[发明专利]基于工况数据的新能源汽车电控系统故障预测方法

说明书

本发明提供一种基于工况数据的新能源汽车电控系统故障预测方法，在收集新能源汽车电控系统故障数据及故障样本的基础上，如控制器输出偏差、控制器响应数据、仪表显示偏差等字段的数据，利用这些数据作为新能源汽车故障预测数据库的支撑，作为学习样本，结合神经网络预测的方法，建立基于神经网络的电控系统故障预测模型，通过矩阵运算和softmax层的转化得到最终的概率预测矩阵，选取概率最大的那一项故障作为最终的预测结果。模型的训练方法为随机梯度下降法，通过不断地迭代直到误差小于阈值或者迭代次数大于设定值，最终形成了可用于实际电控系统故障预测的神经网络模型，对故障的预测准确率达到96％以上。

技术领域

本发明涉及新能源车辆检测故障预测领域，特别是涉及神经网络和车 辆电控系统的故障预测领域。

背景技术

目前关于新能源汽车的公告检测及出厂检测均已形成一个较为完整的 检测流程及体系，并且也制定了相当多的行业标准。

目前在新能源汽车整车及关键零部件通用性、安全性、互换性、技术 条件及试验方法等标准方面，已经发布的新能源汽车标准项目42项(含 电动摩托车6项)，其中国家标准35项，汽车行业标准7项。标准按 照技术路线分包括纯新能源汽车11项，混合动力汽车6项，燃料电池 汽车4项，电动摩托车6项，动力电池8项，电机及控制器2项，能 源供给和充电相关5项。

而遗憾的是，这些检测均是针对新能源汽车的公告检测或是出厂检测， 目前还没有任何针对在用新能源汽车的年检制度或标准。虽然无论是新能 源汽车的公告检测、出厂检测，还是在用新能源汽车的年检，其检测的主 体都是新能源汽车，并且也存在一定的相关性，但是在用新能源汽车的年 检和其他两种检测有着根本性的区别。首先，在用新能源汽车的使用性质 决定了年检不可能像其他两种检测那种对新能源汽车进行解体检测，单独 检测各个模块的功能及结构；其次，在用新能源汽车的检测还要以非破坏 性和可重复性为原则，而无法像出厂检验那样对电池进行针刺、涉水、过 充过热等试验；最后，在用新能源汽车的年检有着很强的时效性，需要在 很短的时间内当场便生成一份检测报告，而不像出厂检测可以进行长时间 的试验。

本发明针对在新能源汽车年检中电控系统故障预测方面的不足，提出 了一种针对电控系统的故障预测模型，来对电控系统发生故障的可能性进 行预测。

发明内容

本发明的主要目的在于提供一种基于神经网络模型的新能源车辆电 控系统故障预测方法，通过对车辆电控系统工况数据进行训练，得到一个 能准确预测电控系统发生故障可能性的神经网络模型。

为实现上述目的，本发明采用以下技术方案：

一种基于工况数据的新能源汽车电控系统故障预测方法，其具体的实 施步骤包括：

a.从新能源汽车工况数据库中提取与电控系统相关的数据，数据包括 三类，第一类为控制器输出偏差及仪表的指示偏差，第二类为控制器通信 数据，第三类为控制器响应数据，每一条数据都对应着一个故障标签，数 据都为矩阵格式，作为BP神经网络模型训练的训练集；

b.确定BP神经网络预测模型的拓扑结构：总共包含四层——输入层、 隐藏层、softmax层、输出层，其输入层的节点数为a中所述数据的种类， 总共为18个节点数；隐含层节点数3个；softmax层对应一种将回归结果 转化为概率的方法，将前部分的矩阵运算结果转化为三种故障的概率；输 出层节点数3个；

将步骤a中的训练集输入到神经网络模型进行训练，具体的算法为随 机梯度下降法，其训练过程为：

a1、初始化模型参数，包括21个节点的权重和偏置，初始化方法为随 机生成参数；