CN118226245A - 车辆中继电器的故障预测方法、装置、可读存储介质和车辆 - Google Patents
车辆中继电器的故障预测方法、装置、可读存储介质和车辆 Download PDFInfo
- Publication number
- CN118226245A CN118226245A CN202410517000.2A CN202410517000A CN118226245A CN 118226245 A CN118226245 A CN 118226245A CN 202410517000 A CN202410517000 A CN 202410517000A CN 118226245 A CN118226245 A CN 118226245A
- Authority
- CN
- China
- Prior art keywords
- model
- reliability
- relay
- data
- optimization
- 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 109
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims description 116
- 238000012360 testing method Methods 0.000 claims description 69
- 238000012795 verification Methods 0.000 claims description 56
- 230000004044 response Effects 0.000 claims description 17
- 238000005520 cutting process Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 description 26
- 238000004364 calculation method Methods 0.000 description 15
- 238000005315 distribution function Methods 0.000 description 13
- 238000010998 test method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本发明公开了一种车辆中继电器的故障预测方法、装置、可读存储介质和车辆。其中,该方法包括:获取车辆中继电器在运行过程中的当前运行数据;将当前运行数据输入至可靠性模型,其中,可靠性模型为通过继电器的可靠性数据样本构建得到的,可靠性数据样本用于指示继电器在不同情况下正常工作的可靠程度,且基于继电器的在不同情况下的历史故障信息确定;利用可靠性模型对当前运行数据进行预测,得到预测结果,其中,预测结果用于指示继电器在未来时段发生故障的故障时间;输出预测结果。本发明解决了继电器的可靠性分析准确率低的技术问题。
Description
技术领域
本发明涉及车辆高压电气***技术领域,具体而言,涉及一种车辆中继电器的故障预测方法、装置、可读存储介质和车辆。
背景技术
目前,随着电动车辆的快速发展,其电气***在以往的功能上又成为了测含量的动力***。其中,高压继电器是电动车辆高压电气***中重要的组件,其可靠性设计寿命一般远超车辆的驾驶寿命,因此,对高压继电器进行可靠性分析,是保证车辆正常工作的重中之重。
在相关技术中,通过对继电器***进行可靠性分析,可以找出***中存在的故障点,达到故障预测的目的,同时采取相应的措施进行改进。然而,可靠性分析需要耗费大量的时间和精力,并且结果可能不一定准确。因此,上述方法存在车辆继电器的可靠性分析准确性低的技术问题。
针对上述存在继电器的可靠性分析准确率低的技术问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车辆中继电器的故障预测方法、装置、可读存储介质和车辆,以至少解决继电器的可靠性分析准确率低的技术问题。
根据本发明实施例的一个方面,提供了一种车辆中继电器的故障预测方法。该方法可以包括:获取车辆中继电器在运行过程中的当前运行数据;将当前运行数据输入至可靠性模型,其中,可靠性模型为通过继电器的可靠性数据样本构建得到的,可靠性数据样本用于指示继电器在不同情况下正常工作的可靠程度,且基于继电器的在不同情况下的历史故障信息确定;利用可靠性模型对当前运行数据进行预测,得到预测结果,其中,预测结果用于指示继电器在未来时段发生故障的故障时间;输出预测结果。
可选地,车辆中继电器的故障预测方法还包括:对历史故障数据进行预处理,得到继电器的故障间隔数据和截尾数据,其中,故障间隔数据用于指示继电器在相邻两次故障发生之间的故障信息,截尾数据用于指示继电器在发生故障时的状态;基于故障间隔数据和截尾数据,确定继电器的可靠性数据样本;基于可靠性数据样本,建立继电器的可靠性模型。
可选地,基于可靠性数据样本,建立继电器的可靠性模型,包括:基于可靠性数据样本,确定继电器的可靠性参数,其中,可靠性参数用于指示继电器发生故障的平均时间;基于可靠性参数,建立继电器的初始可靠性模型;对初始可靠性模型进行检验,得到可靠性模型。
可选地,对初始可靠性模型进行检验,得到可靠性模型,包括:获取继电器的实时故障数据;基于实时故障数据,对初始可靠性模型进行检验,得到模型检验值,其中,模型检验值用于指示初始可靠性模型的预测准确程度;基于模型检验值和初始可靠模型,确定可靠性模型。
可选地,基于实时故障数据,对继电器的初始可靠性模型进行检验,得到模型检验值,包括:将实时故障数据输入至初始可靠性模型中进行分析,得到模型检验值。
可选地,基于模型检验值和初始可靠模型,确定可靠性模型,包括:响应于模型检验值大于检验阈值,将初始可靠性模型确定为可靠性模型。
可选地,车辆中继电器的故障预测方法还包括:响应于模型检验值不大于检验阈值,对初始可靠性模型进行调整,且基于调整后的初始可靠性模型,确定为可靠性模型。
可选地,响应于所述模型检验值不大于检验阈值,对所述初始可靠性模型进行调整,且基于调整后的所述初始可靠性模型,确定为所述可靠性模型,包括:响应于所述模型检验值不大于所述检验阈值,对初始可靠性模型进行调整,得到第一优化模型与第二优化模型,其中,第一优化模型与第二优化模型由不同的历史故障数据得到;将实时故障数据输入至第一优化模型中,得到第一优化检验值,其中,第一优化检验值用于指示第一优化模型的预测准确程度;将实时故障数据输入至第二优化模型中,得到第二优化检验值;其中,第二优化检验值用于指示第二优化模型的预测准确程度;基于第一优化检验值与第二优化检验值,确定可靠性模型。
可选地,基于第一优化检验值与第二优化检验值,确定可靠性模型,包括:响应于第一优化检验值大于第二优化检验值,将第一优化模型确定为可靠性模型;响应于第一优化检验值不大于第二优化检验值,将第二优化模型确定为可靠性模型。
根据本发明实施例的另一方面,还提供了一种车辆中继电器的故障预测装置。该装置可以包括:获取单元,用于获取继电器在运行过程中的当前运行数据;输入单元,用于将当前运行数据输入至可靠性模型,其中,可靠性模型为通过继电器的可靠性数据样本构建得到的,可靠性数据样本用于指示继电器在不同情况下正常工作的可靠程度,且基于继电器的在不同情况下的历史故障信息确定;预测单元,用于利用可靠性模型对当前运行数据进行预测,得到预测结果,其中,预测结果用于指示继电器在未来时段发生故障的故障时间;输出单元,用于输出预测结果。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序被处理器运行时控制存储介质所在设备执行本发明实施例中的车辆中继电器的故障预测方法。
根据本发明实施例的另一方面,还提供了一种处理器。该处理器用于运行程序,其中,程序运行时执行本发明实施例中的车辆中继电器的故障预测方法。
根据本发明实施例的另一方面,还提供一种车辆。该车辆用于执行本发明实施例的车辆中继电器的故障预测方法。
在本发明实施例中,获取继电器在运行过程中的当前运行数据;将当前运行数据输入至可靠性模型;利用可靠性模型对当前运行数据进行预测,得到预测结果;输出预测结果。也就是说,在本发明实施例中,根据继电器在运行过程中产生的当前运行数据,利用可靠性模型对当前运行数据进行预测,可以预测出继电器的在未来时间段发生故障的故障时间,由于本发明中的可靠性模型通过多次验证,准确率较高,因此,通过利用可靠性模型对继电器的当前运行数据进行预测,进而根据预测结果可以达到对继电器进行可靠性分析的目的,进而解决了继电器的可靠性分析准确率低的技术问题,实现了提高继电器的可靠性分析准确率的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种车辆中继电器的故障预测方法的流程图;
图2是根据本发明实施例的一种基于均方根误差的可靠性建模优选方法的流程图;
图3是根据本发明实施例的一种机床试验车辆继电器故障时间的示意图;
图4是根据本发明实施例的一种车辆中继电器的故障预测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、功能部件或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、功能部件或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种车辆中继电器的故障预测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种车辆中继电器的故障预测方法的流程图,如图1所示,该方法可以包括如下步骤:
步骤S101,获取车辆中继电器在运行过程中的当前运行数据。
在本发明上述步骤S101提供的技术方案中,继电器用于控制车辆启动,其可以为车辆继电器,当前运行数据用于监测和分析继电器的工作状态,其可以包括但不限于继电器的运行状态、故障记录等。
在该实施例中,获取继电器在运行过程中的当前运行数据。
可选地,该实施例可以通过传感器获取上述继电器在运行过程中的上述当前运行数据,此处仅为示例性举例,并不对获取继电器在运行过程中的当前运行数据的具体方法进行限定。
可选地,在获取到继电器在运行过程中的当前运行数据后,根据获取到当前运行数据执行步骤S102。
步骤S102,将当前运行数据输入至可靠性模型。
在本发明上述步骤S102提供的技术方案中,可靠性模型为通过继电器的可靠性数据样本构建得到的,可靠性数据样本用于指示继电器在不同情况下正常工作的可靠程度,且基于继电器的在不同情况下的历史故障信息确定。其中,可靠性模型也可以称为分布模型。
在该实施例中,在步骤S101获取到当前运行数据后,将当前运行数据输入至可靠性模型。
可选地,该实施例获取历史故障数据,利用计算逻辑对历史故障数据进行计算,得到继电器的故障间隔数据和截尾数据,其中,故障间隔数据用于指示继电器在相邻两次故障发生之间的故障信息,故障间隔数据也可以称为故障间隔时间,故障信息至少包括故障间隔时间和运行里程;截尾数据用于指示继电器在发生故障时的状态。
举例而言,假设有三台数控机床进行可靠性试验,数控机床包括继电器,则继电器发生故障时,各个故障点的故障总时间的计算方法如公式(1)所示:
t‘1=3t11;t‘2=3t21;t‘3=2t22+t1s (1)
故障间隔时间的计算方法如公式(2)所示:
x1=t′1;x2=t′2-t′1;x3=t′3-t′2 (2)
截尾数据的计算方法如公式(3)所示:
x+=t1s+t2s+t3s-t′3 (3)
可选地,根据故障间隔数据和截尾数据,可以确定继电器的可靠数据样本,其中,可靠性样本数据至少可以包括故障数据的顺序号和经验分布函数。
举例而言,可靠性数据样本中第i个故障数据的顺序号可以使用公式(4)计算:
ri=ri-1+(m+n+1-ri-1)/(m+n+2-j) (4)
其中,ri表示第i个故障数据的顺序号,r0=0;m表示故障间隔时间数据的个数,n表示截尾数据的个数,j表示数据的总个数。经验分布函数可以通过公式(5)进行计算:
其中,F(ti)表示经验分布函数,N表示故障个数。
可选地,根据可靠数据样本,建立继电器的可靠性模型。
举例而言,根据可靠性数据样本,确定继电器的可靠性参数,其中,可靠性参数用于指示继电器发生故障的平均时间;根据可靠性参数,建立继电器的初始可靠性模型;通过对初始可靠性模型检验,得到可靠性模型。
可选地,通过对历史故障数据进行处理,得到继电器的故障间隔数据和截尾数据,根据故障间隔数据和截尾数据,可以确定继电器的可靠数据样本,从而根据可靠数据样本,建立继电器的可靠性模型。将当前运行数据输入至建立出的可靠性模型中,从而执行步骤S103。
步骤S103,利用可靠性模型对当前运行数据进行预测,得到预测结果。
在本发明上述步骤S103提供的技术方案中,预测结果用于指示继电器在未来时段发生故障的故障时间。
在该实施例中,在根据步骤S102将当前运行数据输入至建立出的可靠性模型后,利用可靠性模型对当前运行数据进行预测,得到预测结果。
可选地,可靠性模型在接收到当前运行数据后,可靠性模型根据模型内部算法和逻辑对当前运行数据进行预处理、利用数学公式对预处理后的当前运行数据进行计算,得到预测结果。例如,可靠性模型内部算法可以为此处仅为示例性举例,并不对可靠性模型内部算法的具体内容进行限定。
步骤S104,输出预测结果。
在本发明上述步骤S104提供的技术方案中,在步骤S103得到预测结果后,输出预测结果。
在该实施例中,输出得到的预测结果。例如,将预测结果显示在显示器上、通过语言播报、光信号提示等方式输出预测结果,此处仅为示例性举例,并不对输出预测结果的具体方式进行限定。
需要说明的是,上述实施例可以通过车辆中继电器的故障预测装置来执行。
本发明上述步骤S101至步骤S104,获取继电器在运行过程中的当前运行数据;将当前运行数据输入至可靠性模型;利用可靠性模型对当前运行数据进行预测,得到预测结果;输出预测结果。也就是说,在本发明实施例中,根据继电器在运行过程中产生的当前运行数据,利用可靠性模型对当前运行数据进行预测,可以预测出继电器的在未来时间段发生故障的故障时间,由于本发明中的可靠性模型通过多次验证,准确率较高,因此,通过利用可靠性模型对继电器的当前运行数据进行预测,进而根据预测结果可以达到对继电器进行可靠性分析的目的,进而解决了继电器的可靠性分析准确率低的技术问题,实现了提高继电器的可靠性分析准确率的技术效果。
下面对该实施例的上述方法进行进一步介绍。
作为一种可选的实施例方式,车辆中继电器的故障预测方法还包括:对历史故障数据进行预处理,得到继电器的故障间隔数据和截尾数据,其中,故障间隔数据用于指示继电器在相邻两次故障发生之间的故障信息,截尾数据用于指示继电器在发生故障时的状态;基于故障间隔数据和截尾数据,确定继电器的可靠性数据样本;基于可靠性数据样本,建立继电器的可靠性模型。
在该实施例中,通过对历史故障数据进行处理,也即,利用计算逻辑对历史故障数据进行计算,得到继电器的故障间隔数据和截尾数据。
可选地,继电器的故障间隔数据的计算方式如前述公式(2)所示,截尾数据的计算方式如前述公式(3)所示,此处不再进行赘述。
可选地,根据故障间隔数据和截尾数据,确定继电器的可靠性数据样本,从而建立继电器的可靠性模型;可靠性数据样本的计算方式如前述公式(4)与前述公式(5)所示,此处不再进行赘述。
作为一种可选的实施例方式,基于可靠性数据样本,建立继电器的可靠性模型,包括:基于可靠性数据样本,确定继电器的可靠性参数,其中,可靠性参数用于指示继电器发生故障的平均时间;基于可靠性参数,建立继电器的初始可靠性模型;对初始可靠性模型进行检验,得到可靠性模型。
在该实施例中,根据可靠性数据样本,确定继电器的可靠性参数。其中,可靠性参数也可以称为分布模型参数。
举例而言,假设分布模型进行必要的变换使其线性化,设线性回归方程为:y=A+Bx;然后应用最小二乘原理,通过前述公式(4)求得假设分布模型参数的估计值估计值的计算如下述公式(6)所示:
其中,分别是变量xi和yi的平均值。
可选地,根据可靠性参数,建立继电器的初始可靠性模型,从而对初始可靠性模型进行检验,进而得到可靠性模型。
作为一种可选的实施例方式,对初始可靠性模型进行检验,得到可靠性模型,包括:获取继电器的实时故障数据;基于实时故障数据,对初始可靠性模型进行检验,得到模型检验值,其中,模型检验值用于指示初始可靠性模型的预测准确程度;基于模型检验值和初始可靠模型,确定可靠性模型。
在该实施例中,获取继电器的实时故障数据,根据实时故障数据,对初始可靠性模型进行检验,得到模型检验值。例如,通过线性相关性检验法及D检验法检验初始可靠性模型。
举例而言,利用线性相关系数检验法检验初始可靠性模型,可以通过计算初始可靠性模型中两个变量x与y中变量的线性相关系数来得到模型检验值,其中,模型检验值可以根据公式(7)进行计算:
其中,表示两个变量x与y的线性相关系数,当/>时,则认为x与y之间是线性相关的。其中ρα是相关系数起码值,当显著性水平α=0.1时,相关系数起码值近似为
再举例而言,D检验法通过将获得的n个故障数据按照由小到大的规则进行排序,根据公式(8)、公式(9)和公式(10)可以计算初始预测模型的模型检验值:
其中:F0(xi)为假设分布函数;Fn(xi)为样本量n的经验分布函数的表达式,其中,Fn(xi)的取值范围可以根据公式(9)和(10)所示;
可选地,计算出模型检验值后,根据模型检验值和初始可靠模型,确定可靠性模型。
作为一种可选的实施例方式,基于实时故障数据,对继电器的初始可靠性模型进行检验,得到模型检验值,包括:将实时故障数据输入至初始可靠性模型中进行分析,得到模型检验值。
在该实施例中,将实时故障数据输入至初始可靠性模型中进行分析,得到模型检验值。例如,模型检验值可以使用ρα进行表示。
举例而言,将实时故障数据输入至初始可靠性模型中,根据初始可靠模型分析后的结果,结合上述线性相关系数检验法和D检验法,得到模型检验值。
作为一种可选的实施例方式,基于模型检验值和初始可靠模型,确定可靠性模型,包括:响应于模型检验值大于检验阈值,将初始可靠性模型确定为可靠性模型。
在该实施例中,当模型检验值大于检验阈值时,说明初始可靠模型的准确性较高,基于此,将初始可靠性模型确定为可靠性模型。
举例而言,假设模型检验值为检验阈值为ρα时,当/>时,则将初始可靠性模型确定为可靠性模型。
作为一种可选的实施例方式,车辆中继电器的故障预测方法还包括:响应于模型检验值不大于检验阈值,对初始可靠性模型进行调整,且基于调整后的初始可靠性模型,确定为可靠性模型。
在该实施例中,当模型检验值不大于检验阈值时,对初始可靠性模型进行调整,且将调整后的初始可靠性模型,确定为可靠性模型。
举例而言,对初始可靠性模型进行优化,将优化后的初始可靠性模型,确定为可靠性模型。
作为一种可选的实施例方式,响应于所述模型检验值不大于检验阈值,对所述初始可靠性模型进行调整,且基于调整后的所述初始可靠性模型,确定为所述可靠性模型,包括:响应于所述模型检验值不大于所述检验阈值,对初始可靠性模型进行调整,得到第一优化模型与第二优化模型,其中,第一优化模型与第二优化模型由不同的历史故障数据得到;将实时故障数据输入至第一优化模型中,得到第一优化检验值,其中,第一优化检验值用于指示第一优化模型的预测准确性;将实时故障数据输入至第二优化模型中,得到第二优化检验值;其中,第二优化检验值用于指示第二优化模型的预测准确性;基于第一优化检验值与第二优化检验值,确定可靠性模型。
在该实施例中,当模型检验值不大于检验阈值时,对初始可靠性模型进行调整,得到第一优化模型与第二优化模型。
可选地,将实时故障数据输入至第一优化模型中,得到第一优化检验值;将实时故障数据输入至第二优化模型中,得到第二优化检验值。例如,将实时故障数据输入至第一优化模型与第二优化模型中,使用均方根误差对第一优化模型与第二优化模型和预测出的结果进行评价,分别得出第一优化检验值和第二优化检验值,此处仅为示例性举例,并不对得到第一优化检验值与第二优化检验值的具体方法进行限定。
举例而言,通过公式(11)可以计算均方根误差:
其中,为参数估计求得的优化模型的故障分布函数值;F(xi)为采用平均秩次法计算出的经验分布函数。
可选地,根据第一优化检验值与第二优化检验值,确定可靠性模型。
作为一种可选的实施例方式,基于第一优化检验值与第二优化检验值,确定可靠性模型,包括:响应于第一优化检验值大于第二优化检验值,将第一优化模型确定为可靠性模型;响应于第一优化检验值不大于第二优化检验值,将第二优化模型确定为可靠性模型。
在该实施例中,当第一优化检验值大于第二优化检验值时,说明第一优化模型的准确率高于第二优化模型,基于此,将第一优化模型确定为可靠性模型。
可选地,当第一优化检验值不大于第二优化检验值时,说明第一优化模型的准确率低于第二优化模型,基于此,将第二优化模型确定为可靠性模型。
可选地,由于通过对比两个优化模型的优化检验值,从而选取优化检验值高的优化模型为可靠性模型,保证了可靠性模型的准确性。
需要说明的是,上述实施例可以通过车辆中继电器的故障预测装置来执行。
在该实施例中,获取继电器在运行过程中的当前运行数据;将当前运行数据输入至可靠性模型;利用可靠性模型对当前运行数据进行预测,得到预测结果;输出预测结果。也就是说,在本发明实施例中,根据继电器在运行过程中产生的当前运行数据,利用可靠性模型对当前运行数据进行预测,可以预测出继电器的在未来时间段发生故障的故障时间,由于本发明中的可靠性模型通过多次验证,准确率较高,因此,通过利用可靠性模型对继电器的当前运行数据进行预测,进而根据预测结果可以达到对继电器进行可靠性分析的目的,进而解决了继电器的可靠性分析准确率低的技术问题,实现了提高继电器的可靠性分析准确率的技术效果。
实施例2
下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
目前,随着电动车辆的快速发展,其电气***在以往的功能上又成为了测含量的动力***。其中,高压继电器是电动车辆高压电气***中重要的组件,其可靠性设计寿命一般远超车辆的驾驶寿命,因此,对高压继电器进行可靠性分析,是保证车辆正常工作的重中之重。
在相关技术中,通过对继电器***进行可靠性分析,可以找出***中存在的故障点,达到故障预测的目的,同时采取相应的措施进行改进。然而,可靠性分析需要耗费大量的时间和精力,并且结果可能不一定准确。因此,上述方法存在车辆继电器的可靠性分析准确性低的技术问题。针对上述存在继电器的可靠性分析准确率低的技术问题,目前尚未提出有效的解决方案。
然而,本发明实施例提出了一种基于均方根误差的可靠性建模优选方法,通过收集继电器的历史故障数据,使用故障总时间法与平均秩次法处理收集到的历史故障数据,根据处理后的历史故障数据得到经验分布函数,利用最小二乘法对经验分布函数进行处理,得到车辆继电器的寿命分布模型,最后使用线性相关性检验和D检验对得到的寿命分布模型进行检验。实现了预测车辆继电器可靠性的目的,进而解决了继电器的可靠性分析准确率低的技术问题,实现了提高继电器的可靠性分析准确率的技术效果。
下面对本发明实施例进行进一步的介绍。
图2是根据本发明实施例的一种基于均方根误差的可靠性建模优选方法的流程图,如图2所示,该方法包含以下步骤:
步骤S201,获取原始失效样本数据。
在该实施例中,获取车辆继电器的原始失效样本数据。例如,从数据库中获取车辆继电器的原始失效样本数据。
步骤S202,使用故障总时间法处理原始失效样本数据。
在该实施例中,使用故障总时间法处理原始失效样本数据,得到故障间隔时间和截尾数据。
可选地,图3是根据本发明实施例的一种机床试验车辆继电器故障时间的示意图,如图3所示,tjs(t1s,t2s,t3s),表示第j号机床中止试验时间,“·”表示故障点。
可选地,以三台数控机床进行可靠性试验为例,各故障点的故障总时间的计算方法如上述公式(1)所示,此处不再进行赘述。
可选地,计算故障间隔时间如前述公式(2)所示,此处不再进行赘述。
可选地,截尾数据的计算如前述公式(3)所示,此处不再进行赘述。
步骤S203,利用平均秩次法计算车辆继电器的可靠度。
在该实施例中,根据步骤S202计算出的故障间隔时间和截尾数据,利用平均秩次法计算车辆继电器的可靠度。
可选地,假设继电器有m个故障间隔时间数据,有n个截尾数据,对m+n个数据进行从小到大排列,记排列后的编号为j。则第i个故障数据的顺序号可以使用前述公式(4)计算。此处不再进行赘述。
可选地,经验分布函数可以使用中位秩进行计算,具体计算方式如前述公式(5)所示,此处不再进行赘述。
步骤S204,使用最小二乘法估计分布模型参数。
在该实施例中,使用最小二乘法估计分布模型参数。
可选地,假设分布模型进行必要的变换使其线性化,设线性回归方程为:y=A+Bx;然后应用最小二乘原理,通过公式(4)求得假设分布模型参数的估计值具体的计算方法如前述公式(6)所示,此处不再进行赘述。
可选地,表1是两种分布模型的参数估计的示意表,假设分布模型为指数模型和二参数威布尔模型,各个模型对应的参数如表1所示:
表1两种分布模型的参数估计的示意表
步骤S205,使用线性相关性检验法及D检验法检验分布模型。
在该实施例中,使用线性相关性检验法及D检验法检验分布模型。
可选地,线性相关性检验法通过计算两个变量x与y的线性相关系数来对分布模型进行检验,计算两个变量x与y的线性相关系数可以根据前述公式(7)进行计算,此处不再进行赘述。
可选地,D检验法通过将获得的n个故障数据按照由小到大的规则进行排序,根据前述公式(8)、公式(9)和公式(10)可以计算检验统计量Dn的观察值,此处不再进行赘述。
可选地,在计算出观察值Dn后,Dn与临界值Dn,α进行比较,Dn,α临界值可以通过利用近似公式计算得到,如果满足式(8)所示条件,则认为原假设正确,也即,该分布模型通过检验。
步骤S206,比较选取优分布模型。
在该实施例中,根据步骤S205通过检验的分布模型,计算分布模型的均方根误差,从而选取最优的分布模型。
可选地,通过前述公式(11)可以计算均方根误差,此处不再进行赘述。
接下来对本发明实施例的一种基于均方根误差的可靠性建模优选方法的应用进行进一步介绍。
在该实施例中,假设对56台Ⅰ型继电器所在电动车同时进行随机截尾可靠性试验,T为每台电动车试验总里程(单位:km)。表2为本发明实施例的一种继电器可靠性试验故障里程数据表,如表2所示,22台样本可以产生8个故障数据;表3为无故障继电器可靠性试验里程表,34台样本试验时间如表3所示。
表2继电器可靠性试验故障里程数据(单位:km)
表3无故障继电器可靠性试验里程(单位:km)
可选地,表4为基于故障总时间法的继电器故障发生里程数据,对表2中的数据使用故障总时间法的试验数据预处理,得到的结果如表4所示,中止试验里程为492480km。
表4基于故障总时间法的继电器故障发生里程数据(单位:km)
发生故障里程ti | 2800 | 5600 | 28000 | 102000 |
累计故障总数N(ti) | 1 | 3 | 5 | 8 |
可选地,根据上述数据可以计算出4个故障间隔里程数据为2800km、2800km、22400km、74000km和1个截尾数据390480km。
可选地,表5为集成故障总时间与平均秩次法的参数的示例表;表6为基于平均秩次法的参数的示例表,分别采用集成故障总时间与平均秩次法、平均秩次法进行故障数据秩次计算,应用最小二乘法进行参数估计,平均秩次、经验分布函数及x、y如表5和表6所示。基于表5数据,可以得到威布尔分布模型的参数:基于表6数据,估计得到威布尔分布模型的参数:/>
表5集成故障总时间与平均秩次法的参数的示例表
表6基于平均秩次法的参数的示例表
可选地,表7为线性相关系数示例表,表8为D检验值计算示例表;利用线性相关性检验和D检验和验证模型的拟合性,经计算,两种方法的线性相关性检验系数如下表7所示,两种方法的D检验值如下表8所示。
表7线性相关系数示例表
表8D检验值计算示例表
可选地,集成故障总时间与平均秩次法的线性相关性检验未通过,同时,平均秩次法、集成故障总时间与平均秩次法均通过D检验。
可选地,将实时采集的故障数据带入到两种方法得到的分布模型中,计算总均方根误差,并比较大小;集成故障总时间与平均秩次法、平均秩次法的总均方根误差分别为0.049、0.014,故选择平均秩次法作为参数估计方法。
在该实施例中,通过收集继电器的历史故障数据,使用故障总时间法与平均秩次法处理收集到的历史故障数据,根据处理后的历史故障数据得到经验分布函数,利用最小二乘法对经验分布函数进行处理,得到车辆继电器的寿命分布模型,最后使用线性相关性检验和D检验对得到的寿命分布模型进行检验。实现了预测车辆继电器可靠性的目的,进而解决了继电器的可靠性分析准确率低的技术问题,实现了提高继电器的可靠性分析准确率的技术效果。
实施例3
根据本发明实施例,还提供了一种车辆中继电器的故障预测装置。需要说明的是,该车辆中继电器的故障预测装置可以用于执行实施例1中的车辆中继电器的故障预测方法。
图4是根据本发明实施例的一种车辆中继电器的故障预测装置的示意图。如图4所示,该车辆中继电器的故障预测装置400可以包括:获取单元401、输入单元402、预测单元403和输出单元404。
获取单元401,用于获取继电器在运行过程中的当前运行数据。
输入单元402,用于将当前运行数据输入至可靠性模型,其中,可靠性模型为通过继电器的可靠性数据样本构建得到的,可靠性数据样本用于指示继电器在不同情况下正常工作的可靠程度,且基于继电器的在不同情况下的历史故障信息确定。
预测单元403,用于利用可靠性模型对当前运行数据进行预测,得到预测结果,其中,预测结果用于指示继电器在未来时段发生故障的故障时间。
输出单元404,用于输出预测结果。
可选地,车辆中继电器的故障预测装置400,还可以包括:预处理单元,用于对历史故障数据进行预处理,得到继电器的故障间隔数据和截尾数据,其中,故障间隔数据用于指示继电器在相邻两次故障发生之间的故障信息,截尾数据用于指示继电器在发生故障时的状态;第一确定单元,用于基于故障间隔数据和截尾数据,确定继电器的可靠性数据样本;建立单元,用于基于可靠性数据样本,建立继电器的可靠性模型。
可选地,建立单元,可以包括:第一确定模块,用于基于可靠性数据样本,确定继电器的可靠性参数,其中,可靠性参数用于指示继电器发生故障的平均时间;建立模块,用于基于可靠性参数,建立继电器的初始可靠性模型;检验模块,用于对初始可靠性模型检验,得到可靠性模型。
可选地,检验模块,可以包括:获取子模块,用于获取继电器的实时故障数据;检验子模块,用于基于实时故障数据,对初始可靠性模型进行检验,得到模型检验值,其中,模型检验值用于指示初始可靠性模型的预测准确程度;确定子模块,用于基于模型检验值和初始可靠模型,确定可靠性模型。
可选地,检验子模块,可以用于将实时故障数据输入至初始可靠性模型中进行分析,得到模型检验值;还可以用于响应于模型检验值大于检验阈值,将初始可靠性模型确定为可靠性模型。
可选地,车辆中继电器的故障预测装置400,还可以包括:第一调整单元,用于响应于模型检验值不大于检验阈值,对初始可靠性模型进行调整,且将调整后的初始可靠性模型,确定为可靠性模型。
可选地,车辆中继电器的故障预测装置400,还可以包括:第二调整单元,用于对初始可靠性模型进行调整,得到第一优化模型与第二优化模型,其中,第一优化模型与第二优化模型由不同的历史故障数据得到;第一输入单元,用于将实时故障数据输入至第一优化模型中,得到第一优化检验值,其中,第一优化检验值用于指示第一优化模型的预测准确性;第二输入单元,用于将实时故障数据输入至第二优化模型中,得到第二优化检验值;其中,第二优化检验值用于指示第二优化模型的预测准确性;第二确定单元,用于基于第一优化检验值与第二优化检验值,确定可靠性模型。
可选地,第二确定单元,可以包括:第二确定模块,用于响应于第一优化检验值大于第二优化检验值,将第一优化模型确定为可靠性模型;第三确定模块,用于响应于第一优化检验值不大于第二优化检验值,将第二优化模型确定为可靠性模型。
在该实施例中,获取继电器在运行过程中的当前运行数据;将当前运行数据输入至可靠性模型;利用可靠性模型对当前运行数据进行预测,得到预测结果;输出预测结果。也就是说,在本发明实施例中,根据继电器在运行过程中产生的当前运行数据,利用可靠性模型对当前运行数据进行预测,可以预测出继电器的在未来时间段发生故障的故障时间,由于本发明中的可靠性模型通过多次验证,准确率较高,因此,通过利用可靠性模型对继电器的当前运行数据进行预测,进而根据预测结果可以达到对继电器进行可靠性分析的目的,进而解决了继电器的可靠性分析准确率低的技术问题,实现了提高继电器的可靠性分析准确率的技术效果。
实施例4
根据本发明实施例,还提供了一种计算机可读存储介质,该存储介质包括存储的程序,其中,程序执行实施例1中的车辆中继电器的故障预测方法。
实施例5
根据本发明实施例,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行实施例1中的车辆中继电器的故障预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的功能部件销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件功能部件的形式体现出来,该计算机软件功能部件存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅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,这些改进和润饰也应视为本发明的保护范围。
Claims (13)
1.一种车辆中继电器的故障预测方法,其特征在于,包括:
获取车辆中继电器在运行过程中的当前运行数据;
将所述当前运行数据输入至可靠性模型,其中,所述可靠性模型为通过所述继电器的可靠性数据样本构建得到的,所述可靠性数据样本用于指示所述继电器在不同情况下正常工作的可靠程度,且基于所述继电器的在不同情况下的历史故障信息确定;
利用所述可靠性模型对所述当前运行数据进行预测,得到预测结果,其中,所述预测结果用于指示所述继电器在未来时段发生故障的故障时间;
输出所述预测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述历史故障数据进行预处理,得到所述继电器的故障间隔数据和截尾数据,其中,所述故障间隔数据用于指示所述继电器在相邻两次故障发生之间的故障信息,所述截尾数据用于指示所述继电器在发生故障时的状态;
基于所述故障间隔数据和所述截尾数据,确定所述继电器的所述可靠性数据样本;
基于所述可靠性数据样本,建立所述继电器的可靠性模型。
3.根据权利要求2所述的方法,其特征在于,基于所述可靠性数据样本,建立所述继电器的可靠性模型,包括:
基于所述可靠性数据样本,确定所述继电器的可靠性参数,其中,所述可靠性参数用于指示所述继电器发生所述故障的平均时间;
基于所述可靠性参数,建立所述继电器的初始可靠性模型;
对所述初始可靠性模型进行检验,得到所述可靠性模型。
4.根据权利要求3所述的方法,其特征在于,对所述初始可靠性模型进行检验,得到所述可靠性模型,包括:
获取所述继电器的实时故障数据;
基于所述实时故障数据,对所述初始可靠性模型进行检验,得到模型检验值,其中,所述模型检验值用于指示所述初始可靠性模型的预测准确程度;
基于所述模型检验值和所述初始可靠模型,确定所述可靠性模型。
5.根据权利要求4所述的方法,其特征在于,基于所述实时故障数据,对所述继电器的初始可靠性模型进行检验,得到模型检验值,包括:
将所述实时故障数据输入至所述初始可靠性模型中进行分析,得到所述模型检验值。
6.根据权利要求4所述的方法,其特征在于,基于所述模型检验值和所述初始可靠模型,确定所述可靠性模型,包括:
响应于所述模型检验值大于检验阈值,将所述初始可靠性模型确定为所述可靠性模型。
7.根据权利要求4所述的方法,其特征在于,所述方法还包括:
响应于所述模型检验值不大于检验阈值,对所述初始可靠性模型进行调整,且基于调整后的所述初始可靠性模型,确定为所述可靠性模型。
8.根据权利要求7所述的方法,其特征在于,响应于所述模型检验值不大于检验阈值,对所述初始可靠性模型进行调整,且基于调整后的所述初始可靠性模型,确定为所述可靠性模型,包括:
响应于所述模型检验值不大于所述检验阈值,对所述初始可靠性模型进行调整,得到第一优化模型与第二优化模型,其中,所述第一优化模型与第二优化模型由不同的所述历史故障数据得到;
将所述实时故障数据输入至所述第一优化模型中,得到第一优化检验值,其中,所述第一优化检验值用于指示所述第一优化模型的预测准确程度;
将所述实时故障数据输入至所述第二优化模型中,得到第二优化检验值;其中,所述第二优化检验值用于指示所述第二优化模型的预测准确程度;
基于所述第一优化检验值与所述第二优化检验值,确定所述可靠性模型。
9.根据权利要求8所述的方法,其特征在于,基于所述第一优化检验值与所述第二优化检验值,确定所述可靠性模型,包括:
响应于所述第一优化检验值大于所述第二优化检验值,将所述第一优化模型确定为所述可靠性模型;
响应于所述第一优化检验值不大于所述第二优化检验值,将所述第二优化模型确定为所述可靠性模型。
10.一种车辆中继电器的故障预测装置,其特征在于,包括:
获取单元,用于获取车辆中继电器在运行过程中的当前运行数据;
输入单元,用于将所述当前运行数据输入至可靠性模型,其中,所述可靠性模型为通过所述继电器的可靠性数据样本构建得到的,所述可靠性数据样本用于指示所述继电器在不同情况下正常工作的可靠程度,且基于所述继电器的在不同情况下的历史故障信息确定;
预测单元,用于利用所述可靠性模型对所述当前运行数据进行预测,得到预测结果,其中,所述预测结果用于指示所述继电器在未来时段发生故障的故障时间;
输出单元,用于输出所述预测结果。
11.一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包括存储的程序,其中,在所述程序被处理器运行时控制所述存储介质所在设备执行权利要求1至9中任意一项所述的方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至9中任意一项所述的方法。
13.一种车辆,其特征在于,所述车辆用于执行权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410517000.2A CN118226245A (zh) | 2024-04-26 | 2024-04-26 | 车辆中继电器的故障预测方法、装置、可读存储介质和车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410517000.2A CN118226245A (zh) | 2024-04-26 | 2024-04-26 | 车辆中继电器的故障预测方法、装置、可读存储介质和车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118226245A true CN118226245A (zh) | 2024-06-21 |
Family
ID=91501035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410517000.2A Pending CN118226245A (zh) | 2024-04-26 | 2024-04-26 | 车辆中继电器的故障预测方法、装置、可读存储介质和车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118226245A (zh) |
-
2024
- 2024-04-26 CN CN202410517000.2A patent/CN118226245A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
US7275018B2 (en) | Method of condition monitoring | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN110471395B (zh) | 一种故障检测方法、装置、设备及存储介质 | |
CN109710983B (zh) | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 | |
CN109725220B (zh) | 一种变压器油冷却回路的检测方法、***及装置 | |
CN116380496B (zh) | 一种汽车车门疲劳耐久测试方法、***及介质 | |
CN116345690B (zh) | 基于供电***设备清单的电力监测虚警识别方法及*** | |
CN111611146A (zh) | 一种微服务故障预测方法和装置 | |
CN111221706A (zh) | 一种cpu使用率预测方法、***、介质及设备 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN118226245A (zh) | 车辆中继电器的故障预测方法、装置、可读存储介质和车辆 | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
CN116231624A (zh) | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 | |
CN112199776A (zh) | 机车全寿命周期的评估方法、评估***及优化方法 | |
RU2648413C1 (ru) | Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата | |
CN113112160B (zh) | 一种诊断数据处理方法、诊断数据处理装置及电子设备 | |
CN117929904B (zh) | 一种逆变器老化测试方法、装置及存储介质 | |
CN112734173B (zh) | 电梯部件生产者评价***与评价方法 | |
CN116629025A (zh) | 机载产品的可靠性评估方法 | |
CN110660002B (zh) | 风力发电机组的部件的失效率曲线的确定方法和设备 | |
CN117473394A (zh) | 变电站二次设备可靠性评估方法、***、设备及存储介质 | |
CN118052255A (zh) | 首次预测时间确定方法、装置、设备和存储介质 | |
CN118364627A (zh) | 基于组串分析的低效定位方法及*** | |
CN114548177A (zh) | 设备健康评估方法、***及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |