CN115079663A - 一种基于数字孪生技术的车辆动力***的监控方法及装置 - Google Patents
一种基于数字孪生技术的车辆动力***的监控方法及装置 Download PDFInfo
- Publication number
- CN115079663A CN115079663A CN202110283534.XA CN202110283534A CN115079663A CN 115079663 A CN115079663 A CN 115079663A CN 202110283534 A CN202110283534 A CN 202110283534A CN 115079663 A CN115079663 A CN 115079663A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- simulation
- operation data
- power system
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于数字孪生技术的车辆动力***的监控方法及装置,方法包括分别获取每一车辆动力***对应的实时运行数据,车辆动力***包括发动机***、变速器***与后处理***;分别构建车辆动力***的仿真模型,仿真模型包括发动机***仿真模型、变速器***仿真模型与后处理***仿真模型;获取每一仿真模型对应的仿真运行数据;基于数字孪生技术将实时运行数据与仿真运行数据进行比对;根据比对结果生成对应的预测监控信息;基于预测监控信息对车辆动力***进行预定的维护与预警处理。本发明实施例提供的基于数字孪生技术的车辆动力***的监控方法及装置,通过配置对车辆动力***的监控策略,实现了动力***全生命周期的故障预测与健康管理。
Description
技术领域
本发明涉及车辆动力***监控技术领域,尤其是涉及一种基于数字孪生技术的车辆动力***的监控方法及装置。
背景技术
传统燃油汽车主要包括发动机***、变速器***、后处理***等多个动力***部件,对于车辆动力***的监控主要通过设于各部件中的分布式控制器,实时获取车辆的各项工况状态参数,最终实现车辆动力***的数据处理与交互。
但是,这种车辆动力***的监控方法工作效率较低,管控不及时,只有当车辆已经出现问题时才会报警,无法提前发现和预警一些潜在故障与危险,亦无法实现对车辆动力***全生命周期的故障预测与健康管理,难以满足对车辆的精细化、智能化与灵活化的高标准监控需求。
发明内容
本发明提供一种基于数字孪生技术的车辆动力***的监控方法及装置,以解决现有的车辆动力***的监控方法工作效率较低,管控不及时的技术问题,通过构建基于数字孪生技术的监控方法,优化了对车辆动力***的监控策略,实现了动力***全生命周期的故障预测与健康管理,推进了车辆智能化监控的进程。
为了解决上述技术问题,本发明实施例提供了一种基于数字孪生技术的车辆动力***的监控方法,包括:
分别获取每一车辆动力***对应的实时运行数据,其中,所述车辆动力***至少包括发动机***、变速器***与后处理***;
分别构建车辆动力***的仿真模型,其中,所述仿真模型至少包括发动机***仿真模型、变速器***仿真模型与后处理***仿真模型;
获取每一所述仿真模型对应的仿真运行数据;
基于数字孪生技术将所述实时运行数据与所述仿真运行数据进行比对;
根据所述比对结果生成对应的预测监控信息;
基于所述预测监控信息对与所述预测监控信息相关的所述车辆动力***进行预定的维护与预警处理。
作为其中一种优选方案,所述发动机***仿真模型至少包括燃烧均匀性模型、燃烧效率模型与热管理异常模型;
所述变速器***仿真模型至少包括变速器载荷模型、部件损伤模型与寿命预测模型;
所述后处理***仿真模型至少包括转化效率模型、GPF捕集模型、老化性能模型与排放性能模型。
作为其中一种优选方案,所述基于数字孪生技术将所述实时运行数据与所述仿真运行数据进行比对,具体为:
分别对所有所述实时运行数据与所有所述仿真运行数据进行融合处理;
提取融合后的所有所述实时运行数据的第一参数特征,并提取融合后的所有所述仿真运行数据的第二参数特征;
比对所述第一参数特征与所述第二参数特征,以得到对应的比对结果数据。
作为其中一种优选方案,所述根据所述比对结果生成对应的预测监控信息,具体为:
对所述比对结果数据进行大数据分析;
将所述分析结果与各类型数据的历史信息进行比对分析,以生成对应的预测监控信息。
作为其中一种优选方案,所述对所述比对结果数据进行大数据分析,具体为:
基于车辆的云端大数据对所述比对结果进行大数据分析,其中,所述云端大数据至少包括地图数据、天气数据与交通数据。
本发明另一实施例提供了一种基于数字孪生技术的车辆动力***的监控装置,包括控制器,所述控制器被配置为:
分别获取每一车辆动力***对应的实时运行数据,其中,所述车辆动力***至少包括发动机***、变速器***与后处理***;
分别构建车辆动力***的仿真模型,其中,所述仿真模型至少包括发动机***仿真模型、变速器***仿真模型与后处理***仿真模型;
获取每一所述仿真模型对应的仿真运行数据;
基于数字孪生技术将所述实时运行数据与所述仿真运行数据进行比对;
根据所述比对结果生成对应的预测监控信息;
基于所述预测监控信息对与所述预测监控信息相关的所述车辆动力***进行预定的维护与预警处理。
作为其中一种优选方案,所述发动机***仿真模型至少包括燃烧均匀性模型、燃烧效率模型与热管理异常模型;
所述变速器***仿真模型至少包括变速器载荷模型、部件损伤模型与寿命预测模型;
所述后处理***仿真模型至少包括转化效率模型、GPF捕集模型、老化性能模型与排放性能模型。
作为其中一种优选方案,所述控制器还被配置为:
分别对所有所述实时运行数据与所有所述仿真运行数据进行融合处理;
提取融合后的所有所述实时运行数据的第一参数特征,并提取融合后的所有所述仿真运行数据的第二参数特征;
比对所述第一参数特征与所述第二参数特征,以得到对应的比对结果数据。
作为其中一种优选方案,所述控制器还被配置为:
对所述比对结果数据进行大数据分析;
将所述分析结果与各类型数据的历史信息进行比对分析,以生成对应的预测监控信息。
作为其中一种优选方案,所述控制器还被配置为:
基于车辆的云端大数据对所述比对结果进行大数据分析,其中,所述云端大数据至少包括地图数据、天气数据与交通数据。
相比于现有技术,本发明实施例的有益效果在于以下所述中的至少一点:通过配置车辆动力***的监控策略,优化了车辆动力***的数据获取、传输及处理过程,在这其中,首先获取与车辆动力息息相关的各动力***对应的实时运行数据,再构建与物理动力***相对应的虚拟的仿真模型,并获取相关的仿真数据,接着通过数字孪生技术对二者的运行数据进行统筹分析,动态监控车辆的动力***性能概况,最终得到最优的监控结果策略,实现对车辆动力***的维护与预警。一方面,对物理动力***的状态进行监测,实时对收集的物理数据进行仿真分析,找出针对当前仿真的动力***模型的最优参数,反馈给车辆从而实现对动力***的有效维护;另一方面,随着车辆的使用、老化、损坏等因素,车辆动力***的状态不断变化,利用仿真的动力***模型,能够实现对物理动力***实际存在的风险以及失效做出预警和失效的相关结果,从而实现对车辆动力***全生命周期的故障预测与健康管理,进而实现了对车辆的精细化、智能化与灵活化的高标准的监控需求。
附图说明
图1是本发明其中一种实施例中的基于数字孪生技术的车辆动力***的监控方法的流程示意图;
图2是本发明其中一种实施例中的基于数字孪生技术将实时运行数据与仿真运行数据进行比对的流程示意图;
图3是本发明其中一种实施例中的根据比对结果生成对应的预测监控信息的流程示意图;
图4是本发明其中一种实施例中的基于数字孪生技术的车辆动力***的监控装置的结构示意图;
其中,1、控制器;2、发动机***;3、变速器***;4、后处理***;5、发动机***仿真模型;6、变速器***仿真模型;7、后处理***仿真模型。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请描述中,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中,需要说明的是,除非另有定义,本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明,对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
本发明一实施例提供了一种基于数字孪生技术的车辆动力***的监控方法,具体的,请参见图1,图1示出为本发明其中一种实施例中的基于数字孪生技术的车辆动力***的监控方法的流程示意图,图2示出为本发明其中一种实施例中的基于数字孪生技术将实时运行数据与仿真运行数据进行比对的流程示意图,图3示出为本发明其中一种实施例中的根据比对结果生成对应的预测监控信息的流程示意图,图4示出为本发明其中一种实施例中的基于数字孪生技术的车辆动力***的监控装置的结构示意图,其中基于数字孪生技术的车辆动力***的监控方法具体包括:
S1、分别获取每一车辆动力***对应的实时运行数据,其中,所述车辆动力***至少包括发动机***、变速器***与后处理***;
S2、分别构建车辆动力***的仿真模型,其中,所述仿真模型至少包括发动机***仿真模型、变速器***仿真模型与后处理***仿真模型;
S3、获取每一所述仿真模型对应的仿真运行数据;
S4、基于数字孪生技术将所述实时运行数据与所述仿真运行数据进行比对;
S5、根据所述比对结果生成对应的预测监控信息;
S6、基于所述预测监控信息对与所述预测监控信息相关的所述车辆动力***进行预定的维护与预警处理。
应当说明的是,当前汽车行业各部件***控制器主要为分布式控制器,通过复杂的总线布置进行数据交互,受总线负载率、带宽等影响,采集的信号往往为低频率低精度信号,无法满足高性能监控需求。本发明实施例通过配置车辆动力***的监控方法,优化了总线传输方式,实现了信号高频高精度传输,为车辆的动力***监控提供了可靠的数据支撑。此外,对于车辆动力***的监控属于PHM(故障预测与健康管理)监控领域,其在汽车领域应用较少,发明人通过大量的试验分析,融合了智能控制技术、数字孪生技术、以及大数据技术,实现了高精度的PHM监控。一方面,通过对物理动力***的状态进行监测,实时对收集的物理数据进行仿真分析,找出针对当前仿真的动力***模型的最优参数,反馈给车辆从而实现对动力***的有效维护;另一方面,随着车辆的使用、老化、损坏等因素,车辆动力***的状态不断变化,利用仿真的动力***模型,能够实现对物理动力***实际存在的风险以及失效做出预警和失效的相关结果,从而实现对车辆动力***全生命周期的故障预测与健康管理,进而实现了对车辆的精细化、智能化与灵活化的高标准的监控需求。
在上述实施例中,对于步骤S1:分别获取每一车辆动力***对应的实时运行数据,其中,所述车辆动力***至少包括发动机***、变速器***与后处理***,需要说明的是,考虑到不同的车型类别,本发明实施例采用发动机***、变速器***和后处理***作为示例,在实际应用中需要根据具体的车辆配置进行对应的选择与确定,可以额外选择除了上述三种动力***之外的***架构。
关于实时运行数据的获取,优选地,需要提取每个动力***对应的关键特征信号,而由于车辆的实际运行情况十分复杂,不同的动力***也会对应多种信号,例如,发动机***包括曲轴信号、喷油信号、点火信号、进气信号、爆震信号、水温信号、转速信号、机油信号等;变速器***包括档位信号、离合器信号、油温信号、油压信号等;后处理***包括前后氧信号、GPF压差信号、排温信号、背压信号等。同样的,对于实时运行数据的获取需要根据具体的车辆配置进行对应的选择与确定,在此不再赘述。
为了优化对数据处理的过程,针对获取到的各动力***的实时运行数据,优选的,可通过域端智能控制器,对各动力***相关参数进行统一融合处理,以提高数据处理的精度。
进一步地,在上述实施例中,所述发动机***仿真模型至少包括燃烧均匀性模型、燃烧效率模型与热管理异常模型;所述变速器***仿真模型至少包括变速器载荷模型、部件损伤模型与寿命预测模型;所述后处理***仿真模型至少包括转化效率模型、GPF捕集模型、老化性能模型与排放性能模型。
关于上述仿真模型的构建均与现有技术相差无二,应当说明的是,除了上述仿真模型,也可根据不同的车辆配置,基于不同的功能需求,构建其他对应的仿真模型,在此不再赘述。
进一步地,请参见图2,在上述实施例中,对于上述步骤S4:基于数字孪生技术将所述实时运行数据与所述仿真运行数据进行比对,其具体为:
S41、分别对所有所述实时运行数据与所有所述仿真运行数据进行融合处理;
S42、提取融合后的所有所述实时运行数据的第一参数特征,并提取融合后的所有所述仿真运行数据的第二参数特征;
S43、比对所述第一参数特征与所述第二参数特征,以得到对应的比对结果数据。
对于实时运行数据与仿真运行数据的融合即为虚实数据的融合,其反映了数字孪生技术的基本思想。具体来说,数字孪生技术是指以数字化的方式建立物理实体的多维度、多时空尺度、多学科、多物理量、多概率的数字化实体(动态虚拟模型)来仿真和刻画物理实体在真实环境中的属性、行为和规则等特性,在数字化空间(虚拟空间)中完成映射,从而反映相对应的物理实体的全生命周期过程的技术。
对于上述实施例中的第一参数特征,其需要针对特定的实时运行数据进行提取,同理,对于上述实施例中的第二参数特征,其也需要针对特定的仿真运行数据进行提取。示例性的,参数特征包括但不限于电池SOC参数、电池SOH参数、驱动电机工作温度参数、传动部件形变参数等,需要结合具体的车辆配置情况与具体的动力***进行分析与确定。
为进一步提高对车辆动力***的监控分析,在上述实施例中,请参见图3,对于步骤S5:根据所述比对结果生成对应的预测监控信息,具体的生成预测监控信息的流程优选为:
S51、对所述比对结果数据进行大数据分析;
S52、将所述分析结果与各类型数据的历史信息进行比对分析,以生成对应的预测监控信息。
对于大数据分析技术,首先,其能够处理比较大的数据量;其次,其能够对不同类型的数据进行处理,具体而言,大数据技术不仅仅对一些大量的、简单的数据能够进行处理,通能够处理一些复杂的数据,例如,用户驾驶图像数据、车辆行驶图像数据以及道路工况图像数据等等;最后,本发明实施例通过结合大数据分析技术,融合不同层级的数据类型,提高了初始数据的获取体量,从而为后续的动力***监控分析提供了有效的数据支撑,进而提高了对于车辆动力***分析的精度。
作为优选地,在上述实施例中,对所述比对结果数据进行大数据分析,具体为:
基于车辆的云端大数据对所述比对结果进行大数据分析,其中,所述云端大数据至少包括地图数据、天气数据与交通数据。
在本实施例中,通过对各层级数据进行获取、融合、分析与处理,使得车辆能够基于数字孪生技术建立相关的预测算法与监控策略,实现对动力总成***的故障预警、健康度监测、剩余寿命预估等,此外,通过虚拟仿真模型可快速进行仿真模拟,及时对实体物理***进行干预、决策,提供相应技术措施。当然,上述整个过程是一动态交互的过程,基于实时的真实运行数据,有关动力***的仿真模型处于不断的更新迭代状态,从而能够实时获取到最新的动力***的监控结果,保障了对于车辆监控的准确性与及时性,最终可减少对真实物理***的依赖,建立车辆全生命周期的***性管控。
本发明另一实施例提供了一种基于数字孪生技术的车辆动力***的监控装置,具体的,请参见图4,监控装置包括控制器1,所述控制器1被配置为:
分别获取每一车辆动力***对应的实时运行数据,其中,所述车辆动力***至少包括发动机***2、变速器***3与后处理***4;
分别构建车辆动力***的仿真模型,其中,所述仿真模型至少包括发动机***仿真模型5、变速器***仿真模型6与后处理***仿真模型7;
获取每一所述仿真模型对应的仿真运行数据;
基于数字孪生技术将所述实时运行数据与所述仿真运行数据进行比对;
根据所述比对结果生成对应的预测监控信息;
基于所述预测监控信息对与所述预测监控信息相关的所述车辆动力***进行预定的维护与预警处理。
进一步地,在上述实施例中,所述发动机***仿真模型5至少包括燃烧均匀性模型、燃烧效率模型与热管理异常模型;
所述变速器***仿真模型6至少包括变速器载荷模型、部件损伤模型与寿命预测模型;
所述后处理***仿真模型7至少包括转化效率模型、GPF捕集模型、老化性能模型与排放性能模型。
进一步地,在上述实施例中,所述控制器1还被配置为:
分别对所有所述实时运行数据与所有所述仿真运行数据进行融合处理;
提取融合后的所有所述实时运行数据的第一参数特征,并提取融合后的所有所述仿真运行数据的第二参数特征;
比对所述第一参数特征与所述第二参数特征,以得到对应的比对结果数据。
进一步地,在上述实施例中,所述控制器1还被配置为:
对所述比对结果数据进行大数据分析;
将所述分析结果与各类型数据的历史信息进行比对分析,以生成对应的预测监控信息。
进一步地,在上述实施例中,所述控制器1还被配置为:
基于车辆的云端大数据对所述比对结果进行大数据分析,其中,所述云端大数据至少包括地图数据、天气数据与交通数据。
本发明又一实施例提供了一种包含计算机可执行指令的非易失性计算机可读存储介质,其特征在于,当所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行如上所述的基于数字孪生技术的车辆动力***的监控方法。
本发明实施例提供的基于数字孪生技术的车辆动力***的监控方法及装置,有益效果在于以下所述中的至少一点:通过配置车辆动力***的监控策略,优化了车辆动力***的数据获取、传输及处理过程,在这其中,首先获取与车辆动力息息相关的各动力***对应的实时运行数据,再构建与物理动力***相对应的虚拟的仿真模型,并获取相关的仿真数据,接着通过数字孪生技术对二者的运行数据进行统筹分析,动态监控车辆的动力***性能概况,最终得到最优的监控结果策略,实现对车辆动力***的维护与预警。一方面,对物理动力***的状态进行监测,实时对收集的物理数据进行仿真分析,找出针对当前仿真的动力***模型的最优参数,反馈给车辆从而实现对动力***的有效维护;另一方面,随着车辆的使用、老化、损坏等因素,车辆动力***的状态不断变化,利用仿真的动力***模型,能够实现对物理动力***实际存在的风险以及失效做出预警和失效的相关结果,从而实现对车辆动力***全生命周期的故障预测与健康管理,进而实现了对车辆的精细化、智能化与灵活化的高标准的监控需求。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于数字孪生技术的车辆动力***的监控方法,其特征在于,包括:
分别获取每一车辆动力***对应的实时运行数据,其中,所述车辆动力***至少包括发动机***、变速器***与后处理***;
分别构建车辆动力***的仿真模型,其中,所述仿真模型至少包括发动机***仿真模型、变速器***仿真模型与后处理***仿真模型;
获取每一所述仿真模型对应的仿真运行数据;
基于数字孪生技术将所述实时运行数据与所述仿真运行数据进行比对;
根据所述比对结果生成对应的预测监控信息;
基于所述预测监控信息对与所述预测监控信息相关的所述车辆动力***进行预定的维护与预警处理。
2.如权利要求1所述的基于数字孪生技术的车辆动力***的监控方法,其特征在于,所述发动机***仿真模型至少包括燃烧均匀性模型、燃烧效率模型与热管理异常模型;
所述变速器***仿真模型至少包括变速器载荷模型、部件损伤模型与寿命预测模型;
所述后处理***仿真模型至少包括转化效率模型、GPF捕集模型、老化性能模型与排放性能模型。
3.如权利要求1所述的基于数字孪生技术的车辆动力***的监控方法,其特征在于,所述基于数字孪生技术将所述实时运行数据与所述仿真运行数据进行比对,具体为:
分别对所有所述实时运行数据与所有所述仿真运行数据进行融合处理;
提取融合后的所有所述实时运行数据的第一参数特征,并提取融合后的所有所述仿真运行数据的第二参数特征;
比对所述第一参数特征与所述第二参数特征,以得到对应的比对结果数据。
4.如权利要求3所述的基于数字孪生技术的车辆动力***的监控方法,其特征在于,所述根据所述比对结果生成对应的预测监控信息,具体为:
对所述比对结果数据进行大数据分析;
将所述分析结果与各类型数据的历史信息进行比对分析,以生成对应的预测监控信息。
5.如权利要求4所述的基于数字孪生技术的车辆动力***的监控方法,其特征在于,所述对所述比对结果数据进行大数据分析,具体为:
基于车辆的云端大数据对所述比对结果进行大数据分析,其中,所述云端大数据至少包括地图数据、天气数据与交通数据。
6.一种基于数字孪生技术的车辆动力***的监控装置,包括控制器,其特征在于,所述控制器被配置为:
分别获取每一车辆动力***对应的实时运行数据,其中,所述车辆动力***至少包括发动机***、变速器***与后处理***;
分别构建车辆动力***的仿真模型,其中,所述仿真模型至少包括发动机***仿真模型、变速器***仿真模型与后处理***仿真模型;
获取每一所述仿真模型对应的仿真运行数据;
基于数字孪生技术将所述实时运行数据与所述仿真运行数据进行比对;
根据所述比对结果生成对应的预测监控信息;
基于所述预测监控信息对与所述预测监控信息相关的所述车辆动力***进行预定的维护与预警处理。
7.如权利要求6所述的基于数字孪生技术的车辆动力***的监控装置,其特征在于,所述发动机***仿真模型至少包括燃烧均匀性模型、燃烧效率模型与热管理异常模型;
所述变速器***仿真模型至少包括变速器载荷模型、部件损伤模型与寿命预测模型;
所述后处理***仿真模型至少包括转化效率模型、GPF捕集模型、老化性能模型与排放性能模型。
8.如权利要求6所述的基于数字孪生技术的车辆动力***的监控装置,其特征在于,所述控制器还被配置为:
分别对所有所述实时运行数据与所有所述仿真运行数据进行融合处理;
提取融合后的所有所述实时运行数据的第一参数特征,并提取融合后的所有所述仿真运行数据的第二参数特征;
比对所述第一参数特征与所述第二参数特征,以得到对应的比对结果数据。
9.如权利要求8所述的基于数字孪生技术的车辆动力***的监控装置,其特征在于,所述控制器还被配置为:
对所述比对结果数据进行大数据分析;
将所述分析结果与各类型数据的历史信息进行比对分析,以生成对应的预测监控信息。
10.如权利要求9所述的基于数字孪生技术的车辆动力***的监控装置,其特征在于,所述控制器还被配置为:
基于车辆的云端大数据对所述比对结果进行大数据分析,其中,所述云端大数据至少包括地图数据、天气数据与交通数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283534.XA CN115079663A (zh) | 2021-03-16 | 2021-03-16 | 一种基于数字孪生技术的车辆动力***的监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283534.XA CN115079663A (zh) | 2021-03-16 | 2021-03-16 | 一种基于数字孪生技术的车辆动力***的监控方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115079663A true CN115079663A (zh) | 2022-09-20 |
Family
ID=83245613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110283534.XA Pending CN115079663A (zh) | 2021-03-16 | 2021-03-16 | 一种基于数字孪生技术的车辆动力***的监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115079663A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115563873A (zh) * | 2022-10-12 | 2023-01-03 | 国网山西省电力公司 | 一种电力网络的数字孪生仿真***及方法 |
WO2024077808A1 (zh) * | 2022-10-10 | 2024-04-18 | 中汽创智科技有限公司 | 智能网联汽车动力学行为的镜像数字孪生装置及方法 |
-
2021
- 2021-03-16 CN CN202110283534.XA patent/CN115079663A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024077808A1 (zh) * | 2022-10-10 | 2024-04-18 | 中汽创智科技有限公司 | 智能网联汽车动力学行为的镜像数字孪生装置及方法 |
CN115563873A (zh) * | 2022-10-12 | 2023-01-03 | 国网山西省电力公司 | 一种电力网络的数字孪生仿真***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110488629B (zh) | 一种基于数字孪生技术的混合动力汽车的管控方法 | |
JP6830540B2 (ja) | クラウドベースの車両故障診断方法、装置およびシステム | |
CN109163913A (zh) | 一种汽车故障诊断方法及相关设备 | |
CN112540317A (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
CN115079663A (zh) | 一种基于数字孪生技术的车辆动力***的监控方法及装置 | |
CN105955233B (zh) | 一种基于数据挖掘的车辆故障诊断方法及*** | |
CN105137963A (zh) | 车辆远程监控与故障诊断方法及装置 | |
CN114676495A (zh) | 一种汽车能耗的预测方法、装置和设备 | |
CN113586239B (zh) | 发动机故障诊断方法、装置、控制器和存储介质 | |
KR102215107B1 (ko) | 주행 데이터 기반 차량 상태 예측 시스템 및 방법 | |
US20230063601A1 (en) | Methods and systems for anomaly detection of a vehicle | |
CN115817183A (zh) | 一种纯电动汽车续驶里程预测方法及预测装置 | |
CN115291545A (zh) | 一种电力电子产品的多层控制***及方法 | |
CN112595537B (zh) | 基于信号分析的设备健康状态监控方法、***及存储介质 | |
CN115828438B (zh) | 汽车极限性能预测方法、介质、设备 | |
CN116968556A (zh) | 一种基于模糊熵的动力与储能电池故障诊断方法 | |
CN116118571A (zh) | 一种车辆续航里程的预测方法和装置 | |
CN114997748A (zh) | 基于模型融合的新能源汽车运行安全风险预测方法及*** | |
CN117408360A (zh) | 基于云域交互生成车辆管理策略的方法、装置及设备 | |
CN115061451A (zh) | 汽车故障诊断方法、装置、智能终端及存储介质 | |
CN114858480A (zh) | 应用于车辆中的部件故障预警方法、装置、设备及介质 | |
CN113448301A (zh) | 基于obd***的故障诊断方法及*** | |
WO2022116203A1 (en) | Systems and methods for utilizing machine learning to monitor vehicle health | |
CN118238622B (zh) | 基于多传感监测的车载供电保护方法及*** | |
CN118227512B (zh) | 测试用例的生成方法、装置及终端设备 |
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 |