一种估测电动汽车制动压力的方法和设备技术

本公开公开了一种估测电动汽车制动压力的方法，属于人工智能技术领域。方法包括：采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力；将CAN总线上的数据和传感器上的数据作为输入数据，制动压力作为基准数据，基于贝叶斯规则反向训练人工神经网络模型，获得训练后的人工神经网络模型；将实际车辆在各个不同工况下行驶时的CAN总线上的数据以及传感器上的数据输入训练后的人工神经网络模型，估测实际车辆中制动主缸的制动压力。采用本公开，可以不借助传感器而有效估测电动汽车的制动压力。

A method and equipment for estimating brake pressure of electric vehicle

【技术实现步骤摘要】
一种估测电动汽车制动压力的方法和设备
本公开属于人工智能
，特别涉及一种估测电动汽车制动压力的方法和设备。
技术介绍
电动汽车的制动系统一般为机电复合制动系统，该制动系统由液压制动系统和再生制动系统组成，其中，液压制动系统通过在制动主缸中产生液压力为电动汽车提供一部分的制动力，再生制动系统为电动汽车提供另一部分的制动力，其中，再生制动系统提供固定的制动力，可以通过调节液压制动系统产生的制动力进而调节电动汽车的制动力。在现有技术中，利用制动主缸上的压力传感器采集制动主缸的制动压力，根据采集到的制动压力来调节制动主缸的制动压力，进而调节电动汽车的制动力的大小。在实现本公开的过程中，专利技术人发现相关技术至少存在以下问题：当无制动主缸压力传感器或传感器失效时，由于无法获取到获取制动主缸的制动压力，导致电动汽车无法实现对制动力的控制，当制动压力过小时，会导致电动汽车的制动力不足，进而导致刹车不及时而危害驾驶员的安全，当制动压力过大时，会导致电动汽车的制动力过大，进而导致汽车轮胎将在地面上出现滑移而危害行车安全。
技术实现思路
为了解决相关技术中存在的技术问题，本公开实施例提供了一种估测电动汽车制动压力的方法。所述估测电动汽车制动压力的方法的技术方案如下：第一方面，本公开提供了一种估测电动汽车制动压力的方法，包括：采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力；将所述CAN总线上的数据和所述传感器上的数据作为输入数据，所述制动主缸的制动压力作为基准数据，基于贝叶斯算法反向传播训练所述人工神经网络模型，获得训练后的人工神经网络模型；将实际车辆在所述各个不同工况下行驶时的CAN总线上的数据以及所述传感器上的数据输入训练后的人工神经网络模型，估测所述实际车辆中制动主缸的制动压力。可选的，所述CAN总线上的数据，包括：电动汽车速度、电池荷电状态、电池电流、电池电压、电机转矩、电机转速、电池电流变化率和电池电压变化率。可选的，所述传感器上的数据，包括：毫米波雷达传感器上的数据和坡度传感器上的数据，其中，所述毫米波雷达传感器测量所述实验车辆与前方车辆的距离，所述坡度传感器测量所述实验车辆所在前方道路的坡度。可选的，所述采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力，包括：以预设的采样频率采集所述实验车辆在各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力，并对采集到数据进行平滑处理和归一化处理。可选的，所述将所述CAN总线上的数据和所述传感器上的数据作为输入数据，所述制动压力作为基准数据，基于贝叶斯规则反向训练所述人工神经网络模型，获得训练后的人工神经网络模型，包括：将同一时刻在所述实验车辆上采集到的CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力作为一个子样本，在K个不同时刻采集所述实验车辆在所述各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动压力，获得K个子样本；进行K次训练，其中在每次训练中选取K个子样本中的一个子样本，并将其他K-1个子样本输入本次训练过程中需要训练的人工神经网络模型中，基于所述贝叶斯算法反向传播训练所述人工神经网络模型，获得在本次训练过程中训练后的人工神经网络模型，本次训练过程中训练后的人工神经网络模型作为下一次训练过程中需要训练的人工神经网络模型,其中每次训练中选取出的子样本彼此不同；在完成K次训练过程之后，获得训练后的人工神经网络模型。可选的，所述获得在本次训练过程中训练后的人工神经网络模型之后，所述方法还包括：在每次训练完成后，将在本次训练中选取出的子样本输入在本次训练后的人工神经网络模型中，获得本次训练过程中训练后的人工神经网络模型输出的验证数据，从而K次训练共获得K个验证数据；基于所述K个子样本中的制动压力，以及所述K个验证数据，获得决定系数和均方根。可选的，所述基于所述K个子样本中的制动压力，以及所述K个验证数据，获得决定系数和均方根，包括：根据所述K个子样本中的制动压力，以及所述K个验证数据，确定人工神经网络模型的均方根，所述均方根误差利用下式：其中，MSE表示为所述人工神经网络模型的均方根，K表示为所述子样本的数目，Xi表示为在第i次训练中选取出的子样本中的制动压力，Yi表示为在第i次训练中获得的验证数据。可选的，所述基于所述K个子样本中的制动压力，以及所述K个验证数据，获得决定系数和均方根，包括：根据第i次训练中选取出的子样本中的制动压力Xi和在第i次训练中获得的验证数据Yi，得到所述人工神经网络模型的残差平方和Eres，所述残差平方和利用下式进行计算：根据所述在第i次训练中获得的验证数据Yi，以及在K次训练过程中获得全部验证数据的平均值得到所述人工神经网络模型的总平方和Etot，所述总平方和利用下式进行计算：根据所述残差平方和Eres，以及所述总平方和Etot，得到与所述人工神经网络模型的决定系数R2，所述决定系数利用下式进行计算：可选的，所述人工神经网络模型，包括：输入层、隐藏层和输出层，其中所述隐藏层的传递函数为tan-sigmoid激活函数，所述输出层的传递函数为purelin函数。第二方面，本公开提供了一种估测电动汽车制动压力的设备，被配置为：采集模块，被配置为采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力；训练模块，被配置为将所述CAN总线上的数据和所述传感器上的数据作为输入数据，所述制动主缸的制动压力作为基准数据，基于贝叶斯算法反向传播训练所述人工神经网络模型，获得训练后的人工神经网络模型；估测模块，被配置为将实际车辆在所述各个不同工况下行驶时的CAN总线上的数据以及所述传感器上的数据输入训练后的人工神经网络模型，估测所述实际车辆中制动主缸的制动压力。可选的，所述CAN总线上的数据，包括：电动汽车速度、电池荷电状态、电池电流、电池电压、电机转矩、电机转速、电池电流变化率和电池电压变化率。可选的，所述传感器上的数据，包括：毫米波雷达传感器上的数据和坡度传感器上的数据，其中，所述毫米波雷达传感器测量所述实验车辆与前方车辆的距离，所述坡度传感器测量所述实验车辆所在前方道路的坡度。可选的，所述采集模块，包括：以预设的采样频率采集所述实验车辆在各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力，并对采集到数据进行平滑处理和归一化处理。可选的，所述训练模块，包括：将同一时刻在所述实验车辆上采集到的CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力作为一个子样本，在K个不同时刻采集所述实验车辆在所述各个不同工况下行驶时所述CAN总线上的数本文档来自技高网...

【技术保护点】
1.一种估测电动汽车制动压力的方法，其特征在于，所述方法，包括：/n采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力；/n将所述CAN总线上的数据和所述传感器上的数据作为输入数据，所述制动主缸的制动压力作为基准数据，基于贝叶斯算法反向传播训练所述人工神经网络模型，获得训练后的人工神经网络模型；/n将实际车辆在所述各个不同工况下行驶时的CAN总线上的数据以及所述传感器上的数据输入训练后的人工神经网络模型，估测所述实际车辆中制动主缸的制动压力。/n

【技术特征摘要】
1.一种估测电动汽车制动压力的方法，其特征在于，所述方法，包括：
采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力；
将所述CAN总线上的数据和所述传感器上的数据作为输入数据，所述制动主缸的制动压力作为基准数据，基于贝叶斯算法反向传播训练所述人工神经网络模型，获得训练后的人工神经网络模型；
将实际车辆在所述各个不同工况下行驶时的CAN总线上的数据以及所述传感器上的数据输入训练后的人工神经网络模型，估测所述实际车辆中制动主缸的制动压力。


2.根据权利要求1所述的方法，其特征在于，所述CAN总线上的数据，包括：电动汽车速度、电池荷电状态、电池电流、电池电压、电机转矩、电机转速、电池电流变化率和电池电压变化率。


3.根据权利要求1所述的方法，其特征在于，所述传感器上的数据，包括：
毫米波雷达传感器上的数据和坡度传感器上的数据，其中，所述毫米波雷达传感器测量所述实验车辆与前方车辆的距离，所述坡度传感器测量所述实验车辆所在前方道路的坡度。


4.根据权利要求1所述的方法，其特征在于，所述采集实验车辆在各个不同工况下行驶时CAN总线上的数据、传感器上的数据和制动主缸的制动压力，包括：
以预设的采样频率采集所述实验车辆在各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力，并对采集到数据进行平滑处理和归一化处理。


5.根据权利要求1所述的方法，其特征在于，所述将所述CAN总线上的数据和所述传感器上的数据作为输入数据，所述制动主缸的制动压力作为基准数据，基于贝叶斯算法反向传播训练所述人工神经网络模型，获得训练后的人工神经网络模型，包括：
将同一时刻在所述实验车辆上采集到的所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力作为一个子样本，在K个不同时刻采集所述实验车辆在所述各个不同工况下行驶时所述CAN总线上的数据、所述传感器上的数据以及所述制动主缸的制动压力，获得K个子样本；
进行K次训练，其中在每次训练中选取K个子样本中的一个子样本，并将其他K-1个子样本输入本次训练过程中需要训练的人工神经网络模型中，基于所述贝叶斯算法反向传播训练所述人工神经网络模型，获得在本次训练过程中训练后的人工神经网络模型，本次训练过程中训练后的人工神经网络模型作为下一次训练过程中需要训练的人工神经网络模型，其中每次训练中选取出的子样本彼此不同；
在完成K次训练过程之后，获得训练后的人工神经网络模型。


6.根据权利要求5所述的方法，...

【专利技术属性】
技术研发人员：周健豪，曹瀚璋，孙静，周之光，赵万忠，宋廷伦，
申请(专利权)人：奇瑞汽车股份有限公司，
类型：发明
国别省市：安徽;34