CN108628279A - 一种基于云计算汽车异常数据流的分析方法 - Google Patents
一种基于云计算汽车异常数据流的分析方法 Download PDFInfo
- Publication number
- CN108628279A CN108628279A CN201710168348.5A CN201710168348A CN108628279A CN 108628279 A CN108628279 A CN 108628279A CN 201710168348 A CN201710168348 A CN 201710168348A CN 108628279 A CN108628279 A CN 108628279A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- data stream
- flow
- abnormal data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
一种基于云计算汽车异常数据流的分析方法:通过获取汽车电脑的故障码和数据流,将获取的故障码和数据流通过智能终端传输到云端服务器;云端服务器判断是否有故障码,如果无故障码,将获取的数据流作为正常数据流存储;如果有故障码,将获取的数据流作为异常数据流存储;在云端服务器建立异常数流样本和正常数据流样本,并对数据流样本计算分析;在异常数据样本中找到与故障码相关的数据项;获得一需要测试的无故障码数据流,与正常数据流样本和异常数据样本对比分析,找到相关的临界数据;增加和完善异常数据流样本和正常数据流样本;对异常数据流样本统计与故障码或汽车故障相关联的异常数流对应数据项的概率。判断汽车潜在隐患,健康运行。
Description
技术领域
本发明属于汽车诊断技术领域,尤其涉及一种基于云计算汽车异常数据流的分析方法。
背景技术
在汽车诊断技术领域,汽车电脑ECU自诊断系统会监控汽车运行状态的数据,并允许通过汽车电脑ECU的诊断接口DLC读取汽车运行状态数据统称为数据流,当汽车运行异常有故障产生时,其数据流会发生相应的变化,统称为异常数据。
目前汽车自诊断系统的数据流分析已经成为最常用的汽车故障诊断方法。但是目前对数据流的诊断分析主要还是依靠维修技师借助维修手册的人工分析判断,对于车主想知道数据流的含义以及故障诊断更是不可能完成的事情。
如果汽车电脑存有故障码,有时候需要进一步通过数据流分析找到故障码产生具体的原因,需要找到与该故障码相关联的数据流是否正常,如果汽车电脑没有故障码,但是汽车有故障现象,如何分析数据流是否有异常数据,这对维修技师的专业水平要求非常高,这大大的提高了数据流分析的难度,尤其在故障码出现或汽车出现故障之前,分析数据流额变化趋势,这可提前预判汽车故障隐患,是否有一种方法,无需人工分析,完全有机器进行诊断分析,降低诊断难度,提供效率和准确度。
目前随着人工智能和云计算平台的普及,云平台提供各种关于数据分析的算法,将采集的数据流传输到云平台服务器,在云计算平台对数据流进行处理和分析,将数据流的分析过程全部由云计算完成,实现汽车故障的智能诊断,提高诊断的效率和准确度。
因此需要发明一种基于云计算的汽车异常数据流的分析方法,云端服务器完成车辆的运行状态数据流的智能分析和计算,找到与故障码有关的异常数据并判断预测是否有故障隐患,预防性诊断,提高诊断效率,保证车辆健康运行。
发明内容
本发明的目的是针对上述问题,提供一种基于云计算汽车异常数据流的分析方法,其特征在于,该方法包括以下步骤:
步骤1:获取汽车电脑的故障码和数据流,将获取的故障码和数据流通过智能终端传输到云端服务器;
步骤2:云端服务器判断是否有故障码;
步骤3:如果无故障码,将获取的数据流作为正常数据流存储;
步骤4:如果有故障码,将获取的数据流作为异常数据流存储;
步骤5:在云端服务器建立异常数据流样本和正常数据流样本,并对数据流样本计算分析;
步骤6:在异常数据流样本中找到与故障码相关的数据项;
步骤7:获得一需要测试的无故障码数据流,与正常数据流样本和异常数据样本对比分析,找到相关的临界数据;
步骤8:增加和完善异常数据流样本和正常数据流样本;
步骤9:对异常数据流样本统计与故障码或汽车故障相关联的异常数据流对应数据项的概率。
优选的步骤1之前,基于汽车自诊断的OBD诊断装置与汽车电脑诊断座DLC连接,读取汽车电脑的故障码和数据流:所述的OBD诊断装置是:具有符合OBD诊断通讯协议和网络连接功能或无线蓝牙传输功能的装置,至少具有读取故障码功能和数据流功能的装置,可以是汽车故障诊断仪,或者符合标准OBD2协议的装置,或者具有网络链接功能的汽车电脑ECU等;读取的数据流和故障码通过蓝牙或wifi传输到智能终端。
步骤1:获取汽车电脑的故障码和数据流;将获取的故障码和数据流通过智能终端传输到云端服务器;
基于汽车自诊断OBD诊断装置与移动智能终端连接,将读取的故障码和数据流通过智能终端的无线移动网络或wifi传输到云端服务器:所述的云端服务器是指具有数据库,存储,云计算,机器学习的云平台,所述移动智能终端包括智能手机,平板电脑等;
步骤2:云端服务器判断是否有故障码;
云端服务器首先判断获取的数据流是否有故障码,本发明的方法也可以在智能终端本地实现并完成计算,无论是在本地完成计算还是云端完成计算,数据流分为有故障码的异常数据流,记为1,无故障码的为正常数据流,记为0;云端服务器通过识别0和1,完成云端服务器判断是否有故障码;
步骤3:如果无故障码,将获取的数据流作为正常数据流存储;
步骤4:如果有故障码,将获取的数据流作为异常数据流存储;
云端服务器判断,步骤3如果无故障码,将获取的数据流作为正常数据流存储和步骤4如果有故障码,将获取的数据流作为异常数据流存储;所述的数据流存储是以发动机转数大小排序存储,用来分析汽车不行驶时候的异常数据;以某一特定转速存储数据流,分析某一特定转速情况下的异常数据;以车速大小顺序排序存储用来分析汽车行驶过程的异常数据;
步骤5:在云端服务器建立异常数据流样本和正常数据流样本,并对数据流样本计算分析;
在获得多个数据流,在云端服务器建立异常数据流样本和正常数据流样本,并对数据流样本进行统计分析;所述的异常数流是因为有故障码产生的数据流指至少包含一个异常数据项的一组数据流,该异常数据项是存有产生故障码的原因;所述异常数流和正常数据流样本的对比分析,是采用云平台提供的计算能力和云平台提供的算法在云端计算正常数据流的最大值,最小值,平均值,方差等作为标准数据,同时计算异常数据流的最大值,最小值,平均值,方差等,并进行比对分析,找到异常数据流中的异常数据项,并将计算结果存储。
本发明的方法也可以在本地实现并完成计算,在本地完成计算后,将计算结果上传云端服务器,在本地计算由于获取的数据流样本有限,无法保障数据分析的可靠性,上传云端不断增加云端数据样本,提高数据分析的可靠性;
步骤6:在异常数据流样本中找到与故障码相关的数据项;
所述的数据项为数据流中的一具体数据项目,所述与故障码相关的数据项,是指经过步骤5的对比分析找到的异常数据的某一数据流,该数据项的数据流就是与该故障码相关的数据流,也就是产生故障码的异常数据项;
步骤7:获得一需要测试的无故障码数据流,与正常数据流样本和异常数据样本对比分析,找到相关的临界数据;
随着数据流样本的增加,就可以对车辆进行预测分析,获得一需要测试的无故障码数据流,与正常数据流样本和异常数据样本对比分析,找到相关的临界数据;
所述的临界数据,在正常数据流中虽然没有故障码存在,但是其变化趋势正在向异常数流据变化,如果超过临界点,将会变成异常数据流,该数据项为潜在故障,说明汽车存有故障隐患;
步骤8:增加和完善异常数据流样本和正常数据流样本;
当每完成以上步骤1-7,云端服务器将获得一次数据流样本,云平台每完成一次数据流计算将该数据流作为样本存储为异常数据或正常数据,云平台服务器随着数据流样本数量的增加,将不断完善正常数据流样本数据库和异常数据流样本数据库,异常数据流样本数据库与故障码相关的数据项不断完善和增加,每一个故障码都会都会对应至少一个数据项的异常数据流,随着异常数据流样本和正常数据流样本的增加,将不断提高运算的精度和判断分析的准确度。
步骤9:对异常数据流样本统计与故障码或汽车故障相关联的异常数流对应数据项的概率;在异常数据流样本中统计某一故障或故障码累计出现占样本的比例,同时统计某一故障码相关异常数据项累计出现的次数以及该故障码累计出现的次数,并计算概率值;
概率值=某一故障码相关异常数据项累计出现的次数/该故障码累计出现的次数,
该概率值为诊断精度的依据,该值越大说明诊断精度越高。
本发明的有益效果是:将异常数据流分析经云计算完成,快速找到异常数据流的异常数据项,以及临界数据判断汽车潜在隐患,提高诊断效率和精度,保证车辆安全运行。
为了能够更进一步了解本发明的特征以及技术内容,请参阅以下有关本发明的详细说明与附图,然而附图仅提供参考与说明用使用,并非用来对本发明加以限制。
附图说明
本发明的目的,特征及有益效果将结合具体实施方式的详细描述,结合附图进一步说明。
附图中:
图1是本发明的分析方法流程图
图2是本发明的数据流实例 。
具体实施方式
为进一步阐述本发明所采取的技术手段及其有益效果,以下结合附图及本发明的实施例,作进一步详细的描述。
如图1所示,为本发明分析方法流程图,该方法包括以下步骤:
步骤1:获取汽车电脑的故障码和数据流,将获取的故障码和数据流通过智能终端传输到云端服务器;
步骤2:云端服务器判断是否有故障码;
步骤3:如果无故障码,将获取的数据流作为正常数据流存储;
步骤4:如果有故障码,将获取的数据流作为异常数据流存储;
步骤5:在云端服务器建立异常数流样本和正常数据流样本,并对数据流样本计算分析;
步骤6:在异常数据样本中找到与故障码相关的数据项;
步骤7:获得一需要测试的无故障码数据流,与正常数据流样本和异常数据样本对比分析,找到相关的临界数据;
步骤8:增加和完善异常数据样本和正常数据样本;
步骤9:对异常数据流样本统计与故障码或汽车故障相关联的异常数流对应数据项的概率。
执行步骤1之前,执行以下操作:OBD诊断装置与汽车电控系统的诊断座DLC连接,读取汽车电脑ECU中存储的故障码和动态数据流,启动发动机读取发动机运转过程的数据流;踩下下油门改变转速,获取不同转速的数据流;不踩油门,获取怠速时候的数据流,踩下油门固定一位置,也就是固定某一转速,获取该固定转速的数据流;启动汽车进行路试,读取汽车在行驶过程的数据流,改变车速获取不同车速的数据流
执行步骤1,将读取的故障码和数据流传输到云端服务器,如果无故障码记为0,如果有故障码记为1;
执行步骤2,云端服务器判断读取到0判断为无故障码,读取到1判断为有故障码;
如图2为读取和存储的数据流,其中数据项为数据流中的一具体数据项目,如:转速,节气门电压,喷油脉宽等等,将获取的数据流转化为矩阵;
执行步骤3,云服务器将记为0无故障码的数据流的数据项作为正常数据流数据库存储;
执行步骤4,云服务器将记为1有故障码的数据流的数据项作为异常数据流数据库存储;
执行步骤5,设标准数据流中数值型数据流X数据项的值为Xmn:m对应不同转速,n为标准数据流样本数量;其矩阵如下:
设标准数据流中开关型数据流A数据项的值为Amn:其值为0或1,m对应不同转速,n为标准数据流样本数量;其矩阵如下:
设异常数据流Y数据项数据流的值为Ymk :m对应不同转速,k为异常数据流样本数量;其矩阵如下:
设异常数据流中开关型数据流B数据项的值为Bmk:其值为0或1,m对应不同转速,k为异常数据流流样本数量;其矩阵如下:
在云端完成数据流样本的计算,分别计算数正常据流和异常数据流矩阵最大值,最小值为,平均值,方差,计算矩阵行最大值,最小值为,平均值,方差;对矩阵列进行线性回归分析;矩阵的最大值和最小值为该数据项的取值范围,行最大值和最小值为该数据项在某一转速的取值范围;列的线性回归是该数据项随转速的变化规律。
执行步骤6,比较异常数据流与正常数据流数据项的最大值和最小值,当异常数据流中的某数据项的最大值和最小值超出了正常数据流中对应数据项的最大值和最小值,则该数据项为异常数据,当异常数据流中某数据项的平均值超出了正常数据流中对应数据项的中最大值和最小值范围,则该数据项为异常数据,对于线性数值型数据流,如果方差S=0,则该数据项为异常数据;在开关型的数据流的矩阵中,某行正常数据为0,则为1的是异常数据,正常数据为0则为1的位异常数据。在矩阵列中,随着转速0和1交替变化,则异常数据一直为1或0的为异常数据。
通过以上步骤找到的异常数据的数据项就是与故障码相关的数据流。
执行步骤7,测试判断一正常数据流,如果该数据流的某一数值型数据项的平均值,无限接近正常数据流的最大值或者最小值,则该数据为临界数据,该数据项有故障隐患;每次获得的数据流计算的方差S在正常数据为最大值,将该数据项标注为临界数据;对数值型数据流进行线性回归分析计算,可以分析出临界数据。
执行步骤8,当每完成步骤1-7,云端服务器将获得一次数据流样本,每完成一次数据流的计算将该数据流作为样本存储为异常数据流或正常数据流,不断完善正常数据流的最大值,最小值,平均值以及方差等数据,同是也不断完善异常数据流与故障码相关的数据项,随着样本的数量的增加,将不断提高运算的精度和判断预测准确度。
执行步骤9,对异常数据流样本统计与故障码或汽车故障相关联的异常数流对应数据项的概率;在异常数据统计某一故障或故障码累计出现占样本的比例。概率值=某一故障码相关异常数据项累计出现的次数/该故障码累计出现的次数,该概率值为诊断精度的依据,
以上所述仅为本发明的较佳实施例而已,不代表实施例的优劣,并非用于限定本发明的保护范围。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过改变测云平台和算法以及软件编程来完成,凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于云计算汽车异常数据流的分析方法,其特征在于:该方法包括:
步骤1:获取汽车电脑的故障码和数据流,将获取的故障码和数据流通过智能终端传输到云端服务器;
步骤2:云端服务器判断是否有故障码;
步骤3:如果无故障码,将获取的数据流作为正常数据流存储;
步骤4:如果有故障码,将获取的数据流作为异常数据流存储;
步骤5:在云端服务器建立异常数流样本和正常数据流样本,并对数据流样本计算分析;
步骤6:在异常数据流样本中找到与故障码相关的数据项;
步骤7:获得一需要测试的无故障码数据流,与正常数据流样本和异常数据样本对比分析,找到相关的临界数据;
步骤8:增加和完善异常数据流样本和正常数据流样本;
步骤9:对异常数据流样本统计与故障码或汽车故障相关联的异常数流对应数据项的概率。
2.根据权利要求1所述的一种基于云计算汽车异常数据流的分析方法,其特征在于:所述的故障码和数据流通过智能终端网络传输到云端服务器。
3.根据权利要求1所述的一种基于云计算汽车异常数据流的分析方法,其特征在于:所述的云端服务器是具有云计算,数据库,存储,机器学习等开放的云平台。
4.根据权利要求1所述的一种基于云计算汽车异常数据流的分析方法,其特征在于:所述数据流的分析是在云端服务器建立异常数流样本和正常数据流样本,并对数据流样本计算分析。
5.根据权利要求1所述的一种基于云计算汽车异常数据流的分析方法,其特征在于:所述的数据流存储是以发动机转数大小排序存储和以车速大小排序存储。
6.根据权利要求1所述的一种基于云计算汽车异常数据流的分析方法,其特征在于:所述的正常数据流是汽车电脑无故障码存储的数据流。
7.根据权利要求1所述的一种基于云计算汽车异常数据流的分析方法,其特征在于:所述的异常数据流是汽车电脑有故障码存储的数据流。
8.根据权利要求1所述的一种基于云计算汽车异常数据流的分析方法,其特征在于:所述的临界数据是在正常数据流中,其变化趋势趋向于异常数据流。
9.根据权利要求1所述的一种基于云计算汽车异常数据流的分析方法,其特征在于:数值型数据流在云端服务器计算数据流矩阵的最大值,最小值,平均值,方差。
10.根据权利要求1所述的一种基于云计算汽车异常数据流的分析方法,其特征在于:所述异常数据样本统计与故障码或汽车故障相关联的异常数流对应数据项的概率=某一故障码相关异常数据项累计出现的次数/该故障码累计出现的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710168348.5A CN108628279B (zh) | 2017-03-21 | 2017-03-21 | 一种基于云计算汽车异常数据流的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710168348.5A CN108628279B (zh) | 2017-03-21 | 2017-03-21 | 一种基于云计算汽车异常数据流的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108628279A true CN108628279A (zh) | 2018-10-09 |
CN108628279B CN108628279B (zh) | 2020-04-03 |
Family
ID=63687904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710168348.5A Active CN108628279B (zh) | 2017-03-21 | 2017-03-21 | 一种基于云计算汽车异常数据流的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108628279B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110213258A (zh) * | 2019-05-28 | 2019-09-06 | 北京百度网讯科技有限公司 | 车辆can总线的异常监测方法、装置和计算机设备 |
CN110377793A (zh) * | 2019-06-21 | 2019-10-25 | 深圳市轱辘汽车维修技术有限公司 | 一种推荐视频制作信息的方法、装置及设备 |
WO2020140864A1 (zh) * | 2018-12-31 | 2020-07-09 | 深圳市道通科技股份有限公司 | 一种诊断数据处理方法、装置、诊断设备和服务器 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853291A (zh) * | 2010-05-24 | 2010-10-06 | 合肥工业大学 | 基于数据流的车辆故障诊断方法 |
CN102937809A (zh) * | 2012-11-14 | 2013-02-20 | 深圳市元征科技股份有限公司 | 基于专业诊断的标准数据流提取方法 |
CN103226565A (zh) * | 2013-01-30 | 2013-07-31 | 王志欣 | 一种汽车发动机数据流的处理方法 |
CN103838229A (zh) * | 2014-02-28 | 2014-06-04 | 武汉理工大学 | 电动汽车诊断方法和诊断装置 |
US20140280441A1 (en) * | 2013-03-15 | 2014-09-18 | International Business Machines Corporation | Data integration on retargetable engines in a networked environment |
CN108700875A (zh) * | 2018-04-25 | 2018-10-23 | 深圳市元征软件开发有限公司 | 车辆诊断方法、系统、设备及计算机可读存储介质 |
CN108983758A (zh) * | 2018-08-23 | 2018-12-11 | 深圳市鹏巨术信息技术有限公司 | 一种汽车诊断设备的软件防护方法、装置及终端 |
CN109240254A (zh) * | 2017-07-10 | 2019-01-18 | 卢照敢 | 基于车况数据流的汽车状态评估及故障预警方法 |
-
2017
- 2017-03-21 CN CN201710168348.5A patent/CN108628279B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853291A (zh) * | 2010-05-24 | 2010-10-06 | 合肥工业大学 | 基于数据流的车辆故障诊断方法 |
CN102937809A (zh) * | 2012-11-14 | 2013-02-20 | 深圳市元征科技股份有限公司 | 基于专业诊断的标准数据流提取方法 |
CN103226565A (zh) * | 2013-01-30 | 2013-07-31 | 王志欣 | 一种汽车发动机数据流的处理方法 |
US20140280441A1 (en) * | 2013-03-15 | 2014-09-18 | International Business Machines Corporation | Data integration on retargetable engines in a networked environment |
CN103838229A (zh) * | 2014-02-28 | 2014-06-04 | 武汉理工大学 | 电动汽车诊断方法和诊断装置 |
CN109240254A (zh) * | 2017-07-10 | 2019-01-18 | 卢照敢 | 基于车况数据流的汽车状态评估及故障预警方法 |
CN108700875A (zh) * | 2018-04-25 | 2018-10-23 | 深圳市元征软件开发有限公司 | 车辆诊断方法、系统、设备及计算机可读存储介质 |
CN108983758A (zh) * | 2018-08-23 | 2018-12-11 | 深圳市鹏巨术信息技术有限公司 | 一种汽车诊断设备的软件防护方法、装置及终端 |
Non-Patent Citations (2)
Title |
---|
陶建雪: "故障码数据流在汽车故障诊断与排除中的应用研究", 《科技风》 * |
鲍宇 等: "数据流分析在捷达汽车发动机故障诊断中的应用", 《交通科技与经济》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020140864A1 (zh) * | 2018-12-31 | 2020-07-09 | 深圳市道通科技股份有限公司 | 一种诊断数据处理方法、装置、诊断设备和服务器 |
CN110213258A (zh) * | 2019-05-28 | 2019-09-06 | 北京百度网讯科技有限公司 | 车辆can总线的异常监测方法、装置和计算机设备 |
CN110213258B (zh) * | 2019-05-28 | 2022-05-13 | 阿波罗智联(北京)科技有限公司 | 车辆can总线的异常监测方法、装置和计算机设备 |
CN110377793A (zh) * | 2019-06-21 | 2019-10-25 | 深圳市轱辘汽车维修技术有限公司 | 一种推荐视频制作信息的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108628279B (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amarasinghe et al. | Cloud-based driver monitoring and vehicle diagnostic with OBD2 telematics | |
CN108303264B (zh) | 一种基于云的车辆故障诊断方法、装置及其系统 | |
DE102020103768B4 (de) | Überwachung und Diagnose von Fahrzeugsystemproblemen mit Maschinenlern-Klassifikatoren | |
CN106441928B (zh) | 一种车辆故障检测方法、装置及系统 | |
CN111414477A (zh) | 车辆故障自动诊断方法、装置以及设备 | |
US20170024943A1 (en) | System and Method for Service Assessment | |
US20230013544A1 (en) | Method, Apparatus and System for Detecting Abnormal Operating States of a Device | |
Murphey et al. | Automotive fault diagnosis-part II: a distributed agent diagnostic system | |
US20200126329A1 (en) | Diagnostic data visualization methods | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN109163913A (zh) | 一种汽车故障诊断方法及相关设备 | |
WO2010067547A1 (ja) | 車両の故障診断装置 | |
CN112326070B (zh) | 温度传感器故障诊断方法、装置、电子设备及存储介质 | |
DE102020124693B4 (de) | Adaptives Prognosesystem und Prognoseverfahren für Fahrzeuge | |
CN108628279A (zh) | 一种基于云计算汽车异常数据流的分析方法 | |
JP2018073363A (ja) | 車両稼働データ収集装置、車両稼働データ収集システムおよび車両稼働データ収集方法 | |
US9805523B2 (en) | Diagnostic procedures and method of collecting vehicles | |
Singh et al. | Data-driven framework for detecting anomalies in field failure data | |
CN110471395A (zh) | 一种故障检测方法、装置、设备及存储介质 | |
CN114372489A (zh) | 一种柴油机工况识别与异常诊断方法 | |
Radlak et al. | Organization of machine learning based product development as per ISO 26262 and ISO/PAS 21448 | |
Panda et al. | ML-based vehicle downtime reduction: A case of air compressor failure detection | |
EP4167040A1 (en) | Fault model editor and diagnostic tool | |
CN106569944A (zh) | 基于约束树的星载软件测试数据分析方法 | |
CN116432397A (zh) | 一种基于数据模型的轨道交通故障预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |