CN117408360A - 基于云域交互生成车辆管理策略的方法、装置及设备 - Google Patents
基于云域交互生成车辆管理策略的方法、装置及设备 Download PDFInfo
- Publication number
- CN117408360A CN117408360A CN202210780047.9A CN202210780047A CN117408360A CN 117408360 A CN117408360 A CN 117408360A CN 202210780047 A CN202210780047 A CN 202210780047A CN 117408360 A CN117408360 A CN 117408360A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- cloud
- domain
- twin model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 133
- 230000003993 interaction Effects 0.000 title claims abstract description 76
- 230000006870 function Effects 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 42
- 230000036541 health Effects 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 25
- 238000003745 diagnosis Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 7
- 238000007726 management method Methods 0.000 description 192
- 238000004891 communication Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 16
- 230000004927 fusion Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000002485 combustion reaction Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 239000000446 fuel Substances 0.000 description 8
- 238000005096 rolling process Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000005094 computer simulation Methods 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000013334 tissue model Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005520 electrodynamics Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种基于云域交互生成车辆管理策略的方法、装置及设备,方法包括:接收车载域控制器发送的实体数据;基于实体数据构建云端数字孪生模型,云端数字孪生模型用于反映实体特征,借助实体特征生成车辆未来行驶特征的全局性预测和多组能量管理策略;向车载域控制器发送多组能量管理策略和车辆未来行驶特征的全局性预测,用于车载域控制器将多组能量管理策略和预测行驶速度输入域端数字孪生模型,预测车辆的能量损耗值,并将最小能量损耗值的能量管理策略确定为目标能量管理策略;能够解决现有混合动力***能量管理策略动能分配合理性问题。
Description
技术领域
本申请属于车辆能量管理技术领域,尤其涉及一种基于云域交互生成车辆管理策略的方法、装置及设备。
背景技术
在当今时代,车辆电动化,网联化,智能化,共享化是公认的行业发展趋势,车辆正从传统的交通运输工具转变为新型的智能出行载体,这对传统车辆的开发与控制方法迭代既是机遇也是挑战。在智能网联环境下,由于信息流在输入输出维度的***式增长,车辆传统的分布式电子电气架构在功能拓展性,运算能力,线束重量与成本等方面已不能满足新的要求。节能减排相关法规的完善和逐渐严苛,使得汽车行业积极寻求混动化乃至电动化的变革。电动机的引入要求车辆动力***对发动机与电动机的能量耦合进行分配。
目前主流的是基于规则的能量管理策略管理车辆动力***,这种方法不具有实时动态调整能力。在车辆的实际工况偏离规则工况时,基于规则的能量管理策略并不适用于车辆的实际工况,导致能量分配不合理。
发明内容
本申请实施例提供一种基于云域交互生成车辆管理策略的方法、装置及设备。
第一方面,本申请实施例提供一种基于云域交互生成车辆管理策略的方法,方法应用于云端服务器,方法包括:
接收实体数据,实体数据包括车辆动力***数据、交通环境数据和驾驶员操作数据;
基于实体数据构建云端数字孪生模型,云端数字孪生模型基于车辆动力***数据的原始数据建立,并基于车辆动力***数据的实时数据更新;
基于云端数字孪生模型反映的实体特征生成车辆未来行驶特征的全局性预测,实体特征包括:车辆动力***特征、交通环境特征和驾驶员操作特征;
基于云端数字模型和所述车辆未来行驶特征的全局性预测,通过寻优算法生成多组能量管理策略;
向车载域控制器发送车辆未来行驶特征的全局性预测和多组车辆能量管理策略,以用于车载域控制器确定多组车辆能量管理策略中代价函数最小的策略为目标能量管理策略,并将目标管理策略向动力***控制单元发送予以执行。
第二方面,本申请实施例提供一种基于云域交互生成车辆管理策略的方法,方法应用于车载域控制器,方法包括:
从车载传感器,第三方平台和基础交通设施获取实体数据,实体数据包括车辆动力***数据、交通环境数据和驾驶员操作数据;
向云端服务器发送实体数据和域孪生模型参数,以用于云端服务器基于实体数据构建云端数字孪生模型;
接收云端发送的多组能量管理策略和车辆预测行驶特征;
将多组车辆预测行驶特征输入域端数字孪生模型,通过结合近场信息和车辆传感器的实时信号,在平衡动力性、经济性、排放性、平顺性和舒适性的要求条件下进行多目标寻优,输出多组能量管理策略的代价函数值;
确定代价函数值最小的一组能量管理策略为目标能量管理策略,代价函数基于动力性、经济性和排放性的限值设定的。
第三方面,本申请实施例提供一种基于云域交互生成能量管理策略的装置,装置应用于云端服务器,装置包括:
接收模块,用于接收实体数据,实体数据包括车辆动力***数据、交通环境数据和驾驶员操作数据;
构建模块,用于基于实体数据构建云端数字孪生模型,云端数字孪生模型基于车辆动力***数据的原始数据建立,并基于车辆动力***数据的实时数据更新;
生成模块,用于基于云端数字孪生模型反映的实体特征生成车辆未来行驶特征的全局性预测,实体特征包括:车辆动力***特征、交通环境特征和驾驶员操作特征;
生成模块,还用于基于云端数字模型和车辆未来行驶特征的全局性预测,通过寻优算法生成多组能量管理策略;
发送模块,用于向车载域控制器发送车辆未来行驶特征的全局性预测和多组车辆能量管理策略,用于车载域控制器确定多组车辆能量管理策略中代价函数最小的策略为目标能量管理策略,并将目标能量管理策略向动力***发送予以执行。
第四方面,本申请实施例提供一种基于云域交互生成能量管理策略的装置,装置应用于车载域控制器,装置包括:
获取模块,用于从车载传感器,第三方平台和基础交通设施获取实体数据,实体数据包括车辆动力***数据、交通环境数据、驾驶员操作数据;
发送模块,用于向云端服务器发送实体数据和域孪生模型参数,以用于云端服务器基于实体数据构建云端数字孪生模型;
接收模块,用于接收云端发送的多组能量管理策略和车辆预测行驶特征;
输入模块,用于将多组车辆预测行驶特征输入域端数字孪生模型,通过结合近场信息和车辆传感器的实时信号、在平衡动力性、经济性、排放性、平顺性和舒适性的条件下进行多目标寻优,输出多组能量管理策略的代价函数值;
确定模块,用于确定代价函数值最小的一组能量管理策略为目标能量管理策略,代价函数基于动力性、经济性和排放性的限值设定的。
第五方面,本申请实施例提供一种电子设备,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,计算机程序被处理器执行时实现上述的基于云域交互生成车辆管理策略的方法。
第六方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有信息传递的实现程序,程序被处理器执行时实现上述的基于云域交互生成车辆管理策略的方法。
第七方面,本申请实施例提供一种计算机程序产品,计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行上述的基于云域交互生成车辆管理策略的方法。
本申请实施例的基于云域交互生成车辆管理策略的方法、装置及设备,兼顾了车载域控制器的算力不足和生成车辆能量管理策略的准确性、实时性要求,由车载域控制器执行算力要求较低的实体数据获取和目标能量管理策略的确定,由云端服务器执行算力要求较高云端数字孪生模型的构建和应用云端数字孪生模型生成多组能量管理策略,使得构建的云端数字孪生模型精度较高,由该云端数字孪生模型输出的多组能量管理策略也与车辆实际工况较匹配,再由车载域控制器应用域端数字孪生模型从多组能量管理策略确定目标能量管理策略,再次提升能量管理策略的精度,满足了生成的能量管理策略的准确性和实时性要求,生成的能量管理策略能够很好匹配车辆实际工况,能量管理策略合理。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种应用于车载域控制器的基于云域交互生成车辆管理策略的方法的流程示意图;
图2是本申请实施例提供的一种数字孪生模型的构建原理示意图;
图3是本申请实施例提供的一种应用于云端服务器的基于云域交互生成车辆管理策略的方法的流程示意图;
图4是本申请实施例提供的一种基于云域交互生成车辆管理策略的方法的***架构图;
图5是本申请实施例提供的一种基于云域交互生成车辆管理策略的装置的结构示意图;
图6是本申请实施例提供的又一种基于云域交互生成车辆管理策略的装置的结构示意图;
图7是本申请实施例提供的一种基于云域交互生成车辆管理策略的设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本申请,并不被配置为限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前主流的是基于规则的能量管理策略管理车辆动力***,这种方法不具有实时动态调整能力。在车辆的实际工况偏离规则工况时,基于规则的能量管理策略并不适用于车辆的实际工况。
为了解决现有技术问题,本申请实施例提供了一种基于云域交互生成车辆管理策略的方法、装置及设备。本申请实施例兼顾了车载域控制器的算力不足和生成车辆能量管理策略的准确性、实时性要求,由车载域控制器执行算力要求较低的实体数据获取和目标能量管理策略的确定,由云端服务器执行算力要求较高云端数字孪生模型的构建和应用云端数字孪生模型生成多组能量管理策略,使得构建的云端数字孪生模型精度较高,由该云端数字孪生模型输出的多组能量管理策略也与车辆实际工况较匹配,再由车载域控制器应用域端数字孪生模型从多组能量管理策略确定目标能量管理策略,再次提升能量管理策略的精度,满足了生成的能量管理策略的准确性和实时性要求,生成的能量管理策略能够很好匹配车辆实际工况,能量管理策略合理。下面首先对本申请实施例所提供的基于云域交互生成车辆管理策略的方法进行介绍。
图1示出了本申请一个实施例提供的基于云域交互生成车辆管理策略的方法的流程示意图。该方法应用于车载域控制器。如图1所示,该方法可以包括以下步骤:
S110,从车载传感器,第三方平台和基础交通设施获取实体数据,实体数据包括车辆动力***数据、交通环境数据和驾驶员操作数据。
其中,实体数据包括车辆动力***数据、交通环境数据、驾驶员操作数据;物理实体的实体数据包括历史数据和实时数据。可以通过接收车辆的传感器信号、车载自动诊断***(On Board Diagnostics,OBD)信号、以及车联网信号,如V2V、V2I进行获取。历史数据,为车辆历史行程中的实体数据,储存在云端的历史数据库,可以进行车辆预测行驶特征的历史规律提取;实时数据,为车辆当前时刻运行收集到的实体数据和域端发送的域孪生模型参数。
车辆动力***可以包括内燃机,电动机,电池,传动***等,车辆动力***数据为反映车辆动力***工况的数据,可以包括:发动机转速信号,曲轴角速度信号,气体流量信息,爆震信号,氧浓度信号,己车车速信息,冷却水水温信号,电池耗电量,燃油消耗量,后处理***温度信息,挡位信息,行驶里程等。
交通环境数据可以包括静态交通环境数据,如路段长度,路口位置,道路限速,交通标志等;以及,动态交通环境数据,如交通流信息,前车特征信息,交通灯信号时间和相位。
驾驶员操作数据可以反映驾驶员的操作习惯,如汽车踏板角度、方向盘转角、驾驶员眼动信息等。
在一种实施例中,在获取实体数据可以包括,获取原始数据,对原始数据进行信号滤波、特征提取、信号融合等预处理操作,得到实体数据,能够减少数据噪音,便于后续分析使用。
S120,向云端服务器发送实体数据和域孪生模型参数,以用于云端服务器基于实体数据构建云端数字孪生模型。
向云端服务器定时、分包发送实体数据和域孪生模型参数,其更新频率由具体的使用场景和优化需求确定。其中,云端数字孪生模型用于反映实体特征,以及根据实体特征生成车辆预测行驶特征和相应的多组能量管理策略和车辆的预测行驶速度;实体特征包括:车辆动力***特征、交通环境特征和驾驶员操作特征;车辆预测行驶特征包括车速,需求扭矩等。生成多组能量管理策略具体过程为:基于云端数字孪生模型反映出的驾驶员操作特征(加速度踏板操作、刹车踏板操作)对驾驶员风格进行分类,其属于激进型、普通型、温和型哪一种类型,在确定了驾驶员风格之后,基于云端数字孪生模型反映出的当前位置到目的地的交通环境特征(车流量、道路条件、天气状况等)和车辆动力***特征(蓄电池剩余电量、油箱剩余油量等),采用寻优算法生成几组能量管理策略,并发送给车载域控制器。
如图2所示,数字孪生模型的建立方法依照建模对象物理化学特征,数据特征演变特性的不同,基于模型和数据驱动,选取合适的建模方法,对涉及到的物理实体节点,***内部与***之间的耦合关系等必要元素向数字空间进行映射,形成一套可在虚拟数字平台完善反映物理实体运行状况的数字孪生模型体系。数字孪生模型的建模方法主要有:测绘扫描,几何建模,网格建模,***建模,流程建模,组织建模等。通过激光扫描,三维仿真建模,道路实验,***机理建模等手段收集能反映物理实体所包含的几何尺寸,理化属性,耦合交互,操作风格等特征的数据,建立相应的云端数字孪生模型。构建得到的云端数字孪生模型能够预测反映实体特征,例如,预测车速、预测车速下车辆所需的动力扭矩以及车辆的控制参数;路况数据、驾驶员操作数据等,其中,控制参数可以包括车速阈值、加速度阈值、制动踏板开度阈值,电池的荷电状态(state of charge,SOC)阈值。控制参数决定车辆的能量管理策略,例如驾驶模式,驾驶模式可以包括:电驱模式、油电混驱模式、以及刹车模式等。各个阈值包括每种模式的上下限。比如车速阈值:当车速大于电驱模式的车速阈值时,并且满足其他条件(动力扭矩、SOC)时,切换进入油电混驱模式,其他模式的切换,也需要通过比较相应的阈值而实现。每种驾驶模式对应不同的驱动能源类型和不同的驱动能源占比值。例如,单独电驱模式对应的分配策略为:电动机-供能100%,发动机功能0%、单独油驱模式对应的分配策略为:电动机供能0%,发动机功能100%、油电混驱模式对应的分配策略为:电动机供能N%,发动机功能1-N%,N不为0。
为了帮助理解下面结合发动机、电动机1、电动机2三者驱动的车辆来说明能量管理策略。能量管理策略简单来说就是在发动机、电动机1、电动机2,三者在什么条件下如何搭配运行。
如表1所示,能量管理策略可以分为如下几个模式:
停车模式STOP/0:当需求扭矩低于某一值、刹车踏板开度高于某一值,速度接近于0的时候,此时车辆的能量管理策略进入刹车模式。
纯电模式EV/1:当需求扭矩不是太大,车速高于某一值并且电池的SOC较高时,车辆进入纯电驱动模式。一般是在车辆启动过程中,会处于EV模式,直到加速到某一速度,此时需求扭矩较大,单纯依靠电动机2不能满足车辆动力需求,此时发动机启动进入HEV模式。
HEV模式HEV/2:此时发动机与电动机2一同工作,发动机的扭矩在行星齿轮组上进行分流,一部分给电动机1发电,一部分直接输出与电动机2的扭矩一同驱动车辆。
刹车模式Brake/3:进入刹车模式,发动机更具实际情况考虑是否关闭,电机不再有动力输出。
能量制动回收模式Energy recovery/4:在刹车模式下,如果车速不低于,刹车踏板开度及SCO满足条件,实行制动能量回收,将动能转变为电能。
在整个过程中,所采集的车辆各种数据,主要用于训练能量管理策略的模式切换的阈值,也就是v0,T0,v1,T1,v2,T2,T4,v4等参数,使该策略运行过程中经济性能够达到最佳。交通环境等外部数据同样对能量管理策略阈值有影响。比如针对不同的驾驶员类型、不同的拥堵路段下,对车辆能量管理策略阈值进行优化,能够寻找出最佳的切换策略以及能量分配比例。
表1
其中,T:实时扭矩;T0:停车模式的扭矩条件阈值,b:实时制动踏板开度,b0:停车模式的制动踏板开度阈值,v:实时车速,v0:停车模式的速度条件阈值,v1,v2,vu,v4分别代表各模式下的车速条件阈值,b2,b3,b4分别表示各模式下的制动踏板开度阈值,SOC:代表车辆当前电量,SOCd,SOCu分别代表各模式下电量的阈值,模式介绍:stop—停车模式,EV---电动模式,HEV—混动模式,Brake—纯刹车模式,Energy—制动能量回收模式2。
S130,接收云端发送的多组能量管理策略和预测行驶特征。
车载域控制器部署于车际,云服务器部署于车云,车载域控制器与云服务器,可以进行信息交互,信息流传输形式包括不限于有线通讯技术,无线通信技术,有线通讯技术包括不限于CAN FD总线通信技术,LIN通信技术,Ethernet通信技术,TTP/C通信技术;无线通信技术包括不限于C-V2X通信技术,蜂窝通信技术,WIFI通信技术。数据流的传输伴随着数字孪生体的迭代和更新,以反映物理实体在长周期范围内的特征变动。
S140,将多组能量管理策略和预测行驶速度输入域端数字孪生模型,通过结合近场信息和车辆传感器的实时信号,在平衡动力性、经济性、排放性、平顺性和舒适性的要求条件下进行多目标寻优,输出所述多组能量管理策略的代价函数值。通过将多组能量管理策略和预测行驶速度输入域端数字孪生模型,预测车辆在预测行驶速度行驶的情况下多组能量管理策略对应的能量损耗值;域端数字孪生模型基于物理机理及简化经验公式等方法初步建立,通过车辆动力***数据辨识完成标定并得到完整的孪生模型。为避免云域模型偏差,域端孪生模型的辨识参数会传输给云端,保证云域双孪生运行效果。
在一种实施例中,车辆动力***数据包括实时车辆动力***数据;域端数字孪生模型通过实时车辆动力***数据训练得到。
其中,在预测能量损耗值、排放及动力需求时,云端数字孪生模型基于实体特征预测车辆的预测行驶速度,并将预测行驶速度发送给域端数字孪生模型,域端数字孪生模型基于预测行驶速度、车辆传感器的实时信号及近场信息,利用庞特里亚金最小值原理在平衡动力性、经济性、排放性、平顺性和舒适性的条件下,对多组能量管理策略进行能量损耗值预测,包括计算能量管理策略的代价函数值。用于处理发动机各传感器信号特征并进行多源传感器融合,基于融合信号预测燃烧信息,结合域端孪生模型评价发动机燃烧状况,通过模型推衍得出发动机进气、燃烧、喷油等方面的故障以及故障等级;将上述模型参数与计算结果生成参数簇通过数据交互模块发送至云端。其中,代价函数的设定以污染物限值为约束,以经济性和动力性综合最优为目标设计。可根据驾驶员和车辆状态,以及车辆控制优化需求进行目标权值调整;域端数字孪生模型基于云孪生模型降维优化得到,并通过采集到的动力***实时数据对其系数进行辨识和修正。对域端模型关键参数进行模型辨识,以自适应实体运行全过程,将进气、燃烧、做功、排气、冷却等***分成多个部分,基于不同***不同类别的子模型分层辨识,最后进行聚合优化,以获取实时的最优孪生映射。该辨识过程无需实时运行,在实体与模型累积偏差达到上限后自行触发。
S150,确定代价函数最小的一组能量管理策略为目标能量管理策略,代价函数基于动力性、经济性型和排放性的限值设定的。
在预测出多组能量损耗值后,选取一组最适合当前短期运行的能量管理策略,用于控制车辆运行。具体地,选择满足所有要求下代价函数最小的一组能量管理策略。在这个过程中,域端数字孪生模型会监测发动机的燃烧排放过程,根据燃烧排放过程优化点火时刻与喷油量。实现最佳燃烧过程,在调整过程中,电动机负责弥补瞬态扭矩波动,使发动机运行在最佳效率区间。
该方法亦用于物理实体的健康管理与故障诊断领域:提取历史数据库中存储的所有同型号动力***物理实体健康状况的典型特征参数,利用大数据分析,对基于云域数据流的云端数字孪生模型建立反映物理实体健康状况和故障演化规律的车辆动力***的性能退化模型和基于卷积神经网络的故障诊断算法,其分析结果将输入到基于长短期记忆网络的寿命预测模型,最终生成健康报告供用户和厂商分析决策并向域端控制器发送符合当前物理实体健康状况的控制指令,以降低故障与失效的概率。
本申请实施例的基于云域交互生成车辆管理策略的方法、装置及设备,兼顾了车载域控制器的算力不足和生成车辆能量管理策略的准确性、实时性要求,由车载域控制器执行算力要求较低的实体数据获取和目标能量管理策略的确定,由云端服务器执行算力要求较高云端数字孪生模型的构建和应用云端数字孪生模型生成多组能量管理策略,使得构建的云端数字孪生模型精度较高,由该云端数字孪生模型输出的多组能量管理策略也与车辆实际工况较匹配,再由车载域控制器应用域端数字孪生模型从多组能量管理策略确定目标能量管理策略,再次提升能量管理策略的精度,满足了生成的能量管理策略的准确性和实时性要求,生成的能量管理策略能够很好匹配车辆实际工况,能量管理策略合理。
图3示出了本申请一个实施例提供的基于云域交互生成车辆管理策略的方法的流程示意图。该方法应用于云端服务器。如图3所示,该方法可以包括以下步骤:
S310、接收实体数据,实体数据包括车辆动力***数据、交通环境数据和驾驶员操作数据。
接收车载域控制器发送的实体数据,包括车辆动力***数据、交通环境数据和驾驶员操作数据。实体数据包括历史数据和实时数据。可以通过接收车辆的传感器信号、车载自动诊断***(On Board Diagnostics,OBD)信号、以及车联网信号,如V2V、V2I进行获取。历史数据,为车辆历史行程中的实体数据,储存在云端的历史数据库,可以进行车辆预测行驶特征的历史规律提取;实时数据,为车辆当前时刻运行收集到的实体数据和域端发送的域孪生模型参数。
车辆动力***可以包括内燃机,电动机,电池,传动***等,车辆动力***数据为反映车辆动力***工况的数据,可以包括:发动机转速信号,曲轴角速度信号,气体流量信息,爆震信号,氧浓度信号,己车车速信息,冷却水水温信号,电池耗电量,燃油消耗量,后处理***温度信息,挡位信息,行驶里程等。
交通环境数据可以包括静态交通环境数据,如路段长度,路口位置,道路限速,交通标志等;以及,动态交通环境数据,如交通流信息,前车特征信息,交通灯信号时间和相位。
驾驶员操作数据可以反映驾驶员的操作习惯,如汽车踏板角度、方向盘转角、驾驶员眼动信息等。
S320、基于实体数据构建云端数字孪生模型,云端数字孪生模型基于车辆动力***数据的原始数据建立,并基于车辆动力***数据的实时数据更新。
云端服务器基于实体数据构建云端数字孪生模型,包括:
基于历史数据训练得到初始数字孪生模型;将实时数据输入初始数字孪生模型,修正初始数字孪生模型的参数,得到云端数字孪生模型。
其中,服务器基于实体数据构建云端数字孪生模型时,可以通过实体数据中的历史数据构建云端数字孪生模型,再通过实体数据中的实时数据实时更新云端数字孪生模型的参数,以反映物理实体在长周期范围内的特征变动,提升云端数字孪生模型的精度。具体地,基于实体数据中的历史数据,采用测绘扫描,几何建模,网格建模,***建模,流程建模,组织建模等方式得到处是数字孪生模型,云端数字孪生模型可精确反映物理实体的理化特性,为实现高保真建模,需要对大量的待定模型参数进行参数辨识,所采用的辨识方法包括在线参数辨识和离线参数辨识两类,前者用于在线滚动更新模型参数,后者用于构建物理实体的初始孪生模型,作为在线应用的基准,所述参数辨识方法主要有粒子群算法,具有遗忘因子的最小二乘算法,双卡尔曼滤波算法等。借助实时更新的有效数据流,一方面可以扩充历史数据库;一方面在域孪生模型部署的快速卡尔曼滤波算法在线辨识后的模型系数和参数,在云端运用智能群算法进行相应参数的进一步辨识优化,更新自身的系数和参数,供后续优化使用,并发送给域端,形成孪生模型参数随物理实体特征演化的实时滚动更新,乃至数字孪生模型结构的在线调整,达到模型的滚动更新效果,以更好的反应物理实体在全生命周期中的特征变化情况,提高控制方法的精准性,鲁棒性。对云端数字孪生模型的实时更新包括:理化特性,时变特性,空间特性,趋势特性等。理化特性主要包括物理实体隶属于物理化学方面的固有属性,如电子电器参数信息,材料学特性等;时变特性主要指在时域上物理实体各方面的演变规律;空间特性主要指物理实体在三维空间的尺寸与公差配合等测绘信息;趋势特性主要借助历史信息和实时信号,利用智能算法推演物理实体在未来的特性演化状况。构建云端数字孪生模型时,可以采用参数化和/或非参数化的建模方法,如基于机理的严密数学建模方法,基于数据的机器学习算法,深度学习算法。建模方法可以单独使用,也可以串联或并联的方式耦合使用以达到更好的效果。
S330、基于云端数字孪生模型反映的实体特征生成车辆未来行驶特征的全局性预测,实体特征包括:车辆动力***特征、交通环境特征和驾驶员操作特征。
在一种实施例中,云端数字孪生模型还用于根据实体特征生成车辆健康管理策略。
其中,车辆健康管理策略可以包括对车辆运行参数的调整,云端数字孪生模型能够反映实体特征,将云端数字孪生模型反映的车辆特征与从大数据获取的正常车辆特征比对,即可确定车辆各参数是否正常,相应进行调整,例如车辆运行参数可以包括:发动机转速,发动机转矩,进气压力,进气温度,节气门开度,VVT进排气门相位与升程,点火提前角,喷油脉宽,冷却水温,EGR率,涡轮转速,曲轴转角,废气旁通阀来开度,实时燃油消耗率,电池电压,剩余储存电量,电机转速,扭矩等。
在一种实施例中,云端数字孪生模型还用于根据实体特征生成车辆故障检测结果和车辆寿命预测结果中的至少一项。
其中,云端数字孪生模型能够反映实体特征,将云端数字孪生模型反映的车辆特征与从大数据获取的正常车辆特征比对,即可确定车辆是否存在故障,生成车辆故障检测结果。在生成车辆寿命预测结果时,将云端数字孪生模型反映的车辆特征与通过大数据获取的不同寿命下的车辆特征进行比对,即可预测车辆寿命,得到车辆寿命预测结果。云端数字孪生模型能够实现发动机燃烧诊断,车辆电子器件故障诊断,电机故障诊断模型,传动***、行驶***、转向***和制动***故障诊断。故障诊断在于车辆部件的状态影响整车动力性,基于神经网络、机器学习、模糊推理、概率理论建立诊断模型,包括发动机燃烧诊断,车辆电子器件故障诊断,电机故障诊断模型,传动***、行驶***、转向***和制动***故障诊断模型等。车载域控制器基于传感器信号及整车OBD信号对车辆不同***各部件进行实时监测,并对各类信号实现滤波处理、信号融合,在此基础上利用诊断模型判别各部件的实时状态。基于传感器信号对故障级别进行划分,分为正常、轻微故障、严重故障三个等级,在不同等级下车载域控制器提供不同的警报等级。用户基于不同的故障等级,做出相应的驾驶调整。所述信号滤波处理方法包括卡尔曼滤波、小波阈值滤波、低高通滤波等算法,信号融合能够弥补单一信号所含信息量的不足,其包括数据级融合、特征级融合以及决策级融合三类融合等级,数据级融合方法包括神经网络、机器学习等,特征级融合方法包括卡尔曼融合算法、贝叶斯融合算法等,决策级融合算法包括D-S证据理论、模糊数据融合等。
在一种实施例中,云端数字孪生模型还可以根据车辆寿命预测结果对生成多组能量管理策略过程进行调整。例如,车辆寿命预测结果表征出车辆发动机剩余寿命为全生命周期的30%,车辆发动机剩余寿命为全生命周期的30%,车辆电动机剩余寿命为全生命周期的70%,说明发动机老化严重,电动机状况良好,在生成能量管理策略时,则选取电能功能占比较高的策略。
在一种实施例中,云端数字孪生模型还用于根据实体特征生成用户出行路径规划建议和行程驾驶操作建议中的至少一项。
其中,云端数字孪生模型能够反映实体特征,该实体特征包括交通环境特征和驾驶员操作特征(加速度踏板操作、刹车踏板操作),可以根据交通环境特征生成用户出行路径规划建议,例如,当交通环境特征表征出前方路段堵车,生成绕行建议。可以根据驾驶员操作特征生成行程驾驶操作建议,例如,当驾驶员操作特征表征出加速度踏板操作用力过大,则生成轻踩加速度脚踏板建议。
S340、基于云端数字模型和车辆未来行驶特征的全局性预测,通过寻优算法生成多组能量管理策略。
基于云端数字孪生模型反映出的驾驶员操作特征(加速度踏板操作、刹车踏板操作)对驾驶员风格进行分类,其属于激进型、普通型、温和型哪一种类型,在确定了驾驶员风格之后,基于云端数字孪生模型反映出的当前位置到目的地的交通环境特征(车流量、道路条件、天气状况等)和车辆动力***特征(蓄电池剩余电量、油箱剩余油量等),采用寻优算法生成几组能量管理策略。
S350、向车载域控制器发送车辆未来行驶特征的全局性预测和多组车辆能量管理策略,以用于车载域控制器确定多组车辆能量管理策略中代价函数最小的策略为目标能量管理策略,并将目标管理策略向动力***控制单元发送予以执行。
通过车载域控制器和云服务器之间的信息交互,向车载域控制器发送车辆未来行驶特征的预测和多组车辆能量管理策略。使车载域控制器通过将多组能量管理策略和预测行驶速度输入域端数字孪生模型,在平衡动力性、经济性、排放性的条件下,对多组能量管理策略进行能量损耗值预测,包括计算能量管理策略的代价函数值,并确定满足所有要求下代价函数最小的一组能量管理策略为目标能量管理策略,向动力***控制单元发送予以执行。
本申请实施例提供的基于云域交互生成混合动力车辆能量管理策略及健康监测的方法,兼顾了车载域控制器的算力不足和生成车辆能量管理策略的准确性、实时性要求,由云端服务器执行算力要求较高云端数字孪生模型的构建和应用云端数字孪生模型生成多组能量管理策略,构建的云端数字孪生模型精度较高,由该云端数字孪生模型输出的多组能量管理策略也与车辆实际工况较匹配,再由车载域控制器应用域端数字孪生模型从多组能量管理策略确定目标能量管理策略,提升能量管理策略的精度,满足了生成的能量管理策略的准确性和实时性要求,生成的能量管理策略能够很好匹配车辆实际工况,能量管理策略合理。
在一些实施例中,物理实体包括交通环境,驾驶人员,车辆;交通环境,为车辆运行中的大气环境、交通基础设施、交通参与对象;交通环境孪生模型是对天气状况、交通设施的方位相位、周围行人、车辆动态的建模;驾驶人员孪生模型是对驾驶风格、驾驶行为的统计分析建模;车辆孪生模型是借助物理和数学机理对己车车辆动力传动***以及整车动态的建模。
在一些实施例中,实体数据包括历史数据和实时数据;历史数据,为车辆历史行程中的实体数据,储存在云端的历史数据库;历史车辆动力***数据用于构建初始数字孪生模型和车辆预测行驶特征的历史规律提取;实时数据,为车辆当前时刻运行收集到的实体数据和域端发送的域孪生模型参数;其中,实时车辆动力***数据用于输入所述初始数字孪生模型训练以调整原始数字孪生模型的参数,得到云端数字孪生模型。
在一些实施例中,向车载域控制器发送车辆未来行驶特征的预测和多组车辆能量管理策略之前,方法还包括:接收域端发送的域孪生模型在线辨识后的模型系数和参数;基于域孪生模型在线辨识后的模型系数和参数对云端数字孪生模型进行辨识和优化处理。为避免云域模型偏差,域端孪生模型的辨识参数会传输给云端,保证云域双孪生运行效果,提高双孪生模型的性能。
在一些实施例中,方法还包括:向域端发送云端数字模型经过辨识和优化处理后的系数和参数,以用于域端基于系数和参数辨识和修正域端数字孪生模型。为避免云域模型偏差,云端孪生模型的辨识参数会传输给域端,构成模型参数双向滚动优化更新,保证云域双孪生运行效果。
在一些实施例中,云端数字孪生模型还用于比对实体特征和预设健康实体特征数据在相似工况下的奇异值,得到比对结果,并对物理实体的寿命进行预测,预设健康实体特征数据为基于车辆动力***数据在预设时间段内的变化趋势分析得到的数据,预设健康体特征数据来源于历史数据库中同型号车辆的动力***大数据;根据比对结果生成车辆动力***健康报告,车辆动力***健康报告包括故障诊断结果与健康管理建议;基于比对结果实时调整动力***相关部件的运行工况点,规避风险工况,防止其健康状态恶化。
在一些实施例中,云端数字孪生模型还用于根据实体特征生成用户出行路径的能耗预测值,驾驶行为分析评价报告和舒适节能安全驾驶操作建议中的至少一项。
为了帮助理解,下面结合一实施例对本申请的方法进行说明:
部署在服务器的云端大数据平台,主要分为四个层级;数据层,优化层,模型层有以下几个模块构成:数据库模块;数据交互模块;人车路孪生模型构建模块;前瞻信息预测模块;参数辨识与优化模块等。
其中,数据库模块为整个车辆动力***管理方法提供全面的数据储存和数据对象管理的能力,拟采用的数据库类型包括不限于Oracle,MySQL等关系型数据库或mongodb,hbase等半结构化数据库。数据库中的保存数据主要分为历史信息和实时信号,历史信息主要包括:发动机的特性曲线,动力***各传感器的历史输出信号,驾驶员的历史行为数据,驾驶工况的历史特征参数,目的是为孪生模型的校准与优化提供依据,同时可输入到参数辨识与优化模块和前瞻信息预测模块中,凝练车辆动力***性能劣化,故障演变的规律;提高辨识驾驶员行为偏好与驾驶工况的准确度。实时信号主要包括:车辆动力***的实时输出信号,车联网中V2X的输出信号,图商提供的交通信息,驾驶员的实时操作信息。经数据交互模块传入的数据采用主库和从库同步储存的技术方案,提高数据库的容错度和稳定性;数据库的信号储存归纳整理方式主要依照时间,地点,驾驶员,参数类型,所属优化情景,所服务的孪生模型对象等原则;同时,云端数据库的监控、运维、部署、备份等操作都可以在云端通过高效的自动化工具来自动完成,极大地降低了运维成本。
数据交互模块的接收端负责接收车端车载域控制器发来的车辆动力***实时运行数据;驾驶员对踏板,方向盘,车机操作数据等;车端V2V数据;来自数据库的历史数据;图商接口提供的实时交通信息;车联网服务商提供的V2X数据。
数据交互模块是云端大数据平台的核心模块,负责数据的整合,分发,协同,传输。数据交互模块采用的通信手段包括不限于CAN总线通信,WIFI无线通信,C-V2X下的车辆智能互联通信,局域网通信等。数据交互模块的输入与输出方均为车端(传感器),云端(内循环),平台端(图商,车联网)。数据交互模块中的信息传递具有多向循环性;车端发送来的实时信号与平台端发送过来的交通情景信息合流之后,首先会发送到优化层中的前瞻信息预测模块与参数辨识与优化模块,减少在通信状况波动时,优化层数据流的错误与中断;实时信号的副本会传输给储存层的数据库模块,进行历史数据的积累。前瞻信息预测模块和参数辨识与优化模块的运算结果会在该模块中,根据指令相较于汽车运行安全和节能减排的不同优先级次序,建立权值等级,然后传输指令给车端车载域控制器的数据交互模块,车端会依据权值,高效分配执行指令。数据交互的内循环主要是实时信号在优化层的计算结果会指导孪生模型的参数自学习,以符合人车路孪生模型随时空发展的特征演变趋势,形成滚动优化的结果;同时该部分数据亦会传入数据库,作为模型标定方法提炼和推广的依据之一。
模型层的人车路孪生模型在云端对同一个描述对象,同样具有不同计算时间复杂度,特征丰富度的多个孪生模型,可以灵活应对不同的优化情景,这属于该控制方法的自定义部分。例如:优化目标为车辆动力***的健康管理与故障诊断;车辆运行的全过程中SOC轨迹规划,长期车速预测,工况预测,驾驶员行为风格预测,需求扭矩预测等均采用能反映对象核心和边缘特征的复杂数字孪生模型;对于短期的预测目标和实时优化的能量管理策略,如ECMS,MPC等强调短步长实时结果输出的,在尽量减少核心特征损失的前提下,采用简化版的数字孪生模型。简化模型在于:数据输入的规约和模型体量的精简,前者可以利用包括不限于相关性分析,PCA,LDA,核方法等进行数据层面的降维,实现数据量的精简。后者可以利用包括不限于:测绘扫描,几何建模,网格建模,***建模,流程建模,组织建模,机理建模,网络建模等方法优化建模流程。
优化层包含前瞻信息预测模块;参数辨识与优化模块。前瞻信息预测模块所述的前瞻信息包括不限于:红绿灯相位曲线,前车运动学信息,道路拥堵情况,道路平均车速,驾驶员扭矩需求,SOC曲线,发动机运行工况点。优选人工智能算法中的LSTM神经网络进行长期的回归预测分析,LSTM神经网络包含遗忘门;增强门;输出门,可以较为精确地预测较长周期内特征演化情况。参数辨识与优化模块包括不限于对驾驶工况,驾驶风格的聚类辨识;动力***的控制参量:进气量,增压压力,喷油量,SOC等;优化目标包括不限于:车辆油耗电耗优化,动力***健康管理与故障诊断,平顺舒适性改善。该模块可在线或离线进行模型训练和参数辨识。该模块的优化方法包括不限于:K均值聚类,SOM神经网络,概率神经网络,粒子群算法等。
本申请实施例将人车路这交通出行场景三大主题统一于同一个优化目标的实现,现列举实施例进行说明:车辆运行前:云端数据库中的历史信息会预先输入进模型层与优化层进行车辆动力***健康状况的评估与参数调优;驾驶员风格的辨识。即历史数据库存储多辆有装备相同发动机的同型号车辆的多天历史运行数据,可以据此建立实际车辆动力***运行工况MAP,与该型动力***的标准MAP进行同工况点的均方根误差计算,可以得出实际发动机偏离理论工况点的程度,根据实际反映出的油耗偏差值作为标签,运用概率神经网络作为分类识别算法,讲发动机的健康状态分为优良,普通,较差。对于普通型发动机,采用自学***,优化模型控制参数及电机的扭矩补偿策略来消除与理论值的偏差。对于较差型发动机,将动力***的历史信号,进行小波变换后,采用经验模态分解的方法,提取故障特征,并在详细动力***孪生模型中,运用A*网格搜索法进行故障复现与原因过程推衍验证,并将初步判断结果分发到主机厂售后部门和驾驶员智能设备中,实现问题反馈和故障预警。针对驾驶员风格的分类辨识同样是在云端离线运行,进行模型训练,由于驾驶风格与驾驶工况息息相关,为提高驾驶员风格聚类的准确性,有必要先进行工况的识别。采用短行程分割法,对历史行程信息进行挖掘,运用车速,加速度的平均值,均方根值,标准差,分位点等,行程的加减速,怠速,启停比例等数十个参数,经PCA算法降维后,利用K均值聚类算法,将驾驶工况分为拥堵工况,城市工况,郊区工况,快速路工况,高速工况。在相同工况下的短行程工况片中,提取驾驶员方向盘,踏板操作的时频信号,以油耗作为评价指标,利用高斯混合模型聚类,将驾驶员风格分为温和型,普通型,和激进型。在离线情景下,将工况类型和驾驶员风格进行排列组合后,运用改进的粒子群优化算法训练不同驾驶情境下对应的能量管理策略与热管理策略控制参数,该方法在对应情景下均有三至五套可用的控制参数。在车辆运行过程中,经数据交互模块,分发到车载域控制器,车载域控制器负责进行控制参数的辨识与选择。车辆运行开始,平台端发送来己车所处路段的交通流平均时速,拥堵情况,道路限速,距下一红绿灯距离,红绿灯相位,前方多车的车速,相对车距等信息。车端发送来驾驶员的方向盘,踏板操作信息:方向盘转角,油门,刹车踏板开度与变化率;车辆运动学信息:当前车速,前车车距;动力***信息:发动机转速,发动机转矩,进气压力,进气温度,节气门开度,VVT进排气门相位与升程,点火提前角,喷油脉宽,冷却水温,EGR率,涡轮转速,曲轴转角,废气旁通阀来开度,实时燃油消耗率,电池电压,剩余储存电量,电机转速,扭矩。上述信息同时也作为历史信息参与运算,形成了数据滚动优化传输的效果。平台端信息和车端信息输入到前瞻信息预测模块中的LSTM神经网络,进行长期的车速预测,结合车辆的特性曲线和动力传动***的具体配置,最终翻译为驾驶员的需求扭矩,未来一段时间驾驶员的动力需求,输入到优化层中的前瞻性能量管理与热管理优化策略,用以进行长期的SOC曲线规划,等效因子曲线寻优,换挡策略寻优,电池包散热控制与温度曲线规划,混动能量流的分配规划。最终通过数据交互模块发送给域端平台执行,驾驶员的实际动力需求信号会反馈到云端,实际值和预测值会存在偏差,为了进一步提高前瞻信息预测的精度,在LSTM神经网络后,附加一个BP神经网络,改神经网络利用长期的偏差累计数据进行离线训练,输出修正后的预测结果,用以降低实际预测中可能出现的偏差。
图4示出了一种基于上述云域交互生成车辆管理策略的方法的***架构图,云端大数据平台第一孪生模型和车端域控平台第二孪生模型通过数据交互模块通信连接,云端大数据平台第一孪生模型域数据交换模块交换策略簇数据,车端域控平台第二孪生模型域数据交换模块交换物理实体参数簇数据和控制策略参数簇数据。云端大数据平台第一孪生模型与第三方数据库交换进行数据更新,第三方数据库与数据交换模块交换天气和交通信息。云端数据库与历史数据库进行参数校准,历史数据库与数据交换模块交换物理实体历史特征信息。车端域控平台第二孪生模型通过传感器获取动力传动***信息,通过毫米波雷达获取近场信息,通过驾驶员的驾驶行为和风格获取驾驶操作信息。
本申请实施例兼顾了车载域控制器的算力不足和生成车辆能量管理策略的准确性、实时性要求,由车载域控制器执行算力要求较低的实体数据获取和目标能量管理策略的确定,由云端服务器执行算力要求较高云端数字孪生模型的构建和应用云端数字孪生模型生成多组能量管理策略,使得构建的云端数字孪生模型精度较高,由该云端数字孪生模型输出的多组能量管理策略也与车辆实际工况较匹配,再由车载域控制器应用域端数字孪生模型从多组能量管理策略确定目标能量管理策略,再次提升能量管理策略的精度,满足了生成的能量管理策略的准确性和实时性要求,生成的能量管理策略能够很好匹配车辆实际工况,能量管理策略合理。同时,借助云端数字孪生模型反映的实体特征生成的故障推衍模型,能够对车载域控制器反馈的物理实体的实时信号进行故障信号辨识与故障原因诊断,制定相应的健康管理策略,规避故障高发工况,改善部件运行环境,解决现有混合动力***能量管理策略动能分配健康管理监测的问题。
图1-4描述了基于云域交互生成车辆管理策略的方法,下面结合附图5-6描述本申请实施例提供的装置。
图5示出了本申请一个实施例提供的基于云域交互生成能量管理策略的装置的结构示意图,该装置应用于车载域控制器,图5所示装置中各模块具有实现图1中相应步骤的功能,并能达到其相应技术效果。如图5所示,该装置可以包括:
获取模块510,用于从车载传感器,第三方平台和基础交通设施获取实体数据,实体数据包括车辆动力***数据、交通环境数据和驾驶员操作数据;
发送模块520,用于向云端服务器发送实体数据和域孪生模型参数,以用于云端服务器基于所述实体数据构建云端数字孪生模型;
接收模块530,用于接收云端发送的多组能量管理策略和车辆预测行驶特征;
输入模块540,用于将多组车辆预测行驶特征输入域端数字孪生模型,通过结合近场信息和车辆传感器的实时信号、在平衡动力性、经济性、排放性、平顺性和舒适性的条件下进行多目标寻优,输出多组能量管理策略的代价函数值;
确定模块550,用于确定代价函数值最小的一组能量管理策略为目标能量管理策略,代价函数基于动力性、经济性和排放性的限值设定的。
在一些实施例中,输入模块540,用于将多组车辆预测行驶特征输入域端数字孪生模型,通过结合近场信息和车辆传感器的实时信号、在平衡动力性、经济性、排放性、平顺性和舒适性的条件下进行多目标寻优,输出多组能量管理策略的代价函数值,包括:输入模块540,用于将多组车辆预测行驶特征输入域端数字孪生模型,通过结合预测曲线在平衡动力性、经济性、排放性、平顺性和舒适性的条件下进行多目标寻优,输出多组能量管理策略的代价函数值,预测曲线为近场信息和车辆传感器的实时信号输入预测模型得到的预测车辆行驶特征的时序曲线。
在一些实施例中,装置还包括:发送模块520,还用于向动力***控制单元发送目标能量管理策略,以用于动力***执行所述目标能量管理策略。
本申请实施例兼顾了车载域控制器的算力不足和生成车辆能量管理策略的准确性、实时性要求,由车载域控制器执行算力要求较低的实体数据获取和目标能量管理策略的确定,由云端服务器执行算力要求较高云端数字孪生模型的构建和应用云端数字孪生模型生成多组能量管理策略,使得构建的云端数字孪生模型精度较高,由该云端数字孪生模型输出的多组能量管理策略也与车辆实际工况较匹配,再由车载域控制器应用域端数字孪生模型从多组能量管理策略确定目标能量管理策略,再次提升能量管理策略的精度,满足了生成的能量管理策略的准确性和实时性要求,生成的能量管理策略能够很好匹配车辆实际工况,能量管理策略合理。
图6示出了本申请一个实施例提供的基于云域交互生成能量管理策略的装置的结构示意图,该装置应用于云端服务器,图6所示装置中各模块具有实现图3中相应步骤的功能,并能达到其相应技术效果。如图6所示,该装置可以包括:
接收模块610,用于接收车载域控制器发送的实体数据,实体数据包括车辆动力***数据、交通环境数据和驾驶员操作数据;
构建模块620,用于基于实体数据构建云端数字孪生模型,云端数字孪生模型基于车辆动力***数据的原始数据建立,并基于车辆动力***数据的实时数据更新;
生成模块630,用于基于云端数字孪生模型反映的实体特征生成车辆未来行驶特征的全局性预测,实体特征包括:车辆动力***特征、交通环境特征和驾驶员操作特征;
生成模块630,还用于基于云端数字模型和车辆未来行驶特征的全局性预测,通过寻优算法生成多组能量管理策略;
发送模块640,用于向车载域控制器发送车辆未来行驶特征的预测和多组能量管理策略,用于车载域控制器确定多组车辆能量管理策略中代价函数最小的策略为目标能量管理策略,并将目标能量管理策略向动力***发送予以执行。
在一些实施例中,物理实体包括交通环境,驾驶人员,车辆;交通环境,为车辆运行中的大气环境、交通基础设施、交通参与对象;交通环境孪生模型是对天气状况、交通设施的方位相位、周围行人、车辆动态的建模;驾驶人员孪生模型是对驾驶风格、驾驶行为的统计分析建模;车辆孪生模型是借助物理和数学机理对己车车辆动力传动***以及整车动态的建模。
在一些实施例中,实体数据包括历史数据和实时数据;历史数据,为车辆历史行程中的实体数据,储存在云端的历史数据库;历史车辆动力***数据用于构建初始数字孪生模型和车辆预测行驶特征的历史规律提取;实时数据,为车辆当前时刻运行收集到的实体数据和域端发送的域孪生模型参数;其中,实时车辆动力***数据用于输入所述初始数字孪生模型训练以调整原始数字孪生模型的参数,得到云端数字孪生模型。
在一些实施例中,装置还包括:接收模块610,还用于接收域端发送的域孪生模型在线辨识后的模型系数和参数;处理模块650,用于基于域孪生模型在线辨识后的模型系数和参数对云端数字孪生模型进行辨识和优化处理。
在一些实施例中,装置还包括:发送模块640,还用于向域端发送云端数字模型经过辨识和优化处理后的系数和参数,以用于域端基于系数和参数辨识和修正域端数字孪生模型。
在一些实施例中,云端数字孪生模型还用于比对实体特征和预设健康实体特征数据在相似工况下的奇异值,得到比对结果,并对物理实体的寿命进行预测,预设健康实体特征数据为基于车辆动力***数据在预设时间段内的变化趋势分析得到的数据;根据比对结果生成车辆动力***健康报告,车辆动力***健康报告包括故障诊断结果与健康管理建议。
在一些实施例中,云端数字孪生模型还用于根据实体特征生成用户出行路径的能耗预测值,驾驶行为分析评价报告和舒适节能安全驾驶操作建议中的至少一项。
本申请实施例兼顾了车载域控制器的算力不足和生成车辆能量管理策略的准确性、实时性要求,由车载域控制器执行算力要求较低的实体数据获取和目标能量管理策略的确定,由云端服务器执行算力要求较高云端数字孪生模型的构建和应用云端数字孪生模型生成多组能量管理策略,使得构建的云端数字孪生模型精度较高,由该云端数字孪生模型输出的多组能量管理策略也与车辆实际工况较匹配,再由车载域控制器应用域端数字孪生模型从多组能量管理策略确定目标能量管理策略,再次提升能量管理策略的精度,满足了生成的能量管理策略的准确性和实时性要求,生成的能量管理策略能够很好匹配车辆实际工况,能量管理策略合理。
图7示出了本申请一个实施例提供的基于云域交互生成能量管理策略的设备的结构示意图。如图7所示,该设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地,上述处理器701可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器702可以包括可移除或不可移除(或固定)的介质,或者存储器702是非易失性固态存储器。存储器702可在综合网关容灾设备的内部或外部。
在一个实例中,存储器702可以是只读存储器(Read Only Memory,ROM)。在一个实例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现图1所示实施例中的方法,并达到图1所示实例执行其方法达到的相应技术效果,或以实现图3所示实施例中的方法,并达到图3所示实例执行其方法达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,该基于云域交互生成能量管理策略的设备还可包括通信接口703和总线710。其中,如图7所示,处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线710可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该基于云域交互生成能量管理策略的设备可以执行本申请实施例中的基于云域交互生成车辆管理策略的方法,从而实现图1或图3描述的基于云域交互生成车辆管理策略的方法的相应技术效果。
另外,结合上述实施例中的基于云域交互生成车辆管理策略的方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于云域交互生成车辆管理策略的方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (23)
1.一种基于云域交互生成车辆管理策略的方法,其特征在于,所述方法应用于云端服务器,所述方法包括:
接收实体数据,所述实体数据包括车辆动力***数据、交通环境数据和驾驶员操作数据;
基于所述实体数据构建云端数字孪生模型,所述云端数字孪生模型基于所述车辆动力***数据的原始数据建立,并基于所述车辆动力***数据的实时数据更新;
基于所述云端数字孪生模型反映的实体特征生成车辆未来行驶特征的全局性预测,所述实体特征包括:车辆动力***特征、交通环境特征和驾驶员操作特征;
基于所述云端数字模型和所述车辆未来行驶特征的全局性预测,通过寻优算法生成多组能量管理策略;
向所述车载域控制器发送所述车辆未来行驶特征的全局性预测和多组车辆能量管理策略,以用于所述车载域控制器确定所述多组车辆能量管理策略中代价函数最小的策略为目标能量管理策略,并将所述目标管理策略向动力***控制单元发送予以执行。
2.如权利要求1所述的基于云域交互生成车辆管理策略的方法,其特征在于,所述物理实体包括交通环境,驾驶人员,车辆;
所述交通环境,为车辆运行中的大气环境、交通基础设施、交通参与对象;
所述交通环境的孪生模型是对天气状况、交通设施的方位相位、周围行人、车辆动态的建模;
所述驾驶人员的孪生模型是对驾驶风格、驾驶行为的统计分析建模;
所述车辆的孪生模型是借助物理和数学机理对己车车辆动力传动***以及整车动态的建模。
3.如权利要求1所述的基于云域交互生成车辆管理策略的方法,其特征在于,所述实体数据包括历史数据和实时数据;
所述历史数据,为车辆历史行程中的实体数据,储存在云端的历史数据库;所述历史车辆动力***数据用于构建初始数字孪生模型和车辆预测行驶特征的历史规律提取;
所述实时数据,为车辆当前时刻运行收集到的实体数据和域端发送的域孪生模型参数;其中,所述实时车辆动力***数据用于输入所述初始数字孪生模型训练以调整所述原始数字孪生模型的参数,得到所述云端数字孪生模型,所述域孪生模型参数用于和所述云端数字孪生模型进行参数辨识与校验。
4.如权利要求1所述的基于云域交互生成车辆管理策略的方法,其特征在于,向所述车载域控制器发送所述车辆未来行驶特征的预测和多组车辆能量管理策略之前,所述方法还包括:
接收域端发送的域孪生模型在线辨识后的模型系数和参数;
基于所述域孪生模型在线辨识后的模型系数和参数对所述云端数字孪生模型进行辨识和优化处理。
5.如权利要求4所述的基于云域交互生成车辆管理策略的方法,其特征在于,所述方法还包括:
向所述域端发送所述云端数字模型经过辨识和优化处理后的系数和参数,以用于所述域端基于所述系数和参数辨识和修正域端数字孪生模型。
6.如权利要求1所述的基于云域交互生成车辆管理策略的方法,其特征在于,所述云端数字孪生模型还用于比对所述实体特征和预设健康实体特征数据在相似工况下的奇异值,得到比对结果,并对物理实体的寿命进行预测,所述预设健康实体特征数据为基于所述车辆动力***数据在预设时间段内的变化趋势分析得到的数据,所述预设健康实体特征数据来源于历史数据库中同型号车辆的动力***大数据;
根据所述比对结果生成车辆动力***健康报告,所述车辆动力***健康报告包括故障诊断结果与健康管理建议;
基于所述比对结果实时调整动力***相关部件的运行工况点。
7.如权利要求1任一项所述的基于云域交互生成车辆管理策略的方法,其特征在于,所述云端数字孪生模型还用于根据所述实体特征生成用户出行路径的能耗预测值,驾驶行为分析评价报告和舒适节能安全驾驶操作建议中的至少一项。
8.一种基于云域交互生成车辆管理策略的方法,其特征在于,所述方法应用于车载域控制器,所述方法包括:
从车载传感器,第三方平台和基础交通设施获取实体数据,所述实体数据包括车辆动力***数据、交通环境数据和驾驶员操作数据;
向云端服务器发送所述实体数据和域孪生模型参数,以用于所述云端服务器基于所述实体数据构建云端数字孪生模型;
接收云端发送的多组能量管理策略和车辆预测行驶特征;
将所述多组车辆预测行驶特征输入域端数字孪生模型,通过结合近场信息和车辆传感器的实时信号,在平衡动力性、经济性、排放性、平顺性和舒适性的要求条件下进行多目标寻优,输出所述多组能量管理策略的代价函数值;
确定所述代价函数值最小的一组能量管理策略为目标能量管理策略,所述代价函数基于动力性、经济性和排放性的限值设定的。
9.如权利要求8所述的基于云域交互生成车辆管理策略的方法,其特征在于,将所述多组车辆预测行驶特征输入域端数字孪生模型,通过结合近场信息和车辆传感器的实时信号、在平衡动力性、经济性、排放性、平顺性和舒适性的条件下进行多目标寻优,输出所述多组能量管理策略的代价函数值,包括:
将所述多组车辆预测行驶特征输入域端数字孪生模型,通过结合预测曲线在平衡动力性、经济性、排放性、平顺性和舒适性的条件下进行多目标寻优,输出所述多组能量管理策略的代价函数值,所述预测曲线为所述近场信息和所述车辆传感器的实时信号输入预测模型得到的预测车辆行驶特征的时序曲线。
10.如权利要求8或9所述的基于云域交互生成车辆管理策略的方法,其特征在于,所述方法还包括:
向动力***控制单元发送所述目标能量管理策略的执行需求,以用于所述动力***执行所述目标能量管理策略。
11.一种基于云域交互生成车辆管理策略的装置,其特征在于,所述装置应用于云端服务器,所述装置包括:
接收模块,用于接收实体数据,所述实体数据包括车辆动力***数据、交通环境数据和驾驶员操作数据;
构建模块,用于基于所述实体数据构建云端数字孪生模型,所述云端数字孪生模型基于所述车辆动力***数据的原始数据建立,并基于所述车辆动力***数据的实时数据更新;
生成模块,用于基于所述云端数字孪生模型反映的实体特征生成车辆未来行驶特征的全局性预测,所述实体特征包括:车辆动力***特征、交通环境特征和驾驶员操作特征;
所述生成模块,还用于基于所述云端数字模型和所述车辆未来行驶特征的全局性预测,通过寻优算法生成多组能量管理策略;
发送模块,用于向所述车载域控制器发送所述车辆未来行驶特征的全局性预测和多组车辆能量管理策略,用于所述车载域控制器确定所述多组车辆能量管理策略中代价函数最小的策略为目标能量管理策略,并将所述目标能量管理策略向动力***发送予以执行。
12.如权利要求11所述的基于云域交互生成车辆管理策略的装置,其特征在于,所述物理实体包括交通环境,驾驶人员,车辆;
所述交通环境,为车辆运行中的大气环境、交通基础设施、交通参与对象;
所述交通环境孪生模型是对天气状况、交通设施的方位相位、周围行人、车辆动态的建模;
所述驾驶人员孪生模型是对驾驶风格、驾驶行为的统计分析建模;
所述车辆孪生模型是借助物理和数学机理对己车车辆动力传动***以及整车动态的建模。
13.如权利要求11所述的基于云域交互生成车辆管理策略的装置,其特征在于,所述实体数据包括历史数据和实时数据;
所述历史数据,为车辆历史行程中的实体数据,储存在云端的历史数据库;所述历史车辆动力***数据用于构建初始数字孪生模型和车辆预测行驶特征的历史规律提取;
所述实时数据,为车辆当前时刻运行收集到的实体数据和域端发送的域孪生模型参数;其中,所述实时车辆动力***数据用于输入所述初始数字孪生模型训练以调整所述原始数字孪生模型的参数,得到所述云端数字孪生模型,所述域孪生模型参数用于和云端数字孪生模型进行参数辨识与校验。
14.如权利要求11所述的基于云域交互生成车辆管理策略的装置,其特征在于,所述装置还包括:
所述接收模块,还用于接收域端发送的域孪生模型在线辨识后的模型系数和参数;
处理模块,用于基于所述域孪生模型在线辨识后的模型系数和参数对所述云端数字孪生模型进行辨识和优化处理。
15.如权利要求14所述的基于云域交互生成车辆管理策略的装置,其特征在于,所述装置还包括:
所述发送模块,还用于向所述域端发送所述云端数字模型经过辨识和优化处理后的系数和参数,以用于所述域端基于所述系数和参数辨识和修正域端数字孪生模型。
16.如权利要求11所述的基于云域交互生成车辆管理策略的装置,其特征在于,所述云端数字孪生模型还用于比对所述实体特征和预设健康实体特征数据在相似工况下的奇异值,得到比对结果,并对物理实体的寿命进行预测,所述预设健康实体特征数据为基于所述车辆动力***数据在预设时间段内的变化趋势分析得到的数据,所述预设健康实体特征数据来源于历史数据库中同型号车辆的动力***大数据;
根据所述比对结果生成车辆动力***健康报告,所述车辆动力***健康报告包括故障诊断结果与健康管理建议;
基于所述比对结果实时调整动力***相关部件的运行工况点。
17.如权利要求11所述的基于云域交互生成车辆管理策略的装置,其特征在于,所述云端数字孪生模型还用于根据所述实体特征生成用户出行路径的能耗预测值,驾驶行为分析评价报告和舒适节能安全驾驶操作建议中的至少一项。
18.一种基于云域交互生成车辆管理策略的装置,其特征在于,所述装置包括:
获取模块,用于从车载传感器,第三方平台和基础交通设施获取实体数据,所述实体数据包括车辆动力***数据、交通环境数据、驾驶员操作数据;
发送模块,用于向云端服务器发送所述实体数据和域孪生模型参数,以用于所述云端服务器基于所述实体数据构建云端数字孪生模型;
接收模块,用于接收云端发送的多组能量管理策略和车辆预测行驶特征;
输入模块,用于将所述多组车辆预测行驶特征输入域端数字孪生模型,通过结合近场信息和车辆传感器的实时信号、在平衡动力性、经济性、排放性、平顺性和舒适性的条件下进行多目标寻优,输出所述多组能量管理策略的代价函数值;
确定模块,用于确定所述代价函数值最小的一组能量管理策略为目标能量管理策略,所述代价函数基于动力性、经济性和排放性的限值设定的。
19.如权利要求18所述的基于云域交互生成车辆管理策略的装置,其特征在于,所述输入模块,用于将所述多组车辆预测行驶特征输入域端数字孪生模型,通过结合近场信息和车辆传感器的实时信号、在平衡动力性、经济性、排放性、平顺性和舒适性的条件下进行多目标寻优,输出所述多组能量管理策略的代价函数值,包括:
所述输入模块,用于将所述多组车辆预测行驶特征输入域端数字孪生模型,通过结合预测曲线在平衡动力性、经济性、排放性、平顺性和舒适性的条件下进行多目标寻优,输出所述多组能量管理策略的代价函数值,所述预测曲线为所述近场信息和所述车辆传感器的实时信号输入预测模型得到的预测车辆行驶特征的时序曲线。
20.如权利要求18或19所述的基于云域交互生成车辆管理策略的装置,其特征在于,所述装置还包括:
所述发送模块,还用于向动力***控制单元发送所述目标能量管理策略,以用于所述动力***执行所述目标能量管理策略。
21.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至10中任一项所述的基于云域交互生成车辆管理策略的方法。
22.一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上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至10中任一项所述的基于云域交互生成车辆管理策略的方法。
23.一种计算机程序产品,其特征在于,所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行如权利要求1至10任意一项所述的基于云域交互生成车辆管理策略的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210780047.9A CN117408360A (zh) | 2022-07-04 | 2022-07-04 | 基于云域交互生成车辆管理策略的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210780047.9A CN117408360A (zh) | 2022-07-04 | 2022-07-04 | 基于云域交互生成车辆管理策略的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117408360A true CN117408360A (zh) | 2024-01-16 |
Family
ID=89485772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210780047.9A Pending CN117408360A (zh) | 2022-07-04 | 2022-07-04 | 基于云域交互生成车辆管理策略的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408360A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117665221A (zh) * | 2024-02-01 | 2024-03-08 | 江苏镨赛精工科技有限公司 | 一种复合材料制品的性能检测方法及*** |
-
2022
- 2022-07-04 CN CN202210780047.9A patent/CN117408360A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117665221A (zh) * | 2024-02-01 | 2024-03-08 | 江苏镨赛精工科技有限公司 | 一种复合材料制品的性能检测方法及*** |
CN117665221B (zh) * | 2024-02-01 | 2024-05-24 | 江苏镨赛精工科技有限公司 | 一种复合材料制品的性能检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Adaptive optimal control based on driving style recognition for plug-in hybrid electric vehicle | |
Liu et al. | Hybrid electric vehicle downshifting strategy based on stochastic dynamic programming during regenerative braking process | |
Chen et al. | A survey on key techniques and development perspectives of equivalent consumption minimisation strategy for hybrid electric vehicles | |
CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
Li et al. | Adaptive real-time energy management control strategy based on fuzzy inference system for plug-in hybrid electric vehicles | |
Shi et al. | Pontryagin’s minimum principle based fuzzy adaptive energy management for hybrid electric vehicle using real-time traffic information | |
WO2021114742A1 (zh) | 一种混合动力电动汽车综合预测能量管理方法 | |
CN109910866B (zh) | 基于路况预测的混合动力汽车能量管理方法和*** | |
Lü et al. | Hybrid electric vehicles: A review of energy management strategies based on model predictive control | |
Yuan et al. | Predictive energy management strategy for connected 48V hybrid electric vehicles | |
Liu et al. | Hierarchical speed planning and energy management for autonomous plug-in hybrid electric vehicle in vehicle-following environment | |
Chrenko et al. | Novel classification of control strategies for hybrid electric vehicles | |
Tulpule et al. | Effect of traffic, road and weather information on PHEV energy management | |
KR20220079478A (ko) | 차량의 동작 프로파일 모델링 | |
Li et al. | Distributed cooperative energy management system of connected hybrid electric vehicles with personalized non-stationary inference | |
Zhu et al. | A comprehensive review of energy management strategies for hybrid electric vehicles | |
CN112580251A (zh) | 基于交通信息和模型预测控制的混动汽车能量管理方法 | |
Gan et al. | Intelligent learning algorithm and intelligent transportation-based energy management strategies for hybrid electric vehicles: A review | |
CN117408360A (zh) | 基于云域交互生成车辆管理策略的方法、装置及设备 | |
Choi et al. | Data-driven energy management strategy for plug-in hybrid electric vehicles with real-world trip information | |
Gnanaprakasam et al. | Robust energy management technique for plug-in hybrid electric vehicle with traffic condition identification | |
CN113246958B (zh) | 基于td3多目标hev能量管理方法及*** | |
Guo et al. | Clustered energy management strategy of plug-in hybrid electric logistics vehicle based on Gaussian mixture model and stochastic dynamic programming | |
Hegde et al. | Energy saving analysis in electrified powertrain using look-ahead energy management scheme | |
Gao et al. | Control strategy for PHEB based on actual driving cycle with driving style characteristic |
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 |