车辆中功能组件的状态确定方法、系统、装置和车辆与流程

1.本发明涉及车辆领域，具体而言，涉及一种车辆中功能组件的状态确定方法、系统、装置和车辆。


背景技术：

2.在相关技术中，针对功能组件热失效的识别，通常是通过行车的路面特征、功能组件的相关参数、风阻系数等行车数据，进行速度和结温关系拟合，以确定功能组件的工作状态，但是该方法存在无法准确确定功率组件的工作状态的技术问题。
3.针对上述现有技术中无法准确确定功率组件的工作状态的技术问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种车辆中功能组件的状态确定方法、系统、装置和车辆，以至少解决无法准确确定功率组件的工作状态的技术问题。
5.根据本发明实施例的一个方面，提供了一种车辆中功能组件的状态确定方法，应用于云端。该方法可以包括：从车端获取至少一车辆在行驶状态下的第一运行数据，得到至少一第一运行数据，其中，第一运行数据为通过对车辆的运行数据进行降采样而获取，且用于表征对应的车辆的运行状态；确定每个第一运行数据对应的平均里程损伤值，得到至少一平均里程损伤值，其中，平均里程损伤值用于表征对应的车辆的电机中功能组件的工作状态；基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定目标车辆的功能组件的工作状态，其中，目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态用于表征目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况；响应于工作状态为目标预测状态，获取目标车辆的第二运行数据，且确定第二运行数据对应的功能组件的目标平均损伤值，其中，第二运行数据通过对运行数据进行全量采样而获取，目标预测状态用于预测功能组件的工作状态为异常状态；响应于目标平均损伤值大于里程损伤值阈值，确定功能组件的工作状态为异常状态。
6.可选地，基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定目标车辆中功能组件的工作状态，包括：响应于目标车辆的平均里程损伤值大于至少一车辆中目标数量的车辆的平均里程损伤值、且目标车辆的日行驶里程超过里程阈值，确定目标车辆中功能组件的工作状态为目标预测状态。
7.可选地，确定每个第一运行数据对应的平均里程损伤值，包括：对第一运行数据中的电机扭矩进行载荷压缩，且确定进行载荷压缩后的第一运行数据的波动噪声的峰谷信号；对峰谷信号进行三点法雨流计数，得到电机转矩对应的雨流计数幅值和雨流计数值；对雨流计数幅值和雨流计数值进行冲击等效，基于车辆中冷却水温度和冷却水流量，确定功能组件对应的温度雨流计数幅值及雨流计数值；基于功能组件对应的温度雨流计数幅值及雨流计数值确定平均里程损伤值。
8.可选地，基于功能组件对应的温度雨流计数幅值及雨流计数值确定平均里程损伤值，包括：通过多参数寿命模型，对功能组件对应的温度雨流计数幅值及雨流计数值进行计算，得到电机循环损伤值；基于功能组件对应的雨流计数值对电机循环损伤值进行功率循环计算，得到功能组件的等效损伤值；基于等效损伤值，确定平均里程损伤值。
9.可选地，基于等效损伤值，确定平均里程损伤值，包括：确定车辆在一天中处于运行时刻的等效损伤值；确定处于运行时刻的等效损伤值之间的和与一天中的所有运行时刻；将所述等效损伤值之间的和与所有运行时刻二者之间的商，确定为平均里程损伤值。
10.可选地，响应于目标车辆存在目标数量的目标平均损伤值大于里程损伤值阈值，向车端进行功能组件损伤异常报警。
11.可选地，第一运行数据至少包括功能组件的运行异常标志位，其中，运行异常标志位为车端基于功能组件的理论温度值和实际温度值确定的。
12.根据本发明实施例的另一方面，还提供了一种车辆中功能组件的状态确定系统。该系统可以包括：至少一车端，用于获取至少一车辆在行驶状态下的第一运行数据，得到至少一第一运行数据，且用于获取至少一车辆中目标车辆的第二运行数据，其中，第一运行数据为通过对车辆的运行数据进行降采样而获取，且用于表征对应的车辆的运行状态，第二运行数据通过对运行数据进行全量采样而获取，目标预测状态用于预测功能组件的工作状态为异常状态；车云通信单元，用于将至少一第一运行数据和第二运行数据从至少一车端传输至云端中；云端，用于确定每个第一运行数据对应的平均里程损伤值，得到至少一平均里程损伤值，基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定至少一车辆中目标车辆的功能组件的工作状态；响应于工作状态为目标预测状态，获取目标车辆的第二运行数据，且确定全量运行数据对应的功能组件的目标平均损伤值；响应于目标平均损伤值大于里程损伤值阈值，确定功能组件的工作状态为异常状态，其中，目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态用于表征目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况。
13.根据本发明实施例的另一方面，还提供了一种车辆中功能组件的状态确定装置，包括：第一处理单元，用于从车端获取至少一车辆在行驶状态下的第一运行数据，得到至少一第一运行数据，其中，第一运行数据为通过对车辆的运行数据进行降采样而获取，且用于表征对应的车辆的运行状态；第一确定单元，用于确定每个第一运行数据对应的平均里程损伤值，得到至少一平均里程损伤值，其中，平均里程损伤值用于表征对应的车辆的电机中功能组件的工作状态；第二确定单元，用于基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定目标车辆的功能组件的工作状态，其中，目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态用于表征目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况；第二处理单元，用于响应于工作状态为目标预测状态，获取目标车辆的第二运行数据，且确定第二运行数据对应的功能组件的目标平均损伤值，其中，第二运行数据通过对运行数据进行全量采样而获取，目标预测状态用于预测功能组件的工作状态为异常状态；第三确定单元，用于响应于目标平均损伤值大于里程损伤值阈值，确定功能组件的工作状态为异常状态。
14.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行
本发明实施例的车辆中功能组件的状态确定方法。
15.根据本发明实施例的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的车辆中功能组件的状态确定方法。
16.在本发明实施例中，从车端获取至少一车辆在行驶状态下的第一运行数据，得到至少一第一运行数据，其中，第一运行数据为通过对车辆的运行数据进行降采样而获取，且用于表征对应的车辆的运行状态；确定每个第一运行数据对应的平均里程损伤值，得到至少一平均里程损伤值，其中，平均里程损伤值用于表征对应的车辆的电机中功能组件的工作状态；基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定目标车辆的功能组件的工作状态，其中，目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态用于表征目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况；响应于工作状态为目标预测状态，获取目标车辆的第二运行数据，且确定第二运行数据对应的功能组件的目标平均损伤值，其中，第二运行数据通过对运行数据进行全量采样而获取，目标预测状态用于预测功能组件的工作状态为异常状态；响应于目标平均损伤值大于里程损伤值阈值，确定功能组件的工作状态为异常状态。也就是说，本发明在云端，对功率组件性能进行多次验证，在云端先对降采样得到的第一运行数据进行验证，当确定功能组件的工作状态为目标预测状态(可疑状态)，再对进行全量采样得到的第二运行数据进行验证，从而实现了可以准确确定功率组件的工作状态的技术效果，解决了无法准确确定功率组件的工作状态的技术问题。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
18.图1是根据本发明实施例的一种车辆中功能组件的状态确定方法的流程图；
19.图2是根据本发明实施例的一种功率模块累计损伤度计算的示意图；
20.图3是根据本发明实施例的一种功率模块在线计算系统的示意图；
21.图4是根据本发明实施例的一种功率模块在线计算方法的流程图；
22.图5是根据本技术实施例的一种行车片段的示意图；
23.图6是根据本发明实施例的一种车辆中功能组件的状态确定装置的示意图；
24.图7是根据本发明实施例的一种车辆中功能组件的状态确定系统的示意图。
具体实施方式
25.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
27.实施例1
28.根据本发明实施例，提供了一种车辆中功能组件的状态确定方法的实施例，可以应用于云端。需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
29.图1是根据本发明实施例的一种车辆中功能组件的状态确定方法的流程图，如图1所示的控制设备的方法流程图，该方法包括如下步骤：
30.步骤s102，从车端获取至少一车辆在行驶状态下的第一运行数据，得到至少一第一运行数据，其中，第一运行数据为通过对车辆的运行数据进行降采样而获取，且用于表征对应的车辆的运行状态。
31.在本发明上述步骤s102提供的技术方案中，车端可以对在行驶状态下的车辆的运行数据进行降采样，得到第一运行数据。云端可以从车端获取至少一车辆在行驶状态下的第一运行数据，得到至少一车辆对应的至少一第一运行数据。其中，第一运行数据又可以称为实际运行数据，可以用于表征车辆的运行状态，比如，可以为电机转速、车辆转矩、车辆行驶速、油门开度、高压状态、冷却水温度、冷却水流量信号等数据，此处仅为举例，不对第一运行数据做具体限制，可以根据实际使用场景进行选择。
32.可选地，当车辆的高压状态位于1时，可以确定车辆进入行驶状态，因此，可以获取车辆高压状态下的第一运行数据。
33.举例而言，可以以0.1hz的采集频率进行抽样数据的降采样采集，采集的抽样数据(第一运行数据)可以包括电机转速、转矩、车速、油门开度、高压状态、冷却水温度、冷却水流量信号等数据，需要说明的是，在实际应用中可以适当提高抽样采集频率，采样频率的大小可以根据实际使用情况进行调整，此处不做具体限制。
34.步骤s104，确定每个第一运行数据对应的平均里程损伤值，得到至少一平均里程损伤值，其中，平均里程损伤值用于表征对应的车辆的电机中功能组件的工作状态。
35.在本发明上述步骤s104提供的技术方案中，基于第一运行数据，确定每个车辆的平均里程损伤值，得到至少一平均里程损伤值。其中，平均里程损伤值可以为车辆的日平均里程损伤值，用于表征车辆的电机中功能组件的工作状态，可以用d
avg
表示。功能组件可以为核心功率器件，比如，可以为绝缘栅双极晶体管(insulated gate bipolar transistor，简称为igbt)。
36.可选地，可以对第一运行数据进行计算，确定每个车辆对应的平均里程损伤值，得到至少一平均里程损伤值。
37.步骤s106，基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定目标车辆的功能组件的工作状态，其中，目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态用于表征目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况。
38.在本发明上述步骤s106的技术方案中，确定至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况，确定目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态。基于目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，可以确定目标车辆的功能组件的工作状态。其中，工作状态可以包括异常状态、正常状态，可疑异常状态。
39.举例而言，确定至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况，如果至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况比较靠前，则可以确定目标车辆中功能组件的工作状态为可疑异常状态。
40.步骤s108，响应于工作状态为目标预测状态，获取目标车辆的第二运行数据，且确定第二运行数据对应的功能组件的目标平均损伤值，其中，第二运行数据通过对运行数据进行全量采样而获取，目标预测状态用于预测功能组件的工作状态为异常状态。
41.在本发明上述步骤s108技术方案中，确定功能组件的工作状态是否为目标预测状态，如果功能组件的工作状态为目标预测状态，响应于工作状态为目标预测状态，可以获取目标车辆的第二运行数据，且确定第二运行数据对应的功能组件的目标平均损伤值。其中，第二运行数据为通过对车辆的运行数据进行全量采样而获取的，可以用于表征车辆的运行状态，比如，可以为电机转速、车辆转矩、车辆行驶速、油门开度、高压状态、冷却水温度、冷却水流量信号等数据，此处仅为举例，不对第一运行数据做具体限制，可以根据实际使用场景进行选择。目标预测状态可以用于预测功能组件的工作状态为异常状态，可以为可疑状态。目标平均损伤值又可以称为实际igbt精准损伤值，可以用于表征车辆的电机中功能组件的工作状态，也可以用d
avg
表示。
42.在该实施例中，先通过降采样的第一运行数据对功能组件的工作状态进行预测，如果预测的工作状态为目标预测状态，则可以确定功能组件的工作状态为可能为异常的状态(可疑状态)，则可以获取全量采样的第二运行数据对功能组件的工作状态进行进一步的判断，从而提高了对功能组件的工作状态判断的准确性，通过多次判断，避免对功能组件误判的可能性。
43.举例而言，在降采样和全量采样两种数据频率下，边端控制器可以通过车云通信单元将降采样对应的电机实际运行数据(第一运行数据)和全量采样对应的电机实际运行数据(第二运行数据)传输至云端计算系统，并存储在数据管理系统中，比如，电机转速、电机转矩、冷却水流量、冷却水温度、igbt实际结温、车辆高压状态、运行里程信息等。
44.步骤s110，响应于目标平均损伤值大于里程损伤值阈值，确定功能组件的工作状态为异常状态。
45.在本发明上述步骤s110技术方案中，判断目标平均损伤值是否大于里程损伤阈值，如果目标平均损伤值大于里程损伤阈值，则可以确定功能组件的工作状态为异常状态。其中，里程损伤阈值又可以称为产品设计指标损伤安全阈值(简称为产品安全阈值)或igbt平均里程损伤阈值，可以为预先计算得到的值，比如，可以为104e-6
/公里、1.5e-6
/公里等，此处仅为举例，不对里程损伤阈值的大小做具体限制。
46.举例而言，可以通过损伤异常报警模块，将实际igbt精准损伤值与产品设计指标损伤安全阈值进行比较，此处的产品安全阈值的选取可以为模块厂商设定的安全损伤值k，产品设计总里程，比如k＝0.7，产品设计的总里程目标值为50万公里，则igbt平均里程损伤
阈值则为：
[0047][0048]
判断目标平均损伤值是否大于里程损伤值阈值，响应于目标平均损伤值大于里程损伤值阈值，则可以确定功能组件的工作状态为异常状态。
[0049]
本技术上述步骤s102至步骤s110，从车端获取至少一车辆在行驶状态下的第一运行数据，得到至少一第一运行数据，其中，第一运行数据为通过对车辆的运行数据进行降采样而获取，且用于表征对应的车辆的运行状态；确定每个第一运行数据对应的平均里程损伤值，得到至少一平均里程损伤值，其中，平均里程损伤值用于表征对应的车辆的电机中功能组件的工作状态；基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定目标车辆的功能组件的工作状态，其中，目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态用于表征目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况；响应于工作状态为目标预测状态，获取目标车辆的第二运行数据，且确定第二运行数据对应的功能组件的目标平均损伤值，其中，第二运行数据通过对运行数据进行全量采样而获取，目标预测状态用于预测功能组件的工作状态为异常状态；响应于目标平均损伤值大于里程损伤值阈值，确定功能组件的工作状态为异常状态。也就是说，本发明利用云端，对功率组件性能进行多次验证，在云端先对降采样得到的第一运行数据进行验证，当确定功能组件的工作状态为目标预测状态(可疑状态)，再对进行全量采样得到的第二运行数据进行验证，从而实现了可以准确确定功率组件的工作状态的技术效果，解决了无法准确确定功率组件的工作状态的技术问题。
[0050]
下面对该实施例的上述方法进行进一步介绍。
[0051]
作为一种可选的实施方式，基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定目标车辆中功能组件的工作状态，包括：响应于目标车辆的平均里程损伤值大于至少一车辆中目标数量的车辆的平均里程损伤值、且目标车辆的日行驶里程超过里程阈值，确定目标车辆中功能组件的工作状态为目标预测状态。
[0052]
在该实施例中，确定目标车辆的平均里程损伤值是否大于至少一车辆中目标数量的车辆的平均里程损伤值，且目标车辆的日行驶里程超过里程阈值，响应于目标车辆的平均里程损伤值大于至少一车辆中目标数量的车辆的平均里程损伤值、且目标车辆的日行驶里程超过里程阈值，可以确定目标车辆中功能组件的工作状态为目标预测状态。其中，里程阈值可以为预先根据实际情况设定的值，比如，可以为50公里、60公里等，此处仅为举例，不对里程阈值的大小做具体限制。目标数量可以为5、6等，此处仅为举例，不对目标数量的大小做具体限制。
[0053]
举例而言，假设目标数量为6车辆，则当目标车辆的平均里程损伤值比6个车辆的平均里程损伤值都大时，可以进一步确定目标车辆的日行驶里程是否超过里程阈值，如果日行驶里程超过里程阈值，且目标车辆的平均里程损伤值大于至少一车辆中目标数量的车辆的平均里程损伤值，可以确定目标车辆中功能组件的工作状态为目标预测状态，即可疑状态。
[0054]
再举例而言，云端中的igbt累计损伤分类模块可以对行驶里程超过50公里(里程阈值)的车辆，进行平均里程损伤d
avg
排序，平均里程损伤值大于90％车辆的平均里程损伤
值的目标车辆为损伤高风险用户，即目标车辆的工作状态为目标预测状态。针对日行驶里程不足50公里的车辆，将总损伤及行驶里程存入累计表中，当累计到行驶总行驶里程大于50公里时，才参与当天的损伤排序及高风险分类，对于损伤大于90％车辆增量标记至损伤高风险用户表中。可选地，该实施例在云端可以基于平均里程损伤值对igbt等效损伤进行统计分析，选取损伤值在90％-100％区间的用户为损伤高风险用户。
[0055]
在该实施例中，针对日行驶里程超过里程阈值的车辆，进行平均里程损伤值排序，平均里程损伤值大于目标数量的车辆标记为损伤高风险用户，针对日行驶里程不足里程阈值的车辆，可以将总损伤及行驶里程存入累计表中，当累计到日行驶里程超过里程阈值时，则参与当天的损伤排序及高风险分类，对于损伤大于目标数量的车辆增量标记至损伤高风险用户表数据仓库中。
[0056]
可选地，在云端可以获取至少一车辆的第一运行数据，确定第一运行数据对应的平均里程损伤值。可以对目标车辆的平均里程损伤值在所有车辆的平均里程损伤值中进行排序，只有目标车辆的平均里程损伤值是否大于至少一车辆中目标数量的车辆的平均里程损伤值，且目标车辆的日行驶里程超过里程阈值，响应于目标车辆的平均里程损伤值大于至少一车辆中目标数量的车辆的平均里程损伤值、且目标车辆的日行驶里程超过里程阈值，可以确定目标车辆中功能组件的工作状态为目标预测状态，从而达到准确判断目标车辆的工作状态的目的。
[0057]
作为一种可选的实施方式，确定每个第一运行数据对应的平均里程损伤值，包括：对第一运行数据中的电机扭矩进行载荷压缩，且确定进行载荷压缩后的第一运行数据的波动噪声的峰谷信号；对峰谷信号进行三点法雨流计数，得到电机转矩对应的雨流计数幅值和雨流计数值；对雨流计数幅值和雨流计数值进行冲击等效，基于车辆中冷却水温度和冷却水流量，确定功能组件对应的温度雨流计数幅值及雨流计数值；基于功能组件对应的温度雨流计数幅值及雨流计数值确定平均里程损伤值。
[0058]
在该实施例中，可以对第一运行数据中的电机扭矩进行载荷压缩，且确定载荷压缩后的第一运行数据的波动噪声的峰谷信号，可以对峰谷信号进行三点法雨流计数，得到电机转矩对应的雨流计数幅值和雨流计数值。可以对雨流计数幅值和雨流计数值进行冲击等效，基于车辆中冷却水温度和冷却水流量，确定功能组件对应的温度雨流计数幅值及雨流计数值；基于功能组件对应的温度雨流计数幅值及雨流计数值确定平均里程损伤值。其中，功能组件对应的温度雨流计数幅值又可以称为igbt理论结温温度雨流计数幅值。
[0059]
可选地，基于降采样数据的igbt累计计算模块可以通过车辆高压状态，提取车辆有效运行片段数据，得到第一运行数据，可以采第一运行数据中的电机扭矩信号(δtorque)，获取电机扭矩绝对值(δabstorque)后，经过载荷压缩，去掉波动噪声，获取峰谷信号值，通过三点法雨流计数，计算出δabstorque雨流量计数幅值(δabstorque
amp
)及相应的雨流计数值(n
δtorque
)。采用与边端同样的冲击等效的方法，根据δabstorque雨流量计数幅值、冷却水温度及冷却水流量，计算出相应的igbt理论结温温度雨流计数幅值(δt
amp
)，基于功能组件对应的温度雨流计数幅值及雨流计数值可以确定平均里程损伤值。
[0060]
可选地，可以通过以下公式确定igbt理论结温温度雨流计数幅值：
[0061]
δt
amp
＝k1*α*δabstorque
amp
+k2+β
′
[0062]nδt
＝n
δtorque
[0063]
其中，α和β’为冷却水流量修正系数，k1和k2为线性参数。
[0064]
在该实施例中，可以将云端igbt损伤分类模块中的损失高风险用户表中边端运行特性异常车辆表输入至关键车辆igbt精准损伤计算模块中。关键车辆igbt精准损伤计算模块可以提取高风险车辆及运行特性异常车辆的第一运行数据和第二运行数据，并根据车辆高压状态，提取车辆有效运行片段数据，获取第一运行数据或第二运行数据中的扭矩，可以先经过载荷压缩，去除峰谷信号值，去掉波动噪声，通过三点法雨流计数，计算出δabstorque雨流计数幅值及相应的雨流计数值，从而计算出实际igbt精准损伤值。
[0065]
作为一种可选的实施方式，基于功能组件对应的温度雨流计数幅值及雨流计数值确定平均里程损伤值，包括：通过多参数寿命模型，对功能组件对应的温度雨流计数幅值及雨流计数值进行计算，得到电机循环损伤值；基于功能组件对应的雨流计数值对电机循环损伤值进行功率循环计算，得到功能组件的等效损伤值；基于等效损伤值，确定平均里程损伤值。
[0066]
在该实施例中，可以通过多参数寿命模型，对功能组件对应的温度雨流计数幅值及雨流计数值进行计算，得到电机循环损伤值，可以基于功能组件对应的雨流计数值对电机循环损伤值进行功率循环计算，得到功能组件的等效损伤值；基于等效损伤值，确定平均里程损伤值。其中，电机循环损伤值可以用于衡量功能组件的工作寿命，可以用于表征功能组件在恒幅结温波动下运行到失效的总循环次数，可以用nf表示，又可以称为电机损坏损伤。等效损伤值可以用di表示。
[0067]
在该实施例中，通过多参数(coffin-manson，简称为cips)寿命模型对电机中功能组件的循环损伤进行计算，得到的结果可以很好的表征材料在周期性应力作用下发生疲劳及随疲劳程度增加而导致材料变形和断裂的过程。因此，考虑到功率循环实验中温度波动范围、最大结温、模块键合线直径(d)、直流端电流(i)、阻断电压(v)等因素，都会影响igbt模块寿命，因此，可以采用cips多参数寿命模型，对电机循环损伤值进行计算：
[0068][0069]
其中，a可以为修正系数；δtj是功能组件结温波动幅值；α1是待拟合幂指数，可以为功能组件供应商根据功能组件的寿命实验数据拟合得到的。
[0070]
可选地，可以基于功能组件对应的雨流计数值对电机循环损伤值进行功率循环计算，得到功能组件的等效损伤值。
[0071]
举例而言，可以选取单个有效行车片段，获取有效行车片段的第一运行数据中车辆的电机扭矩信号，去掉波动噪声，获取峰谷信号值。通过三点法雨流计数，计算出δabstorque雨流计数幅值及相应的雨流计数值，且计算获得等效的igbt温度雨流计数幅值δt
amp
及雨流计数值n
δt
，对功能组件对应的温度雨流计数幅值及雨流计数值进行功率循环计算，确定相应第i个有效行车片段igbt等效损伤值di。
[0072]
作为一种可选的实施方式，基于等效损伤值，确定平均里程损伤值，包括：确定车辆在一天中处于运行时刻的等效损伤值；确定处于运行时刻的等效损伤值之间的和与一天中的所有运行时刻；将等效损伤值之间的和与所有运行时刻二者之间的商，确定为平均里程损伤值。
[0073]
在该实施例中，可以确定车辆在一天中处于运行时刻的等效损伤值，确定处于运行时刻的等效损伤值之间的和与一天中的所有运行时刻，可以将等效损伤值之间的和与所
有运行时刻二者之间的商，确定为平均里程损伤值。其中，运行时刻可以为片段开始里程及结束里程之间的时间段，可以用δodometer表示，又可以称为有效运行片段。所有运行时刻又可以称为天行驶里程，可以用δodometer
dwd
表示。等效损伤值之间的和又可以称为天损伤值，可以用d
dwd
表示。
[0074]
可选地，通过功率循环模型可以确定，功能组件(igbt模块)的等效损伤值可以通过以下公式进行计算：
[0075][0076]
可选地，计算出igbt模块在本次有效运行片段中的累计损伤值，并针对车辆一天内多段有效运行片段(δodometer)进行损伤累计求和后，可以确定车辆日igbt平均里程损伤值(d
avg
)为等效损伤值之间的和与所有运行时刻(∑δodometer)二者之间的商，可以通过以下公式进行计算：
[0077][0078]
可以基于抽样数据进行全量用户的等效igbt累计损伤计算，通过电机转速及转矩扩维拟合出等效igbt结温温度，通过雨流计数，计算出igbt温升和计数值，并根据igbt损伤曲线，计算出igbt损伤值。
[0079]
举例而言，可以对原始10hz抽样的行车数据进行清洗处理，剔除无效数据、超限数据、控制数据及异常数据。车辆行驶的可视为多个有效的行车片段连续组成(也即，车辆在一天中会包含多个运行时刻)，一个有效行车片段(也即运行时刻)应选取高压状态信号需持续有效的片段，剔除高压状态信号无效的停车片段，在车辆行驶过程中，当高压状态置位1时，表示车辆进入行驶工况，此时t1～t4区间可以为一次有效行车片段，t4～t5区间由于高压状态位为0，记为无效片段，因此，t0～t1为无效片段，t5～t6为一次有效行车片段。
[0080]
可以选取单个有效行车片段，获取有效行车片段中车辆的电机扭矩信号，去掉波动噪声，获取峰谷信号值。通过三点法雨流计数，计算出δabstorque雨流计数幅值及相应的雨流计数值，且计算获得等效的igbt温度雨流计数幅值δt
amp
及雨流计数值n
δt
，基于温度雨流计数幅值及雨流计数值，确定相应第i个有效行车片段igbt等效损伤值di。通过片段开始里程及结束里程，即t1时刻的片段起始里程值odometer
start
，t4时刻的片段结束里程值odometer
end
计算得出片段有效行驶里程为δodometer＝odometer
end-odometer
start
。将车辆一天内所有有效行驶片段igbt等效损伤值di及δodometeri以车辆身份信息(identity document，简称为id)为主键进行聚合求和，得到功能组件(igbt)的天损伤值d
dwd
及天行驶里程δodometer
dwd
。可以将igbt天损伤值d
dwd
、天行驶里程δodometer
dwd
、日期、车辆id信息存入云端igbt损伤日表数据仓库中。可以将igbt天损伤值d
dwd
、天行驶里程δodometer
dwd
二者之间的商确定为平均里程损伤值。
[0081]
作为一种可选的实施方式，响应于目标车辆存在目标数量的目标平均损伤值大于里程损伤值阈值，向车端进行功能组件损伤异常报警。
[0082]
在该实施例中，当目标车辆存在多次目标平均损伤值大于里程损伤阈值时，可以向车端进行功能组件损伤异常报警。
[0083]
可选地，可以通过损伤异常报警模块，获取实际igbt精准损伤值，通过精准损伤值
与产品设计指标损伤安全阈值进行比较。比如，若车辆连续3天的日平均里程损伤均超过设计阈值，或累计6天超过设计阈值，则进行igbt损伤异常报警。
[0084]
在该实施例中，通过igbt累计损伤特征库，可以将损伤异常报警模块中复审判定为igbt损伤异常的车辆的运行日数据，转存至长期存储数据库，并标注为igbt损伤异常，用于igbt累计损伤异常工况聚类，形成特征库。
[0085]
可选地，该实施例对于百公里损伤超过预警介入阈值的异常车辆可以进行提前报警，并进行维护保养的提醒。
[0086]
作为一种可选的实施方式，第一运行数据至少包括功能组件的运行异常标志位，其中，运行异常标志位为车端基于功能组件的理论温度值和实际温度值确定的。
[0087]
在该实施例中，可以在车端先对功能组件进行测试，车端可以获取电机实际运行扭矩、冷却水流量、冷却水温度、igbt实际结温等参数，初步基于获取到的参数确定功能组件是否异常，如果功能组件为异常，则可以设置功能组件的运动异常标志位为异常，并将运行异常标志位和获取到的电机实际运行扭矩、冷却水流量、冷却水温度、igbt实际结温等参数作为第一运行数据传输至云端进行二次判断。
[0088]
在该实施例中，先在车端进行功能组件的初步判断，如果功能组件为异常状态，则可以将功能组件下发至云端，云端可以对异常车辆的降采样数据进行判断后，在通过全量采样的第二运行数据对功能组件进行复审，从而达到提高对功能组件判断的准确性。
[0089]
可选地，igbt运行特性异常边端标注模块可以用于对icbt存在异常特征指标的用户进行标注。
[0090]
可选地，通过台架标定或云端数据线性拟合，可以根据电机扭矩确定相应载荷条件下，igbt温度理论值。车端电机控制器在冷却条件正常的状态下，igbt模块的温度(t)与扭矩载荷(torque)成线性关系，因此可以通过下述公式计算igbt模块的温度：
[0091]
t＝k1*α*abs(torque)+k2+β
[0092]
其中，k1、k2为线性参数；α和β为冷却水流量修正系数，abs()为扭矩载荷绝对值。
[0093]
可选地，通过igbt温度理论值(又可以称为理论温度值)与igbt实际结温(又可以称为实际温度值)进行对比，当差值大于置信区间，并持续一定时间，边端执行系统中的边端电机控制器(可以简称为边端控制器)可以判定此时igbt模块的运行特性为异常，进行片段标注，确定此时运行异常标志位为1。
[0094]
在该实施例中，在车端可以对行驶工况下icbt结温异常升高的车辆，根据igbt的冷却情况，电机转速及转矩计算电机估算结温，与电机实际结温进行比较，对超过设定异常特征指标的用户进行信息标注。
[0095]
可选地，计算环境为车端边缘计算系统(边端执行系统)，该边缘计算系统包括但不限于电机控制单元、车载边端计算终端等，边端计算系统可以为电机控制单元(micro controller unit，简称为mcu)。可以在电机控制单元的软件程序中增加igbt异常识别及标注功能，具体为在边缘执行系统中，可以通过传感器信号采集电机转速、电机转矩、冷却水流量、冷却水温度、igbt实际结温信号等数据通过对电机转矩信号滤波处理，得到电机扭矩实际扭矩差值，基于电机扭矩实际扭矩差值可以，实时计算得到igbt理论温度值。通过igbt温度理论值与igbt实际结温进行对比，当igbt温度理论值与igbt实际结温之间的差大于20℃三维置信区间时，igbt运行异常计数值(count
igbtfault
)加1，当运行异常计数值大于异常
累计计数阈值(比如10)时，边端电机控制器则判定此时igbt模块的运行特性为异常，可以将igbt运行异常标志位置为1，否则异常标志位保持0的状态。需要说明的是，上述温度置信区间及异常累计计数阈值的大小仅为举例，根据实际应用中传感器精度及参数影响，可适当调整，此处不做具体限制。
[0096]
在该实施例中，损伤高风险用户及边缘标注igbt异常用户，形成igbt高损伤风险填表，定向选取高损伤风险天表用户全样数据，进行igbt精准损伤复审计算。
[0097]
举例而言，输入为云端igbt损伤分类模块输出的损伤高风险用户表及边端运行特性异常车辆表，提取高风险车辆及运行特性异常车辆的全量igbt结温数据，可以为10hz频率的igbt结温数据。根据车辆高压状态，提取车辆有效运行片段数据。
[0098]
针对全量igbt结温，可以先经过载荷压缩，去掉波动噪声，去除峰谷信号值，通过三点法雨流计数，计算出雨流计数幅值及相应的雨流计数值，基于雨流计数幅值及相应的雨流计数值计算出实际igbt精准损伤值。
[0099]
该实施例在云端，对功率组件性能进行多次验证，在云端先对降采样得到的第一运行数据进行验证，当确定功能组件的工作状态为目标预测状态(可疑状态)，再对进行全量采样得到的第二运行数据进行验证，从而实现了可以准确确定功率组件的工作状态的技术效果，解决了无法准确确定功率组件的工作状态的技术问题。
[0100]
实施例2
[0101]
下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
[0102]
目前，电动汽车核心动力总成电驱系统中，igbt作为核心功率器件，其主要作用为通过脉宽调制控制将直流电转换为交流电，从而驱动电机工作。在车辆运行过程中，igbt模块长时间工作过程中会产生热疲劳失效问题，尤其当igbt冷却回路出现堵塞、气泡等散热不良的情况，会急速加剧热失效发生，从而引起电驱系统严重故障，导致车辆无法输出哦动力，影响驾驶安全，因此，提早识别igbt热失效，保护用户行车安全具有重要意义。
[0103]
在一种实施例中，提出了一种电动汽车用igbt模块累计损伤度计算以及寿命预测方法，该方法通过行车的路面特征、igbt模块相关参数、风阻系数等行车数据，进行速度和结温关系拟合，形成igbt结温与汽车运行工况数据的关系，从而等效的计算出igbt损伤，这种方法使用的数据频率要求虽然不严格，但是需要经过试验或者算法训练才能得到拟合结果，同时由于没有考虑实际车辆的冷却液情况，输出的igbt损耗结果与实际偏差较大，因此，仍存在无法准确确定功能组件的性能的问题。
[0104]
在另一种实施例中，提出了一种电动汽车的igbt功率模块累计损伤度计算方法，图2是根据本发明实施例的一种功率模块累计损伤度计算的示意图，如图2所示，可以直接获取运行状态下igbt功率模块的结温数据，得到随机变幅载荷下的igbt结温-时间曲线，对曲线进行预处理，通过对结温数据进行峰谷取值，得到结温峰谷值时序，应用典型的雨流计数方法得到结温载荷谱，将载荷谱峰值及计数值带入功能组件寿命预测模型(比如，manson模型或arrhenius模型中)，得到多个温度循环周期对应的循环寿命(igbt损伤值)，通过疲劳累计损伤理论，得到随机变幅载荷下的igbt疲劳累计损伤度，用于对新能源汽车进行故障预警和安全监控，此种方法在igbt结温采样频率足够时，可以得到较为准确的igbt损伤值，但在实际应用中，此种算法需要较高的数据频率，针对上万台用户车辆采用此种方法，将会需要大量的云端存储及算力资源，对实际应用成本较高，因此，仍存在无法准确确定功
能组件的性能的问题。
[0105]
在另一种实施例中，还提出了一种基于失效物理的icbt模块可靠性分析，该方法通过根据igbt模块的实际尺寸建立有限元模型，得到热和应力的对应关系，通过不同温度点下的震动应力仿真，建立振动失效物理模型，但该方法无法准确的进行结温与失效损伤的仿真标定，因此，仍存在无法准确确定功能组件的性能的问题。
[0106]
针对上述情况，为解决igbt损伤计算云端资源消耗大，降采样计算又很难准确计算损伤的问题，导致法准确确定功能组件的性能的问题，本技术实施例发明了一种在实际端云融合的车用电机igbt在线损伤计算方法，该方法用采用端云融合的方法，利用合理的算力和存储资源，针对igbt损伤高风险车辆进行准确识别及损伤计算。
[0107]
在该实施例中，通过边端igbt运行特性异常标注及云端全量用户降采样伪损伤计算，进行igbt累计损伤高风险车辆识别，针对高风险车辆进行全量数据精准损伤计算，从而提前识别出损伤异常车辆，进行故障预警，以保障用户行车安全。
[0108]
可选地，该实施例利用车端计算资源进行igbt运行异常标注，可以解决降采样等效计算过程中，针对不符合理想数据的拟合趋势，比如，针对冷却异常造成的高损伤车辆的识别，以确保损伤计算准确度。同时，针对igbt结温全量数据下，上万台用户的云端计算资源消耗过大的问题，采用降采样高风险初步识别，形成端云融合的igbt高损伤风险车辆数据表，针对损伤超过安全阈值的用户进行精准损伤复审计算，从而确保基于igbt损伤的异常预警查准率和查全率，同时保证了寿命预测值精度，进而达到了准确确定功能组件的性能的技术效果。
[0109]
该实施例可以涉及电机端侧数据分级采样处理方法、运行异常特征识别及标注方法、igbt损伤计算策略，以及全量用户损伤分类和高风险用户报警处理方法，属于电驱系统设计、电驱嵌入式软件控制及大数据挖掘融合的技术实现。
[0110]
下面对本发明实施例进行进一步的介绍。
[0111]
在该实施例中，可以包括涉及边端igbt运行特性异常标注、电机数据采集、车云通信系统、云端降采样损伤计算、损伤分类、精准损伤计算及异常报警的系统几个方面。
[0112]
图3是根据本发明实施例的一种功率模块在线计算系统的示意图，如图3所示，该系统可以包括：边端执行系统301、车云通信系统302和云端计算系统303。其中，边端执行系统301包括：igbt运行特性异常边端标注模块3011和电机数据采集模块3012。车云通信系统302可以包括：车端数据路由系统、无线传输装置及云端接收系统等，可以用于将车辆的信号发送到云端服务器存储系统中。云端计算系统303可以包括：基于降采样数据的igbt累计损伤计算模块3031、igbt累计损伤分类模块3032、关键车辆igbt精准损伤计算模块3033、损伤异常报警模块3034、igbt累计损伤特征库3035，云端计算系统303可以基于云端计算资源进行igbt损伤精准计算及异常预警。
[0113]
在该实施例中，igbt运行特性异常边端标注模块3011可以用于对icbt存在异常特征指标的用户进行标注。
[0114]
可选地，通过台架标定或云端数据线性拟合，可以根据电机扭矩确定相应载荷条件下，igbt温度理论值。
[0115]
可选地，车端电机控制器在冷却条件正常的状态下，igbt模块的温度(t)与扭矩载荷(torque)成线性关系，线性关系可以为：
[0116]
t＝k1*α*abs(torque)+k2+β
[0117]
其中，k1、k2为线性参数；α和β为冷却水流量修正系数，abs()为扭矩载荷绝对值。
[0118]
在该实施例中，可以通过电机数据采集模块3012获取电机实际运行扭矩、冷却水流量、冷却水温度、igbt实际结温，通过igbt温度理论值与igbt实际结温进行对比，当差值大于置信区间，并持续一定时间，边端执行系统中的边端电机控制器(可以简称为边端控制器)可以判定此时igbt模块的运行特性为异常，进行片段标注。
[0119]
可选地，在降采样和全量采样两种数据频率下，边端控制器可以通过车云通信系统302将电机实际运行数据(比如，电机转速、电机转矩、冷却水流量、冷却水温度、igbt实际结温、车辆高压状态、运行里程信息等)传输至云端计算系统303，并存储在数据管理系统中。
[0120]
在该实施例中，基于降采样数据的igbt累计计算模块可以通过车辆高压状态，提取车辆有效运行片段数据，可以采用降采样中的电机扭矩信号，获取电机扭矩绝对值后，经过载荷压缩，去掉波动噪声，获取峰谷信号值，通过三点法雨流计数，计算出δabstorque雨流量计数幅值(δtorque
amp
)及相应的雨流计数值(n
δtorque
)。采用与边端同样的冲击等效的方法，根据δabstorque雨流量计数幅值、冷却水温度及冷却水流量，计算出相应的igbt理论结温温度雨流计数幅值(δt
amp
)。
[0121]
可选地，可以通过以下公式确定igbt理论结温温度雨流计数幅值：
[0122]
δt
amp
＝k1*α*δabstorque
amp
+k2+β
′
[0123]nδt
＝n
δtorque
[0124]
其中，β’为冷却水流量修正系数。
[0125]
在该实施例中，考虑到功率循环实验中温度波动范围、最大结温、模块键合线直径(d)、直流端电流(i)、阻断电压(v)等因素，都会影响igbt模块寿命，因此，可以采用cips多参数寿命模型，对电机循环损伤进行计算：
[0126][0127]
其中，a可以为修正系数；δtj是功能组件结温波动幅值；α1是待拟合幂指数，可以为功能组件供应商根据功能组件的寿命实验数据拟合得到的。
[0128]
在该实施例中，通过功率循环实验确定模型参数，igbt模块的损伤为：
[0129][0130]
计算出igbt模块在本次有效运行片段中的累计损伤值，并针对车辆一天内多段有效运行片段(δodometer)进行损伤累计求和后，可以确定车辆日igbt平均里程损伤值(d
avg
)为：
[0131][0132]
在该实施例中，igbt累计损伤分类模块3032可以对行驶里程超过50公里的车辆，进行平均里程损伤值d
avg
排序，平均里程损伤值大于90％车辆的平均里程损伤值的目标车辆为损伤高风险用户，针对日行驶里程不足50公里的车辆，将总损伤及行驶里程存入累计表中，当累计到行驶总行驶里程大于50公里时，则参与当天的损伤排序及高风险分类，对于损伤大于90％车辆增量标记至损伤高风险用户表中。
[0133]
在该实施例中，可以将云端igbt损伤分类模块中的损失高风险用户表中边端运行特性异常车辆表输入至关键车辆igbt精准损伤计算模块3033中。关键车辆igbt精准损伤计算模块3033可以提取高风险车辆及运行特性异常车辆的全量igbt结温数据，并根据车辆高压状态，提取车辆有效运行片段数据，针对全量igbt结温，可以先经过载荷压缩，去除峰谷信号值，去掉波动噪声，通过三点法雨流计数，计算出δabstorque雨流计数幅值及相应的雨流计数值，从而计算出实际igbt精准损伤值。
[0134]
在该实施例中，通过损伤异常报警模块3034，获取实际igbt精准损伤值，通过精准损伤值与产品设计指标损伤安全阈值进行比较。若车辆连续3天的日平均里程损伤均超过设计阈值，或累计6天超过设计阈值，则进行igbt损伤异常报警。
[0135]
在该实施例中，通过igbt累计损伤特征库3035，可以将损伤异常报警模块3034中复审判定为igbt损伤异常的车辆的运行日数据，转存至长期存储数据库，并标注为igbt损伤异常，用于igbt累计损伤异常工况聚类，形成特征库。
[0136]
需要说明的是，在本技术实施例中，系统的组成可以根据实际需要进行增加或者删除。
[0137]
图4是根据本发明实施例的一种功率模块在线计算方法的流程图，如图4所示，该方法可以包括以下步骤。
[0138]
步骤s401，对行驶工况下icbt结温异常升高的车辆，根据igbt的冷却情况，电机转速及转矩计算电机估算结温，与电机实际结温进行比较，超过设定异常特征指标的用户进行信息标注。
[0139]
在该实施例中，计算环境为车端边缘计算系统(边端执行系统)，该边缘计算系统包括但不限于电机控制单元、车载边端计算终端等，边端计算系统可以为电机控制单元(micro controller unit，简称为mcu)。
[0140]
可选地，可以在电机控制单元的软件程序中增加igbt异常识别及标注功能，具体为在边缘执行系统中，可以通过传感器信号采集电机转速、电机转矩、冷却水流量、冷却水温度、igbt实际结温信号等数据通过对电机转矩信号滤波处理，得到电机扭矩实际扭矩差值，基于电机扭矩实际扭矩差值可以，实时计算得到igbt理论温度值。通过igbt温度理论值与igbt实际结温进行对比，当igbt温度理论值与igbt实际结温之间的差大于20℃三维置信区间时，igbt运行异常计数值(count
igbtfault
)加1，当运行异常计数值大于异常累计计数阈值(比如10)时，边端电机控制器则判定此时igbt模块的运行特性为异常，可以将igbt运行异常标志位置为1，否则异常标志位保持0的状态。需要说明的是，上述温度置信区间及异常累计计数阈值的大小仅为举例，根据实际应用中传感器精度及参数影响，可适当调整，此处不做具体限制。
[0141]
步骤s402，对于电机运行集标注数据进行抽样及全样两种形式进行采集。
[0142]
在该实施例中，对于电机运行及标注数据，比如，转速、转矩、车速、温度、油门开度等信息，进行降采样(抽样)及全量采样(全样)两种形式采集。
[0143]
可选地，可以以0.1hz的采集频率进行抽样数据的采集，采集的抽样数据可以包括电机转速、转矩、车速、油门开度、高压状态、冷却水温度、冷却水流量信号、igbt运行异常标志位等数据，需要说明的是，在实际应用中可以适当提高抽样采集频率，igbt温度信号采集频率为可以为10hz，采样频率的大小可以根据实际使用情况进行调整，此处不做具体限制。
[0144]
步骤s403，通过车端云端通信，将采集到的数据上传至云端后台。
[0145]
在该实施例中，通过车云通信，可以将电机运行电机转速、转矩、车速、油门开度、高压状态、冷却水温度、冷却水流量信号、igbt运行异常标志位通过车内can总线、车云以太网传输至云端计算系统中。
[0146]
步骤s404，对采样到的数据进行计算，确定icbt损伤值。
[0147]
在该实施例中，可以基于抽样数据进行全量用户的等效igbt累计损伤计算，通过电机转速及转矩扩维拟合出等效igbt结温温度，通过雨流计数，计算出igbt温升和计数值，并根据igbt损伤曲线，计算出igbt损伤值。
[0148]
可选地，可以对原始10hz抽样的行车数据进行清洗处理，剔除无效数据、超限数据、控制数据及异常数据。图5是根据本技术实施例的一种行车片段的示意图，如图5所示，车辆行驶的可视为多个有效的行车片段连续组成，一个有效的行车片段应选取高压状态信号需持续有效的片段，剔除高压状态信号无效的停车片段，在车辆行驶过程中，当高压状态置位1时，表示车辆进入行驶工况，此时t1～t4区间可以为一次有效行车片段，t4～t5区间由于高压状态位为0，则记为无效片段，同理t0～t1为无效片段，t5～t6为一次有效行车片段。
[0149]
可以选取单个有效行车片段，获取有效行车片段中车辆的电机扭矩信号，去掉波动噪声，获取峰谷信号值。通过三点法雨流计数，计算出δabstorque雨流计数幅值及相应的雨流计数值，且计算获得等效的igbt温度雨流计数幅值δt
amp
及雨流计数值n
δt
，基于温度雨流计数幅值及雨流计数值，确定相应第i个有效行车片段igbt等效损伤值di。通过片段开始里程及结束里程，即图3所示t1时刻的片段起始里程值odometer
start
，t4时刻的片段结束里程值odometer
end
计算得出片段有效行驶里程δodometer＝odometer
end-odometer
start
。
[0150]
将车辆一天内所有有效行驶片段igbt等效损伤值di及δodometeri以车辆id为主键进行聚合求和，得到igbt天损伤值d
dwd
及天行驶里程δodometer
dwd
。可以将igbt天损伤值d
dwd
、天行驶里程δodometer
dwd
、日期、车辆id信息存入云端igbt损伤日表数据仓库中。
[0151]
步骤s405，基于平均里程损伤值对igbt等效损伤进行统计分析，选取损伤值在90％-100％区间的用户为损伤高风险用户。
[0152]
在该实施例中，针对日行驶里程超过50公里的车辆，进行平均里程损伤d
avg
排序，损伤值大于90％车辆的标记为损伤高风险用户，针对日行驶里程不足50公里的车辆，将总损伤及行驶里程存入累计表中，当累计到行驶总行驶里程大于50公里时，则参与当天的损伤排序及高风险分类，对于损伤大于90％车辆增量标记至损伤高风险用户表数据仓库中。
[0153]
步骤s406，定向选取高损伤风险用户全样数据，进行igbt精准损伤复审计算。
[0154]
在该实施例中，损伤高风险用户及边缘标注igbt异常用户，形成igbt高损伤风险填表，定向选取高损伤风险天表用户全样数据，进行igbt精准损伤复审计算。
[0155]
可选地，输入为云端igbt损伤分类模块输出的损伤高风险用户表及边端运行特性异常车辆表，提取高风险车辆及运行特性异常车辆的全量igbt结温数据，可以为10hz频率的igbt结温数据。根据车辆高压状态，提取车辆有效运行片段数据。
[0156]
针对全量igbt结温，可以先经过载荷压缩，去掉波动噪声，去除峰谷信号值，通过三点法雨流计数，计算出雨流计数幅值及相应的雨流计数值，基于雨流计数幅值及相应的雨流计数值计算出实际igbt精准损伤值。
[0157]
步骤s407，对于百公里损伤超过预警介入阈值的异常车辆进行提前报警，并进行
维护保养的提醒。
[0158]
在该实施例中，对于百公里损伤超过预警介入阈值的异常车辆进行提前报警，并进行维护保养的提醒。
[0159]
可选地，可以通过损伤异常报警模块，将实际igbt精准损伤值与产品设计指标损伤安全阈值进行比较，此处的产品安全阈值的选取可以为模块厂商设定的安全损伤值k，产品设计总里程，比如k＝0.7，产品设计的总里程目标值为50万公里，则igbt平均里程损伤阈值则为：
[0160][0161]
若车辆连续3天的日平均里程损伤均超过设计阈值1.4e-6
/公里，或累计6天超过设计阈值，则进行igbt损伤异常报警。
[0162]
步骤s408，提取高风险用户运行数据中的驾驶循环片段，并进行驾驶循环特征值提取，以形成igbt累计损伤特征库，用于设计仿真。
[0163]
在该实施例中，通过igbt累计损伤特征库，将复审判定为igbt损伤异常的车辆运行日数据，转存至长期存储数据库，并标注为igbt损伤异常，用于igbt累计损伤异常工况聚类，形成特征库。
[0164]
在本技术实施例中，利用车端融合的损伤计算架构，创新的引入车辆边端计算资源，针对igbt运行特性异常车辆进行初步识别，同时针对运行特性正常的车辆，通过抽样数据进行等效损伤计算，极大的节约了云端全量数据资源消耗大的难题。同时，提出了云端全量数据精准损伤复审计算方案，不单一依据抽样数据计算出的等效损伤进行预警，而是将边端特性异常车辆及抽样计算的等效损伤高的用户同时进行全量数据损伤复审，经过实际实践，边端进行特性异常报警的车辆，实际损伤复审后，igbt模块损伤往往较大，有效的弥补了单一等效损伤预警模型查准率及查全率低的问题，从而达到了提高对igbt状态判断的准确性的技术效果，解决了对igbt判断的准确性低的技术问题。
[0165]
需要说明的是，以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
[0166]
实施例3
[0167]
根据本发明实施例，还提供了一种车辆中功能组件的状态确定装置。需要说明的是，该车辆中功能组件的状态确定装置可以用于执行实施例1中的车辆中功能组件的状态确定方法。
[0168]
图6是根据本发明实施例的一种车辆中功能组件的状态确定装置的示意图。如图6所示，该车辆中功能组件的状态确定装置600可以包括：第一处理单元602、第一确定单元604、第二确定单元606、第二处理单元608和第三确定单元610。
[0169]
第一处理单元602，用于从车端获取至少一车辆在行驶状态下的第一运行数据，得
到至少一第一运行数据，其中，第一运行数据为通过对车辆的运行数据进行降采样而获取，且用于表征对应的车辆的运行状态。
[0170]
第一确定单元604，用于确定每个第一运行数据对应的平均里程损伤值，得到至少一平均里程损伤值，其中，平均里程损伤值用于表征对应的车辆的电机中功能组件的工作状态。
[0171]
第二确定单元606，用于基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定目标车辆的功能组件的工作状态，其中，目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态用于表征目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况。
[0172]
第二处理单元608，用于响应于工作状态为目标预测状态，获取目标车辆的第二运行数据，且确定第二运行数据对应的功能组件的目标平均损伤值，其中，第二运行数据通过对运行数据进行全量采样而获取，目标预测状态用于预测功能组件的工作状态为异常状态。
[0173]
第三确定单元610，用于响应于目标平均损伤值大于里程损伤值阈值，确定功能组件的工作状态为异常状态。
[0174]
在本发明实施例中，通过车辆中功能组件的状态确定装置，对功率组件性能进行多次验证，在云端先对降采样得到的第一运行数据进行验证，当确定功能组件的工作状态为目标预测状态(可疑状态)，再对进行全量采样得到的第二运行数据进行验证，从而实现了可以准确确定功率组件的工作状态的技术效果，解决了无法准确确定功率组件的工作状态的技术问题。
[0175]
实施例4
[0176]
根据本发明实施例，还提供了一种车辆中功能组件的状态确定系统。需要说明的是，该车辆中功能组件的状态确定系统可以用于执行实施例1中的车辆中功能组件的状态确定方法。
[0177]
图7是根据本发明实施例的一种车辆中功能组件的状态确定系统的示意图。如图7所示，该车辆中功能组件的状态确定系统700可以包括：至少一车端702、车云通信单元704和云端706。
[0178]
至少一车端702，用于获取至少一车辆在行驶状态下的第一运行数据，得到至少一第一运行数据，且用于获取至少一车辆中目标车辆的第二运行数据，其中，第一运行数据为通过对车辆的运行数据进行降采样而获取，且用于表征对应的车辆的运行状态，第二运行数据通过对运行数据进行全量采样而获取，目标预测状态用于预测功能组件的工作状态为异常状态。
[0179]
车云通信单元704，用于将至少一第一运行数据和第二运行数据从至少一车端传输至云端中。
[0180]
云端706，用于确定每个第一运行数据对应的平均里程损伤值，得到至少一平均里程损伤值，基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定至少一车辆中目标车辆的功能组件的工作状态；响应于工作状态为目标预测状态，获取目标车辆的第二运行数据，且确定全量运行数据对应的功能组件的目标平均损伤值；响应于目标平均损伤值大于里程损伤值阈值，确定功能组件的工作状态为异常状态，其中，
目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态用于表征目标车辆的平均里程损伤值在至少一平均里程损伤值中的排名情况。
[0181]
在该实施例中，通过车云通信单元704将至少一车端702中的第一运行数据和第二运行数据下发至云端中进行二次判断和复审，从而达到提高对功能组件的工作状态判断的准确性，且通过云车端的多端交互，避免了都在车端进行处理，导致数据处理效率低的问题。
[0182]
在本发明实施例中，通过车辆中功能组件的状态确定系统，对功率组件性能进行多次验证，在云端先对降采样得到的第一运行数据进行验证，当确定功能组件的工作状态为目标预测状态(可疑状态)，再对进行全量采样得到的第二运行数据进行验证，从而实现了可以准确确定功率组件的工作状态的技术效果，解决了无法准确确定功率组件的工作状态的技术问题。
[0183]
实施例5
[0184]
根据本发明实施例，还提供了一种计算机可读存储介质，该存储介质包括存储的程序，其中，所述程序执行实施例1中所述的车辆中功能组件的状态确定方法。
[0185]
实施例6
[0186]
根据本发明实施例，还提供了一种处理器，该处理器用于运行程序，其中，所述程序运行时执行实施例1中所述的车辆中功能组件的状态确定方法。
[0187]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0188]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0189]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0190]
所述确定为分离部件说明的单元可以是或者也可以不是物理上分开的，确定为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0191]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0192]
所述集成的单元如果以软件功能单元的形式实现并确定为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取
存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0193]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种车辆中功能组件的状态确定方法，其特征在于，应用于云端，包括：从车端获取至少一车辆在行驶状态下的第一运行数据，得到至少一所述第一运行数据，其中，所述第一运行数据为通过对所述车辆的运行数据进行降采样而获取，且用于表征对应的所述车辆的运行状态；确定每个所述第一运行数据对应的平均里程损伤值，得到至少一所述平均里程损伤值，其中，所述平均里程损伤值用于表征对应的所述车辆的电机中功能组件的工作状态；基于至少一所述车辆中目标车辆的所述平均里程损伤值在至少一所述平均里程损伤值中的状态，确定所述目标车辆的所述功能组件的工作状态，其中，所述目标车辆的所述平均里程损伤值在至少一所述平均里程损伤值中的状态用于表征所述目标车辆的所述平均里程损伤值在至少一所述平均里程损伤值中的排名情况；响应于所述工作状态为目标预测状态，获取所述目标车辆的第二运行数据，且确定所述第二运行数据对应的所述功能组件的目标平均损伤值，其中，所述第二运行数据通过对所述运行数据进行全量采样而获取，所述目标预测状态用于预测所述功能组件的所述工作状态为异常状态；响应于所述目标平均损伤值大于里程损伤值阈值，确定所述功能组件的工作状态为所述异常状态。2.根据权利要求1所述的方法，其特征在于，基于至少一所述车辆中目标车辆的所述平均里程损伤值在至少一所述平均里程损伤值中的状态，确定所述目标车辆中所述功能组件的工作状态，包括：响应于所述目标车辆的平均里程损伤值大于至少一所述车辆中目标数量的所述车辆的所述平均里程损伤值、且所述目标车辆的日行驶里程超过里程阈值，确定所述目标车辆中所述功能组件的工作状态为目标预测状态。3.根据权利要求1所述的方法，其特征在于，确定每个所述第一运行数据对应的平均里程损伤值，包括：对所述第一运行数据中的电机扭矩进行载荷压缩，且确定进行载荷压缩后的所述第一运行数据的波动噪声的峰谷信号；对所述峰谷信号进行三点法雨流计数，得到所述电机转矩对应的雨流计数幅值和雨流计数值；对所述雨流计数幅值和所述雨流计数值进行冲击等效，基于所述车辆中冷却水温度和冷却水流量，确定所述功能组件对应的温度雨流计数幅值及雨流计数值；基于所述功能组件对应的温度雨流计数幅值及雨流计数值确定所述平均里程损伤值。4.根据权利要求3所述的方法，其特征在于，基于所述功能组件对应的温度雨流计数幅值及雨流计数值确定所述平均里程损伤值，包括：通过多参数寿命模型，对所述功能组件对应的温度雨流计数幅值及雨流计数值进行计算，得到电机循环损伤值；基于所述功能组件对应的雨流计数值对所述电机循环损伤值进行功率循环计算，得到所述功能组件的等效损伤值；基于所述等效损伤值，确定所述平均里程损伤值。5.根据权利要求4所述的方法，其特征在于，基于所述等效损伤值，确定所述平均里程
损伤值，包括：确定所述车辆在一天中处于运行时刻的所述等效损伤值；确定处于运行时刻的所述等效损伤值之间的和与一天中的所有运行时刻；将所述等效损伤值之间的和与所述所有运行时刻二者之间的商，确定为所述平均里程损伤值。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：响应于所述目标车辆存在目标数量的目标平均损伤值大于所述里程损伤值阈值，向所述车端进行功能组件损伤异常报警。7.根据权利要求1所述的方法，其特征在于，所述第一运行数据至少包括功能组件的运行异常标志位，其中，所述运行异常标志位为所述车端基于所述功能组件的理论温度值和实际温度值确定的。8.一种车辆中功能组件的状态确定系统，其特征在于，包括：至少一车端，用于获取至少一车辆在行驶状态下的第一运行数据，得到至少一所述第一运行数据，且用于获取至少一所述车辆中目标车辆的第二运行数据，其中，所述第一运行数据为通过对所述车辆的运行数据进行降采样而获取，且用于表征对应的所述车辆的运行状态，所述第二运行数据通过对所述运行数据进行全量采样而获取，所述目标预测状态用于预测所述功能组件的工作状态为异常状态；车云通信单元，用于将所述至少一第一运行数据和所述第二运行数据从至少一所述车端传输至云端中；所述云端，用于确定每个所述第一运行数据对应的平均里程损伤值，得到至少一所述平均里程损伤值，基于至少一所述车辆中目标车辆的所述平均里程损伤值在至少一所述平均里程损伤值中的状态，确定所述至少一车辆中目标车辆的所述功能组件的工作状态；响应于所述工作状态为目标预测状态，获取所述目标车辆的第二运行数据，且确定所述全量运行数据对应的所述功能组件的目标平均损伤值；响应于所述目标平均损伤值大于里程损伤值阈值，确定所述功能组件的工作状态为异常状态，其中，所述目标车辆的所述平均里程损伤值在至少一所述平均里程损伤值中的状态用于表征所述目标车辆的所述平均里程损伤值在至少一所述平均里程损伤值中的排名情况。9.一种车辆中功能组件的状态确定装置，其特征在于，包括：第一处理单元，用于从车端获取至少一车辆在行驶状态下的第一运行数据，得到至少一所述第一运行数据，其中，所述第一运行数据为通过对所述车辆的运行数据进行降采样而获取，且用于表征对应的所述车辆的运行状态；第一确定单元，用于确定每个所述第一运行数据对应的平均里程损伤值，得到至少一所述平均里程损伤值，其中，所述平均里程损伤值用于表征对应的所述车辆的电机中功能组件的工作状态；第二确定单元，用于基于至少一所述车辆中目标车辆的所述平均里程损伤值在至少一所述平均里程损伤值中的状态，确定所述目标车辆的所述功能组件的工作状态，其中，所述目标车辆的所述平均里程损伤值在至少一所述平均里程损伤值中的状态用于表征所述目标车辆的所述平均里程损伤值在至少一所述平均里程损伤值中的排名情况；第二处理单元，用于响应于所述工作状态为目标预测状态，获取所述目标车辆的第二
运行数据，且确定所述第二运行数据对应的所述功能组件的目标平均损伤值，其中，所述第二运行数据通过对所述运行数据进行全量采样而获取，所述目标预测状态用于预测所述功能组件的工作状态为异常状态；第三确定单元，用于响应于所述目标平均损伤值大于里程损伤值阈值，确定所述功能组件的工作状态为所述异常状态。10.一种车辆，其特征在于，用于执行权利要求1至7中任意一项所述的方法。

技术总结
本发明公开了一种车辆中功能组件的状态确定方法、系统、装置和车辆。其中，该方法包括：从车端获取至少一车辆在行驶状态下的第一运行数据，得到至少一第一运行数据；确定每个第一运行数据对应的平均里程损伤值，得到至少一平均里程损伤值；基于至少一车辆中目标车辆的平均里程损伤值在至少一平均里程损伤值中的状态，确定目标车辆的功能组件的工作状态；响应于工作状态为目标预测状态，获取目标车辆的第二运行数据，且确定第二运行数据对应的功能组件的目标平均损伤值；响应于目标平均损伤值大于里程损伤值阈值，确定功能组件的工作状态为异常状态。本发明解决了无法准确确定功率组件的工作状态的技术问题。件的工作状态的技术问题。件的工作状态的技术问题。


技术研发人员：陈晓娇 王晓旭 郭璐璐 何巍 杨亮 彭淦 陈嘉华 柳子强
受保护的技术使用者：中国第一汽车股份有限公司
技术研发日：2023.06.25
技术公布日：2023/9/25