[发明专利]一个基于端云协同的智能车辆故障实时预测方法及系统

权利要求书

1.一种基于端云协同的智能车辆故障实时预测方法，其特征在于，包括：

步骤1，采集智能车在运行期间的n个系统的原始数据；

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；

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；

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；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)：

f＝min{(α*max{X，Y})，βZ}    (17)

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；所述步骤2持续迭代更新获得的权值的方法具体包括：

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；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：

式中，Δ_i表示第i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)：

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：

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；

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；

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；

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；

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。

2.如权利要求1所述的基于端云协同的智能车辆故障实时预测方法，其特征在于，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。