基于漂移孪生体的智能网联汽车BMS传感阵列失效云诊断方法技术

本发明专利技术公开了一种基于漂移孪生体的智能网联汽车BMS传感阵列失效云诊断方法，是通过V2I通信提取典型时刻下目标车辆的动力系统数据和BMS传感阵列数据，建立瞬时动力矩阵和功率因子矩阵，通过构建漂移孪生体网络模型进行特征重组和向量重构，获得功率因子标准漂移输出矩阵，并对功率因子矩阵进行补偿与偏置，然后利用归一化处理与基点平均系数计算出BMS传感阵列漂移失效定位向量，自动诊断中传感阵列中存在漂移失效的传感器集合，最终将失效传感器集合通过云服务器输出。本发明专利技术能够能在智能网联环境下，诊断出电动汽车BMS中传感阵列存在的漂移失效并定位失效传感器集合，为电池管理系统控制策略的可靠性和有效性提供重要保障。障。障。

【技术实现步骤摘要】
基于漂移孪生体的智能网联汽车BMS传感阵列失效云诊断方法


[0001]本专利技术属于智能网联汽车领域，具体的说是一种基于漂移孪生体的智能网联汽车BMS传感阵列失效云诊断方法；

技术介绍

[0002]随着5G、数字孪生、人工智能等先进技术的逐渐普及，汽车行业也开始发生深刻的变革，无人驾驶、纯电动汽车争相成为研究热点。智能网联新能源汽车已成为全球汽车产业转型发展的主要方向。作为纯电动汽车的核心，BMS(电池管理系统)需要通过传感阵列采集动力电池组的电压、电流以及内部温度等技术参数，控制电池充放电过程等重要过程。因此，传感阵列极大便捷了BMS对动力电池组的记录、传输、监测和处理，这也使得传感阵列工作精度和可靠度成为了BMS安全可靠工作的关键问题之一。
[0003]由于传感部件自身老化及外部环境的冲击性噪声会引起传感阵列系统产生不确定性漂移，进而造成电池状态测量的失真。这些漂移失真的电池状态数据，将影响到SOC和SOH等电池状态参数的在线计算精度，进而导致BMS错误的控制输出，造成电池过充或过放，引发动力电池过热、火焰、爆炸以及额定容量的急剧衰本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于漂移孪生体的智能网联汽车BMS传感阵列失效的云诊断方法，其特征是按如下步骤进行：步骤1、云服务器建立目标车辆动力系统的瞬时动力矩阵和功率因子矩阵：目标车辆通过V2I通信实时获取车辆的动力系统数据和BMS传感阵列数据并传输至所述云服务器；设目标车辆动力电池组中单体电池的个数为m，则BMS传感阵列中单体电池的电压传感器个数为m，BMS传感阵列中单体电池的温度传感器个数为m，BMS传感阵列工作电流传感器个数为1个，BMS传感阵列的传感器总个数为2m+1；所述云服务器实时截取Δt时间内的n组整车动力数据流并建立车辆的瞬时动力矩阵其中，表示Δt时间内的第i组整车动力因子构成的参数向量，表示Δt时间内第i组整车动力数据流中的车辆瞬时纵向车速，表示Δt时间内第i组整车动力数据流中的道路坡度角，表示Δt时间内第i组整车动力数据流中的车辆瞬时加速度，表示Δt时间内第i组整车动力数据流中的车轮转矩，表示Δt时间内第i组整车动力数据流中的车轮半径，表示Δt时间内第i组整车动力数据流中的汽车迎风面积，表示Δt时间内第i组整车动力数据流中的有效车辆质量，表示Δt时间内第i组整车动力数据流中的驱动电机转速；所述云服务器实时截取Δt时间内的n组BMS传感阵列数据流并建立车辆的功率因子矩阵其中，表示Δt时间内的第i组BMS传感阵列的功率因子构成的参数向量，表示Δt时间内第i组BMS传感阵列数据中的第k个单体电池电压传感器采集值；表示Δt时间内第i组BMS传感阵列数据中的第k个单体电池温度传感器采集值，表示Δt时间内第i组BMS传感阵列数据中的工作电流传感器采集值；步骤2、所述云服务器构建传感阵列的漂移孪生体网络模型：定义所述漂移孪生体网络模型由输入层、特征重组层、标准漂移输出层构成；定义带高斯白噪声的整车瞬时动力向量集合为X＝{x
j
|j＝1,2,
…
,N}，其中，N表示整车瞬时动力向量的个数，x
j
＝(v
j
,δ
j
,a
j
,T
j
,r
j
,A
j
,M
j
,w
j
)
T
表示第j个整车瞬时动力向量，v
j
表示第j个输入样本向量x
j
中的带噪车辆瞬时纵向车速，δ
j
表示第j个输入样本向量x
j
中的带噪道路坡度角，a
j
表示第j个输入样本向量x
j
中的带噪车辆瞬时加速度，T
j
表示第j个输入样本向量x
j
中的带噪车轮转矩，r
j
表示第j个输入样本向量x
j
中的带噪车轮半径，A
j
表示第j个输入样本向量x
j
中的带噪车辆迎风面积，M
j
表示第j个输入样本向量x
j
中的带噪有效车辆质量，w
j
表示第j个输入样本向量x
j
中的带噪驱动电机转速；定义带高斯白噪声的BMS传感阵列功率因子向量集合为Y＝{y
j
|j＝1,2,
…
,N}，其中，y
j
＝(u
j,1
,
…
,u
j,k
,
…
,u
j,m
,t
j,1
,
…
,t
j,k
,
…
,t
j,m
,i
j,work
)
T
表示第j个BMS传感阵列的功率因子向量，u
j,k
表示第j个输入样本向量y
j
中第k个单体电池的带噪电压传感器采集值；t
j,k
表示第j个输入样本向量y
j
中第k个单体电池的带噪温度传感器采集值，i
j,work
表示第j个输入样本向量y
j
中的带噪工作电流采集传感器采集值；
定义所述漂移孪生体网络模型的输入层与特征重组层的连接函数为自相关函数b(Bx
j
+c0)，其中，B为自相关矩阵，c0表示由工程经验确定的机械传动损失补偿向量；定义所述漂移孪生体网络模型的特征重组层的输入与自身输出之间的映射函数为特征重组函数其中，U为特征重组矩阵，c为重组向量，x
′
j
为特征重组层的第j个输入向量；定义所述漂移孪生体网络模型的标准漂移输出层的输入与自身输出之间的映射函数为重构函数ψ(d(x
″′
j
)
T
M)，其中，d为重构向量，M为重构矩阵，x
″′
j
为激活函数处理后的第j个重组特征向量；定义所述漂移孪生体网络模型的标准漂移输出层的偏置函数为θ(y
j
+e0)，其中，e0表示BMS传感阵列的充放电倍率、温度和蓄电池老化的联合补偿向量；步骤3、所述云服务器训练传感阵列的漂移孪生体网络模型：步骤3.1、初始化自相关矩阵B、特征重组矩阵U、重组向量c、重构向量d和重构矩阵M；步骤3.2、根据动力电池组工况环境确定BMS传感阵列的充放电倍率、温度和蓄电池老化的联合补偿向量e0；步骤3.3、所述输入层利用自相关函数b(Bx
j
+c0)对X中的每个整车瞬时动力向量进行降噪处理，从而获得去噪样本集合X
′
＝{x
′
j
|j＝1,2,
…
,N}，其中，x
′
j
＝(v
′
j
,δ
′
j
,a
′
j
,T
′
j
,r
′
j
,A
′
j
,M
′
j
,w
′
j
)
T
表示第j个去噪向量，并作为特征重组层的第j个输入向量，v
′
j
表示第j个去噪向量x
′
j
中的车辆瞬时纵向车速，δ
′
j
表示第j个去噪向量x
′
j
中的道路坡度角，a
′
j
表示第j个去噪向量x
′
j
中的车辆瞬时加速度，T
′
j
表示第j个去噪向量x
′
j
中的车轮转矩，r
′
j
表示第j个去噪向量x
′
j
中的车轮半径，A
′
j
表示第j个去噪向量x
′
j
中的车辆迎风面积，M
′
j
表示第j个去噪向量x
′
j
中的有效车辆质量，w
′
j
表示第j个去噪向量x
′
j
中的驱动电机转速；步骤3.4、所述特征重组层利用特征重组函数对去噪样本集合X
′
中的每个去噪向量进行数据特征重组，从而获得重...

【专利技术属性】
技术研发人员：王跃飞，肖锴，许于涛，张天耀，饶正卿，孙睿，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：