CN117616438A - 电动汽车诊断及预知系统 - Google Patents
电动汽车诊断及预知系统 Download PDFInfo
- Publication number
- CN117616438A CN117616438A CN202380009358.8A CN202380009358A CN117616438A CN 117616438 A CN117616438 A CN 117616438A CN 202380009358 A CN202380009358 A CN 202380009358A CN 117616438 A CN117616438 A CN 117616438A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- graph
- vehicle monitoring
- state
- monitoring device
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 120
- 238000012806 monitoring device Methods 0.000 claims abstract description 92
- 238000012544 monitoring process Methods 0.000 claims abstract description 77
- 238000012790 confirmation Methods 0.000 claims abstract description 19
- 238000004393 prognosis Methods 0.000 claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 239000000284 extract Substances 0.000 description 9
- 238000012935 Averaging Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007257 malfunction Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000011895 specific detection Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
Abstract
基于本发明的一实施例的电动汽车诊断及预知系统,包括:电动汽车监视装置,从电动汽车的各个零部件上形成的多个传感器接收各零部件检测信息,并接收各零部件检测值来提供;电动汽车监视服务器,利用从所述电动汽车监视装置接收的各零部件检测值确认零部件的状态,并提供所述确认结果;及用户终端,在从所述电动汽车监视服务器接收确认结果后,根据所述确认结果,执行上述电动汽车的检修。
Description
技术领域
本发明涉及电动汽车诊断及预知系统,更具体来说,涉及可通过学习电动汽车零部件的时间序列数据来预测电动汽车的故障的电动汽车诊断及预知系统。
背景技术
一般的电动汽车充电器为了对电动汽车内的电池进行充电,由充电器向电池流通电流。当由充电器向电池流通电流时,电流有可能错误地从电池逆向流通到充电器。为了防止在电动汽车的充电过程中流过逆电流,一般在充电器具备防逆流二极管。
电动汽车充电器为了对电动汽车内部的电池进行充电,使用将输入的交流变换为直流的电力变换装置。有时,电力变换装置制作成一个大容量的装置,也可以并联连接多个小容量电力变换装置来使用。将前述的小容量的电力变换装置称作电力变化模块或充电模块。
一般的充电模块的情况下,将防逆流二极管内置于充电模块中来使用。若长时间使用电动汽车充电器,防逆流二极管可能会发生故障,二极管作为半导体在发生故障时大体成为短路状态。若防逆流二极管发生故障而成为短路状态,则充电初期有可能从车辆电池向充电器流过逆电流。
由于逆电流对设在充电器的输出侧(防逆流二极管的紧前端)的大容量电容器进行充电,所以瞬间成为很大的浪涌(Surge)形态的电流。一般来说,用于防止电动汽车的电池受逆电流的影响的方法为如下的方式:在充电器的输出端粘贴别的电流传感器,当逆向流过大浪涌电流时,控制电路将其检测出并切断。
韩国公开发明专利第10-2019-0065906号涉及电动汽车充电器的故障检测方法及装置,更具体来说,公开了如下的内容:在电动汽车的充电过程中,当从电池向充电器流过浪涌电流形态的逆电流时,电池及周边电路有可能发生故障,为了防止在电动汽车充电过程中发生的逆电流,检测防逆流二极管是否发生了故障。
韩国注册专利第10-2471911号涉及智能型电火灾预测监控系统及利用该系统的电火灾预测监控方法,更具体来说,公开了如下的内容:利用作为检测传感器部的电传感器,以多种形态的电流信号检测出由包括多个电力设备的电力系统部产生的电信号,在信号处理部实时地监视并生成多种形态的变换的模式数据来存储,分析变换趋向,且实时监视电力设备技术基准的阻抗成分的漏电流,捕获作为事故原因的漏电流、过电流等异常征兆,以诊断缺陷原因。
韩国注册专利第10-2456499号涉及电动汽车维护对象综合信息系统,更具体来说,公开了如下的内容:存储并管理电动汽车关联知识信息、用于电动汽车维护的知识信息及用于电动汽车的形象管理的数据,综合管理基于用户、电动汽车经办企业及维修工的用于电动汽车的维护的信息。
韩国注册专利第10-2043050号涉及电动汽车充电器的故障判断系统,更具体来说,提供如下的电动汽车充电器的故障检测方法及装置:在电动汽车充电过程中,从电池向充电器流过浪涌电流形态的逆电流的情况下,电池及周边电路可能发生故障,所以为了防止电动汽车充电过程中发生的逆电流,检测防逆流二极管是否发生故障。
韩国公开专利申请第10-2021-0041724号涉及电动汽车充电器故障判断系统,更具体来说,公开了如下的内容:涉及故障预测的装置及方法,其利用人工智能技术,以电动汽车充电器的周边环境作为输入,对电动汽车充电器进行故障预测,对电动汽车充电器进行故障预测的电子装置的动作方法,包括:获得传感器数据的动作,所述传感器数据利用第一电动汽车充电器上设置的传感器测定;获得地域信息的动作,该地域信息表示上述第一电动汽车充电器所在的地域;获得检测到上述地域的上述传感器数据的时刻的天气信息的动作;以上述传感器数据、上述地域信息及上述天气信息作为输入变量,生成故障预测模块的动作,该故障预测模块以电动汽车充电器的动作状态作为输出变量、且基于人工神经网;生成基于过去收集的上述传感器数据、上述地域信息及上述天气信息的学习数据的动作;基于上述学习数据,使上述故障预测模块学习的动作;基于所获得的上述传感器数据、上述地域信息及上述天气信息,生成输入数据的动作;将所生成的输入数据输入到已经学习的上述故障预测模块中,获得对上述第一电动汽车充电器的动作状态的结果的动作;以及基于上述结果,对上述第一电动汽车充电器的故障可能性进行预测的动作。对电动汽车充电器预测故障发生可能性,并对具有可能性的电动汽车充电器预先进行检修,从而能够事先预防电动汽车充电器发生故障。
发明内容
所要解决的技术课题
本发明的目的在于,提供一种学习电动汽车零部件的时间序列数据来预测电动汽车的故障的电动汽车诊断及预知系统。
此外,本发明的目的在于,提供一种电动汽车诊断及预知系统,其分析电动汽车各零部件的检测数据来诊断各零部件状态来预知抑制故障的发生。
本发明的目的不限于以上所述的目的,没有提及的本发明的其他目的及优点可通过下面的说明理解,将通过本发明的实施例更加分明地理解。此外,能够容易了解本发明的目的及优点将通过权利要求中所示的方案及其组合来实现。
课题解决方案
用于达成这种目的的电动汽车诊断及预知系统,可包括:电动汽车监视装置,从电动汽车的各个零部件上形成的多个传感器接收各零部件检测信息,并接收各零部件检测值来提供;电动汽车监视服务器,利用从所述电动汽车监视装置接收的各零部件检测值确认零部件的状态,并提供所述确认结果;及用户终端,在从所述电动汽车监视服务器接收确认结果后,根据所述确认结果,执行上述电动汽车的检修。
在一实施例中,可以是所述电动汽车监视装置接收由传感器测定的各零部件检测值来表示为第一图表,将第一图表按特定单位分割后进行压缩后提供。
在一实施例中,可以是所述电动汽车监视服务器将所述各零部件检测值表示为第三图表,并分析第三图表,若检测值属于正常范围,则将零部件的状态判断为正常状态,分析第三图表,若检测值超过正常范围,则将零部件的状态判断为非正常状态。
在一实施例中,可以是所述电动汽车监视服务器将所述各零部件检测值表示为第三图表,分析上述第三图表而判定零部件的性能之后,按照匹配的脚本判定上述零部件的状态。
此外,用于达成这种目的的电动汽车诊断及预知方法,可包括:电动汽车监视装置从电动汽车的各个零部件上形成的多个传感器接收各零部件检测信息来提供给电动汽车监视服务器的步骤;所述电动汽车监视服务器利用从上述电动汽车监视装置接收的各零部件的检测值确认零部件的状态,并提供给用户终端的步骤;及所述用户终端从上述电动汽车监视服务器接收确认结果后,按照上述确认结果执行上述电动汽车的检修的步骤。
在一实施例中,上述电动汽车监视装置从电动汽车的各个零部件上形成的多个传感器接收各零部件检测信息来提供给电动汽车监视服务器的步骤,可包括:所述电动汽车监视装置接收由传感器测定的各零部件检测值来表示为第一图表,将上述第一图表按特定单位分割后进行压缩后提供给电动汽车监视服务器的步骤。
在一实施例中,所述电动汽车监视服务器利用从上述电动汽车监视装置接收的各零部件的检测值确认零部件的状态,并提供给用户终端的步骤,可包括:所述电动汽车监视服务器将上述各零部件检测值表示为第三图表,并分析第三图表,若检测值属于正常范围内,则将零部件的状态判断为正常状态,分析第三图表,若检测值超出正常范围,则将零部件的状态判断为非正常状态的步骤。
在一实施例中,在所述电动汽车监视服务器利用从上述电动汽车监视装置接收的各零部件的检测值确认零部件的状态,并提供给用户终端的步骤中,可将所述各零部件检测值表示为第三图表,分析上述第三图表来判定零部件的性能后,按照匹配的脚本,判定上述零部件的状态。
此外,用于达成这种目的的电动汽车诊断及预知系统,包括:电动汽车监视装置,从电动汽车的各个零部件上形成的多个传感器接收各零部件检测信息,接收各零部件检测值来提供;元宇宙服务器,利用从所述电动汽车监视装置接收的各零部件检测值确认零部件的状态,并提供上述确认结果;以及用户终端,若从所述电动汽车监视服务器接收确认结果,则根据上述确认结果执行上述电动汽车的检修。
在一实施例中,所述电动汽车监视装置接收由传感器测定的各零部件检测值来表示为第一图表,将第一图表按特定单位分割后进行压缩后提供。
在一实施例中,所述元宇宙服务器可将所述各零部件检测值表示为第三图表,并分析第三图表,若检测值属于正常范围,则将零部件的状态判断为正常状态,分析第三图表,若检测值超出正常范围,则将零部件的状态判断为非正常状态。
在一实施例中,所述元宇宙服务器可将所述各零部件检测值表示为第三图表,分析上述第三图表来判定零部件的性能后,按照匹配的脚本判定上述零部件的状态。
【发明效果】
根据前述的本发明,具有如下的优点:可通过学习电动汽车零部件的时间序列数据,预测电动汽车的故障。
此外,根据本发明,具有如下的优点:分析电动汽车各零部件的检测数据,以诊断预知各零部件状态来抑制故障发生。
附图说明
图1是基于本发明的一实施例的用于说明电动汽车诊断及预知系统的网络结构图。
图2是基于本发明的另一实施例的用于说明电动汽车诊断及预知系统的网络结构图。
图3是基于本发明的用于说明电动汽车诊断及预知方法的一实施例的流程图。
图4是基于本发明的用于说明电动汽车诊断及预知方法的一实施例的流程图。
图5是基于本发明的一实施例的用于说明电动汽车监视装置的内部结构的图。
具体实施方式
对于前述的目的、特征及优点,将参照附图来详细说明,因此,本发明所属技术领域中普通技术人员能够容易实施本发明的技术思想。在说明本发明时,若判断为对本发明和关联公知技术的详细说明可能会非必要地使本发明的主旨变模糊时,省略其详细说明。下面,参照附图,详细说明基于本发明的优选实施例。附图中,相同的参照标记指相同或类似的构成要素。
本发明中使用的术语“零部件”可包括电池、马达、OBC(On Board Charger(车载充电器))、LDC(Low Voltage DC-DC Converter(低电压直流变换器))、AAF(Active Air Flap(主动进气格栅))及GPS。
图1是基于本发明的一实施例的用于说明电动汽车诊断及预知系统的网络结构图。
参考图1,电动汽车诊断及预知系统,包括:电动汽车监视装置100,电动汽车监视服务器200,用户终端300及多个传感器(400_1~400_N)。
电动汽车监视装置100包括多个传感器(400_1~400_N),多个传感器(400_1~400_N)形成在电动汽车500的各个零部件上,生成检测信息后将检测信息提供给电动汽车监视服务器200。此时,多个传感器(400_1~400_N)可实现为电流传感器、压力传感器、温度传感器、振动传感器、噪声传感器、电流传感器等。
电动汽车监视装置100从电动汽车500的各个零部件上形成的多个传感器(400_1~400_N)接收各零部件检测信息,将各零部件检测信息提供给电动汽车监视服务器200。此时,电动汽车监视装置100测定从电动汽车500的各个零部件接收的各零部件检测值来表示为第一图表。
因此,电动汽车监视装置100接收由传感器测定的各零部件检测值来显示为第一图表。此时,根据零部件的状态,表示为第一图表的形状各异。
如上所述,在电动汽车监视装置100每次接收各零部件检测值时提供给电动汽车监视装置100的情况下,由于通信量变大而增加费用,因此将连续从传感器接收的各零部件检测值压缩后,将压缩的各零部件检测值提供给电动汽车监视服务器200。
为此,电动汽车监视装置100将第一图表按特定单位分割之后分组生成多个组。
在一实施例中,电动汽车监视装置100将第一图表按特定单位分割之后分组生成多个组。
在另一实施例中,当电动汽车监视装置100分析第一图表后存在波形时,按周期单位分割后分组生成多个组。
之后,电动汽车监视装置100对多个组中各个组压缩相应组的检测值。
在一实施例中,电动汽车监视装置100将第一图表按特定单位分割之后分组生成多个组,对多个组的各个组,将相应组的检测值进行平均化来计算平均值。此时,电动汽车监视装置100可将第一图表中检测值分割成特定个数单位来生成多个组。
之后,电动汽车监视装置100压缩多个组中各个组的检测值来表示为第二图表,并提取各组相应的第二图表中特定检测值来提供给电动汽车监视服务器200。
在一实施例中,电动汽车监视装置100对多个组中各组的检测值进行平均化,并将算出的平均值在组相应的位置表示为第二图表。此时,第二图表是对各个组将相应组中所在的特定个数的检测值进行平均化之后表示平均值相应的检测值的图表。
如上所述,电动汽车监视装置100对多个组中各组,将相应组的检测值进行平均化来表示为第二图表之后,分析第二图表并提取最大的梯度值来提供给电动汽车监视服务器200。
在一实施例中,电动汽车监视装置100比较从各组中提取的梯度值来计算梯度差值,根据梯度差值合并组后仅提取一个梯度值来提供给电动汽车监视服务器200。
在上述实施例中,电动汽车监视装置100比较从第一组及第二组的各组提取的梯度值来计算梯度差值,若梯度差值为特定值以下,则合并第一组及第二组后,将从第一组提取的最大的梯度值及从第二组提取的最大的梯度值中更大的梯度值提供给电动汽车监视服务器200。
在重复执行如上所述动作的过程中,当合并的组的个数为特定个数以上时,停止合并。因此,电动汽车监视装置100在执行第一组及第二组的合并之前确认当前合并的组的个数,若合并的组的个数为特定个数以上,则不执行合并,但若合并的组的个数为特定个数以下,则执行合并。
在上述实施例中,电动汽车监视装置100比较从第一组及第二组的各个组提取的梯度值来算出梯度差值,若梯度差值为特定值以上,则不合并第一组及第二组,将第一组及第二组的各个组中最大的梯度值提供给电动汽车监视服务器200。
如上所述,即使不将全部检测值传送至电动汽车监视服务器200而仅将各周期中最大的梯度值传送至电动汽车监视服务器200,电动汽车监视服务器200也能够仅以梯度值确认相应零部件的状态。
电动汽车监视服务器200利用从电动汽车监视装置100接收的各零部件检测值,确认零部件的状态。
首先,若电动汽车监视服务器200从电动汽车监视服务器200接收各零部件检测值,则将各零部件检测值表示为第三图表,并分析第三图表来判断零部件的状态。此时,第三图表是表示从相应电动汽车监视服务器200接收的各零部件检测值中梯度最大的检测值的图表。
之后,电动汽车监视服务器200分析第三图表来判断检测值是否属于正常范围,并根据判断结果判断相应零部件的状态。
在一实施例中,电动汽车监视服务器200分析第三图表,若检测值属于正常范围,则可将零部件的状态判断为正常状态。
在另一实施例中,电动汽车监视服务器200分析第三图表,若检测值超出正常范围,则可将零部件的状态判断为非正常状态。
在上述实施例中,电动汽车监视服务器200分析第三图表,若检测值超出正常范围,则比较超出正常范围紧之前的检测值及超出正常范围紧之后的检测值,若差异检测值为特定值以上,则判断为相应零部件的状态突然变更为非正常状态,并向管理者终端提供通知短信。
在上述实施例中,若检测值超出正常范围的时刻起检测值回归正常范围为止的时间为特定时间以下,则电动汽车监视服务器200将零部件的状态判断为正常状态,但是若从检测值超出正常范围的时刻起特定时间以内检测值不回归到正常范围,则将零部件的状态判断为非正常状态。
此时,检测值超出正常范围的时刻起检测值回归正常范围为止的区间反复发生的情况下,电动汽车监视服务器200将零部件的状态判断为非正常状态。
图2是基于本发明的另一实施例的用于说明电动汽车诊断及预知系统的网络结构图。
参考图2,电动汽车诊断及预知系统包括:电动汽车监视装置100,用户终端300,多个传感器(400_1~400_N)及元宇宙服务器500。
电动汽车监视装置100实际形成于电动汽车的各个零部件上,在生成检测值后将检测值提供给元宇宙服务器500。此时,多个传感器(400_1~400_N)可实现为温度传感器、振动传感器、噪声传感器、电流传感器等。
电动汽车监视装置100包括多个传感器(400_1~400_N),多个传感器(400_1~400_N)形成于电动汽车500的各个零部件上,生成检测信息之后将检测信息提供给元宇宙服务器500。此时,多个传感器(400_1~400_N)可实现为电流传感器、压力传感器、温度传感器、振动传感器、噪声传感器、电流传感器等。
电动汽车监视装置100从电动汽车的各个零部件上形成的多个传感器(400_1~400_N)接收各零部件检测信息,并将各零部件检测信息提供给元宇宙服务器500。此时,电动汽车监视装置100测定从电动汽车的各个零部件接收的各零部件检测值,显示为第一图表。
因此,电动汽车监视装置100接收由传感器测定的各零部件的检测值,表示为第一图表。此时,根据零部件的状态,表示为第一图表的形状各异。
如上所述,电动汽车监视装置100每次接收各零部件检测值时提供给元宇宙服务器500的情况下,通信量增加而费用增加,所以将连续从传感器接收的各零部件检测值压缩,并将压缩的各零部件检测值提供给元宇宙服务器500。
为此,电动汽车监视装置100将第一图表按特定单位分割之后分组生成多个组。
在一实施例中,电动汽车监视装置100将第一图表按特定单位分割之后分组生成多个组。
在另一实施例中,电动汽车监视装置100分析第一图表而存在波形的情况下,按周期单位分割后分组生成多个组。
之后,电动汽车监视装置100对多个组中各组压缩相应组的检测值。
在一实施例中,电动汽车监视装置100将第一图表分为特定单位之后分组生成多个组,对多个组中各组将相应组的检测值进行平均化来计算平均值。此时,电动汽车监视装置100可将第一图表中检测值按特定个数单位分割生成多个组。
之后,电动汽车监视装置100压缩多个组中各组的检测值来表示为第二图表,提取各个组相应的第二图表中特定检测值来提供给电动汽车监视服务器200。
在一实施例中,电动汽车监视装置100将对多个组中各组的检测值进行平均化来算出的平均值在组相应的位置表示为第二图表。此时,第二图表是对各个组将相应组中所在的特定个数的检测值平均化之后表示平均值对应的检测值的图表。
如上所述,电动汽车监视装置100对多个组中各组将相应组的检测值进行平均化来表示为第二图表之后,分析第二图表并提取最大的梯度值来提供给元宇宙服务器500。
在一实施例中,电动汽车监视装置100比较从各个组提取的梯度值来算出梯度差值,并根据梯度差值合并组后,仅提取一个梯度值来提供给元宇宙服务器500。
在上述实施例中,电动汽车监视装置100比较从第一组及第二组的各个组提取的梯度值来算出梯度差值,若梯度差值为特定值以下,则在将第一组及第二组合并后,将从第一组提取的最大的梯度值及从第二组提取的最大的梯度值中更大的梯度值提供给元宇宙服务器500。
在重复实施如上所述过程的过程中,在合并的组的个数为特定个数以上的情况下,停止合并。因此,电动汽车监视装置100在执行施第一组及第二组的合并之前确认当前合并的组的个数,若合并的组的个数为特定个数以上,则不执行合并,但若合并的组的个数为特定个数以下,则执行合并。
在上述实施例中,电动汽车监视装置100比较从第一组及第二组的各个组提取的梯度值来算出梯度差值,若梯度差值为特定值以上,则不合并第一组及第二组,将第一组及第二组的各个组中最大的梯度值提供给元宇宙服务器500。
如上所述,即便不将检测值全体传送至元宇宙服务器500,仅将各周期中最大的梯度值传送至元宇宙服务器500,元宇宙服务器500仅以梯度值就能够确认零部件的状态。
元宇宙服务器500是在生成用于向使用者提供的元宇宙空间之后,以使用者所有的汽车为基础生成汽车模型后配置到元宇宙空间上来进行管理的服务器。
元宇宙服务器500在元宇宙空间,以图标形态提供电动汽车的零部件,以使用户驱动电动汽车或将零部件替换为另一零部件来实施。
为此,元宇宙服务器500可在元宇宙空间向虚拟电动汽车配置设备零部件及零部件图标。因此,元宇宙服务器500能够模拟在虚拟电动汽车上配置零部件图标之后的虚拟电动汽车。
元宇宙服务器500可利用从电动汽车监视装置100接收的各零部件检测值确认零部件的状态。
首先,若元宇宙服务器500从电动汽车监视服务器200接收各零部件的检测值,则将各零部件检测值表示为第三图表,并分析第三图表来判断零部件的状态。此时,第三图表是表示从相应零部件监视装置接收的各零部件检测值中梯度最大的检测值的图表。
之后,元宇宙服务器500分析第三图表来判断检测值是否属于正常范围内,并根据判断结果判断相应零部件的状态之后,将电动汽车的相应零部件的状态变更为所判断的状态来模拟虚拟电动汽车。
在一实施例中,元宇宙服务器500分析第三图表,若检测值属于正常范围,则将零部件的状态判断为正常状态,并将相应零部件的性能设定为原来的性能,模拟虚拟电动汽车。
在另一实施例中,元宇宙服务器500分析第三图表,若检测值超出正常范围,则将零部件的状态判断为非正常状态,并将相应零部件的性能设定为检测到的值,模拟虚拟电动汽车。
在上述实施例中,元宇宙服务器500分析第三图表,若检测值超出正常范围,则比较超出正常范围紧之前的检测值及超出正常范围紧之后的检测值,若差异检测值为特定值以上,则将相应零部件的状态判断为突然变更为非正常状态,向管理者终端提供通知短信。
元宇宙服务器500以基于电动汽车的各零部件的性能的脚本为基础模拟虚拟电动汽车。
在一实施例中,元宇宙服务器500当从电动汽车监视服务器200接收各零部件检测值时,用第三图表表现各零部件的检测值,分析第三图表来判定零部件的性能之后,按照匹配的脚本模拟虚拟电动汽车。
之后,元宇宙服务器500分析第三图表来判定零部件的性能之后,若在脚本中存在设定为与相应零部件的性能相同性能的脚本,则按照该脚本模拟电动汽车。
此外,元宇宙服务器500通过图表在元宇宙空间210上表示电动汽车的零部件的温度数值、振动数值、噪声数值及电流数值的各数值,当温度数值图表、振动数值图表、噪声数值图表及电流数值图表的各个图表超过事先确定的临界线时,记录包括超过临界线的项目、超过时的时刻及超过时的数值的零部件监视数据并存储到零部件监视数据库中。
即,元宇宙服务器500利用零部件监视数据库中所存储的零部件监视数据吗,提取超过临界线时的信息来生成监视模式,并利用监视模式预测特定时刻以后的模式来判断相应设备是否发生故障。
在一实施例中,元宇宙服务器200提取超过临界线时的零部件,并在零部件的个数超过2个以上时,确认两个零部件是否有关联性,在有关联性的情况下,根据相应零部件同时超过临界线的次数判断相应设备是否发生故障。为此,项目关联性预先存储为温度、电流、振动及噪声。
图3是基于本发明的用于说明电动汽车诊断及预知方法的一实施例的流程图。图3的一实施例涉及可将由电动汽车监视装置检测的各零部件检测值提供给电动汽车监视服务器的一实施例。
参照图3,电动汽车监视装置100从电动汽车500的各个零部件上形成的多个传感器(400_1~400_N)接收各零部件检测信息(步骤S310)。
电动汽车监视装置100对各零部件检测信息将第一图表以特定单位分割之后分组生成多个组(步骤S320)。
电动汽车监视装置100分析第一图表来生成多个组(步骤S330)。
之后,电动汽车监视装置100对多个组中各组,将相应组的检测值进行压缩(步骤S340)。
在有关步骤S340的一实施例中,电动汽车监视装置100在将第一图表按特定单位分割后分组形成多个组,对多个组中各组,将相应组的检测值进行平均化来计算平均值。此时,电动汽车监视装置100可将第一图表中检测值分割成特定个数单位来生成多个组。
之后,电动汽车监视装置100将多个组中各组的检测值进行压缩表示为第二图表之后,提取各组相应的第二图表中特定检测值来提供给电动汽车监视服务器200(步骤S350)。
在有关步骤S350的在一实施例中,电动汽车监视装置100将对多个组中各组的检测值进行平均化来算出的平均值在组相应的位置表示为第二图表。此时,第二图表是表示对各组将相应组中的特定个数的检测值进行平均化后平均值相应的检测值的图表。
如上所述,电动汽车监视装置100在对多个组中各组将相应组的检测值进行平均化来表示为第二图表之后,分析第二图表,并提取最大的梯度值来提供给电动汽车监视服务器200。
在一实施例中,电动汽车监视装置100比较从各个组提取的梯度值来算出梯度差值,并根据梯度差值合并组后,仅提取一个梯度值提供给电动汽车监视服务器200。
在上述实施例中,电动汽车监视装置100比较从第一组及第二组的各个组提取的梯度值来算出梯度差值,若梯度差值为特定值以下,则在合并第一组及第二组之后,将从第一组提取的最大的梯度值及从第二组提取的最大的梯度值中更大的梯度值提供给电动汽车监视服务器200。
在重复实施如上所述动作的过程中,在合并的组的个数为特定个数以上的情况下,停止合并。因此,电动汽车监视装置100在合并第一组及第二组之前确认当前合并的组的个数,若合并的组的个数为特定个数以上,则不执行合并,若合并的组的个数为特定个数以下,则执行合并。
此时,电动汽车监视装置100比较从第一组及第二组的各个组提取的梯度值来算出梯度差值,若梯度差值为特定值以上,则不合并第一组及第二组,将第一组及第二组的各个组中最大的梯度值提供给电动汽车监视服务器200。
如上所述,即使不将全部检测值传送至电动汽车监视服务器200而仅将各周期中最大的梯度值传送至电动汽车监视服务器200,电动汽车监视服务器200仅以梯度值就可确认零部件的状态。
图4是基于本发明的用于说明电动汽车诊断及预知方法的一实施例的流程图。图4的一实施例涉及电动汽车监视服务器从电动汽车监视装置接收各零部件检测值来判断零部件的状态的一实施例。
参考图4,电动汽车监视服务器200在从电动汽车监视服务器200接收各零部件检测值时(步骤S410),用第三图表表现各零部件检测值,分析第三图表来判断零部件的状态(步骤S420)。此时,第三图表是表示从相应电动汽车监视装置100接收的各零部件的检测值中梯度最大的检测值的图表。
电动汽车监视服务器200分析第三图表来判断检测值是否属于正常范围内(步骤S430),根据判断结果判断相应零部件的状态(步骤S440)。
图5是基于本发明的一实施例的用于说明电动汽车监视装置的内部结构的图。
参考图5,电动汽车监视装置100形成在实际电动汽车的各个零部件上来生成检测值。此时,多个传感器(400_1~400_N)可实现为温度传感器、振动传感器、噪声传感器、电流传感器等。此时,多个传感器(400_1~400_N)形成在电动汽车的零部件上,零部件可包括:电池,马达,OBC(On Board Charger),LDC(Low Voltage DC-DC Converter),AAF(ActiveAir Flap)及GPS。
电动汽车监视装置100从电动汽车500的各个零部件上形成的多个传感器(400_1~400_N)接收各零部件检测信息,并将各零部件检测信息提供给电动汽车监视服务器200。此时,电动汽车监视装置100测定从电动汽车500的各个零部件接收的各零部件检测值来表示为第一图表。
因此,电动汽车监视装置100接收由传感器测定的各零部件检测值,表示为第一图表。此时,根据零部件的状态,表示为第一图表的形状各异。
如上所述,在电动汽车监视装置100每次接收各零部件检测值时提供给向电动汽车监视装置100的情况下,通信量增加而费用增加,对连续从传感器接收的各零部件检测值进行压缩后,将压缩的各零部件检测值提供给电动汽车监视服务器200。
对有限的实施例和图进行了说明,但是本发明不限于上述的实施例,对于本领域的普通技术人员来说,可基于这些记载进行多种修改和变形。因此,本发明的思想需要基于下面记载的权利要求理解,权利要求的均等或等价变形都属于本发明的思想范畴。
Claims (12)
1.一种电动汽车诊断及预知系统,其特征在于,包括:
电动汽车监视装置,从电动汽车的各个零部件上形成的多个传感器接收各零部件检测信息,并接收各零部件检测值来提供;
电动汽车监视服务器,利用从所述电动汽车监视装置接收的各零部件检测值确认零部件的状态,并提供所述确认结果;及
用户终端,在从所述电动汽车监视服务器接收确认结果后,根据所述确认结果,执行上述电动汽车的检修。
2.根据权利要求1所述的电动汽车诊断及预知系统,其特征在于,
所述电动汽车监视装置接收由传感器测定的各零部件检测值来表示为第一图表,将第一图表按特定单位分割后进行压缩后提供。
3.根据权利要求1所述的电动汽车诊断及预知系统,其特征在于,
所述电动汽车监视服务器将所述各零部件检测值表示为第三图表,并分析第三图表,若检测值属于正常范围,则将零部件的状态判断为正常状态,分析第三图表,若检测值超过正常范围,则将零部件的状态判断为非正常状态。
4.根据权利要求1所述的电动汽车诊断及预知系统,其特征在于,
所述电动汽车监视服务器将所述各零部件检测值表示为第三图表,分析上述第三图表而判定零部件的性能之后,按照匹配的脚本判定上述零部件的状态。
5.一种电动汽车诊断及预知方法,其特征在于,包括:
电动汽车监视装置从电动汽车的各个零部件上形成的多个传感器接收各零部件检测信息来提供给电动汽车监视服务器的步骤;
所述电动汽车监视服务器利用从上述电动汽车监视装置接收的各零部件的检测值确认零部件的状态,并提供给用户终端的步骤;及
所述用户终端从上述电动汽车监视服务器接收确认结果后,按照上述确认结果执行上述电动汽车的检修的步骤。
6.根据权利要求5所述的电动汽车诊断及预知方法,其特征在于,
所述电动汽车监视装置从电动汽车的各个零部件上形成的多个传感器接收各零部件检测信息来提供给电动汽车监视服务器的步骤,包括:
所述电动汽车监视装置接收由传感器测定的各零部件检测值来表示为第一图表,将上述第一图表按特定单位分割后进行压缩后提供给电动汽车监视服务器的步骤。
7.根据权利要求5所述的电动汽车诊断及预知方法,其特征在于,
所述电动汽车监视服务器利用从上述电动汽车监视装置接收的各零部件的检测值确认零部件的状态,并提供给用户终端的步骤,包括:
所述电动汽车监视服务器将上述各零部件检测值表示为第三图表,并分析第三图表,若检测值属于正常范围内,则将零部件的状态判断为正常状态,分析第三图表,若检测值超出正常范围,则将零部件的状态判断为非正常状态的步骤。
8.根据权利要求5所述的电动汽车诊断及预知方法,其特征在于,
在所述电动汽车监视服务器利用从上述电动汽车监视装置接收的各零部件的检测值确认零部件的状态,并提供给用户终端的步骤中,将所述各零部件检测值表示为第三图表,分析上述第三图表来判定零部件的性能后,按照匹配的脚本,判定上述零部件的状态。
9.一种电动汽车诊断及预知系统,其特征在于,包括:
电动汽车监视装置,从电动汽车的各个零部件上形成的多个传感器接收各零部件检测信息,接收各零部件检测值来提供;
元宇宙服务器,利用从所述电动汽车监视装置接收的各零部件检测值确认零部件的状态,并提供上述确认结果;以及
用户终端,若从所述电动汽车监视服务器接收确认结果,则根据上述确认结果执行上述电动汽车的检修。
10.根据权利要求9所述的电动汽车诊断及预知系统,其特征在于,
所述电动汽车监视装置接收由传感器测定的各零部件检测值来表示为第一图表,将第一图表按特定单位分割后进行压缩后提供。
11.根据权利要求9所述的电动汽车诊断及预知系统,其特征在于,
所述元宇宙服务器将所述各零部件检测值表示为第三图表,并分析第三图表,若检测值属于正常范围,则将零部件的状态判断为正常状态,分析第三图表,若检测值超出正常范围,则将零部件的状态判断为非正常状态。
12.根据权利要求9所述的电动汽车诊断及预知系统,其特征在于,
所述元宇宙服务器将所述各零部件检测值表示为第三图表,分析上述第三图表来判定零部件的性能后,按照匹配的脚本判定上述零部件的状态。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20220075144 | 2022-06-20 | ||
KR10-2022-0075144 | 2022-06-20 | ||
PCT/KR2023/007260 WO2023249277A1 (ko) | 2022-06-20 | 2023-05-26 | 전기차 진단 및 예지 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117616438A true CN117616438A (zh) | 2024-02-27 |
Family
ID=88543119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202380009358.8A Pending CN117616438A (zh) | 2022-06-20 | 2023-05-26 | 电动汽车诊断及预知系统 |
Country Status (3)
Country | Link |
---|---|
KR (1) | KR102595694B1 (zh) |
CN (1) | CN117616438A (zh) |
WO (1) | WO2023249277A1 (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102320382A (zh) * | 2011-07-07 | 2012-01-18 | 中国国际航空股份有限公司 | 飞机性能检测方法 |
KR101560968B1 (ko) * | 2014-02-26 | 2015-10-15 | (주)우광에스디에스 | 설비 직결형 실시간 모니터링 고장 진단 및 고장 시기 예측 진단장치와 그에 따른 고장 진단 및 예측 진단방법 |
KR101864860B1 (ko) * | 2016-09-13 | 2018-06-05 | 오토시맨틱스 주식회사 | 딥러닝을 통한 자동차 상태 진단 방법 |
KR102043050B1 (ko) | 2017-12-04 | 2019-11-11 | 중앙제어 주식회사 | 전기차 충전기의 고장 검출 방법 및 장치 |
KR102239040B1 (ko) * | 2018-06-29 | 2021-04-13 | 성균관대학교산학협력단 | 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법 |
KR102160140B1 (ko) * | 2018-10-12 | 2020-09-25 | 가톨릭관동대학교산학협력단 | 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템 |
KR102204199B1 (ko) * | 2019-08-28 | 2021-01-18 | 주식회사 엔제로 | 자율주행 대중버스에 대한 차량 고장 진단 및 예측 방법 |
KR20210041724A (ko) | 2019-10-08 | 2021-04-16 | 엘지전자 주식회사 | 전기차 충전기의 고장 예측 장치 및 방법 |
KR102304095B1 (ko) * | 2019-11-11 | 2021-09-27 | 주식회사 에스제이 테크 | 스마트폰 연계 전기자동차 진단 시스템 |
KR20210058713A (ko) * | 2019-11-14 | 2021-05-24 | 주식회사 만도 | 차량정보와 모바일 플랫폼을 이용한 차량 예측 유지보수 시스템 |
KR102471911B1 (ko) | 2022-08-17 | 2022-11-29 | 사회복지법인 홍애원 | 지능형 전기화재 예측 감시제어시스템 및 이를 이용한 전기화재 예측 감시제어방법 |
-
2023
- 2023-05-26 KR KR1020230068086A patent/KR102595694B1/ko active IP Right Grant
- 2023-05-26 WO PCT/KR2023/007260 patent/WO2023249277A1/ko active Application Filing
- 2023-05-26 CN CN202380009358.8A patent/CN117616438A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023249277A1 (ko) | 2023-12-28 |
KR102595694B1 (ko) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shang et al. | A multi-fault diagnosis method based on modified Sample Entropy for lithium-ion battery strings | |
CN109886475B (zh) | 基于ai的计量自动化系统的信息安全态势感知系统 | |
CN107271839B (zh) | 用于监测车辆的车载电气系统的方法和控制装置 | |
WO2009144820A1 (ja) | 遠隔監視装置 | |
CN103777626A (zh) | 一种电动车的整车故障的诊断方法和诊断系统 | |
CN105159283A (zh) | 城市轨道交通车辆远程故障分析与反馈系统 | |
CN101826135A (zh) | 用于增强车辆诊断、预测和维护实践的综合信息融合 | |
WO2011073613A1 (en) | A method, apparatus and computer program for diagnosing a mode of operation of a machine | |
KR101908706B1 (ko) | 전력기반설비의 부분방전 진단 및 종합 관리시스템 | |
CN107065835B (zh) | 一种车辆全生命周期电气性能监测评估系统和评估方法 | |
CN113807547A (zh) | 车辆故障预警方法、系统、可读存储介质及计算机设备 | |
CN112461289A (zh) | 一种环网柜故障监控方法、系统、终端及存储介质 | |
CN108872852A (zh) | 一种风力发电机故障诊断系统及方法 | |
CN114239734A (zh) | 一种分布式车载健康管理系统 | |
CN105633903A (zh) | 具有故障监控功能的电气设备、电气系统以及终端设备 | |
CN108602449A (zh) | 电池管理装置 | |
CN103149033A (zh) | 一种电动汽车下线故障检测方法 | |
CN113092922A (zh) | 一种动力电池系统的高压接触器独立诊断装置及方法 | |
CN117616438A (zh) | 电动汽车诊断及预知系统 | |
Bell et al. | Model-based analysis of protection system performance | |
CN206187050U (zh) | 轨道车辆系统故障的检测装置 | |
CN112307647A (zh) | 充电桩通信中断的测试方法、装置、存储介质及处理器 | |
CN110264585B (zh) | 公交售后诊断系统 | |
KR20130008248A (ko) | 차량 자동평가 장비 및 이를 이용한 자동평가 방법 | |
CN106970607B (zh) | 一种变流器控制系统的测试方法及系统 |
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 |