CN109229034A - 一体化连接管理方法及其联网车辆 - Google Patents

Abstract

本发明涉及一体化连接管理方法及其联网车辆。一种一体化连接管理方法可以包括：当安装在车辆中并且在车辆启动情况下激活的人工智能连接系统识别驾驶员语音命令中的车辆诊断命令时，基于由安装在车辆内的车载传感器测量的噪声和振动数据，生成故障诊断作为诊断结果；根据该诊断结果确定车辆的故障状态；执行车辆诊断的人工智能，通知驾驶员。

Description

一体化连接管理方法及其联网车辆

与相关申请的交叉引用

本申请要求2017年7月11日提交的韩国专利申请No.10-2017-0087819的优先权，该申请的全部内容通过引用结合于此。

技术领域

本发明涉及一种联网车辆，并且更具体地，涉及一种实施了一体化连接管理方法的联网车辆，该一体化连接管理方法将服务区域扩展到业务秘书功能。

背景技术

近来，迅速增长的车辆信息技术(IT)正在加速实现能够通过车辆中的语音来使用移动应用的联网车辆。

一个示例是车辆将利用语音识别技术的移动IT技术与应用于车辆的扬声器识别相结合的联网车辆。作为一个示例，该联网车辆通过语音识别来实现车辆的移动应用交互使用和主要娱乐功能的应用交互使用，从而通过语音识别实现导航搜索和音频操作以及与智能手机的蓝牙等交互的应用的操作。

因此，联网车辆利用语音识别功能，根据语音命令来控制针对安装在车辆中的车辆多媒体的智能设备，并控制针对外部通信设备的信息娱乐功能，从而极大地增加了基于用户的便利功能。

然而，在目前来看，利用联网车辆的语音命令技术对智能设备和信息娱乐功能进行控制仅限于对智能设备和外部通信设备的简单功能(诸如ON，OFF等)的控制，因此不符合实施诸如导航、车辆被盗、位置跟踪、车辆检测、车辆的打开/关闭等更高级的服务的需求。

具体地，随着车辆IT的快速发展，考虑到技术开发的改进，能够通过利用蓝牙、Wi-Fi等的车辆连接对车辆(甚至在车外)进行远程控制，联网车辆的技术不限于简单的娱乐功能和智能设备的操作，这被必须发展为一体化连接系统的必要性和需求所需要，所述一体化连接系统利用服务中心根据基于GPS的车辆位置跟踪以及实时信息的发送/接收来进行所需的位置的识别，此外还具有基于实时噪声/振动的对车辆和发动机状态的诊断功能。

在背景技术中所描述的内容用于帮助理解本发明的背景，并且可以包括本发明所属领域的技术人员以前未知的内容。

[现有技术文件]

[专利文件]

(专利文件1)韩国专利申请出版物No.10-2008-0000036

发明内容

可以通过以下描述来理解本发明的其他目的和优点，并且参照本发明的实施方案，本发明的其他目的和优点将变得显而易见。此外，本发明所属技术领域的技术人员将明了，本发明的目的和优点可以通过所要求的手段和所述手段的组合来实现。

因此，考虑到上述问题，本发明的目的在于提供一种将语音识别(讲话者识别)与人工智能技术、大数据技术和服务中心的云技术结合在一起的一体化连接管理方法及其联网车辆，并扩展到包括智能设备和信息娱乐功能的控制服务以及检测基于实时的车辆问题状态的人工智能服务的基于集成型业务的服务；具体地，在根据驾驶员的命令检测实时车辆状态和根据噪声和振动信号确定故障诊断时，通过共享基于GPS的服务中心的云系统信息来提供诸如实时预约的业务秘书功能。

用于实现上述目的的根据本发明的一体化连接管理方法，其特征在于，安装在车辆中并且在车辆启动情况下激活的人工智能连接系统识别驾驶员语音命令中的车辆诊断命令时，基于由安装在车辆中的车载传感器测量的噪声和振动数据，生成故障诊断作为诊断结果；根据该诊断结果确定车辆的故障状态；执行车辆诊断的人工智能，通知驾驶员。在根据所述诊断结果确定车辆的故障时，执行服务网络的人工智能，所述服务网络连接到云中心以识别基于GPS的位置并且连接到与云中心相关联的呼叫中心以进行服务预约；执行车辆诊断的人工智能和服务网络的人工智能，然后切换为车辆语音控制的人工智能；车辆语音控制的人工智能通过语音识别执行智能设备和车辆信息娱乐功能的控制。

作为优选的实施方案，车辆诊断的人工智能进行：(A)在所述人工智能连接系统中识别车辆诊断命令作为人工智能连接系统的讲话者识别；(B)向所述人工智能连接系统中的车载传感器发送操作命令；(C)去除对于车载传感器的噪声和振动数据的干扰，然后基于噪声和振动数据，通过异常噪声和异常振动进行故障诊断，根据异常噪声和异常振动的产生状态来应用噪声和振动信号的函数并产生诊断结果；(D)将诊断结果分类为没有产生异常噪声和异常振动的车辆正常模式以及产生异常噪声和异常振动的车辆检测模式，并向车辆进行反馈；(E)通过语音输出向驾驶员通知车辆正常模式和车辆检测模式的其中一个。

作为优选的实施方案，提取噪声和振动信号的功能是通过对于噪声和振动数据的深度学习方法进行图像处理，以及通过对于图像的机器学习方法进行噪声信号处理；噪声信号表示为对于噪声和振动的产生源的各个类型的噪声分类模型。

作为优选的实施方案，生成诊断结果作为大数据DB，所述诊断结果用作基于开发车辆的大数据来确定异常噪声和异常振动的基准。

作为优选的实施方案，所述服务网络的人工智能包括：(F)根据所述车辆故障的确定，向车辆反馈修理消息并通过语音输出通知驾驶员；(G)向车辆的驾驶员提供用于修理车辆故障的服务中心的信息作为驾驶员定制的业务模式；(H)识别驾驶员的语音预约命令；(I)通过语音预约命令、通过呼叫中心预约服务中心，并且执行车辆到服务中心的导航自动设置；(J)将车辆故障的诊断结果发送到云中心。

此外，一种用于实现上述目的的根据本发明的联网车辆，其特征在于，其包括人工智能连接系统，该人工智能连接系统与车载传感器连接以用来与用于车辆语音识别的麦克风一起测量噪声和振动，并基于通过输入到麦克风的驾驶员的车辆诊断命令而在车载传感器中测量的噪声和振动数据，根据异常噪声和异常振动的产生状态来获得车辆的修理状态的诊断结果；将诊断结果分类为不需要修理的车辆正常模式和需要修理的车辆检测模式；连接到云中心，以便在车辆检测模式中识别基于GPS的位置；连接到与云中心相关联的呼叫中心以进行服务预约，从而进行服务预约。

作为优选的实施方案，所述人工智能连接系统包括：深度学习学习部分，其对车载传感器的噪声和振动数据应用GBFB方法作为深度学习方法并执行图像处理；机器学习学习部分，其对于深度学习学习部分的图像应用DNN和CNN方法作为机器学习方法并执行噪声信号处理，噪声信号处理表示为对于噪声和振动的产生源的各个类型的噪声分类模型；故障诊断输出确定部分，其将机器学习学习部分的噪声信号分类为车辆正常模式和车辆检测模式，并通过连接到云中心和呼叫中心来执行用于服务预约的输出。

作为优选的实施方案，所述人工智能连接系统与用于车辆开发的云系统连接；用于车辆开发的云系统与人工智能连接系统的大数据DB结合；用于车辆开发的云系统提供开发车辆的诊断条件；执行用于对车辆开发目标项进行分类以及车辆开发过程的DB建立和输入/输出控制，以及数据处理和分析。

作为优选的实施方案，用于车辆开发的云系统建立并利用与所述人工智能连接系统相关联的车辆开发数据作为用于量产车辆的质量偏差的统计管理的DB。

根据本发明的联网车辆实施一体化连接管理方法，从而实现以下操作和效果。

第一，可以实现对应于车辆IT的快速发展的联网车辆。第二，可以提供基于人工智能车辆的实时噪声和振动数据来确定异常噪声和异常振动的故障状态的技术。第三，可以将限于信息娱乐的传统功能与各种云服务器同步，并向驾驶员提供必要的信息并执行所需的功能。第四，可以将语音识别(讲话者识别)与人工智能技术、大数据技术以及服务中心的云技术结合在一起，并且扩展到基于集成型业务的服务，该服务包括控制智能设备和控制信息娱乐功能的服务以及检测实时车辆问题状态的人工智能服务。第五，在通过驾驶员命令来检测实时车辆状态并且根据噪声/振动信号来确定故障诊断时，可以通过共享基于GPS的服务中心的云系统信息来提供诸如实时预约服务等的个人秘书服务技术。第六，可以使满足车辆开发目标的系统数据成为大数据，从而应用该系统数据以用于确定车辆的异常噪声和异常振动。第七，可以实现与车辆的GPS功能和导航搜索以及操作功能同步的集成信息技术。第八，可以应用人工智能方法去除或抑制噪声，以便通过讲话者识别的人工智能方法识别驾驶员明确的意愿并提高测量数据的准确性，从而执行准确的功能的操作。

附图说明

图1和图2是示出了根据本发明的一体化连接管理方法的流程图。

图3是示出了应用执行根据本发明的一体化连接管理的人工智能连接系统的联网车辆的一个实施方案的视图。

图4是示出了根据本发明的联网车辆的人工智能连接系统的框图。

图5是示出了根据本发明的人工智能连接系统的服务网络的人工智能的操作状态的视图。

图6是示出了根据本发明的联网车辆的一体化连接管理服务的一个实施方案的视图。

图7是示出了基于根据本发明的人工智能连接系统的人工智能的车辆开发系统的一个实施方案的视图。

具体实施方式

参考示出本发明的优选实施方案的附图以及附图中的描述，以充分理解本发明、本发明的操作性优点以及通过实践本发明达到的目标。

在某些实施方案中，可以减少或省略已知技术或详细描述，以避免模糊本领域技术人员对本发明的理解。

参照图1和图2，一体化连接管理方法的特征在于：在车辆发动机启动情况下，人工智能连接系统变为开启(ON)S1；通过人工智能连接系统的驾驶员语音命令识别，基于车载传感器而执行车辆诊断的人工智能逻辑S10-1；从执行车辆诊断的人工智能的结果切换到车辆语音控制的人工智能S200-1或执行服务网络的人工智能逻辑S100-1，然后切换到车辆语音控制的人工智能S200-1，生成执行车辆诊断的人工智能的结果作为大数据DB，从而建立人工智能的车辆开发系统S200。

因此，一体化连接管理系统实现了一种业务型的一体化连接管理，该一体化连接管理系统通过车辆诊断的基于噪声/振动的人工智能技术来实时检测车辆状态；实现基于语音识别的人工智能系统；搜索基于GPS的目标位置并基于大数据建立服务中心；并提供必要的信息等。

相应地，安装了实现业务型一体化连接管理的人工智能连接系统的车辆扩展到基于人工智能类型集成业务模式的服务技术，而不是像传统技术一样的限于对信息娱乐功能和智能设备进行简单控制的技术；执行集成处理，该集成处理提供基于噪声/振动的对车辆和发动机状态的实时诊断功能以及提供信息的功能，基于GPS和车辆位置跟踪来识别服务中心和所需位置，以及执行实时发送/接收。

参考图3，联网车辆1与基于位置的服务系统100联网。

作为一个实施方案，在图6中，联网车辆1包括麦克风型麦克风10、车载传感器20和人工智能连接系统30；所述麦克风型麦克风10用于语音输入；所述车载传感器20具有噪声、振动和加速度传感器，该噪声、振动和加速度传感器在发动机启动情况下检测实时测量的麦克风噪声和基于加速度计振动的有问题噪声的产生源；所述人工智能连接系统30安装有一体化连接管理逻辑，并且与对于车辆多媒体40和外部通信设备50的语音控制一起执行车辆诊断和业务服务。具体地，人工智能连接系统30包括作为基本功能的对于麦克风10的驾驶员语音识别命令功能，以及根据所识别的语音命令的车载传感器20的操作命令输出功能的输出功能；并且这些功能与传统的语音识别和输出功能相同。

具体地，人工智能连接系统30包括深度学习学习部分31、机器学习学习部分33和故障诊断输出确定部分35；并通过车辆异常状态的实时人工智能操作为业务型服务提供系统。因此，在人工智能的深度学习(机器学习)中实现了用于人工智能连接系统30的一体化连接管理逻辑，并且人工智能连接系统30在执行对于车辆多媒体40和外部通信设备50的语音控制之外，还诊断车辆并实施业务服务。

在这种情况下，集成业务型的服务执行人工智能诊断算法，该算法应用环境噪声消除算法以用于与语音识别(讲话者识别)一起提取所需的噪声数据；并且测量和分析来自车载传感器20的实时噪声和振动数据，根据基于应用为车辆发展目标的水平基准的大数据所测量和分析的噪声和振动数据来确定故障状态，通过语音将诊断结果提供给驾驶员；并通过服务中心的云连接执行所需的修理的历史记录和预约服务等。此外，通过人工智能连接系统30的命令操作并检测数据的车载传感器20包括噪声传感器和振动传感器；并测量发动机室和车内的噪声和振动。

作为一个实施方案，基于位置的服务系统100包括由云中心210和呼叫中心230组成的服务中心200；以及GPS卫星300。根据人工智能连接系统30的请求，云中心210与GPS卫星连接；基于与车辆诊断信息一起发送的预约命令执行实时预约业务；并将通过呼叫中心230的请求处理的信息提供给呼叫中心230。呼叫中心230通过云中心210对于联网车辆1的云服务支持来执行个人业务秘书角色。GPS卫星300向云中心210和呼叫中心230中的每一个提供基于GPS通过云中心210的请求跟踪的车辆位置。

因此，在人工智能连接系统30中，联网车辆1通过麦克风10识别驾驶员语音命令，并且基于车载传感器20的传感器数据执行车辆诊断；进一步地，联网车辆1在人工智能连接系统30中检测基于GPS卫星300的位置，并利用云中心210和呼叫中心230执行共享车辆诊断信息、车辆预约等业务服务。

因此，联网车辆1与人工智能连接系统30相关联，并且基于语音命令更有效地提供基于用户的便利功能和集成业务型服务功能。这里，基于用户的便利功能是指图6中的对于车辆多媒体40和外部通信设备50的智能设备和信息娱乐功能的控制。集成业务型服务功能是指，在通过驾驶员命令，根据车载传感器20的噪声和振动数据来检测实时车辆状态并确定故障诊断的情况下，提供执行连接功能以及实时人工智能车辆诊断的集成业务型服务的功能；以及业务秘书功能，诸如通过共享基于GPS的服务中心的云系统信息的实时预约服务等。

在下文中，将参照图3至图7详细描述图1和图2的一体化连接管理方法。在这种情况下，控制主体是安装到联网车辆1的人工智能连接系统30；控制对象是由人工智能连接系统30控制的联网车辆1。

参照图1，人工智能连接系统30从关闭(OFF)切换到开启(ON)，并且在联网车辆1的车辆启动(例如，发动机启动)的情况下激活(例如S1)。然后，人工智能连接系统30切换到操作状态，所述操作状态分类为：第一步骤，通过麦克风10进行的语音识别；第二步骤，通过车载传感器20进行的传感器命令发送；第三步骤，人工智能的故障诊断；第四步骤，诊断结果反馈；第五步骤，连接到基于GPS位置的云；第六步骤，控制智能设备和信息娱乐功能；以及第七步骤，生成大数据DB。

在这种情况下，第一至第四步骤解释执行车辆诊断的人工智能逻辑S10-1；第五步骤解释执行服务网络的人工智能逻辑S100-1；第六步骤解释执行车辆语音控制的人工智能逻辑S200-1；第七步骤解释建立人工智能的车辆开发系统S200。

在执行车辆诊断的人工智能逻辑S10-1时，人工智能连接系统30执行：用于执行车辆诊断的人工智能逻辑S10-1的驾驶员语音诊断命令S10；车辆诊断传感器的命令发送S20；人工智能的故障诊断S30；生成人工智能的诊断结果S40；反馈人工智能的诊断结果和驾驶员通知S50；生成大数据DB S50-1；车辆正常模式S60；以及输出正常消息S70-1。在这种情况下，生成大数据DB S50-1接下来进行建立人工智能的车辆开发系统S200；与车辆正常模式S60相反的车辆检测模式70-2接下来执行服务网络的人工智能逻辑；以及，输出正常消息S70-1接下来执行车辆语音控制的人工智能逻辑S200-1。

参考图3，将如下详细描述执行车辆诊断的人工智能逻辑。

在驾驶员的语音诊断命令S10，人工智能连接系统30激活人工智能讲话者识别功能S10-1，并识别输入到联网车辆1的麦克风10的驾驶员语音命令。在这种情况下，驾驶员语音命令包括诸如“请诊断我的车辆”的诊断语句；并且讲话者识别功能去除联网车辆1的车辆噪声成分以准确识别诊断语句。

在车辆诊断传感器的命令发送S20，人工智能连接系统30输出与诊断语句完全相同的操作命令并操作车载传感器20。因此，车载传感器20实时检测发动机室和车内的噪声和振动；并且，人工智能连接系统30将车载传感器20的传感器数据处理为输入数据。

在人工智能故障诊断S30，人工智能连接系统30激活去除干扰(例如，噪声)的功能S30-1；并提高关于由车载传感器20实时检测的噪声和振动的传感器数据的测量值的精度。

在生成人工智能的诊断结果S40，人工智能连接系统30激活提取噪声和振动信号的功能S40-1，并基于实时噪声和振动数据来执行人工智能的诊断结果的输出；并且通过语音和文本消息向联网车辆1回复诊断结果，该诊断结果通过人工智能的诊断结果反馈和驾驶员通知S50分类为“是”(需要修理)和“否”(不需要修理)，并提供诊断结果以生成大数据DB S50-1。

然后，当确定出在车辆的正常模式S60下回复的诊断结果为“否”(不需要修理)时，人工智能连接系统30执行输出正常消息S70-1，而当确定出回复的诊断结果为“是”(需要修理)时，人工智能连接系统30进入车辆检测模式S70-2并切换到执行服务网络的人工智能逻辑S100-1。这里，S70-1中的正常消息可以输出“主人，车辆状态正常”作为“不需要修理”的消息。

参照图4，人工智能连接系统30包括深度学习学习部分31；机器学习学习部分33；以及故障诊断输出确定部分35。相应地，加速度计基于振动的噪声和振动的传感器数据被输入到深度学习学习部分31，所述加速度计对由车载传感器20实时测量的麦克风噪声和有问题噪声的产生源进行检测。

深度学习学习部分31通过图像数据处理利用人工智能学习算法对车载传感器20的实时噪声和振动数据进行图像处理；并通过应用Gabor滤波器特征图(GBFB)方法来执行，Gabor滤波器特征图(GBFB)方法分为时域图像分析算法和频域图像分析算法。因此，深度学习学习部分31利用Gabor滤波器来提取特征图，该Gabor滤波器考虑车辆的声学特性来执行提取，并且因此通过图像模式来提取噪声的特征矢量，并且表现出噪声分类的良好性能。

然后，机器学习学习部分33通过对噪声数据进行信号处理，利用人工智能学习算法对车载传感器20的实时噪声和振动数据进行信号处理；并应用深度神经网络(DNN)和卷积神经网络(CNN)。因此，机器学习学习部分33利用深度学习学习部分31的Gabor滤波器从特征图提取图像，并转换噪声测量数据；并通过信号处理的学习模型将机器学习模型的提取结果分类为各个类型的噪声分类模型，并随后获取机器学习模型的提取结果。因此，基于深度学习方法的机器学习学习原理的测试结果证实了能够明确确保各个类型的噪声分类模型相对于各种噪声和振动的产生源的独立性并且实现基于各个类型的噪声和振动分类模型的人工智能学习开发。

接下来，故障诊断输出确定部分35基于大数据执行故障状态的确定，所述大数据具有对于所分析的机器学习学习部分33的噪声和振动数据而提出的车辆开发目标的水平基准；并通过语音向联网车辆1的驾驶员提供诊断结果，并且进行与云中心210和呼叫中心230的连接以执行与云中心210和呼叫中心230相关联的所需的修理的历史记录以及预约业务的服务，云中心210和呼叫中心230基于GPS卫星300执行对联网车辆1的位置跟踪。

与车辆正常模式S60相反的车辆检测模式S70-2接下来是执行服务网络的人工智能逻辑S100-1。

参照图2，人工智能连接系统30包括：输出关于执行服务网络的人工智能逻辑S100-1的修理消息S100；搜索基于车辆位置的服务中心并显示服务中心信息S110；提供驾驶员定制的业务模式S120；驾驶员语音预约命令S130；服务中心预约和导航自动设置S140；以及向服务中心发送异常消息S150。

在输出修理消息S100，人工智能连接系统30通过驾驶员关于所需服务状态确定的反馈，通过故障诊断输出确定部分35向联网车辆1输出根据车辆检测模式S70-2的修理消息以及语音和文本消息。在这种情况下，修理信息输出为“主人，车辆状态异常”，并输出和显示修理信息的内容，如“(1)有问题的噪声假设为oo相关噪声，其准确度为oo％，(2)有问题的噪声假设为xx相关噪声，其准确度为xx％”等。

接下来，将参照图5描述S110至S150。

在搜索基于车辆位置的服务中心和显示服务中心信息S110，人工智能连接系统30通过故障诊断输出确定部分35的反馈输出来执行搜索基于车辆位置的服务，并向驾驶员显示服务中心信息。为此，故障诊断输出确定部分35与云中心210连接并确定联网车辆1的当前车辆位置，云中心210通过GPS卫星300进行基于GPS位置的车辆跟踪。

在提供驾驶员定制的业务模式S120，人工智能连接系统30接收在云中心210中存储的DB的反馈，并且通过故障诊断输出确定部分35的输出将驾驶员定制的业务模式反馈给联网车辆1的驾驶员。在这种情况下，驾驶员定制的业务模式将每个服务中心的距离和满意度、技术人员职业和满意度、修理成本、修理时间等看作服务项目；并根据驾驶员偏好对上述内容进行分类并且解决驾驶员每次选择的繁琐过程。

在驾驶员语音预约命令S130，人工智能连接系统30识别驾驶员语音预约命令。在这种情况下，语音预约命令可以是关于驾驶员定制业务模式中的所列项目的“谢谢，进行oo预约模式”或关于一个预定项目的“谢谢，进行预约模式”。

在服务中心预约和导航自动设置S140，人工智能连接系统30通过故障诊断输出确定部分35与呼叫中心230连接，并且同时自动设置在导航中预留的服务中心路径，导航构成联网车辆1的车辆多媒体40(参照图6)。在这种情况下，服务中心的预约执行与呼叫中心230的顾问的服务预约程序的对话程序。

在向服务中心发送异常消息S150，人工智能连接系统30通过故障诊断输出确定部分35将修理消息发送到连接的云中心210。在这种情况下，修理消息显示诊断结果，例如“(1)有问题的噪声假定为oo相关噪声并且准确度为oo％，(2)有问题的噪声假定为xx相关噪声并且准确度是xx％”等。

然后，人工智能连接系统30输出正常消息S70-1或向服务中心发送异常消息S150；然后切换到执行车辆语音控制的人工智能逻辑S200-1。作为基于人工智能连接系统30的语音命令识别功能的智能设备功能和信息娱乐功能，执行车辆语音控制的人工智能与常规语音识别技术相同。

参考图6，一个实施方案是联网车辆1的一体化连接功能利用人工智能连接系统30，人工智能连接系统30实现车辆诊断的人工智能S10-1、服务网络的人工智能S100-1和车辆语音控制的人工智能S200-1。

如图所示，联网车辆1的驾驶员基本上使用与应用交互的车辆信息娱乐的操作以及车辆的智能设备的操作；并基于实时人工智能进行业务型的一体化连接管理。因此，在联网车辆1中，车辆信息娱乐的操作功能为控制具有车辆导航的多媒体40提供了方便；并且为控制具有智能设备的外部通信设备提供了方便。

此外，通过服务中心的云连接，业务型一体化连接管理的实现提供了根据车辆的IT的远程控制和基于GPS的基于实时车辆位置跟踪服务等的可扩展性，以及车辆的实时问题诊断和用于个人业务秘书角色的云服务支持，例如所需的修理的历史记录和预约业务。

因此，联网车辆1使用人工智能连接系统30，并且可以满足对更高级的服务的需求，例如超出通过语音识别的简单功能控制的限制的导航、车辆被盗、位置跟踪、车辆检测、车辆的打开/关闭等等。

同时，人工智能连接系统30通过对于人工智能的诊断结果S50生成大数据DB S50-1而进一步扩展到建立人工智能的车辆开发系统S200；因此，可以基于开发车辆的大数据提出确定异常噪声和异常振动的基准。

参照图7，人工智能的车辆开发系统包括概念车1-1、车载传感器20、人工智能连接系统30以及用于车辆开发的云系统30-1。

概念车1-1是解决了异常噪声和异常振动的开发车辆。车载传感器20安装在概念车1-1中作为噪声、振动和加速度传感器，该噪声、振动和加速度传感器检测在发动机启动情况下实时测量的麦克风噪声和基于加速度计振动的有问题噪声的产生源。人工智能连接系统30是参照图1至图6描述的人工智能连接系统30，联网车辆1的人工智能的诊断结果被存储为大数据DB。通过与人工智能连接系统30的大数据DB组合来配置车辆开发的云系统30-1；从而，执行DB设置和输入/输出控制以及用于车辆开发目标项目的分类和车辆的开发过程的数据处理和分析。

作为一个实施方案，概念车1-1的车辆开发目标项是链噪声(chain noise)；如果链噪声的目标值的条件将与车辆的操作分析(OA)的水平相比大于10dB的差异定义为10dB以内的水平，则执行以下开发过程。

首先，用于开发的云系统30-1提取发动机的转数、车速、环境条件和用于耐久性的行驶距离条件作为行驶条件数据；将该行驶条件数据视为输入值并将其作为诊断条件提供给人工智能连接系统30。

然后，人工智能连接系统30接收用于车辆开发的云系统30-1的诊断命令，并向安装在概念车1-1中的车载传感器20提供操作命令；将在车载传感器20中检测到的发动机室/车内的噪声和振动的测量值作为输入值进行处理，并将输入值提供给用于车辆开发的云系统30-1作为车载传感器20的实时测量数据。然后，人工智能连接系统30执行参照图1至图6描述的车辆诊断的人工智能S10-1和服务网络的人工智能S100-1，因此获得关于概念车1-1的诊断结果；将诊断结果反馈给概念车1-1和用于车辆开发的云系统30-1，使得概念车1-1的驾驶员和用于车辆开发的云系统30-1的操作员可以分别确认诊断结果。

然后，用于车辆开发的云系统30-1参照并比较人工智能连接系统30的诊断结果和实时测量数据，并且分析和确定链噪声在10dB以内(10dB是开发目标值)是否适当，然后连续地与人工智能连接系统30进行连接，直到达到10dB以内的开发目标值。

因此，通过使用人工智能连接系统30的诊断结果作为目标值，用于车辆开发的云系统30-1可以满足概念车1-1的链噪声；尤其是，积累大数据作为车辆开发数据，所述大数据包括在目标链噪声的开发过程中得到的目标不满足结果和目标满足结果等，建立并利用该大数据作为用于量产车辆的质量偏差的统计管理的DB。

如上所述，根据本发明的联网车辆1包括人工智能连接系统30，该人工智能连接系统30根据基于噪声和振动数据的异常噪声和异常振动的产生状态来产生对于车辆故障状态的诊断结果，所述噪声和振动数据是通过输入到麦克风10的驾驶员的车辆诊断命令在车载传感器20中测量的；该人工智能连接系统30连接到云中心210和呼叫中心230，以便基于GPS识别位置并执行车辆修理的服务预约，从而扩展到基于集成型业务的服务，所述基于集成型业务的服务包括检测基于实时的车辆问题状态的人工智能服务以及基于语音识别的对智能设备和信息娱乐功能进行控制的服务；具体地，通过在检测实时车辆状态时以及在通过驾驶员命令根据噪声/振动信号确定故障诊断时，通过共享基于GPS的服务中心的云信息来实现业务型一体化连接管理，所述业务型一体化连接管理提供诸如实时预约服务等的业务秘书功能。

Claims (20)

1.一种一体化连接管理方法，其包括：

安装在车辆中并且在车辆起动的情况下激活的人工智能连接系统识别驾驶员语音命令中的车辆诊断命令时，基于由安装在车辆中的车载传感器测量的噪声和振动数据，生成故障诊断作为诊断结果；根据该诊断结果确定车辆的故障状态；执行车辆诊断的人工智能，通知驾驶员。

2.根据权利要求1所述的一体化连接管理方法，其中，所述车辆诊断的人工智能进行：A)在所述人工智能连接系统中识别车辆诊断命令；B)向所述人工智能连接系统中的车载传感器发送操作命令；C)基于车载传感器的噪声和振动数据，通过异常噪声和异常振动进行故障诊断，并产生诊断结果；D)将诊断结果分类为没有产生异常噪声和异常振动的车辆正常模式以及产生异常噪声和异常振动的车辆检测模式，并向车辆进行反馈；E)通过语音输出向驾驶员通知车辆正常模式和车辆检测模式的其中一个。

3.根据权利要求2所述的一体化连接管理方法，其中，所述车辆诊断命令由人工智能的讲话者识别功能进行识别。

4.根据权利要求2所述的一体化连接管理方法，其中，在去除对于噪声和振动数据的干扰之后，执行故障诊断。

5.根据权利要求2所述的一体化连接管理方法，其中，所述诊断结果对于噪声和振动数据应用提取噪声和振动信号的功能，并且获得异常噪声和异常振动的产生状态。

6.根据权利要求5所述的一体化连接管理方法，其中，提取噪声和振动信号的功能是通过深度学习方法对噪声和振动数据进行图像处理，以及通过机器学习方法对图像进行噪声信号处理；噪声信号表示为对于噪声和振动的产生源的各个类型的噪声分类模型。

7.根据权利要求2所述的一体化连接管理方法，其中，生成诊断结果作为大数据DB，所述诊断结果用作基于开发车辆的大数据来确定异常噪声和异常振动的基准。

8.根据权利要求1所述的一体化连接管理方法，其中，在所述人工智能连接系统中，执行车辆诊断的人工智能，然后切换为车辆语音控制的人工智能；所述车辆语音控制的人工智能通过语音识别执行智能设备的控制功能以及车辆的信息娱乐的控制功能。

9.根据权利要求1所述的一体化连接管理方法，其包括，当所述人工智能连接系统通过所述诊断结果确定车辆的故障时，执行服务网络的人工智能，所述服务网络连接到云中心以识别基于GPS的位置并且连接到与云中心相关联的呼叫中心以进行服务预约。

10.根据权利要求9所述的一体化连接管理方法，其中，所述服务网络的人工智能包括：F)根据车辆的故障的确定，向车辆反馈修理消息；G)向车辆提供用于修理车辆故障的服务中心的信息；H)识别驾驶员语音预约命令；I)根据语音预约命令、通过呼叫中心预约服务中心，并且执行车辆到服务中心的导航自动设置；J)将车辆故障的诊断结果发送到云中心。

11.根据权利要求10所述的一体化连接管理方法，其中，所述服务中心的信息作为驾驶员定制的业务模式提供给所述驾驶员。

12.根据权利要求10所述的一体化连接管理方法，其中，通过语音输出向驾驶员通知修理消息。

13.根据权利要求9所述的一体化连接管理方法，其中，在所述人工智能连接系统中，执行服务网络的人工智能，然后切换为车辆语音控制的人工智能；车辆语音控制的人工智能通过语音识别执行智能设备的控制功能和车辆的信息娱乐的控制功能。

14.一种联网车辆，其包括：

人工智能连接系统，其与车载传感器连接以用来与用于车辆语音识别的麦克风一起测量噪声和振动，并基于通过输入到麦克风的驾驶员的车辆诊断命令而在车载传感器中测量的噪声和振动数据、根据异常噪声和异常振动的产生状态来获得车辆的修理状态的诊断结果；将诊断结果分类为不需要修理的车辆正常模式和需要修理的车辆检测模式；连接到云中心，以便在车辆检测模式中识别基于GPS的位置；连接到与云中心相关联的呼叫中心以进行服务预约；进行服务预约。

15.根据权利要求14所述的联网车辆，其中，所述人工智能连接系统包括：

深度学习学习部分，其对车载传感器的噪声和振动数据执行应用深度学习方法的图像处理；

机器学习学习部分，其通过对于深度学习学习部分的图像应用机器学习方法来执行噪声信号处理，噪声信号处理表示为对于噪声和振动的产生源的各个类型的噪声分类模型；以及

故障诊断输出确定部分，其将机器学习学习部分的噪声信号分类为车辆正常模式和车辆检测模式，并通过连接到云中心和呼叫中心来执行用于服务预约的输出。

16.根据权利要求15所述的联网车辆，其中，所述深度学习方法是Gabor滤波器特征图。

17.根据权利要求15所述的联网车辆，其中，所述机器学习方法是深度神经网络和卷积神经网络。

18.根据权利要求15所述的联网车辆，其中，所述人工智能连接系统与用于车辆开发的云系统连接；用于车辆开发的云系统与人工智能连接系统的大数据DB结合并执行用于对车辆开发目标项进行分类以及车辆的开发过程的大数据DB建立和输入/输出控制以及数据处理和分析。

19.根据权利要求18所述的联网车辆，其中，用于车辆开发的云系统向人工智能连接系统提供开发车辆的诊断条件。

20.根据权利要求18所述的联网车辆，其中，用于车辆开发的云系统建立并使用与所述人工智能连接系统相关联的车辆开发数据作为用于量产车辆的质量偏差的统计管理的大数据DB。