[发明专利]预测电动汽车制动压力的方法和设备

说明书

本申请公开了一种预测电动汽车制动压力的方法，属于电动汽车技术领域。所述方法包括：获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数；基于影响所述制动压力的参数和所述制动压力，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力。采用本申请，可以有效解决相关技术中缺乏一种预测电动汽车制动压力的方法的技术问题。

技术领域

本申请属于电动汽车技术领域，特别涉及一种预测电动汽车制动压力的方法和设备。

背景技术

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。

在实现本申请的过程中，发明人发现相关技术至少存在以下问题：

通过上述方法可知，压力传感器只能获得当前时刻的制动压力，并不能预测出当前时刻的下一时刻的制动压力。

发明内容

为了解决相关技术中存在的技术问题，本申请实施例提供了一种预测电动汽车制动压力的方法和设备。所述预测电动汽车制动压力的方法和设备的技术方案如下：

第一方面，本申请提供了一种预测电动汽车制动压力的方法，包括：

获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数；

基于所述制动压力和影响所述制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；

获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力。

可选的，所述影响所述制动压力的参数，包括电动汽车的速度、电动汽车的速度平均值、电动汽车的速度标准差、电动汽车的加速度、电动汽车的加速度平均值、电动汽车的加速度标准差、电机转速、电机转矩、电池电流、电池电压、电池荷电状态、电池电流变化率和电池电压变化率中的至少一种参数。

可选的，所述电动汽车的速度平均值为预估时刻之前的至少一个时刻的电动汽车的速度平均值，所述电动汽车的速度标准差为预估时刻之前的至少一个时刻的电动汽车的速度标准差。

可选的，所述电动汽车的加速度平均值为预估时刻之前的至少一个时刻的电动汽车的加速度平均值，所述电动汽车的加速度标准差为预估时刻之前的至少一个时刻的电动汽车的加速度标准差。

可选的，所述获取实验车辆在各个不同工况下制动主缸的制动压力和影响所述制动压力的参数，包括：

获取K个样本，每个样本包括同一时刻在所述实验车辆上采集到的制动主缸的制动压力与可能影响制动压力的参数；

将所述K个样本输入特征权重算法，输出每个可能影响制动压力的参数项所对应的权重；

根据所述权重，筛选出至少一个影响制动压力的参数项，从而将所述至少一个影响制动压力的参数项对应的参数作为影响所述制动压力的参数。

可选的，所述至少一个影响制动压力的参数项，包括：电动汽车的速度标准差、电动汽车的加速度均值、电动汽车的加速度标准差、电动汽车的加速度、电池电压、电机转矩和电池荷电状态。