CN109492710B - 一种新能源汽车故障检测辅助方法 - Google Patents

Abstract

本发明公开了新能源汽车故障检测辅助方法，该方法主要作用为对已经出现故障或即将出现故障的新能源车辆进行故障紧急处理并寻求一定范围内车辆协助。首先采用车辆行驶的多组历史数据建立原始数据库；然后利用数据库的数据，进行分类器的训练；并使用当前已经训练得到的分类器进行车辆状态分析，同时在车辆行驶过程中不断地进行数据库内数据的更新，以及对车辆状态的预测和故障车辆故障原因的预测；最后在无法得到分析结果，或者得到的分析结果不具有可执行性时，系统进行求助。使用本方法，可以在车辆行进中实时分析得到车辆当前的综合状态，并且可以在车辆故障等情况下分析故障原因，并进行求助。

Description

一种新能源汽车故障检测辅助方法

技术领域

本发明涉及新能源车辆故障检测中，对已经出现故障或即将出现故障的新能源车辆进行故障紧急处理并寻求一定范围内车辆协助的智能系统。

背景技术

新能源汽车由于行业整体发展时间相对较短，在很多相关方面的技术并不完全成熟，产品并不十分稳定，因此，故障出现的概率相对较大。另一方面，社会中绝大部分车主对于新能源车辆的故障现象辨识经验尚有所欠缺，不能准确详细地描述车辆所可能出现的故障。对于目前的车辆故障检测系统，其在某些情况下又需要专业人员使用专业的工具才能准确获取车辆故障信息，所以车主自行修理的希望非常渺茫。而且也无法分析车辆故障出现的原因，很难避免下一次出现同样或者相关的故障。因此传统的车辆故障检测系统既不具有解决问题的实时性，无法解决紧急事件，也无法对故障进行深入的来源分析，避免下一次故障出现。这样的情况下，面对紧急事件，车主只能通过电话等方式寻求专业人员的协助。

发明内容

本发明的目的在于克服已有技术的缺点，提供一种在一定程度上可以预防故障出现或者指导性地解决车辆故障且在一定程度上降低了修理难度的新能源汽车故障检测辅助方法。

一种新能源汽车故障检测辅助方法，包括以下步骤：

步骤一、建立数据库：

初始状态下，采用车辆行驶的多组历史数据建立原始数据库，在所述的原始数据库中每一组历史数据与对应的车辆状态标签以及该标签对应的车辆状态三者形成彼此对应的一组车辆映射数据；

步骤二、分类器训练：

初始状态下，在车辆未行驶时从原始数据库中依次提取每组车辆映射数据，训练集成学习算法的分类器，其中提取的历史数据作为分类器的输入，对应的车辆状态标签作为分类器的输出参考数值，具体过程如下：

(1)建立集成学习基分类器，初始一共建立N个集成学习的基分类器，N是数据库中标签种类的数目；

(2)确定所述的N个基分类器的初始权值，均为1/N，用公式(1)表示，式(1)中W₀(N)为基分类器权值的集合，SW_0N代表初始权值中第N个分类器的权值，基分类器权值的集合表示强的分类器是由N个基分类器构成的，并且此时这N个分类器还未被训练；

(3)更新所述的N个基分类器的权值，从原始数据库中获取一组车辆映射数据，将获取的历史数据以及同时刻的车辆状态输入到强分类器中的各个基分类器中，将获取的车辆状态标签作为这些基分类器输出的参考数值，统计各个基分类器的实际输出数值与参考数值不相等的个数，除以对应基分类器的实际输出数值的总个数，得到N个基分类器的N个分类误差率，并根据N个误差率计算出N个基分类器的新的权值，新的权值集合与原来的权值集合之间的映射关系用公式(2)来表示，其中新的分类器的权值集合为W_j+1(N)，原来的分类器的权值集合为W_j(N)，f为前后权值的映射关系，用公式(3)表示；

W_j+1(N)＝f(W_j(N)),j＝0,1,2,…,N-1 (2)

(4)重复步骤(3)从原始数据库中获取另一组车辆映射数据，持续更新所述的N个基分类器的权值以对分类器进行训练，当这N个基分类器的分类误差率的变化率降低到规定的阈值以下时，停止训练，此时得到了最佳的基分类器权值集合，N个基分类器以此时基分类器权值集合中的N个权值作为比例，加权相加得到最终的强分类器；若车辆启动时分类器仍然未训练完成，则停止分类器的训练，并记录当前获取的数据在数据库中的位置，使用当前已经训练得到的各个基分类器的N个权值，加权相加得到临时的强分类器，待车辆停止后，继续进行训练；

步骤三、车辆行驶过程，刷新数据库及进行车辆状态分析：

刷新数据库，步骤为：

车辆启动行驶，在车辆行进过程中，车辆CAN总线不断获取车辆行驶数据并形成新的车辆映射数据输入所述的原始数据库内对原有数据不断进行更新形成不断更新的数据库；

车辆状态分析，步骤为：

当车辆行驶时，利用已经训练好的集成学习强分类器或临时的强分类器，对车辆状态实时地进行分类估计，得到实时的车辆状态标签；若车辆状态为易出现故障状态、异常行驶状态或者故障状态中的一种，进入车辆状态预测模块；

步骤四、车辆状态预测：

进入车辆状态预测模块时，若车辆状态为易出现故障状态或者异常行驶状态，该模块利用KNN算法对车辆在未来一段时间内的状态进行预测，该过程为：

(1)采用欧拉公式计算当前车辆状态标签与数据库中各车辆状态标签间的欧拉距离；

(2)对全部欧拉距离由小到大进行排序，提取前10％个数据，形成这些距离的数据集合；

(3)重复步骤(1)-(2)多次，得到多组距离的数据集合，寻找集合中出现次数最多的数据，并提取对应的车辆状态标签，这个标签为车辆在未来可能会达到的状态；

进入车辆状态预测模块时，若车辆状态为故障状态，提示停车，并提取最近一段时间内车辆状态标签，形成历史参考数据标签，同样重复步骤(1)-(3)计算当前车辆状态标签与历史参考数据标签间的欧拉距离，得到车辆当前状态标签与历史参考数据标签中哪一个标签最接近，将其作为导致车辆故障的原因；若车辆状态预测模块在设定时间内无法分析得到故障原因，或者分析的结果不具有执行性，此时进入请求协助模块；

步骤五、请求协助：

进入请求协助模块时，该模块询问“是否上报故障信息”，若得到允许，则执行请求协助，该过程为：

(1)获取车辆当前所在地点、当前时间、车牌号以及故障信息；

(2)车辆的GPRS将获取的信息上传至服务器；

(3)服务器确定故障车辆当前所在位置周围一定范围内可接受信息的车辆，向各车辆发送求助信息；

(4)当服务器接收到提供协助车辆的应答信息时，服务器请求故障车辆是否将该车辆的详细信息发送至协助车辆；

(5)若故障车辆允许服务器发送信息，则服务器将故障车辆的所在地点、车牌号以及故障信息发送至协助车辆；

步骤六、车辆停止行驶，若车辆上一次启动时，分类器未训练完成，则从上一次训练临时终止时所记录的数据库中的位置处按照时间顺序依次获取车辆状态数据继续进行训练，若车辆上一次启动时，分类器已经训练完成，则从头按照时间顺序依次获取数据库的数据进行步骤二，训练得到最新的强分类器，待当车辆再次启动时采用最新的数据库重复步骤三至步骤六。

与现有技术相比，本发明的有益效果是：

对于新能源汽车的车辆状态进行了分析估计，利用机器学习可以综合考虑多种车辆参数的综合变化趋势，避免了单个阈值独立判断可能导致的误判，并预测故障可能出现的时间，在一定程度上可以预防故障出现；

对于已经出现了故障的车辆，进行了故障原因分析，避免出现下一次同样的故障，同时生成故障解决方案，在一定程度上可以更加详细地、有指导性地解决车辆故障；

对于无法解决故障的车辆，系统进行了协助请求，寻找周围一定范围内可以提供援助的车辆。

本发明充分利用了车辆参数，在出现车辆故障时，有了更多的解决方式，而不是单一的等待。这既在一定程度上降低了修理难度，同时对于故障的解决也更加具有实时性。

具体实施方式

下面结合具体实施案例，对本发明做进一步的说明：

本发明的一种新能源汽车故障检测辅助方法，包括以下步骤：

步骤一、建立数据库：

初始状态下，采用车辆行驶的多组历史数据建立原始数据库，在所述的原始数据库中每一组历史数据与对应的车辆状态标签以及该标签对应的车辆状态三者形成彼此对应的一组车辆映射数据，所述的车辆行驶数据包括油门踏板高度、四轮的扭矩、电池包温度、车胎气压等等，同一时刻的这些车辆行驶数据综合起来表示该时刻的车辆状态(一组包含了同一时刻车辆各种参数的数组表示一个车辆状态)，这些参数均可以从车辆CAN总线上获取，获取数据后，这些车辆状态参数被赋予标签，例如：汽车左前车胎气压有细微流失的标签为数字0001，右前车胎气压有细微流失的标签为数字0002等；

步骤二、分类器训练：

初始状态下，在车辆未行驶时从原始数据库中依次提取每组车辆映射数据，训练集成学习算法的分类器，其中提取的历史数据作为分类器的输入，对应的车辆状态标签作为分类器的输出参考数值，具体过程如下：

(1)建立集成学习基分类器，也就是弱分类器，初始一共建立N个集成学习的基分类器，N是数据库中标签种类的数目(以下所有的N表示相同的含义)；

(2)确定所述的N个基分类器的初始权值，均为1/N，用公式(1)表示，式(1)中W₀(N)为基分类器权值的集合，SW_0N代表初始权值中第N个分类器的权值，基分类器权值的集合表示强的分类器是由N个基分类器构成的，并且此时这N个分类器还未被训练；

(3)更新所述的N个基分类器的权值，从原始数据库中获取一组车辆映射数据，将获取的历史数据输入到强分类器中的各个基分类器中，将获取的车辆状态标签作为这些基分类器输出的参考数值，统计各个基分类器的实际输出数值与参考数值不相等的个数，除以对应基分类器的实际输出数值的总个数，得到N个基分类器的N个分类误差率，并根据N个误差率计算出N个基分类器的新的权值，新的权值集合与原来的权值集合之间的映射关系可以用公式(2)来表示，其中新的分类器的权值集合为W_j+1(N)，原来的分类器的权值集合为W_j(N)，f为前后权值的映射关系，可以用公式(3)来表示；

W_j+1(N)＝f(W_j(N)),j＝0,1,2,…,N-1 (2)

(4)重复步骤(3)从原始数据库中获取另一组车辆映射数据，持续更新所述的N个基分类器的权值以对分类器进行训练，当这N个基分类器的分类误差率的变化率降低到规定的阈值以下时，停止训练，此时得到了最佳的基分类器权值集合，N个基分类器以此时基分类器权值集合中的N个权值作为比例，加权相加得到最终的强分类器；若车辆启动时分类器仍然未训练完成，则停止分类器的训练，并记录当前获取的数据在数据库中的位置，使用当前已经训练得到的各个基分类器的N个权值，加权相加得到临时的强分类器，待车辆停止后，继续进行训练；

步骤三、车辆行驶过程，刷新数据库及进行车辆状态分析：

刷新数据库，步骤为：

车辆启动行驶，在车辆行进过程中，车辆CAN总线不断获取车辆行驶数据并形成新的车辆映射数据输入所述的原始数据库内对原有数据不断进行更新形成不断更新的数据库；

车辆状态分析，步骤为：

当车辆行驶时，利用已经训练好的集成学习强分类器或临时的强分类器，对车辆状态实时地进行分类估计，得到实时的车辆状态标签；若车辆状态为易出现故障状态、异常行驶状态或者故障状态中的一种，进入车辆状态预测模块；易出现故障状态，指容易出现车辆异常或者故障状态；异常行驶状态，指已经出现异常车辆状态，但车辆依然可以继续行驶；故障状态，指已经出现车辆故障状态，车辆无法继续行驶；

本发明采用集成学习算法的分类器，可以融合具有不同优势的分类器进而可以处理多类数据，且精度较高。

步骤四、车辆状态预测：

进入车辆状态预测模块时，若车辆状态为易出现故障状态或者异常行驶状态，该模块利用KNN算法对车辆在未来一段时间内的状态进行预测，该过程为：

(1)采用欧拉公式计算当前车辆状态标签与数据库中各车辆状态标签间的欧拉距离；

(2)对全部欧拉距离由小到大进行排序，提取前10％个数据，形成这些距离的数据集合；

(3)重复步骤(1)-(2)多次，如1000次，得到多组(如1000组)距离的数据集合，寻找集合中出现次数最多的数据，并提取对应的车辆状态标签，这个标签为车辆在未来可能会达到的状态；

进入车辆状态预测模块时，若车辆状态为故障状态，提示停车，并提取最近一段时间内车辆状态标签，形成历史参考数据标签，同样重复步骤(1)-(3)计算当前车辆状态标签与历史参考数据标签间的欧拉距离，得到车辆当前状态标签与历史参考数据标签中哪一个标签最接近，将其作为导致车辆故障的原因；若车辆状态预测模块在设定时间内(如：一小时内)无法分析得到故障原因，或者分析的结果不具有执行性(如：发动机油泵故障，非专业人员无法处理)，此时进入请求协助模块；

步骤五、请求协助：

进入请求协助模块时，为了保证车辆信息的安全，该模块询问“是否上报故障信息”，若得到允许，则执行请求协助，该过程为：

(1)获取车辆当前所在地点、当前时间、车牌号以及故障信息；

(2)车辆的GPRS将获取的信息上传至服务器；

(3)服务器确定故障车辆当前所在位置周围一定范围内可接受信息的车辆，向各车辆发送求助信息；

(4)当服务器接收到提供协助车辆的应答信息时，服务器请求故障车辆是否将该车辆的详细信息发送至协助车辆；

(5)若故障车辆允许服务器发送信息，则服务器将故障车辆的所在地点、车牌号以及故障信息发送至协助车辆。

步骤六、车辆停止行驶，若车辆上一次启动时，分类器未训练完成，则从上一次训练临时终止时所记录的数据库中的位置处按照时间顺序依次获取车辆状态数据继续进行训练，若车辆上一次启动时，分类器已经训练完成，则从头按照时间顺序依次获取数据库的数据进行步骤二，训练得到最新的强分类器，待当车辆再次启动时采用最新的数据库重复步骤三至步骤六。

尽管上面结合公式对本发明的基本算法进行了描述，但是本发明并不局限于上述的具体计算过程，上述的计算方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以作出很多变形，这些均属于本发明的保护之内。

Claims (1)

1.一种新能源汽车故障检测辅助方法，其特征在于包括以下步骤：

步骤一、建立数据库：

初始状态下，采用车辆行驶的多组历史数据建立原始数据库，在所述的原始数据库中每一组历史数据与对应的车辆状态标签以及该标签对应的车辆状态三者形成彼此对应的一组车辆映射数据；

步骤二、分类器训练：

初始状态下，在车辆未行驶时从原始数据库中依次提取每组车辆映射数据，训练集成学习算法的分类器，其中提取的历史数据作为分类器的输入，对应的车辆状态标签作为分类器的输出参考数值，具体过程如下：

(1)建立集成学习基分类器，初始一共建立N个集成学习的基分类器，N是数据库中标签种类的数目；

(2)确定所述的N个基分类器的初始权值，均为1/N，用公式(1)表示，式(1)中W₀(N)为基分类器权值的集合，SW_0N代表初始权值中第N个分类器的权值，基分类器权值的集合表示强的分类器是由N个基分类器构成的，并且此时这N个分类器还未被训练；

(3)更新所述的N个基分类器的权值，从原始数据库中获取一组车辆映射数据，将获取的历史数据以及同时刻的车辆状态输入到强分类器中的各个基分类器中，将获取的车辆状态标签作为这些基分类器输出的参考数值，统计各个基分类器的实际输出数值与参考数值不相等的个数，除以对应基分类器的实际输出数值的总个数，得到N个基分类器的N个分类误差率，并根据N个误差率计算出N个基分类器的新的权值，新的权值集合与原来的权值集合之间的映射关系用公式(2)来表示，其中新的分类器的权值集合为W_j+1(N)，原来的分类器的权值集合为W_j(N)，f为前后权值的映射关系，用公式(3)表示；

W_j+1(N)＝f(W_j(N)),j＝0,1,2,…,N-1 (2)

(4)重复步骤(3)从原始数据库中获取另一组车辆映射数据，持续更新所述的N个基分类器的权值以对分类器进行训练，当这N个基分类器的分类误差率的变化率降低到规定的阈值以下时，停止训练，此时得到了最佳的基分类器权值集合，N个基分类器以此时基分类器权值集合中的N个权值作为比例，加权相加得到最终的强分类器；若车辆启动时分类器仍然未训练完成，则停止分类器的训练，并记录当前获取的数据在数据库中的位置，使用当前已经训练得到的各个基分类器的N个权值，加权相加得到临时的强分类器，待车辆停止后，继续进行训练；

步骤三、车辆行驶过程，刷新数据库及进行车辆状态分析：

刷新数据库，步骤为：

车辆启动行驶，在车辆行进过程中，车辆CAN总线不断获取车辆行驶数据并形成新的车辆映射数据输入所述的原始数据库内对原有数据不断进行更新形成不断更新的数据库；

车辆状态分析，步骤为：

当车辆行驶时，利用已经训练好的集成学习强分类器或临时的强分类器，对车辆状态实时地进行分类估计，得到实时的车辆状态标签；若车辆状态为易出现故障状态、异常行驶状态或者故障状态中的一种，进入车辆状态预测模块；

步骤四、车辆状态预测：

进入车辆状态预测模块时，若车辆状态为易出现故障状态或者异常行驶状态，该模块利用KNN算法对车辆在未来一段时间内的状态进行预测，该预测过程为：

(1)采用欧拉公式计算当前车辆状态标签与数据库中各车辆状态标签间的欧拉距离；

(2)对全部欧拉距离由小到大进行排序，提取前10％个数据，形成这些距离的数据集合；

(3)重复步骤(1)-(2)多次，得到多组距离的数据集合，寻找集合中出现次数最多的数据，并提取对应的车辆状态标签，这个标签为车辆在未来可能会达到的状态；

进入车辆状态预测模块时，若车辆状态为故障状态，提示停车，并提取最近一段时间内车辆状态标签，形成历史参考数据标签，同样重复步骤(1)-(3)计算当前车辆状态标签与历史参考数据标签间的欧拉距离，得到车辆当前状态标签与历史参考数据标签中哪一个标签最接近，将其作为导致车辆故障的原因；若车辆状态预测模块在设定时间内无法分析得到故障原因，或者分析的结果不具有执行性，此时进入请求协助模块；

步骤五、请求协助：

进入请求协助模块时，该模块询问“是否上报故障信息”，若得到允许，则执行请求协助，该请求协助过程为：

(1)获取车辆当前所在地点、当前时间、车牌号以及故障信息；

(2)车辆的GPRS将获取的信息上传至服务器；

(3)服务器确定故障车辆当前所在位置周围一定范围内可接受信息的车辆，向各车辆发送求助信息；

(4)当服务器接收到提供协助车辆的应答信息时，服务器请求故障车辆是否将该车辆的详细信息发送至协助车辆；

(5)若故障车辆允许服务器发送信息，则服务器将故障车辆的所在地点、车牌号以及故障信息发送至协助车辆；

步骤六、车辆停止行驶，若车辆上一次启动时，分类器未训练完成，则从上一次训练临时终止时所记录的数据库中的位置处按照时间顺序依次获取车辆状态数据继续进行训练，若车辆上一次启动时，分类器已经训练完成，则从头按照时间顺序依次获取数据库的数据进行步骤二，训练得到最新的强分类器，待当车辆再次启动时采用最新的数据库重复步骤三至步骤六。