一个基于端云协同的智能车辆故障实时预测方法及系统

1.本发明涉及智能车辆故障诊断技术领域，特别是关于一个基于端云协同的智能车辆故障实时预测方法和系统。


背景技术：

2.随着新能源车的保有量不断增长及车辆智能化程度要求的提高，智能车的故障诊断成为数据分析领域的研究热点。智能车集环境感知、规划决策和预警诊断等功能于一体，导致车辆故障数据呈现爆炸式增长，给传统人工故障诊断方式带来了挑战。第五代通信系统(5g)的逐渐普及，使实时预测车辆剩余使用寿命成为可能。它可以在部件或系统故障发生前进行预测，避免故障进一步恶化，从而避免产生更严重的安全事故。
3.基于模型的剩余使用寿命(remaining useful life，rul)预测技术，往往需要确定精确的物理或数学模型来描述系统退化过程。然而，对于智能车辆复杂的高阶非线性系统难以建立精确的模型，同时对于噪声的鲁棒性较低。基于经验退化模型的故障预测方法是技术人员长期使用过程中总结出来的退化机理模型，不具有推广性。基于数理统计理论，常用主成分分析或偏最小二乘法处理设备退化数据，建立统计量并进行设备健康状态评估，此类方法受到数据量和统计理论的约束，存在普适性较低的弊端。
4.目前基于深度学习的剩余使用寿命预测的方法，在车辆领域主要集中在发动机、曲轴和电池等单个部件或系统。然而，车辆是一个复杂的机电系统，单个部件或子系统的寿命曲线不能准确反映整车的性能和寿命。而对于软件更复杂的智能网联车辆，预测其剩余使用寿命更加困难。
5.传统的故障预测部署于智能车辆上，基于数据驱动的故障预测存在智能车辆本身运算力小、复杂的算法模型很难部署和计算速度慢导致时滞较高的缺点。同时，如果智能车辆本身故障预测控制器硬件损坏，故障预测系统将完全失效。另外将故障预测部署于云端服务器的方案，虽然能解决车辆本身运算力小，数据储存能力差等问题，但受制于车辆与云端通信状态不稳定，整车故障预测传输数据量大等问题，无法完成实时的故障预测。


技术实现要素：

6.本发明的目的在于提供一个基于端云协同的智能车辆故障实时预测方法和系统，具有实时性强，精度高，适用性好、持续迭代升级等优点，解决了传统方法只针对车辆单系统或单部件的预测，以及车辆故障预测不及时、不准确等问题。
7.为实现上述目的，本发明提供一个基于端云协同的智能车辆故障实时预测方法，该方法包括：
8.步骤1，采集智能车在运行期间的n个系统的原始数据；
9.步骤2，通过部署在云端的cnn
‑
lstm预测模型进行实时预测训练，获得与各系统相对应的单系统剩余使用寿命预测模型，并下发至车端；
10.步骤3，通过训练好的单系统剩余使用寿命预测模型，车端实时获得第k个系统的
预测剩余寿命，k＝1
……
,n；
11.步骤4，根据k个系统各自对应的预测剩余寿命，通过串并联系统剩余使用寿命预测模型，得到整车的剩余使用寿命。
12.进一步地，所述步骤1的原始数据包括电子控制系统相关数据、电池系统相关数据和电机系统相关数据，所述步骤4的串并联系统剩余使用寿命预测模型被描述为式(17)：
13.f＝min{(α*max{x,y}),βz}
ꢀꢀꢀ
(17)
14.式中，f表示整车的剩余使用寿命，α，β为经由步骤2持续迭代更新获得的权值，x表示电子控制系统的预测剩余寿命，y表示电池系统的预测剩余寿命，z表示电机系统的预测剩余寿命。
15.进一步地，所述步骤2持续迭代更新获得的权值的方法具体包括：
16.判断当前评价指标是否优于上一次训练好的单系统剩余使用寿命预测模型获得的评价指标，如果否，则更新当前训练好的单系统剩余使用寿命预测模型使用的权值；如果是，则进入步骤4。
17.进一步地，所述评价指标包括式(2)计算的均方根误差rmse的和式(4)计算的评分值sore：
[0018][0019][0020]
式中，δ
i
表示第时刻计算得到的真实值与预测值之间的偏差，n是测试样本的总数，s
i
表示为式(5)：
[0021][0022]
进一步地，所述步骤2中通过cnn
‑
lstm预测模型获得相应的单系统剩余使用寿命预测模型的方法具体包括：
[0023]
步骤21，输入以n维特征维度的特征图进行描述的原始数据；
[0024]
步骤22，将原始数据序列通过过滤器进行特征提取，之后通过relu函数进行激活，输出第一特征矩阵c；
[0025]
步骤23，通过最大池化函数对提取的c的参数数量进行压缩，输出第二特征矩阵p；
[0026]
步骤24，根据预设概率，通过dropout方法，随机丢弃p中的部分神经元的连接，输出影响因子特征序列d；
[0027]
步骤25，将d输入到cnn
‑
lstm预测模型中进行预测，最后通过全连接层将数据转换为一维结构，得到第k个系统的预测剩余寿命，即为：单系统剩余使用寿命预测模型。
[0028]
本发明还提供一个基于端云协同的智能车辆故障实时预测系统，该系统包括：
[0029]
信息采集单元，其用于采集智能车在运行期间的n个系统的原始数据；
[0030]
故障诊断云端服务单元，其用于通过部署在云端的cnn
‑
lstm预测模型进行实时预测训练，获得与各系统相对应的单系统剩余使用寿命预测模型，并下发至车端；
[0031]
车载控制器，其用于对原始数据进行预处理，并通过训练好的单系统剩余使用寿
命预测模型，获得第k个系统的预测剩余寿命，并根据n个系统各自对应的预测剩余寿命，通过串并联系统剩余使用寿命预测模型，得到整车的剩余使用寿命，k＝1
……
,n。
[0032]
进一步地，原始数据包括电子控制系统相关数据、电池系统相关数据和电机系统相关数据，串并联系统剩余使用寿命预测模型被描述为式(17)：
[0033]
f＝min{(α*max{x,y}),βz}
ꢀꢀꢀ
(17)
[0034]
式中，f表示整车的剩余使用寿命，α，β为经由故障诊断云端服务单元持续迭代更新获得的权值，x表示电子控制系统的预测剩余寿命，y表示电池系统的预测剩余寿命，z表示电机系统的预测剩余寿命。
[0035]
进一步地，所述故障诊断云端服务单元持续迭代更新获得的权值的方法具体包括：
[0036]
判断当前评价指标是否优于上一次训练好的单系统剩余使用寿命预测模型获得的评价指标，如果否，则更新当前训练好的单系统剩余使用寿命预测模型的权值；如果是，则使用当前训练好的单系统剩余使用寿命预测模型。
[0037]
本发明将电子控制系统、电池系统、电机系统的数据通过智能车辆的通信网络(wifi、5g)实时传输到云端，作为智能车辆故障预测的原始数据。采用cnn
‑
lstm模型进行建模，并将各串并联系统的寿命曲线进行融合，即可得到整车的寿命曲线。故障预测模型部署于运算能力较强的云端进行训练，训练好的模型将部署到车端实时预测故障，相比于传统模型，具有实时性强，适用性好，精度高、持续迭代升级等优点。
附图说明
[0038]
图1和图2为本发明实施例提供的基于端云协同的智能车辆故障实时预测系统的框架结构示意图。
[0039]
图3为图1和图2中的cnn
‑
lstm模型的训练流程图。
具体实施方式
[0040]
在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。
[0041]
如图1和图2所示，本发明实施例提供的基于端云协同的智能车辆故障实时预测方法包括：
[0042]
步骤1，采集智能车在运行期间的n个系统的原始数据。优选地，对所述原始数据进行缺失处理、文本数据量化处理以及数据标准化处理等预处理，得到原始数据序列。
[0043]
步骤2，根据原始数据，通过部署在云端的cnn
‑
lstm预测模型进行实时预测训练，获得与各系统相对应的单系统剩余使用寿命预测模型，并下发至车端。
[0044]
步骤3，通过训练好的单系统剩余使用寿命预测模型，车端获得第k个系统的预测剩余寿命，k＝1
……
,n。
[0045]
步骤4，根据n个系统各自对应的预测剩余寿命，通过串并联系统剩余使用寿命预测模型，得到整车的剩余使用寿命。
[0046]
本实施例将智能车的不同系统的原始数据通过智能车辆的车载控制器进行预处理，经通信网络(wifi、5g)实时传输到云端，作为智能车辆故障预测的原始数据。采用cnn
‑
lstm预测模型进行建模，通过串并联系统剩余使用寿命预测模型将各串并联系统的寿命曲线进行融合，即可得到整车的寿命曲线。cnn
‑
lstm预测模型部署于运算能力较强的云端，训练好的单系统剩余使用寿命预测模型将部署到车端实时预测故障。相比于传统模型，cnn
‑
lstm预测模型具有实时性强，适用性好，精度高、持续迭代升级等优点。
[0047]
在一个实施例中，步骤4的串并联系统剩余使用寿命预测模型被描述为式(1)：
[0048][0049]
式中，t表示整车的剩余使用寿命，t
k
表示步骤3获得的第k个系统的预测剩余寿命，ω
k
表示经由步骤2持续迭代更新获得的第k个系统的权值。
[0050]
在一个实施例中，步骤2持续迭代更新获得的权值的方法具体包括：
[0051]
判断当前评价指标是否优于上一次训练好的单系统剩余使用寿命预测模型获得的评价指标，如果否，则更新当前训练好的单系统剩余使用寿命预测模型使用的权值；如果是，则进入步骤4。
[0052]
在一个实施例中，所述评价指标包括式(2)计算的均方根误差rmse的和式(4)计算的评分值sore：
[0053][0054]
δ
i
＝rul
predicted
‑
rul
actual
ꢀꢀꢀ
(3)
[0055][0056]
式中，δ
i
表示第i时刻计算得到的真实值rul
actual
与预测值rul
predicted
之间的偏差，n是测试样本的总数，s
i
表示为式(5)：
[0057][0058]
需要说明的是，上述实施例中，均方根误差rmse的数值越小越优，评分值sore的数值越小越优。
[0059]
如图3所示，步骤2中通过cnn
‑
lstm预测模型获得相应的单系统剩余使用寿命预测模型的方法具体包括：
[0060]
步骤21，输入以n维特征维度的特征图进行描述的原始数据。
[0061]
步骤22，将原始数据序列通过过滤器(filter)进行特征提取，之后通过relu函数进行激活，输出第一特征矩阵c。
[0062]
步骤23，通过最大池化函数对提取的c的参数数量进行压缩，输出第二特征矩阵p。这样可以进一步给数据降维，以提取出显著特征，提高运算效率，防止过拟合
[0063]
步骤24，根据预设概率，通过dropout方法，利用式(4)随机丢弃p中的部分神经元的连接，这样可以尽可能避免过拟合地现象，输出影响因子特征序列d。预设概率可以选取经验值，为提高故障预测的实时性取值为0.2。
[0064]
步骤25，将d和历史数据序列作为训练序列，输入到cnn
‑
lstm预测模型中，最后通过全连接层将数据转换为一维结构，得到第k个系统的预测剩余寿命。
[0065]
在一个实施例中，步骤1的原始数据包括三个，分别是电子控制系统相关数据、电池系统相关数据和电机系统相关数据。优选地，对所述原始数据进行缺失处理、文本数据量化处理以及数据标准化处理等预处理，得到原始数据序列。其中，电子控制系统相关数据具有电子控制系统的转向控制、动力驱动控制、制动控制和can管理控制。电池系统相关数据具有电池系统的电池包、单节电池个数、单节电池电压值、电池包温度、充放电状态、总电压、总电流、荷电状态和绝缘电阻。电机系统相关数据具有电机系统的温度、振动、电流、转速和转矩。
[0066]
步骤21中，将三个系统的原始数据或原始数据序列分别描述成n维特征维度的特征图，输入到cnn
‑
lstm模型中，如下述x
t
所示。
[0067][0068]
其中，t表示第t时间段的单系统数据，m表示第m个特征，x
tm
表示第t时间段的第m维数据。
[0069]
步骤22，如图3所示，通过cnn卷积层里面的过滤器，采用3*3的卷积核对特征图进行卷积运算，用以提取智能车辆系统中的显著特征，卷积操作如公式(6)所示：
[0070][0071]
其中，x为卷积层的输入，对应图3中的原始数据序列x，c为卷积层的输出，w
c
为权值矩阵，由卷积层输入参数的长宽通道数决定，卷积之前会对权值矩阵进行初始化，之后每层卷积过后会反馈生成新的权值矩阵，b
c
为偏置量，偏置是为了更好的拟合函数，提取特征。在计算过程中得出；为卷积运算操作，f为relu激活函数。其中relu激活函数表示为式(7)：
[0072][0073]
当然，也可以使用均值、方差、均方根、偏度、峰度、波峰因子、熵、傅里叶变换、小波变换等其他方式，进行特征提取。
[0074]
本实施例提取到的特征具体包括：电子控制系统的转向控制、动力驱动控制、制动控制和can管理控制的特征值，车辆电池系统的电池包、单节电池个数、单节电池电压值、电池包温度、充放电状态、总电压、总电流、荷电状态、绝缘电阻和电池故障的相关特征，车辆电机系统的温度、振动、电流、转速和转矩的相关特征。
[0075]
池化层用于提取智能车辆系统中的显著特征并保留更多的信息，池化层选择最大池化方式，如式(8)所示。
[0076]
p＝max pooling(c)
ꢀꢀꢀ
(8)
[0077]
其中，p是池化层输出；maxpooling(c)是最大池化函数。
[0078]
通过最大池化函数压缩参数数量，一方面可以缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性；另一方面能够减少由于卷积层参数误差造成估计均值的偏移，保留更多的纹理信息。当然，也可以使用平均池化函数的方式替代最大池化函数，这个方式能够减少由于邻域大小受限造成的估计值方差增大。
[0079]
例如：输入是4*4的特征矩阵，实际的过滤器的滑动窗口取2*2，步长为2，则最终输出为2*2的特征矩阵，压缩为原来的1/4。
[0080]
步骤24，cnn
‑
lstm模型在训练过程中，为逼近训练数据的局部特征，会出现过拟合现象。为解决这一问题，在cnn
‑
lstm模型中加入dropout机制。dropout机制可以根据一定的概率随机地丢弃部分神经元及其连接，即将丢弃神经元的输出值置为0，阻止这些神经元的正向和反向传播。dropout机制可以有效减少模型的对于某些局部特征的依赖，避免过拟合现象的发生，从而增强预测模型的泛化能力。为标准神经网络与dropout网络结构对比，其中dropout方法的公式(9)如下：
[0081][0082]
其中，d为dropout层的输出的影响因子特征序列：m为0～1之间的随机数，p为丢弃概率，0≤p<1。例如：p的值为0.2，即在模型训练过程中，随机将20％神经元的输出值设为0。
[0083]
cnn
‑
lstm模型的核心部件是3个门单元结构，分别是遗忘门f
t
、输入门i
t
以及输出门o
t
。
[0084]
在t时刻，cnn
‑
lstm模型的记忆单元的输入有三个：当前时刻网络的输入值x
t
、上一时刻记忆单元的输出值h
t
‑
1、以及上一时刻的单元状态c
t
‑
1；cnn
‑
lstm模型的记忆单元的输出有两个：当前时刻记忆单元的输出值h
t
和当前时刻的单元状态c
t
。
[0085]
遗忘门f
t
负责控制是否继续保存长期状态c，由t时刻的输入值x
t
和前一时刻的隐含层的输出值h
t
‑
1共同决定。遗忘门f
t
的计算如公式(10)所示：
[0086]
f
t
＝σ(w
f
·
[h
t
‑1,x
t
])+b
f
ꢀꢀꢀ
(10)
[0087]
其中，w
f
为t时刻遗忘门f
t
的权值矩阵，b
f
为偏置量，σ采用sigmoid激活函数。
[0088]
输入门i
t
决定了要往记忆单元中保存什么新的信息。其通过输入当前状态的输入x
t
和上一状态的输出h
t
‑
1到一个sigmoid函数中，产生一个介于0到1之间的数值i
t
来确定记忆单元需要保留多少信息的信息。同时，一个tanh层会通过上一状态的输出h
t
‑
1和当前状态的输入x
t
来确定候选记忆状态输入值i
t
和候选状态如公式(11)和公式(12)所示：
[0089]
i
t
＝σ(w
t
·
[h
t
‑1,x
t
])+b
i
ꢀꢀꢀ
(11)
[0090][0091]
得到输入i
t
和当前候选记忆状态相乘，得到真正要加入到记忆单元的更新信息。记忆单元状态值c
t
的更新如公式(13)所示：
[0092][0093]
输出门决定了要从记忆单元中输出什么信息，与输入门类似，先用一个sigmoid函数来确定需要输出多少记忆单元中的信息c
t
。他的计算如公式(14)：
[0094]
o
t
＝σ(w
o
·
[h
t
‑1,x
t
]+b
o
)
ꢀꢀꢀ
(14)
[0095]
记忆单元的信息c
t
再与o
t
相乘，并通过一个tanh层进行激活，得到当前lstm块的输出信息h
t
,h
t
如公式(15)所示：
[0096]
h
t
＝o
t
*tanh(c
t
)
ꢀꢀꢀ
(15)
[0097]
训练中采用均方误差损失函数z进行优化，如公式(16)所示：
[0098][0099]
其中，z为损失函数结果，n为训练数据的长度，需要根据智能车辆上传传感器参数数量决定，d为滑动窗口的维数，该数值根据预测结果，调参确定，为循环d+j次的预测寿命，x(d+j)为实际寿命。
[0100]
本实施例在向后传播中使用adam优化器进行参数训练来更新权值。最终的模型权重刷新，直到达到预定义的小损失。
[0101]
为评价模型的有效性，采用了两个常用的评价指标进行评估，分别是是式(2)计算得到的均方根误差rmse和式(4)计算的评分值sore，用于评价模型的有效性。
[0102]
评分函数(4)的最大特点就是对预测值过大的惩罚较为严重。这是满足实际工程要求的，因为在运载车辆等领域，预测的故障时间晚于实际故障时间可能会导致错误的维修决策，进而造成非常严重的损失。
[0103]
在一个实施例中，对智能车的三大系统的预测剩余寿命分别定为：x表示电子控制系统的预测剩余寿命，y表示电池系统的预测剩余寿命，z表示电机系统的预测剩余寿命。
[0104]
通过式(17)描述的串并联系统剩余使用寿命预测模型计算整车的剩余使用寿命f：
[0105]
f＝min{(α*max{x,y}),βz}(17)
[0106]
x，y互为并联系统，z与x，y为串联系统，α，β为经由步骤2持续迭代更新获得的权值，二者的数值取值范围为(0,1)。确定原理考虑各系统的故障影响程度。智能车辆整车剩余使用寿命预测基于串并联系统寿命推广而来。。
[0107]
本发明实施例提供的基于端云协同的智能车辆故障实时预测系统包括信息采集单元、故障诊断云端服务单元和车载控制器，其中：
[0108]
信息采集单元用于采集智能车在运行期间的n个系统的原始数据，并将原始数据传输至车载控制器。
[0109]
车载控制器将采集到的数据进行预处理，通过车辆通信单元将数据传输到故障诊断云端服务单元。
[0110]
故障诊断云端服务单元用于通过部署在云端的cnn
‑
lstm预测模型进行实时预测训练，获得与各系统相对应的相应的单系统剩余使用寿命预测模型，并下发至车端。
[0111]
车载控制器用于预处理原始数据，并通过训练好的故障预测模型，获得第k个系统的预测剩余寿命，并根据n个系统各自对应的预测剩余寿命，通过各串并联系统的寿命进行融合，得到整车的剩余使用寿命，k＝1
……
,n。
[0112]
在一个实施例中，串并联系统剩余使用寿命预测模型被描述为式(1)。
[0113]
在一个实施例中，原始数据包括电子控制系统相关数据、电池系统相关数据和电机系统相关数据，串并联系统剩余使用寿命预测模型被描述为式(17)。
[0114]
在一个实施例中，所述故障诊断云端服务单元持续迭代更新获得的权值的方法具体包括：
[0115]
判断当前评价指标是否优于上一次训练好的故障预测模型获得的评价指标，如果否，则更新当前训练好的故障预测模型使用的权值；如果是，则由当前训练好的故障预测模
型输出整车的剩余使用寿命。
[0116]
本故障预测系统举例采集智能车辆的三个重要系统的数据，包括：车辆电子控制系统的转向控制、动力驱动控制、制动控制和can管理控制的相关数据，车辆电池系统的电池包、单节电池个数、单节电池电压值、电池包温度、充放电状态、总电压、总电流、荷电状态、绝缘电阻和电池故障的相关数据，车辆电机系统的温度、振动、电流、转速和转矩的相关数据。本系统可以推广至智能车辆全系统的故障预测系统。
[0117]
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。