電動汽車診斷方法和診斷裝置制造方法
【專利摘要】本發(fā)明公開了一種電動汽車的診斷方法和診斷裝置。該診斷方法包括根據(jù)表示電動車運(yùn)行狀態(tài)的狀態(tài)數(shù)據(jù)流提取模式敏感特征；根據(jù)模式敏感特征對電動汽車各運(yùn)行狀態(tài)進(jìn)行特征評估；根據(jù)特征評估的結(jié)果建立包括正常模式和多個(gè)故障模式的模式庫；分別計(jì)算并比較模式庫中的多個(gè)模式和表示汽車實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)流之間的多個(gè)相似度；以及根據(jù)比較結(jié)果產(chǎn)生故障警示信號。本發(fā)明的診斷方法和診斷裝置實(shí)現(xiàn)了故障的實(shí)時(shí)預(yù)報(bào)，提高了效率，能夠?yàn)殡妱悠嚨倪h(yuǎn)程診斷決策即時(shí)提供依據(jù)。同時(shí)，減少了人工的參與，避免了由人工產(chǎn)生的安全隱患。
【專利說明】電動汽車診斷方法和診斷裝置
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及電動汽車領(lǐng)域，尤其涉及電動汽車故障的診斷方法和診斷裝置。
【背景技術(shù)】
[0002]隨著科學(xué)技術(shù)的發(fā)展，汽車電子化程度越來越高，例如，ABS、ASR、安全氣囊、發(fā)動機(jī)電控噴射等技術(shù)不斷應(yīng)用到汽車上。汽車電子控制設(shè)備可以迅速、準(zhǔn)確地處理各種信息，并通過汽車儀表顯示出來，使駕駛員及時(shí)了解并掌握汽車的運(yùn)行狀態(tài)，妥善處理各種情況。然而，電控化程度越高，所包含的儀器和參數(shù)則越多，汽車的故障診斷也越困難。
[0003]現(xiàn)有技術(shù)中的解決電動汽車安全問題的方法包括:故障發(fā)生后的故障診斷和維修人員定期的維護(hù)和保養(yǎng)。其中，車輛故障診斷技術(shù)包括專家系統(tǒng)、模糊推理、神經(jīng)網(wǎng)絡(luò)等。然而，這些技術(shù)嚴(yán)重依賴于專家知識，很多情況下并不能及時(shí)有效的獲取這些專家知識。此夕卜，現(xiàn)有的故障診斷方法不能預(yù)測故障，因此，無法阻止故障的發(fā)生。目的不明確的定期維修和保養(yǎng)不僅成本高、效率低，而且人工檢查的方式很難迅速發(fā)現(xiàn)電動汽車的安全隱患。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問題是提供一種電動汽車的診斷方法和診斷裝置，以實(shí)現(xiàn)實(shí)時(shí)監(jiān)控電動汽車運(yùn)行狀態(tài)，及時(shí)預(yù)測和預(yù)報(bào)電動汽車故障的發(fā)生，避免因?yàn)檫^度依賴專家和人工檢查而產(chǎn)生的安全隱患。
[0005]本發(fā)明解決其技術(shù)問題采用以下的技術(shù)方案:
[0006]本發(fā)明提供了一種電動汽車的診斷方法，所述診斷方法包括以下步驟:
[0007]通過網(wǎng)絡(luò)獲取表示所述電動汽車運(yùn)行狀態(tài)的狀態(tài)數(shù)據(jù)流；
[0008]根據(jù)所述狀態(tài)數(shù)據(jù)流提取電動汽車各運(yùn)行狀態(tài)下的敏感特征；
[0009]根據(jù)所述敏感特征對電動汽車各運(yùn)行狀態(tài)進(jìn)行特征評估；
[0010]根據(jù)所述特征評估的結(jié)果建立包括正常模式和多個(gè)故障模式的模式庫；
[0011]通過所述網(wǎng)絡(luò)接收表示所述電動汽車的實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)流；
[0012]分別計(jì)算模式庫中的多個(gè)模式和表示所述實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)流之間的多個(gè)相似度；
[0013]比較所述多個(gè)相似度；
[0014]如果所述比較結(jié)果表示所述實(shí)時(shí)運(yùn)行狀態(tài)與所述模式庫中的正常模式匹配，則產(chǎn)生表示所述電動汽車沒有故障的正常信號；以及
[0015]如果所述比較結(jié)果表示所述實(shí)時(shí)運(yùn)行狀態(tài)與所述模式庫中的故障模式匹配，則產(chǎn)生表示所述電動汽車出現(xiàn)故障的故障信號。
[0016]其中，所述提取模式特征的步驟還包括:
[0017]利用小波包分解和經(jīng)驗(yàn)?zāi)B(tài)分解方法分解所述原始數(shù)據(jù)；
[0018]對所述原始數(shù)據(jù)和所述分解后的數(shù)據(jù)分別提取時(shí)域無量綱指標(biāo)，以形成聯(lián)合特征；以及[0019]從所述聯(lián)合特征中選擇出所述模式敏感特征。
[0020]此外，所述比較所述多個(gè)相似度的步驟還包括:
[0021]根據(jù)加權(quán)矩陣限定接收預(yù)定頻率范圍內(nèi)的狀態(tài)數(shù)據(jù)，并丟棄所述預(yù)定頻率范圍以外的狀態(tài)數(shù)據(jù)。
[0022]并且，所述特征評估的步驟包括:
[0023]根據(jù)特征間的距離大小評估特征敏感度，其中，同一模式類的類內(nèi)特征距離最小，不同模式內(nèi)的類間特征距離最大，此外，敏感特征是滿足同一模式類的類內(nèi)特征距離最小且不同模式內(nèi)的類間特征距離最大的特征；以及
[0024]將所述特征敏感度的值輸入基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)，以測試和訓(xùn)練故障模式，建立所述模式庫。
[0025]最后，所述建立模式庫的步驟還包括:
[0026]濾波所述原始數(shù)據(jù)，以去除包括異常數(shù)據(jù)和冗余數(shù)據(jù)的噪聲數(shù)據(jù)。
[0027]本發(fā)明還提供了一種電動汽車的診斷裝置，其特征在于，包括:
[0028]接收模塊，用于通過網(wǎng)絡(luò)獲取表示所述電動汽車運(yùn)行狀態(tài)的原始數(shù)據(jù)并接收表示所述電動汽車的實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)流；
[0029]提取模塊，用于根據(jù)所述原始數(shù)據(jù)提取模式敏感特征；
[0030]模式庫模塊，用于根據(jù)所述模式敏感特征對電動汽車的各運(yùn)行狀態(tài)進(jìn)行特征評估，并根據(jù)所述評估的結(jié)果建立包括正常模式和多個(gè)故障模式的模式庫；
[0031]計(jì)算模塊，用于分別計(jì)算模式庫中的多個(gè)模式和所述實(shí)時(shí)運(yùn)行狀態(tài)之間的多個(gè)相似度；以及
[0032]比較模塊，用于比較所述多個(gè)相似度，其中，如果所述比較結(jié)果表示所述實(shí)時(shí)運(yùn)行狀態(tài)與所述模式庫中的正常模式相匹配，則產(chǎn)生表不所述電動汽車沒有故障的正常信號；如果所述比較結(jié)果表示所述實(shí)時(shí)運(yùn)行狀態(tài)與所述模式庫中的一個(gè)故障模式相匹配，則產(chǎn)生表示所述電動汽車出現(xiàn)故障的故障信號。
[0033]其中，所述模式庫模塊包括:
[0034]類聚模塊，用于根據(jù)特征間的距離大小評估特征敏感度，其中，同一模式內(nèi)的類內(nèi)特征距離最小，不同模式類的類間特征距離最大，此外，敏感特征是滿足同一模式類的類內(nèi)特征距離最小且不同模式的類間特征距離最大的特征。所述類聚模塊將所述特征敏感度的值輸入基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)，以測試和訓(xùn)練故障模式，建立所述模式庫。
[0035]此外，所述網(wǎng)絡(luò)可以是無線網(wǎng)絡(luò)。
[0036]與現(xiàn)有技術(shù)相比，本發(fā)明的診斷方法和診斷裝置可以通過無線或有線網(wǎng)絡(luò)實(shí)時(shí)監(jiān)控電動車運(yùn)行狀態(tài)，并且自動檢測故障的發(fā)生。因此，實(shí)現(xiàn)了故障的實(shí)時(shí)預(yù)報(bào)和故障檢測自動化和智能化，提高了效率，能夠?yàn)殡妱悠嚨倪h(yuǎn)程診斷決策即時(shí)提供依據(jù)。同時(shí)，減少了人工的參與，避免了由人工產(chǎn)生的安全隱患。
【專利附圖】

【附圖說明】
[0037]圖1所示為根據(jù)本發(fā)明的實(shí)施例的汽車診斷系統(tǒng)。
[0038]圖2所示為根據(jù)本發(fā)明的實(shí)施例的診斷裝置的工作流程圖。
[0039]圖3所示為根據(jù)本發(fā)明的實(shí)施例的診斷裝置的另一工作流程圖。[0040]圖4所示為根據(jù)本發(fā)明的實(shí)施例的診斷裝置的另一工作流程圖。
[0041]圖5所示為根據(jù)本發(fā)明的實(shí)施例的診斷裝置的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0042]以下將對本發(fā)明的實(shí)施例給出詳細(xì)的說明。盡管本發(fā)明將結(jié)合一些【具體實(shí)施方式】進(jìn)行闡述和說明，但需要注意的是本發(fā)明并不僅僅只局限于這些實(shí)施方式。相反，對本發(fā)明進(jìn)行的修改或者等同替換，均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。
[0043]另外，為了更好的說明本發(fā)明，在下文的【具體實(shí)施方式】中給出了眾多的具體細(xì)節(jié)。本領(lǐng)域技術(shù)人員將理解，沒有這些具體細(xì)節(jié)，本發(fā)明同樣可以實(shí)施。在另外一些實(shí)例中，對于大家熟知的方法、流程、元件和電路未作詳細(xì)描述，以便于凸顯本發(fā)明的主旨。
[0044]圖1所示為根據(jù)本發(fā)明的實(shí)施例的汽車診斷系統(tǒng)100。汽車診斷系統(tǒng)100包括電動車102和診斷裝置104。電動車102包括傳感器110和微處理器112。傳感器110包含裝備在電動車102的多個(gè)運(yùn)行和控制設(shè)備上的傳感器，用于檢測車輛的運(yùn)行狀態(tài)。傳感器110通過總線114傳送表示車輛運(yùn)行狀態(tài)的數(shù)據(jù)給微處理器112。微處理器112處理這些數(shù)據(jù)信息通過網(wǎng)絡(luò)106傳送狀態(tài)數(shù)據(jù)包給診斷裝置104。在一個(gè)實(shí)施例中，微處理器112通過總線114實(shí)時(shí)獲取車載控制器的內(nèi)部數(shù)據(jù)和故障狀態(tài)，同時(shí)采集電池組及電動機(jī)等部件的工作電壓、電流和溫度，結(jié)合全球定位系統(tǒng)(GPS)獲取定位信息。然后，微處理器112將采集的數(shù)據(jù)進(jìn)行打包處理，通過網(wǎng)絡(luò)106傳送至診斷裝置104。在一個(gè)實(shí)施例中，網(wǎng)絡(luò)106通過無線網(wǎng)絡(luò)連接至Internet，以實(shí)現(xiàn)信息的交互。在另一個(gè)實(shí)施例中，網(wǎng)絡(luò)106可以是有線網(wǎng)絡(luò)。診斷裝置104接收來自微處理器112的數(shù)據(jù)流并據(jù)此建立特征模式庫，提取故障信息的特征值，并根據(jù)特征模式庫和故障信息特征值得出故障診斷的結(jié)論，為故障修復(fù)提供依據(jù)。優(yōu)點(diǎn)在于，診斷裝置104實(shí)現(xiàn)了故障診斷的自動化和和智能化，提高了效率，能夠?yàn)殡妱悠嚨倪h(yuǎn)程診斷決策即時(shí)提供依據(jù)。
[0045]圖2所示為根據(jù)本發(fā)明的實(shí)施例的診斷裝置104的工作流程圖。結(jié)合圖1所述，診斷裝置104根據(jù)表示電動汽車102的運(yùn)行狀態(tài)的數(shù)據(jù)流信息提取特征信息，建立特征模式庫，并進(jìn)行故障診斷。在步驟202中，診斷裝置104通過網(wǎng)絡(luò)106獲取表示電動汽車102運(yùn)行狀態(tài)的狀態(tài)數(shù)據(jù)流(也稱作原始數(shù)據(jù)流)。在步驟204中，診斷裝置104根據(jù)該原始數(shù)據(jù)提取模式敏感特征。在一個(gè)實(shí)施例中，診斷裝置104利用小波包分解和經(jīng)驗(yàn)?zāi)B(tài)分解方法分解原始數(shù)據(jù)，對原始數(shù)據(jù)和分解后的數(shù)據(jù)分別提取時(shí)域無量綱指標(biāo)，以形成聯(lián)合特征，并且從該聯(lián)合特征中選擇模式敏感特征。在一個(gè)實(shí)施例中，診斷裝置104濾波原始數(shù)據(jù)，以去除包括異常數(shù)據(jù)和冗余數(shù)據(jù)的噪聲數(shù)據(jù)。在一個(gè)實(shí)施例中，診斷裝置104根據(jù)特征間的距離大小評估特征敏感度,其中，同一模式類的類內(nèi)特征距離最小,不同模式內(nèi)的類間特征距離最大；敏感特征是滿足同一模式類的類內(nèi)特征距離最小且不同模式內(nèi)的類間特征距離最大的特征。在步驟206中，診斷裝置104根據(jù)模式敏感特征對電動汽車運(yùn)行系統(tǒng)的各模式進(jìn)行特征評估，并根據(jù)該特征評估建立包括正常模式和多個(gè)故障模式的特征模式庫。在一個(gè)實(shí)施例中，診斷裝置104將特征敏感度的值輸入基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)，以測試和訓(xùn)練故障模式，建立模式庫。在步驟208中，診斷裝置104通過網(wǎng)絡(luò)106接收表示電動汽車102的實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)流。在步驟210中，診斷裝置104分別計(jì)算模式庫中的多個(gè)模式和表示所述實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)流之間的多個(gè)相似度。在一個(gè)實(shí)施例中，診斷裝置104根據(jù)加權(quán)矩陣限定接收預(yù)定頻率范圍內(nèi)的狀態(tài)數(shù)據(jù)，并丟棄預(yù)定頻率范圍以外的狀態(tài)數(shù)據(jù)。在步驟212中，比較該多個(gè)相似度并得出表示車102是否發(fā)生故障和發(fā)生什么故障的結(jié)論信息。其中，在步驟214中，如果比較結(jié)果表示實(shí)時(shí)運(yùn)行狀態(tài)與特征模式庫中的正常模式匹配，則產(chǎn)生表示該電動汽車沒有故障的正常信號；在步驟216中，如果比較結(jié)果表示實(shí)時(shí)運(yùn)行狀態(tài)與模式庫中的一個(gè)故障模式匹配，則產(chǎn)生表不電動汽車出現(xiàn)故障的故障信號。
[0046]圖3所示為根據(jù)本發(fā)明的實(shí)施例的診斷裝置104的另一工作流程圖。圖3將對圖2中的步驟202-204進(jìn)行詳細(xì)的描述。在一個(gè)實(shí)施例中，特征評估和提取的方法包括根據(jù)特征間的距離大小評估特征敏感度。更具體地講，同一類的類內(nèi)特征距離最小，不同類的類間特征距離最大，能夠符合這一原則的特征被認(rèn)為是敏感特征。通過計(jì)算選定特征的同一類的類內(nèi)距離和不同類的類間距離，可以評估該特征的敏感度。在一個(gè)實(shí)施例中，數(shù)據(jù)特征信息采樣方式采取類聚法。
[0047]在步驟SlO中，接收數(shù)據(jù)流，采集原始數(shù)據(jù)，例如:對實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)進(jìn)行挖掘獲得電動車遠(yuǎn)程數(shù)據(jù)流，采集N個(gè)數(shù)據(jù)流樣本。在步驟Sll中，對所采集的N個(gè)數(shù)據(jù)流樣本進(jìn)行濾波預(yù)處理，去除數(shù)據(jù)中的異常數(shù)據(jù)、冗余數(shù)據(jù)等噪聲數(shù)據(jù)。
[0048]在步驟S12中，計(jì)算數(shù)據(jù)流中的特征的類內(nèi)距離的平均值。例如，數(shù)據(jù)流中的第」類第i個(gè)特征的類內(nèi)距離可表示為:
[0049]
【權(quán)利要求】
1.一種電動汽車的診斷方法，其特征在于，所述診斷方法包括以下步驟: 通過網(wǎng)絡(luò)獲取表示所述電動汽車運(yùn)行狀態(tài)的狀態(tài)數(shù)據(jù)流； 根據(jù)所述狀態(tài)數(shù)據(jù)流提取電動汽車各運(yùn)行狀態(tài)下的敏感特征； 根據(jù)所述敏感特征對電動汽車各運(yùn)行狀態(tài)進(jìn)行特征評估； 根據(jù)所述特征評估的結(jié)果建立包括正常模式和多個(gè)故障模式的模式庫； 通過所述 網(wǎng)絡(luò)接收表示所述電動汽車的實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)流； 分別計(jì)算模式庫中的多個(gè)模式和表示所述實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)流之間的多個(gè)相似度； 比較所述多個(gè)相似度； 如果所述比較結(jié)果表示所述實(shí)時(shí)運(yùn)行狀態(tài)與所述模式庫中的正常模式匹配，則產(chǎn)生表示所述電動汽車沒有故障的正常信號；以及 如果所述比較結(jié)果表示所述實(shí)時(shí)運(yùn)行狀態(tài)與所述模式庫中的故障模式匹配，則產(chǎn)生表示所述電動汽車出現(xiàn)故障的故障信號。
2.根據(jù)權(quán)利要求1所述的電動汽車的診斷方法，其特征在于，所述提取模式特征的步驟還包括: 利用小波包分解和經(jīng)驗(yàn)?zāi)B(tài)分解方法分解所述狀態(tài)數(shù)據(jù)； 對所述狀態(tài)數(shù)據(jù)和所述分解后的數(shù)據(jù)分別提取時(shí)域無量綱指標(biāo)，以形成聯(lián)合特征；以及 從所述聯(lián)合特征中選擇出所述模式敏感特征。
3.根據(jù)權(quán)利要求1所述的電動汽車的診斷方法，其特征在于，所述比較所述多個(gè)相似度的步驟還包括: 根據(jù)加權(quán)矩陣限定接收預(yù)定頻率范圍內(nèi)的狀態(tài)數(shù)據(jù)，并丟棄所述預(yù)定頻率范圍以外的狀態(tài)數(shù)據(jù)。
4.根據(jù)權(quán)利要求1所述的電動汽車的診斷方法，其特征在于，所述特征評估的步驟包括: 根據(jù)特征間的距離大小評估特征敏感度，其中，同一模式類的類內(nèi)特征距離最小，不同模式內(nèi)的類間特征距離最大，此外，敏感特征是滿足同一模式類的類內(nèi)特征距離最小且不同模式內(nèi)的類間特征距離最大的特征。
5.根據(jù)權(quán)利要求4所述的電動汽車的診斷方法，其特征在于，所述特征評估的步驟還包括: 將所述特征敏感度的值輸入基函數(shù)神經(jīng)網(wǎng)絡(luò)，以測試和訓(xùn)練故障模式，建立所述模式庫。
6.根據(jù)權(quán)利要求1所述的電動汽車的診斷方法，其特征在于，所述建立模式庫的步驟還包括: 濾波所述原始數(shù)據(jù)，以去除包括異常數(shù)據(jù)和冗余數(shù)據(jù)的噪聲數(shù)據(jù)。
7.一種電動汽車的診斷裝置，其特征在于，包括: 接收模塊，用于通過網(wǎng)絡(luò)獲取表示所述電動汽車運(yùn)行狀態(tài)的原始數(shù)據(jù)并接收表示所述電動汽車的實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)流； 提取模塊，用于根據(jù)所述原始數(shù)據(jù)提取電動汽車各運(yùn)行狀態(tài)下的敏感特征；模式庫模塊，用于根據(jù)所述敏感特征對電動汽車的各運(yùn)行狀態(tài)進(jìn)行特征評估，并根據(jù)所述評估的結(jié)果建立包括正常模式和多個(gè)故障模式的模式庫； 計(jì)算模塊，用于分別計(jì)算模式庫中的多個(gè)模式和所述實(shí)時(shí)運(yùn)行狀態(tài)之間的多個(gè)相似度；以及 比較模塊，用于比較所述多個(gè)相似度，其中，如果所述比較結(jié)果表示所述實(shí)時(shí)運(yùn)行狀態(tài)與所述模式庫中的正常模式相匹配，則產(chǎn)生表示所述電動汽車沒有故障的正常信號；如果所述比較結(jié)果表示所述實(shí)時(shí)運(yùn)行狀態(tài)與所述模式庫中的一個(gè)故障模式相匹配，則產(chǎn)生表示所述電動汽車出現(xiàn)故障的故障信號。
8.根據(jù)權(quán)利要求7所述的電動汽車的診斷裝置，其特征在于，所述模式庫模塊包括: 類聚模塊，用于根據(jù)特征間的距離大小評估特征敏感度，其中，同一模式類的類內(nèi)特征 距離最小，不同模式內(nèi)的類間特征距離最大，此外，敏感特征是滿足同一模式類的類內(nèi)特征距離最小且不同模式內(nèi)的類間特征距離最大的特征。
9.根據(jù)權(quán)利要求8所述的電動汽車的診斷裝置，其特征在于，所述類聚模塊將所述特征敏感度的值輸入基函數(shù)神經(jīng)網(wǎng)絡(luò)，以測試和訓(xùn)練故障模式，建立所述模式庫。
10.根據(jù)權(quán)利要求7所述的電動汽車的診斷裝置，其特征在于，所述網(wǎng)絡(luò)包括無線網(wǎng)絡(luò)。
【文檔編號】G05B23/02GK103838229SQ201410072649
【公開日】2014年6月4日 申請日期:2014年2月28日 優(yōu)先權(quán)日:2014年2月28日
【發(fā)明者】杜常清, 李晃, 朱一多, 顏伏伍, 趙奕凡 申請人:武漢理工大學(xué)