集成式通用电动化底盘多目标协同故障诊断方法及系统技术方案

本发明专利技术涉及一种集成式通用电动化底盘多目标协同故障诊断方法及系统，属于车辆底盘技术领域，选择与每个零部件的每个工作参数的特性相匹配的机器学习模型，可以使用其中的一种或几种机器学习模型融合的方式，得到最适用当前场景的机器学习模型，利用实验测试数据和实车运行数据对机器学习模型进行训练和验证，提高模型的预测准确率，并采用多目标协同故障诊断模型对待测底盘中的各模块进行实时在线检测、准确评估其故障状态，实现了以动力、驱动、储能、控制模块中的多个重要零部件为对象进行多目标故障诊断，多模块的故障诊断状态统筹考虑，提高了电动化底盘故障诊断的效率。提高了电动化底盘故障诊断的效率。提高了电动化底盘故障诊断的效率。

【技术实现步骤摘要】
集成式通用电动化底盘多目标协同故障诊断方法及系统


[0001]本专利技术涉及车辆底盘
，特别是涉及一种集成式通用电动化底盘多目标协同故障诊断方法及系统。

技术介绍

[0002]目前在新能源汽车上，电动化底盘集成了驱动、控制等多个模块，根据整车需求单独设计每个系统及零部件，并对每个零部件单独地进行故障诊断，而当某个模块发生某一故障时，可能会引起其他模块的故障发生，造成电动化底盘故障诊断的诊断时间长、诊断率低、诊断不准确等问题。因此，对电动化底盘中的各个模块及零部件进行多目标协同故障诊断，对提高诊断效率是非常有必要的。

技术实现思路

[0003]本专利技术的目的是提供一种集成式通用电动化底盘多目标协同故障诊断方法及系统，以提高电动化底盘故障诊断的效率。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种集成式通用电动化底盘多目标协同故障诊断方法，所述方法包括：
[0006]获取待测底盘中各模块包含的每个零部件的实验测试数据和实车运行数据；所述实验测试数据为做实验或台架测试中每个零部件的每个工作参数的测试值和测试状态；所述实车运行数据为实际搭车运载时每个零部件的每个工作参数的运行数据和运行状态；
[0007]选择与每个零部件的每个工作参数的特性相匹配的机器学习模型；
[0008]利用每个零部件的每个工作参数的实验测试数据和实车运行数据对各自的机器学习模型进行训练和验证，获得每个零部件的每个工作参数优化后的机器学习模型，并将所有优化后的机器学习模型构成多目标协同故障诊断模型；
[0009]根据待测底盘中各模块包含的每个零部件的实时运行数据，利用所述多目标协同故障诊断模型对每个零部件的每个工作参数进行故障诊断，获得每个零部件的每个工作参数的实时状态；
[0010]对各模块包含的每个零部件的每个工作参数的实时状态进行综合分析，确定待测底盘中各模块的健康状态。
[0011]可选的，待测底盘中的模块为动力模块、驱动模块、储能模块、控制模块中的一个或多个；
[0012]动力模块包含的零部件为燃料电池系统、动力电池系统、超级电容系统中的一个或多个；燃料电池系统的工作参数包括温度、电压、电流和湿度；动力电池系统的工作参数包括温度、电压和电流；超级电容系统的工作参数包括温度、电压和电流；
[0013]驱动模块包含的零部件为驱动电机；驱动电机的工作参数包括转速、转矩和温度；
[0014]储能模块包含的零部件为储氢瓶；储氢瓶的工作参数包括容量、浓度和出口压力；
[0015]控制模块包含的零部件为控制器；控制器的工作参数包括电压和绝缘状态。
[0016]可选的，所述根据每个零部件的每个工作参数的特性，选择每个零部件的每个工作参数的机器学习模型，具体包括：
[0017]对精度要求高的工作参数选择预测精度准确度高的机器学习模型，包括线性分类器；
[0018]对响应需求快的工作参数选择计算速度快的机器学习模型，包括朴素贝叶斯。
[0019]可选的，所述利用每个零部件的每个工作参数的实验测试数据和实车运行数据对各自的机器学习模型进行训练和验证，获得每个零部件的每个工作参数优化后的机器学习模型，并将所有优化后的机器学习模型构成多目标协同故障诊断模型，具体包括：
[0020]将每个零部件的每个工作参数的实验测试数据和实车运行数据划分为训练集和验证集；
[0021]利用每个零部件的每个工作参数的训练集训练各自的机器学习模型，得到每个零部件的每个工作参数训练后的机器学习模型；
[0022]利用每个零部件的每个工作参数的验证集验证训练后的机器学习模型，获得准确度；
[0023]判断所述准确度是否大于或等于准确度阈值，获得判断结果；
[0024]若所述判断结果表示否，则调整机器学习模型的参数或训练方法，返回步骤“利用每个零部件的每个工作参数的训练集训练各自的机器学习模型，得到每个零部件的每个工作参数训练后的机器学习模型”；
[0025]若所述判断结果表示是，则输出每个零部件的每个工作参数训练后的机器学习模型，并将所有工作参数训练后的机器学习模型构成多目标协同故障诊断模型。
[0026]一种集成式通用电动化底盘多目标协同故障诊断系统，所述系统包括：
[0027]历史数据获取模块，用于获取待测底盘中各模块包含的每个零部件的实验测试数据和实车运行数据；所述实验测试数据为做实验或台架测试中每个零部件的每个工作参数的测试值和测试状态；所述实车运行数据为实际搭车运载时每个零部件的每个工作参数的运行数据和运行状态；
[0028]模型选择模块，用于选择与每个零部件的每个工作参数的特性相匹配的机器学习模型；
[0029]模型优化模块，用于利用每个零部件的每个工作参数的实验测试数据和实车运行数据对各自的机器学习模型进行训练和验证，获得每个零部件的每个工作参数优化后的机器学习模型，并将所有优化后的机器学习模型构成多目标协同故障诊断模型；
[0030]模型应用模块，用于根据待测底盘中各模块包含的每个零部件的实时运行数据，利用所述多目标协同故障诊断模型对每个零部件的每个工作参数进行故障诊断，获得每个零部件的每个工作参数的实时状态；
[0031]健康状态确定模块，用于对各模块包含的每个零部件的每个工作参数的实时状态进行综合分析，确定待测底盘中各模块的健康状态。
[0032]可选的，待测底盘中的模块为动力模块、驱动模块、储能模块、控制模块中的一个或多个；
[0033]动力模块包含的零部件为燃料电池系统、动力电池系统、超级电容系统中的一个或多个；燃料电池系统的工作参数包括温度、电压、电流和湿度；动力电池系统的工作参数
包括温度、电压和电流；超级电容系统的工作参数包括温度、电压和电流；
[0034]驱动模块包含的零部件为驱动电机；驱动电机的工作参数包括转速、转矩和温度；
[0035]储能模块包含的零部件为储氢瓶；储氢瓶的工作参数包括容量、浓度和出口压力；
[0036]控制模块包含的零部件为控制器；控制器的工作参数包括电压和绝缘状态。
[0037]可选的，所述模型选择模块，具体包括：
[0038]第一模型选择子模块，用于对精度要求高的工作参数选择预测精度准确度高的机器学习模型，包括线性分类器；
[0039]第二模型选择子模块，用于对响应需求快的工作参数选择计算速度快的机器学习模型，包括朴素贝叶斯。
[0040]可选的，所述模型优化模块，具体包括：
[0041]数据划分子模块，用于将每个零部件的每个工作参数的实验测试数据和实车运行数据划分为训练集和验证集；
[0042]模型训练子模块，用于利用每个零部件的每个工作参数的训练集训练各自的机器学习模型，得到每个零部件的每个工作参数训练后的机器学习模型；
[0043]模型验证子模块，用于利用每个零部件的每个工作参数的验证集验证训练后的机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种集成式通用电动化底盘多目标协同故障诊断方法，其特征在于，所述方法包括：获取待测底盘中各模块包含的每个零部件的实验测试数据和实车运行数据；所述实验测试数据为做实验或台架测试中每个零部件的每个工作参数的测试值和测试状态；所述实车运行数据为实际搭车运载时每个零部件的每个工作参数的运行数据和运行状态；选择与每个零部件的每个工作参数的特性相匹配的机器学习模型；利用每个零部件的每个工作参数的实验测试数据和实车运行数据对各自的机器学习模型进行训练和验证，获得每个零部件的每个工作参数优化后的机器学习模型，并将所有优化后的机器学习模型构成多目标协同故障诊断模型；根据待测底盘中各模块包含的每个零部件的实时运行数据，利用所述多目标协同故障诊断模型对每个零部件的每个工作参数进行故障诊断，获得每个零部件的每个工作参数的实时状态；对各模块包含的每个零部件的每个工作参数的实时状态进行综合分析，确定待测底盘中各模块的健康状态。2.根据权利要求1所述的集成式通用电动化底盘多目标协同故障诊断方法，其特征在于，待测底盘中的模块为动力模块、驱动模块、储能模块、控制模块中的一个或多个；动力模块包含的零部件为燃料电池系统、动力电池系统、超级电容系统中的一个或多个；燃料电池系统的工作参数包括温度、电压、电流和湿度；动力电池系统的工作参数包括温度、电压和电流；超级电容系统的工作参数包括温度、电压和电流；驱动模块包含的零部件为驱动电机；驱动电机的工作参数包括转速、转矩和温度；储能模块包含的零部件为储氢瓶；储氢瓶的工作参数包括容量、浓度和出口压力；控制模块包含的零部件为控制器；控制器的工作参数包括电压和绝缘状态。3.根据权利要求1所述的集成式通用电动化底盘多目标协同故障诊断方法，其特征在于，所述选择与每个零部件的每个工作参数的特性相匹配的机器学习模型，具体包括：对精度要求高的工作参数选择预测精度准确度高的机器学习模型，包括线性分类器；对响应需求快的工作参数选择计算速度快的机器学习模型，包括朴素贝叶斯。4.根据权利要求1所述的集成式通用电动化底盘多目标协同故障诊断方法，其特征在于，所述利用每个零部件的每个工作参数的实验测试数据和实车运行数据对各自的机器学习模型进行训练和验证，获得每个零部件的每个工作参数优化后的机器学习模型，并将所有优化后的机器学习模型构成多目标协同故障诊断模型，具体包括：将每个零部件的每个工作参数的实验测试数据和实车运行数据划分为训练集和验证集；利用每个零部件的每个工作参数的训练集训练各自的机器学习模型，得到每个零部件的每个工作参数训练后的机器学习模型；利用每个零部件的每个工作参数的验证集验证训练后的机器学习模型，获得准确度；判断所述准确度是否大于或等于准确度阈值，获得判断结果；若所述判断结果表示否，则调整机器学习模型的参数或训练方法，返回步骤“利用每个零部件的每个工作参数的训练集训练各自的机器学习模型，得到每个零部件的每个工作参数训练后的机器学习模型”；若所述判断结果表示是，则输出每个零部件的每个工作参数训练后的机器学习模型，
并将所有工作参数训练后的机器学习模...

【专利技术属性】
技术研发人员：徐晓明，洪吉超，陈东方，赤骋，胡松，王越，李跃华，李仁政，孙旭东，唐伟，赵磊，
申请(专利权)人：北京格睿能源科技有限公司，
类型：发明
国别省市：