CN111775711A - 纯电动汽车状态监测方法及*** - Google Patents
纯电动汽车状态监测方法及*** Download PDFInfo
- Publication number
- CN111775711A CN111775711A CN202010650840.8A CN202010650840A CN111775711A CN 111775711 A CN111775711 A CN 111775711A CN 202010650840 A CN202010650840 A CN 202010650840A CN 111775711 A CN111775711 A CN 111775711A
- Authority
- CN
- China
- Prior art keywords
- information
- sensing
- monitoring
- calculation
- sensing information
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 83
- 230000008569 process Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000001953 sensory effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0038—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to sensors
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种纯电动汽车状态监测方法,包括如下步骤:检测汽车处于运行状态,获取第一传感信息,第一传感信息包括传感数据类型及传感数据总量;根据传感数据类型及传感数据总量,预估第一传感信息计算量;将第一传感信息计算量与预设值比较;当第一传感信息计算量小于预设值时,根据第一传感信息,监测汽车状态;其中,第一传感信息来自分布式传感器。本发明中,将计算量较小的运算部分直接在产生数据的区域进行处理,直接调用位于车联网边缘的边缘计算端参与计算,大幅度提高***的计算速率。
Description
技术领域
本发明涉及车联网技术领域,尤其是指一种汽车状态监测方法及***。
背景技术
纯电动汽车作为国家重点发展的产业,是未来汽车发展的主要趋势。近些年,随着国家的有关政策和指导意见的出台,纯电动汽车的发展受到广泛关注。为了判断纯电动汽车车辆的可靠性,车辆各项状态数据信息的监测与评估则成为了最重要的环节之一。而且随着技术的不断进步与需求的日益变化,对于车辆的信息监测的要求不断的提升与进步;车辆采集到的数据无法迅速交互与处理而导致***性能下降是传统纯电动汽车状态监测普遍存在的问题。
发明内容
本发明所要解决的技术问题是:提供一种纯电动汽车状态监测方法及***,用以加快数据监测的计算速度。
为了解决上述技术问题,本发明采用的技术方案为:一种纯电动汽车状态监测方法,包括如下步骤:检测汽车处于运行状态,获取第一传感信息,第一传感信息包括传感数据类型及传感数据总量;根据传感数据类型及传感数据总量,预估第一传感信息计算量;将第一传感信息计算量与预设值比较;当第一传感信息计算量小于预设值时,根据第一传感信息,监测汽车状态;其中,第一传感信息来自分布式传感器。
其中,所述根据所述第一传感信息,监测汽车状态的步骤,具体包括:
获取所述传感器的置信度;
根据所述传感器的置信度,对所述第一传感信息进行加权,生成第一监测信息;
其中,所述第一监测信息包括所述汽车状态信息。
可选地,当所述第一传感信息计算量大于预设值时,所述方法包括如下步骤:
预处理所述第一传感信息,生成预处理信息;
发送所述预处理信息至计算云端,获取计算云端反馈信息;
根据所述计算云端反馈信息,检测所述汽车状态。
进一步地,所述发送所述第一传感信息至计算云端的步骤之后,还包括如下步骤:
对所述第一传感信息进行神经网络训练,生成传感信息最佳权值;
将所述第一传感信息进行多物理域融合,生成多物理域反馈信息;
根据传感信息最佳权值及多物理域反馈信息,对第一传感信息进行重组,生成第二监测信息;
其中,所述第一传感信息包括多物理域的信息。
进一步地,所述生成多物理域反馈信息的步骤之后,还包括:
记录边缘计算端的历史计算过程,获得边缘计算信息;
记录所述计算云端的历史计算过程,获得云端计算信息;
根据所述边缘计算信息及所述云端计算信息,获得计算监测信息;
其中,每个所述计算云端与至少一个所述边缘计算端是相对应的;
所述计算监测信息包括所述汽车状态信息。
具体的,所述预处理所述第一传感信息,生成预处理信息的步骤中,包括:
对图片信息及传感数据进行预处理,发送所述预处理后的信息至计算云端;
其中,所述传感数据包括监测车体运行状态的车体运行信息、监测电池状态的电池信息及监测驱动装置的驱动信息;
其中,所述车体运行信息、所述电池信息及所述驱动信息分别来自至少一个传感器。
进一步地,所述对所述第一传感信息进行神经网络训练,生成所述传感信息最佳权值的步骤中,具体包括:
根据所述车体运行信息、所述电池信息及所述驱动信息,获取所述车体运行信息、所述电池信息或所述驱动信息中的误差信息;
根据所述误差信息,获得传感信息最佳权值;
其中,所述传感信息最佳权值为各个传感器在所述第二监测信息内的权重。
上述中,所述对所述第一传感信息进行重组,生成第二监测信息的步骤之前,还包括:
应用所述误差信息,获取并调整故障阈值;
根据所述故障阈值,判断各个传感器是否故障;
其中,所述故障阈值为各个传感器异常运行时的阈值。
进一步地,所述根据所述边缘计算信息及所述云端计算信息,获得计算监测信息的步骤之后,所述方法还包括:
根据所述第一监测信息、所述第二监测信息和/或所述计算监测信息中的至少一项信息,生成所述车体、电池或驱动装置的理论可用时间;
传输所述车体、电池或驱动装置的理论可用时间到达客户端;
获取并记录所述车体、电池或驱动装置的真实可用时间。
本申请第二方面提供了一种纯电动汽车状态监测***,包括:
传感模块,用于检测汽车处于运行状态,获取第一传感信息,所述第一传感信息包括传感数据类型及传感数据总量;
计算模块,用于根据所述传感数据类型及传感数据总量,预估第一传感信息计算量;
判断模块,用于将所述第一传感信息计算量与所述预设值比较;
监测模块,用于当所述第一传感信息计算量小于预设值时,根据所述第一传感信息,监测汽车状态;
其中,所述第一传感信息来自分布式传感器。
本发明的有益效果在于:在分布式传感器的使用中,并没有信息预估计算量这一步骤,如果将传感信息直接发送到计算云端,当计算量过小时,用于交互的数据会在计算云端中占用较大的内存,导致性能下降;而如果直接应用边缘计算端对传感信息进行计算,当数据过大时,计算时间较长,难以在实际中使用。本发明中,将计算量较小的运算部分直接在产生数据的区域进行处理,直接调用位于车联网边缘的边缘计算端参与计算,大幅度提高***的计算速率。
附图说明
下面结合附图详述本发明的具体结构
图1为本发明的第一实施例中纯电动汽车状态监测方法的流程图;
图2为本发明的第二实施例中监测汽车状态的流程图;
图3为本发明的第三实施例中监测汽车状态的流程图;
图4为本发明的第四实施例中生成第二监测信息的流程图;
图5为本发明的第五实施例中生成判断传感器故障的流程图;
图6为本发明的第六实施例中获得计算监测信息的流程图;
图7为本发明的第七实施例中获得修正理论可用时间的流程图;
图8为本发明的第一实施例中纯电动汽车状态监测***的结构框图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
请参阅图1,图1为本发明的第一实施例中纯电动汽车状态监测方法的流程图。本申请提供了一种纯电动汽车状态监测方法,包括如下步骤:
步骤S100、检测汽车处于运行状态,获取第一传感信息,第一传感信息包括传感数据类型及传感数据总量;
步骤S200、根据传感数据类型及传感数据总量,预估第一传感信息计算量;
步骤S300、将第一传感信息计算量与预设值比较;
步骤S400、当第一传感信息计算量小于预设值时,根据第一传感信息,监测汽车状态;其中,第一传感信息来自分布式传感器。
本发明的效果在于:在分布式传感器的使用中,并没有信息预估计算量这一步骤,如果将传感信息直接发送到计算云端,当计算量过小时,用于交互的数据会在计算云端中占用较大的内存,导致性能下降;而如果直接应用边缘计算端对传感信息进行计算,当数据过大时,计算时间较长,难以在实际中使用。本发明中,将计算量较小的运算部分直接在产生数据的区域进行处理,直接调用位于车联网边缘的边缘计算端参与计算,大幅度提高***的计算速率。
本实施例中,通过对不同类型的传感数据以及不同传感数据总量的估计,在计算速度已知的情况下,可以通过简单计算获得所需要的计算量。
上述中的第一传感信息包括多个物理域下的各个传感器中的信息,由于本申请的分布式传感器的物理域包括加速度、温湿度、霍尔开关、电压计、电流计、电机速度、压力、质量、扭矩等,每一物理域中都存在至少一个传感器。而车联网的边缘计算端也可以称为边缘计算节点,每个边缘计算节点可以只针对一个物理域的至少一个传感器的数据进行处理,也可以对多个物理域的任意传感器数据进行处理。
进一步地,上述中的分布式传感器由大量的传感器节点组成,用于感知物理状态,收集和处理覆盖区域内物体的信息。由于传感器数量过大,且有的传感器工作环境不佳,容易损坏。任意传感器的损坏,都会使得这些第一传感数据出现错误,进而导致报假警或者检查出现漏洞的情况,因此有必要对数据出错的可能性进行判断。基于此,引入使用置信度这一数据来对汽车状态进行监测。
请参阅图2,图2为本发明的第二实施例中监测汽车状态的流程图。步骤S400、根据第一传感信息,监测汽车状态的步骤,具体包括:
步骤S410、获取传感器的置信度。
可以理解的是,传感器置信度的获取来源可以通过实验数据获得,可以通过神经网络内的模拟训练获得,也可以通过传感器的生产厂家所提供的信息对传感器进行的置信度评估。这三种获取来源有至少两种获取方式,可以是汽车中的某一模块内存有的,也可以是由计算云端将这一信息传输给汽车的。
步骤S420、根据传感器的置信度,对第一传感信息进行加权,生成第一监测信息。
其中,第一监测信息包括汽车状态信息。
在目前的技术中,有人使用置信度对汽车外的道路进行检查,以实现无人驾驶的效果,而本申请应用置信度对第一传感信息进行加权,有至少三种情况:
在第一种情况下,置信度较低的传感器权重较高,置信度较高的传感器权重较低,主要是针对应用第一监测信息对传感器进行进行监控,当某一传感器出现故障时,可以快速对传感器进行监测。
在第二种情况下,置信度较高的传感器权重较高,置信度较低的传感器权重较低,主要是针对应用第一监测信息对汽车各个结构进行进行监控,当某一传感器出现故障时,尽可能降低这一传感器所带来的影响。可以理解的是,由于本实施例中的传感器是分布式传感器,所以各传感器可能分布在车体、电池、驱动装置乃至汽车上的各个位置。
在第三种情况下,可以根据实际需要,设定时间对第一种情况及第二种情况进行转换,同时具有上述两种优势,只是并不能兼具二者的全部优势。
上述的技术方案主要针对计算量较小的数据进行计算,与之相对应的,步骤S400、当第一传感信息计算量大于预设值时,若直接用边缘计算端对第一传感信息进行处理,很容易产生数据溢出,造成计算错误,或者可能会因为处理时间过长而产生意外,影响用户的生命健康;
基于此,请参阅图3,图3为本发明的第三实施例中监测汽车状态的流程图。步骤S400还包括如下步骤:
步骤S430、预处理第一传感信息,生成预处理信息。
在边缘计算端进行预处理操作时,一般不会产生数据计算错误,而且对第一传感信息的预处理,能够降低终端的计算量,而且可以保证数据计算速度。
在一具体的实施例中,步骤S430包括:对图片信息及传感数据进行预处理,发送预处理后的信息至计算云端。
需要理解的是,在本具体的实施例中,是在当第一传感信息计算量大于预设值的前提下,边缘计算端既对第一传感信息中的图片信息进行预处理,又对传感数据进行预处理。需要了解的是,对图片信息进行预处理后,可以通过计算云端的神经网络计算出预估的传感器的置信度。
上述中的传感数据包括监测车体运行状态的车体运行信息、监测电池状态的电池信息及监测驱动装置的驱动信息;其中,车体运行信息、电池信息及驱动信息分别来自至少一个传感器。
本实施例中的驱动装置可仅是一个驱动电机,也可以是多个驱动电机。
在这一具体的实施例中,应用车体运行信息、电池信息及驱动信息这三个角度,检测车体运行的状态,可以形成一定的冗余信息,以此保证整体信息的可靠性。而这三个角度均可包括多个物理域,以此更准确地检测车体运行状态。
步骤S440、发送预处理信息至计算云端,获取计算云端反馈信息。
在本实施例中,计算云端反馈信息就是计算云端对预处理信息的处理结果,而在边缘计算端的预处理之后,计算云端的计算速度相对较快。
步骤S450、根据计算云端反馈信息,检测汽车状态。
在一个实施例中,第一传感数据所需计算量较少,只是对图片的预处理或者只需要对一个物理域的数据进行处理时,可以直接在边缘计算端进行计算,无需将数据传入云端计算;在另一实施例中,第一传感需要进行神经网络训练或者多物理域数据融合,此时需要将第一传感数据传输到云端进行计算。
可以理解的是,当一个物理域内的传感器过多时,可以由多个边缘计算端对同一物理域的数据进行处理,而这些边缘计算端对这一物理域的数据处理之后,其所处理的结果需要传送到计算云端,并在计算云端进行处理。
基于此,在步骤S450、发送第一传感信息至计算云端的步骤之后,请参阅图4,图4为本发明的第四实施例中生成第二监测信息的流程图;上述方法还包括如下步骤:
步骤S460、对第一传感信息进行神经网络训练,生成传感信息最佳权值。
通过第一传感信息的神经训练,可对各传感信息的相关数据进行神经网络训练,得出最佳权值后可用于重组第一传感信息,更准确地实时监测车辆信息
具体的,请参阅图5,图5为本发明的第五实施例中生成判断传感器故障的流程图。在步骤S460中,具体包括:
步骤S461、根据车体运行信息、电池信息及驱动信息,获取车体运行信息、电池信息或驱动信息中的误差信息。
本实施例中,在收集了实际的车体运行信息、电池信息及驱动信息之后,可以配合各个传感器的置信度,以此确定实际信息与理论信息之间的误差,以此更准确地判断汽车状态。
步骤S462、根据误差信息,获得传感信息最佳权值。
其中,传感信息最佳权值为各个传感器在第二监测信息内的权重。
需要了解的是,由于汽车状态随时可能产生变化,因此这一过程是要经常进行的,根据误差信息,可以随时调整边缘计算端与云计算端,更好地监控车辆。
进一步地实施例中,上述方法还包括如下步骤:
步骤S463、应用误差信息,获取并调整故障阈值。
本实施例中,因为误差信息可能产生一定变化的,因此当误差信息产生之后,可以从专家库中获取对应的新的故障阈值。
步骤S464、根据故障阈值,判断各个传感器是否故障。
其中,故障阈值为各个传感器异常运行时的阈值。
由此,可以更好地对汽车状态进行监控,以此获得更全面的监控。
步骤S470、将第一传感信息进行多物理域融合,生成多物理域反馈信息。
需要了解的是,将多物理域的传感信息进行融合时,多物理域信息融合就是把分布在不同位置的多个传感器所提供的局部不完整观察量加以综合,消除多传感器信息之间可能存在的冗余和矛盾,加以互补,降低其不确定性,以形成对***环境相对完整一致的感知描述,从而提高智能***决策、规划和反应的快速性和正确性,同时降低其决策风险。
基于多物理域信息融合的技术有三个优势:提高了***的监测准确性。从传统的单一物理域延伸至多物理域,相同及不同物理域之间的数据融合降低了噪声的干扰,提高了***的准确度。
扩大了***的监测区域。边缘计算端的广大分布性相比于传统的传感器布局涵盖区域更大,能监测机车辆更多的状态参数。
提高了***的冗余性。传统的纯电动汽车状态监测***中当存在传感器故障时,其监测数据会大大影响最后的监测结果,而本***加入的多物理域信息融合技术后能合理地规避此类问题。
步骤S480、根据传感信息最佳权值及多物理域反馈信息,对第一传感信息进行重组,生成第二监测信息。
其中,第一传感信息包括多物理域的信息。
通过使用神经网络训练和多物理域数据融合的相关方法,将异构传感器数据采集并训练,得出最适权值,可大幅度提高数据结果精度,减少测量误差。
进一步地,步骤S470、生成多物理域反馈信息的步骤之后,请参阅图6,图6为本发明的第六实施例中获得计算监测信息的流程图。上述方法还包括:
步骤S491、记录边缘计算端的历史计算过程,获得边缘计算信息。
步骤S492、记录计算云端的历史计算过程,获得云端计算信息。
在本实施例中,可以根据边缘计算信息估计边缘计算端计算各种数据时的状态,根据云端计算信息估计云端计算端计算各种数据的状态,以此对整体进行分析,更好地规划出边缘计算端所应该处理的信息量,以此确定第一传感信息的预设值。当一些传感器更新之后,应用本方法可以直接获得相应的数据。
其中,每个计算云端与至少一个边缘计算端是相对应的。此外,需要理解的是,计算云端实现了大数据的存储与计算、多任务的管理与协调、边缘端的实时交互。
步骤S493、根据边缘计算信息及云端计算信息,获得计算监测信息。
计算监测信息包括汽车状态信息。本实施例中,通过计算监测信息,可以有选择性地将车辆的历史数据整合起来,以此实现状态的预测,从而为车辆的检修和更换配件提供依据,以此来保障车辆行驶过程中的安全。同时,可以构建适配于该***的网络结构,其计算速率远远超过传统数据处理算法。
在进一步地实施例中,在步骤S493之后,请参阅图7,图7为本发明的第七实施例中获得修正理论可用时间的流程图。上述方法还包括:
步骤S494、根据第一监测信息、第二监测信息和/或计算监测信息中的至少一项信息,生成车体、电池或驱动装置的理论可用时间。
根据上述实施例中的论述可知,通过第一监测信息,既可以检测传感器的状态,也可以检测汽车各结构的状态;而第二监测信息是经过神经网络计算及多物理域信息融合之后所获得的,是计算云端中的运算,通过多个传感器的冗余信息,通过大量数据的运算,扩大了***的监测区域,提高了***的冗余性,当存在传感器故障时,多物理域信息融合技术后能合理地规避传感器故障所带来的问题。而计算监测信息主的主要功能在步骤S491~步骤S493中均有体现,不再赘述。可以理解的是,通过预设的各汽车结构的某一部件损坏后,对应的汽车结构的理论可用时间,可以预测出车体、电池或驱动装置的可用时间。
于步骤S494需要大量数据的运算,因此一般在计算云端中进行,基于此,本实施例中还包括:步骤S495、传输车体、电池或驱动装置的理论可用时间到客户端。由在本步骤中,将预计的时间发送到客户端,可以让客户对上述三个汽车结构的可用时间进行预测,以此避免汽车的某一结构损坏之后,汽车无法运行的情况。
步骤S496、获取并记录车体、电池或驱动装置的真实可用时间。
可以理解的是,上述车体、电池或驱动装置的理论可用时间是预测中获得的,因为实际情况下,可能真实可用时间可能与理论可用时间不符,将这一时间记录后,可以用于调整理论可用时间,也可以用于记录。
请参阅图8,图8为本发明的第一实施例中纯电动汽车状态监测***的结构框图。本申请第二方面提供了一种纯电动汽车状态监测***,包括:
传感模块100,用于检测汽车处于运行状态,获取第一传感信息,第一传感信息包括传感数据类型及传感数据总量;
计算模块200,用于根据传感数据类型及传感数据总量,预估第一传感信息计算量;
判断模块300,用于将第一传感信息计算量与预设值比较;
监测模块400,用于当第一传感信息计算量小于预设值时,根据第一传感信息,监测汽车状态;
其中,第一传感信息来自分布式传感器。
上述各模块本质上是虚拟模块,承载了上述各实施例中的方法。上述各模块可以是任意实际产品组合而成的。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
本申请还提供了一种电子终端,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述的任意实施例所述的环路检测方法。处理器执行软件程序时,实现上述方法。需要说明的是,本发明实施例中的电子终端包括但不限于移动电话、移动电脑、平板电脑、个人数字助理、媒体播放器、智能电视、智能手表、智能眼镜、智能手环等用户设备。
需要说明的是,本发明实施例中的电子终端各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种纯电动汽车状态监测方法,其特征在于,包括如下步骤:
检测汽车处于运行状态,获取第一传感信息,所述第一传感信息包括传感数据类型及传感数据总量;
根据所述传感数据类型及传感数据总量,预估第一传感信息计算量;
将所述第一传感信息计算量与所述预设值比较;
当所述第一传感信息计算量小于预设值时,根据所述第一传感信息,监测汽车状态;
其中,所述第一传感信息来自分布式传感器。
2.如权利要求1所述的纯电动汽车状态监测方法,其特征在于,所述根据所述第一传感信息,监测汽车状态的步骤,具体包括:
获取所述传感器的置信度;
根据所述传感器的置信度,对所述第一传感信息进行加权,生成第一监测信息;
其中,所述第一监测信息包括所述汽车状态信息。
3.如权利要求2所述的纯电动汽车状态监测方法,其特征在于,当所述第一传感信息计算量大于预设值时,所述方法包括如下步骤:
预处理所述第一传感信息,生成预处理信息;
发送所述预处理信息至计算云端,获取计算云端反馈信息;
根据所述计算云端反馈信息,检测所述汽车状态。
4.如权利要求3所述的纯电动汽车状态监测方法,其特征在于,所述发送所述第一传感信息至计算云端的步骤之后,还包括如下步骤:
对所述第一传感信息进行神经网络训练,生成传感信息最佳权值;
将所述第一传感信息进行多物理域融合,生成多物理域反馈信息;
根据传感信息最佳权值及多物理域反馈信息,对第一传感信息进行重组,生成第二监测信息;
其中,所述第一传感信息包括多物理域的信息。
5.如权利要求4所述的纯电动汽车状态监测方法,其特征在于,所述生成多物理域反馈信息的步骤之后,还包括:
记录边缘计算端的历史计算过程,获得边缘计算信息;
记录所述计算云端的历史计算过程,获得云端计算信息;
根据所述边缘计算信息及所述云端计算信息,获得计算监测信息;
其中,每个所述计算云端与至少一个所述边缘计算端是相对应的;
所述计算监测信息包括所述汽车状态信息。
6.如权利要求4所述的纯电动汽车状态监测方法,其特征在于,所述预处理所述第一传感信息,生成预处理信息的步骤中,包括:
对图片信息及传感数据进行预处理,发送所述预处理后的信息至计算云端;
其中,所述传感数据包括监测车体运行状态的车体运行信息、监测电池状态的电池信息及监测驱动装置的驱动信息;
其中,所述车体运行信息、所述电池信息及所述驱动信息分别来自至少一个传感器。
7.如权利要求6所述的纯电动汽车状态监测方法,其特征在于,所述对所述第一传感信息进行神经网络训练,生成所述传感信息最佳权值的步骤中,具体包括:
根据所述车体运行信息、所述电池信息及所述驱动信息,获取所述车体运行信息、所述电池信息或所述驱动信息中的误差信息;
根据所述误差信息,获得传感信息最佳权值;
其中,所述传感信息最佳权值为各个传感器在所述第二监测信息内的权重。
8.如权利要求7所述的纯电动汽车状态监测方法,其特征在于,所述对所述第一传感信息进行重组,生成第二监测信息的步骤之前,还包括:
应用所述误差信息,获取并调整故障阈值;
根据所述故障阈值,判断各个传感器是否故障;
其中,所述故障阈值为各个传感器异常运行时的阈值。
9.如权利要求5所述的纯电动汽车状态监测方法,其特征在于,所述根据所述边缘计算信息及所述云端计算信息,获得计算监测信息的步骤之后,所述方法还包括:
根据所述第一监测信息、所述第二监测信息和/或所述计算监测信息中的至少一项信息,生成所述车体、电池或驱动装置的理论可用时间;
传输所述车体、电池或驱动装置的理论可用时间到达客户端;
获取并记录所述车体、电池或驱动装置的真实可用时间。
10.一种纯电动汽车状态监测***,其特征在于,包括:
传感模块,用于检测汽车处于运行状态,获取第一传感信息,所述第一传感信息包括传感数据类型及传感数据总量;
计算模块,用于根据所述传感数据类型及传感数据总量,预估第一传感信息计算量;
判断模块,用于将所述第一传感信息计算量与所述预设值比较;
监测模块,用于当所述第一传感信息计算量小于预设值时,根据所述第一传感信息,监测汽车状态;
其中,所述第一传感信息来自分布式传感器。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650840.8A CN111775711B (zh) | 2020-07-08 | 2020-07-08 | 纯电动汽车状态监测方法及*** |
PCT/CN2020/136384 WO2022007330A1 (zh) | 2020-07-08 | 2020-12-15 | 纯电动汽车状态监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650840.8A CN111775711B (zh) | 2020-07-08 | 2020-07-08 | 纯电动汽车状态监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111775711A true CN111775711A (zh) | 2020-10-16 |
CN111775711B CN111775711B (zh) | 2022-05-31 |
Family
ID=72758939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010650840.8A Active CN111775711B (zh) | 2020-07-08 | 2020-07-08 | 纯电动汽车状态监测方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111775711B (zh) |
WO (1) | WO2022007330A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022007330A1 (zh) * | 2020-07-08 | 2022-01-13 | 深圳技术大学 | 纯电动汽车状态监测方法及*** |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115190152B (zh) * | 2022-07-15 | 2023-05-16 | 中国兵器装备集团自动化研究所有限公司 | 一种测量*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024999A (zh) * | 2010-11-16 | 2011-04-20 | 上海交通大学 | 电动车行动力管理*** |
CN102695204A (zh) * | 2012-04-24 | 2012-09-26 | 北京讯风光通信技术开发有限责任公司 | 一种用于工业无线网络的业务控制方法及*** |
CN105786016A (zh) * | 2016-03-31 | 2016-07-20 | 深圳奥比中光科技有限公司 | 无人机以及rgbd图像的处理方法 |
CN106741543A (zh) * | 2017-02-27 | 2017-05-31 | 潘毅 | 一种带定位功能的电动车智能云控制器及电动车监管*** |
CN106915326A (zh) * | 2017-03-20 | 2017-07-04 | 浙江农业商贸职业学院 | 基于传感器网络的电动汽车状态监测***及方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5895440A (en) * | 1996-12-23 | 1999-04-20 | Cruising Equipment Company, Inc. | Battery monitor and cycle status indicator |
CN100478650C (zh) * | 2004-08-25 | 2009-04-15 | 西门子共同研究公司 | 改善发电设备故障检测的方法和装置 |
CN101441718A (zh) * | 2008-12-19 | 2009-05-27 | 福建三元达通讯股份有限公司 | 传感器信息融合装置及其方法 |
CN108111627A (zh) * | 2018-01-12 | 2018-06-01 | 吉林大学 | 基于nb-iot的分布式智能花卉培育管理*** |
CN109211327A (zh) * | 2018-10-26 | 2019-01-15 | 威海威高电子工程有限公司 | 非接触式车辆状态感知设备及其方法 |
CN109714431A (zh) * | 2019-01-16 | 2019-05-03 | 西安中星测控有限公司 | 一种物联网智能传感器的边缘计算方法和装置 |
CN209877921U (zh) * | 2019-05-08 | 2019-12-31 | 丰利源测量技术(北京)有限公司 | 一种抽油机健康状态实时监测*** |
CN111382937A (zh) * | 2020-03-06 | 2020-07-07 | 广东工业大学 | 一种基于fsae赛车的安全状态评估处理方法 |
CN111775711B (zh) * | 2020-07-08 | 2022-05-31 | 深圳技术大学 | 纯电动汽车状态监测方法及*** |
-
2020
- 2020-07-08 CN CN202010650840.8A patent/CN111775711B/zh active Active
- 2020-12-15 WO PCT/CN2020/136384 patent/WO2022007330A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024999A (zh) * | 2010-11-16 | 2011-04-20 | 上海交通大学 | 电动车行动力管理*** |
CN102695204A (zh) * | 2012-04-24 | 2012-09-26 | 北京讯风光通信技术开发有限责任公司 | 一种用于工业无线网络的业务控制方法及*** |
CN105786016A (zh) * | 2016-03-31 | 2016-07-20 | 深圳奥比中光科技有限公司 | 无人机以及rgbd图像的处理方法 |
CN106741543A (zh) * | 2017-02-27 | 2017-05-31 | 潘毅 | 一种带定位功能的电动车智能云控制器及电动车监管*** |
CN106915326A (zh) * | 2017-03-20 | 2017-07-04 | 浙江农业商贸职业学院 | 基于传感器网络的电动汽车状态监测***及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022007330A1 (zh) * | 2020-07-08 | 2022-01-13 | 深圳技术大学 | 纯电动汽车状态监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111775711B (zh) | 2022-05-31 |
WO2022007330A1 (zh) | 2022-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10324425B2 (en) | Human collaborative robot system having improved external force detection accuracy by machine learning | |
CN111775711B (zh) | 纯电动汽车状态监测方法及*** | |
CN104536435B (zh) | 一种线控***网络在线诊断方法 | |
CN109407518B (zh) | 家庭服务机器人运行状态自主认知方法及*** | |
JP5048902B2 (ja) | エネルギー蓄積部の状態をシミュレーションする方法 | |
US10809695B2 (en) | Information processing apparatus, machine learning device and system | |
CN113495547A (zh) | 一种实时安全的无人驾驶故障诊断与保护方法及*** | |
CN111624433B (zh) | 纯电动汽车状态评估方法、***及计算机可读取存储介质 | |
CN112406545B (zh) | 继电器温升监测方法、装置及电动汽车 | |
Luo et al. | Model-based fault diagnosis/prognosis for wheeled mobile robots: a review | |
CN113211424B (zh) | 故障检测告警方法、装置、服务器及存储介质 | |
CN112231134B (zh) | 神经网络处理器的故障处理方法及装置、设备、存储介质 | |
KR20210036642A (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 | |
CN116108717A (zh) | 一种基于数字孪生的交通运输设备运行预测方法及装置 | |
EP4257453A1 (en) | Control method, monitoring method, electronic control units, controller and control system | |
CN110597235A (zh) | 一种通用智能故障诊断方法 | |
KR20210036638A (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법 | |
CN116399630B (zh) | 一种基于设备工况的运行监测管理方法及*** | |
CN115437886A (zh) | 基于存算一体芯片的故障预警方法、装置、设备及存储 | |
CN115407731A (zh) | 生产线工作状态监测与故障预警***和方法 | |
Shao et al. | When Is It Likely to Fail? Performance Monitor for Black-Box Trajectory Prediction Model | |
CN114244681A (zh) | 设备连接故障预警方法、装置、存储介质及电子设备 | |
CN113835416A (zh) | 一种基于汽车零部件生产状态的生产故障诊断方法 | |
Mohammed et al. | Health index modeling for trustable electronic sensor systems in an autonomous application | |
CN113344072B (zh) | 基于gpb算法的运维多模态决策方法、***及云端服务器 |
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 |