车辆的历史状态数据和实时状态数据作为训练样本进行学习训练。
在这个过程中,每个训练样本包含了一组输入和一个输出:
输入是车辆动力构件的当前温度、车辆速度、环境温度、电量剩余百分比等状态数据;
输出是对应的散热构件工作状态,也就是想要预测的目标。
深度学习模型通过学习这些训练样本,试图找到输入和输出之间的映射关系。由于这种映射关系可能是非线性的,所以需要使用深度学习这种能够处理非线性关系的方法。
通过训练深度学习模型,可以得到一个能够预测散热参数的模型。这个模型可以根据车辆的实时状态,预测出最适合当前状态的散热参数,从而实现精确和自适应的散热控制。这不仅可以提高散热效率,降低能源消耗,还可以保护车辆的动力构件,延长其寿命。
在一个实施例中,有一组历史驾驶数据,每条数据包含了车辆动力构件的温度、车辆速度、环境温度、电量剩余百分比和对应的散热参数。将这些数据作为训练样本,输入到深度学习模型中进行训练。经过一段时间的训练,深度学习模型学习到了这些状态数据和散热参数之间的关系。
然后,在实际驾驶中,可以将车辆的实时状态数据输入到这个训练好的模型中,模型会输出一个预测的散热参数。然后,可以根据这个预测的参数,调整车辆的散热系统,以实现最优的散热效果。这就是深度学习模型在实际驾驶中如何帮助实现精确和自适应的散热控制。
优选的,所述驾驶策略包括:
节能模式,通过以下公式来计算目标散热参数:
目标散热参数=ɑ×T+β×V-γ×C
其中,ɑ、β及γ分别为调节系数;T为车辆动力构件的当前温度;V为车辆速度;C为电量剩余百分比;
高效模式,通过以下公式来计算目标散热参数:
目标散热参数=ɑ×T+β×V+γ×R
其中,R为环境温度;
均衡模式,通过以下公式来计算目标散热参数:
目标散热参数=ɑ×T+β×V+γ×R-δ×C
其中,δ是调节系数,正权重γ用于反映了环境温度对散热需求的影响,而负权重δ用于反映电量不足时降低散热能耗。
节能模式主要考虑了车辆动力构件的当前温度(T)、车辆速度(V)和电量剩余百分比(C)。当电量剩余百分比较低时,公式中的-γ×C项会使得目标散热参数降低,从而减少散热系统的能耗。
高效模式主要考虑了车辆动力构件的当前温度(T)、车辆速度(V)和环境温度(R)。当环境温度较高时,公式中的γ×R项会使得目标散热参数增加,从而提高散热系统的散热效率。
均衡模式既考虑了节能模式中的电量因素,也考虑了高效模式中的环境温度因素。通过调节正权重γ和负权重δ,均衡模式可以在节能和高效之间找到一个平衡。
通过这三种驾驶策略,散热系统可以根据当前的驾驶条件和环境,选择最适合的策略,计算出目标散热参数,然后根据这个参数调整散热系统的工作状态。这可以实现更精确和灵活的散热控制,提高散热效率,降低能耗,并保护车辆的动力构件。
在一个实施例中,假设当前车辆的动力构件温度为70℃,车速为60km/h,环境温度为30℃,电量剩余百分比为20%,并且选择了节能模式。根据节能模式的公式,可以计算出目标散热参数为α×70+β×60-γ×20。然后,可以根据这个参数调整散热系统的工作状态,以实现节能的散热控制。
如图3所示,一种散热控制系统,包括:
数据采集模块,所述数据采集模块通过多模态传感器网络收集车辆的实时状态数据,并进行冗余检查处理;
数据采集模块通过多模态传感器网络收集车辆的实时状态数据。这些传感器可能位于车辆的各个关键部位,如动力构件、散热构件等,可以实时监测这些部位的温度、工作状态等信息。数据采集模块还会进行冗余检查处理,以确保数据的准确性和可靠性。如果检查结果出现异常,则可以启动新的传感器替代出现异常的传感器。
数据处理模块,数据处理模块将状态数据通过预处理后进行信息融合,融合后的数据作为输入,输入至预训练好的深度学习模型中,根据驾驶策略预测各散热构件的目标散热参数;
数据处理模块首先对收集到的状态数据进行预处理,包括噪声过滤、异常检测和数据标准化,以得到更准确、稳定的数据。然后,数据处理模块将预处理后的数据进行信息融合,融合后的数据作为输入,输入至预训练好的深度学习模型中。根据当前的驾驶策略,深度学习模型会预测出各散热构件的目标散热参数。
执行模块,所述执行模块通过目标散热参数对各散热构件进行调整。
执行模块根据预测出的目标散热参数,对各散热构件进行调整。这可能涉及到调整散热构件的工作状态、工作频率、工作电压等参数,以实现目标散热参数。
通过这三个模块的协同工作,散热控制系统可以实时监测车辆的状态,根据当前的驾驶条件和环境,自动调整散热系统的工作状态,实现精确、自适应的散热控制。这不仅可以提高散热效率,降低能耗,还可以保护车辆的动力构件,延长其寿命。
在一个实施例中,假设正在驾驶一辆车。数据采集模块通过传感器网络实时监测车辆的动力构件温度、车辆速度、环境温度、电量剩余百分比等状态数据。数据处理模块对这些数据进行预处理和信息融合,然后将融合后的数据输入到深度学习模型中。假设当前选择的驾驶策略是节能模式,深度学习模型会根据这个策略预测出各散热构件的目标散热参数。最后,执行模块根据这个预测的参数,调整散热系统的工作状态,以实现节能的散热控制。
一种电子设备,包括处理器及存储介质;
所述存储介质用于存储指令;以及
所述处理器用于根据所述指令进行操作以执行所述散热控制方法的步骤。
一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述散热控制方法的步骤。
一种新能源车辆,该新能源车辆包括所述的散热控制系统。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种散热控制方法,其特征在于,包括以下步骤:
通过多模态传感器网络收集车辆的实时状态数据,并进行冗余检查处理;
将状态数据通过预处理后进行信息融合,融合后的数据作为输入,输入至预训练好的深度学习模型中,根据驾驶策略预测各散热构件的目标散热参数;
通过目标散热参数对各散热构件进行调整。
2.根据权利要求1所述的散热控制方法,其特征在于,所述状态数据包括:车辆的关键部位的各温度信息、车辆的实时速度和车辆外部环境信息。
3.根据权利要求1所述的散热控制方法,其特征在于,所述冗余检查处理包括:
对所有实时状态数据进行检查;
若检查结果出现异常,则启动新的传感器替代出现异常的传感器。
4.根据权利要求1所述的散热控制方法,其特征在于,所述预处理包括:对传感器数据进行噪声过滤、异常检测和数据标准化;
所述信息融合包括:
对齐来自不同源的数据;
使用融合算法将不同源的数据进行融合;
其中,若不同源的数据存在冲突,则通过冲突解决机制进行处理。
5.根据权利要求1所述的散热控制方法,其特征在于,所述训练深度学习模型将车辆的历史状态数据和实时状态数据作为训练样本进行学习训练,训练深度学习模型通过训练样本学习和识别车辆动力构件的当前温度、车辆速度、环境温度、电量剩余百分比及散热构件工作状态之间的非线性关系。
6.根据权利要求1所述的散热控制方法,其特征在于,所述驾驶策略包括:
节能模式,通过以下公式来计算目标散热参数:
目标散热参数=ɑ×T+β×V-γ×C
其中,ɑ、β及γ分别为调节系数;T为车辆动力构件的当前温度;V为车辆速度;C为电量剩余百分比;
高效模式,通过以下公式来计算目标散热参数:
目标散热参数=ɑ×T+β×V+γ×R
其中,R为环境温度;
均衡模式,通过以下公式来计算目标散热参数:
目标散热参数=ɑ×T+β×V+γ×R-δ×C
其中,δ是调节系数,正权重γ用于反映了环境温度对散热需求的影响,而负权重δ用于反映电量不足时降低散热能耗。
7.一种散热控制系统,其特征在于,包括:
数据采集模块,所述数据采集模块通过多模态传感器网络收集车辆的实时状态数据,并进行冗余检查处理;
数据处理模块,数据处理模块将状态数据通过预处理后进行信息融合,融合后的数据作为输入,输入至预训练好的深度学习模型中,根据驾驶策略预测各散热构件的目标散热参数;
执行模块,所述执行模块通过目标散热参数对各散热构件进行调整。
8.一种电子设备,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;以及
所述处理器用于根据所述指令进行操作以执行权利要求1~6任一项所述散热控制方法的步骤。
9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~6任一项所述散热控制方法的步骤。
10.一种新能源车辆,其特征在于,该新能源车辆包括权利要求7所述的散热控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311011689.3A CN117075650A (zh) | 2023-08-11 | 2023-08-11 | 散热控制方法、系统、电子设备、存储介质及新能源车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311011689.3A CN117075650A (zh) | 2023-08-11 | 2023-08-11 | 散热控制方法、系统、电子设备、存储介质及新能源车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117075650A true CN117075650A (zh) | 2023-11-17 |
Family
ID=88703436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311011689.3A Withdrawn CN117075650A (zh) | 2023-08-11 | 2023-08-11 | 散热控制方法、系统、电子设备、存储介质及新能源车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117075650A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435890A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市武迪电子科技有限公司 | 一种电动摩托车多模态融合热管理方法及系统 |
-
2023
- 2023-08-11 CN CN202311011689.3A patent/CN117075650A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435890A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市武迪电子科技有限公司 | 一种电动摩托车多模态融合热管理方法及系统 |
CN117435890B (zh) * | 2023-12-20 | 2024-04-02 | 深圳市武迪电子科技有限公司 | 一种电动摩托车多模态融合热管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238371B2 (en) | Computer system and method for monitoring the status of a technical system | |
US11797882B2 (en) | Prognostic-surveillance technique that dynamically adapts to evolving characteristics of a monitored asset | |
CN117075650A (zh) | 散热控制方法、系统、电子设备、存储介质及新能源车辆 | |
US9716294B2 (en) | Battery controller with monitoring logic for model-based battery control | |
CN109887125B (zh) | 故障检测方法及装置 | |
CN109822597B (zh) | 一种数据中心的全自动智能巡检机器人 | |
CN114650018B (zh) | 一种用于功放的自适应散热方法、散热装置及散热系统 | |
CN111105037A (zh) | 用于通过高斯过程进行机器学习的方法 | |
CN109643484A (zh) | 在预警系统中考虑外部影响来学习最新数据的方法以及用于该方法的系统 | |
CN111788042A (zh) | 机器人的预见性分析 | |
US20230091068A1 (en) | Operating state classification system, and operating state classification method | |
US20220153141A1 (en) | Method for ascertaining a state of an electric drive of a means of transportation | |
CN117289045A (zh) | 用于预测避雷器剩余寿命的方法、装置及存储介质 | |
CN116482460A (zh) | 电网设备故障诊断方法及相关设备 | |
CN113815636B (zh) | 一种车辆安全监控方法、装置、电子设备及存储介质 | |
US20190042125A1 (en) | External indicators for adaptive in-field recalibration | |
CN113532699A (zh) | 温度传感器的故障检测方法及装置 | |
KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
US10929776B2 (en) | Thermally-compensated prognostic-surveillance technique for critical assets in outdoor environments | |
CN115837862A (zh) | 一种异常数据检测方法、装置、电子设备以及存储介质 | |
EP3847631A2 (en) | Technologies for managing safety at industrial sites | |
KR102497586B1 (ko) | 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법 및 시스템 | |
CN114353299B (zh) | 空调系统的控制方法及空调系统 | |
CN117420809B (zh) | 基于人工智能的曲轴加工优化决策方法及系统 | |
CN116085125B (zh) | 废气再循环阀的控制方法、装置、车辆及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231117 |
|
WW01 | Invention patent application withdrawn after publication |