[发明专利]预测电动汽车制动压力的方法和设备

权利要求书

1.一种预测电动汽车制动压力的方法，其特征在于，所述方法，包括：

获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数；

基于所述制动压力和影响所述制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；

获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力。

2.根据权利要求1所述的方法，其特征在于，所述影响所述制动压力的参数，包括电动汽车的速度、电动汽车的速度平均值、电动汽车的速度标准差、电动汽车的加速度、电动汽车的加速度平均值、电动汽车的加速度标准差、电机转速、电机转矩、电池电流、电池电压、电池荷电状态、电池电流变化率和电池电压变化率中的至少一种参数。

3.根据权利要求2所述的方法，其特征在于，所述电动汽车的速度平均值为预估时刻之前的至少一个时刻的电动汽车的速度平均值，所述电动汽车的速度标准差为预估时刻之前的至少一个时刻的电动汽车的速度标准差。

4.根据权利要求2所述的方法，其特征在于，所述电动汽车的加速度平均值为预估时刻之前的至少一个时刻的电动汽车的加速度平均值，所述电动汽车的加速度标准差为预估时刻之前的至少一个时刻的电动汽车的加速度标准差。

5.根据权利要求1所述的方法，其特征在于，所述获取实验车辆在各个不同工况下制动主缸的制动压力和影响所述制动压力的参数，包括：

获取K个样本，每个样本包括同一时刻在所述实验车辆上采集到的制动主缸的制动压力与可能影响制动压力的参数；

将所述K个样本输入特征权重算法，输出每个可能影响制动压力的参数项所对应的权重；

根据所述权重，筛选出至少一个影响制动压力的参数项，从而将所述至少一个影响制动压力的参数项对应的参数作为影响所述制动压力的参数。

6.根据权利要求5所述的方法，其特征在于，所述至少一个影响制动压力的参数项，包括：电动汽车的速度标准差、电动汽车的加速度均值、电动汽车的加速度标准差、电动汽车的加速度、电池电压、电机转矩和电池荷电状态。

7.根据权利要求5所述的方法，其特征在于，所述获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数，包括：

以预设的采样频率采集所述实验车辆在各个工况下制动主缸的制动压力和可能影响所述制动压力的参数；

所述方法还包括：

对采集到的参数进行平滑处理和归一化处理。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述基于所述制动压力和影响所述制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型，包括：

在每次训练中，将预估时刻之前的至少一个时刻的制动压力和影响制动压力的参数作为非线性自回归动态神经网络模型的输入数据，以及预估时刻的制动压力作为非线性自回归动态神经网络模型的基准数据，基于列文伯格-马夸尔特算法反向传播训练所述非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型。

9.根据权利要求1所述的方法，其特征在于，所述获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力，包括：

获取所述电动汽车实际行驶中预估时刻前的至少一个时刻的制动压力和影响所述制动压力的参数；

将所述至少一个时刻的制动压力和影响所述制动压力的参数输入所述非线性自回归动态神经网络模型，输出预测的所述电动汽车中制动主缸的制动压力，其中，所述预估时刻为当前时刻的下一个进行参数采样的时刻。

10.一种预测电动汽车制动压力的设备，其特征在于，所述设备，被配置为：

采集模块，被配置为获取实验车辆在各个工况下制动主缸的制动压力和影响所述制动压力的参数；

训练模块，被配置为基于所述制动压力和影响所述制动压力的参数，训练非线性自回归动态神经网络模型，获得训练后的非线性自回归动态神经网络模型；

估测模块，被配置为获取电动汽车实际行驶中影响所述制动压力的参数，基于所述实际行驶中影响所述制动压力的参数，以及所述训练后的非线性自回归动态神经网络模型，预测所述电动汽车中制动主缸的制动压力。