本發(fā)明涉及電纜老化檢測，具體為一種新能源汽車充電電纜老化性能的測試方法及系統(tǒng)。

背景技術(shù)：

1、新能源汽車的快速發(fā)展推動了充電基礎(chǔ)設(shè)施的建設(shè)，其中充電電纜作為連接電源和車輛的關(guān)鍵組件，其性能和安全性尤為重要，為了確保充電電纜在各種極端環(huán)境條件下的可靠性和耐久性，對其進(jìn)行系統(tǒng)性的老化性能測試成為一個關(guān)鍵環(huán)節(jié)。

2、然而，目前在充電電纜老化性能測試方面，存在一些現(xiàn)狀缺點和不足之處，傳統(tǒng)的測試方法主要依賴于靜態(tài)和單一環(huán)境條件的測試，難以全面反映電纜在實際使用中的復(fù)雜應(yīng)力和環(huán)境變化，例如，僅在室溫條件下進(jìn)行的測試不能準(zhǔn)確預(yù)測電纜在高溫或低溫環(huán)境中的性能變化，同樣，高濕度和鹽水浸泡相關(guān)極端條件下的電纜老化行為也無法通過單一的實驗室測試得到全面評估，這些局限性導(dǎo)致現(xiàn)有測試方法無法提供充足的數(shù)據(jù)支持，影響了電纜設(shè)計和選材的優(yōu)化。

3、這些現(xiàn)狀和缺點主要由于傳統(tǒng)測試系統(tǒng)在環(huán)境條件模擬方面的精度不足，無法實現(xiàn)對多種極端環(huán)境條件的準(zhǔn)確模擬和控制，這種模擬精度不足帶來了一系列異常效果，例如測試結(jié)果的誤差較大，無法準(zhǔn)確預(yù)測電纜在實際使用中的老化行為；對環(huán)境應(yīng)力的響應(yīng)滯后，導(dǎo)致老化性能評估不準(zhǔn)確；以及測試重復(fù)性差，難以進(jìn)行可靠的對比分析，上述問題不僅增加了設(shè)計和制造過程中的不確定性，還可能導(dǎo)致電纜在實際應(yīng)用中的安全隱患。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種新能源汽車充電電纜老化性能的測試方法及系統(tǒng)，解決了背景技術(shù)中提到的問題。

2、為實現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實現(xiàn)：一種新能源汽車充電電纜老化性能的測試系統(tǒng)，包括環(huán)境采集模塊、數(shù)據(jù)處理模塊、性能測試模塊和評估模塊；

3、所述環(huán)境采集模塊通過對溫控設(shè)備、濕控設(shè)備和浸水設(shè)備預(yù)設(shè)的環(huán)境調(diào)節(jié)測試的電纜進(jìn)行實時采集環(huán)境測試數(shù)據(jù)，組成測試數(shù)據(jù)組；

4、所述數(shù)據(jù)處理模塊對測試數(shù)據(jù)組進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)準(zhǔn)化和特征提取，組成特征提取數(shù)據(jù)集x；

5、所述性能測試模塊對數(shù)據(jù)集x進(jìn)行建立多模型，包括建立隨機(jī)森林模型、梯度提升樹模型和深度神經(jīng)網(wǎng)絡(luò)模型，并對隨機(jī)森林的集成預(yù)測結(jié)果、決策樹的預(yù)測結(jié)果和深度神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，使用元模型進(jìn)行擬合預(yù)測，獲取stacking模型的預(yù)測結(jié)果；

6、所述評估模塊通過預(yù)設(shè)的電纜性能老化測試評估閾值l與stacking模型的預(yù)測結(jié)果進(jìn)行匹配，獲取電纜老化性能測試評估方案，并根據(jù)電纜老化性能測試評估方案內(nèi)容進(jìn)行具體展示和通知。

7、優(yōu)選的，所述環(huán)境采集模塊包括溫控單元、濕控單元和浸水單元；

8、所述溫控單元通過使用高精度溫控設(shè)備，包括環(huán)境箱和熱循環(huán)系統(tǒng)，控制電纜測試環(huán)境的溫度，進(jìn)而通過設(shè)備模擬出極端高溫和低溫環(huán)境狀態(tài)，并通過pid控制算法實時調(diào)節(jié)和維持溫度，確保溫度波動范圍在設(shè)定值的±0.1°c以內(nèi)；

9、所述濕控單元通過使用加濕器和除濕器設(shè)備，調(diào)節(jié)和控制測試電纜環(huán)境的濕度狀態(tài)，進(jìn)而通過設(shè)備模擬出特殊的電纜使用環(huán)境，包括雨天高濕度和熱天低濕度；

10、所述浸水單元通過使用浸水槽和液體循環(huán)設(shè)備，模擬電纜測試在不同液體中的浸泡條件，包括鹽水條件和酸堿水條件；

11、所述測試數(shù)據(jù)組通過記錄與電纜老化相關(guān)參數(shù)進(jìn)行構(gòu)建，包括電阻變化率、絕緣電阻、溫度、濕度、電流、浸水條件和機(jī)械應(yīng)力信息進(jìn)行組成。

12、優(yōu)選的，所述數(shù)據(jù)處理模塊包括預(yù)處理單元和提取單元；

13、所述預(yù)處理單元對測試數(shù)據(jù)組的數(shù)據(jù)信息進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗和數(shù)據(jù)標(biāo)準(zhǔn)化，包括溫度、濕度、浸水條件、電阻和絕緣電阻相關(guān)測試數(shù)據(jù)；

14、其中，數(shù)據(jù)清洗包括識別并刪除異常值、噪聲和填補(bǔ)缺失值；數(shù)據(jù)標(biāo)準(zhǔn)化包括將不同量綱的數(shù)據(jù)轉(zhuǎn)換到相同量綱，確保數(shù)據(jù)的一致性；

15、所述提取單元根據(jù)電纜老化性能相關(guān)參數(shù)進(jìn)行選擇相關(guān)參數(shù)的特征信息進(jìn)行提取，包括電阻變化率、絕緣電阻、溫度、濕度、電流、浸水條件和機(jī)械應(yīng)力，同步對提取的特征信息進(jìn)行計算，組成特征提取數(shù)據(jù)集x；

16、所述特征提取數(shù)據(jù)集x具體為x{，，t，h，i，w，f，，}，其中，表示電阻變化率，表示絕緣電阻值，t表示溫度值，h表示濕度值，i表示電流值，w表示浸水條件序列值，f表示機(jī)械應(yīng)力值，表示電阻變化率的波動值，表示絕緣電阻值的波動值。

17、優(yōu)選的，所述性能測試模塊包括建模單元和模型集成單元；

18、所述建模單元對特征提取數(shù)據(jù)集x進(jìn)行建立隨機(jī)森林模型，并通過選擇基尼不純度最小的特征提取數(shù)據(jù)集x的基尼不純度特征進(jìn)行分裂構(gòu)建決策樹模型，同時隨機(jī)森林通過集成多個決策樹的預(yù)測結(jié)果，提高模型的泛化能力和預(yù)測精度后獲取隨機(jī)森林的集成預(yù)測結(jié)果；使用特征提取數(shù)據(jù)集x進(jìn)行建立梯度提升樹模型，通過迭代訓(xùn)練多個決策樹來優(yōu)化殘差，通過殘差更新后獲取決策樹的預(yù)測結(jié)果；使用特征提取數(shù)據(jù)集x深度神經(jīng)網(wǎng)絡(luò)模型，通過前向傳播和反向傳播算法進(jìn)行訓(xùn)練，來逐步更新模型參數(shù)，最小化損失函數(shù)后獲取深度神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果；

19、所述模型集成單元通過使用stacking方法將隨機(jī)森林的集成預(yù)測結(jié)果、決策樹的預(yù)測結(jié)果和深度神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行集成，通過元模型進(jìn)行擬合預(yù)測，獲取stacking模型的預(yù)測結(jié)果。

20、優(yōu)選的，所述隨機(jī)森林的集成預(yù)測結(jié)果通過以下計算公式獲?。?/p>

21、；

22、式中，表示隨機(jī)森林的集成預(yù)測結(jié)果，表示決策樹數(shù)量，表示第t棵決策樹的預(yù)測結(jié)果；

23、所述第t棵決策樹的預(yù)測結(jié)果通過以下計算公式獲?。?/p>

24、；

25、式中，表示第t棵決策樹的預(yù)測函數(shù)，x表示特征提取數(shù)據(jù)集；

26、所述基尼不純度的分裂通過公式計算獲取，其中，表示特征提取數(shù)據(jù)集x的基尼不純度，k表示樣本類別數(shù)量，表示屬于第k類的樣本比例。

27、優(yōu)選的，所述殘差更新通過以下計算公式進(jìn)行優(yōu)化：

28、；

29、式中，表示第m次迭代的第i個樣本的殘差，表示第i個樣本的真實值，表示前m-1次迭代的模型輸入的特征提取數(shù)據(jù)集x的預(yù)測值，通過殘差更新計算公式表示當(dāng)前模型在第i個樣本上的預(yù)測誤差，并通過對殘差的擬合，對決策樹進(jìn)行修正模型的預(yù)測誤差；

30、所述決策樹的預(yù)測結(jié)果通過以下計算公式獲取：

31、；

32、式中，表示第m棵決策樹的預(yù)測結(jié)果，表示第m棵決策樹的預(yù)測函數(shù)，x表示特征提取數(shù)據(jù)集。

33、優(yōu)選的，所述深度神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果通過以下計算公式獲?。?/p>

34、；

35、式中，表示深度神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，表示深度神經(jīng)網(wǎng)絡(luò)的預(yù)測函數(shù)，x表示特征提取數(shù)據(jù)集。

36、優(yōu)選的，所述stacking模型的預(yù)測結(jié)果通過以下計算公式獲?。?/p>

37、；

38、式中，表示stacking模型的預(yù)測結(jié)果，g表示元模型，具體包括線性回歸和dnn，表示隨機(jī)森林的集成預(yù)測結(jié)果，表示決策樹的預(yù)測結(jié)果，表示深度神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果。

39、優(yōu)選的，所述評估模塊包括匹配單元和執(zhí)行單元；

40、所述匹配單元通過預(yù)設(shè)的相關(guān)信息與需要的對比值進(jìn)行匹配，包括通過預(yù)設(shè)的電纜性能老化測試評估閾值l與stacking模型的預(yù)測結(jié)果進(jìn)行匹配，獲取電纜老化性能測試評估方案；

41、所述電纜老化性能測試評估方案通過以下匹配方式獲?。?/p>

42、stacking模型的預(yù)測結(jié)果＜電纜性能老化測試評估閾值l，電纜性能老化測試評估合格；

43、stacking模型的預(yù)測結(jié)果＜電纜性能老化測試評估閾值l，電纜性能老化測試評估不合格；

44、所述執(zhí)行單元根據(jù)電纜老化性能測試評估方案內(nèi)容進(jìn)行具體展示和通知，展示包括儀表板展示、檢測報告生成和彈窗提醒，通知包括檢測報告郵件通知、短信通知和移動應(yīng)用通知。

45、一種新能源汽車充電電纜老化性能的測試方法，包括以下步驟：

46、步驟一：環(huán)境采集模塊通過對溫控設(shè)備、濕控設(shè)備和浸水設(shè)備預(yù)設(shè)的環(huán)境調(diào)節(jié)測試的電纜進(jìn)行實時采集環(huán)境測試數(shù)據(jù)，組成測試數(shù)據(jù)組；

47、步驟二：數(shù)據(jù)處理模塊對測試數(shù)據(jù)組進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)準(zhǔn)化和特征提取，組成特征提取數(shù)據(jù)集x；

48、步驟三：性能測試模塊對數(shù)據(jù)集x進(jìn)行建立多模型，包括建立隨機(jī)森林模型、梯度提升樹模型和深度神經(jīng)網(wǎng)絡(luò)模型，并對隨機(jī)森林的集成預(yù)測結(jié)果、決策樹的預(yù)測結(jié)果和深度神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，使用元模型進(jìn)行擬合預(yù)測，獲取stacking模型的預(yù)測結(jié)果；

49、步驟四：評估模塊通過預(yù)設(shè)的電纜性能老化測試評估閾值l與stacking模型的預(yù)測結(jié)果進(jìn)行匹配，獲取電纜老化性能測試評估方案，并根據(jù)電纜老化性能測試評估方案內(nèi)容進(jìn)行具體展示和通知。

50、本發(fā)明提供了一種新能源汽車充電電纜老化性能的測試方法及系統(tǒng)，具備以下有益效果：

51、（1）系統(tǒng)運行時，通過環(huán)境采集模塊、數(shù)據(jù)處理模塊、性能測試模塊和評估模塊的綜合運用，實現(xiàn)了對電纜老化性能的精確評估和預(yù)測，環(huán)境采集模塊實時收集溫控、濕控和浸水條件下的電纜測試數(shù)據(jù)，數(shù)據(jù)處理模塊對這些數(shù)據(jù)進(jìn)行清洗、標(biāo)準(zhǔn)化和特征提取，形成高質(zhì)量的特征數(shù)據(jù)集x。性能測試模塊利用隨機(jī)森林、梯度提升樹和深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行多模型預(yù)測，并通過元模型進(jìn)行擬合，獲取stacking模型的預(yù)測結(jié)果，與預(yù)設(shè)的評估閾值l進(jìn)行匹配，生成電纜老化性能測試評估方案，并通過多種展示和通知方式進(jìn)行傳達(dá)，解決了傳統(tǒng)方法響應(yīng)慢、預(yù)測精度低、適應(yīng)性差的問題，提供了更高的準(zhǔn)確性和可靠性，顯著提升了電纜老化性能測試的科學(xué)性和有效性，為電纜維護(hù)和管理提供了強(qiáng)有力的支持，確保了系統(tǒng)的安全性和穩(wěn)定性。

52、（2）通過利用特征提取數(shù)據(jù)集x分別構(gòu)建了隨機(jī)森林模型、梯度提升樹模型和深度神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行訓(xùn)練，再通過使用stacking方法將隨機(jī)森林的集成預(yù)測結(jié)果、決策樹的預(yù)測結(jié)果和深度神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行集成，使用元模型進(jìn)行擬合預(yù)測，獲取stacking模型的預(yù)測結(jié)果提高了模型的泛化能力和預(yù)測精度，還有效解決了單一模型在極端環(huán)境條件下可能出現(xiàn)的預(yù)測誤差問題。

53、（3）通過預(yù)設(shè)的電纜性能老化測試評估閾值l與stacking模型的預(yù)測結(jié)果進(jìn)行匹配，準(zhǔn)確判定電纜老化性能是否合格，同步獲取電纜老化性能測試評估方案，并生成詳細(xì)的電纜老化性能測試評估方案，當(dāng)評估結(jié)果不合格時，執(zhí)行單元通過多種方式進(jìn)行具體展示和通知，包括儀表板展示、檢測報告生成、彈窗提醒，以及通過郵件、短信和移動應(yīng)用進(jìn)行通知，這種多渠道、即時的反饋機(jī)制確保了相關(guān)人員能夠迅速獲得評估結(jié)果和建議，及時采取相應(yīng)措施。