买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：辽宁省交通高等专科学校

摘要：本发明提供了基于云计算的新能源汽车远程诊断方法及系统，属于数据分析技术领域。首先采集新能源汽车数据并传输至云端服务器；接收到车载终端发送的运行数据后，进行数据预处理和特征提取，得到预处理数据；然后对预处理数据进行云计算分批处理和分析，得到故障检测结果；对已识别的新能源汽车故障结果，云端服务器采用动态故障树分析进行故障定位，得到故障诊断结果；最后将故障诊断结果进行推送并进行远程控制。本发明通过实时数据采集、云端智能分析、故障信息推送与远程控制，实现了故障的高效检测、精准定位、远程诊断与部分故障的远程修复，显著提升了故障处理效率，增强了新能源汽车的使用便利性和售后服务质量。

主权项：1.基于云计算的新能源汽车远程诊断方法，其特征在于，所述方法包括：步骤S1：采集新能源汽车数据并传输至云端服务器；步骤S2：接收到车载终端发送的运行数据后，进行数据预处理和特征提取，得到预处理数据，具体包括：数据接收与存储，具体包括：车载终端将新能源汽车的运行数据通过无线通信发送至云端服务器；云端服务器通过预设的通信协议，使用加密和压缩技术接收数据；接收的数据经过解密、解压缩后，存储在云平台的大规模分布式存储系统中，并进行结构化存储；数据预处理与特征工程，具体包括：对存储的数据进行清洗，处理缺失值、异常值；使用最大信息系数计算各特征与故障标签的相关性，选择相关性高于阈值的特征作为输入；计算多分量信号的包络熵；对每个分量信号进行希尔伯特变换获取瞬时相位和频率，计算瞬时频率的负熵，并取平均值作为包络熵；基于最大信息系数选择特征并使用变分模态分解进行优化，具体包括：调用特征选择函数，根据基于最大信息系数选择与目标变量相关性高于阈值的特征；定义一个适应度函数，接受变分模态分解VMD参数params；所述参数params包含α和K，使用选定特征进行VMD分解，得到多分量信号imfs；然后计算imfs的包络熵，并返回该熵值；设定种群大小、迭代次数、突变率和交叉率；初始化种群，生成一个随机初始种群，包含多个α,K组合，每个个体由两个参数α,K构成；设置初始最优分数无穷大和最优参数为空，进行遗传算法循环，对于每代：对当前种群中每个个体调用适应度函数，计算其适应度；找出当前代中适应度最低的个体，将其适应度与当前最优适应度比较；若新适应度更低，则更新全局最优适应度和最优个体；通过选择、交叉和突变操作生成下一代种群，按适应度排序，选择适应度排名前半的个体进入下一代种群；生成与选择个体数量相等的新个体作为下一代种群的一部分；每个子代通过随机选择两个父代个体进行单点交叉；将选择的个体和生成的子代合并成新的种群；应用最优参数进行VMD分解，使用在遗传算法优化过程中找到的最优VMD参数对所选特征进行VMD分解，得到内蕴模态函数IMFs数组；返回最优参数、分解得到的IMFs数组以及全局最佳个体的适应度；步骤S3：对预处理数据进行云计算分批处理和分析，得到故障检测结果，具体包括：采用云计算技术进行分布式并行处理，将预处理后的数据划分为多个批次，利用云平台的弹性计算资源进行计算；针对每一批数据，构建新能源汽车故障检测模型；模型训练过程中，使用元学习自适应估计策略进行学习率自适应调整；所述元学习自适应估计策略，具体包括：获取模型中所有可训练参数的数量和范围；定义MLAES优化器，具体包括：定义一个MLAESOptimizer类，用于实现基于MLAES的优化器；构造函数__init__初始化MLAESOptimizer对象，接收以下参数：初始学习率initial_lr；学习率衰减率learning_rate_decay；元学习率meta_lr；元批次大小meta_batch_size；初始化两个空列表，存储学习率向量的列表population和存储当前适应性学习率的列表adaptive_learning_rates；依据模型的参数数量，使用initial_lr和meta_batch_size生成一个包含随机学习率向量的种群，并将初始学习率存储到adaptive_learning_rates中；遍历所有个体对应的梯度，对每个学习率向量的学习率按照学习率衰减率learning_rate_decay衰减现有学习率，根据梯度值grad乘以元学习率进行调整；更新后的学习率存回adaptive_learning_rates列表对应位置；根据更新后的学习率应用梯度到模型参数；步骤S4：对已识别的新能源汽车故障结果，云端服务器采用动态故障树分析进行故障定位，得到故障诊断结果；建立动态故障树DFT，具体包括：定义已识别的故障结果作为顶层事件TE，所述已识别的故障结果包括电池系统故障、电机系统故障、电气系统故障、环境与行驶数据异常和传感器执行器故障；基于已识别的故障结果，为顶层事件TE构建中间事件IE；细化中间事件IE，列出导致故障原因；根据故障之间的逻辑关系，使用逻辑门连接基本事件BE和中间事件IE；定义动态属性，具体包括：为基本事件BE和逻辑门LG添加时间属性；量化分析，具体包括；为基本事件BE赋予动态概率模型，基本事件BE动态概率表示为：基本事件在时间发生的概率为，为时间变量；是与基本事件相关的动态参数；是描述故障随时间演变的动态概率模型；逻辑门LG动态概率表示为：逻辑门连接基本事件和中间事件，在时间逻辑门的条件概率为，为中间事件；是与基本事件和中间事件之间的逻辑关系动态参数；是描述逻辑门条件概率随时间变化的动态模型；计算导致每个顶层事件发生的最小故障组合，所述最小故障组合为最小割集CS；在DFT中，最小割集的概率是其包含的基本事件在时间窗口内同时发生概率的乘积，表示为： ；式中，表示对中的所有基本事件进行连乘；利用动态故障树结构和基本事件的动态概率模型，计算每个顶层事件在时间窗口内的发生概率；故障概率是所有导致该顶层事件的最小割集概率之和，表示为： ；式中，表示对所有导致顶层事件的最小割集进行求和；故障源识别，具体包括：依据计算得到的所有最小割集及其对应的概率，按照概率值从高到低进行排序；对高概率最小割集中的每一个基本事件进行解析；基于基本事件的解析结果，识别出故障源；步骤S5：将故障诊断结果进行推送并进行远程控制。

全文数据：

权利要求：

百度查询： 辽宁省交通高等专科学校 基于云计算的新能源汽车远程诊断方法及系统