CN110059325B - 车辆故障预警系统及对应的车辆故障预警方法 - Google Patents

Abstract

本发明涉及一种车辆故障预警系统(2)，所述车辆故障预警系统(2)与多个车辆通信连接并能够对车辆即将发生的故障进行预警。所述车辆故障预警系统(2)包括配置成在一定的时间跨度内从所述多个车辆收集车辆数据以形成数据集群的数据收集模块(15)、配置成基于要生成的故障预测模型的特点来从所述数据集群筛选数据的数据筛选模块(18)、配置成利用大数据处理算法由筛选的数据构建用于预测车辆故障的故障预测模型的预测模型生成模块(16)、以及配置成在调用所述故障预测模型的情况下基于实时车辆数据来预测车辆是否存在即将发生的故障的故障预测模块(17)。本发明还涉及一种对应的车辆故障预警方法。

Description

车辆故障预警系统及对应的车辆故障预警方法

技术领域

本发明涉及一种车辆故障预警系统。本发明还涉及一种对应的车辆故障预警方法。

背景技术

随着计算机和网络技术的迅速发展，极大地推进了车联网技术的发展和应用。目前，车联网技术可以通过收集车辆信息、比如地理位置、车速、路况等来将各车辆连接从而构成巨大的交互网络。尽管这种车辆网络已经允许在线监测和诊断车辆故障，但是现有技术中常规的远程监测和诊断通常是事后性的且是迟钝的。

所述“事后性”指的是现有技术中的远程监测和诊断手段通常是在车辆故障已经真实发生后才能判断出故障的出现并由此才能对已经出现的故障进行诊断并提供维修建议。这种“事后性”的方式往往会造成在毫无察觉的情况下使得车辆从出现某个问题、即“亚健康”状态以不可逆转的损害直接发展演变成车辆故障、即“疾病”状态，这不仅关联有复杂且高成本的诊断和维修工作，而且会使得用户在毫不知情的情况下驾驶随时会出现故障的“亚健康”车出门，这不仅会有半路抛锚的风险甚至可能危及生命。

所述“迟钝”指的是现有技术中的远程监测和诊断系统通常是由汽车厂商或相关厂商提供的，这样的系统往往偏于保守、包容性广且数据更新比较慢，这意味着这样的远程监测和诊断系统不能够敏捷、即时、可靠、准确地发现车辆的故障。

发明内容

因此，本发明的目的在于提供一种能在故障发生前准确、即时地预测车辆即将发生的故障的“事前性”车辆故障预警系统和车辆故障预警方法，这种车辆故障预警系统及方法使得相关人员在故障发生前就能够较早地干预车辆可能存在的问题，由此不仅能降低维修的成本和复杂度，更可以扼制车辆从小的问题演变向具有极大危险和麻烦的车辆故障。

上述目的在一方面通过一种车辆故障预警系统实现的，所述车辆故障预警系统与多个车辆通信连接并能够对车辆即将发生的故障进行预警，所述车辆故障预警系统包括：

-数据收集模块，所述数据收集模块配置成在一定的时间跨度内从所述多个车辆收集车辆数据以形成数据集群；

-数据筛选模块，所述数据筛选模块配置成基于要生成的故障预测模型的特点来从所述数据集群筛选数据；

-预测模型生成模块，所述预测模型生成模块配置成利用大数据处理算法由所述数据筛选模块筛选的数据构建用于预测车辆故障的故障预测模型；以及

-故障预测模块，所述故障预测模块配置成在调用所述故障预测模型的情况下基于实时车辆数据来预测车辆是否存在即将发生的故障并在预测出车辆存在即将发生的故障时发出警示。

根据本发明的一个优选的实施例，所述故障预测模型是由健康的车辆数据所构建的、用于描述健康的车辆的运行状态的第一类型的模型；或者所述故障预测模型是由即将出现故障的车辆的数据所构建的、用于描述即将出现故障的车辆的运行状态的第二类型的模型。

根据本发明的又一优选的实施例，所述故障预测模型表达成特定的故障参数与该故障参数的至少一个影响参数之间的数学函数。

根据本发明的另一优选的实施例，所述故障预测模块进一步配置成：在分析车辆是否存在即将发生的故障时，将所述至少一个影响参数的实时测量值代入所述数学函数而计算出故障参数的估算值；并且通过比较所述故障参数的估算值与故障参数的对应的实时测量值来判断当前车辆是否存在即将发生的故障。

根据本发明的再一优选的实施例，所述故障预测模块进一步配置成：在调用所述第一类型的模型的情况下，如果所述故障参数的估算值与故障参数的对应的实时测量值之间的偏差超出预设的范围，则表明车辆即将发生所述故障参数所代表的故障；在调用所述第二类型的模型的情况下，如果所述故障参数的估算值与故障参数的对应的实时测量值之间的偏差位于预设的范围内，则表明车辆即将发生所述故障参数所代表的故障。

上述目的在另一方面通过一种车辆故障预警方法来实现的，所述方法包括以下步骤：

a)在一定的时间跨度内从多个车辆收集车辆数据以形成数据集群；

b)基于要生成的故障预测模型的特点来从所述数据集群筛选数据；

c)利用大数据处理算法由筛选出的数据构建用于预测车辆故障的故障预测模型；

d)基于所述故障预测模型和实时车辆数据来预测车辆是否存在即将发生的故障；并且

e)在预测出车辆存在即将发生的故障时发出警示。

根据本发明的一个优选的实施例，步骤b)以下述方式实施：从所述数据集群筛选出的数据要么是健康的车辆数据，从而能够构建用于描述健康的车辆的运行状态的第一类型的模型，要么是即将出现故障的车辆的数据，从而能够构建用于描述即将出现故障的车辆的运行状态的第二类型的模型。

根据本发明的又一优选的实施例，步骤c)以下述方式实施：所述故障预测模型表达成特定的故障参数与该故障参数的至少一个影响参数之间的数学函数。

根据本发明的再一优选的实施例，步骤d)以下述方式实施：将所述至少一个影响参数的实时测量值代入所述数学函数而计算出故障参数的估算值并且比较所述故障参数的估算值与故障参数的对应的实时测量值；并且，在使用所述第一类型的模型的情况下，如果所述故障参数的估算值与故障参数的对应的实时测量值之间的偏差超出预设的范围，则表明车辆即将发生所述故障参数所代表的故障；在使用所述第二类型的模型的情况下，如果所述故障参数的估算值与故障参数的对应的实时测量值之间的偏差位于预设的范围内，则表明车辆即将发生所述故障参数所代表的故障。

根据本发明的另一优选的实施例，在步骤c)之后且在步骤d)之前还执行以下步骤：利用构建所述故障预测模型未使用的车辆数据来验证所述故障预测模型，并在验证不符合要求的情况下调整所述故障预测模型。

附图说明

本发明的特征及其优点可以通过阅读下述参考附图的对一些示例性优选实施例的详细说明来进一步理解。所述附图为：

图1示出根据本发明的车辆故障预警体系的示意性框图；

图2示出根据本发明的用于车辆的电驱动系统的示意性框图；

图3示出根据本发明的车辆故障预警系统的示意性结构框图；

图4示出根据本发明的车辆故障预警体系的工作流程图；

图5示出根据本发明的车辆故障预警方法的第一实施例的流程图；并且

图6示出根据本发明的车辆故障预警方法的第二实施例的流程图。

具体实施方式

在本申请文件中，相同的附图标记指代相同或类似的部件或元件。

图1示出基于本发明的基本构思所构建的车辆故障预警体系1的示意性框图。如图1所示，根据本发明的车辆故障预警体系包括车辆故障预警系统2以及与车辆故障预警系统通信的多个车辆3-1、3-2、…、3-n，其中，所述多个车辆两两之间也能够进行通信以进行必要的数据传输。

在一个特别的实施例中，车辆可以没有与车辆故障预警系统2直接地通信，而是将别的车辆作为中继站来将数据间接地传输给车辆故障预警系统2。而且，与同一车辆故障预警系统通信连接的车辆可以是任何车辆，而不局限于具有相同的标识、如相同的发动机型号的车辆。车辆的类型也不受限制，可以是电动车辆、混动车辆、或者传统的燃料驱动式车辆。下文中以电驱动系统为例来详细说明根据本发明的车辆故障预警体系1的布局与工作方式。

由此，车辆故障预警系统2和与其直接或间接通信连接的多个车辆3-1、3-2、…、3-n共同构建出突破地域和时间限制的网络化车辆故障预警体系。

图2示出根据本发明的用于车辆的电驱动系统4的示意性框图，其中，该电驱动系统4属于被车辆故障预警系统2所监控和预警的对象。电驱动系统4主要包括具有电池管理系统(BMS)和电池组件的电池系统6、受电池系统6驱动的电机7、位于电池系统6与电机7的逆变器8、将由电机7产生的力矩传递给终端负载11、例如车轮并包括齿轮组件和变速器控制单元(TCU)的变速器9、以及用于控制电驱动系统4的运行的控制单元5。所述控制单元5包括车辆通信模块14，该车辆通信模块一方面在车辆内部与电驱动系统4的各部件、尤其是电池管理系统、逆变器8、电机7、变速器控单元和根据需要而设置的各种传感器10(比如轮速传感器)通信，以从这些部件收集信息，所收集的信息包括但不局限于：电机速度，电机温度，齿轮箱温度，电池组件温度，相关部位的电流和电压等；另一方面，车辆通信模块14在车辆外部与上述车辆故障预警系统2通信，以将所收集到的车辆数据、其处理生成的数据、或者别的数据、例如GPS信息、车辆ID、电驱动系统ID等传输给车辆故障预警系统2。

图3示出根据本发明的车辆故障预警系统2的示意性结构框图。在结合图3来详细说明车辆故障预警系统2的架构之前，首先要解释的是，本发明涉及的是一种“事前性”的故障预警系统，其旨在发现即将发生但尚未发生的车辆故障并作出警示。这种技术构思的可行性基于以下事实：车辆从某个或某些部件出现问题到演变成故障之前会经历一个发展过程，处于该发展过程中的、即处于所谓的“亚健康”状态的车辆所呈现的参数与“健康”的车辆存在差异，而且前者的参数会随着时间以偏离“健康”参数越来越远的方向演进。因而，这种参数的差异化和发展趋势提供了识别“亚健康”车辆并由此实现故障的事前预警的可能性。

为了更好地说明这种故障演变过程，下面以电机过热这一为例来进一步解释。首先，电机的某个部件出现问题，比如轴承磨损严重以至不能满足电机的设计要求，此时，电机从“健康”状态变化成“亚健康”状态。但是这种问题本身难以被检查到，而且也不会在一开始就导致电机故障。随着轴承磨损程度的加剧以及电机以不满足设计要求的状态的持续运行，电机的温升越来越大直至超过额定温升以至出现轴承断裂，此时，电机由“亚健康”状态转变成“疾病”状态。本发明所要实现的便是要识别出这种尚未呈现过热但是趋于过热的亚健康状态，从而可以做出过热预警并促使相关人员对已经出现问题且将要过热的电机进行必要的检查和维修，由此可以避免过热以及过热所引发更严重的后果和更大的危险。

为了实现这一目的，根据本发明的用于实现故障预警的所述车辆故障预警系统2包括数据收集模块15、预测模型生成模块16和故障预测模块17。数据收集模块15配置成从通信连接的各个车辆的车辆通信模块14收集数据并将收集到的数据提供给预测模型生成模块16和/或故障预测模块17。预测模型生成模块16用于基于数据收集模块15所提供的车辆数据利用大数据处理算法来生成用于预测车辆故障的故障预测模型，并且故障预测模块17用于基于由数据收集模块15所收集的实时车辆数据和由预测模型生成模块16所生成的故障预测模型来预测车辆是否存在即将发生但尚未发生的故障，从而可以在故障发生前对相关人员发出预警。

进一步而言，预测模型生成模块16配置成针对不同的车辆故障来生成对应的故障预测模型。但是，并非全部车辆数据都与特定的车辆故障相关。如果将与特定的目标故障关系不大甚至毫无关系的车辆数据都传输给预测模型生成模块16的话，不但对模型的建立无所助益反而增加了计算成本。为此，根据本发明，在数据收集模块15将数据传输给预测模型生成模块16之前首先需要对数据进行筛选和过滤。这种筛选和过滤可以通过在车辆故障预警系统2中附加地设置的数据筛选模块18来执行，该数据筛选模块18既可以独立于模块15、16、17地设置，比如如图3所示那样连接于数据收集模块15与预测模型生成模块16之间，也可以作为子模块集成在这些模块15-17的任何一个中。

根据本发明的一特别的实施例，预测模型生成模块16配置成基于健康的车辆数据来建立故障预测模型。由此建立的故障预测模型实际上是一种描述健康车辆的运行状况的模型。也即，它描述了健康的车辆应当呈现怎样的运行状态和运行参数。

在这种情况下，为了确保故障预测模型是建立在纯净的健康数据的基础上，由数据收集模块15提供给预测模型生成模块16的数据必须过滤掉非健康的数据。对此，例如，数据收集模块15可以在一定时间跨度内从各个车辆持续地收集车辆数据直至需要向预测模型生成模块16提供数据时，此时，数据收集模块15将这些数据全部传输给数据筛选模块18，数据筛选模块18继而将当前已经出现故障的车辆所产生的数据删除并进而将删除后的数据提供给预测模型生成模块16。

根据本发明的另一特别的实施例，预测模型生成模块16配置成基于亚健康的车辆数据来建立故障预测模型。在这种情况下，所述故障预测模型实际上是一种描述已经出现问题但尚未演变成故障的车辆的运行状况的模型。也就是说，它描述了即将发生故障的“亚健康”车辆应当呈现怎样的运行状态和运行参数。为此，数据筛选模块18从数据收集模块15收集的数据中筛选出已经出现故障的车辆在亚健康阶段所产生的数据并将筛选出的亚健康数据提供给预测模型生成模块16。

一言以蔽之，数据筛选模块18配置成基于预测模型生成模块16所要建立的故障预测模型的特点来过滤和筛选由数据收集模块15所收集的数据，以确保只向预测模型生成模块16提供与要建立的故障预测模型有关的数据。

此外，预测模型生成模块16建立故障预测模型所采用大数据处理算法例如是通用算法或神经网络算法等，这些算法可以从现有技术知晓，在此不再予以赘述。并且，预测模型生成模块16所针对的目标故障应当可以表征为一个可测量的物理参量比如电机温度、逆变器的温度、或者其它物理参量比如电流、电压等。

在一特别的实施例中，由预测模型生成模块16通过大数据分析建立的故障预测模型表达为目标故障参数与其影响参数之间的数学函数。例如，针对电机绕组过热这一故障的预测模型表达为下述数学函数：

T(t₀,t₁,…t_n)＝FCN(N(t₀,t₁,…t_n),I(t₀,t₁,…t_n),V(t₀,t₁,…t_n),TO(t₀,t₁,…t_n))(1)

其中，T表示电机绕组温度，n代表驱动时间内的第n次采样，t_n代表第n次采样的时间点，FCN表示由各影响参数N、I、V和TO预测电机绕组温度T的模型函数，其中，影响参数N表示包括电机转速，影响参数I表示电机电流、影响参数V表示电池电压，影响参数TO表示电机力矩。这些影响参数是基于对电驱动系统的物理分析而选取的。

图4示出根据本发明的车辆故障预警体系1的工作流程图。下面结合图4来说明车辆故障预警体系1的工作方式。

如图4所示，首先，在步骤S1中，与车辆故障预警系统2通信连接的多个车辆中的每个车辆的控制单元5实时收集车辆的数据并将其实时地发送给车辆故障预警系统2的数据收集模块15。

然后，在步骤S2中，数据收集模块15在一定时间跨度内持续地收集车辆数据以形成数据集群，其中，该数据集群作为构建故障预测模型的基础。

再然后，在步骤S3中，根据预测模型生成模块16要生成的故障预测模型的对象和特点，将所述数据集群经由数据筛选模块18过滤和筛选后提供给预测模型生成模块16；

接下来，在步骤S4中，在预测模型生成模块16中基于所提供的数据利用大数据处理算法来构建故障预测模型。

再然后，在步骤S5中，利用构建故障预测模型没有使用的车辆数据来验证所建立的故障预测模型。如果验证符合要求，则继续进行接下来的步骤；如果验证不符合要求，则调整故障预测模型，直至验证达标。

然后，在步骤S6中，在构建出符合要求的故障预测模型后，故障预测模块17一方面接收数据收集模块15从车辆接收的实时车辆数据，另一方面调用预测模型生成模块16所生成的故障预测模型，并且根据实时车辆数据和故障预测模型来分析车辆是否存在即将发生的故障。

最后，在步骤S7中，所述故障预测模块17在判断出车辆存在即将发生故障时向给相关人员、比如驾驶员或监控人员发出预警并给予相关的建议。

图4宏观地展示了由根据本发明的车辆故障预警体系1实施的车辆故障预警方法，而图5和图6分别展示了这种车辆故障预警方法的两种具体的实施例。这两个实施例均是以电机过热为目标故障，但两者的关键区别在于所构建的故障预警模型不同。

在图5示出的根据本发明的车辆故障预警方法的第一实施例中：

首先，在步骤S11中，使数据收集模块15在一定时间跨度内从与车辆故障预警系统2通信连接的多个车辆收集车辆数据以形成数据集群，其中，该数据集群作为构建用于预测电机绕组过热的模型的基础。

然后，在步骤S12中，数据筛选模块18从所述数据集群筛选出与电机绕组过热有关联的健康的车辆数据并将其提供给预测模型生成模块16。其中，可以基于电机绕组过热的物理原因来选取与电机绕组过热关联的车辆数据，比如电机转速、电机电流、电池电压、电机力矩等。而且，数据筛选模块18还要确保筛选出的数据均是健康的车辆数据，这可以通过过滤掉在所述时间跨度内、甚至直至筛选数据时出现故障的车辆所产生的数据来实现。

再然后，在步骤S13中，在预测模型生成模块16中利用大数据处理算法由所提供的数据构建出用于预测电机绕组过热的第一类型的预测模型，该第一类型的预测模型例如可以表达为一数学函数，该数学函数的形式可以类似于上文提及的数学函数(1)。

接下来，在步骤S14中，利用构建所述第一类型的预测模型时没有使用过的车辆数据来验证该预测模型。在验证不符合要求的情况下调整预测模型，直至验证达标，类似于上述步骤S5。

然后，在步骤S15中，故障预测模块17一方面从数据收集模块15实时地接收最新的车辆数据，一方面调用步骤S13中所构建的电机绕组过热的预测模型，并基于两者来分析车辆是否存在即将发生的电机绕组过热。具体的分析方法是：将实时电机速度值、实时电机电流值、实时电池电压值、实时电机力矩值代入步骤S13中所构建的数学函数来计算出估算的电机绕组温度值。其中，所述估算的电机绕组温度值具有这样的含义：它意味着对于一个健康的电驱动系统，它在具有这样的电机速度值、电机电流值、电池电压值和电机力矩值的情况下应当具有怎样的电机绕组温度值。这种估算的电机绕组温度值是在大量的健康的电驱动系统数据的基础上所推算的。它表明在大量的健康的电驱动系统曾经出现过的状态中，当它们呈现这样的电机速度值、电机电流值、电池电压值和电机力矩值的同时呈现了怎样的电机绕组温度值。

再然后，在步骤S16中，比较所述估算的电机绕组温度值与对应的实时的电机绕组温度测量值。如果对应的实时的电机绕组温度测量值与估算的电机绕组温度值之间的偏差位于预设的范围内，则表示电驱动系统当前的运行状态无异于一个健康的电驱动系统，因而当前的电驱动系统是健康、正常的，不存在即将发生的电机绕组过热；反之，如果对应的实时的电机绕组温度测量值比估算的电机绕组温度值高出的偏差超出预设的范围，则表示该电驱动系统存在某些故障并即将发生电机绕组过热。

进而，在随后的步骤S17中，在预测出电机绕组即将过热时向相关人员发出警示并提供相关的建议。

根据本发明的该实施例实现了以下技术效果：相关人员可以在电机过热以至引发其它更严重的问题之前就能够获知电机可能即将出现过热，从而可以较早地干预存在问题的电驱动系统，由此不仅可以节约维修成本，而且更重要的还能预防更严重的危险、甚至是生命危险的发生。

在一特别的实施例中，上述步骤S14中的预测模型的验证具体可以采用下述方式来实施：将未使用的至少一组车辆数据代入所述数学函数以计算出对应的电机绕组温度值，然后比较计算出的电机绕组温度值与对应的实时的电机绕组温度测量值；如果两者之间的偏差超出预设的范围，则表明目前的故障预测模型是不够准确的，需要进一步调整。

在图6示出的根据本发明的车辆故障预警方法的第二实施例中：

首先，在步骤S21中，与步骤S11类似地，使数据收集模块15在一定时间跨度内从多个车辆收集车辆数据以形成用于建模的数据集群。

然后，在步骤S22中，数据筛选模块18从所述数据集群中筛选出与电机过热关联的亚健康的车辆数据并将筛选出的数据提供给预测模型生成模块16。对于“与电机过热关联”这一筛选条件的理解可以参考上述步骤S12的说明。对于“亚健康”这一筛选条件，要求数据同时满足下述两个要求：首先必须是已经出现电机过热的电驱动系统的数据，其次必须是从电机升温开始至出现电机过热这个时间段内的数据。

接下来，在步骤S23中，与步骤S13类似地，在预测模型生成模块16中利用大数据处理算法由所提供的数据构建出用于预测电机过热的第二类型的预测模型，该预测模型例如可以表达为一数学函数，该数据函数的形式可以类似于上述数学函数(1)，但函数内容不同于上述第一实施例所构建的第一类型的故障预测函数。由于第二类型的故障预测模型是基于大量的亚健康车辆数据、即电机过热不久前的车辆数据建立的，因而这种预测模型描述了即将发生电机过热的车辆所呈现的状态。

然后，在步骤S24中，利用构建故障预测模型没有使用过的车辆数据来验证该模型；在验证不符合要求的情况下调整模型，直至验证达标，这类似于上述步骤S5和S14；

再然后，在步骤S25中，故障预测模块17一方面从数据收集模块15实时地接收最新的车辆数据，一方面调用步骤S23中所构建的电机过热的预测模型，并基于两者来分析车辆是否存在即将发生的电机过热。具体的分析方法是：将实时电机速度值、实时电机电流值、实时电池电压值、实时电机力矩值代入步骤S23中所构建的数学函数来计算出估算的电机温度值。其中，所述估算的电机温度值具有这样的含义：它表示存在某些会导致电机过热的问题的亚健康的电驱动系统在呈现这样的电机速度值、电机电流值、电池电压值和电机力矩值的情况下会呈现这样的电机温度值。这种估算的电机温度值是在大量的亚健康的电驱动系统数据的基础上推算得到的。它表明在大量的电驱动系统曾经出现过的亚健康的状态中，当它们呈现这样的电机速度值、电机电流值、电池电压值和电机力矩值的同时呈现了怎样的电机温度值。

然后，在步骤S26中，比较估算的电机温度值与对应的实时的电机温度测量值。如果对应的实时的电机温度测量值与估算的电机温度值相差较大，则表明电驱动系统当前的运行状态显著不同于亚健康的电驱动系统，因而可以认定当前的电驱动系统是健康、正常的且不存在即将发生的电机过热。反之，如果对应的实时的电机温度测量值与估算的电机温度值近似或相同，例如两者的偏差位于预设的范围内，则表示当前的电驱动系统的运行状态类似于之前出现过的亚健康的电驱动系统的运行状态，因而它很有可能像历史上的那些亚健康的电驱动系统那样即将发生电机过热。在这种情况下，进而在随后的步骤S27中向相关人员发出过热预警并提供相关的建议。

当然，本发明的构思不局限于针对电机过热这一种故障，而是也适用于任何其它车辆故障，比如电池组故障、齿轮箱故障等。

此外，还需要说明的是，根据本发明的预测模型生成模块16还可以同时构建上述第一类型的故障预测模型和上述第二类型的故障预测模型两者，从而故障预测模块17可以一并调用这两种类型的模型来进行故障预警分析，并在这两种类型的模型均表明当前车辆存在即将发生的故障时才发出故障预警。这降低了误报的风险，提高了故障预警的可信度。

尽管一些实施例已经被说明，但是这些实施例仅仅是以示例的方式予以呈现，而没有旨在限定本发明的范围。所附的权利要求和它们的等价形式旨在覆盖落在本发明范围和精神内的所有改型、替代和改变。

Claims (8)

1.一种车辆故障预警系统(2)，所述车辆故障预警系统(2)与多个车辆通信连接并能够对车辆即将发生的故障进行预警，所述车辆故障预警系统(2)包括：

-数据收集模块(15)，所述数据收集模块(15)配置成在一定的时间跨度内从所述多个车辆收集车辆数据以形成数据集群；

-数据筛选模块(18)，所述数据筛选模块(18)配置成基于要生成的故障预测模型的特点来从所述数据集群筛选数据；

-预测模型生成模块(16)，所述预测模型生成模块(16)配置成由所述数据筛选模块(18)筛选的数据构建用于预测车辆故障的故障预测模型；以及

-故障预测模块(17)，所述故障预测模块(17)配置成在调用所述故障预测模型的情况下基于实时车辆数据来预测车辆是否存在即将发生的故障并在预测到车辆存在即将发生的故障时发出警示，

其中，所构建的故障预测模型是第一类型的模型和/或第二类型的模型，其中，所述第一类型的模型是基于健康的车辆数据所构建的、用于描述健康的车辆的运行状态的故障预测模型，而所述第二类型的模型是基于即将出现故障的车辆的数据所构建的、用于描述即将出现故障的车辆的运行状态的故障预测模型，

其中，在所构建的故障预测模型是第一类型的模型的情况下，数据收集模块(15)将所收集的车辆数据全部传输给数据筛选模块(18)，数据筛选模块(18)继而将当前已经出现故障的车辆所产生的数据删除并进而将删除后的数据提供给预测模型生成模块(16)，

其中，在所构建的故障预测模型是第二类型的模型的情况下，数据筛选模块(18)从数据收集模块(15)收集的数据中筛选出已经出现故障的车辆在亚健康阶段所产生的数据并将筛选出的亚健康数据提供给预测模型生成模块(16)。

2.根据权利要求1所述的车辆故障预警系统(2)，其特征在于，

所述故障预测模型表达成特定的故障参数与所述故障参数的至少一个影响参数之间的数学函数，其中，所述特定的故障参数指的是表征特定的车辆故障的参数；和/或

所述预测模型生成模块(16)配置成利用大数据处理算法来由所述筛选的数据构建所述故障预测模型。

3.根据权利要求2所述的车辆故障预警系统(2)，其特征在于，

所述故障预测模块(17)进一步配置成：在预测车辆是否存在即将发生的故障时，将所述至少一个影响参数的实时测量值代入所述数学函数从而计算出故障参数的估算值；并且通过比较所述故障参数的估算值与故障参数的对应的实时测量值来判断当前车辆是否存在即将发生的故障。

4.根据权利要求3所述的车辆故障预警系统(2)，其特征在于，

所述故障预测模块(17)进一步配置成：在调用所述第一类型的模型的情况下，如果所述故障参数的估算值与故障参数的对应的实时测量值之间的偏差超出预设的范围，则表明车辆即将发生所述故障参数所表征的故障；在调用所述第二类型的模型的情况下，如果所述故障参数的估算值与故障参数的对应的实时测量值之间的偏差位于预设的范围内，则表明车辆即将发生所述故障参数所表征的故障。

5.一种车辆故障预警方法，所述方法包括以下步骤：

a)在一定的时间跨度内从多个车辆收集车辆数据以形成数据集群；

b)基于要生成的故障预测模型的特点来从所述数据集群筛选数据；

c)由筛选出的数据构建用于预测车辆故障的故障预测模型；

d)基于所述故障预测模型和实时车辆数据来预测车辆是否存在即将发生的故障；并且

e)在预测到车辆存在即将发生的故障时发出警示，其中，采用下述方式实施步骤b)和步骤c)：

在步骤b)中从所述数据集群筛选出健康的车辆数据，进而在步骤c)中构建用于描述健康的车辆的运行状态的第一类型的模型；和/或

在步骤b)中从所述数据集群筛选出即将出现故障的车辆的数据，进而在步骤c)中构建用于描述即将出现故障的车辆的运行状态的第二类型的模型，

其中，在步骤c)中构建第一类型的模型的情况下，将当前已经出现故障的车辆所产生的数据删除并进而将删除后的数据作为筛选出的数据，

其中，在步骤c)中构建第二类型的模型的情况下，筛选出已经出现故障的车辆在亚健康阶段所产生的数据并将筛选出的亚健康数据作为筛选出的数据。

6.根据权利要求5所述的车辆故障预警方法，其特征在于，采用下述方式实施步骤c)：

所述故障预测模型表达成特定的故障参数与所述故障参数的至少一个影响参数之间的数学函数，其中，所述特定的故障参数指的是表征特定的车辆故障的参数；和/或

利用大数据处理算法由所述筛选出的数据构建所述故障预测模型。

7.根据权利要求6所述的车辆故障预警方法，其特征在于，采用下述方式实施步骤d)：

将所述至少一个影响参数的实时测量值代入所述数学函数从而计算出故障参数的估算值并且比较所述故障参数的估算值与故障参数的对应的实时测量值；

并且，在使用所述第一类型的模型的情况下，如果所述故障参数的估算值与故障参数的对应的实时测量值之间的偏差超出预设的范围，则表明车辆即将发生所述故障参数所表征的故障；在使用所述第二类型的模型的情况下，如果所述故障参数的估算值与故障参数的对应的实时测量值之间的偏差位于预设的范围内，则表明车辆即将发生所述故障参数所表征的故障。

8.根据权利要求5-7中任一项所述的车辆故障预警方法，其特征在于，在步骤c)之后且在步骤d)之前还执行以下步骤：

利用构建所述故障预测模型未使用的车辆数据来验证所述故障预测模型，并在验证不符合要求的情况下调整所述故障预测模型。