一种基于数字孪生残差的热管理故障诊断系统及方法与流程

摘要: 本发明涉及新能源汽车热管理系统的故障诊断,具体涉及一种基于数字孪生残差的热管理模块故障诊断系统及方法,适用于电动汽车电池热管理、电机冷却及乘员舱空调集成模块的运...
一种基于数字孪生残差的热管理故障诊断系统及方法与流程

本发明涉及新能源汽车热管理系统的故障诊断,具体涉及一种基于数字孪生残差的热管理模块故障诊断系统及方法,适用于电动汽车电池热管理、电机冷却及乘员舱空调集成模块的运行状态监测与故障识别。

背景技术:

1、热管理集成模块在新能源汽车中承担电池热管理、电机冷却及乘员舱空调等关键功能。典型模块集成了直流无刷电机、离心水泵、多通阀、换热器及温度传感器,冷却液在闭合回路中循环,通过多通阀切换流道实现热量分配。运行中可能出现的故障包括:电机绕组电阻异常老化、多通阀卡滞、冷却系统性能退化、温度传感器漂移,以及两种或多种故障的并发组合。

2、现有基于数字孪生的诊断方法通常采用以下路线:建立被控对象的数字孪生模型,以健康状态下的标称参数运行;计算实际系统观测值与模型预测值之间的残差;从残差中提取均值、标准差等统计特征;将特征向量输入分类器输出故障类型。该方法在工业界和学术界均有广泛应用。

3、然而,上述路线存在两个固有缺陷。第一,特征提取停留在统计层面,诊断结论缺乏物理可解释性。统计特征能够反映转速偏离正常值的程度,但无法回答偏离的原因是电磁转矩不足还是机械阻力增大。当分类器输出“多通阀卡滞”时,工程师无法从物理机理层面验证该结论的合理性,限制了诊断结果在维修决策中的参考价值。第二,机械故障与电气故障在统计特征空间中容易混淆。多通阀卡滞属于机械故障,电阻异常属于电气故障,两者在温度残差维度上表现相近。发明人构建的简化对照实验中,仅使用温度残差均值和标准差两个特征,诊断准确率仅为47.21%。从能量传递的物理本质来看,热管理系统的能量传递遵循“电气域→机械域→流体域→热域”的串联路径,电阻异常作用于电气域到机械域的转换环节,多通阀卡滞作用于机械域到流体域的转换环节,响应时序存在本质差异。现有技术中的统计特征无法捕捉这一差异,导致两类故障在统计空间中重叠。

4、此外,现有方法大多未考虑制造公差个体差异对残差的系统性影响,同一故障在不同样机上的残差幅值差异显著,降低了诊断模型的泛化能力。

技术实现思路

1、针对现有技术中存在的上述缺陷,本发明提供一种基于数字孪生残差的热管理模块故障诊断方法及系统,旨在解决诊断结论提供统计特征不具备的物理可解释性,解耦多通阀卡滞与电阻异常这两类在统计特征维度上容易混淆的故障,降低两者的互相误判率的问题。

2、为实现上述目的,本发明采用如下技术方案:

3、一种基于数字孪生残差的热管理故障诊断系统,包括:信号获取模块、数字孪生计算单元、残差生成单元、基线归一化单元、特征提取模块、分类与置信度输出单元;信号获取模块采集真实系统的电流观测值、转速观测值和温度观测值,以及采集向所述真实系统施加的供电电压和外部热负荷信号;数字孪生计算单元输入端接收供电电压和外部热负荷信号,计算并输出电流预测值、转速预测值和温度预测值;残差生成单元第一输入端连接信号获取模块以接收电流观测值、转速观测值和温度观测值,第二输入端连接数字孪生计算单元以接收电流预测值、转速预测值和温度预测值;基线归一化单元连接残差生成单元,以接收电流残差和所述温度残差;特征提取单元连接基线归一化单元,以滑动窗口方式提取包含统计特征和故障溯源特征的诊断特征向量并输出;分类与置信度输出单元连接特征提取单元以接收诊断特征向量,分类与置信度输出单元将诊断特征向量输入随机森林分类器,并接收所述随机森林分类器各棵决策树的投票比例以计算分类置信度,根据所述分类置信度分别输出置信诊断结果、疑似预警信号或边界模糊提示信号。

4、进一步地,数字孪生计算单元中,电气域至机械域的电机模型根据供电电压和前一时刻转速计算电流预测值;特征提取单元中故障溯源特征的偏离度定义为偏离度;分类与置信度输出单元中,当分类置信度不低于第一阈值时输出置信诊断结果,当在第一阈值与第二阈值之间时输出疑似预警信号,当低于第二阈值时输出边界模糊提示信号。

5、本发明还提供一种基于数字孪生残差的热管理故障诊断方法,包括以下步骤:

6、s1:建立热管理模块的电热耦合数字孪生模型,数字孪生模型以标称参数运行,接收与实际系统相同的供电电压和外部热负荷,通过电气域至机械域、机械域至流体域、流体域至热域的串联模型逐步计算电流预测值、转速预测值和温度预测值;

7、s2:获取真实系统的电流观测值、转速观测值和温度观测值,分别与对应的预测值做差,得到电流残差、转速残差和温度残差;

8、s3:在系统启动后的基线时间段内采集基线数据,计算电流残差和温度残差的基线标准差,并对后续诊断窗口中的电流残差和温度残差进行归一化处理;

9、s4:从归一化后的残差序列中以滑动窗口方式提取诊断特征向量,诊断特征向量包括统计特征和沿电气域、机械域、流体域、热域能量传递链构建的故障溯源特征;

10、s5:将诊断特征向量输入随机森林分类器,根据各棵决策树的投票比例计算分类置信度,并依据所述分类置信度将诊断结论划分为置信诊断、疑似预警和边界模糊三个等级输出。

11、进一步地,步骤s4中,统计特征为20维统计特征,包括:电流残差均值、电流残差趋势、电流残差标准差、温度残差均值、温度残差趋势、温度残差标准差、转速残差均值、转速残差趋势、转速残差标准差、功率残差均值、功率残差趋势、温度-电流相关系数、温度波动度、电流波动度、温度峰度、归一化电流残差、归一化温度残差、电流-转速残差比、效率残差比和累积温度残差。

12、进一步地,步骤s4中,故障溯源特征为7维故障溯源特征,包括:效率残差偏离度、转速-温度响应偏离度、热滞后偏离度、流量波动偏离度、功率偏离度、转矩波动偏离度和加速度偏离度;7维故障溯源特征以数字孪生模型的输出为基准计算偏离度。

13、进一步地,偏离度的计算方式为:偏离度(,) = ( - ) / max(||,0.01),其中r表示基于真实系统观测数据计算的值,t表示基于数字孪生预测数据计算的值,max(||,0.01)为防止除零异常的保护项。

14、进一步地,步骤s1中,电气域至机械域的电机模型根据供电电压和前一时刻转速计算电流预测值,其中ke为反电动势系数,rs为定子电阻标称值;由所述电流预测值计算电磁转矩,负载转矩,其中b为阻尼系数,k1为阻力系数;转速预测值,其中j为转动惯量。

15、进一步地,步骤s4中,滑动窗口的窗口长度为60个采样点,采样间隔为0.1秒,窗口步长为25个采样点;所述步骤s5中,所述随机森林分类器包含250棵决策树,最小叶节点数为2,输出的故障类型包括正常、电阻异常、多通阀卡滞、冷却系统性能退化、传感器漂移和双故障共6类,其中所述双故障为电阻异常与冷却系统性能退化的并发组合。

16、进一步地,步骤s5中,当分类置信度不低于第一阈值时输出置信诊断结果并直接输出故障类型;当分类置信度在第一阈值与第二阈值之间时输出疑似预警信号;当分类置信度低于第二阈值时输出边界模糊提示信号且不进行强行分类;第一阈值和第二阈值根据目标系统对误报率和漏报率的容忍度进行标定。

17、进一步地,效率残差偏离度、流量波动偏离度和功率偏离度对应流体输运环节;转速-温度响应偏离度、转矩波动偏离度和加速度偏离度对应机械-热耦合环节;热滞后偏离度对应热惯性环节;电阻异常通过在数字孪生模型中增大定子电阻标称值rs实现注入;多通阀卡滞通过在数字孪生模型中增大阻尼系数b实现注入。

18、本发明相比于传统方案,具有以下有益效果:

19、(1)本发明通过数字孪生残差框架与多维统计特征的结合,显著提升了热管理模块故障诊断的准确率,相比仅使用简单温度残差特征的基线方法有大幅提高。各类故障在中重度区间均具备高精度诊断能力。

20、(2)本发明沿“电气域→机械域→流体域→热域”能量传递链设计的7维故障溯源特征,为诊断结论提供了传统统计特征不具备的物理可解释性。各物理特征与故障参数之间存在明确的因果对应关系,工程师可通过查阅物理特征数值对诊断结论进行独立验证,为维修决策提供可靠的物理依据。

21、(3)本发明通过转速-温度响应偏离度等物理特征,实现了多通阀卡滞与电阻异常的有效区分,大幅降低了统计特征空间中两类故障的互相误判率,解决了现有技术中机电故障难以区分的技术难题。

22、(4)本发明基于随机森林投票比例构建三级置信度分级诊断策略,高置信度区间直接输出诊断结论,边界模糊区间拒绝分类以避免误判,疑似预警区间触发人工复核,为实际部署提供了可配置的误报率与漏报率调节机制。

23、(5)本发明通过数字孪生共模抵消机制消除行驶工况波动的干扰,通过基线归一化机制消除不同样机制造公差个体差异的影响,保障了诊断方法在不同工况和不同样机间的泛化能力。

24、(6)本发明中20维统计特征与7维故障溯源特征可根据实际应用场景的计算资源约束灵活裁减,单独使用统计特征已能保证高准确率,叠加物理特征可额外获得可解释性优势,体现了良好的工程适应性。