一种新能源汽车连续抽样体系的建立及泛特征测定方法与流程

本发明涉及电动车辆动力装置管理
技术领域：
，具体涉及一种新能源汽车连续抽样体系的建立及泛特征测定方法。
背景技术：
：在环保呼声越来越高的条件下，新能源汽车越来越受欢迎。新能源汽车是采用非常规的车用燃料作为动力源的环保代步工具，新能源汽车包括纯电动汽车、增程式电动汽车、混合动力汽车、燃料电池电动汽车和氢发动机汽车等。新能源汽车相较于现有的燃油汽车，具有污染物零排放、能源利用率高、结构简单和噪声小等的特点，社会方面也因新能源汽车的特点在大力倡导新能源汽车的使用。新能源汽车的电源部分作为储能部件，关系到新能源汽车行驶过程中的续航能力。而电源部分包括多个电池单元，电源部分作为车辆行驶的供能部件，电池一直在运转使用，当新能源汽车的某个电池单元发生故障时，新能源汽车极容易因电池单元的故障引起整车的安全事故。为了新能源汽车安全性能的改进，基于新能源汽车行驶过程中的大数据收集非常重要，为此，国家还设定相关的国家标准，以新能源汽车企业为基础收集新能源汽车行驶过程中的各项运行数据，如电池和发动机等，将收集到的运行数据发送至地方平台，由地方平台将本地的运行数据汇总后发送至国家平台上进行监控和分析。但是，由于运行数据的数据量的庞大，运行数据在采集汇总后的利用率很低，无法及时发现运行数据所代表的部件故障。技术实现要素：本发明意在提供一种新能源汽车连续抽样体系的建立及泛特征测定方法，以解决运行数据采集汇总后利用率低的问题。本方案中的新能源汽车连续抽样体系的建立及泛特征测定方法，包括以下内容：s1，将车辆上报的每帧数据包作为一次随机抽样，所述数据包中包括该车辆运行时监测多个预设物理部件得到的指标数据；s2，根据预设的抽样数量进行有限次抽样，针对有限次抽样的每个指标数据统计各个数值的频数，将每个频数除以抽样数量得到每个指标数据单个数值的频率，将每个指标数据的全部数值和对应的频率集合形成分布规律作为抽样样本；s3，将s2中得到的抽样样本作为该车辆指标数据的无偏有效估计，以该无偏有效估计为基础进行指标数据的分析判断。本方案的有益效果是：车辆上报的每帧数据包即车辆运行时的实时状态监控数据，将车辆(尤其是电动汽车)的每一个实时状态监控数据，转化为一次抽样调查，将连续的大量的状态监控数据合理地转化为连续抽样调查体系，在大样本量的支撑下，及在数理统计大数定理保障下，分别获得各种所监测的指标数据的高精度的抽样估计样本，提高了数据利用率，提高了电动汽车状态监测分析的准确性。进一步，所述s1中，每帧数据包以不大于预设时长的时间进行一次随机抽样。有益效果是：针对车辆的每帧数据包进行随机抽样，提高车辆各项数据的完整性，能够及时从车辆发送的数据中发现问题，提高车辆安全性。进一步，所述预设时长为30s。有益效果是：预设时长根据相关国家标准进行设置，如gb32960标准，更符合实际要求。进一步，还包括s4，以s3中得到的无偏有效估计对另一同型号和同生产批次车辆的相同指标数据进行分析判断。有益效果是：就车辆的同一属性的大样本条件下的抽样估计，例如总电压分布的抽样估计，与同型号其它车辆的抽样估计相比较，可以直观地识别出故障车辆。进一步，还包括s5，将同一车辆在前后两个相同预设时间段内的无偏有效估计进行比较，识别车辆故障。有益效果是：就车辆的同一属性的大样本条件下的抽样估计，例如总电压分布的抽样估计，同车辆分较长时段分别获取总压电分布的抽样估计，如采用自然年为时段划分，互相比较，可以直观地识别出指标参数的异常，如总电压性能的衰退程度，并十分有利于精确的量化模型的建立与应用。进一步，所述s4和s5中，将进行对比的两个无偏有效估计作差值，在差值大于差阈值时判断车辆故障。有益效果是：通过差值判断两个无偏有效估计的差异性，更直观。附图说明图1为本发明新能源汽车连续抽样体系的建立及泛特征测定方法实施例一的流程框图；图2为本发明新能源汽车连续抽样体系的建立及泛特征测定方法实施例一中总电压值-频率分布曲线。具体实施方式下面通过具体实施方式进一步详细说明。实施例一新能源汽车连续抽样体系的建立及泛特征测定方法，如图1所示，包括以下内容：s1，车辆上报的每帧数据包以不大于预设时长的时间进行一次随机抽样，预设时长为30s，将车辆上报的每帧数据包作为一次随机抽样，数据包中包括该车辆运行时监测多个预设物理部件得到的指标数据，例如每帧gb/t32960标准数据包中的总电压值，总电压值经电压测量、tbox数据组装和数据网络传输最终到达地面数据中心进行存储；s2，根据预设的抽样数量进行有限次抽样，针对有限次抽样的每个指标数据统计各个数值的频数，将每个频数除以抽样数量得到每个指标数据单个数值的频率，将每个指标数据的全部数值和对应的频率集合形成分布规律作为抽样样本，例如设置足够多的预设的抽样数量，如10万次抽样得到10万个数据包，统计总电压值作为指标数据的数值频数，数值为实际的总电压值，如330v，频数即330v总电压值在10万次统计中出现的次数；s3，将s2中得到的抽样样本作为该车辆指标数据的无偏有效估计，以该无偏有效估计为基础进行指标数据的二次分析判断；s4，以s3中得到的无偏有效估计对另一同型号和同生产批次车辆的相同指标数据进行分析判断，即将另一同型号和同生产批次车辆的无偏有效估计与前一车辆的无偏有效估计进行对比，两台车辆的总电压值-频率可以在图像上进行表示，如图2所示，即是将两台车辆的总电压值-频率分布曲线放在同一坐标中叠加后，图2中横坐标为总电压值，纵坐标为总电压值出现的频率。总电压与频率关系如表1所示。表1：总电压分布规律抽样样本电压(v)频数频率％电压(v)频数频率％30710.00％35417731.37％30820.00％35518731.45％31130.00％35617141.33％31240.00％35716641.29％31320.00％35816371.27％31430.00％35917041.32％31550.00％36020941.62％31650.00％36114591.13％31750.00％36216211.25％31820.00％36316671.29％31970.01％36419191.49％320900.07％36520101.56％32190.01％36621231.64％322140.01％36722601.75％323170.01％36818011.39％324180.01％36920391.58％325170.01％37023731.84％326280.02％37122691.76％327210.02％37228602.21％328340.03％37322711.76％329570.04％37429242.26％3301620.13％37524441.89％3311130.09％37627022.09％3321060.08％37729022.25％3331710.13％37827612.14％3342900.22％37927232.11％3352890.22％38026492.05％3363080.24％38125451.97％3372210.17％38223821.84％3381970.15％38321651.68％3392320.18％38433392.58％3402040.16％38529112.25％3412150.17％38627192.10％3422370.18％38722811.77％3433370.26％38823681.83％3444420.34％38925471.97％3456330.49％39024511.90％3469930.77％39129792.31％34711970.93％39233612.60％34818951.47％39334552.67％34917311.34％39431422.43％35026982.09％39534122.64％35125862.00％39649793.85％35220221.57％39732842.54％35321921.70％3988060.62％总计129177100.00％对于两台车辆的总电压值-频率分布曲线，可以明显发现二者之间有显著差别，车辆二的总电压明显偏低，结合专业知识分析，可以准确地判断出车辆二的高电压平台出现了明显的退化。泛特征是指对电动汽车在标准：bg/t32960.3--2016《电动汽车远程服务与管理系统技术规范第3部分：通信协议及数据格式》，中规定必须上传的数据特征。由于，gb/t32960.3--2016《电动汽车远程服务与管理系统技术规范第3部分：通信协议及数据格式》中规定了电动汽车在使用过程中，必须上传整车数据、驱动电机数据、燃料电池数据、发动机数据、车辆位置数据、极值数据、报警数据、单体电压数据、探针温度数据等九大类数据。其中直接基于车载传感器所产生的原生数据主要包括：整车数据包括车辆状态、充电状态、运行模式、车速、总电压、总电流、soc、dc-dc状态、挡位、绝缘电阻、加速踏板和制动踏板；驱动电机数据包括驱动电机状态、驱动电机控制器温度、驱动电机转速、驱动电机转矩、驱动电机温度、电机控制器输入电压、电机控制器直流母线电流；燃料电池数据包括燃料电压、燃料电池电流、燃料消耗率、燃料电池探针温度；发动机数据包括发动机曲轴转速和燃料消耗率；车辆位置数据包括经度和纬度；极值数据包括电池单体电压最高值、电池单体电压最低值、最高温度值、最低温度值。所以，s1中每帧数据包中包括了上述数据，本实施例一仅以上述数据中的总电压为例。目前普遍通过采样额定电压和最高电压等参数来描述电压的基本特征，再以平均电压、电压标准差等来统计特征值，描述车辆电池中电压的实际运行情况。但是实践证明，这些传统的单一值的描述方法，不能够充电发挥电动汽车连续观测的巨大优势。本实施例一中，从概率论与数理统计的角度观察，电动汽车每上报一个数据包，相当于完成一个次随机抽样，车辆所有上报数据相当于一个观测值向量，对于观测向量中的每一个分量，相当于一次独立随机抽样，也可以理解为电动汽车每上报一次，就同时实现了多个指标数据的随机试验的随机抽样。实施例二与实施例一的区别是，还包括s5，将同一车辆在前后两个相同预设时间段内的无偏有效估计进行比较，识别车辆故障，例如将同一台车辆总电压以预设时间段进行抽样，如一年为单体，相邻两年的抽样样本进行前后比较，即可以确切判定总电压是否出现明显问题，或者做为下一步精确评估的输入参数。数理统计理论表明，当将总电压值视同为随机变量后，对其最为完整有描述就是其分布规律，在现在技术条件下，通过对电压的连续观测，恰好为获取电压的分布规律提供了一种切实可行的方法，进一步的实际工作证明，在获得电压的分布的规律后，通过同车前后期的纵向对比，同型号车的横向对比等方法，即可以有效地甄别出电压异常车辆，又可以准确描述电压的状态，更为重要的是，可以为后续二次数据建模分析提供可靠的输入。实施例三与实施例二的区别是，在s4和s5中，将进行对比的两个无偏有效估计作差值，即对两个抽样样本内的频率作差值，在差值大于差阈值时判断车辆故障。实施例四与实施例二的区别是，在计算温度数据的频率前，针对电池组中电池单体的温度值进行测量，并检测电动汽车在运行时靠近地面处的环境温度值，在环境温度值大于阈值时，例如夏天时靠近地面处的环境温度大于60℃，判断多个电池单体温度值的相邻差值，当相邻差值大于差量阈值时，判断该电池单体为靠近地面一侧，利用预设的修正值对检测到的电池单体的温度值进行修正，修正值可以通过试验预先测得：在环境温度值小于阈值时的电池单体的第一温度值，在环境温度值大于阈值时的电池单体的第二温度值，以第一温度值和第二温度值的差作为修正值。根据环境温度触发判断电池单体的温度，根据电池单体的温度差异判断电池单体的位置，对该电池单体的温度进行修正，提高后续电池温度作为电动汽车状态监测的评价指标的评价准确性。以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。当前第1页12