基于工况数据的新能源汽车电控系统故障预测方法技术方案

本发明专利技术提供一种基于工况数据的新能源汽车电控系统故障预测方法，在收集新能源汽车电控系统故障数据及故障样本的基础上，如控制器输出偏差、控制器响应数据、仪表显示偏差等字段的数据，利用这些数据作为新能源汽车故障预测数据库的支撑，作为学习样本，结合神经网络预测的方法，建立基于神经网络的电控系统故障预测模型，通过矩阵运算和softmax层的转化得到最终的概率预测矩阵，选取概率最大的那一项故障作为最终的预测结果。模型的训练方法为随机梯度下降法，通过不断地迭代直到误差小于阈值或者迭代次数大于设定值，最终形成了可用于实际电控系统故障预测的神经网络模型，对故障的预测准确率达到96％以上。

Fault prediction method of electric control system of new energy vehicle based on working condition data

【技术实现步骤摘要】
基于工况数据的新能源汽车电控系统故障预测方法
本专利技术涉及新能源车辆检测故障预测领域，特别是涉及神经网络和车辆电控系统的故障预测领域。
技术介绍
目前关于新能源汽车的公告检测及出厂检测均已形成一个较为完整的检测流程及体系，并且也制定了相当多的行业标准。目前在新能源汽车整车及关键零部件通用性、安全性、互换性、技术条件及试验方法等标准方面，已经发布的新能源汽车标准项目42项(含电动摩托车6项)，其中国家标准35项，汽车行业标准7项。标准按照技术路线分包括纯新能源汽车11项，混合动力汽车6项，燃料电池汽车4项，电动摩托车6项，动力电池8项，电机及控制器2项，能源供给和充电相关5项。而遗憾的是，这些检测均是针对新能源汽车的公告检测或是出厂检测，目前还没有任何针对在用新能源汽车的年检制度或标准。虽然无论是新能源汽车的公告检测、出厂检测，还是在用新能源汽车的年检，其检测的主体都是新能源汽车，并且也存在一定的相关性，但是在用新能源汽车的年检和其他两种检测有着根本性的区别。首先，在用新能源汽车的使用性质决定了年检不可能像其他两种检测那种对新能源汽车进行解体检测，单独检测各个模块的功能及结构；其次，在用新能源汽车的检测还要以非破坏性和可重复性为原则，而无法像出厂检验那样对电池进行针刺、涉水、过充过热等试验；最后，在用新能源汽车的年检有着很强的时效性，需要在很短的时间内当场便生成一份检测报告，而不像出厂检测可以进行长时间的试验。本专利技术针对在新能源汽车年检中电控系统故障预测方面的不足，提出了一种针对电控系统的故障预测模型，来对电控系统发生故障的可能性进行预测。
技术实现思路
本专利技术的主要目的在于提供一种基于神经网络模型的新能源车辆电控系统故障预测方法，通过对车辆电控系统工况数据进行训练，得到一个能准确预测电控系统发生故障可能性的神经网络模型。为实现上述目的，本专利技术采用以下技术方案：一种基于工况数据的新能源汽车电控系统故障预测方法，其具体的实施步骤包括：a.从新能源汽车工况数据库中提取与电控系统相关的数据，数据包括三类，第一类为控制器输出偏差及仪表的指示偏差，第二类为控制器通信数据，第三类为控制器响应数据，每一条数据都对应着一个故障标签，数据都为矩阵格式，作为BP神经网络模型训练的训练集；b.确定BP神经网络预测模型的拓扑结构：总共包含四层——输入层、隐藏层、softmax层、输出层，其输入层的节点数为a中所述数据的种类，总共为18个节点数；隐含层节点数3个；softmax层对应一种将回归结果转化为概率的方法，将前部分的矩阵运算结果转化为三种故障的概率；输出层节点数3个；将步骤a中的训练集输入到神经网络模型进行训练，具体的算法为随机梯度下降法，其训练过程为：a1、初始化模型参数，包括21个节点的权重和偏置，初始化方法为随机生成参数；a2、通过矩阵运算，将训练数据与参数进行矩阵相乘相加，得到回归结果后经过softmax层转化为故障的概率，完成一次迭代；将该次迭代的训练结果与真实值对比得到误差，将误差对神经网络各层的参数求偏导数并沿着偏导数的负方向更新参数，通过不断的迭代进行参数修正，来使得模型的计算结果不断地靠近真实值，当最终的误差小于一定阈值或者迭代达到一定次数，则得到最终的模型参数，完成预测模型的建立；d.利用训练好的神经网络，在进行实时的新能源汽车电控系统检测时，将采集到的控制器显示偏差、仪表显示偏差、控制器通信数据、控制器响应偏差输入神经网络的输入层，输出层会输出对应的电控系统故障类别，实现了电控系统的故障预测。在本专利技术的一些实施例中，还包括如下技术特征：步骤a中的三类数据主要包括：第一类数据，控制器输出偏差及仪表指示偏差包括：剩余续驶里程显示值误差、转鼓行驶路程误差、电机转速显示误差、车速显示误差、电量显示误差、温度显示误差；第二类数据，控制器通信数据用于概括车辆各通信系统之间是否正常通信，包括：CAN网络通信系统、整车控制器ECU、电池管理系统BMS、电机控制器之间的通信功能，正常通信为1，不正常通信为0；第三类数据，控制器响应偏差包括：加速踏板输入数据与电机输出转速偏差、制动踏板输入数据与制动系统制动力偏差。数据格式如下：车辆编码里程误差转鼓误差转速误差车速误差电量误差温度误差15.4191000.41.50.1车辆编码EB通信CB通信CM通信EM通信BM通信加速误差111111100。基于数据库中已经判定的电控系统故障，根据三类数据将其分为三类：控制器输出及仪表显示故障、控制器通信故障、控制器响应故障，分别对应如上述的三类数据。通过输入电控系统故障数据进行神经网络模型的训练，其权利要求2中所述的三类数据对应输入到神经网络模型输入层的一个节点，通过迭代训练得到预测模型的参数。这个代码是一个公知的过程，只需要调整一些参数自动进行训练，代码的运行是通过一个公开的代码库，调用它就可以进行。本专利技术的方法最终形成了可用于实际电控系统故障预测的神经网络模型，对故障的预测准确率达到96％以上附图说明图1为新能源汽车电控系统结构；图2为基于工况数据的新能源汽车电控系统故障预测流程；图3为本专利技术所述新能源汽车电控系统故障预测神经网络模型的拓扑结构。具体实施方式以下对本专利技术的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本专利技术的范围及其应用。本专利技术提供一种基于工况数据的新能源汽车电控系统故障预测方法，其流程如图1所示，在收集新能源汽车电控系统故障数据及故障样本的基础下，如控制器输出偏差、控制器响应数据、仪表显示偏差等18个字段的数据，利用这些数据作为新能源汽车故障预测数据库的支撑，作为学习样本，结合神经网络预测的方法，建立基于神经网络的电控系统故障预测模型，模型包括四层，分别是输入层(18个节点)、隐藏层(3个节点)、softmax层、输出层(3个节点)，收集得到的18个字段的数据分别输入到输入层的18个节点，通过矩阵运算和softmax层的转化得到最终的概率预测矩阵，选取概率最大的那一项故障作为最终的预测结果。模型的训练方法为随机梯度下降法，首先初始化模型参数，包括21个节点的权重和偏置，将标签和工况数据输入神经网络模型，进行矩阵运算得到回归结果，将回归结果输入softmax层得到最终三种故障的概率，选取概率最大的故障作为结果，将结果与真实值进行比对得到误差，取误差对各参数的偏导数并将参数沿着偏导数的负梯度方向更新，通过不断地迭代直到误差小于阈值或者迭代次数大于设定值，最终形成了可用于实际电控本文档来自技高网...

【技术保护点】
1.一种基于工况数据的新能源汽车电控系统故障预测方法，其特征在于，其具体的实施步骤包括：/na.从新能源汽车工况数据库中提取与电控系统相关的数据，数据包括三类，第一类为控制器输出偏差及仪表的指示偏差，第二类为控制器通信数据，第三类为控制器响应数据，每一条数据都对应着一个故障标签，数据都为矩阵格式，作为BP神经网络模型训练的训练集；/nb.确定BP神经网络预测模型的拓扑结构：总共包含四层——输入层、隐藏层、softmax层、输出层，其输入层的节点数为a中所述数据的种类，总共为18个节点数；隐含层节点数3个；softmax层对应一种将回归结果转化为概率的方法，将前部分的矩阵运算结果转化为三种故障的概率；输出层节点数3个；/n将步骤a中的训练集输入到神经网络模型进行训练，具体的算法为随机梯度下降法，其训练过程为：/na1、初始化模型参数，包括21个节点的权重和偏置，初始化方法为随机生成参数；/na2、通过矩阵运算，将训练数据与参数进行矩阵相乘相加，得到回归结果后经过softmax层转化为故障的概率，完成一次迭代；将该次迭代的训练结果与真实值对比得到误差，将误差对神经网络各层的参数求偏导数并沿着偏导数的负方向更新参数，通过不断的迭代进行参数修正，来使得模型的计算结果不断地靠近真实值，当最终的误差小于一定阈值或者迭代达到一定次数，则得到最终的模型参数，完成预测模型的建立；/nd.利用训练好的神经网络，在进行实时的新能源汽车电控系统检测时，将采集到的控制器显示偏差、仪表显示偏差、控制器通信数据、控制器响应偏差输入神经网络的输入层，输出层会输出对应的电控系统故障类别，实现了电控系统的故障预测。/n...

【技术特征摘要】
1.一种基于工况数据的新能源汽车电控系统故障预测方法，其特征在于，其具体的实施步骤包括：
a.从新能源汽车工况数据库中提取与电控系统相关的数据，数据包括三类，第一类为控制器输出偏差及仪表的指示偏差，第二类为控制器通信数据，第三类为控制器响应数据，每一条数据都对应着一个故障标签，数据都为矩阵格式，作为BP神经网络模型训练的训练集；
b.确定BP神经网络预测模型的拓扑结构：总共包含四层——输入层、隐藏层、softmax层、输出层，其输入层的节点数为a中所述数据的种类，总共为18个节点数；隐含层节点数3个；softmax层对应一种将回归结果转化为概率的方法，将前部分的矩阵运算结果转化为三种故障的概率；输出层节点数3个；
将步骤a中的训练集输入到神经网络模型进行训练，具体的算法为随机梯度下降法，其训练过程为：
a1、初始化模型参数，包括21个节点的权重和偏置，初始化方法为随机生成参数；
a2、通过矩阵运算，将训练数据与参数进行矩阵相乘相加，得到回归结果后经过softmax层转化为故障的概率，完成一次迭代；将该次迭代的训练结果与真实值对比得到误差，将误差对神经网络各层的参数求偏导数并沿着偏导数的负方向更新参数，通过不断的迭代进行参数修正，来使得模型的计算结果不断地靠近真实值，当最终的误差小于一定阈值或者迭代达到一定次数，则得到最终的模型参数，完成预测模型的建立；
d.利用训练好的神经网络，在进行实时的新能源汽车电控系统检测时，将采集到的控制器显示偏差、仪表显示偏差、控制器通信数据、控制器响应偏差输入神经网络的输入层，输出层会输出对应的电控系统故障类别，实现了电控系统的故障预测。


2.如权利要求1所述的新能源汽车电控系统故障预测方法，其特征在于，步骤a中的三类数据主要包括：
第一类数据，控制器输出偏差及仪表指示偏差...

【专利技术属性】
技术研发人员：李志恒，赵君豪，张凯，于海洋，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：广东;44