CN117775008A - 基于数字孪生的车辆异常状态监测方法及监测系统 - Google Patents
基于数字孪生的车辆异常状态监测方法及监测系统 Download PDFInfo
- Publication number
- CN117775008A CN117775008A CN202311757611.6A CN202311757611A CN117775008A CN 117775008 A CN117775008 A CN 117775008A CN 202311757611 A CN202311757611 A CN 202311757611A CN 117775008 A CN117775008 A CN 117775008A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state
- monitoring
- real
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 229
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000032683 aging Effects 0.000 claims abstract description 121
- 230000005059 dormancy Effects 0.000 claims abstract description 114
- 238000003860 storage Methods 0.000 claims description 48
- 230000005856 abnormality Effects 0.000 claims description 42
- 230000007958 sleep Effects 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000547 structure data Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 230000003068 static effect Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000007600 charging Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000002253 acid Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003889 chemical engineering Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- 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
- Secondary Cells (AREA)
Abstract
本发明提出一种基于数字孪生的车辆异常状态监测方法及监测系统,所述车辆异常状态监测方法包括:采集车辆实时状态数据,所述车辆实时状态数据包括车辆休眠数据和电池运行数据;基于所述车辆实时状态数据获取预设场景下的车辆实时状态,所述预设场景下的车辆实时状态包括车辆休眠监测场景下的车辆实时状态和电池老化监测场景下的车辆实时状态;构建基于对应预设场景的数字孪生模型,所述数字孪生模型包括车辆休眠监测场景下的数字孪生模型和电池老化监测场景下的数字孪生模型;将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差,基于所述车辆状态偏差监测车辆异常状态。
Description
技术领域
本发明属于车辆状态监测领域,具体涉及一种基于数字孪生的车辆异常状态监测方法及监测系统。
背景技术
数字孪生技术是指数字世界中与现实世界中某些对象或过程具有一致性的虚拟模型,数字孪生模型不仅是基础单元模型建模,还是从空间维度上通过模型组装实现更复杂对象模型的构建,从多领域多学科角度模型融合以实现复杂物理对象各领域特征的全面刻画。
随着汽车技术的发展和进步,车辆的自主性不断增强,在辅助用户实现如自动驾驶、半自动驾驶行车任务的同时,也降低了对车辆的控制权限,对车辆的异常状态的监控也越来越有必要。
现有技术中,针对车辆异常状态如休眠异常的检测多依赖于CAN总线、传感器等方法,监测方式较为分散,且容易导致监测精度不高,定位难度较差的问题;且随着电动汽车的普及,对动力电池的性能提出了更高的要求,传统的方式难以满足测试和精度的要求,使得用户无法及时感知到电池老化等问题,导致出现监测事故,继而易引发用车危险。
发明内容
鉴于以上所述的现有技术的缺点,本发明的目的是提供一种基于数字孪生的车辆异常状态监测方法及监测系统,解决了现有技术针对车辆异常状态监测精度低、监测不及时的问题。
本发明第一方面提供一种基于数字孪生的车辆异常状态监测方法,包括:
采集车辆实时状态数据,所述车辆实时状态数据包括车辆休眠数据和电池运行数据;基于所述车辆实时状态数据获取预设场景下的车辆实时状态,所述预设场景下的车辆实时状态包括车辆休眠监测场景下的车辆实时状态和电池老化监测场景下的车辆实时状态;
构建基于对应预设场景的数字孪生模型,所述数字孪生模型包括车辆休眠监测场景下的数字孪生模型和电池老化监测场景下的数字孪生模型;
将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差,基于所述车辆状态偏差监测车辆异常状态。
可选的,所述基于所述车辆状态偏差监测车辆异常状态,包括:
当所述车辆状态偏差超过预设状态阈值时,判定预设场景下的车辆实时状态为车辆异常状态,所述预设状态阈值包括预设休眠状态阈值,所述车辆异常状态包括车辆休眠异常状态。
可选的,所述判定预设场景下的车辆实时状态为车辆异常状态之后,生成监测结果,所述监测结果包括车辆休眠异常监测结果;
基于所述监测结果定位异常原因。
可选的,所述采集车辆实时状态数据,基于所述车辆实时状态数据获取预设场景下的车辆实时状态,包括:
采集车辆休眠数据,所述车辆休眠数据包括车速、转速和加速度;
基于所述车辆休眠数据获取预设场景为车辆休眠监测场景的车辆实时状态。
可选的,所述构建基于对应预设场景的数字孪生模型,包括:
基于车辆结构数据、电气系统数据和传感器数据构建车辆休眠监测场景下的数字孪生模型。
可选的,所述将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差,包括:
将所述车辆休眠数据输入车辆休眠监测场景下的数字孪生模型中,获取车辆休眠预测数据;对比所述车辆休眠数据与所述车辆休眠预测数据的差异,生成车辆休眠监测场景下的车辆状态偏差。
可选的,其特征在于,所述基于所述车辆状态偏差监测车辆异常状态,包括:
基于所述车辆休眠监测场景下的车辆状态偏差判断车辆是否处于车辆休眠异常状态;
当所述车辆休眠监测场景下的车辆状态偏差超过预设休眠状态阈值时,判定车辆休眠监测场景下的车辆实时状态处于车辆休眠异常状态。
可选的,所述判定车辆休眠监测场景下的车辆实时状态处于车辆休眠异常状态,生成车辆休眠异常监测结果之后,包括:
基于所述车辆休眠异常监测结果定位异常类型,所述异常类型包括电池异常、电路故障和机械故障;
基于所述异常类型索引异常部位或异常原因。
可选的,所述预设场景为电池老化监测场景;
所述采集车辆实时状态数据,基于所述车辆实时状态数据获取预设场景下的车辆实时状态,包括:采集电池运行数据,基于所述电池运行数据获取电池老化监测场景下的车辆实时状态;所述构建基于对应预设场景的数字孪生模型,包括:获取预设样本容量的12V蓄电池的工作参数;对所述12V蓄电池的工作参数进行预处理,并将预处理后的12V蓄电池的工作参数输入神经网络模型,得到电池老化监测场景下的数字孪生模型;
所述将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差,包括:将所述电池运行数据输入电池老化监测场景下的数字孪生模型中,获取电池运行预测数据;对比所述电池运行数据与所述电池运行预测数据的差异,生成电池老化监测场景下的车辆状态偏差。
可选的,所述生成电池老化监测场景下的车辆状态偏差,包括:
基于所述电池老化监测场景下的车辆状态偏差划分电池老化等级;
若电池老化等级超过电池老化安全等级,触发电池安全保护机制,所述电池安全保护机制包括电池老化界面提醒和电池老化工单自动创建。
本发明第二方面提供一种基于数字孪生的车辆异常状态监测系统,包括:
数据采集模块,至少用于采集车辆实时状态数据,基于所述车辆实时状态数据获取预设场景下的车辆实时状态,所述预设场景下的车辆实时状态包括车辆休眠监测场景下的车辆实时状态和电池老化监测场景下的车辆实时状态;
模型构建模块,至少用于构建基于对应预设场景的数字孪生模型,所述数字孪生模型包括车辆休眠监测场景下的数字孪生模型和电池老化监测场景下的数字孪生模型;
偏差生成模块,至少用于将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差;
异常监测模块,至少用于基于所述车辆状态偏差监测车辆异常状态。
可选的,所述异常监测模块包括第一判断子模块,所述第一判断子模块用于当所述车辆状态偏差超过预设状态阈值时,判定预设场景下的车辆实时状态为车辆异常状态,所述预设状态阈值包括预设休眠状态阈值,所述车辆异常状态包括车辆休眠异常状态。
可选的,所述异常监测模块还包括定位子模块,所述定位子模块用于判定预设场景下的车辆实时状态为车辆异常状态之后,生成监测结果,并基于所述监测结果定位异常原因。
可选的,所述异常监测模块包括第二判断子模块,所述第二判断子模块用于基于所述电池老化监测场景下的车辆状态偏差划分电池老化程度;
若电池老化程度超过电池老化安全等级,触发电池安全保护机制,所述电池安全保护机制包括电池老化界面提醒和电池老化工单自动创建。
本发明第三方面提供一种可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面所述的基于数字孪生的车辆异常状态监测方法的步骤。
综上所述,与现有技术相比,本发明包括以下至少一种有益技术效果:
1.本发明设置的基于多场景下的车辆异常状态监测方法可以实时监测车辆特定场景的异常状态情况,也可以并行监测车辆的多角度异常情况,也有利于进行异常状态的原因定位和系统维护工作;
2.本发明通过获得车辆实时状态,有利于用户根据监测结果实现异常原因的定位,也可以改善现有的车辆休眠监测方法无法对车辆休眠异常进行准确监测和原因定位,导致无法及时处理车辆异常,影响车辆的正常运行和使用寿命的问题;
3.本发明通过建立反映真实蓄电池状态的数字孪生模型,可以实现对12V蓄电池老化情况的准确监测,大大提高了监测效率,与传统方法相比,本方案具有监测准确、实时性强、智能决策等优点。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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是本发明一实施例一种基于数字孪生的车辆异常状态监测方法的流程示意图。
图2是本发明一实施例一种基于数字孪生的车辆异常状态监测方法的流程示意图。
图3是本发明一实施例一种基于数字孪生的车辆异常状态监测方法的流程示意图。
图4是本发明一实施例一种基于数字孪生的车辆异常状态监测系统的组成模块图。
图5是本发明一实施例一种基于数字孪生的车辆异常状态监测系统的组成模块图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,本领域技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。此外,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
需要说明的是,以下实施例的描述顺序不作为对本发明实施例优选顺序的限定。且在以下实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
数字孪生模型是通过机器学习算法建立的反映真实物理系统的数字模型,数字孪生技术将物理世界的数据与虚拟世界的模型深度融合,实现对物理系统的预测、监测和优化。
深度学习是一种基于人工神经网络的机器学习方法,通过模拟人脑分析数据的方式,实现更智能的模式识别与预测,深度学习利用多层非线性转换学习数据的深层特征表示,在处理高维、动态变化的数据方面具有独特优势。
如图1所示,本发明第一方面提供一种基于数字孪生的车辆异常状态监测方法,主要包括以下步骤。
步骤S1:采集车辆实时状态数据,基于所述车辆实时状态数据获取预设场景下的车辆实时状态;具体的,车辆实时状态数据包括车辆休眠数据、电池运行数据等,车辆实时状态数据是进行车辆异常状态监测的目标对象,只有获取到车辆实时状态数据才可以进行实时的车辆异常状态监测,且基于不同的车辆异常状态监测需求,可以采集不同的车辆实时状态。在一种应用场景中,可以通过预设场景的方式来满足不同的车辆异常状态监测需求,因此,可以基于不同的场景采集不同的车辆实时状态数据,所述预设场景下的车辆实时状态包括车辆休眠监测场景下的车辆实时状态和电池老化监测场景下的车辆实时状态,即基于车辆休眠数据可以获取车辆休眠监测场景下的车辆实时状态,基于电池运行数据可以获取电池老化监测场景下的车辆实时状态。
步骤S2:构建基于对应预设场景的数字孪生模型,所述数字孪生模型包括车辆休眠监测场景下的数字孪生模型和电池老化监测场景下的数字孪生模型;具体的,针对不同的预设场景,其数字孪生模型存在不同,由此,数字孪生模型可以基于实际的场景实现将车辆实时运行的物理系统和虚拟空间数字模型深度融合,且在车辆运行中,可以通过持续收集车辆的实时数据的方式,更新数字孪生模型以保证数字孪生模型趋近精准。数字孪生模型的构建也会根据预设场景的不同采用不同的算法生成不同的维度,数字孪生模型构建方式的本身需要付出创造性劳动,例如在对电池老化监测过程中,将12V蓄电池的工作参数输入神经网络实现数字孪生模型的构建,且采用反向传播算法和随机梯度下降算法来优化神经网络参数;而在车辆休眠监测场景中,则将车辆结构数据、电气系统数据和传感器数据分别输入有限元模型、多物理场模型和深度学习模型并将三者整合实现数字孪生模型的构建。
步骤S3:将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差,基于所述车辆状态偏差监测车辆异常状态;具体的,数字孪生模型表征了对车辆正常状态实时预测得到的数据,保证处于同一时刻的车辆正常状态的大致走向,因此,将所述车辆实时状态数据与所述数字孪生模型进行匹配所得到的车辆状态偏差可以表征车辆在预设场景下的异常程度,车辆状态偏差可以为数值,当车辆偏差的数值越小,表征车辆实时状态数据越趋向于正常。具体的,当所述车辆状态偏差超过预设状态阈值时,判定预设场景下的车辆实时状态为车辆异常状态,所述预设状态阈值包括预设休眠状态阈值,所述车辆异常状态包括车辆休眠异常状态。在一种应用场景中,预设状态阈值也包括电池老化安全等级,基于所述电池老化监测场景下的车辆状态偏差划分电池老化等级;若电池老化等级超过电池老化安全等级,触发电池安全保护机制,所述电池安全保护机制包括电池老化界面提醒和电池老化工单自动创建。
在此,通过该方式可以实时监测车辆异常状态情况,本发明通过设置多场景,也可以并行监测车辆的多角度异常情况。此外,步骤S1和步骤S2的顺序可以并行进行或者颠倒,在此不作特别限定,只要能够达到本发明要求的效果即可。
本发明中的数字孪生场景包括但不限于以下场景,如:
电池管理系统监测场景:建立电池packs的数字孪生,预测电池的充放电性能、热管理需求,对电池健康状态进行评估;
电机控制系统监测场景:通过对驱动电机进行建模,预测电机的转速、转矩、温升等参数,实现对驱动系统的智能监控;
能量回收系统监测场景:建立再生制动系统的数字孪生,预测回收电能,监测能量回收系统的效率;
热管理系统监测场景:对电池、电机、电控循环的热管理进行数字孪生建模,确保散热系统的正常工作;
声学与NVH监测场景:预测电动汽车运行时的噪声/震动水平;
车载充电系统监测场景:对整车快充系统建模,评估快充过程中的电流扰动,确保快充安全;里程预测场景:基于数字孪生模型预测电池的续航里程,给用户SOC与里程的提示;
智能视觉监测场景:通过摄像头数据建立数字孪生,辅助自动驾驶视觉感知;
车载操作系统监测场景:对信息娱乐系统进行数字孪生建模,评估人机交互的用户体验。
车辆休眠监测技术是指在车辆长时间停放时,通过车辆电子控制器的状态变化来判断车辆是否处于休眠状态,以便进行车辆状态监测和管理。目前的车辆休眠监测方法主要有基于CAN总线、基于电池电压及电流、基于位移传感器等方法,但这些方法存在监测精度不高、原因定位难度大等问题。
本发明一实施例中,所述判定预设场景下的车辆实时状态为车辆异常状态之后,生成监测结果,所述监测结果包括车辆休眠异常监测结果;
基于所述监测结果定位异常原因,由于车辆状态偏差中蕴含了车辆实时状态数据与所述数字孪生模型的匹配关系,也有利于用户根据车辆状态偏差对车辆异常状态进行索引,及时进行异常原因的定位。其中,车辆休眠异常监测结果的具体实例可以包括:
基于电池组电压和电流变化曲线,判断电池组是否异常放电;
基于驱动电机的转速变化情况,判断驱动系统是否正常;
基于车载电子系统的工作状态,判断是否进入低功耗模式;
基于位置和温度传感器的数据,判断车辆环境状态。
本发明一实施例中,所述采集车辆实时状态数据,基于所述车辆实时状态数据获取预设场景下的车辆实时状态,包括:
采集车辆休眠数据,所述车辆休眠数据包括车速、转速和加速度;
基于所述车辆休眠数据获取预设场景为车辆休眠监测场景的车辆实时状态。
在此,通过该方式可以获得车辆实时状态,有利于用户根据监测结果实现异常原因的定位,也可以改善现有的车辆休眠监测方法无法对车辆休眠异常进行准确监测和原因定位,导致无法及时处理车辆异常,影响车辆的正常运行和使用寿命的问题。
本发明一实施例中,所述构建基于对应预设场景的数字孪生模型,包括:基于车辆结构数据、电气系统数据和传感器数据构建车辆休眠监测场景下的数字孪生模型;
其中,之所以选择车辆结构数据、电气系统数据和传感器数据来构建数字孪生模型是因为:车辆结构数据:包含车身、电动机、传动等机械部件的三维模型及材料参数,可以建立整车的多物理场联合仿真模型,预测车辆的动力学、动力传递、噪声振动等休眠状态下的结构动态响应;
电气系统数据:包含车辆线束、电器部件的参数及状态,可以建立整车电气系统的仿真模型,预测车载网络、电源管理等电气性能参数在休眠状态下的变化情况;
传感器数据:包含各种传感器的位置布局及静态/动态测试数据,可以通过数据驱动方法建立各种信号在休眠场景下的深度学习模型;
将上述三类数据融合,可以充分利用模型与数据驱动相结合的优势,使数字孪生在结构、电气和信号层面全面复现车辆的静息状态,提高休眠监测的准确性。
本发明一实施例中,所述将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差,包括:
将所述车辆休眠数据输入车辆休眠监测场景下的数字孪生模型中,获取车辆休眠预测数据;对比所述车辆休眠数据与所述车辆休眠预测数据的差异,生成车辆休眠监测场景下的车辆状态偏差。
在本发明一实施例中,所述基于所述车辆状态偏差监测车辆异常状态,包括:
基于所述车辆休眠监测场景下的车辆状态偏差判断车辆是否处于车辆休眠异常状态;
当所述车辆休眠监测场景下的车辆状态偏差超过预设休眠状态阈值时,判定车辆休眠监测场景下的车辆实时状态处于车辆休眠异常状态。
在本发明一实施例中,所述判定车辆休眠监测场景下的车辆实时状态处于车辆休眠异常状态,生成车辆休眠异常监测结果之后,包括:
基于所述车辆休眠异常监测结果定位异常类型,所述异常类型包括电池异常、电路故障和机械故障;
基于所述异常类型索引异常部位或异常原因。
具体的,根据车辆处于什么使用场景下出现休眠异常,可以推断异常类型的可能范围。例如在长时间停车场景下,更可能是电池或电路问题;
检查监测数据:深度比较数字孪生模型的预测输出和车辆实际采集的数据,确定主要异常的特征参数,例如电压异常提示电池问题;
关联分析:将各传感器数据进行关联分析,判断异常参数之间的关系,缩小范围。例如电压异常导致机械弹簧无法恢复;
定位根源:综合上述分析,确定最终的根源,如电池的充电容量衰减;
验证预测:可以在检修后重新进行监测,验证问题是否得到解决,进一步确认定位结果;反馈优化:根源定位的结果可以反馈到数字孪生模型中,通过持续学习提升模型针对电池衰竭等问题的识别能力。
通过上述方式,可以盘点从基于数字孪生的预测到异常根源的抓取,使整个定位过程更加清晰可靠。
如图2所示,在本发明一应用场景中,为了对车辆休眠进行准确的异常监测及原因定位,我们首先需要构建一个全面且精确的车辆的数字孪生模型,模型构建的具体实现方案如下。
步骤S21:数据收集
车辆结构数据:从车辆的设计和制造资料中提取车辆各部件的结构和材料特性,如车体结构、悬挂系统、发动机等;
电气系统数据:详细收集车辆的电气布线图、各电器设备的工作参数、状态信号等;
传感器数据:对车上安装的各种传感器进行标定和测试,收集其在各种工作状态下的输出数据。
步骤S22:模型建立
有限元模型:使用车辆结构数据,通过有限元软件(如ANSYS或ABAQUS)对车辆的结构进行建模,特别是针对可能产生休眠异常的关键部件;
多物理场模型:结合车辆的电气和机械数据,构建一个综合模型,模拟车辆在不同工况下的响应;
深度学习模型:基于传感器数据,使用深度学习算法(如CNN或LSTM)对车辆在不同状态下的行为进行建模。这需要大量的标注数据,包括正常和异常的休眠状态。
步骤S23:模型验证与校正
通过实车试验,对比数字孪生模型的输出和实际车辆的表现,对于发现的偏差,进行模型的校正,确保数字孪生模型的准确性。
步骤S24:异常原因定位
在车辆运行中,通过持续收集车辆的实时状态数据,并输入到数字孪生模型中,当模型监测到潜在的休眠异常时,立即进行告警,并根据模型的分析结果进行异常原因的定位。
在此,通过该方式,可以构建车辆休眠监测场景下的数字孪生模型。
如图3所示,在本发明一应用场景中,将实时采集的车辆休眠数据与数字孪生模型进行匹配,生成车辆状态偏差,判断车辆是否处于车辆休眠异常状态,包括以下步骤。
步骤S31:数据预处理
标准化/归一化:为了确保车辆休眠数据在相同的尺度上,对从不同传感器收集的原始数据进行标准化或归一化处理;
滤波:使用滤波器如卡尔曼滤波器或中值滤波器去除数据中的噪声,确保车辆休眠数据的纯净性;
特征提取:从预处理后的车辆休眠数据中提取关键特征,如频率特征、时间域特征等。
步骤S32:数据与模型的匹配模型预测:将车辆休眠数据输入到数字孪生模型中,获得数字孪生模型的车辆休眠预测数据输出;
残差分析:计算车辆休眠数据和车辆休眠预测数据之间的残差,残差可以看作车辆休眠数据和车辆休眠预测数据之间的差异。
步骤S33:匹配规则定义阈值设定:根据历史数据和经验,设定一个合适的残差阈值。当实际的残差超过这个阈值时,我们可以认为车辆休眠可能出现异常;
滑动窗口:使用一个滑动窗口来持续监测残差,如果连续几个时间段的残差都超过阈值,则增加了车辆休眠异常发生的可能性。
步骤S34:车辆实时状态分析
异常监测:根据上述匹配规则,实时监测是否有异常发生;
异常分类:如果监测到异常,进一步分析异常的类别,如是否为电池异常、电路故障、机械故障等;
异常定位:进一步定位异常的具体部位或原因,这可以通过分析与异常最相关的特征来实现。
步骤S35:偏差值计算
通过对比数字所述车辆休眠数据与所述车辆休眠预测数据的差异,计算出车辆状态偏差或称车辆状态偏差值或称偏差值。
步骤S351:差异计算绝对差异:直接计算所述车辆休眠数据与所述车辆休眠预测数据的差值,例如,车辆休眠预测数据为车速为60km/h,但车辆休眠数据的实时显示为58km/h,则绝对差异为2km/h;相对差异:计算所述车辆休眠数据与所述车辆休眠预测数据之间的百分比差,继续上述示例,车辆休眠预测数据为车速为60km/h,但车辆休眠数据的实时显示为58km/h,相对差异为(2/60)*100%=3.33%;
累积差异:在一段时间内,积累所有时间点的绝对或相对差异。
步骤S352:偏差值阈值范围设置
历史数据分析:分析历史数据中的偏差值,计算其平均值和标准偏差,设定阈值为平均值加上几倍的标准偏差,确保大部分正常数据都落在阈值范围内;
经验法则:根据车辆工程师或技术专家的经验,设定一个初始的阈值,然后在实际应用中不断调整以优化性能;
机器学习:利用机器学习算法如异常监测算法自动确定阈值,该算法可以根据大量正常和异常数据进行训练。
步骤S353:实时监测偏差值
当实时计算的偏差值超过预先设定的阈值时,触发异常监测。
在此,通过该方式,采用数字孪生技术对车辆实时状态进行实时监测和分析,从而能够精确地监测车辆休眠异常并定位原因。
蓄电池是一种常见的电能储存设备,在汽车、电网等领域都有广泛应用。随着蓄电池的使用,其内部的活性材料会逐渐衰减,导致容量减小、内阻增大,这就是蓄电池的老化过程。蓄电池的老化会直接影响其供电性能和使用寿命。因此,需要对蓄电池的老化状况进行实时监测和评估。
汽车用铅酸蓄电池一般为12V蓄电池,通常用于提供汽车启动电源,额定电压为12伏特。12V蓄电池容量一般在30-100Ah之间,用于满足汽车起动、灯光、音响等用电需求,汽车中的12V铅酸蓄电池主要用于提供起动电源。
电池老化监测方法主要是通过测试分析电池的电压、内阻、剩余容量等参数评估电池的健康状态和剩余寿命,以便及时维护和更换。
传统的12V蓄电池老化监测方法主要依靠人工巡检、充放电测试、手工测试和经验判断,准确度不高,且需要大量时间和成本。随着电动汽车的普及,对动力电池的性能提出了更高的要求,而传统方法难以满足测试效率和精度的需要。
近年来,随着汽车电子电气化水平的提高,可以通过在车载系统中集成电压、电流等传感器来实现蓄电池工作参数的采集。针对蓄电池老化评估问题,也有算法工程师试图应用数据驱动的分析方法,建立电化学模型,但许多模型依赖的特征和参数难以在实时系统中获取。
随着深度学习技术的进步,其在处理复杂、多维度时间序列数据方面的独特优势,为解决蓄电池状态实时监测与预测问题提供了新的思路。
本发明一实施例中,在所述预设场景为电池老化监测场景时,所述采集车辆实时状态数据,基于所述车辆实时状态数据获取预设场景下的车辆实时状态,包括:
采集电池运行数据,基于所述电池运行数据获取电池老化监测场景下的车辆实时状态;
具体的,电池具体指汽车内的12V蓄电池,所述电池运行数据包括电池静态参数和电池动态参数,如电池开路电压、充放电电流、电池温度、内阻、电池剩余容量等。其中,静态参数包括电池类型(铅酸、镍氢等)、额定容量、电池组数、电池串联方式、单体电压,这些参数在电池出厂后基本不变。动态参数包括开路电压-随电量状态变化,充放电电流-根据使用情况变化,电池温度-根据工作环境变化,内阻-随老化程度增加及剩余容量-按充放电情况改变,由于这些参数会随电池的使用过程动态变化。开路电压虽属静态参数,但接入负载后会变为动态参数。所以,开路电压、电流、温度、内阻都属于动态参数,能反映电池运行状态的变化。
所述构建基于对应预设场景的数字孪生模型,包括:
获取预设样本容量的12V蓄电池的工作参数;对所述12V蓄电池的工作参数进行预处理,并将预处理后的12V蓄电池的工作参数输入神经网络模型,得到电池老化监测场景下的数字孪生模型,所述深度学习算法包括递归神经网络(RNN)、卷积神经网络(CNN)、长短时记忆网络(LSTM)等优化处理时间序列数据的算法。需要说明的是,训练数据是12V蓄电池的工作参数,包括电压、电流、温度等时间序列数据,这些参数能够全面反映蓄电池的charge/discharge动态过程,同时结合静态参数作为模型的辅助特征,例如电池类型、额定容量等参数可以帮助模型区分不同蓄电池的特性。汽车的充放电循环数据可以作为蓄电池工作参数的数据来源之一,但不是唯一的数据集,主要以12V蓄电池的电压、电流、温度等工作参数时间序列作为训练数据,通过深度学习模型建立电池老化的数字孪生。
在实现过程中,需先采集大量的表征蓄电池监测数据的12V蓄电池的工作参数,并将其进行预处理如去除异常值、平滑处理及特征提取等,以保证数据的准确性和可靠性。然后,将这些数据分成训练集和测试集,并使用训练集来训练数字孪生模型。在训练过程中,采用反向传播算法和随机梯度下降算法来优化神经网络的参数,以提高数字孪生模型的预测准确性。在训练完成后,使用测试集来评估数字孪生模型的预测效果,以确定其在实际应用中的准确性和可靠性。
在本发明一应用场景中,所述预设样本容量例如可以是1000个以上充放电循环的数据,在车辆使用过程中,实时采集并上传12V蓄电池充放电过程中的电压、电流曲线以及温度变化参数,收集的1000个以上充放电循环的数据,包含不同充放电电流下的曲线信息,采用滤波、插值等方法进行数据预处理,使用LSTM(Long Short Term Memory Network,LSTM)网络模型,输入预处理后的数据,进行超参数优化,建立电池老化监测场景下的数字孪生模型。
之所以采用LSTM网络作为数字孪生的建模算法,是因为LSTM网络能够处理时间序列数据,捕捉时间维度上的依赖关系,相比于简单的前馈神经网络,LSTM网络的核心是具有记忆能力的神经元单元。每个LSTM单元包括一个记忆单元C和三个控制门结构,分别是输入门、遗忘门和输出门,这些门结构能够控制信息的流动,实现对历史状态的记忆和当前信息的学习。
在针对电池老化监测场景下的数字孪生模型建立时,将电压时间序列、电流时间序列、温度时间序列、充电状态(0/1)时间序列、蓄电池的静态参数(型号、容量等)作为LSTM网络的输入,网络的隐藏层通过LSTM单元构成,可以学习时间序列中的长期依赖关系,最后输出层给出所需的电池状态,如电池剩余电(容)量、内阻等。将上述多维时间序列数据和静态参数一起作为LSTM网络的输入,才能全面反映电池的工作状态和特性。仅仅使用电压、电流是不够的,还需要包括温度、充放电状态等信息,以及静态参数提供额外特征。
训练过程中,调整网络层数、节点数等超参数,并使用回归损失函数更新模型参数,以拟合目标输出。随着循环训练,LSTM模型可以捕捉电池充放电过程的模式,实现对电池老化状态的准确预测,LSTM数字孪生模型综合了深度学习和时序建模的优势,可以高效学习蓄电池的动态特性,实现老化状态智能评估。
在此,通过该方式,可以充分利用LSTM网络学习时间序列的优势,实现12V蓄电池等的精确的老化监测,提升了对汽车用蓄电池的监测水平,为智能电动汽车的设计提供有益支持,也为电动汽车的安全性提供保障。
所述将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差,包括:将所述电池运行数据输入电池老化监测场景下的数字孪生模型中,获取电池运行预测数据;对比所述电池运行数据与所述电池运行预测数据的差异,生成电池老化监测场景下的车辆状态偏差。
具体的,在车辆正常使用过程中,车端实时采集并上传12V蓄电池的电池运行参数,如电压、电流等信息,将电池运行参数输入预训练的电池老化监测场景下的数字孪生模型中,输出电池剩余容量估计和电阻等作为电池运行预测参数,同实时测出的电池运行参数中的电池剩余容量进行比较,即为电池老化监测场景下的车辆状态偏差。偏差值的获取方式可以借鉴本发明车辆休眠监测场景下的车辆状态偏差的计算方式。由于电池老化将导致电池剩余容量降低、内阻增大等问题,因此,电池剩余容量降低、内阻增大是电池老化的重要表现形式,可以输出电池剩余容量估计、电阻等作为电池运行预测参数来量化电池老化。
根据误差即电池老化监测场景下的车辆状态偏差结果,判断12V蓄电池的老化程度;如果误差较大,还可以作为反馈来微调车辆休眠监测场景下的数字孪生模型。
本发明一实施例中,所述生成电池老化监测场景下的车辆状态偏差,包括:
基于所述电池老化监测场景下的车辆状态偏差划分电池老化等级,例如电池老化等级设置为1-10级,级别越高,电池老化越严重;
若电池老化等级超过电池老化安全等级,例如电池老安全等级为6级,若电池老化等级超过6级,触发电池安全保护机制,所述电池安全保护机制包括电池老化界面提醒和电池老化工单自动创建。
进一步的,还可以自动创建电池老化工单,在前端显示老化参数,支撑售后部门进行客户关怀和换件处理工作。
本发明通过划分电池老化等级可以获得电池老化的量化标准,在本发明一实施例中,还可以通过设置电池老化监测场景下的车辆状态偏差与电池老化安全阈值关系,判定电池老化程度。需要说明的是,电池老化安全等级和电池老化安全阈值仅为判定电池老化的一种形式,其目的是实现对电池老化判定,也可以根据实际情况对电池运行预测参数进行调整。
进一步的,电池安全保护机制的表达形式可以通过CAN/总线将电池老化提醒传输到车载系统进行电池维护保养的智能控制,和/或通过车载显示器向用户显示电池的健康状态和维护建议。通过人机交互界面的显示方式,也可以辅助人工来根据电池老化状态指定维护策略,结合现有汽车架构,也可以实现快速的升级维护,提高了电池维护效率。
本发明利用深度学习建立12V蓄电池的数字孪生模型,通过比对数字孪生模型预测的蓄电池参数和实际蓄电池的参数,实现对蓄电池老化状态的准确判断。针对大量电池静态参数和电池动态参数进行收集的工作具有训练数字孪生模型,使其能够反映真实蓄电池的状态的意义。在数字孪生模型的基础上,结合实时监测系统,可以持续预测蓄电池的健康状态,进行智能充放电和维护。
在此,该方式充分利用了深度学习对动态复杂问题建模的优势,可以持续地对12V蓄电池状态进行精确评估,实现智能充放电,大大提升了12V蓄电池的使用性能和安全性。与传统方法相比,本方案利用深度学习的泛化能力,可以处理高维、动态变化的蓄电池数据,实现更准确的老化监测,也体现了数字孪生技术将物理系统和虚拟空间数字模型深度融合,可以持续优化监测与管理的策略意义。对于车辆休眠状态监测,现有技术主要依赖CAN总线信号以及诊断数据,而本发明通过构建包含多源异构数据的数字孪生模型,可以更全面地反映车辆的实时状态,提高监测精度。本发明可以通过持续调整数字孪生模型来适应车辆的个体差异,这可以提高监测的长期稳定性,可以设定长时间的测试,观察两种方法的监测精度随时间的变化趋势。本发明的数字孪生模型可以基于大数据持续进行知识迁移和模型增强,有利于监测效果的稳步提升。因此,本发明在理论构想上可以获得更高的车辆异常状态监测精度,可以通过设定针对性的测试用例获得量化的验证。
如图4所示,本发明第二方面提供一种基于数字孪生的车辆异常状态监测系统,包括:数据采集模块,至少用于采集车辆实时状态数据,基于所述车辆实时状态数据获取预设场景下的车辆实时状态,所述预设场景下的车辆实时状态包括车辆休眠监测场景下的车辆实时状态和电池老化监测场景下的车辆实时状态;
模型构建模块,至少用于构建基于对应预设场景的数字孪生模型,所述数字孪生模型包括车辆休眠监测场景下的数字孪生模型和电池老化监测场景下的数字孪生模型;
偏差生成模块,至少用于将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差;
异常监测模块,至少用于基于所述车辆状态偏差监测车辆异常状态。
本发明设置的基于多场景下的车辆异常状态监测方法可以实时监测车辆特定场景的异常状态情况,也可以并行监测车辆的多角度异常情况,也有利于进行异常状态的原因定位和系统维护工作。
如图5所示,本发明一实施例中,所述异常监测模块包括第一判断子模块,所述第一判断子模块用于当所述车辆状态偏差超过预设状态阈值时,判定预设场景下的车辆实时状态为车辆异常状态,所述预设状态阈值包括预设休眠状态阈值,所述车辆异常状态包括车辆休眠异常状态。
在此,本发明通过获得车辆实时状态,有利于用户根据监测结果实现异常原因的定位,也可以改善现有的车辆休眠监测方法无法对车辆休眠异常进行准确监测和原因定位,导致无法及时处理车辆异常,影响车辆的正常运行和使用寿命的问题。
请继续参阅图5,本发明一实施例中,所述异常监测模块还包括定位子模块,所述定位子模块用于判定预设场景下的车辆实时状态为车辆异常状态之后,生成监测结果,并基于所述监测结果定位异常原因。
请继续参阅图5,本发明一实施例中,所述异常监测模块包括第二判断子模块,所述第二判断子模块用于基于所述电池老化监测场景下的车辆状态偏差划分电池老化程度;若电池老化程度超过电池老化安全等级,触发电池安全保护机制,所述电池安全保护机制包括电池老化界面提醒和电池老化工单自动创建。
在此,本系统通过应用深度学习技术,建立反映真实蓄电池状态的数字孪生模型,可以实现对12V蓄电池老化情况的准确监测,大大提高了监测效率,与传统方法相比,本方案具有监测准确、实时性强、智能决策等优点。
本发明第三方面提供了一种可读存储介质,所述可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述实施例任意一项所述的基于数字孪生的车辆异常状态监测方法的步骤。计算机可读存储介质可以包括:能够携带计算机程序的任何实体或装置、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)、以及软件分发介质等。计算机程序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)、以及软件分发介质等。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
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 (15)
1.一种基于数字孪生的车辆异常状态监测方法,其特征在于,包括:
采集车辆实时状态数据,所述车辆实时状态数据包括车辆休眠数据和电池运行数据;基于所述车辆实时状态数据获取预设场景下的车辆实时状态,所述预设场景下的车辆实时状态包括车辆休眠监测场景下的车辆实时状态和电池老化监测场景下的车辆实时状态;
构建基于对应预设场景的数字孪生模型,所述数字孪生模型包括车辆休眠监测场景下的数字孪生模型和电池老化监测场景下的数字孪生模型;
将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差,基于所述车辆状态偏差监测车辆异常状态。
2.根据权利要求1所述的基于数字孪生的车辆异常状态监测方法,其特征在于,所述基于所述车辆状态偏差监测车辆异常状态,包括:
当所述车辆状态偏差超过预设状态阈值时,判定预设场景下的车辆实时状态为车辆异常状态,所述预设状态阈值包括预设休眠状态阈值,所述车辆异常状态包括车辆休眠异常状态。
3.根据权利要求2所述的基于数字孪生的车辆异常状态监测方法,其特征在于,所述判定预设场景下的车辆实时状态为车辆异常状态之后,生成监测结果,所述监测结果包括车辆休眠异常监测结果;
基于所述监测结果定位异常原因。
4.根据权利要求3所述的基于数字孪生的车辆异常状态监测方法,其特征在于,所述采集车辆实时状态数据,基于所述车辆实时状态数据获取预设场景下的车辆实时状态,包括:
采集车辆休眠数据,所述车辆休眠数据至少包括车速、转速和加速度;
基于所述车辆休眠数据获取预设场景为车辆休眠监测场景的车辆实时状态。
5.根据权利要求4所述的基于数字孪生的车辆异常状态监测方法,其特征在于,所述构建基于对应预设场景的数字孪生模型,包括:
基于车辆结构数据、电气系统数据和传感器数据构建车辆休眠监测场景下的数字孪生模型。
6.根据权利要求5所述的基于数字孪生的车辆异常状态监测方法,其特征在于,所述将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差,包括:
将所述车辆休眠数据输入车辆休眠监测场景下的数字孪生模型中,获取车辆休眠预测数据;
对比所述车辆休眠数据与所述车辆休眠预测数据的差异,生成车辆休眠监测场景下的车辆状态偏差。
7.根据权利要求6所述的基于数字孪生的车辆异常状态监测方法,其特征在于,所述基于所述车辆状态偏差监测车辆异常状态,包括:
基于所述车辆休眠监测场景下的车辆状态偏差判断车辆是否处于车辆休眠异常状态;
当所述车辆休眠监测场景下的车辆状态偏差超过预设休眠状态阈值时,判定车辆休眠监测场景下的车辆实时状态处于车辆休眠异常状态。
8.根据权利要求7所述的基于数字孪生的车辆异常状态监测方法,其特征在于,所述判定车辆休眠监测场景下的车辆实时状态处于车辆休眠异常状态,生成车辆休眠异常监测结果之后,包括:
基于所述车辆休眠异常监测结果定位异常类型,所述异常类型包括电池异常、电路故障和机械故障;
基于所述异常类型索引异常部位或异常原因。
9.根据权利要求3所述的基于数字孪生的车辆异常状态监测方法,其特征在于,所述预设场景为电池老化监测场景;
所述采集车辆实时状态数据,基于所述车辆实时状态数据获取预设场景下的车辆实时状态,包括:采集电池运行数据,基于所述电池运行数据获取电池老化监测场景下的车辆实时状态;
所述构建基于对应预设场景的数字孪生模型,包括:获取预设样本容量的12V蓄电池的工作参数;对所述12V蓄电池的工作参数进行预处理,并将预处理后的12V蓄电池的工作参数输入神经网络模型,得到电池老化监测场景下的数字孪生模型;
所述将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差,包括:将所述电池运行数据输入电池老化监测场景下的数字孪生模型中,获取电池运行预测数据;对比所述电池运行数据与所述电池运行预测数据的差异,生成电池老化监测场景下的车辆状态偏差。
10.根据权利要求9所述的基于数字孪生的车辆异常状态监测方法,其特征在于,所述生成电池老化监测场景下的车辆状态偏差,包括:
基于所述电池老化监测场景下的车辆状态偏差划分电池老化等级;
若电池老化等级超过电池老化安全等级,触发电池安全保护机制,所述电池安全保护机制包括电池老化界面提醒和电池老化工单自动创建。
11.一种基于数字孪生的车辆异常状态监测系统,其特征在于,包括:
数据采集模块,至少用于采集车辆实时状态数据,基于所述车辆实时状态数据获取预设场景下的车辆实时状态,所述预设场景下的车辆实时状态包括车辆休眠监测场景下的车辆实时状态和电池老化监测场景下的车辆实时状态;
模型构建模块,至少用于构建基于对应预设场景的数字孪生模型,所述数字孪生模型包括车辆休眠监测场景下的数字孪生模型和电池老化监测场景下的数字孪生模型;
偏差生成模块,至少用于将所述车辆实时状态数据与所述数字孪生模型进行匹配,生成车辆状态偏差;
异常监测模块,至少用于基于所述车辆状态偏差监测车辆异常状态。
12.根据权利要求11所述的基于数字孪生的车辆异常状态监测系统,其特征在于,所述异常监测模块包括第一判断子模块,所述第一判断子模块用于当所述车辆状态偏差超过预设状态阈值时,判定预设场景下的车辆实时状态为车辆异常状态,所述预设状态阈值包括预设休眠状态阈值,所述车辆异常状态包括车辆休眠异常状态。
13.根据权利要求12所述的基于数字孪生的车辆异常状态监测系统,其特征在于,所述异常监测模块还包括定位子模块,所述定位子模块用于判定预设场景下的车辆实时状态为车辆异常状态之后,生成监测结果,并基于所述监测结果定位异常原因。
14.根据权利要求11所述的基于数字孪生的车辆异常状态监测系统,其特征在于,所述异常监测模块包括第二判断子模块,所述第二判断子模块用于基于所述电池老化监测场景下的车辆状态偏差划分电池老化程度;
若电池老化程度超过电池老化安全等级,触发电池安全保护机制,所述电池安全保护机制包括电池老化界面提醒和电池老化工单自动创建。
15.一种可读存储介质,存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-10任意一项所述的基于数字孪生的车辆异常状态监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311757611.6A CN117775008A (zh) | 2023-12-19 | 2023-12-19 | 基于数字孪生的车辆异常状态监测方法及监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311757611.6A CN117775008A (zh) | 2023-12-19 | 2023-12-19 | 基于数字孪生的车辆异常状态监测方法及监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117775008A true CN117775008A (zh) | 2024-03-29 |
Family
ID=90390232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311757611.6A Pending CN117775008A (zh) | 2023-12-19 | 2023-12-19 | 基于数字孪生的车辆异常状态监测方法及监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117775008A (zh) |
-
2023
- 2023-12-19 CN CN202311757611.6A patent/CN117775008A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Lithium-ion batteries fault diagnostic for electric vehicles using sample entropy analysis method | |
Farmann et al. | A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles | |
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN103163781B (zh) | 利用健康信息状态优化系统性能 | |
KR20200140093A (ko) | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 | |
CN113960476B (zh) | 基于信息物理融合技术的动力电池故障监测方法及系统 | |
CN111823952B (zh) | 电芯温度的诊断方法、存储介质和电子设备 | |
CN112068004A (zh) | 一种电池异常、电池充电剩余时间的确定方法及装置 | |
KR102297343B1 (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 | |
CN110568360B (zh) | 一种基于模糊逻辑算法的锂电池老化诊断方法 | |
Zhao et al. | Electric vehicle battery fault diagnosis based on statistical method | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
CN116338468A (zh) | 一种锂电池健康状态和剩余可用寿命的预测方法及系统 | |
AU2020387253A1 (en) | Evaluation device, computer program, and evaluation method | |
CN115617628A (zh) | 一种数字孪生系统、研发方法、设备和存储介质 | |
CN115236523A (zh) | 一种基于数字孪生的动力电池故障诊断及预测的方法 | |
CN102095953B (zh) | 一种蓄电池充电机性能在线检测方法 | |
Liu et al. | Voltage fault diagnosis and misdiagnosis analysis of battery systems using the modified Shannon entropy in real-world electric vehicles | |
CN117445755A (zh) | 基于云计算的电动汽车电池远程监控系统 | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
CN117775008A (zh) | 基于数字孪生的车辆异常状态监测方法及监测系统 | |
CN111751729A (zh) | 用于确定车辆的可反复充电电池的状态的方法 | |
CN116080470A (zh) | 电动汽车的动力电池监控方法、装置、服务器及介质 | |
CN115291113A (zh) | 一种统一的锂离子电池soc、soh和rul的联合估计方法及系统 | |
Virk et al. | Fault prediction using artificial neural network and fuzzy logic |
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 |