基于深度学习的电动汽车故障报警判别模型

作     者：张丹凤 

作者单位：华东师范大学 

学位级别：硕士

导师姓名：陈小红

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0807[工学-动力工程及工程热物理] 0811[工学-控制科学与工程] 

主      题：电动汽车 故障判别 特征工程 深度学习 

摘      要：电动汽车作为汽车产业的重要组成部分,在过去几年内得到迅速发展。为了提高电动汽车的用车安全,国家部委要求企业制定特定的安全预警机制,建设远程监控平台,对车辆当前是否存在安全隐患进行实时远程报警监控。监控平台的报警准确率是保障车辆安全的重要指标。目前,车辆远程监控平台的异常报警功能使用阈值检测方法,采用多参数联合超限报警来提升报警准确率。然而针对阈值的超限报警依赖于检测信号的质量,由于驾驶环境的不可预测性,实际用车过程中产生的安全报警信号存在大量误报警。现行报警规则下,企业主要依赖人工故障排除法来判别各报警信号的真假。大量的误报警信号给工作人员造成了严重的工作负担,增加了企业的运营成本,也影响了用户的用车体验。同时,误报警的识别也影响了真实报警的处置时间,造成车辆安全隐患。针对以上问题,本文提出了基于深度学习的电动汽车故障报警判别模型。模型构建以车辆报警数据为切入点,分析监控平台存储的车辆历史行驶数据以及报警处置记录,采用卷积神经网络构建基础模型,通过大规模数据训练和参数优化调整,最终得到故障报警判别模型VA-VGG。将该模型集成到企业车辆监控平台,有效地甄别了假报警信号,节约了人力物力。本文主要完成了以下工作:首先,构建了用于模型训练和评估的数据集。研究了当前GB/T 32960国标法规要求的5项报警内容和61项国标数据采集项,分析报警业务,然后分析并设计了报警数据的数据流向结构,对相关数据进行属性分析,建立数据清洗规则,并使用Python3.7,Mongo DB,Standard Scaler开发相应的数据清洗工具进行数据预处理,并构建特征工程,生成2030个可用报警数据集,为后续的模型构建提供数据基础。其次,利用VGG模型优化构建了电动汽车故障报警判别模型VA-VGG。研究了Le Net-5、RNN、LSTM、Alex Net、Res Net和VGG 6种模型的基础原理,根据样本集、测试集训练模型并得出准确率表现,筛选出LSTM,Res Net、VGG三种基础模型进行进一步优化,最终选用VGG作为基础模型,生成电动汽车故障报警判别模型VA-VGG。实验结果表明,VA-VGG在样本集中对于真假报警识别的准确率可达81%。最后,将电动汽车故障报警识别模型VA-VGG部署集成在实际的工程应用中。在生产环境进行集成时,主要进行Python开发的报警模型与Java开发业务系统通过Vertex框架进行集成,包括接口逻辑之间的调用集成。在实际工业生产过程中,该报警判别模型为工作人员识别真假报警提供了支持,从人工报警识别实现了半自动化。在一定程度上确实帮助工作人员减轻了工作负担,也为企业节省了人力物力。