车辆转向系统故障检测方法、装置和计算机设备

技术领域

本申请涉及车辆安全技术领域，特别是涉及一种车辆转向系统故障检测方法、装置和计算机设备。

背景技术

转向系统辅是车辆的一个重要执行机构，系统的准确响应对车辆和驾驶员的安全有着重要意义。为了方便各种辅助驾驶技术的实现，车辆的转向系统几乎均完成了线控改造。但是，相比传统的机械式转向系统，线控转向系统更容易出现各种故障，给车辆和乘客的安全带来隐患。故障检测技术就是通过设计合适的故障检测算法，以检测系统是否出现故障。

常用的故障检测算法可以分为基于数据和基于模型的方法，基于数据的方法是通过采集系统的相关数据，然后利用数据分析的方法判断系统是否出现故障；基于模型的方法是首先建立系统模型，然后基于模型设计状态观测器，最后通过观测的状态和测量状态间的误差判断系统是否发生故障。相比基于数据的故障检测方法，基于模型的方法没有数据采集的繁琐，也更容易应用于其他对象。

然而，传统基于模型的故障检测算法由于没有考虑模型和实际系统的误差，导致估计结果不准确，可能出现故障的误报和漏报，给实际使用带来较多的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够降低模型估计误差对状态观测器影响的车辆转向系统故障检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种车辆转向系统故障检测方法。该方法包括：

根据当前系统信息数据和当前系统输入对系统状态测量，获得当前测量输出结果和下一系统状态；

根据当前观测器信息数据和当前测量输出结果确定当前估计输出结果和下一观测器状态；

根据下一系统状态、下一观测器状态和当前系统信息数据进行估计误差判断，获得估计误差判断结果；

当估计误差判断结果处于估计误差阈值内，根据当前测量输出结果和当前估计输出结果进行故障评估，获得故障评估结果。

在其中一个实施例中，根据当前系统信息数据和当前系统输入对系统状态测量，获得当前测量输出结果和下一系统状态，包括：

根据当前信息系统数据中车辆信息数据和当前系统输入确定当前转向信息数据；

根据当前信息系统数据和当前转向信息数据进行状态计算，获得下一系统状态。

在其中一个实施例中，根据当前系统信息数据和当前系统输入对系统状态测量，获得当前测量输出结果和下一系统状态，还包括：

根据当前信息系统数据中车辆信息数据和当前车辆行驶数据确定当前系统数据；

根据当前系统数据和当前系统状态确定测量输出结果。

在其中一个实施例中，根据当前观测器信息数据和当前测量输出结果确定当前估计输出结果和下一观测器状态，包括：

根据预设神经网络模型和当前系统信息数据中车辆行驶数据确定当前模型估计误差；

根据当前模型估计误差、当前观测器信息数据和当前测量输出结果对观测器状态进行计算，获得下一观测器状态。

在其中一个实施例中，根据当前观测器状态和当前测量输出结果确定当前估计输出结果和下一观测器状态，还包括：

根据当前观测器状态和当前系统数据确定当前估计输出结果。

在其中一个实施例中，根据下一系统状态、下一观测器状态和当前系统信息数据进行估计误差判断，获得当前估计误差判断结果，包括：

根据下一系统状态、下一观测器状态和观测器信息数据确定下一观测误差；

根据下一观测误差和当前观测器信息数据中当前观测器增益数据确定预设神经网络模型的系统状态差值；

根据当前观测差误差、当前系统状态和当前观测器信息数据中当前观测器增益数据确定当前估计误差；

根据当前估计误差和系统状态差值进行估计误差判断，获得当前估计误差判断结果。

在其中一个实施例中，根据当前测量输出结果和当前估计输出结果进行故障评估，获得故障评估结果，包括：

根据估计误差确定评估指标；

根据当前测量输出结果和当前估计输出结果确定输出差值；

将输出差值与评估指标进行比较判断，获得故障评估结果。

第二方面，本申请还提供了一种车辆转向系统故障检测装置。该装置包括：

系统状态测量模块，用于根据当前系统信息数据和当前系统输入对系统状态测量，获得当前测量输出结果和下一系统状态；

系统状态估计模块，用于根据当前观测器信息数据和当前测量输出结果确定当前估计输出结果和下一观测器状态；

估计误差判断模块，用于根据下一系统状态、下一观测器状态和当前系统信息数据进行估计误差判断，获得估计误差判断结果；

系统故障评估模块，用于当估计误差判断结果处于估计误差阈值内，根据当前测量输出结果和当前估计输出结果进行故障评估，获得故障评估结果。

第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

根据当前系统信息数据和当前系统输入对系统状态测量，获得当前测量输出结果和下一系统状态；

根据当前观测器信息数据和当前测量输出结果确定当前估计输出结果和下一观测器状态；

根据下一系统状态、下一观测器状态和当前系统信息数据进行估计误差判断，获得估计误差判断结果；

当估计误差判断结果处于估计误差阈值内，根据当前测量输出结果和当前估计输出结果进行故障评估，获得故障评估结果。

第四方面，本申请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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

根据当前系统信息数据和当前系统输入对系统状态测量，获得当前测量输出结果和下一系统状态；

根据当前观测器信息数据和当前测量输出结果确定当前估计输出结果和下一观测器状态；

根据下一系统状态、下一观测器状态和当前系统信息数据进行估计误差判断，获得估计误差判断结果；

当估计误差判断结果处于估计误差阈值内，根据当前测量输出结果和当前估计输出结果进行故障评估，获得故障评估结果。

第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

根据当前系统信息数据和当前系统输入对系统状态测量，获得当前测量输出结果和下一系统状态；

根据当前观测器信息数据和当前测量输出结果确定当前估计输出结果和下一观测器状态；

根据下一系统状态、下一观测器状态和当前系统信息数据进行估计误差判断，获得估计误差判断结果；

当估计误差判断结果处于估计误差阈值内，根据当前测量输出结果和当前估计输出结果进行故障评估，获得故障评估结果。

上述车辆转向系统故障检测方法、装置、计算机设备、存储介质和计算机程序产品，在当前采样时刻时，根据车辆横向动力学构建模型，利用车辆当前时刻的当前系统信息数据如当前系统状态、当前系统输入和车辆信息等计算出当前测量输出结果和下一采样时刻的下一系统状态，在利用基于构建的模型设计的状态观测器和当前观测器信息数据如当前观测器状态等估计在当前状态下的当前估计输出结果和下一观测器状态，再利用计算得到的下一系统状态和下一观测器状态进行估计误差判断，通过将估计误差控制在估计误差阈值内进而降低对状态估计的影响，以及补偿基于神经网络构建的状态观测器的估计误差，实现提高对车辆状态的精确估计。

附图说明

图1为一个实施例中车辆转向系统故障检测方法的流程示意图；

图2为一个实施例中计算系统输出的流程示意图；

图3为一个实施例中估计系统输出的流程示意图；

图4为一个实施例中车辆简化模型的模型示意图；

图5为一个实施例中车辆转向系统故障检测装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种车辆转向系统故障检测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

步骤102，根据当前系统信息数据和当前系统输入对系统状态测量，获得当前测量输出结果和下一系统状态。

其中，当前系统信息数据包括车辆信息数据、当前车辆行驶数据和当前系统数据。

具体地，根据车辆的动力学分析，构建车辆横向公里学模型。由于车辆的两个前轮前进方向相同且车辆的两个后轮前进方向相同，则将两个前轮和两个后轮均合并为一个轮胎，即可构建成表征车辆横向动力学的自行车模型，如附图4所示。在当前采样时刻时，采集当前车辆的车辆行驶数据，基于车辆行驶数据和车辆信息数据可以计算获得车辆系统数据。

获取车辆的当前系统状态、车辆信息数据和当前系统输入计算获得下一系统状态，并且基于当前系统状态确定当前测量输出结果。

步骤104，根据当前观测器信息数据和当前测量输出结果确定当前估计输出结果和下一观测器状态。

其中，当前观测器信息数据包括当前观测器状态和当前观测器增益数据。

具体地，先确定当前采样时刻的当前观测器增益数据，利用当前观测器增益数据、当前观测器状态和当前测量输出结果计算获得当前估计输出结果，并且利用当前观测器增益数据、当前观测器状态、当前测量输出结果、当前模型估计误差和当前系统数据计算获得下一观测器状态。

步骤106，根据下一系统状态、下一观测器状态和当前系统信息数据进行估计误差判断，获得估计误差判断结果。

其中，估计误差判断结果包括估计误差判断结果处于估计误差阈值内和估计误差判断结果超出估计误差阈值。

具体地，利用下一系统状态和下一观测器状态计算获得系统的观测误差和估计误差，通过观测误差计算得到当前模型估计误差和当前模型实际误差，利用当前模型估计误差和当前模型实际误差的差值与当前估计误差进行比较，获得估计误差判断结果。

步骤108，当估计误差判断结果处于估计误差阈值内，根据当前测量输出结果和当前估计输出结果进行故障评估，获得故障评估结果。

其中，故障评估结果包括存在故障和无故障。

具体地，根据当前采样时刻的估计误差计算得到当前时刻的评估指数阈值，再利用当前测量输出结果和当前估计输出结果计算差值，利用差值和评估指数阈值比较得到故障评估结果。

上述车辆转向系统故障检测方法中，在当前采样时刻时，根据车辆横向动力学构建模型，利用车辆当前时刻的当前系统信息数据如当前系统状态、当前系统输入和车辆信息等计算出当前测量输出结果和下一采样时刻的下一系统状态，在利用基于构建的模型设计的状态观测器和当前观测器信息数据如当前观测器状态等估计在当前状态下的当前估计输出结果和下一观测器状态，再利用计算得到的下一系统状态和下一观测器状态进行估计误差判断，通过将估计误差控制在估计误差阈值内进而降低对状态估计的影响，以及补偿基于神经网络构建的状态观测器的估计误差，实现提高对车辆状态的精确估计。

在一个实施例中，如图2所示，根据当前系统信息数据和当前系统输入对系统状态测量，获得当前测量输出结果和下一系统状态，包括：

步骤202，根据当前信息系统数据中车辆信息数据和当前系统输入确定当前转向信息数据。

具体地，根据车辆的当前信息系统数据中车辆信息数据和当前系统输入计算得到当前转向信息数据。车辆信息数据和转向信息数据具体为m为车辆的总重量(kg)，I

步骤204，根据当前信息系统数据和当前转向信息数据进行状态计算，获得下一系统状态。

具体地，在当前采样时刻时，采集当前车辆的车辆行驶数据，基于车辆行驶数据和车辆信息数据可以计算获得车辆系统数据。获取车辆的当前系统状态、车辆信息数据和当前系统输入计算获得下一系统状态，具体计算方式为：

其中，x(k+1)为k+1时刻的系统状态，θ

且A、B、E为系统数据。

系统数据A、B、E的具体计算为：

根据车辆行驶数据确定行驶速度范围为[v

根据当前信息系统数据中车辆信息数据和当前车辆行驶数据确定当前系统数据；根据当前系统数据和当前系统状态确定测量输出结果。

基于计算下一系统状态的过程获得当前系统状态x(k)，则可以计算获得当前测量输出结果，具体计算为：

y(k)＝Cx(k)

其中，C为系统数据，具体为

在本实施例中，通过采集车辆在k时刻的车辆信息数据，通过简化的车辆模型，实现快速计算获得测量输出结果即实际的系统输出。

在一个实施例中，如图3所示，根据当前观测器信息数据和当前测量输出结果确定当前估计输出结果和下一观测器状态，包括：

步骤302，根据预设神经网络模型和当前系统信息数据中车辆行驶数据确定当前模型估计误差。

其中，当前系统信息数据包括车辆行驶数据和当前系统数据，当前观测器信息数据包括当前观测器状态和当前观测器增益数据。

具体地，预设神经网络模型构建过程为：

采集车辆数据建立神经网络模型，通过车辆上RTK(Real-time kinematic，实时动态)传感器和IMU(Inertial Measurement Unit，惯性测量单元)传感器采集足够多的实车纵向速度、横向速度和横摆角速度数据，然后计算模型误差，具体计算方式为：

d(k)＝(x

其中，x

利用预设神经网络模型和当前系统信息数据中车辆行驶数据计算得到当前模型估计误差。

步骤304，根据当前模型估计误差、当前观测器信息数据和当前测量输出结果对观测器状态进行计算，获得下一观测器状态。

具体地，得到当前观测器状态、当前模型估计误差和当前观测器增益数据后，计算得到下一观测器状态，计算方式为：

其中，z是观测器的状态，

根据当前观测器状态和当前系统数据确定当前估计输出结果。

具体地，利用当前观测器状态、当前测量输出结果、当前系统数据和当前观测器增益数据估计当前系统估计状态，具体计算方式为：

基于当前系统估计状态估计当前估计输出结果，具体方式为：

在本实施例中，通过利用神经网络模型、上一时刻的系统状态、当前时刻的模型输入以及车辆其他数据估计获得模型估计误差，能够降低模型估计误差对状态观测误差的影响。

在一个实施例中，根据下一系统状态、下一观测器状态和当前系统信息数据进行估计误差判断，获得当前估计误差判断结果，包括：

根据下一系统状态、下一观测器状态和观测器信息数据确定下一观测误差；根据下一观测误差和当前观测器信息数据中当前观测器增益数据确定预设神经网络模型的系统状态差值；根据当前观测差误差、当前系统状态和当前观测器信息数据中当前观测器增益数据确定当前估计误差；根据当前估计误差和系统状态差值进行估计误差判断，获得当前估计误差判断结果。

其中，估计误差判断结果包括符合估计误差要求和不符合估计误差要求。

具体地，计算观测误差ε和估计误差e的具体方式为：

其中，

在计算得到观测误差ε和估计误差e后，利用H∞性能指标，估计误差需要满足以下要求：

其中，υ为一个有界的标量。

在本实施例中，通过补偿神经网络估计的模型不确定性和H∞指标降低模型不确定性对状态估计的影响。

在一个实施例中，根据当前测量输出结果和当前估计输出结果进行故障评估，获得故障评估结果，包括：

根据估计误差确定评估指标；根据当前测量输出结果和当前估计输出结果确定输出差值；将输出差值与评估指标进行比较判断，获得故障评估结果。

具体地，根据模型估计误差计算评估指标，具体计算方式为：

其中，T为转向时间，k为第k个采样时刻，j为采样时刻的取值。

将计算获得的评估指标与评估指标阈值V

阈值的设置方式为向系统注入不同的故障，然后上述方法计算评估指标，得到存在故障时评估指标的最小值即是合适的阈值。

在本实施例中，通过工程经验进行设置评估指标阈值，提高了判断故障的精确性，避免了出现故障的误报和漏报。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的车辆转向系统故障检测方法的车辆转向系统故障检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车辆转向系统故障检测装置实施例中的具体限定可以参见上文中对于车辆转向系统故障检测方法的限定，在此不再赘述。

在一个实施例中，如图5所示，提供了一种车辆转向系统故障检测装置，包括：系统状态测量模块502、系统状态估计模块504、估计误差判断模块506和系统故障评估模块508，其中：

系统状态测量模块502，用于根据当前系统信息数据和当前系统输入对系统状态测量，获得当前测量输出结果和下一系统状态。

系统状态估计模块504，用于根据当前观测器信息数据和当前测量输出结果确定当前估计输出结果和下一观测器状态。

估计误差判断模块506，用于根据下一系统状态、下一观测器状态和当前系统信息数据进行估计误差判断，获得估计误差判断结果。

系统故障评估模块508，用于当估计误差判断结果处于估计误差阈值内，根据当前测量输出结果和当前估计输出结果进行故障评估，获得故障评估结果。

在一个实施例中，系统状态测量模块502，还用于根据当前信息系统数据中车辆信息数据和当前系统输入确定当前转向信息数据；根据当前信息系统数据和当前转向信息数据进行状态计算，获得下一系统状态。

在一个实施例中，系统状态测量模块502，还用于根据当前信息系统数据中车辆信息数据和当前车辆行驶数据确定当前系统数据；根据当前系统数据和当前系统状态确定测量输出结果。

在一个实施例中，系统状态估计模块504，还用于根据预设神经网络模型和当前系统信息数据中车辆行驶数据确定当前模型估计误差；根据当前模型估计误差、当前观测器信息数据和当前测量输出结果对观测器状态进行计算，获得下一观测器状态。

在一个实施例中，系统状态估计模块504，还用于根据当前观测器状态和当前系统数据确定当前估计输出结果。

在一个实施例中，估计误差判断模块506，还用于根据下一系统状态、下一观测器状态和观测器信息数据确定下一观测误差；根据下一观测误差和当前观测器信息数据中当前观测器增益数据确定预设神经网络模型的系统状态差值；根据当前观测差误差、当前系统状态和当前观测器信息数据中当前观测器增益数据确定当前估计误差；根据当前估计误差和系统状态差值进行估计误差判断，获得当前估计误差判断结果。

在一个实施例中，系统故障评估模块508，还用于根据估计误差确定评估指标；根据当前测量输出结果和当前估计输出结果确定输出差值；将输出差值与评估指标进行比较判断，获得故障评估结果。

上述车辆转向系统故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储测量输出结果和估计输出结果数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆转向系统故障检测方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。