CN108961473A - 一种基于智能网联汽车控制中心的车辆状态评估预警方法 - Google Patents

Abstract

本发明公开了一种基于智能网联汽车控制中心的车辆状态评估预警方法，通过车载智能终端获得车辆的行驶实时状态信息，然后以车辆信息为基础建立模糊评判集合，针对车辆安全性的模糊评判集合建立典型的安全评判参数数据集合，之后建立带可信度和阈值的模糊规则库并建立与规则库的每个规则所对应的模糊关系矩阵库，以车辆在不同工况、路况下的实时行车数据应用规则库规则进行带有可信度的推理，再应用控制中心建立的车辆安全性综合评判模型对车辆安全性能进行综合评估，当发现车辆有不安全状态时预警，并记录行车的不安全行为作为对行车驾驶状态的综合考评。本发明适用于各种交通状况以及各种车型，具有显著的社会经济效益，方便实用且易推广。

Description

一种基于智能网联汽车控制中心的车辆状态评估预警方法

技术领域

本发明属于智能网联汽车主动安全技术领域，具体涉及一种基于智能网联汽车控制中心的车辆状态评估和在线预警的方法。

背景技术

2015年，我国首次涉及智能网联汽车的发展。智能网联汽车，即ICV(全称Intelligent Connected Vehicle)，是指车联网与智能车的有机联合，是搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与人、车、路、后台等智能信息交换共享，实现安全、舒适、节能、高效行驶，并最终可替代人来操作的新一代汽车。智能网联汽车集中运用了汽车工程、人工智能、计算机、微电子、自动控制、通信与平台等技术，是一个集环境感知、规划决策、控制执行、信息交互等于一体的高新技术综合体。V2X作为智能车联的一个延伸领域，使得车与外界的联系达到一个空前的提升，可以说V2X将为自动驾驶带来更多的可能性。V2X主要包含V2V、V2I、V2N以及V2P，V2V即是车与车之间的信息交互和提醒，可用于提升车辆防碰撞系数。V2I是指车和基础设置之间的交互，通过V2I我们可以获悉如行驶前方交通灯、路障等的道路管理信息，从而有效提升道路通行效率。V2N可使车辆通过移动网络连接到云端，使用云端提供的导航、监控、安全预警等功能，V2P则为车和行人的互动，可以给道路上行人和非机动车提供安全警告。近几年来，随着智能网联汽车的飞速发展，汽车信息采集技术不断提高，人与车的信息交互共享越来越紧密。安装在车辆上的车载终端通过读取行驶车辆上的传感器信号以及CAN总线信号，获得车辆的行驶实时状态数据，然后将这些数据发送到云端服务器，云端服务器就可以实时的查看、分析、处理这些数据以便综合评估汽车的行驶安全状态。为了提高汽车在行驶过程中的主动安全性能、降低追尾碰撞事故发生率，研发高性能的汽车运行状态安全诊断与在线预警系统成为迫切需要。汽车运行状态安全诊断与在线预警系统利用现代信息技术和传感技术获取汽车行驶过程中的实时状态信息，综合路况与车况信息，辨识是否存在安全隐患，并在紧急情况下立刻报警，使汽车主动避开危险，保证汽车安全行驶。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种智能网联汽车控制中心对车辆运行状态安全评估和在线预警的方法，可以实现不同工况、路况下对车辆安全性能评估的综合考虑并正确判断汽车行驶安全状态，在必要时及时采取有效的解决手段，提高汽车主动安全性。

本发明采用以下技术方案：

一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，通过车载智能终端读取行驶车辆上的传感器信号以及CAN总线信号，获得车辆的行驶实时状态数据，然后将数据发送到汽车云端服务器，以汽车云端服务器接收到的车辆信息为基础建立模糊评判集合，针对车辆安全性的模糊评判集合，对行驶车辆各个参数建立典型的安全评判参数数据集合，之后以典型的安全评判参数数据集合为基础建立带可信度和阈值的模糊规则库，建立与规则库的每个规则所对应的模糊关系矩阵库，以车辆在不同工况、路况下的实时行车数据，应用规则库规则进行带有可信度的推理，对车辆安全性能进行综合评估，当发现车辆有不安全状态时预警，并记录行车的不安全行为作为对行车驾驶状态的综合考评。

具体的，设论域U为云端服务器接收到的车载信息，车辆安全性的模糊评判集合D具体为：

D＝{a1，a2，a3，a4}

其中：a1为车速，a2为轮胎压力，a3为冷却水温度，a4为前车距离；

进一步的，论域U上的集合A表示D中的某个参数对车辆安全相关性所作出的评价，集合A如下：

其中，μ_A(a_i)为第i个参数a_i的隶属度；

设论域V为当前车辆综合评判的安全状态论域，论域V上有车辆安全性的模糊评判集合C和当前行驶车辆为安全的模糊集合B，当前行驶车辆为安全的模糊集合B具体为：

其中，μ_B为隶属度函数，b为当前车辆的实时状态；

车辆安全性的模糊评判集合C具体为：

C＝{c1，c2，c3，c4}

其中，c1为安全，c2为较安全，c3为不安全，c4为危险；设c1所对应的集合A、B为A1、B1，c2所对应的集合A、B为A2、B2，c3所对应的集合A、B为A3、B3，c4所对应的集合A、B为A4、B4。

进一步的，车速a1的隶属度函数μ_A(a1)为：

轮胎压力a2的隶属度函数μ_A(a2)如下：

冷却水温度a3的隶属度函数μ_A(a3)如下：

行车距离a4的隶属度函数μ_A(a4)如下：

其中，s0是以当前车速行驶的制动距离。

进一步的，根据各车载参数隶属度函数，建立车载参数与隶属度的关系，对行驶车辆的各个参数建立典型的安全评判参数数据集合。

进一步的，以典型的安全评判参数数据集合为基础建立带可信度CF1和阈值λ的模糊规则库如下：

其中，x为论域U上的集合A，y为论域V上的集合B。

进一步的，构造模糊集A与B之间的模糊关系R，然后通过R与证据的合成求出结论，以带有可信度的行车安全性的模糊推理为基础，建立与规则库的每个规则所对应的模糊关系矩阵库，模糊关系矩阵如下：

其中，a，b分别为车载信息参数和当前车辆的实时状态，μ_A(a)为车载信息参数a对应的的隶属度，μ_B(b)为当前车辆实时状态b对应的隶属度。

进一步的，以车速a1，轮胎压力a2，冷却水温度a3，前车距离a4的实时行车数据做分析，以安全c1、较安全c2，不安全c3，危险c4四种状态作为评判结果，应用规则库规则进行带有可信度的模糊推理，以相似度r(A.A′)作为匹配度σ(A.A′)。

进一步的，相似度r(A.A′)计算如下：

进一步的，对推理规则设定阈值λ，按照证据与规则的前件不相等，计算结论的可信度CF如下：

CF＝σ(A.A′)×CF1×CF2

其中，CF1为规则的可信度，CF2结论的可信度；

采用车辆的实时状态做为推理的证据，则证据与规则的前件不相等，得出结论，按照冲突消解法则，取可信度高的一个结论，对车辆安全性能进行综合评估。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于智能网联汽车控制中心的车辆状态评估预警方法，以汽车云端服务器接收到的车辆信息为基础建立模糊评判集合，针对车辆安全性的模糊评判集合，对行驶车辆各个参数建立典型的安全评判参数数据集合，之后以典型的安全评判参数数据集合为基础建立带可信度和阈值的模糊规则库，建立与规则库的每个规则所对应的模糊关系矩阵库，以车辆在不同工况、路况下的实时行车数据，应用规则库规则进行带有可信度的推理，在车联网控制中心建立了车辆安全性能综合评判模型，可以实现不同工况、路况下对行驶车辆安全性能的综合评估并正确判断汽车行驶安全状态。当车辆有不安全状态时及时预警并采取有效措施，对于极端的情况出现时，如(行车距离小于安全距离或胎压超出安全范围)立刻报警，提高汽车主动安全性，并且记录行车的不安全行为，能够对车辆安全驾驶行为进行实时监测，促使驾驶员养成良好的驾驶习惯；驾驶员通过车载终端实时了解车辆的相关数据，便于对车辆进行评估和保养；管理人员也可以通过控制中心掌握车辆运行状况，加强车辆管理，做出高效率的调度；并对司机和车辆进行评估考核。

进一步的，以车辆的信息参数为基础建立集合D，因为车载信息参数有很多，这里我们把它们全部放在一个集合D中，A为集合D中某个参数对车辆安全相关性所做出的评价，并以其中的某些参数为例建立模糊评判集合C和B，用来综合评判汽车的安全状态。

进一步的，因为车辆的安全状态评价较复杂，并且受多种参数的影响，因此根据集合D中的各参数建立隶属度函数，以达到对汽车安全状态的模糊综合的评判。

进一步的，以典型的安全评判参数数据集合为基础建立带可信度CF1和阈值λ的模糊规则库，用于后面建立模糊关系矩阵库以及结论可信度的计算。

进一步的，以带有可信度的行车安全性的模糊推理为基础，建立与规则库的每个规则所对应的模糊关系矩阵库，用于构造模糊集A与模糊集B的模糊关系，然后与证据结合得出结论，从而综合评判汽车的安全状态。

进一步的，根据车辆的实时行车数据以及他们所对应的隶属度来分析，以安全、较安全，不安全，危险作为评判结果，应用规则库规则进行带有可信度的模糊推理，就可以通过比较可信度来得到结论，然后以相似度作为匹配度来对最后的结论进行验证。

进一步的，以车辆的实时状态作为推理的证据，所以要设定阈限并按照证据与规则的前件不相等计算结论可信度，取可信度高的结论并通过匹配度验证结论的可靠性，从而就可以实现对车辆安全状态的综合有效地评估。

综上所述，本发明适用于各种交通状况以及各种车型，具有显著的社会经济效益，方便实用，且易推广。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明示意图。

具体实施方式

请参阅图1，本发明提供了一种智能网联汽车控制中心对车辆运行状态安全评估和在线预警的方法，针对管理机构应用云端服务器，对行驶车辆的安全性能进行监测；在行驶车辆上安装有车载智能终端，车载智能终端通过读取行驶车辆上的传感器信号以及CAN总线信号，获得车辆的行驶实时状态数据，然后将这些数据发送到云端服务器，云端服务器接收到从车载终端发送到的车载信息，通过建立的模糊评判模型，并结合不同的工况、路况对行驶车辆的安全性作出综合有效的评判，当发现车辆处于不安全状态时，给予预警，并将行车的有关不安全的行为记录，作为对行车驾驶状态的综合考评。本申请设计了模糊评判模型，建立了模糊评判中的模糊规则库，并设计了模糊评判方法，为方便表达，只提取系统中的部分参数，选取车载信息中的车速、轮胎压力、前车距离、冷却水温度为例，对车辆安全性的模糊评判中的规则库及推理方法做出描述。

本发明一种智能网联汽车控制中心对车辆运行状态安全评估和在线预警的方法，包括以下步骤：

S1、建立针对车辆安全性的模糊评判集合

设论域U为云端服务器接收到的车载信息，则论域U上的车辆安全性的模糊评判集合D如下：

D＝{a1，a2，a3，a4}

其中，a1为车速，a2为轮胎压力，a3为冷却水温度，a4为前车距离；

论域U上的集合A表示D中的某个参数对车辆安全相关性所作出的评价，具体如下：

其中，μ_A(a_i)为第i个参数a_i的隶属度。

设论域V为当前车辆综合评判的安全状态论域，则论域V上对车辆安全性的模糊评判的集合C：

C＝{c1，c2，c3，c4}

其中：c1为安全，c2为较安全，c3为不安全，c4为危险；

汽车的安全状态较复杂并且受多种因素共同影响，安全c1、较安全c2、不安全c3和危险c4四种状态是控制中心对行驶车辆实时数据进行分析后，然后应用规则库规则进行带有可信度的模糊推理，进而对车辆行驶安全性所作出的的综合评判。

论域V上的另一模糊集合B表示当前行驶车辆是“安全”的模糊集合，具体如下：

其中，μ_B为隶属度函数，b为当前车辆的实时状态。

现设c1所对应的模糊集合A、B为A1、B1，c2为A2、B2，c3为A3、B3，c4为A4、B4。

设计各参数(车速a1，轮胎压力a2，冷却水温度a3，前车距离a4)的隶属度函数：

车速的隶属度函数为：

选择梯形隶属函数作为轮胎压力的隶属度函数如下：

选择梯形隶属函数作为冷却水温度的隶属度函数如下：

行车距离的隶属度函数如下：

其中，a₄是当前车辆与前方障碍物的距离，s₀是以当前车速行驶的制动距离。

S2、车辆安全性评估的推理规则

S201、带有可信度的推理规则

采用模糊假言推理方法，即：

A是之前构造的表示对每个车载参数和车辆安全相关性所作出的评价集合，B是之前构造的表示当前行驶车辆是“安全”的模糊集合。

以典型的数据集合为基础建立带可信度CF1和阈值λ的模糊规则库如下：

可信度CF1均为1，设阈值λ为0.5。

S202、模糊规则库关联的模糊关系矩阵

构造出模糊集A与B之间的模糊关系R，然后通过R与证据的合成求出结论，以带有可信度的行车安全性的模糊推理为基础，应用麦姆德尼方法建立模糊关系矩阵如下：

S3、带可信度的行车安全性的模糊推理

以某一行驶车辆接收到的车辆的实时状态一和实时状态二为例，以车辆在车速、轮胎压力、冷却水温度、前车距离的实时行车数据做分析，以安全、较安全，不安全，危险4种状态作为评判结果，进一步应用规则库规则进行带有可行度的模糊推理，以相似度作为匹配度；

S4、结论的可信度与行车安全性的评价

对推理规则设定阈值，因为采用车辆的实时状态做为推理的证据，所以证据与规则的前件不相等，则结论的可信度计算为：

CF＝σ(A.A′)×CF1×CF2

在得出的结论中，按照冲突消解法则，取可信度高的一个结论作为最终的结论。

S5、应用匹配度对结论进行验证，证明了结论的可靠性，并对行驶车辆安全性能作出综合有效地评估。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

S1、建立针对车辆安全性的模糊评判集合

根据各车载参数隶属度函数，建立车载参数与隶属度的关系表如下：

表1：车速关于集合C的典型数据

车速	20	50	90	130
					隶属度	0.9	0.6	0.3	0.17

表2：胎压关于集合C的典型数据

胎压	2.45	2.37	2.20	2.15
					隶属度	1	0.9	0.3	0.16

表3：温度关于集合C的典型数据

温度	89	84	82	81
					隶属度	1	0.8	0.4	0.2

表4：距离关于集合C的典型数据

距离(a4-s0)	15	8	3	1
					隶属度	0.9	0.7	0.2	0.05

根据上面的表格建立集合，从而对行驶车辆的各个参数建立典型的安全评判参数数据集合：

A1＝{0.9，1，1，0.9}

B1＝{1，0.95，0.9，0.85}

A2＝{0.6，0.9，0.8.0.7}

B2＝{0.8，0.75，0.7，0.65}

A3＝{0.3，0.3，0.4，0.2}

B3＝{0.45，0.4，0.35，0.3}

A4＝{0.17，0.16，0.2，0.05}

B4＝{025，02，0.15，0.1}。

S2、建立与规则库的每个规则所对应的模糊关系矩阵库如下：

S3、设某一行驶车辆，接收到的车辆的实时状态一为：车速为50km/h，隶属度为0.6，胎压为2.37，隶属度为0.9，温度84度，隶属度为0.8，前车距离是50米，隶属度是0.6。

实时状态二为：车速为110km/h，隶属度为0.23，胎压为2.23，隶属度为0.43，温度83度，隶属度为0.6，前车距离是113米，隶属度是0.2。

则：

A′1＝{0.6，0.9，0.8，0.6} (CF2＝0.9)

A′2＝{0.23，0.43，0.6，0.2} (CF2＝0.9)

计算该证据与规则库规则前件的匹配度σ(A.A′)，在这里以相似度r(A.A′)作为匹配度，相似度计算公式为：

于是得到匹配度为：

σ1(A1.A′1)：0.76，σ2(A2.A′1)：0.96，σ3(A3.A′1)：0.27，σ4(A4.A′1)：0.13

σ1(A1.A′2)：0.38，σ2(A2.A′2)：0.48，σ3(A3.A′2)：0.8，σ4(A4.A′2)：0.51

其中，σ1、σ2、σ3、σ4分别为证据与四种规则库规则前件的匹配度，因为阈值λ为0.5，对于实时状态一，只有规则库中的规则1、规则2可以用。

应用规则1得到结论B′1如下：

B′1＝{0.9，0.9，0.9，0.85}

应用规则2得到结论B′2：

B′2＝{0.8，0.75，0.7，0.65}}

对于实时状态二，只有规则库中的规则3、规则4可以用。

应用规则3得到结论B′3：

B′3＝{0.4，0.4，0.35，0.3}

应用规则4得到结论B′4：

B′4＝{0.2，0.2，0.15，0.1}

S4、对于实时状态一

得到结论B′1的可信度为0.7，得到结论B′2的可信度为0.86，两者可信度均大于等于0.7，按照冲突消解法则，取可信度高的一个，故选择规则2，得到结论B2′。

对于实时状态二

得到结论B′3的可信度为0.72，得到结论B′4的可信度为0.61，结论B′3可信度均大于等于0.7，得到结论B3′。

S5、分别计算结论B1′和结论B2′与规则库后件B1、B2、B3、B4的匹配度为：

σ(B1.B1′)：0.96σ(B2.B1′)：0.81σ(B3.B1′)：0.42σ(B4.B1′)：0.2

σ(B1.B2′)：0.78σ(B2.B2′)：1σ(B3.B2′)：0.52σ(B4.B2′)：0.24

从匹配度来看，最高的为σ(B2.B2′)为1，也就是结论B2′是可靠的，最后对实时状态一，行驶车辆的安全性评价就是对应的c2，“较安全”。

分别计算结论B3′和结论B4′与规则库后件B1、B2、B3、B4的匹配度为：

σ(B1.B3′)：0.39σ(B2.B3′)：0.5σ(B3.B3′)：0.96σ(B4.B3′)：0.48

σ(B1.B4′)：0.17σ(B2.B4′)：22σ(B3.B4′)：0.43σ(B4.B4′)：0.92

从这个匹配度来看，最高的为σ(B3.B3′)为0.96，也就是结论B3′是可靠的，最后对实时状态一，行驶车辆的安全性评价就是对应的c3，“不安全”。

基于模糊综合评判的理论，以云端服务器接收到的车辆信息为基础，首先针对车辆安全性的模糊评判集合C，对行驶车辆的各个参数建立典型的参数数据集合，之后，以典型的数据集合为基础建立带可信度和阈值的模糊规则库，应用麦姆德尼方法，建立与规则库的每个规则所对应的模糊关系矩阵库，以车辆在不同工况、路况下的实时行车数据，应用规则库规则进行带有可信度的推理，对车辆安全性能进行综合有效的评估，该算法帮助云端服务器建立了行驶车辆安全评判模型，当发现监视车辆有不安全状态时，及时采取有效的解决手段，有实际的应用意义，通过对推理结果的验证，证明了结论的可靠性。

应用中发现，本发明可以实现不同工况、路况下对车辆安全性能评估的综合考虑并正确判断汽车行驶安全状态。当车辆有不安全状态(如行车距离小于安全距离或者胎压超出安全范围)时及时预警并采取有效措施，提高汽车主动安全性。本发明能够对车辆安全性能进行实时监测，促使驾驶员养成良好的驾驶习惯；驾驶员通过车载终端实时了解车辆的相关数据，便于对车辆进行评估和保养；管理人员也可以通过控制中心掌握车辆运行状况，加强车辆管理，做出高效率的调度；并对司机和车辆进行评估考核。本发明适用于各种交通状况以及各种车型，具有显著的社会经济效益，方便实用，且易推广。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，通过车载智能终端读取行驶车辆上的传感器信号以及CAN总线信号，获得车辆的行驶实时状态数据，然后将数据发送到汽车云端服务器，以汽车云端服务器接收到的车辆信息为基础建立模糊评判集合，针对车辆安全性的模糊评判集合，对行驶车辆各个参数建立典型的安全评判参数数据集合，之后以典型的安全评判参数数据集合为基础建立带可信度和阈值的模糊规则库，建立与规则库的每个规则所对应的模糊关系矩阵库，以车辆在不同工况、路况下的实时行车数据，应用规则库规则进行带有可信度的推理，对车辆安全性能进行综合评估，当发现车辆有不安全状态时预警，并记录行车的不安全行为作为对行车驾驶状态的综合考评。

2.根据权利要求1所述的一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，设论域U为云端服务器接收到的车载信息，车辆安全性的模糊评判集合D具体为：

D＝{a1,a2,a3,a4}

其中：a1为车速，a2为轮胎压力，a3为冷却水温度，a4为前车距离。

3.根据权利要求2所述的一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，论域U上的集合A表示D中的某个参数对车辆安全相关性所作出的评价，集合A如下：

其中，μ_A(a_i)为第i个参数a_i的隶属度；

设论域V为当前车辆综合评判的安全状态论域，论域V上有车辆安全性的模糊评判集合C和当前行驶车辆为安全的模糊集合B，当前行驶车辆为安全的模糊集合B具体为：

其中，μ_B为隶属度函数，b为当前车辆的实时状态；

车辆安全性的模糊评判集合C具体为：

C＝{c1,c2,c3,c4}

其中，c1为安全，c2为较安全，c3为不安全，c4为危险；设c1所对应的集合A、B为A1、B1，c2所对应的集合A、B为A2、B2，c3所对应的集合A、B为A3、B3，c4所对应的集合A、B为A4、B4。

4.根据权利要求3所述的一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，车速a1的隶属度函数μ_A(a1)为：

轮胎压力a2的隶属度函数μ_A(a2)如下：

冷却水温度a3的隶属度函数μ_A(a3)如下：

行车距离a4的隶属度函数μ_A(a4)如下：

其中，s0是以当前车速行驶的制动距离。

5.根据权利要求4所述的一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，根据各车载参数隶属度函数，建立车载参数与隶属度的关系，对行驶车辆的各个参数建立典型的安全评判参数数据集合。

6.根据权利要求3所述的一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，以典型的安全评判参数数据集合为基础建立带可信度CF1和阈值λ的模糊规则库如下：

规则1：if x is A1 then y is B1

规则2：if x is A2 then y is B2

规则3：if x is A3 then y is B3

规则4：if x is A4 then y is B4

其中，x为论域U上的集合A，y为论域V上的集合B。

7.根据权利要求3所述的一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，构造模糊集A与B之间的模糊关系R，然后通过R与证据的合成求出结论，以带有可信度的行车安全性的模糊推理为基础，建立与规则库的每个规则所对应的模糊关系矩阵库，模糊关系矩阵如下：

其中，a,b分别为车载信息参数和当前车辆的实时状态，μ_A(a)为车载信息参数a对应的的隶属度，μ_B(b)为当前车辆实时状态b对应的隶属度。

8.根据权利要求3所述的一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，以车速a1，轮胎压力a2，冷却水温度a3，前车距离a4的实时行车数据做分析，以安全c1、较安全c2，不安全c3，危险c4四种状态作为评判结果，应用规则库规则进行带有可信度的模糊推理，以相似度r(A.A′)作为匹配度σ(A.A′)。

9.根据权利要求8所述的一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，相似度r(A.A′)计算如下：

10.根据权利要求8所述的一种基于智能网联汽车控制中心的车辆状态评估预警方法，其特征在于，对推理规则设定阈值λ，按照证据与规则的前件不相等，计算结论的可信度CF如下：

CF＝σ(A.A′)×CF1×CF2

其中，CF1为规则的可信度，CF2结论的可信度；

采用车辆的实时状态作为推理的证据，则证据与规则的前件不相等，得出结论，按照冲突消解法则，取可信度高的一个结论，对车辆安全性能进行综合评估。