CN114239759B - 电动汽车的故障诊断方法、装置、电子设备及存储介质 - Google Patents
电动汽车的故障诊断方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114239759B CN114239759B CN202210174568.XA CN202210174568A CN114239759B CN 114239759 B CN114239759 B CN 114239759B CN 202210174568 A CN202210174568 A CN 202210174568A CN 114239759 B CN114239759 B CN 114239759B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- classified
- dimension
- amplitude
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种电动汽车的故障诊断方法、装置、电子设备及存储介质,属于电动汽车技术领域。该方法包括:获取电动汽车的待分类故障信号;对待分类故障信号进行特征提取处理,得到目标输入数据;将目标输入数据输入至训练完成的故障分类模型,得到电动汽车的故障诊断结果。本发明将待分类故障信号进行特征提取处理后输入至训练完成的故障分类模型,能够做出更准确的故障诊断,且能自动对大量的电动汽车的故障信号进行分类,从而实现故障的快速诊断,克服了传统基于专家判定的故障诊断方法工作量大、效率低下和准确率不够的缺陷,更利于落地实践应用。
Description
技术领域
本发明涉及电动汽车技术领域,尤其涉及到一种电动汽车的故障诊断方法、装置、电子设备及存储介质。
背景技术
在日渐严重的环境危机下,为降低能耗和减少污染物排放,电动汽车等新能源汽车作为高效和可持续发展的交通方式受到了极大的关注。电池***作为电动汽车的重要组成部分,它的功能和安全性直接影响到电动汽车的综合性能。近年由于电动汽车的电池***故障所引起的电动汽车安全事故频发,对电池***实现准确及时的故障诊断的需求也不断增加。
但传统的电动汽车的电池***的故障诊断,由于是基于专家判定实现故障诊断,存在诊断工作量大、效率低下和准确率不够的缺陷。
发明内容
为了解决传统的基于专家判定的故障诊断方法工作量大、效率低下和准确率不够的缺陷,本发明提供了一种电动汽车的故障诊断方法、装置、电子设备及存储介质。
第一方面,为了解决上述技术问题,本发明提供了一种电动汽车的故障诊断方法,包括:
获取电动汽车的待分类故障信号;
对待分类故障信号进行特征提取处理,得到目标输入数据;
将目标输入数据输入至训练完成的故障分类模型,得到电动汽车的故障诊断结果。
本发明的有益效果是:将待分类故障信号进行特征提取处理后输入至训练完成的故障分类模型,能够做出更准确的故障诊断,且能自动对大量的电动汽车的故障信号进行分类,从而实现故障的快速诊断,克服了传统基于专家判定的故障诊断方法工作量大、效率低下和准确率不够的缺陷,更利于落地实践应用。
进一步,对待分类故障信号进行特征提取处理,得到目标输入数据,包括:
利用滑动窗口对待分类故障信号进行切割,将切割后的待分类故障信号进行快速傅里叶变换,得到第一特征数据;
对待分类故障信号进行特征提取,得到第二特征数据;
将第一特征数据和第二特征数据确定为目标输入数据。
采用上述改进方案的有益效果是:通过对待分类故障信号获取第一特征数据和第二特征数据,从而有效提取出能够用于故障诊断的关键信息,有利于故障分类模型对待分类故障信号做出更准确、快速的故障诊断。
进一步,待分类故障信号包括多个维度的数据,对于每个维度的数据,该维度的数据表征了待分类故障信号的一个属性,利用滑动窗口对待分类故障信号进行切割,将切割后的待分类故障信号进行快速傅里叶变换,得到第一特征数据,包括:
对切割后的待分类故障信号中的每个维度的数据,分别进行快速傅里叶变换,得到各个维度的数据所对应的振幅数据和频率数据;
对于多个维度的数据中的任一维度的数据,从任一维度的数据所对应的振幅数据中,获取满足第一设定条件的第一振幅数据,计算第一振幅数据的中位数,得到任一维度的数据所对应的第一振幅数据和第一振幅数据的中位数,其中,第一设定条件为包含预设数量的峰值振幅的振幅数据;从任一维度的数据所对应的频率数据中,获取满足第二设定条件的第一频率数据,计算第一频率数据的中位数,得到任一维度的数据所对应的第一频率数据和第一频率数据的中位数,其中,第二设定条件为包含预设数量的峰值频率的频率数据;获取任一维度的数据所对应的峰值个数,其中,峰值个数为任一维度的数据所对应的振幅数据中的峰值振幅的个数或任一维度的数据所对应的频率数据中的峰值频率的个数;
将各个维度的数据所对应的峰值个数、第一振幅数据、第一振幅数据的中位数、第一频率数据、以及第一频率数据的中位数确定为第一特征数据。
采用上述改进方案的有益效果是:将待分类故障信号切割并进行快速傅里叶变换,得到可以表征故障信息的振幅数据和频率数据,并较好地实现对故障信息的精确定位和提取,提高故障诊断的可靠性和效率。
进一步,待分类故障信号包括多个维度的数据,对于每个维度的数据,该维度的数据表征了待分类故障信号的一个属性,对待分类故障信号进行特征提取,得到第二特征数据,包括:
对于待分类故障信号中的任一维度的数据,将任一维度的数据的中位数、第95%分位数、第5%分位数和标准差确定为任一维度的数据的第三特征数据;
将待分类故障信号中的各个维度的数据的第三特征数据确定为第二特征数据。
采用上述改进方案的有益效果是:基于统计特性对待分类故障信号进行特征提取以获得原始数据特征,进一步保证输入至故障分类模型的目标输入数据的有效性。
进一步,对待分类故障信号进行特征提取处理,得到目标输入数据之前,还包括:
基于关键属性信息,对待分类故障信号进行数据清洗,其中,关键属性信息包括BMS电池单体最高温度、BMS电池隔离电阻和BMS电池总电压中的至少一种。
采用上述改进方案的有益效果是:基于电动汽车的电池***故障的主要特征参数设置关键属性信息,利用该关键属性信息对待分类故障信号进行数据清洗,能够合理去除待分类故障信号的异常值等无效信息。
进一步,故障分类模型是通过以下方式建立的:
基于胶囊网络模型,建立第一训练模型;
利用获取的不同故障报警类型所对应的故障信号,对第一训练模型进行训练,得到训练完成的故障分类模型。
采用上述改进方案的有益效果是:基于胶囊网络模型构建故障分类模型,能够在样本数据较少的情况下保证故障分类模型的分类精度。
进一步,基于胶囊网络模型,建立第一训练模型,包括:
将胶囊网络模型中的卷积层、最大池化层和全连接层分别设置为一维卷积层、一维最大池化层和全局均值池化层,得到第一训练模型。
采用上述改进方案的有益效果是:基于待分类故障信号的数据特点合理调整胶囊网络模型,使得到的故障分类模型在保证精度的基础上更轻量化,进一步提高故障诊断的效率。
第二方面,本发明提供了一种电动汽车的故障诊断装置,包括:
获取模块,用于获取电动汽车的待分类故障信号;
处理模块,用于对待分类故障信号进行特征提取处理,得到目标输入数据;
诊断模块,用于将目标输入数据输入至训练完成的故障分类模型,得到电动汽车的故障诊断结果。
第三方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当指令在终端设备上运行时,使得终端设备执行如第一方面所述的电动汽车的故障诊断方法的全部或部分步骤。
第四方面,本发明提供了一种电子设备,包括存储器、处理器及存储在存储器上并在处理器上运行的程序,处理器执行程序时实现如第一方面所述的电动汽车的故障诊断方法的全部或部分步骤。
附图说明
图1为本发明实施例提供的一种电动汽车的故障诊断方法的流程示意图;
图2为本发明实施例提供的一种电动汽车的故障诊断装置的结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下列实施例是对本发明的进一步解释和补充,对本发明不构成任何限制。
以下结合附图描述本发明实施例的一种电动汽车的故障诊断方法。
参照图1所示,本发明提供了一种电动汽车的故障诊断方法,包括如下步骤S1至步骤S3。
在步骤S1中,获取电动汽车的待分类故障信号。
其中,待分类故障信号为表示故障特点的信息的连续长时段信号,连续长时段信号指时域上连续的数据,也即是具有一定长度的时序信号。例如,待分类故障信号可以包括表示电池***故障特点的电压的时序信号、以及温度的时序信号等。
在该实施例中,对电动汽车设置车辆传感器,并周期性地获取车辆传感器采集的数据。例如,设置车辆传感器每隔1秒对电动汽车采集一次数据并上传至数据库平台,以使车辆传感器采集的数据在时域上连续。设置每隔1200秒的周期,从数据库平台中获取一次连续长时段信号,该连续长时段信号包括车辆传感器从当前时刻向前1200秒内所采集的数据,也即是1200个数据值,从而得到长度为1200秒的时序信号。将该长度为1200秒的时序信号确定为待分类故障信号。
在步骤S2中,对待分类故障信号进行特征提取处理,得到目标输入数据。
在该实施例中,以数据处理的方式对待分类故障信号进行特征提取处理,例如,可以将该待分类故障信号转换为频域信号以提取频域特征,或者对分类故障信号进行时域分析以提取时域特征等,从而实现对故障信息的初步定位和提取,提高故障诊断的效率。
可选的,在一个实施例中,对待分类故障信号进行特征提取处理,得到目标输入数据的实现过程包括:
利用滑动窗口对待分类故障信号进行切割,将切割后的待分类故障信号进行快速傅里叶变换,得到第一特征数据;
对待分类故障信号进行特征提取,得到第二特征数据;
将第一特征数据和第二特征数据确定为目标输入数据。
需要说明的是,快速傅里叶变换是一种分析信号的方法,其理论原理为任何连续采集到的时序信号,都可以表示为不同频率的正弦波信号的无限叠加,因此根据该原理演变的快速傅立叶变换算法能够利用采集到的原信号(时序信号),以累加方式来计算该原信号中不同正弦波信号的频率、振幅和相位,从而实现对原信号的频域分析。
其中,频域是描述信号在频率方面特性时用到的一种坐标系。用线性代数的语言就是装着正弦函数的空间。频域最重要的性质是:它不是真实的,而是一个数学构造。正弦波是频域中唯一存在的波形,这是频域中最重要的规则,即可通过正弦波对频域进行描述,因为频域中的任何波形都可用正弦波合成。时域分析用于描述时间和信号之间的关系,频域分析用于描述频率和信号之间的关系。
在该实施例中,用滑动窗口切割的方法,根据设置的时长(滑动窗口的大小)将连续长时段信号(待分类故障信号)切割为多组短时段信号,将该多组短时段信号确定为切割后的待分类故障信号,以对电动汽车故障发生的时间段进行精确的定位,便于后续采取相关故障处理措施。对短时段信号进行快速傅里叶变换,以将短时段信号从时域转换到频域,并对转换到频域的信号进行特征提取和筛选,得到可以表征频域信号特征的特征点集,也即是第一特征数据。并对连续长时段信号求取分布式特征,例如,以统计分析的方法得到可以表征时域信号特征的特征点集,也即是第二特征数据。将表征频域信号特征的特征点集和表征时域信号特征的特征点集进行汇总,得到目标输入数据。
作为一种可能的实施方式,待分类故障信号包括多个维度的数据,对于每个维度的数据,该维度的数据表征了待分类故障信号的一个属性。
示例性地,待分类故障信号包括三个维度的数据(如BMS电池单体最高温度的时序信号、BMS电池隔离电阻的时序信号和BMS电池总电压的时序信号),每个维度的数据为与1秒至1200秒的时段对应的时序信号,也即是长度为1200秒的时序信号,这三个维度分别表征待分类故障信号的三个属性(如BMS电池单体最高温度、BMS电池隔离电阻和BMS电池总电压),设定滑动窗口的大小为W秒,滑动步长为S秒。
从连续长时段信号(待分类故障信号)的第一秒开始,分别取三个属性(维度)的连续W秒数据,将这连续W秒数据切割下来作为一组数据(短时段信号);从上一窗口的第S+1秒数据开始,再从连续长时段信号中分别取三个属性的连续W秒数据,将这连续W秒数据切割下来作为另一组数据;
重复上述切割步骤,直至剩余的未切割的连续长时段信号的长度小于滑动窗口的大小,例如剩余的未切割的连续长时段信号的三个维度的时序信号对应的时段均为1199秒至1200秒,也即是三个维度的时序信号的长度均为1秒,若滑动窗口的大小(W秒)大于1秒,则丢弃该剩余的未切割的连续长时段信号,得到将待分类故障信号切割后的多组短时段信号,每组短时段信号均包括三个维度的长度为W秒的时序信号。其中,可设定滑动窗口大小为120秒,滑动步长为60秒。
可选的,利用滑动窗口对待分类故障信号进行切割,将切割后的待分类故障信号进行快速傅里叶变换,得到第一特征数据的实现过程包括:
对切割后的待分类故障信号中的每个维度的数据,分别进行快速傅里叶变换,得到各个维度的数据所对应的振幅数据和频率数据;
对于多个维度的数据中的任一维度的数据,从任一维度的数据所对应的振幅数据中,获取满足第一设定条件的第一振幅数据,计算第一振幅数据的中位数,得到任一维度的数据所对应的第一振幅数据和第一振幅数据的中位数,其中,第一设定条件为包含预设数量的峰值振幅的振幅数据;从任一维度的数据所对应的频率数据中,获取满足第二设定条件的第一频率数据,计算第一频率数据的中位数,得到任一维度的数据所对应的第一频率数据和第一频率数据的中位数,其中,第二设定条件为包含预设数量的峰值频率的频率数据;获取任一维度的数据所对应的峰值个数,其中,峰值个数为任一维度的数据所对应的振幅数据中的峰值振幅的个数或任一维度的数据所对应的频率数据中的峰值频率的个数;
将各个维度的数据所对应的峰值个数、第一振幅数据、第一振幅数据的中位数、第一频率数据、以及第一频率数据的中位数确定为第一特征数据。
需要说明的是,快速傅里叶变换的振幅对应某频率点上的信号能量,振幅越高能量越高,例如,峰值振幅可以表征这个频率的信号的幅度相对于其他频率成分的信号的幅度要大,而其对应的峰值频率则可以表征这段信号的主要频率成分。
示例性地,待分类故障信号包括三个维度的数据,将连续W秒的三个维度的数据分别进行快速傅里叶变换,得到各个维度相应的振幅列表和频率列表,其中,振幅列表和频率列表分别指基于快速傅里叶变换得到的以累加方式来计算的各个维度的数据中各个正弦波信号的振幅和频率。
对于三个维度中的其中一个维度的数据,将其对应的振幅列表和频率列表各取前一半,去除负频率及对应的振幅,得到该维度的数据所对应的振幅数据和频率数据;设置第一设定条件和第二设定条件中的预设数量为N个,将振幅数据中大于振幅的第95%分位数的振幅作为峰值振幅,并统计峰值振幅的个数,取最大的前N个峰值振幅(N可以为10)作为第一振幅数据,若不足N个,则用零填充;相应地,由于振幅与频率对应,因此可采用类似的方法求取峰值频率、峰值频率的个数、以及满足第二设定条件的第一频率数据;取振幅数据中的峰值振幅的中位数,若统计的峰值振幅个数为零,则取振幅数据的中位数;相应地,采用类似的方法求取峰值频率的中位数;将得到的N个峰值振幅及对应的峰值频率、统计的峰值个数(峰值振幅的个数或峰值频率的个数)、峰值振幅的中位数及对应的峰值频率的中位数共2N+3个特征点,作为该维度的数据对应的经过傅里叶变换后提取和筛选的特征点集。
将三个维度的数据对应的经过傅里叶变换后提取和筛选的特征点集进行汇总,得到待分类故障信号的第一特征数据。
可选的,对待分类故障信号进行特征提取,得到第二特征数据的实现过程包括:
对于待分类故障信号中的任一维度的数据,将任一维度的数据的中位数、第95%分位数、第5%分位数和标准差确定为任一维度的数据的第三特征数据;
将待分类故障信号中的各个维度的数据的第三特征数据确定为第二特征数据。
需要说明的是,标准差在概率统计中最常使用作为统计分布程度上的测量,标准差定义是总体各单位标准值与其平均数离差平方的算术平均数的平方根,它反映组内个体间的离散程度。可以通过对任一维度的时序信号获取离散的信号值,并对该离散的信号值求取方差的算术平方根,从而得到该维度的数据的标准差。
第95%分位数指的是时序信号的所有信号值中95%的信号值都小于的信号值,第5%分位数指的是时序信号的所有信号值中5%的信号值都小于的信号值。
其中,第95%分位数可以用于找出信号中由于噪声而出现的尖峰。例如,95%分位数是统计时所采用的最高值,通常将信号中超过95%分位数的信号值舍弃,从而将信号中瞬间的尖峰去掉,使对信号的统计平均更具真实意义。
可选的,在一个实施例中,对待分类故障信号进行特征提取处理,得到目标输入数据之前,还包括:
基于关键属性信息,对待分类故障信号进行数据清洗,其中,关键属性信息包括BMS电池单体最高温度、BMS电池隔离电阻和BMS电池总电压中的至少一种。
可以理解的是,电动汽车的故障信号中常含有不完整,不一致的脏数据,该脏数据指异常值、以及空值等无意义的数据。例如,车辆传感器对数据的漏采导致信号中出现空值,噪声或车辆传感器对数据的误采导致信号中出现异常值,此时,若将车辆传感器采集的故障信号直接输入至模型以进行训练或分类,将极大地影响模型训练及分类效果。
在该实施例中,可以先通过均值填补、中位数填补等方式对待分类故障信号的空值进行填补,再筛除异常值并保留待分类故障信号中的关键属性信息所对应的数据,从而完成数据清洗。
其中,关键属性信息可以包括专家(专业技术人员)规定的每类故障所对应的关键属性。
示例性地,对于电动汽车的三级故障的诊断(三级故障为电动汽车最高等级的故障),假设具体需要对电池高温报警、车载储能装置类型过压报警、以及绝缘报警这三种故障报警进行信号的分类。根据专家规定,电池高温报警对应BMS(Battery ManagementSystem,电池管理***)采集的电池单体最高温度(BMS电池单体最高温度)、车载储能装置类型过压报警对应BMS采集的隔离电阻(BMS电池隔离电阻)、绝缘报警对应BMS采集的总电压(BMS电池总电压)。因此将BMS电池单体最高温度、BMS电池隔离电阻和BMS电池总电压作为关键属性信息,并进行数据清洗,得到只含有上述关键属性的待分类故障信号。
在步骤S3中,将目标输入数据输入至训练完成的故障分类模型,得到电动汽车的故障诊断结果。
其中,该故障诊断结果为故障分类模型对输入信号所输出的故障报警的分类结果,如输出的故障报警的分类结果可以是电池高温报警。
可选的,在一个实施例中,故障分类模型是通过以下方式建立的:
基于胶囊网络模型,建立第一训练模型;
利用获取的不同故障报警类型所对应的故障信号,对第一训练模型进行训练,得到训练完成的故障分类模型。
作为一种可能的实施方式,获取电动汽车的故障信号,并对故障信号进行数据清洗等预处理,得到目标信号;将目标信号用滑动窗口进行切割后,得到可以进行快速傅里叶变换的短时段信号;将短时段信号进行快速傅里叶变换,对变换后的数据进行特征提取和筛选,并结合原始数据特征,得到可以用于训练模型的数据;将得到的可以用于训练模型的数据制作成数据集,并用第一训练模型进行训练以得到分类模型;将得到的分类模型进行参数调优和验证,得到训练完成的故障分类模型。
可选的,选择人工手动调参方法进行参数调优,能保证得到分类模型对应的最优超参数,进一步确保训练完成的故障分类模型对故障的诊断准确率。
示例性地,假设需要对电动汽车的三级故障诊断建立故障分类模型,则电动汽车的不同故障报警类型所对应的故障信号的获取过程包括:
由车辆传感器获取电动汽车的实时数据并上传到电动汽车公司数据库平台;基于数据库平台中的电动汽车三级故障报警表,根据实际需要筛选出用于故障诊断的三类故障报警(如电池高温报警、车载储能装置类型过压报警和绝缘报警);从数据库平台中的故障报警数据表中分别获取上述每类故障报警的连续长时段故障信号,得到不同故障报警类型所对应的故障信号。
其中,故障报警数据表中记录了电动汽车各种故障发生所对应的报警数据,该报警数据为时序信号,对每个报警数据均记录有起始时间和终止时间。可设定采集长度为1200秒的故障信号,故障信号的长度不大于报警数据的长度(报警数据的长度=终止时间-起始时间),以根据故障报警表中的对应报警数据的终止时间向前取1200秒长度的信号的方式,得到每类故障报警中每个故障报警数据的长度为1200秒的故障信号,也即是得到不同故障报警类型所对应的故障信号。
可选的,基于胶囊网络模型,建立第一训练模型的实现过程包括:
将胶囊网络模型中的卷积层、最大池化层和全连接层分别设置为一维卷积层、一维最大池化层和全局均值池化层,得到第一训练模型。
需要说明的是,胶囊网络是一种新型向量神经网络。Capsule利用向量化的神经元(胶囊)代替传统标量神经元,向量中包含的参数特征更全面,可以在样本数据较少的情况下保证分类精度。一个胶囊实际上是由一组标量神经元组成,长度表示实体存在的概率,方向表示实体的属性。Capsule主要包含主胶囊(PrimaryCaps)层和数字胶囊(DigitCaps)层。卷积层和全局均值池化层用于提取信号的低层次特征,PrimaryCaps层用于表达特征之间的上下文关系,将提取的特征传递给DigitCaps层后,利用动态路由算法进行检测。胶囊间的动态路由机制确保每一层胶囊输出的特征向量被正确地发送到下一层中对应的胶囊。
卷积神经网络在处理小样本情况下其性能不理想。而电动汽车的故障样本数量较少且不均衡,为了能够在现有的数据基础上,让模型学习到重要的特征信息,本发明通过信号处理方法获取了信号的表征数据,并调整结合胶囊网络的Capsule(胶囊)结构。胶囊网络做的是通过识别部分和部分之间的关系来识别整个物体,而对于本发明所述的电动汽车的故障信号,利用胶囊网络对故障信号的上下文关系进行学习,能更好对故障信号进行分类。
示例性地,使用一维卷积层替换胶囊网络模型中的二维卷积层,使用一维最大池化层替换胶囊网络模型中的二维最大池化层,并结合使用全局均值池化层取代了胶囊网络模型中最后的全连接层以构建第一训练模型对数据的特征进行学习。
可以理解的是,故障信号的每个维度的数据都是连续的一维变量,且一维卷积相比二维卷积,在信号序列数据中有着良好的表现,因此选择一维卷积层替换胶囊网络模型中的二维卷积层。通过使用(GAP)全局均值池化层来取代最后的全连接层,能够极大地减少网络模型的参数(卷积神经网络中参数量占比最大的其实是后面的全连接层),使模型变得轻量化,达到快速检测的效果。
示例性地,将得到的用于模型训练的数据按比例划分为训练集、验证集和测试集,将训练集用于模型每轮训练,验证集用于每轮验证,测试集用于最终测试。其中,可按0.6、0.2和0.2的比例将数据划分为训练集、验证集和测试集。
初始化第一训练模型中的各项参数,根据预设迭代训练次数将训练集按批次输入至第一训练模型中进行迭代训练;在每轮训练中,根据所设计的损失函数计算验证集的分类损失,并计算验证集的分类精度;用所选择的损失函数优化方法计算梯度,并根据梯度进行反向传播更新第一训练模型中的各项参数。
在经过预设迭代训练次数后,若验证集分类精度达到预设预期值并且分类损失已经收敛,则训练完毕,将该第一训练模型作为故障分类模型,再对该故障分类进行优化处理;若验证集分类精度未达到预设预期值或分类损失未收敛,则利用人工手动调参的方法对模型进行超参数调整,利用超参数调整后的第一训练模型再次进行上述迭代训练,直至验证集分类精度达到预设预期值且分类损失收敛。
可选的,将第一训练模型中的各项参数初始化为0或者随机初始化为0到1之间的值。
可选的,设定预设迭代训练次数为200次,批次大小为32。
可以理解的是,训练集中的数据需要按批次输入至第一训练模型中进行迭代训练,若不按批次大小将训练集中的数据一次性全部输入至模型,可能因内存不够而导致程序崩溃。
可选的,设定的预设预期值为0.95。
其中,分类精度可以是准确率、精确率或召回率等用于评价分类模型精度的指标。分类损失收敛指的是在预设迭代训练次数的最后数次迭代中,故障分类模型的损失函数值不变。
在该实施例中,通过获取电动汽车的故障信号,并进行数据预处理,将预处理后的故障信号作为目标信号,可以筛除异常值和去除空值;将得到的目标信号用滑动窗口进行切割后,得到可以进行快速傅里叶变换的短时段信号,以对故障信息进行精确定位;通过将短时段信号进行快速傅里叶变换,对变换后的数据进行特征提取和筛选,并结合原始数据特征,得到可以用于训练模型的数据,从而可以分析出更多有用的信息以及对分类影响更大的信息;通过将得到的可以用于训练模型的数据制作成数据集,并用改进的胶囊网络进行训练得到分类模型,可以获得识别准确率更高的模型;通过将得到的分类模型进行参数调优和验证,得到训练完成的故障分类模型,可以对待分类故障信号做出更准确的分类。
在上述各实施例中,虽然对步骤进行了编号,如S1、S2等,但只是本申请给出的具体实施例,本领域的技术人员可根据实际情况调整S1、S2等的执行顺序,此也在本发明的保护范围内,可以理解,在一些实施例中,可以包含如上述各实施方式中的部分或全部。
如图2所示,本发明实施例提供的一种电动汽车的故障诊断装置10,包括:
获取模块20,用于获取电动汽车的待分类故障信号;
处理模块30,用于对待分类故障信号进行特征提取处理,得到目标输入数据;
诊断模块40,用于将目标输入数据输入至训练完成的故障分类模型,得到电动汽车的故障诊断结果。
可选的,处理模块30,具体用于利用滑动窗口对待分类故障信号进行切割,将切割后的待分类故障信号进行快速傅里叶变换,得到第一特征数据;对待分类故障信号进行特征提取,得到第二特征数据;将第一特征数据和第二特征数据确定为目标输入数据。
可选的,待分类故障信号包括多个维度的数据,对于每个维度的数据,该维度的数据表征了待分类故障信号的一个属性;
处理模块30,还用于对切割后的待分类故障信号中的每个维度的数据,分别进行快速傅里叶变换,得到各个维度的数据所对应的振幅数据和频率数据;对于多个维度的数据中的任一维度的数据,从任一维度的数据所对应的振幅数据中,获取满足第一设定条件的第一振幅数据,计算第一振幅数据的中位数,得到任一维度的数据所对应的第一振幅数据和第一振幅数据的中位数,其中,第一设定条件为包含预设数量的峰值振幅的振幅数据;从任一维度的数据所对应的频率数据中,获取满足第二设定条件的第一频率数据,计算第一频率数据的中位数,得到任一维度的数据所对应的第一频率数据和第一频率数据的中位数,其中,第二设定条件为包含预设数量的峰值频率的频率数据;获取任一维度的数据所对应的峰值个数,其中,峰值个数为任一维度的数据所对应的振幅数据中的峰值振幅的个数或任一维度的数据所对应的频率数据中的峰值频率的个数;将各个维度的数据所对应的峰值个数、第一振幅数据、第一振幅数据的中位数、第一频率数据、以及第一频率数据的中位数确定为第一特征数据。
可选的,待分类故障信号包括多个维度的数据,对于每个维度的数据,该维度的数据表征了待分类故障信号的一个属性;
处理模块30,还用于对于待分类故障信号中的任一维度的数据,将任一维度的数据的中位数、第95%分位数、第5%分位数和标准差确定为任一维度的数据的第三特征数据;将待分类故障信号中的各个维度的数据的第三特征数据确定为第二特征数据。
可选的,处理模块30,还用于基于关键属性信息,对待分类故障信号进行数据清洗,其中,关键属性信息包括BMS电池单体最高温度、BMS电池隔离电阻和BMS电池总电压中的至少一种。
可选的,诊断模块40,还用于基于胶囊网络模型,建立第一训练模型;利用获取的不同故障报警类型所对应的故障信号,对第一训练模型进行训练,得到训练完成的故障分类模型。
可选的,诊断模块40,还用于将胶囊网络模型中的卷积层、最大池化层和全连接层分别设置为一维卷积层、一维最大池化层和全局均值池化层,得到第一训练模型。
本发明实施例提供的一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当指令在终端设备上运行时,使得终端设备执行上述任一实施例的电动汽车的故障诊断方法的步骤。
如图3所示,本发明实施例提供的一种电子设备500,包括存储器510、处理器520及存储在存储器510上并在处理器520上运行的程序530,处理器520执行程序530时实现上述任一实施例的电动汽车的故障诊断方法的步骤。
其中,电子设备500可以选用电脑、手机等,相对应地,其程序530为电脑软件或手机App等,且上述关于本发明的一种电子设备500中的各参数和步骤,可参考上文中电动汽车的故障诊断方法的实施例中的各参数和步骤,在此不做赘述。
所属技术领域的技术人员知道,本发明可以实现为***、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“***”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种电动汽车的故障诊断方法,其特征在于,包括:
获取电动汽车的待分类故障信号;
对所述待分类故障信号进行特征提取处理,得到目标输入数据;
将所述目标输入数据输入至训练完成的故障分类模型,得到所述电动汽车的故障诊断结果;
所述对所述待分类故障信号进行特征提取处理,得到目标输入数据,包括:
利用滑动窗口对所述待分类故障信号进行切割,将切割后的所述待分类故障信号进行快速傅里叶变换,得到第一特征数据;
对所述待分类故障信号进行特征提取,得到第二特征数据;
将所述第一特征数据和所述第二特征数据确定为所述目标输入数据;
所述待分类故障信号包括多个维度的数据,对于每个维度的数据,该维度的数据表征了所述待分类故障信号的一个属性,所述利用滑动窗口对所述待分类故障信号进行切割,将切割后的所述待分类故障信号进行快速傅里叶变换,得到第一特征数据,包括:
对切割后的所述待分类故障信号中的每个维度的数据,分别进行快速傅里叶变换,得到各个维度的数据所对应的振幅数据和频率数据;
对于所述多个维度的数据中的任一维度的数据,从所述任一维度的数据所对应的振幅数据中,获取满足第一设定条件的第一振幅数据,计算所述第一振幅数据的中位数,得到所述任一维度的数据所对应的第一振幅数据和第一振幅数据的中位数,其中,所述第一设定条件为包含预设数量的峰值振幅的振幅数据;
从所述任一维度的数据所对应的频率数据中,获取满足第二设定条件的第一频率数据,计算所述第一频率数据的中位数,得到所述任一维度的数据所对应的第一频率数据和第一频率数据的中位数,其中,所述第二设定条件为包含预设数量的峰值频率的频率数据;
获取所述任一维度的数据所对应的峰值个数,其中,所述峰值个数为所述任一维度的数据所对应的振幅数据中的峰值振幅的个数或所述任一维度的数据所对应的频率数据中的峰值频率的个数;
将所述各个维度的数据所对应的峰值个数、第一振幅数据、第一振幅数据的中位数、第一频率数据、以及第一频率数据的中位数确定为所述第一特征数据。
2.根据权利要求1所述的方法,其特征在于,所述对所述待分类故障信号进行特征提取,得到第二特征数据,包括:
对于所述待分类故障信号中的任一维度的数据,将所述任一维度的数据的中位数、第95%分位数、第5%分位数和标准差确定为所述任一维度的数据的第三特征数据;
将所述待分类故障信号中的各个维度的数据的第三特征数据确定为所述第二特征数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述待分类故障信号进行特征提取处理,得到目标输入数据之前,还包括:
基于关键属性信息,对所述待分类故障信号进行数据清洗,其中,所述关键属性信息包括BMS电池单体最高温度、BMS电池隔离电阻和BMS电池总电压中的至少一种。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述故障分类模型是通过以下方式建立的:
基于胶囊网络模型,建立第一训练模型;
利用获取的不同故障报警类型所对应的故障信号,对所述第一训练模型进行训练,得到所述训练完成的故障分类模型。
5.根据权利要求4所述的方法,其特征在于,所述基于胶囊网络模型,建立第一训练模型,包括:
将所述胶囊网络模型中的卷积层、最大池化层和全连接层分别设置为一维卷积层、一维最大池化层和全局均值池化层,得到所述第一训练模型。
6.一种电动汽车的故障诊断装置,其特征在于,包括:
获取模块,用于获取电动汽车的待分类故障信号;
处理模块,用于对所述待分类故障信号进行特征提取处理,得到目标输入数据;
诊断模块,用于将所述目标输入数据输入至训练完成的故障分类模型,得到所述电动汽车的故障诊断结果;
所述处理模块,具体用于利用滑动窗口对所述待分类故障信号进行切割,将切割后的所述待分类故障信号进行快速傅里叶变换,得到第一特征数据;对所述待分类故障信号进行特征提取,得到第二特征数据;将所述第一特征数据和所述第二特征数据确定为所述目标输入数据;
所述待分类故障信号包括多个维度的数据,对于每个维度的数据,该维度的数据表征了所述待分类故障信号的一个属性;
所述处理模块,还用于对切割后的所述待分类故障信号中的每个维度的数据,分别进行快速傅里叶变换,得到各个维度的数据所对应的振幅数据和频率数据;对于所述多个维度的数据中的任一维度的数据,从所述任一维度的数据所对应的振幅数据中,获取满足第一设定条件的第一振幅数据,计算所述第一振幅数据的中位数,得到所述任一维度的数据所对应的第一振幅数据和第一振幅数据的中位数,其中,所述第一设定条件为包含预设数量的峰值振幅的振幅数据;从所述任一维度的数据所对应的频率数据中,获取满足第二设定条件的第一频率数据,计算所述第一频率数据的中位数,得到所述任一维度的数据所对应的第一频率数据和第一频率数据的中位数,其中,所述第二设定条件为包含预设数量的峰值频率的频率数据;获取所述任一维度的数据所对应的峰值个数,其中,所述峰值个数为所述任一维度的数据所对应的振幅数据中的峰值振幅的个数或所述任一维度的数据所对应的频率数据中的峰值频率的个数;将所述各个维度的数据所对应的峰值个数、第一振幅数据、第一振幅数据的中位数、第一频率数据、以及第一频率数据的中位数确定为所述第一特征数据。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1至5中任一项所述的电动汽车的故障诊断方法的步骤。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5中任一项所述的电动汽车的故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210174568.XA CN114239759B (zh) | 2022-02-25 | 2022-02-25 | 电动汽车的故障诊断方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210174568.XA CN114239759B (zh) | 2022-02-25 | 2022-02-25 | 电动汽车的故障诊断方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114239759A CN114239759A (zh) | 2022-03-25 |
CN114239759B true CN114239759B (zh) | 2022-05-10 |
Family
ID=80748160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210174568.XA Active CN114239759B (zh) | 2022-02-25 | 2022-02-25 | 电动汽车的故障诊断方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239759B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914883B (zh) * | 2020-06-18 | 2022-12-09 | 西安交通大学 | 一种基于深度融合网络的主轴轴承状态评估方法及装置 |
CN112885368B (zh) * | 2021-01-25 | 2023-07-21 | 西安邮电大学 | 基于改进胶囊网络的多频带谱减法振动信号去噪方法 |
CN112785016B (zh) * | 2021-02-20 | 2022-06-07 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
CN113654818B (zh) * | 2021-07-21 | 2022-09-16 | 广州大学 | 基于胶囊网络的设备故障检测方法、***、装置及介质 |
-
2022
- 2022-02-25 CN CN202210174568.XA patent/CN114239759B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114239759A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999657B (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
CN111381170A (zh) | 基于大数据的电动汽车电池包健康状态预测方法及*** | |
CN110991786A (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN103018660B (zh) | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 | |
CN113780443B (zh) | 一种面向威胁检测的网络安全态势评估方法 | |
CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
CN115828140A (zh) | 邻域互信息与随机森林相融合故障检测方法、***及应用 | |
CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
CN114676749A (zh) | 一种基于数据挖掘的配电网运行数据异常判定方法 | |
CN115954017A (zh) | 一种基于hht的发动机小样本声音异常故障识别方法及*** | |
CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
CN110348657A (zh) | 一种电网台风灾害特征相关性分析方法及*** | |
CN116860562B (zh) | 一种用于数据中台数据质量的监控方法及*** | |
CN114239759B (zh) | 电动汽车的故障诊断方法、装置、电子设备及存储介质 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN117556359A (zh) | 配电设备健康状态评估***及方法 | |
CN117665474A (zh) | 电缆状态评估方法及其装置、电子设备及存储介质 | |
CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及*** | |
CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和*** | |
CN113537010B (zh) | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 | |
CN114912674A (zh) | 基于全日面光球磁图的太阳射电爆发预报方法及*** | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN107491576B (zh) | 基于性能退化数据的导弹部件可靠性分析方法 |
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 |