CN103632211B - 一种机动车故障预警和召回预测系统 - Google Patents
一种机动车故障预警和召回预测系统 Download PDFInfo
- Publication number
- CN103632211B CN103632211B CN201310656729.XA CN201310656729A CN103632211B CN 103632211 B CN103632211 B CN 103632211B CN 201310656729 A CN201310656729 A CN 201310656729A CN 103632211 B CN103632211 B CN 103632211B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- dtc
- fault
- same race
- failure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004891 communication Methods 0.000 claims abstract description 54
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 230000007547 defect Effects 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000002950 deficient Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 13
- 230000004888 barrier function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 208000031294 Upper limb fractures Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种机动车故障预警和召回预测系统，该系统包括车载端，其实时采集并存储当前机动车的故障码，并对故障码进行标准化转换，然后通过无线通信方式将标准化后的故障码发送出去；远程控制端，其接收并存储所述标准化后的故障码，得到故障码所代表的故障信息可能引起的关联故障，获取出现同种故障的同种车型机动车的召回概率，并将关联故障信息发送至出现故障的车辆以故障预警，将召回概率发送至同类型机动车以召回预测。本系统可实时获取机动车的故障信息，及时对出现故障的车辆进行故障预警，并且对机动车故障信息与对应于该故障信息的事故后果进行分析，制定同种车型机动车召回决策，从真正意义上实现了机动车召回预测。
Description
技术领域
本发明涉及智能交通领域，尤其涉及一种机动车故障预警与召回预测系统。
背景技术
汽车召回源自于美国的20世纪60年代中期，日本、英国、德国、法国、加拿大、澳大利亚、韩国等国家也随后实行了汽车召回制度。而中国直至2004年10月1日才发布《缺陷汽车召回管理规定》，从真正意思上迈开了中国汽车召回的脚步。由于起步晚的原因，在汽车故障预警与召回的技术上中国较国外发展得比较早的国家相对落后。
汽车缺陷越早发现所造成的损失就越小，尤其是在目前汽车的产量和保有量不断激增的时候，对汽车召回的预测将十分必要。然而在汽车召回的研究中，偏向于进行汽车召回的经济方面的影响研究。对汽车召回的预测方面的研究，国内外的学者开展了部分的工作。
使用美国克莱斯勒所有车型的4～5个月的三包维修记录可知克莱斯勒公司的MING-WEI LU汽车的行驶里程和汽车故障的关系，其中，汽车的行驶里程服从对数正态分布，而累计行驶里程服从正态分布，而汽车失效的发生时间服从威布尔分布。利用这些函数关系，可推出汽车的失效时间和汽车累计行驶里程具有一定的函数关系，因此可利用汽车的累积行驶里程来预测汽车的失效时间，从而可对汽车的可靠性预判，并对每公里段的危险率进行预测。
中国国家质检总局缺陷管理中心提出了另外一种故障预测方法。该方法利用汽车的40个月的售后服务数据，建立了下摆臂断裂故障的灰色预测模型。在对汽车零部件按时间或里程失效建立灰色模型后利用最小二乘法原理，求解灰色模型的系数，由此来预测汽车部件危险发生的概率。
然而在这些预测模型中所使用的汽车维修记录数据都来自于汽车厂商或者汽车4S店，商业保密性使得汽车厂商不可能把这些数据跟他人分享，因此获取这些数据不太容易，获取比较全面的汽车失效或者故障数据就更加不现实，即使是汽车厂商也需依赖汽车使用者的专业知识等条件。
因此，亟需一种可以对机动车故障进行实时报警以及针对机动车故障而对该类型机动车进行召回预测的系统。
发明内容
本发明所要解决的技术问题之一是需要提供一种机动车故障预警和召回预测系统，其可以实时采集故障信息，及时向发生故障的机动车进行预警，并计算出现同种故障的同种车型的召回概率等级，以进行召回预测。
为了解决上述技术问题，本发明提供了一种机动车故障预警和召回预测系统，包括：车载端，其实时采集并存储当前机动车的故障码，并对所述故障码进行标准化转换，然后通过无线通信方式将标准化后的故障码发送出去；远程控制端，其接收并存储所述标准化后的故障码，解析所述标准化后的故障码所代表的故障信息，分析该故障信息得到可能引起的关联故障，获取出现同种故障的同种车型机动车的召回概率，并将有关所述关联故障的预警信息发送至该发生故障的机动车的车载端以进行故障预警，将所述召回概率发送至所述出现同种故障的同种车型机动车的车载端以进行召回预测。
在一个实施例中，所述车载端包括车载计算机、USB-CAN转换器、OBD接口以及车载无线通信平台，所述车载计算机通过USB-CAN转换器和OBD接口实时采集当前机动车的故障码，并基于标准化机动车故障码对所述故障码进行标准化，然后通过所述车载无线通信平台将标准化后的故障码发送出去，其中，所述标准化机动车故障码包括由设定位数的字母表示的故障总成以及由设定位数的数字表示的具体故障。
在一个实施例中，所述车载端的车载计算机还采集所述故障码的获取时间与该发生故障的机动车信息，并通过车载无线通信平台发送至所述远程控制端，所述故障车信息包括该发生故障的机动车的车型。
在一个实施例中，所述远程控制端包括数据库、应用单元以及无线通信平台，所述无线通信平台用来与所述车载无线通信平台通信，进而实时接收来自所述车载端发送的信息；所述数据库用来存储所述车载端发送的信息；所述应用单元包括故障预测模块，该模块通过可学习的专家系统，利用抽象出的专家知识库对获取的故障码所代表的故障信息进行分析得出可能引起的关联故障。
在一个实施例中，所述故障预测模块进一步使用离线专家讨论与专家诊断对所述故障信息进行分析，并将所得到的分析结果反馈至所述专家知识库，从而完善所述专家知识库。
在一个实施例中，所述应用单元进一步包括召回预测模块，该模块基于从所述数据库中获取同种车型的故障信息、同种车型中出现同种故障的机动车数量以及同种车型因同种故障而出现事故的事故信息来建立机动车召回概率预测模型，进而得到该种车型的召回概率等级，最后通过所述无线通信平台将该种车型的召回概率等级发送至该车型中所有运行的车载端的车载通信平台，进行召回预测。
在一个实施例中，所述召回预测模块进一步用于：利用logistic回归分析方法来分析召回概率等级与潜在事故风险等级和事故后果风险等级的关系；利用事故风险的评估方法，基于同种车型的故障信息和同种车型中出现同种故障的机动车数量建立输出为潜在事故风险等级的潜在事故风险预测模型，以及基于同种车型因同种故障而出现事故的事故信息来建立输出为事故后果风险等级的事故后果风险预测模型；利用模糊神经网络算法，建立以潜在事故风险等级和事故后果风险等级为双输入、召回概率等级为单输出的机动车召回概率预测模型。
在一个实施例中，所述故障预测模块采用故障树法对所获取的故障码进行分析以得到该故障码所代表的故障信息。
在一个实施例中，所述车载计算机采用中断的方式触发所述车载无线通信平台的事件发送机制。
在一个实施例中，所述车载计算机进一步将所标准化的故障码封装成数据包进行发送。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
本发明直接从运行中的机动车中实时获取机动车的故障信息，数据直接可靠，解决了数据收集困难的问题，可以采集到全面且及时的机动车故障信息；所建立的召回预测模型对同种车型的机动车实时运行状况中的机动车故障信息与对应于该故障信息的事故后果进行分析，挖掘出可能的机动车缺陷，并制定同种车型机动车召回决策，从真正意义上实现了机动车召回预测。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1是根据本发明一实施例的机动车故障预警和召回预测系统的框图；
图2是根据本发明一示例的汽车故障信息采集接口连接示意图；
图3是根据本发明一示例的标准化汽车故障码的示意图；
图4是根据本发明一实施例的故障码标准化转换的示意图；
图5是根据本发明一实施例的基于可学习的专家系统的汽车故障分析系统的示意图；
图6(a)是根据本发明一实施例的潜在事故风险预测模型的示意图；
图6(b)是根据本发明一实施例的事故后果风险预测模型的示意图；
图6(c)是根据本发明一实施例的汽车召回概率预测模型的示意图；
图7是根据本发明一示例的机动车故障预警和召回预测系统的整体框架图；
图8是根据本发明一示例的机动车故障预警和召回预测系统的形象化示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进一步地详细说明。
本实施例以车路协同系统中的各种品牌的汽车为研究对象，通过机动车故障预警和召回预测系统对汽车进行实时故障采集与故障预警，并出现故障的汽车进行召回预测。容易理解，本发明并不局限于对出现故障的汽车进行预警和召回，同时也适用于其他机动车辆。
图1是根据本发明一实施例的机动车故障预警和召回预测系统的框图。如图1所示，本实施例的机动车故障预警和召回预测系统包括车载端1和远程控制端(也可称控制中心)2。
其中，车载端1用于实时采集并存储当前汽车的故障码，并对该故障码进行标准化转换，然后通过无线通信方式将标准化后的故障码发送出去。车载端1进一步包括车载计算机11、USB-CAN转换器12、OBD接口(即国际标准汽车通信接口)13以及车载无线通信平台14。
如图2所示的汽车故障信息采集接口连接示意图，车载计算机11通过USB-CAN转换器12和OBD接口13(未示出)从CAN总线中实时采集当前汽车的故障码。在一个示例中，USB-CAN转换器12可以使用千目公司的USB-CAN-A2或USB-CAN-B1。
需要说明的是，在工程实际中，不同的汽车车型往往使用不同的CAN协议，这造成CAN总线上输出的汽车的故障码各异，需要根据所给的CAN协议才能正确解读。因此，进一步地，在采集到汽车的故障码后，车载计算机11基于标准化机动车故障码对该故障码进行标准化转换，然后通过车载无线通信平台14将标准化后的故障码发送出去。该标准化汽车故障码为针对使用不同CAN协议的汽车车型的不同故障码而制定的统一故障码。
具体地说，汽车故障码的标准化综合考虑国内外汽车缺陷所在总成的分类，参照基于层次聚类算法对缺陷产品分类的结果以及目前现行各个汽车厂商的OBD故障诊断仪的故障码的形式，形成一套标准化的汽车故障码。在一个示例中，该故障码具体形式可如图3所示，其包括由设定位数的字母表示的故障总成以及由设定位数的数字表示的具体故障。比如“Ee”为发动机和冷却系统(ENGINE AND ENGINE COOLING)故障总成，“137”为1号爆震感知器故障。更多故障总成的字母表示请参考表1。
表1
图4示出的是故障码标准化转换示意图。如图4所示，车辆故障码的标准化通过数据库的关联检索完成。汽车故障码转化数据库由车型库表、CAN协议表、故障码翻译库表和标准故障码库表四个表组成。其中，故障码翻译库进行了汽车的故障码和标准化码的转化，具体地，利用所建立的汽车的缺陷部件+具体的故障码的标准形式和不同协议的具体的故障码进行一一对应，定位具体的故障码就可以找到所对应的标准故障码。车型库表是获取汽车的车型所对应的车型代码，在CAN协议表中，根据车型代码确定汽车的故障代码和故障的名称。经过故障码翻译以后，就得到了标准的故障码以及故障的描述信息。
值得注意的是，车载计算机11在采集汽车故障码的同时还采集该故障码的获取时间与该发生故障的汽车信息，比如发生该故障的汽车的车型等相关信息，并将上述信息通过车载无线通信平台14发送至远程控制端2。
在车载计算机11向远程控制端2发送信息前，可以将所得到的标准故障码封装成数据包，以便于远程控制端2识别该信息。此外，本系统采用中断的方式触发车载无线通信平台14的事件发送机制。
车载无线通信平台14通过车路协同系统的3G通信网络与远程控制端2端实现互联，将标准故障码、故障码的获取时间、发生该故障的汽车信息等发送到远程控制端2进行存储分析。
3G无线通信方式使得汽车与远程接收端的通信不再受限于自组织网络的传输距离的限制，可以实现几公里，乃至整个城市、整个中国的信息传输。并且3G无线通信方式成熟，网络的通信质量相当稳定，保证了信息传输的可靠性和稳定性，同时由于3G通信网络的普遍性，系统的运营成本也较自组织无线网络大大降低了。
总体来说，远程控制端2接收并存储车载无线通信平台14发送的标准化后的故障码，解析该故障码所代表的故障信息，分析该故障信息得到可能引起的关联故障，获取出现同种故障的同种车型机动车的召回概率，并将有关该关联故障的预警信息发送至该发生故障的机动车的车载端1以进行故障预警，将该召回概率发送至出现同种故障的同种车型机动车的车载端1以进行召回预测。
从图1可以看出，远程控制端2进一步包括：数据库21、应用单元22以及无线通信平台23。其中，无线通信平台23用来与车载无线通信平台14通信，进而实时接收来自车载端1发送的信息。数据库21存储无线通信平台23接收的由车载端1发送的信息和从车路系统中导入的车辆事故信息。应用单元22对数据库21中所存储的信息进行处理，并将处理结果通过无线通信平台23返回至车载端1。
具体地，应用单元22包括故障预测模块22a与召回预测模块22b，下面对这两个模块进行详细说明。
故障预测模块22a通过可学习的专家系统，利用抽象出的专家知识库对获取的故障码所代表的故障信息进行分析得出可能引起的关联故障。
更具体地，故障预测模块22a采用故障树分析法先对该故障码所代表的故障信息进行分析，比如该故障码代表可能出现的故障等，然后，其再将故障信息输入至可学习的专家系统。
图5为本实施例的基于可学习的专家系统的汽车故障分析系统的示意图。在获取准确的故障信息后，故障预测模块22a通过可学习的专家系统，利用抽象出的专家知识库对获取的故障码所代表的故障信息进行分析得出可能引起的关联故障。
具体来说，可学习的专家系统的输入为n种故障码对应的n中故障信息，并且优选地，故障预测模块22a进一步使用离线专家讨论与专家诊断对该故障信息进行分析，并将所得到的分析结果反馈至专家知识库，从而丰富专家数据库。此外，无线通信平台23将故障预测模块22a分析出来的故障信息实时返还至该故障汽车的车载端1，警示潜在的故障信息。
对于召回预测模块22b而言，其基于从数据库21中获取同种车型的故障信息、同种车型中出现同种故障的汽车数量以及同种车型因同种故障而出现事故的事故信息来建立汽车召回概率预测模型，进而得到该种车型的召回概率等级，最后通过无线通信平台23将该种车型的召回概率等级发送至该车型中所有运行的车载端1的车载通信平台14，进行召回预警。
更近一步，召回预测模块22b利用logistic回归分析方法来确定召回的发生与潜在事故风险和事故后果风险相关因素的关联关系，并利用事故风险的评估方法，基于同种车型的故障信息和同种车型中出现同种故障的汽车数量建立输出为潜在事故风险等级的潜在事故风险预测模型，以及基于同种车型因同种故障而出现事故的事故信息来建立输出为事故后果风险等级的事故后果风险预测模型。
具体地，图6(a)所示的是基于出现同种故障的汽车数量Nr以及该故障严重度级别S而建立的潜在事故风险等级预测模型。该事故风险等级预测模型的输出为潜在事故风险等级X1。
图6(b)所示的是基于车路协同系统中由于同种故障而出现事故的事故信息而建立的事故后果风险预测模型。这里所说的事故信息不仅包括汽车事故类型，如汽车碰撞Na以及汽车失火Nf，也包括事故后果，如受伤人数Ni以及死亡人数Nd。最后事故后果风险预测模型输出事故后果风险等级X2。
召回预测模块22b进一步包括利用模糊神经网络算法建立的以潜在事故风险等级和事故后果风险等级为双输入、召回概率等级为单输出的汽车召回概率预测模型。
图6(c)所示的是汽车召回概率预测模型。如图6(c)所示，该模型以潜在事故风险等级X1以及事故后果风险等级X2为双输入，最终以汽车召回概率等级Y为单输出，对汽车召回概率进行预测。优选地，召回预测模块22b在模糊神经网络算法基础上利用logistic回归所得到的模糊规则最终得到汽车召回概率等级Y。
汽车召回概率预测模型是基于模糊神经网络得到的，该模型包括输入层、模糊化层、规则层以及去模块化层。
最后，无线通信平台23将汽车召回概率等级Y返回至该车型所有运行的车载端1的车载通信平台14，并针对不同的汽车召回概率等级对同一车型所有运行的汽车警示相应的信息。
以汽车的加速系统故障为例，当缺陷汽车的数量达到70，严重性为B级(不再赘述如何判断严重性等级)，汽车碰撞次数为8时，汽车潜在事故风险等级为B级，汽车事故后果风险等级为B级，则汽车召回概率为B级，此时在车载端提示：“召回概率为B级，请注意交通安全，小心驾驶，关注汽车召回信息，尽快与汽车厂商联系！”同时在相关的缺陷车上提示：“汽车加速系统故障，可能存在加速踏板卡滞或汽车加速器故障，请尽快与4S店联系！注意驾驶安全！”
示例
为了进一步理解本发明，下面结合图7和图8对一示例进行说明。
图7是根据本发明一示例的机动车故障预警和召回预测系统的整体框架图，图8为一示例中机动车故障预警和召回预测系统的形象化示意图。
如图8所示，车载端(图8左侧处)由车辆和车载计算机组成。从图7中可以看出，车载计算机直接与车辆的CAN总线通信以进行车辆故障信息的读取，并将所读取的车辆故障信息转换为标准故障码。CAN总线是汽车上高速运行的通信总线，汽车上所有的控制器都通过CAN总线连接。通过CAN总线进行信息的传输有利于对汽车进行智能控制，一旦某一部件出现故障，该故障信息也将反应在CAN总线上，因此，只需获取CAN故障信息就可以了解汽车的故障状况。车载端通过与车载计算机连接的通信接口将转换得到标准故障码经过无线3G网络实时发送至控制中心。
在控制中心端(图8右侧处)，控制中心的计算机通过通信服务器接收车载端发来的故障信息，把故障信息存储到数据库服务器中以进行数据统计分析，并将经过汽车故障预测模块和汽车召回预测模型运算之后得到汽车故障预警信息和汽车召回预测信息发送到WEB应用服务器，进而发送到远端的车载计算机上。
在本示例中，车载计算机和控制中心通过车路协同系统的通信平台完成信息的无线通信。在本示例所依托的车路协同系统中，车路协同共有三种通信模式：DSRC、Wifi和3G。本示例应用其中的无线通信模式3G模式建立车载平台和控制中心的事件响应式的通信方式，车载端将获取到的故障信息发送到控制中心端，控制中心再把处理完的故障信息回传到故障车辆上，进而车载计算机显示故障预警信息或召回预测信息。
综上所述，本实施例通过实时采集与发送汽车故障信息，并对汽车故障信息进行在线分析，可以对车路协同系统中汽车的运行状态进行实时监控、对汽车故障进行实时报警，极大提高了汽车安全性能，保证了驾驶员的生命财产安全；此外，本实施例利用模糊神经网络预测汽车召回的概率，提供召回预测信息，从而为执行汽车召回的决策提供依据。
以上所述，仅为本发明的具体实施案例，本发明的保护范围并不局限于此，任何熟悉本技术的技术人员在本发明所述的技术规范内，对本发明的修改或替换，都应在本发明的保护范围之内。
Claims (6)
1.一种机动车故障预警和召回预测系统，包括：
车载端，其实时采集并存储当前机动车的故障码，并对所述故障码进行标准化转换，然后通过无线通信方式将标准化后的故障码发送出去；
远程控制端，其接收并存储所述标准化后的故障码，解析所述标准化后的故障码所代表的故障信息，分析该故障信息得到可能引起的关联故障，获取出现同种故障的同种车型机动车的召回概率，并将有关所述关联故障的预警信息发送至该发生故障的机动车的车载端以进行故障预警，将所述召回概率发送至所述出现同种故障的同种车型机动车的车载端以进行召回预测；
所述车载端包括车载计算机、USB-CAN转换器、OBD接口以及车载无线通信平台，
所述车载计算机通过USB-CAN转换器和OBD接口实时采集当前机动车的故障码，并基于标准化机动车故障码对所述故障码进行标准化，然后通过所述车载无线通信平台将标准化后的故障码发送出去，其中，所述标准化机动车故障码包括由设定位数的字母表示的故障总成以及由设定位数的数字表示的具体故障；
所述远程控制端包括数据库、应用单元以及无线通信平台，
所述无线通信平台用来与所述车载无线通信平台通信，进而实时接收来自所述车载端发送的信息；
所述数据库用来存储所述车载端发送的信息；
所述应用单元包括故障预测模块，该模块通过可学习的专家系统，利用抽象出的专家知识库对获取的故障码所代表的故障信息进行分析得出可能引起的关联故障；
所述应用单元进一步包括召回预测模块，该模块基于从所述数据库中获取同种车型的故障信息、同种车型中出现同种故障的机动车数量以及同种车型因同种故障而出现事故的事故信息来建立机动车召回概率预测模型，进而得到该种车型的召回概率等级，最后通过所述无线通信平台将该种车型的召回概率等级发送至该车型中所有运行的车载端的车载通信平台，进行召回预测；
所述召回预测模块进一步用于：
利用logistic回归分析方法来分析召回概率等级与潜在事故风险等级和事故后果风险等级的关系；
利用事故风险的评估方法，基于同种车型的故障信息和同种车型中出现同种故障的机动车数量建立输出为潜在事故风险等级的潜在事故风险预测模型，以及基于同种车型因同种故障而出现事故的事故信息来建立输出为事故后果风险等级的事故后果风险预测模型；
利用模糊神经网络算法，建立以潜在事故风险等级和事故后果风险等级为双输入、召回概率等级为单输出的机动车召回概率预测模型。
2.根据权利要求1所述的故障预警和召回预测系统，其特征在于，所述车载端的车载计算机还采集所述故障码的获取时间与该发生故障的机动车信息，并通过车载无线通信平台发送至所述远程控制端，所述故障车信息包括该发生故障的机动车的车型。
3.根据权利要求2所述的故障预警和召回预测系统，其特征在于，所述故障预测模块进一步使用离线专家讨论与专家诊断对所述故障信息进行分析，并将所得到的分析结果反馈至所述专家知识库，从而完善所述专家知识库。
4.根据权利要求2所述的故障预警和召回预测系统，其特征在于，所述故障预测模块采用故障树法对所获取的故障码进行分析以得到该故障码所代表的故障信息。
5.根据权利要求2所述的故障预警和召回预测系统，其特征在于，所述车载计算机采用中断的方式触发所述车载无线通信平台的事件发送机制。
6.根据权利要求5所述的故障预警和召回预测系统，其特征在于，所述车载计算机进一步将所标准化的故障码封装成数据包进行发送。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310656729.XA CN103632211B (zh) | 2013-12-06 | 2013-12-06 | 一种机动车故障预警和召回预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310656729.XA CN103632211B (zh) | 2013-12-06 | 2013-12-06 | 一种机动车故障预警和召回预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103632211A CN103632211A (zh) | 2014-03-12 |
| CN103632211B true CN103632211B (zh) | 2017-06-09 |
Family
ID=50213237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310656729.XA Active CN103632211B (zh) | 2013-12-06 | 2013-12-06 | 一种机动车故障预警和召回预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103632211B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389406B (zh) * | 2014-09-03 | 2019-07-19 | 上海通用汽车有限公司 | 基于故障的单位加权累计数的整车设计可靠性评估方法 |
| CN104598984B (zh) * | 2014-12-08 | 2018-03-02 | 北京邮电大学 | 一种基于模糊神经网络的故障预测方法 |
| FR3045180B1 (fr) * | 2015-12-11 | 2018-11-02 | Continental Automotive France | Procede et systeme de rappel selectif de vehicules automobiles |
| US10571908B2 (en) | 2016-08-15 | 2020-02-25 | Ford Global Technologies, Llc | Autonomous vehicle failure mode management |
| US10611381B2 (en) | 2017-10-24 | 2020-04-07 | Ford Global Technologies, Llc | Decentralized minimum risk condition vehicle control |
| CN107871418A (zh) * | 2017-12-27 | 2018-04-03 | 吉林大学 | 一种用于评价人机共驾可靠性的实验平台 |
| EP4106298B1 (en) * | 2018-01-22 | 2023-11-29 | Panasonic Intellectual Property Corporation of America | Vehicle anomaly detection server, vehicle anomaly detection system, and vehicle anomaly detection method |
| US10726645B2 (en) | 2018-02-16 | 2020-07-28 | Ford Global Technologies, Llc | Vehicle diagnostic operation |
| CN109245978A (zh) * | 2018-08-31 | 2019-01-18 | 司振国 | 基于iot技术的公交车运行状态实时检测方法 |
| US11507715B2 (en) | 2018-12-03 | 2022-11-22 | International Business Machines Corporation | Detection of vehicle defects |
| CN110097219B (zh) * | 2019-04-19 | 2020-04-24 | 深圳市德塔防爆电动汽车有限公司 | 一种基于安全树模型的电动车辆运维优化方法 |
| CN112445156B (zh) * | 2019-08-30 | 2022-05-06 | 北京新能源汽车股份有限公司 | 一种车辆故障紧急程度的确定方法、装置和远程监控平台 |
| CN112101665B (zh) * | 2020-09-16 | 2024-05-31 | 珠海格力电器股份有限公司 | 故障检测预警方法、装置、存储介质及电子设备 |
| CN113627496B (zh) * | 2021-07-27 | 2024-09-24 | 交控科技股份有限公司 | 道岔转辙机故障预测方法、装置、电子设备和可读存储介质 |
| CN115016969B (zh) * | 2022-06-06 | 2023-07-25 | 广东大舜汽车科技有限公司 | 一种汽车电子系统修复方法和装置 |
| CN115810227B (zh) * | 2022-12-01 | 2024-06-25 | 深圳瑞为智能科技有限公司 | 一种车载设备异常快速识别方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102180170A (zh) * | 2011-04-22 | 2011-09-14 | 林力 | 车辆数据采集存储分析显示装置 |
| CN102938781A (zh) * | 2012-10-29 | 2013-02-20 | 北京开元智信通软件有限公司 | 一种车辆信息远程检测方法、系统及装置 |
-
2013
- 2013-12-06 CN CN201310656729.XA patent/CN103632211B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102180170A (zh) * | 2011-04-22 | 2011-09-14 | 林力 | 车辆数据采集存储分析显示装置 |
| CN102938781A (zh) * | 2012-10-29 | 2013-02-20 | 北京开元智信通软件有限公司 | 一种车辆信息远程检测方法、系统及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 《实施召回企业应开展的工作》;朱毅;《世界汽车》;20041015;正文第89页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103632211A (zh) | 2014-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103632211B (zh) | 一种机动车故障预警和召回预测系统 | |
| CN105929815B (zh) | 大规模车辆实时监测诊断、远程服务与综合处理方法 | |
| CN108469802B (zh) | 一种车辆信息远程监控与故障诊断系统 | |
| CN103209220B (zh) | 基于车联网的车辆抛锚智慧服务系统的服务方法 | |
| CN102139700B (zh) | 一种轨道交通的车辆工况在线监测系统 | |
| CN203450058U (zh) | 混合动力汽车及其智能故障诊断装置、智能报警系统 | |
| CN203054592U (zh) | 一种用于汽车的故障诊断系统 | |
| CN103676923A (zh) | 一种汽车故障诊断处理方法 | |
| CN211374073U (zh) | 一种汽车故障远程诊断系统 | |
| CN112622990A (zh) | 城轨地铁车辆智能运维管理系统 | |
| CN103455026A (zh) | 一种车辆故障诊断和预警方法及装置 | |
| CN102139701B (zh) | 一种轨道交通的车辆工况在线监测方法 | |
| CN112130540A (zh) | 一种新能源电动汽车多功能数据采集与智能分析系统 | |
| CN102540998A (zh) | 车辆的实时检修方法及系统 | |
| CN106981191A (zh) | 一种基于智能车载终端的客车管理系统及方法 | |
| CN205304983U (zh) | 一种车联网监控系统 | |
| CN202353707U (zh) | 一种汽车监测诊断系统 | |
| CN102402219A (zh) | 基于can总线和gprs通讯的汽车信息在线采集监测装置及方法 | |
| CN106682795A (zh) | 基于数据分析的汽车零部件信息处理方法 | |
| CN106394445A (zh) | 一种车辆故障监测提示方法及系统 | |
| CN113219954A (zh) | 一种车辆运行状态远程监测及故障分析方法 | |
| CN203825447U (zh) | 一种乘用车辆obd监控平台 | |
| CN202003216U (zh) | 一种电动汽车状态远程监控系统 | |
| CN106814731A (zh) | 车辆故障码读取方法、装置及车辆故障统计系统 | |
| CN112116105A (zh) | 一种基于物联网平台的企业级新能源汽车监管系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |