摘要
随着汽车产业的不断发展，汽车尾气所带来的环境污染也不断严重起来，国家对清洁能源的使用也越来越重视。新能源汽车的使用无疑代表着一种未来的趋势，所以国家近些年对于新能源汽车行业颇为关注，新能源汽车的换充电设备也随之受到了国家的重视。换电作为一种新型的技术，为新能源汽车用户带来了快速补电的体验，为企业创造了巨大的收益。但是换电站的内部结构复杂，一旦某一个零部件出现问题，整个换电站将可能会出现停机的情况，这对于企业来说是不希望的。因此，换电站内零部件的智能运维显得格外重要。加解锁工具是换电站拆卸和安装电池包的重要工具，它的运行状态对换电站整体健康状态有着举足轻重的作用，因此加解锁工具的健康状态管理对企业具有重要意义。而换电站加解锁工具目前的研究很少，并且也存在故障特征频率未知、工况复杂等几方面的问题。为此，本研究针对换电站加解锁工具在工业上的研究意义与难点，面向加解锁工具展开了异常检测与退化趋势预测的研究，开发了换电站加解锁工具健康状态管理系统。 首先本文对换电站加解锁工具的基本结构与失效模式进行了分析，并由于考虑到扭矩信号可以直观反映加解锁工具完成加解锁的枪头动作，但是扭矩传感器的安装会造成动不平衡，故选择采集电流信号后转换为扭矩信号，并详细介绍了加解锁工具的电流信号采集过程。根据企业专家经验与换电站加解锁工具运行原理对加解锁工具的工况进行划分，使用工况划分后的结果以及实际换电过程对后续的研究数据进行了选择。 其次，本研究针对换电站加解锁工具的枪头系统异常检测问题，建立了基于判据融合的换电站加解锁工具异常检测模型。通过孤立森林方法对加解锁工具进行天维度的异常检测，该模型可以较好地识别时序中的异常枪头系统，但异常检测结果的可解释性不足；为了发现加解锁工具在工单维度的异常，通过K-means和控制图建立了工单维度的异常检测模型，该模型可以较好地对孤立森林方法进行一个补充，但是其本身存在误判；基于判据融合的异常检测方法将两种方法的结果进行了融合判断，使得模型具有更高的准确度，并同时具有较好的可解释性。 然后，本研究针对换电站加解锁工具的退化趋势预测问题，提出了基于长短时记忆（Long Short-Term Memory, LSTM）网络的退化趋势预测模型。通过设计单调性指标与趋势性指标加权组成的适合度作为特征选择的指标，并使用降维后的三维特征点在三维空间坐标系中代表各天加解锁工具枪头系统的运行状态，计算各三维空间点到第一天的三维空间点的欧式距离，以此作为健康指标对加解锁工具退化程度进行评估。并通过维纳滤波和数据分割对欧式距离数据进行了预处理以方便后续模型训练学习。此外，还设计了自适应大小的特征窗口，通过滑动窗口得到训练数据集。最后，将预测前时间点从信号采集第161天调整到第181天，利用LSTM模型得到一组预测结果，并通过利用时间序列上的权重划分，对结果进行了加权。此方法可以较为准确地提前发现加解锁工具的退化趋势，以为企业提前维护设备提供了依据。 最后，本文开发了一个换电站加解锁工具的健康状态管理系统，将换电站加解锁工具的异常检测方法和退化趋势预测方法嵌入至该系统。该系统实现了换电站加解锁工具的扭矩数据展示与可视化、特征数据展示与可视化、异常检测、退化趋势预测以及健康报告的生成，并通过了系统功能性和性能测试，为换电站加解锁工具的健康管理提供了应用前景。
NETL