混合动力汽车系统关键性能指标计算方法技术方案

混合动力汽车系统关键性能指标计算方法，包括离线训练、在线测试两个步骤，在线测试获得的数据输出到汽车的中控板；离线训练包括五个分步骤，在线测试包括五个分步骤。本发明专利技术在相关软件单元及相应计算方法共同作用下，使用聚类分类的算法划分出发动机不同工况下的数据，并使用基于关键性能指标的偏最小二乘法的故障检测、基于贡献图的诊断算法，及时检测和诊断出发动机扭矩和电机扭矩的异常变化数据，数据输出到汽车中控板后、驾驶员能及时掌握相关数据进行针对性处理，有效防止了汽车动力系统故障。基于上述，本发明专利技术具有好的应用前景。本发明专利技术具有好的应用前景。本发明专利技术具有好的应用前景。

【技术实现步骤摘要】
混合动力汽车系统关键性能指标计算方法


[0001]本专利技术涉及计算
，特别是一种混合动力汽车系统关键性能指标计算方法。

技术介绍

[0002]混合动力汽车相较于传统发动机汽车增加了一个或多个动力源，使整车结构变得相对复杂，也增加了整车控制系统的复杂性，不同动力源间的不同分配方式形成了汽车的多种工作模式。
[0003]混合动力系统在汽车运行动态过程中，发动机和电机的需求转矩随负荷等变化可能会发生突变，为了达到汽车的平稳运行，现有的混合动力汽车配套的电机会对发动机扭矩故障进行补偿。实际情况下，由于电机对发动机扭矩故障进行补偿，使得扭矩故障的发生很难被检测出来(当发动机发生故障导致扭矩过大或过小时，电机会对发动机的扭矩进行补偿，使得发动机扭矩值处于正常范围内，这样，发动机实际已经开始发生了故障，但无法从其扭矩的值及时发现故障的发生)，这种突变扭矩故障如果没有被及时检测到，后续故障加重后，则会引起整车动力输出不足或者总转矩波动太大的不良现象，恶化整车驾驶性能。综上，提供一种能有效监测发动机扭矩和电机扭矩异常变化，防止汽车动力系统故障扩大化的计算方法显得尤为必要。

技术实现思路

[0004]为了克服现有技术中，无法对混合动力汽车的发动机及电机扭矩异常进行有效监控，动力系统出现问题时会导致故障扩大化的弊端，本专利技术提供了一种在相关软件单元及相应计算方法共同作用下，使用聚类分类的算法划分出发动机不同工况下的数据，并使用基于关键性能指标的偏最小二乘法的故障检测、基于贡献图的诊断算法，及时检测和诊断出发动机扭矩和电机扭矩的异常变化数据，数据输出到汽车中控板后、驾驶员能及时掌握相关数据进行针对性处理，有效防止了汽车动力系统故障的混合动力汽车系统关键性能指标计算方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]混合动力汽车系统关键性能指标计算方法，其特征在于包括离线训练、在线测试两个步骤，在线测试获得的数据输出到汽车的中控板；所述离线训练包括如下分步骤，(1)使用BP神经网络工具箱，把数据采集单元采集的汽车坡度、整车的实际车速和加速踏板的开度三组数据，拟合出混合动力汽车的预期加速度数据；(2)使用K
‑
means聚类和支持向量机分类算法划分工况，得到不同工况下汽车正常运行时的自变量训练数据矩阵X
n
×
m
和因变量训练数据矩阵Y
n
×
r
；(3)使用偏最小二乘法，计算X矩阵的权重向量v1、得分向量t1，并计算Y矩阵的权重向量q1、得分向量u1，然后通过判断u1是否收敛，决定迭代是否停止；(4)如果u1收敛，计算X矩阵的负载向量p1，然后迭代分别计算X矩阵和Y矩阵的残差矩阵E和F，直到满足迭代精度为止；(5)根据训练数据与聚类中心的欧氏距离d
ij
，计算训练数据的权重w
ij
，从
而计算训练数据在k时刻的加权的T2、SPE控制限；在线测试包括如下分步骤，(a)使用K
‑
means聚类和支持向量机分类算法划分工况，得到不同工况下汽车正常运行时的自变量测试数据矩阵X和因变量测试数据矩阵Y；(b)计算测试数据矩阵X
new
的得分矩阵；(c)根据测试数据与聚类中心的欧氏距离，得到测试数据的权重，再计算测试数据的加权的T2、SPE统计量；(d)比较加权的T2、SPE统计量和加权控制限，如果加权统计量大于加权控制限的值，则判断有故障发生，如果加权统计量小于加权控制限的值，则判断没有故障发生；(e)：画贡献图，确定引起故障的变量，数据输出中控板经显示界面提示车主。
[0007]进一步地，所述(1)中，坡度信号需要使用滤波算法做降噪处理，将预期加速度的值和实际加速度的值做差、并求取残差的平方和，将其作为关键性能指标Y。
[0008]进一步地，所述(2)中，n是样本个数，m和r分别是自变量和因变量的个数。
[0009]进一步地，所述(3)中，应用的计算公式如下，
[0010]进一步地，所述(4)中，应用的计算公式如下，
[0011]进一步地，所述(5)中，应用的计算公式如下，进一步地，所述(5)中，应用的计算公式如下，
[0012]进一步地，所述(b)中，应用的计算公式如下，T
new
＝X
new
R。
[0013]进一步地，所述(C)中，进一步地，所述(C)中，
[0014]本专利技术有益效果是：本专利技术在相关软件单元及相应计算方法共同作用下，采用了基于多工况的偏最小二乘法算法，并融合了加权统计量和统计限算法，在确定关键性能指标时，使用了非线性数据拟合算法、滤波算法和残差平方和的处理，使故障检测更容易操作，更加精准，应用中能够检测出汽车动力系统的扭矩故障，防止了汽车动力系统故障发生或故障扩大化的几率。基于上述，本专利技术具有好的应用前景。
附图说明
[0015]以下结合附图和实施例将本专利技术做进一步说明。
[0016]图1是本专利技术的流程框图。
[0017]图2是本专利技术对发动机单独驱动时过温故障检测与诊断示意图。
[0018]图3是本专利技术对电机单独驱动时过温故障检测与诊断示意图。
[0019]图4是本专利技术对联合驱动时发动机过温故障检测与诊断示意图。
[0020]图5是本专利技术对联合驱动时电机过温故障检测与诊断示意图。
具体实施方式
[0021]图1中所示，混合动力汽车系统关键性能指标计算方法，包括离线训练、在线测试两个步骤，在线测试获得的数据输出到汽车的中控板，车主经数据得出车辆发动机或者电机的工作正常或异常数据；离线训练(离线训练阶段使用汽车的正常运行数据建立汽车正常运行情况下的参考模型，以便于后期对新数据的检测)包括如下分步骤，(1)使用BP神经
网络工具箱，把中控板的数据采集单元采集的汽车坡度、整车的实际车速和加速踏板的开度三组数据，拟合出混合动力汽车的预期加速度数据(本专利技术需要重点监测汽车的加速性能是否因为故障的发生受到了影响。但是实际上，驾驶员的预期加速度无法直接测量，因此本实施例借助与预期加速度密切相关的其他数据，通过BP神经网络工具箱拟合得到，并作为关键性能指标的数据基础)；其中，坡度信号需要使用滤波算法做降噪处理(防止干扰)；并将预期加速度的值和实际加速度的值做差并求取残差的平方和，将其作为关键性能指标Y(可以通过预期加速度和实际加速度值的偏差，来监测汽车加速性能是否受到了汽车动力系统故障的影响)。(2)使用K
‑
means聚类和支持向量机分类算法划分工况(划分发动机单独驱动、电机单独驱动和发动机和电机的混合驱动)，得到不同工况下汽车正常运行时的自变量训练数据矩阵X
n
×
m
和因变量训练数据矩阵Y
n
×
r
，其中，n是样本个数，m和r分别是车辆自变量和因变量的个数(以此数据来进行汽车正常运行情况本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.混合动力汽车系统关键性能指标计算方法，其特征在于，包括离线训练、在线测试两个步骤，在线测试获得的数据输出到汽车的中控板；所述离线训练包括如下分步骤，(1)使用BP神经网络工具箱，把数据采集单元采集的汽车坡度、整车的实际车速和加速踏板的开度三组数据，拟合出混合动力汽车的预期加速度数据；(2)使用K
‑
means聚类和支持向量机分类算法划分工况，得到不同工况下汽车正常运行时的自变量训练数据矩阵X
n
×
m
和因变量训练数据矩阵Y
n
×
r
；(3)使用偏最小二乘法，计算X矩阵的权重向量v1、得分向量t1，并计算Y矩阵的权重向量q1、得分向量u1，然后通过判断u1是否收敛，决定迭代是否停止；(4)如果u1收敛，计算X矩阵的负载向量p1，然后迭代分别计算X矩阵和Y矩阵的残差矩阵E和F，直到满足迭代精度为止；(5)根据训练数据与聚类中心的欧氏距离d
ij
，计算训练数据的权重w
ij
，从而计算训练数据在k时刻的加权的T2、SPE控制限；在线测试包括如下分步骤，(a)使用K
‑
means聚类和支持向量机分类算法划分工况，得到不同工况下汽车正常运行时的自变量测试数据矩阵X和因变量测试数据矩阵Y；(b)计算测试数据矩阵X
new
的得分矩阵；(c)根据测试数据与聚类中心...

【专利技术属性】
技术研发人员：楼志江，郝伟臣，谢森，刁旭东，向利娟，卢山，
申请(专利权)人：深圳职业技术学院，
类型：发明
国别省市：