一种融合NEV-AI模型的新能源汽车动态安全预警方法与流程
本发明涉及新能源汽车预警,更具体地说,本发明涉及一种融合nev-ai模型的新能源汽车动态安全预警方法。
背景技术:
1、随着新能源汽车产业的快速发展,动力电池、驱动电机、高压电控等核心系统的运行安全直接决定整车可靠性与驾乘人员安全,动态安全预警技术已成为新能源汽车安全管控的核心技术之一。
2、现有新能源汽车安全预警技术主要分为两类:一类是基于阈值判定的传统预警方案,通过对电池单体电压、温度、绝缘电阻等监测参数设置固定告警阈值,超出阈值即触发预警;该类方案原理简单但仅能识别已发生的显性故障,无法捕捉早期渐进式劣化的异常征兆,且未考虑单体间电气连接、热耦合等空间关联关系,对连锁性故障的预判能力不足,漏报率较高。另一类是基于机器学习的智能预警方案,通过采集历史运行数据训练神经网络模型以输出故障概率;但现有ai预警模型普遍缺乏电化学、电气热传导等物理机理约束,易产生不符合客观运行规律的误判结果,同时预警输出多为单一概率值,缺乏可追溯、可解释的证据链支撑,运维人员无法判断预警结论的依据来源与可信程度。此外,现有预警技术尚未建立完善的预警置信度量化评估体系,既未从因果逻辑、时序连续性、多源互证等维度对实时预警证据进行完整性校验,也未结合同类故障模式的历史实战表现进行经验验证,导致预警结果的可信等级无法量化区分,难以支撑分级响应的运维决策,无法在控制误报率的同时保障早期故障的识别灵敏度。
3、鉴于此,本发明提出一种融合nev-ai模型的新能源汽车动态安全预警方法以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷,实现上述目的,本发明提供如下技术方案:
2、一种融合nev-ai模型的新能源汽车动态安全预警方法,方法包括:
3、s1、采集新能源汽车的多源异构车载信号,将多源异构车载信号封装为原始报文帧,对预设时间窗口内的原始报文帧执行协议解析与语义映射处理,得到标准化信号帧集合;
4、s2、对标准化信号帧集合内的各标准化信号帧执行多重分析,得到各标准化信号帧的综合质量向量;基于各综合质量向量从标准化信号帧集合中筛选出合格信号帧,基于所有合格信号帧组建可信时序信号序列;
5、s3、基于可信时序信号序列构建特征向量,对特征向量执行分层预警计算得到融合风险得分,并依据预设的分级阈值对融合风险得分进行映射,得到对应的预警等级;
6、s4、基于预警等级生成多个候选预警事件,对各个候选预警事件分别执行证据链完整性评估和历史准确率匹配,得到评估结果与匹配结果;基于评估结果与匹配结果,选出最优的候选预警事件作为最终预警事件并输出。
7、进一步地,将多源异构车载信号封装为原始报文帧的方法为:
8、对多源异构车载信号执行差异化采样,将经差异化采样后的多源异构车载信号通过车载总线汇聚至车载终端,并在汇集过程中执行多源时间戳对齐与总线冲突消解,得到汇集信号,将汇集信号进行封装得到原始报文帧。
9、进一步地,得到标准化信号帧集合的方法为:
10、对原始报文帧执行协议类型识别,得到原始报文帧的协议类型,基于协议类型对原始报文帧执行字段提取,得到源协议字段集合;
11、对源协议字段集合执行国标语义映射,得到初始标准化字段集合,对初始标准化字段集合执行跨字段物理约束一致性校验,得到校验后标准化字段集合;
12、将校验后标准化字段集合与原始报文帧进行重组,得到对应的标准化信号帧;基于预设时间窗口内的所有标准化信号帧,组建标准化信号帧集合。
13、进一步地,得到各标准化信号帧的综合质量向量的方法为:
14、对各标准化信号帧执行真实性校验,得到真实性质量分量;对各标准化信号帧执行缺失度分析,得到缺失质量分量;对各标准化信号帧执行传输连续性分析,得到传输质量分量;对各标准化信号帧执行采样有效性分析,得到采样质量分量;
15、将标准化信号帧对应的真实性质量分量、缺失质量分量、传输质量分量、采样质量分量组合,得到各标准化信号帧的综合质量向量。
16、进一步地,组建可信时序信号序列的方法为:
17、对各标准化信号帧执行分层阈值判断,将通过分层阈值判断的各标准化信号帧组建成候选合格信号帧集合,对未通过分层阈值判断的各标准化信号帧执行质量降级修复后组建修复信号帧集合;
18、对候选合格信号帧集合执行时序质量连续性校验,将通过时序质量连续性校验的各候选合格信号帧组建成时序校验信号帧集合;
19、将时序校验信号帧集合与修复信号帧集合按时间戳排序,组建初始可信时序信号序列;
20、对初始可信时序信号序列中各信号帧的综合质量向量执行质量加权滑动平滑处理,得到最终的可信时序信号序列。
21、进一步地,构建特征向量的方法为:
22、将可信时序信号序列划分为短周期子序列、中周期子序列和长周期子序列,并对各周期子序列执行工况自适应分段,得到各周期子序列的多个工况对齐子序列;对各工况对齐子序列分别执行分层特征提取,得到各工况对齐子序列对应的基础统计特征、工况对齐特征和多维耦合特征;
23、对各周期子序列下的各工况对齐子序列的特征执行周期内聚合,得到各周期子序列对应的周期特征向量;将各周期特征向量按维度横向拼接,构建特征向量;特征向量包括短周期特征分量、中周期特征分量以及长周期特征分量。
24、进一步地,得到融合风险得分的方法为:
25、将短周期特征分量输入预设的黑盒专家规则库执行补充计算,输出补充风险得分;
26、将中周期特征分量输入预设的国标规则引擎执行初筛计算,输出初筛风险得分;
27、将长周期特征分量输入预设的nev-ai时序深度学习模型执行预判计算,输出渐进式故障概率得分;
28、计算补充风险得分、初筛风险得分、渐进式故障概率得分各自的融合权重,将补充风险得分、初筛风险得分、渐进式故障概率得分分别与各自的融合权重相乘后累加,得到融合风险得分。
29、进一步地,得到对应的预警等级的方法为:
30、预设一级高危阈值、二级隐患阈值和三级关注阈值,并构建分级阈值区间,同时在相邻阈值之间设定边界模糊区;
31、若融合风险得分落入对应的分级阈值区间内,将对应分级阈值区间直接映射为对应预警等级;
32、若融合风险得分落入对应的边界模糊区内,计算融合风险得分对相邻两个预警等级的隶属度对,并基于隶属度对判定对应的预警等级。
33、进一步地,选出最优的候选预警事件的方法为:
34、对各个候选预警事件分别执行证据链完整性评估,得到各个候选预警事件的证据链完整度评分;对各个候选预警事件分别执行历史准确率匹配,得到各个候选预警事件的历史准确率评分,将各个候选预警事件对应的证据链完整度评分以及历史准确率评分进行赋权累加,得到各个候选预警事件的综合置信度评分;
35、构建多目标择优函数,多目标择优函数以最大化综合置信度评分为目标,基于多目标择优函数对各候选预警事件执行帕累托前沿筛选,从帕累托前沿中选取综合置信度评分最高的候选预警事件作为最终预警事件。
36、进一步地,证据链完整度评分以及历史准确率评分获取方法为:
37、构建证据时序因果图,基于证据时序因果图计算各候选预警事件的因果结构评分;
38、获取各候选预警事件的时序演化信息,基于时序演化信息计算各候选预警事件的时序连贯评分;
39、获取各候选预警事件的多源证据互证信息,基于多源证据互证信息计算各候选预警事件的互证可靠评分;
40、将因果结构评分、时序连贯评分、互证可靠评分进行赋权累加,得到证据链完整度评分;
41、构建各候选预警事件的候选演化特征序列,从预设的历史标注样本库中提取与候选预警事件同预警等级的历史故障样本的标注演化特征序列,计算候选演化特征序列与标注演化特征序列的相似度,得到历史模式匹配度;基于历史模式匹配度检索对应故障模式的历史准确率、历史误报率和历史漏报率;
42、对历史准确率、历史误报率的反向指标和历史漏报率的反向指标加权融合,得到历史准确率评分;其中,历史误报率的反向指标为1减去历史误报率,历史漏报率的反向指标为1减去历史漏报率。
43、本发明一种融合nev-ai模型的新能源汽车动态安全预警方法的技术效果和优点:
44、本发明通过多时间尺度子序列划分与工况自适应的特征构建,覆盖了瞬时突发、中期累积与长期渐进全类型故障模式,结合具备电气与热耦合空间关联感知能力的时序图神经网络架构,可精准捕捉连锁性故障的早期征兆,大幅提升了渐进式劣化故障的识别灵敏度,有效降低故障漏报率;同时采用融入物理信息神经网络约束的nev-ai预警模型,使预警推理过程契合电化学、热传导等客观物理规律,减少不符合运行机理的误判输出,搭配多维度证据链构建与因果逻辑校验机制,让预警结论具备可追溯的物理支撑依据,有效弥补了传统ai预警可解释性不足的短板;
45、本发明通过融合实时证据链完整度与历史故障模式实战表现的综合置信度量化评估体系,实现了不同预警事件可信等级的精准量化区分,可为分级运维响应提供明确的决策依据,能够在有效控制误报率的同时保障早期故障的识别精度,全面提升新能源汽车动态安全预警的可靠性与工程实用价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com