CN117922538B - 一种基于数字孪生技术的混合动力汽车的测控方法及系统 - Google Patents
一种基于数字孪生技术的混合动力汽车的测控方法及系统 Download PDFInfo
- Publication number
- CN117922538B CN117922538B CN202410339356.1A CN202410339356A CN117922538B CN 117922538 B CN117922538 B CN 117922538B CN 202410339356 A CN202410339356 A CN 202410339356A CN 117922538 B CN117922538 B CN 117922538B
- Authority
- CN
- China
- Prior art keywords
- data
- calculation
- value
- classification
- digital twin
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 238000005259 measurement Methods 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 197
- 238000013507 mapping Methods 0.000 claims abstract description 113
- 230000003993 interaction Effects 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 51
- 238000012544 monitoring process Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 description 23
- 238000004458 analytical method Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000011418 maintenance treatment Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008054 signal transmission Effects 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/50—Control strategies for responding to system failures, e.g. for fault diagnosis, failsafe operation or limp mode
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提出了一种基于数字孪生技术的混合动力汽车的测控方法及系统，涉及数字孪生技术的混合动力汽车的测控技术领域，训练车辆数字孪生模型，输出混合动力汽车的反馈测试数据；通过实时交互数据判定数据重要值，进行计算子任务的划分，获得子任务分类数据，对所述子任务分类数据进行分类计算，获得分类计算结果；根据分类计算结果和映射关系分别计算数据异常值和映射偏差值，根据数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，进行汽车预警调控，获得调控结果，本发明实现了对混合动力汽车状态的全面监测与精准预警调控，不仅提高了汽车状态监测的实时性和准确性，还为汽车的安全运行和性能优化提供了有力支持。
Description
技术领域
本发明提出了一种基于数字孪生技术的混合动力汽车的测控方法及系统，涉及数字孪生技术的混合动力汽车的测控技术领域。
背景技术
传统的混合动力汽车状态测控技术主要依赖于物理传感器进行数据采集和离线数据分析，这种方法虽然在一定程度上能够反映汽车的运行状态，但存在诸多技术问题。传统的数据采集处理方法受限于传感器的数量、布置位置和信号的传输效率，无法实现对车辆所有关键部件的全方位监测，存在精度和稳定性问题，进一步影响监测结果的准确性。在车辆运行过程中，如果出现异常或故障，驾驶员和维修人员无法及时获取相关信息并进行处理，可能导致安全问题或故障扩大。随着车辆系统复杂性的增加，产生的数据量也在快速增长，传统的数据处理方法可能无法有效应对大规模数据的处理和分析需求。同时，对于混合动力汽车这样的复杂系统，还需要考虑多种数据源之间的融合和协调，以获取更全面、准确的状态信息。传统的混合动力汽车状态测控方法无法满足现代汽车工程对于高精度、高效率状态监测的需求。
发明内容
本发明提供了一种基于数字孪生技术的混合动力汽车的测控方法及系统，用以解决传统方法在车辆运行过程中，如果出现异常或故障，驾驶员和维修人员无法及时获取相关信息并进行处理，可能导致安全问题或故障扩大，随着车辆系统复杂性的增加，产生的数据量也在快速增长，传统的数据处理方法可能无法有效应对大规模数据的处理和分析需求，同时，对于混合动力汽车这样的复杂系统，还需要考虑多种数据源之间的融合和协调，以获取更全面、准确的状态信息，传统的混合动力汽车状态测控方法无法满足现代汽车工程对于高精度、高效率状态监测的需求等问题：
本发明提出的一种基于数字孪生技术的混合动力汽车的测控方法及系统，所述方法包括：
A、训练车辆数字孪生模型，通过所述车辆数字孪生模型输出混合动力汽车的反馈测试数据；
B、通过车辆数字孪生模型与混合动力汽车的实时交互数据判定数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据，对所述子任务分类数据进行分类计算，获得分类计算结果；
C、根据分类计算结果和映射关系分别计算数据异常值和映射偏差值，根据数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，进行汽车预警调控，获得调控结果。
进一步地，所述A包括：
获取混合动力汽车的预设控制参数，对所述预设控制参数进行标准化处理，获得训练数据；
根据所述训练数据训练车辆数字孪生模型，获取所述混合动力汽车的实时运行数据，输入所述车辆数字孪生模型中，通过所述车辆数字孪生模型输出反馈测试数据。
进一步地，所述B包括：
获取车辆数字孪生模型与混合动力汽车的实时交互数据，对所述实时交互数据按照数据种类进行分组，获得多个分组的分组数据，通过所述分组数据计算每个分组的数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据；
根据所述子任务的划分对所述子任务分类数据进行分类计算，获得分类计算结果。
进一步地，所述C包括：
根据分类计算结果计算数据异常值，建立车辆数字孪生模型与混合动力汽车的映射关系，获取所述映射关系的映射偏差值；
根据所述数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果。
进一步地，所述根据所述数据异常值和映射偏差值判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果，包括：
将所述数据异常值与预设异常阈值进行比较，根据比较结果对汽车运行状态进行初步判定，获得初步判定结果；
将所述映射偏差值与预设偏差阈值进行比较，根据比较结果对汽车运行状态进行二次判定，获得二次判定结果；
通过所述初步判定结果结合二次判定结果获得综合判定结果。
进一步地，所述系统包括：
模型输出模块，用于训练车辆数字孪生模型，通过所述车辆数字孪生模型输出混合动力汽车的反馈测试数据；
重要任务划分计算模块，用于通过车辆数字孪生模型与混合动力汽车的实时交互数据判定数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据，对所述子任务分类数据进行分类计算，获得分类计算结果；
异常状态判定模块，用于根据分类计算结果和映射关系分别计算数据异常值和映射偏差值，根据数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，进行汽车预警调控，获得调控结果。
进一步地，所述模型输出模块包括：
训练数据处理模块，用于获取混合动力汽车的预设控制参数，对所述预设控制参数进行标准化处理，获得训练数据；
输出数据获取模块，用于根据所述训练数据训练车辆数字孪生模型，获取所述混合动力汽车的实时运行数据，输入所述车辆数字孪生模型中，通过所述车辆数字孪生模型输出反馈测试数据。
进一步地，所述重要任务划分计算模块包括：
数据任务划分模块，用于获取车辆数字孪生模型与混合动力汽车的实时交互数据，对所述实时交互数据按照数据种类进行分组，获得多个分组的分组数据，通过所述分组数据计算每个分组的数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据；
分类计算模块，用于根据所述子任务的划分对所述子任务分类数据进行分类计算，获得分类计算结果。
进一步地，所述异常状态判定模块包括：
异常计算模块，用于根据分类计算结果计算数据异常值，建立车辆数字孪生模型与混合动力汽车的映射关系，获取所述映射关系的映射偏差值；
状态判定模块，用于根据所述数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果。
进一步地，所述状态判定模块包括：
分类比较模块，用于将所述数据异常值与预设异常阈值进行比较，根据比较结果对汽车运行状态进行初步判定，获得初步判定结果；
将所述映射偏差值与预设偏差阈值进行比较，根据比较结果对汽车运行状态进行二次判定，获得二次判定结果；
综合判定模块，用于通过所述初步判定结果结合二次判定结果获得综合判定结果。
本发明有益效果：本发明通过训练车辆数字孪生模型，实现了对混合动力汽车状态的全面监测与精确模拟。车辆数字孪生模型实时反映车辆运行参数，为状态分析和预警调控提供了丰富的数据基础。通过重要值计算公式，准确识别出对车辆状态具有显著影响的关键数据，并实时反馈处理，提高了数据分析的精准度和响应及时性。同时，根据数据重要值划分计算子任务，优化了数据处理流程，提高了任务执行的并行性和灵活性。通过分类计算子任务数据，进一步细化了车辆状态分析，为异常检测和预警调控提供了精准依据。利用分类结果和映射关系，准确识别车辆运行异常，及时发现安全隐患和性能问题。综合数据异常值、映射偏差值和分类计算结果，实时判定汽车状态并进行预警调控，提高了汽车安全性和可靠性。此外，通过调整运行参数，还优化了车辆性能，提升了驾驶体验。
附图说明
图1为一种基于数字孪生技术的混合动力汽车的测控方法示意图；
图2为数据分类处理示意图；
图3为综合异常判定示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明的一个实施例，本发明提出的一种基于数字孪生技术的混合动力汽车的测控方法及系统，所述方法包括：
A、训练车辆数字孪生模型，通过所述车辆数字孪生模型输出混合动力汽车的反馈测试数据；
B、通过车辆数字孪生模型与混合动力汽车的实时交互数据判定数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据，对所述子任务分类数据进行分类计算，获得分类计算结果；
C、根据分类计算结果和映射关系分别计算数据异常值和映射偏差值，根据数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，进行汽车预警调控，获得调控结果。
上述技术方案的工作原理为：首先，训练车辆数字孪生模型，通过所述车辆数字孪生模型输出混合动力汽车的反馈测试数据；然后，通过车辆数字孪生模型与混合动力汽车的实时交互数据判定数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据，对所述子任务分类数据进行分类计算，获得分类计算结果；车辆数字孪生模型作为一个高度集成的虚拟平台，能够实时反映车辆在运行过程中的各项参数变化，从而为后续的状态分析和预警调控提供了丰富的数据基础。最后，根据分类计算结果和映射关系分别计算数据异常值和映射偏差值，根据数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，进行汽车预警调控，获得调控结果。数据异常值、映射偏差值和分类计算结果反映了汽车的运行异常状态。
上述技术方案的技术效果为：本方法通过训练车辆数字孪生模型并输出混合动力汽车的反馈测试数据，能够实现对车辆状态的全面监测、精确模拟和实时的数据交互。车辆数字孪生模型作为一个高度集成的虚拟平台，能够实时反映车辆在运行过程中的各项参数变化，从而为后续的状态分析和预警调控提供了丰富的数据基础。本方法在利用车辆数字孪生模型与混合动力汽车的实时交互数据判定数据重要值的过程中，通过重要值计算公式对数据进行分析和分类，准确识别出对车辆运行状态具有显著影响和需要实时处理的关键数据，进行实时反馈处理。这种数据重要值的判定方法，不仅提高了数据分析的精准度和响应及时性，还降低了数据处理的复杂度，使得状态监测更加高效。本方法根据数据重要值进行计算子任务的划分，能够将复杂的车辆状态监测任务分解为若干个相对独立的子任务，并对子任务进行分类计算处理，在保证实时性的同时还保证了数据完整性和精确性的计算。这种子任务划分的方式，不仅有利于优化数据处理流程，还提高了任务执行的并行性和灵活性。通过对子任务分类数据进行分类计算，本技术能够进一步细化对车辆状态的分析，为后续的异常检测和预警调控提供了更为精准的依据。本方法在计算数据异常值和映射偏差值的过程中，充分利用了分类计算结果和映射关系，通过对比实际数据与预期数据之间的差异，准确识别出车辆运行过程中的异常情况。这种异常检测机制具有高度的敏感性和准确性，能够及时发现潜在的安全隐患和性能问题。根据数据异常值、映射偏差值以及分类计算结果，本技术能够综合判定汽车的运行状态，并据此进行预警调控。这种预警调控策略能够实现对车辆状态的实时监控和动态调整，有效提高了汽车的安全性和可靠性。同时，通过调整汽车运行参数，本技术还能够优化车辆的性能表现，提高驾驶体验。
本发明的一个实施例，所述A包括：
获取混合动力汽车的预设控制参数，对所述预设控制参数进行标准化处理，获得训练数据；
根据所述训练数据训练车辆数字孪生模型，获取所述混合动力汽车的实时运行数据，输入所述车辆数字孪生模型中，通过所述车辆数字孪生模型输出反馈测试数据。
上述技术方案的工作原理为：获取混合动力汽车的预设控制参数，对所述预设控制参数进行标准化处理，获得训练数据；所述标准化处理包括数据预处理、数据完整性检测和数据精度检测调整。根据所述训练数据训练车辆数字孪生模型，获取所述混合动力汽车的实时运行数据，输入所述车辆数字孪生模型中，通过所述车辆数字孪生模型输出反馈测试数据。
上述技术方案的技术效果为：本方法对预设控制参数进行了标准化的初步预处理，使得预设控制参数符合训练数据的要求，提高训练数据准备的精确性，确保训练数据的准确性和可靠性。通过本方法可以有效去除数据中的噪声、异常值和缺失值，使得训练数据更加符合实际车辆运行的特点，为后续训练车辆数字孪生模型提供了高质量的数据基础。利用经过标准化处理的训练数据来训练车辆数字孪生模型，能够使得模型更好地适应学习和模拟混合动力汽车的实际运行状态。通过预设控制参数的同步训练，车辆数字孪生模型能够逐渐提高模拟精度，实现对车辆运行状态的精准预测和模拟。将混合动力汽车的实时运行数据输入到训练好的车辆数字孪生模型中，能够快速地获得反馈测试数据。这种实时反馈机制使得车辆数字孪生模型能够迅速响应车辆状态的变化，为后续的状态监测和预警调控提供了及时、准确的数据支持。通过对实时运行数据和反馈测试数据的分类计算，在保障数据处理实时性的同时，对深度数据进行了深度分析。通过车辆数字孪生模型输出的反馈测试数据，可以全面、细致地了解混合动力汽车的运行状态。这种监测方式不仅包括了传统的物理参数监测，还能够涵盖更多的运行模式和场景，提高了状态监测的准确性和全面性。基于车辆数字孪生模型的反馈测试数据，可以制定更加精准、高效的预警调控策略。通过对异常数据和映射偏差值的分析，能够及时发现潜在的安全隐患和性能问题，并采取相应的措施进行干预和调整，从而确保混合动力汽车的安全、稳定运行。
本发明的一个实施例，所述B包括：
获取车辆数字孪生模型与混合动力汽车的实时交互数据，对所述实时交互数据按照数据种类进行分组，获得多个分组的分组数据，通过所述分组数据计算每个分组的数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据；根据所述子任务的划分对所述子任务分类数据进行分类计算，获得分类计算结果。
上述技术方案的工作原理为：获取车辆数字孪生模型与混合动力汽车的实时交互数据，对所述实时交互数据按照数据种类进行分组，获得多个分组的分组数据，通过所述分组数据计算每个分组的数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据；所述实时交互数据包括混合动力汽车的实时运行数据和车辆数字孪生模型的反馈测试数据。所述数据种类包括传感器数据、控制数据、执行数据和环境数据等。计算子任务为需要进行计算的数据组。所述子任务分类数据包括边缘计算数据和综合计算数据，通过边缘计算设备对边缘计算数据进行边缘计算，通过云计算等其它综合计算方法对综合计算数据进行综合计算。将所述数据重要值与预设重要阈值进行对比，当所述数据重要值大于预设重要阈值时，将对应分组的数据划分为边缘计算子任务，当所述数据重要值小于等于预设重要阈值时，将对应分组的数据划分为云计算等其它计算子任务，获得边缘计算子任务分类数据或云计算等其它计算子任务分类数据；根据所述子任务的划分对所述子任务分类数据进行分类计算，获得分类计算结果。所述分类计算包括边缘计算和云计算等其它计算方式。例如将根据数据重要值将部分数据划分为边缘计算子任务，形成边缘计算子任务数据，进行边缘计算，获得边缘计算结果，进行实时反馈，其余数据则进行云计算或其它种类的计算，如图2所示。
所述数据重要值的计算公式为：
其中，为第i种分组数据的数据重要值，/>为第i种分组数据的预设处理时间，/>为第i种分组数据的历史实际处理时间最大值，/>为第i种分组数据的历史实际处理时间最小值，/>为第i种分组数据的数据量，/>为分组数据的个数，为第i种分组数据在预设监测时间内的变化量，/>为第i种分组数据在预设监测时间内的变化量的最大值，/>为第i种分组数据在预设监测时间内的变化量的最小值，/>、/>、/>和/>为权重系数。取值范围为0-1，/>。
上述技术方案的技术效果为：本方法通过实时获取车辆数字孪生模型与混合动力汽车的交互数据，能够获得用于分析的基础数据，全面捕捉车辆在运行过程中的各项动态信息。这些实时交互数据包括混合动力汽车的实时运行数据以及车辆数字孪生模型的反馈测试数据，涵盖了传感器数据、控制数据、执行数据和环境数据等多种数据种类。这种多元化的数据收集方式使得对车辆状态的监测更加全面和细致。本方法对这些实时交互数据按照数据种类进行分组，进而计算每个分组的数据重要值。通过公式中的可以计算出第i种分组数据的处理时间影响因子，/>越大，则数据处理实时性越高，则重要值越高，/>可以计算出第i种分组数据量值总数据量中的占比，占比越多，重要值则应越小，通过公式中的/>可以计算出数据实时性影响因子，通过公式中的/>可以计算出数据波动性影响因子，越大时，数据重要值越高。对各组数据的实时重要性进行量化分析，通过对比数据重要值与预设重要阈值，能够精准地识别出对车辆状态具有显著时效性影响的关键数据。这种数据重要值的判定方法不仅提高了数据分析的准确性和效率，还有助于优化后续的计算任务分配。在计算子任务的划分过程中，本方法根据数据重要值的大小将不同分组的数据划分为边缘计算子任务或云计算等其它计算子任务。对于数据重要值较高的分组，将其划分为边缘计算子任务，利用边缘计算设备进行实时处理，以实现快速响应和降低数据传输延迟。而对于数据重要值较低的分组，则将其划分为云计算等其它计算子任务，通过云计算平台进行更加深入和全面的分析。这种子任务划分的方式不仅优化了计算资源的分配，还提高了数据处理的效率和灵活性。在分类计算阶段，本方法根据子任务的划分对子任务分类数据进行相应的计算处理。对于边缘计算子任务数据，利用边缘计算设备进行实时计算，获得边缘计算结果，并进行实时反馈。而对于云计算等其它计算子任务数据，则通过云计算平台或其他综合计算方法进行更加深入的分析和处理。这种分类计算的方式确保了数据处理的实时性和准确性。
本发明的一个实施例，根据分类计算结果计算数据异常值，建立车辆数字孪生模型与混合动力汽车的映射关系，获取所述映射关系的映射偏差值；根据所述数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果。
上述技术方案的工作原理为：根据分类计算结果计算数据异常值，建立车辆数字孪生模型与混合动力汽车的映射关系，获取所述映射关系的映射偏差值；
所述数据异常值的计算公式为：
其中，为数据异常值，/>为第i种分组数据的云计算分组数据，/>为第i种分组数据的边缘计算分组数据，/>为第i种分组数据的预设数据值。
所述映射偏差值的计算公式为：
其中，为映射偏差值，n为映射点个数，/>为车辆数字孪生模型中第i个映射点数据，/>为混合动力汽车的实时运行数据中第i个映射点数据。
根据所述数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果。
上述技术方案的技术效果为：通过根据分类计算结果计算数据异常值，能够精确识别出混合动力汽车运行过程中的异常数据。通过公式中的可以计算出云计算和边缘计算的差异影响系数，通过公式中的/>可以计算出每组数据与预设数据的差异影响系数。数据异常值的计算公式结合了多种因素，确保了对异常数据的准确判断。通过建立车辆数字孪生模型与混合动力汽车的映射关系，并计算映射偏差值，能够实现对车辆运行状态的全面映射和对比。映射偏差值的计算公式充分考虑了映射点数据的差异，使得映射关系更加准确和可靠。这种映射关系的建立有助于发现车辆数字孪生模型与实际车辆运行之间的偏差。通过结合数据异常值、映射偏差值和分类计算结果，本方法能够全面、准确地判定混合动力汽车的运行状态。这种判定方式不仅考虑了数据的异常程度，还考虑了模型与实际车辆之间的映射关系，使得判定结果更加全面和可靠。根据判定结果，可以及时发现并处理潜在问题，确保车辆的安全运行。根据汽车运行状态，本方法能够智能地调整混合动力汽车的运行参数。通过优化运行参数，可以实现对车辆性能的改善和能耗的降低。
本发明的一个实施例，所述根据所述数据异常值和映射偏差值判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果，包括：
将所述数据异常值与预设异常阈值进行比较，根据比较结果对汽车运行状态进行初步判定，获得初步判定结果；
将所述映射偏差值与预设偏差阈值进行比较，根据比较结果对汽车运行状态进行二次判定，获得二次判定结果；
通过所述初步判定结果结合二次判定结果获得综合判定结果。
上述技术方案的工作原理为：将所述数据异常值与预设异常阈值进行比较，根据比较结果对汽车运行状态进行初步判定，获得初步判定结果；当数据异常值大于预设异常阈值时，判定汽车运行状态为二级异常状态，当数据异常值小于等于预设异常阈值时，判定汽车运行状态为一级运行状态；将所述映射偏差值与预设偏差阈值进行比较，根据比较结果对汽车运行状态进行二次判定，获得二次判定结果；当所述映射偏差值大于预设偏差阈值时，判定汽车运行状态为二级运行状态，当所述映射偏差值小于等于预设偏差阈值时，判定汽车运行状态为一级运行状态；通过所述初步判定结果结合二次判定结果获得综合判定结果。将初步判定结果的级别与二次判定结果的级别相加，获得综合判定级别，将所述综合判定级别与预设判定阈值进行比较，当所述综合判定级别大于预设判定阈值时，判定汽车运行状态为测控不准确或危险状态，当立即预警并进行检修处理，当所述综合判定级别小于等于预设判定阈值时，判定汽车运行状态为准确或不危险状态，对数据进行持续监测，如图3所示。
上述技术方案的技术效果为：通过将数据异常值与预设异常阈值进行比较，以及对映射偏差值与预设偏差阈值的比较，本技术能够对汽车运行状态进行初步判定和二次判定。这种双重判定机制确保了对车辆状态评估的准确性和敏感性，使得系统能够更快速地发现潜在的异常或故障。通过比较结果的不同组合，能够将汽车运行状态细分为不同的级别。这种多层次的分类有助于更精确地描述车辆的运行状态。当综合判定级别超过预设判定阈值时，系统能够立即发出预警并进行检修处理。这种及时的预警机制有助于避免潜在的安全隐患和性能问题进一步恶化，从而确保了车辆的安全性和可靠性。对于综合判定级别未超过预设判定阈值的车辆，系统会继续进行数据的持续监测。这种持续监测能够确保对车辆状态的实时掌握，以便在需要时采取及时的处理措施。通过对汽车运行状态的综合判定，本技术能够根据车辆的实际状态合理分配处理资源，避免了对正常状态的车辆进行不必要的干预，从而提高了处理效率和资源利用率。
本发明的一个实施例，所述系统包括：
模型输出模块，用于训练车辆数字孪生模型，通过所述车辆数字孪生模型输出混合动力汽车的反馈测试数据；
重要任务划分计算模块，用于通过车辆数字孪生模型与混合动力汽车的实时交互数据判定数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据，对所述子任务分类数据进行分类计算，获得分类计算结果；
异常状态判定模块，用于根据分类计算结果和映射关系分别计算数据异常值和映射偏差值，根据数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，进行汽车预警调控，获得调控结果。
上述技术方案的工作原理为：模型输出模块用于训练车辆数字孪生模型，通过所述车辆数字孪生模型输出混合动力汽车的反馈测试数据；重要任务划分计算模块用于通过车辆数字孪生模型与混合动力汽车的实时交互数据判定数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据，对所述子任务分类数据进行分类计算，获得分类计算结果；异常状态判定模块用于根据分类计算结果和映射关系分别计算数据异常值和映射偏差值，根据数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，进行汽车预警调控，获得调控结果。
上述技术方案的技术效果为：本方法通过训练车辆数字孪生模型并输出混合动力汽车的反馈测试数据，能够实现对车辆状态的全面监测、精确模拟和实时的数据交互。车辆数字孪生模型作为一个高度集成的虚拟平台，能够实时反映车辆在运行过程中的各项参数变化，从而为后续的状态分析和预警调控提供了丰富的数据基础。本方法在利用车辆数字孪生模型与混合动力汽车的实时交互数据判定数据重要值的过程中，通过重要值计算公式对数据进行分析和分类，准确识别出对车辆运行状态具有显著影响和需要实时处理的关键数据，进行实时反馈处理。本方法根据数据重要值进行计算子任务的划分，能够将复杂的车辆状态监测任务分解为若干个相对独立的子任务，并对子任务进行分类计算处理，在保证实时性的同时还保证了数据完整性和精确性的计算。通过对子任务分类数据进行分类计算，能够进一步细化对车辆状态的分析，为后续的异常检测和预警调控提供了更为精准的依据。本方法在计算数据异常值和映射偏差值的过程中，充分利用了分类计算结果和映射关系，通过对比实际数据与预期数据之间的差异，准确识别出车辆运行过程中的异常情况。同时，通过调整汽车运行参数，本技术还能够优化车辆的性能表现，提高驾驶体验。
本发明的一个实施例，所述模型输出模块包括：
训练数据处理模块，用于获取混合动力汽车的预设控制参数，对所述预设控制参数进行标准化处理，获得训练数据；
输出数据获取模块，用于根据所述训练数据训练车辆数字孪生模型，获取所述混合动力汽车的实时运行数据，输入所述车辆数字孪生模型中，通过所述车辆数字孪生模型输出反馈测试数据。
上述技术方案的工作原理为：训练数据处理模块用于获取混合动力汽车的预设控制参数，对所述预设控制参数进行标准化处理，获得训练数据；所述标准化处理包括数据预处理、数据完整性检测和数据精度检测调整。输出数据获取模块用于根据所述训练数据训练车辆数字孪生模型，获取所述混合动力汽车的实时运行数据，输入所述车辆数字孪生模型中，通过所述车辆数字孪生模型输出反馈测试数据。
上述技术方案的技术效果为：本方法对预设控制参数进行了标准化的初步预处理，使得预设控制参数符合训练数据的要求，提高训练数据准备的精确性，确保训练数据的准确性和可靠性。通过本方法可以有效去除数据中的噪声、异常值和缺失值，使得训练数据更加符合实际车辆运行的特点，为后续训练车辆数字孪生模型提供了高质量的数据基础。利用经过标准化处理的训练数据来训练车辆数字孪生模型，能够使得模型更好地适应学习和模拟混合动力汽车的实际运行状态。通过预设控制参数的同步训练，车辆数字孪生模型能够逐渐提高模拟精度，实现对车辆运行状态的精准预测和模拟。将混合动力汽车的实时运行数据输入到训练好的车辆数字孪生模型中，能够快速地获得反馈测试数据。这种实时反馈机制使得车辆数字孪生模型能够迅速响应车辆状态的变化，为后续的状态监测和预警调控提供了及时、准确的数据支持。通过对实时运行数据和反馈测试数据的分类计算，在保障数据处理实时性的同时，对深度数据进行了深度分析。通过车辆数字孪生模型输出的反馈测试数据，可以全面、细致地了解混合动力汽车的运行状态。这种监测方式不仅包括了传统的物理参数监测，还能够涵盖更多的运行模式和场景，提高了状态监测的准确性和全面性。基于车辆数字孪生模型的反馈测试数据，可以制定更加精准、高效的预警调控策略。通过对异常数据和映射偏差值的分析，能够及时发现潜在的安全隐患和性能问题，并采取相应的措施进行干预和调整，从而确保混合动力汽车的安全、稳定运行。
本发明的一个实施例，所述重要任务划分计算模块包括：
数据任务划分模块，用于获取车辆数字孪生模型与混合动力汽车的实时交互数据，对所述实时交互数据按照数据种类进行分组，获得多个分组的分组数据，通过所述分组数据计算每个分组的数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据；
分类计算模块，用于根据所述子任务的划分对所述子任务分类数据进行分类计算，获得分类计算结果。
上述技术方案的工作原理为：数据任务划分模块用于获取车辆数字孪生模型与混合动力汽车的实时交互数据，对所述实时交互数据按照数据种类进行分组，获得多个分组的分组数据，通过所述分组数据计算每个分组的数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据；所述实时交互数据包括混合动力汽车的实时运行数据和车辆数字孪生模型的反馈测试数据。所述数据种类包括传感器数据、控制数据、执行数据和环境数据等。计算子任务为需要进行计算的数据组。所述子任务分类数据包括边缘计算数据和综合计算数据，通过边缘计算设备对边缘计算数据进行边缘计算，通过云计算等其它综合计算方法对综合计算数据进行综合计算。将所述数据重要值与预设重要阈值进行对比，当所述数据重要值大于预设重要阈值时，将对应分组的数据划分为边缘计算子任务，当所述数据重要值小于等于预设重要阈值时，将对应分组的数据划分为云计算等其它计算子任务，获得边缘计算子任务分类数据或云计算等其它计算子任务分类数据；分类计算模块用于根据所述子任务的划分对所述子任务分类数据进行分类计算，获得分类计算结果。所述分类计算包括边缘计算和云计算等其它计算方式。例如将根据数据重要值将部分数据划分为边缘计算子任务，形成边缘计算子任务数据，进行边缘计算，获得边缘计算结果，进行实时反馈，其余数据则进行云计算或其它种类的计算。
所述数据重要值的计算公式为：
其中，为第i种分组数据的数据重要值，/>为第i种分组数据的预设处理时间，/>为第i种分组数据的历史实际处理时间最大值，/>为第i种分组数据的历史实际处理时间最小值，/>为第i种分组数据的数据量，/>为分组数据的个数，为第i种分组数据在预设监测时间内的变化量，/>为第i种分组数据在预设监测时间内的变化量的最大值，/>为第i种分组数据在预设监测时间内的变化量的最小值，/>、/>、/>和/>为权重系数。取值范围为0-1，/>。
上述技术方案的技术效果为：本方法通过实时获取车辆数字孪生模型与混合动力汽车的交互数据，能够获得用于分析的基础数据，全面捕捉车辆在运行过程中的各项动态信息。这些实时交互数据包括混合动力汽车的实时运行数据以及车辆数字孪生模型的反馈测试数据，涵盖了传感器数据、控制数据、执行数据和环境数据等多种数据种类。这种多元化的数据收集方式使得对车辆状态的监测更加全面和细致。本方法对这些实时交互数据按照数据种类进行分组，进而计算每个分组的数据重要值。对各组数据的实时重要性进行量化分析，通过对比数据重要值与预设重要阈值，能够精准地识别出对车辆状态具有显著时效性影响的关键数据。这种数据重要值的判定方法不仅提高了数据分析的准确性和效率，还有助于优化后续的计算任务分配。在计算子任务的划分过程中，本方法根据数据重要值的大小将不同分组的数据划分为边缘计算子任务或云计算等其它计算子任务。对于数据重要值较高的分组，将其划分为边缘计算子任务，利用边缘计算设备进行实时处理，以实现快速响应和降低数据传输延迟。而对于数据重要值较低的分组，则将其划分为云计算等其它计算子任务，通过云计算平台进行更加深入和全面的分析。这种子任务划分的方式不仅优化了计算资源的分配，还提高了数据处理的效率和灵活性。在分类计算阶段，本方法根据子任务的划分对子任务分类数据进行相应的计算处理。对于边缘计算子任务数据，利用边缘计算设备进行实时计算，获得边缘计算结果，并进行实时反馈。而对于云计算等其它计算子任务数据，则通过云计算平台或其他综合计算方法进行更加深入的分析和处理。这种分类计算的方式确保了数据处理的实时性和准确性。
本发明的一个实施例，所述异常状态判定模块包括：
异常计算模块，用于根据分类计算结果计算数据异常值，建立车辆数字孪生模型与混合动力汽车的映射关系，获取所述映射关系的映射偏差值；
状态判定模块，用于根据所述数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果。
上述技术方案的工作原理为：异常计算模块用于根据分类计算结果计算数据异常值，建立车辆数字孪生模型与混合动力汽车的映射关系，获取所述映射关系的映射偏差值；
所述数据异常值的计算公式为：
其中，为数据异常值，/>为第i种分组数据的云计算分组数据，/>为第i种分组数据的边缘计算分组数据，/>为第i种分组数据的预设数据值。
所述映射偏差值的计算公式为：
其中，为映射偏差值，n为映射点个数，/>为车辆数字孪生模型中第i个映射点数据，/>为混合动力汽车的实时运行数据中第i个映射点数据。
状态判定模块用于根据所述数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果。
上述技术方案的技术效果为：通过根据分类计算结果计算数据异常值，能够精确识别出混合动力汽车运行过程中的异常数据。数据异常值的计算公式结合了多种因素，确保了对异常数据的准确判断。通过建立车辆数字孪生模型与混合动力汽车的映射关系，并计算映射偏差值，能够实现对车辆运行状态的全面映射和对比。映射偏差值的计算公式充分考虑了映射点数据的差异，使得映射关系更加准确和可靠。这种映射关系的建立有助于发现车辆数字孪生模型与实际车辆运行之间的偏差。通过结合数据异常值、映射偏差值和分类计算结果，本方法能够全面、准确地判定混合动力汽车的运行状态。这种判定方式不仅考虑了数据的异常程度，还考虑了模型与实际车辆之间的映射关系，使得判定结果更加全面和可靠。根据判定结果，可以及时发现并处理潜在问题，确保车辆的安全运行。根据汽车运行状态，本方法能够智能地调整混合动力汽车的运行参数。通过优化运行参数，可以实现对车辆性能的改善和能耗的降低。
本发明的一个实施例，所述状态判定模块包括：
分类比较模块，用于将所述数据异常值与预设异常阈值进行比较，根据比较结果对汽车运行状态进行初步判定，获得初步判定结果；
将所述映射偏差值与预设偏差阈值进行比较，根据比较结果对汽车运行状态进行二次判定，获得二次判定结果；
综合判定模块，用于通过所述初步判定结果结合二次判定结果获得综合判定结果。
上述技术方案的工作原理为：分类比较模块，用于将所述数据异常值与预设异常阈值进行比较，根据比较结果对汽车运行状态进行初步判定，获得初步判定结果；当数据异常值大于预设异常阈值时，判定汽车运行状态为二级异常状态，当数据异常值小于等于预设异常阈值时，判定汽车运行状态为一级运行状态；将所述映射偏差值与预设偏差阈值进行比较，根据比较结果对汽车运行状态进行二次判定，获得二次判定结果；当所述映射偏差值大于预设偏差阈值时，判定汽车运行状态为二级运行状态，当所述映射偏差值小于等于预设偏差阈值时，判定汽车运行状态为一级运行状态；综合判定模块，用于通过所述初步判定结果结合二次判定结果获得综合判定结果。将初步判定结果的级别与二次判定结果的级别相加，获得综合判定级别，将所述综合判定级别与预设判定阈值进行比较，当所述综合判定级别大于预设判定阈值时，判定汽车运行状态为测控不准确或危险状态，当立即预警并进行检修处理，当所述综合判定级别小于等于预设判定阈值时，判定汽车运行状态为准确或不危险状态，对数据进行持续监测。
上述技术方案的技术效果为：通过将数据异常值与预设异常阈值进行比较，以及对映射偏差值与预设偏差阈值的比较，本技术能够对汽车运行状态进行初步判定和二次判定。这种双重判定机制确保了对车辆状态评估的准确性和敏感性，使得系统能够更快速地发现潜在的异常或故障。通过比较结果的不同组合，能够将汽车运行状态细分为不同的级别。这种多层次的分类有助于更精确地描述车辆的运行状态。当综合判定级别超过预设判定阈值时，系统能够立即发出预警并进行检修处理。这种及时的预警机制有助于避免潜在的安全隐患和性能问题进一步恶化，从而确保了车辆的安全性和可靠性。对于综合判定级别未超过预设判定阈值的车辆，系统会继续进行数据的持续监测。这种持续监测能够确保对车辆状态的实时掌握，以便在需要时采取及时的处理措施。通过对汽车运行状态的综合判定，本技术能够根据车辆的实际状态合理分配处理资源，避免了对正常状态的车辆进行不必要的干预，从而提高了处理效率和资源利用率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于数字孪生技术的混合动力汽车的测控方法，其特征在于，所述方法包括：
A、训练车辆数字孪生模型，通过所述车辆数字孪生模型输出混合动力汽车的反馈测试数据；
B、通过车辆数字孪生模型与混合动力汽车的实时交互数据判定数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据，对所述子任务分类数据进行分类计算，获得分类计算结果；
其中，所述B包括：
获取车辆数字孪生模型与混合动力汽车的实时交互数据，对所述实时交互数据按照数据种类进行分组，获得多个分组的分组数据，通过所述分组数据计算每个分组的数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据；
根据所述子任务的划分对所述子任务分类数据进行分类计算，获得分类计算结果；
所述子任务分类数据包括边缘计算数据和综合计算数据，通过边缘计算设备对边缘计算数据进行边缘计算，通过云计算对综合计算数据进行综合计算；将所述数据重要值与预设重要阈值进行对比，当所述数据重要值大于预设重要阈值时，将对应分组的数据划分为边缘计算子任务，当所述数据重要值小于等于预设重要阈值时，将对应分组的数据划分为云计算子任务，获得边缘计算子任务分类数据或云计算子任务分类数据；根据所述子任务的划分对所述子任务分类数据进行分类计算，获得分类计算结果；所述分类计算包括边缘计算和云计算；
所述数据重要值的计算公式为：
其中，为第i种分组数据的数据重要值，/>为第i种分组数据的预设处理时间，为第i种分组数据的历史实际处理时间最大值，/>为第i种分组数据的历史实际处理时间最小值，/>为第i种分组数据的数据量，/>为分组数据的个数，/>为第i种分组数据在预设监测时间内的变化量，/>为第i种分组数据在预设监测时间内的变化量的最大值，/>为第i种分组数据在预设监测时间内的变化量的最小值，/>、、/>和/>为权重系数；取值范围为0-1，/>；
C、根据分类计算结果和映射关系分别计算数据异常值和映射偏差值，根据数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，进行汽车预警调控，获得调控结果。
2.根据权利要求1所述一种基于数字孪生技术的混合动力汽车的测控方法，其特征在于，所述A包括：
获取混合动力汽车的预设控制参数，对所述预设控制参数进行标准化处理，获得训练数据；
根据所述训练数据训练车辆数字孪生模型，获取所述混合动力汽车的实时运行数据，输入所述车辆数字孪生模型中，通过所述车辆数字孪生模型输出反馈测试数据。
3.根据权利要求1所述一种基于数字孪生技术的混合动力汽车的测控方法，其特征在于，所述C包括：
根据分类计算结果计算数据异常值，建立车辆数字孪生模型与混合动力汽车的映射关系，获取所述映射关系的映射偏差值；
根据所述数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果。
4.根据权利要求3所述一种基于数字孪生技术的混合动力汽车的测控方法，其特征在于，所述根据所述数据异常值和映射偏差值判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果，包括：
将所述数据异常值与预设异常阈值进行比较，根据比较结果对汽车运行状态进行初步判定，获得初步判定结果；
将所述映射偏差值与预设偏差阈值进行比较，根据比较结果对汽车运行状态进行二次判定，获得二次判定结果；
通过所述初步判定结果结合二次判定结果获得综合判定结果。
5.一种基于数字孪生技术的混合动力汽车的测控系统，其特征在于，所述系统包括：
模型输出模块，用于训练车辆数字孪生模型，通过所述车辆数字孪生模型输出混合动力汽车的反馈测试数据；
重要任务划分计算模块，用于通过车辆数字孪生模型与混合动力汽车的实时交互数据判定数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据，对所述子任务分类数据进行分类计算，获得分类计算结果；
其中，所述重要任务划分计算模块包括：
数据任务划分模块，用于获取车辆数字孪生模型与混合动力汽车的实时交互数据，对所述实时交互数据按照数据种类进行分组，获得多个分组的分组数据，通过所述分组数据计算每个分组的数据重要值，根据所述数据重要值进行计算子任务的划分，获得子任务分类数据；
分类计算模块，用于根据所述子任务的划分对所述子任务分类数据进行分类计算，获得分类计算结果；
所述子任务分类数据包括边缘计算数据和综合计算数据，通过边缘计算设备对边缘计算数据进行边缘计算，通过云计算对综合计算数据进行综合计算；将所述数据重要值与预设重要阈值进行对比，当所述数据重要值大于预设重要阈值时，将对应分组的数据划分为边缘计算子任务，当所述数据重要值小于等于预设重要阈值时，将对应分组的数据划分为云计算子任务，获得边缘计算子任务分类数据或云计算子任务分类数据；根据所述子任务的划分对所述子任务分类数据进行分类计算，获得分类计算结果；所述分类计算包括边缘计算和云计算；
所述数据重要值的计算公式为：
其中，为第i种分组数据的数据重要值，/>为第i种分组数据的预设处理时间，为第i种分组数据的历史实际处理时间最大值，/>为第i种分组数据的历史实际处理时间最小值，/>为第i种分组数据的数据量，/>为分组数据的个数，/>为第i种分组数据在预设监测时间内的变化量，/>为第i种分组数据在预设监测时间内的变化量的最大值，/>为第i种分组数据在预设监测时间内的变化量的最小值，/>、、/>和/>为权重系数；取值范围为0-1，/>；
异常状态判定模块，用于根据分类计算结果和映射关系分别计算数据异常值和映射偏差值，根据数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，进行汽车预警调控，获得调控结果。
6.根据权利要求5所述一种基于数字孪生技术的混合动力汽车的测控系统，其特征在于，所述模型输出模块包括：
训练数据处理模块，用于获取混合动力汽车的预设控制参数，对所述预设控制参数进行标准化处理，获得训练数据；
输出数据获取模块，用于根据所述训练数据训练车辆数字孪生模型，获取所述混合动力汽车的实时运行数据，输入所述车辆数字孪生模型中，通过所述车辆数字孪生模型输出反馈测试数据。
7.根据权利要求5所述一种基于数字孪生技术的混合动力汽车的测控系统，其特征在于，所述异常状态判定模块包括：
异常计算模块，用于根据分类计算结果计算数据异常值，建立车辆数字孪生模型与混合动力汽车的映射关系，获取所述映射关系的映射偏差值；
状态判定模块，用于根据所述数据异常值、映射偏差值结合分类计算结果判定汽车运行状态，根据所述汽车运行状态调整汽车运行参数，获得控制结果。
8.根据权利要求7所述一种基于数字孪生技术的混合动力汽车的测控系统，其特征在于，所述状态判定模块包括：
分类比较模块，用于将所述数据异常值与预设异常阈值进行比较，根据比较结果对汽车运行状态进行初步判定，获得初步判定结果；
将所述映射偏差值与预设偏差阈值进行比较，根据比较结果对汽车运行状态进行二次判定，获得二次判定结果；
综合判定模块，用于通过所述初步判定结果结合二次判定结果获得综合判定结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410339356.1A CN117922538B (zh) | 2024-03-25 | 2024-03-25 | 一种基于数字孪生技术的混合动力汽车的测控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410339356.1A CN117922538B (zh) | 2024-03-25 | 2024-03-25 | 一种基于数字孪生技术的混合动力汽车的测控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117922538A CN117922538A (zh) | 2024-04-26 |
| CN117922538B true CN117922538B (zh) | 2024-06-11 |
Family
ID=90761259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410339356.1A Active CN117922538B (zh) | 2024-03-25 | 2024-03-25 | 一种基于数字孪生技术的混合动力汽车的测控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117922538B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118730574A (zh) * | 2024-09-02 | 2024-10-01 | 江苏奥易克斯汽车电子科技股份有限公司 | 用于混合动力汽车的混动测试方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488629A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于数字孪生技术的混合动力汽车的管控方法 |
| CN113002555A (zh) * | 2021-02-08 | 2021-06-22 | 南京航空航天大学 | 一种数字孪生驱动的智能线控底盘系统及其故障诊断方法 |
| CN115360446A (zh) * | 2022-09-01 | 2022-11-18 | 清华大学深圳国际研究生院 | 一种基于数字孪生电池的电池均衡管理系统 |
| CN115982908A (zh) * | 2022-12-29 | 2023-04-18 | 中煤科工西安研究院(集团)有限公司 | 基于多任务优化算法的矿井数字孪生系统传感器配置方法 |
| CN116170844A (zh) * | 2023-02-20 | 2023-05-26 | 重庆邮电大学 | 一种用于工业物联网场景中的数字孪生辅助任务卸载方法 |
| CN116767281A (zh) * | 2023-07-21 | 2023-09-19 | 中国第一汽车股份有限公司 | 一种辅助驾驶方法、装置、设备、车辆和介质 |
| CN117056867A (zh) * | 2023-10-12 | 2023-11-14 | 中交第四航务工程勘察设计院有限公司 | 一种可用于数字孪生的多源异构数据融合方法及系统 |
| CN117435883A (zh) * | 2023-10-31 | 2024-01-23 | 慧之安信息技术股份有限公司 | 一种基于数字孪生的设备故障预测的方法和系统 |
| CN117743909A (zh) * | 2023-11-20 | 2024-03-22 | 北京京能热力股份有限公司 | 一种基于人工智能的供热系统故障分析方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220156665A1 (en) * | 2018-01-26 | 2022-05-19 | Above Daas, Inc. | Systems and methods for orchestrating agents |
| JP2023500378A (ja) * | 2019-11-05 | 2023-01-05 | ストロング フォース ヴィーシーエヌ ポートフォリオ ２０１９，エルエルシー | バリューチェーンネットワークのためのコントロールタワーおよびエンタープライズマネジメントプラットフォーム |
| US20220332324A1 (en) * | 2021-04-20 | 2022-10-20 | Toyota Motor Engineering & Manufacturing North America, Inc. | Identifying an origin of abnormal driving behavior for improved vehicle operation |
| US20230073151A1 (en) * | 2021-09-09 | 2023-03-09 | Toyota Motor Engineering & Manufacturing North America, Inc. | Early detection of abnormal driving behavior |
-
2024
- 2024-03-25 CN CN202410339356.1A patent/CN117922538B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488629A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于数字孪生技术的混合动力汽车的管控方法 |
| CN113002555A (zh) * | 2021-02-08 | 2021-06-22 | 南京航空航天大学 | 一种数字孪生驱动的智能线控底盘系统及其故障诊断方法 |
| CN115360446A (zh) * | 2022-09-01 | 2022-11-18 | 清华大学深圳国际研究生院 | 一种基于数字孪生电池的电池均衡管理系统 |
| CN115982908A (zh) * | 2022-12-29 | 2023-04-18 | 中煤科工西安研究院(集团)有限公司 | 基于多任务优化算法的矿井数字孪生系统传感器配置方法 |
| CN116170844A (zh) * | 2023-02-20 | 2023-05-26 | 重庆邮电大学 | 一种用于工业物联网场景中的数字孪生辅助任务卸载方法 |
| CN116767281A (zh) * | 2023-07-21 | 2023-09-19 | 中国第一汽车股份有限公司 | 一种辅助驾驶方法、装置、设备、车辆和介质 |
| CN117056867A (zh) * | 2023-10-12 | 2023-11-14 | 中交第四航务工程勘察设计院有限公司 | 一种可用于数字孪生的多源异构数据融合方法及系统 |
| CN117435883A (zh) * | 2023-10-31 | 2024-01-23 | 慧之安信息技术股份有限公司 | 一种基于数字孪生的设备故障预测的方法和系统 |
| CN117743909A (zh) * | 2023-11-20 | 2024-03-22 | 北京京能热力股份有限公司 | 一种基于人工智能的供热系统故障分析方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 基于数字孪生的航空发动机低压涡轮单元体对接技术研究;王岭;;计算机测量与控制;20181023(第10期);292-296+309 * |
| 基于数字孪生的船舶预测性维护;李福兴;李璐爔;彭友;;船舶工程;20200715(第S1期);126-129+405 * |
| 基于数据融合的汽车发动机在线监测与故障预警系统;刘晓慧;周荣艳;;自动化与仪器仪表;20151225(第12期);157-159 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117922538A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117922538B (zh) | 一种基于数字孪生技术的混合动力汽车的测控方法及系统 | |
| CN110610260A (zh) | 行车能耗预测系统、方法、存储介质和设备 | |
| CN108009723A (zh) | 一种船舶航行状态判断与能效状态评估系统 | |
| CN109779848B (zh) | 全场风速修正函数的获得方法、装置及风电场 | |
| CN111273607B (zh) | 基于Spark的数控机床运行状态监测方法 | |
| CN112267972B (zh) | 一种风电机组功率曲线异常智能判定方法 | |
| CN109190922A (zh) | 一种车辆质量评估方法及装置 | |
| CN114889613A (zh) | 一种车辆驾驶控制方法、装置及车辆 | |
| CN116893643A (zh) | 一种基于数据分析的智能机器人行驶轨迹安全管控系统 | |
| CN115575579A (zh) | 一种基于监测源分析的碳监测方法及系统 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
| CN110969214A (zh) | 一种基于支持向量机综合模型的暂态安全域在线构建方法 | |
| CN116915122B (zh) | 一种煤矿变频设备的自适应控制方法及系统 | |
| CN113987927A (zh) | 一种商用车车载质量检测方法 | |
| CN115598309A (zh) | 一种大气环境铅含量的监测预警方法及系统 | |
| CN116055516A (zh) | 一种基于工业物联网的自动化监控系统 | |
| CN111624985B (zh) | 燃气轮机控制系统传感器故障诊断方法 | |
| CN114547096A (zh) | 一种基于大数据预测的并行执行方法和系统 | |
| CN114676781A (zh) | 车辆故障诊断预测方法、装置、设备及车辆 | |
| CN116468205B (zh) | 一种机动车环保检测质量监测方法及系统 | |
| CN118311880B (zh) | 基于数据分析的司控器智能控制方法及系统 | |
| CN118133208B (zh) | 一种机器人打磨离线识别异常数据整合优化系统 | |
| CN109977436B (zh) | 湍流强度估算方法及装置 | |
| CN118392493B (zh) | 一种燃料电池发动机运行工况寿命分析方法及系统 | |
| KR102520255B1 (ko) | 태양광 발전량 예측 시스템 및 방법 |
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 |