CN110991939A - 车辆的机油性能评价方法、装置及电子设备 - Google Patents
车辆的机油性能评价方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110991939A CN110991939A CN201911347162.1A CN201911347162A CN110991939A CN 110991939 A CN110991939 A CN 110991939A CN 201911347162 A CN201911347162 A CN 201911347162A CN 110991939 A CN110991939 A CN 110991939A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- engine oil
- oil performance
- characteristic parameters
- 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.)
- Pending
Links
- 239000010705 motor oil Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000003921 oil Substances 0.000 claims abstract description 61
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 8
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 8
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 4
- 239000002253 acid Substances 0.000 claims description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 4
- 229910052782 aluminium Inorganic materials 0.000 claims description 4
- 238000010790 dilution Methods 0.000 claims description 4
- 239000012895 dilution Substances 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 239000000295 fuel oil Substances 0.000 claims description 4
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 229910052710 silicon Inorganic materials 0.000 claims description 4
- 239000010703 silicon Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 23
- 230000004069 differentiation Effects 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供一种车辆的机油性能评价方法、装置、电子设备及计算机可读存储介质,其中,车辆的机油性能评价方法包括:步骤S1,获取待评估车辆的车辆运行数据和天气数据;步骤S2,基于所述车辆运行数据和天气数据确定特征参数;步骤S3,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。车辆的机油性能评价方法包括:根据本发明的机油性能评价方法,能够精确地预测机油等零部件的实际性能,且能够提供基于实际性能的差异化的智能化保养方案。
Description
技术领域
本发明涉及车辆领域,具体涉及一种车辆的机油性能评价方法、装置、电子设备及计算机可读存储介质。
背景技术
现有机油保养方案是基于固定里程或时间。面对日益差异化的用车行为和不同地区的用车环境差异,统一的保养方案常常造成机油剩余性能的浪费或未能及时更换,已不适用于日益扩大的智联网汽车市场。
发明内容
有鉴于此,本发明提供一种车辆的机油性能评价方法、装置、电子设备及计算机可读存储介质,能够精确地预测机油等零部件的实际性能,且能够提供基于实际性能的差异化的智能化保养方案。
为解决上述技术问题,一方面,本发明提供一种车辆的机油性能评价方法,包括如下步骤:
步骤S1,获取待评估车辆的车辆运行数据和天气数据;
步骤S2,基于所述车辆运行数据和天气数据确定特征参数;
步骤S3,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。
进一步地,所述步骤S1中,所述车辆运行数据包括TBox数据和行程数据,所述天气数据包括空气质量指数。
进一步地,所述步骤S2包括:
步骤S21,对所述TBox数据、行程数据和空气质量指数进行处理,得到以天为单位的数据;
步骤S22,将所述以天为单位的TBox数据和行程数据与以天为单位的天气数据相结合,并基于结合后的数据确定所述特征参数。
进一步地,所述特征参数包括油耗、行程中的二氧化硫含量、怠速油耗、急加速次数、速度在90公里/小时以上且120公里/小时以下的累计行驶时间。
进一步地,所述步骤S3中,基于所述特征参数,通过机油性能与所述特征参数的关系模型确定所述待评估车辆的机油性能,以对所述待评估车辆的机油性能进行评价。
进一步地,反应所述机油性能的机油参数包括:运动粘度变化率、总碱值变化值、总酸值变化值、铁含量、铝含量、硅含量、以及燃油稀释度中的一种或多种。
进一步地,所述关系模型通过如下方法生成:
获取多个车辆的机油样本,以及每个机油样本所对应车辆的车辆运行数据和天气数据;
对于所述机油样本进行性能评价,分别得到各个机油样本的机油性能参数;
每个机油样本所对应车辆的车辆运行数据和天气数据进行处理,分别得到所述特征参数;
基于所述机油性能参数与其对应的特征参数,通过非线性机器学习模型进行训练,得到所述关系模型。
第二方面,本发明提供一种机油性能评价装置,包括:
获取模块,用于获取待评估车辆的车辆运行数据和天气数据;
特征参数提取模块,用于基于所述车辆运行数据和天气数据确定特征参数;
评价模块,用于基于所述特征参数对所述待评估车辆的机油性能进行评价。
第三方面,本发明提供一种用于机油性能评价的电子设备,包括:
一个或多个处理器;
一个或多个存储器,其中存储了计算机可读代码,所述计算机可读代码当由所述一个或多个处理器运行时,使得所述处理器执行如下步骤:
步骤S1,获取待评估车辆的车辆运行数据和天气数据;
步骤S2,基于所述车辆运行数据和天气数据确定特征参数;
步骤S3,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。
第四方面,本发明提供一种计算机可读存储介质,其中存储了计算机可读代码,所述计算机可读代码当由一个或多个处理器运行时,使得所述处理器执行如下步骤:
步骤S1,获取待评估车辆的车辆运行数据和天气数据;
步骤S2,基于所述车辆运行数据和天气数据确定特征参数;
步骤S3,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。
本发明的上述技术方案至少具有如下有益效果之一:
根据本发明的车辆的机油性能评价方法,可以获得与机油性能紧密相关的车辆运行数据和天气数据作为特征参数,和获得准确实用的机油性能(评价参数),便于后续准确的车辆的机油性能评价;
进一步地,通过非线性机器学习模型可以准确地建立特征参数与机油性能的关系,便于通过特征参数获得准确机油性能,能够精确地预测机油等零部件的实际性能,且能够提供基于实际性能的差异化的智能化保养方案。
附图说明
图1为根据本发明一实施例的车辆的机油性能评价方法的流程图;
图2为本发明一具体实施例的车辆的机油性能评价方法的示意图;
图3为根据本发明实施例的机油性能评价装置的示意图;
图4为根据本发明实施例的用于机油性能评价的电子设备的示意图。
具体实施方式
下面将结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
现有机油保养方案是基于固定里程或时间。面对日益差异化的用车行为和不同地区的用车环境差异,统一的保养方案常常造成机油剩余性能的浪费或未能及时更换,已不适用于日益扩大的智联网汽车市场。
智联网汽车收集的车辆运行数据,结合机器学习算法,建立机油性能劣化机器学习模型,精确地预测机油等零部件的实际性能,使得基于实际性能的差异化和智能化保养方案成为可能。
下面,首先,结合图1说明根据本发明实施例的车辆的机油性能评价方法。
如图1所示,本发明实施例的车辆的机油性能评价方法,包括:
步骤S1,获取待评估车辆的车辆运行数据和天气数据。
可选地,车辆运行数据包括TBox数据和行程数据。
可选地,天气数据包括空气质量指数。
步骤S2,基于所述车辆运行数据和天气数据确定特征参数。
也就是说,提取与机油性能相关的车辆运行数据和天气数据作为特征参数。
根据本发明一些实施例,步骤S2包括:
步骤S21,对TBox数据、行程数据和空气质量指数进行处理,得到以天为单位的数据;
步骤S22,将以天为单位的TBox数据和行程数据与以天为单位的天气数据相结合,并基于结合后的数据确定所述特征参数。
可选地,基于行业专业知识输入,例如机油性能劣化的物理机理,帮助判断并筛选潜在的模型输入变量;结合统计学分析,筛选潜在的模型输入变量。
进一步地,特征参数可以包括以下一种或多种:油耗、行程中的二氧化硫含量、怠速油耗、急加速次数、速度在90公里/小时以上且120公里/小时以下的累计行驶时间。
由此,可以获得与机油性能紧密相关的车辆运行数据和天气数据作为特征参数,便于后续的模型建立。
需要注意的是,以上只是可选地示例,还可以包括车辆启动次数、发动机运行时间、发动机怠速时间等,即任何与机油性能相关的车辆运行数据和天气数据均应该理解在本发明范围内。
可选地,使用Lasso回归算法,筛选出若干显著特征。由此,可以减少计算量。
步骤S3,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。
根据本发明一些实施例,步骤S3包括:
基于特征参数,通过机油性能与特征参数的关系模型确定待评估车辆的机油性能,以对待评估车辆的机油性能进行评价。
也就是说,通过关系模型,根据特征参数,即可得到机油性能,从而实现对待评估车辆的机油性能进行评价。
可选地,通过创建可能反应机油劣化的机油性能(机油参数),采用Lasso回归算法,确定若干显著机油性能(评价参数)。
进一步地,反应机油性能的机油参数可以包括以下一种或多种:运动粘度变化率、总碱值变化值、总酸值变化值、铁含量、铝含量、硅含量、以及燃油稀释度。
由此,可以获得准确实用的机油性能(评价参数),便于推荐智能化保养方案。
优选地,关系模型通过如下方法生成:
1)获取多个车辆的机油样本,以及每个机油样本所对应车辆的车辆运行数据和天气数据;
2)对于所述机油样本进行性能评价,分别得到各个机油样本的机油性能参数;
3)每个机油样本所对应车辆的车辆运行数据和天气数据进行处理,分别得到所述特征参数;
4)基于所述机油性能参数与其对应的特征参数,通过非线性机器学习模型进行训练,得到所述关系模型。
由此,可以通过非线性机器学习模型可以准确地建立特征参数与机油性能的关系,便于通过特征参数获得准确机油性能,从而实现向用户推荐智能化保养方案。
可选地,基于机油性能(评价参数)对保养方案(机油性能对应需要保养的保养方案)进行分类,例如分为3类(不需要保养,建议保养,急需保养),通过分类模型建立机油性能(评价参数)与保养方案之间的关系。
进一步地,通过将非线性机器学习模型和分类模型进行封装形成实际保养方案分类模型,即通过输入特征参数,即可使得用户获得保养方案。由此,可以使用户直观地了解机油保养方案,方便用户进行相应的保养。
作为示例,如图2所示,具体说明本发明车辆的机油性能评价方法。
根据本发明的车辆的机油性能评价方法,首先对于机油性能进行分析,确定机油性能可以由运动粘度变化率、总碱值变化值、总酸值变化值、铁含量、铝含量、硅含量、以及燃油稀释度中的一种或多种进行表征。为此,需要确定车辆与这些机油参数之间的影响关系,在此基础上对于机油性能劣化进行评价。
具体地,如图2所示,车辆的机油性能评价方法包括:
1)获得TBox数据(TBox信号表)、行程数据(行程表)及以天为单位的天气数据(日平均空气质量指数);
2)基于TBox数据和行程数据确定特征参数;
3)对特征参数进行处理,得到以天为单位的数据,以天为单位的TBox数据和行程数据与以天为单位的天气数据相结合,并基于结合后的数据确定特征参数;
4)特征工程,提出关键的特征参数(包括:油耗、行程中的二氧化硫含量、怠速油耗、急加速次数、速度在90公里/小时以上且120公里/小时以下的累计行驶时间);
5)建立特征参数与机油性能之间的关系模型(大数据预测模型(非线性机器学习模型),通过对特征参数和机油性能进行标注训练,得到大数据预测模型(非线性机器学习模型));
6)模型预测结果输出(通过模型对特征参数的处理,获得机油性能);
7)向用户推荐智能保养方案(基于机油性能,进行保养方案推荐)。
下面,结合图3,说明根据本发明实施例的机油性能评价装置1000。
如图3所示,本发明实施例的机油性能评价装置1000包括:
获取模块,用于获取待评估车辆的车辆运行数据和天气数据;
特征参数提取模块,用于基于所述车辆运行数据和天气数据确定特征参数;
评价模块,用于基于所述特征参数对所述待评估车辆的机油性能进行评价。
进一步地,机油性能评价装置1000还可以分别用于机油性能评价方法中的相应步骤,在此省略其详细说明。
此外,结合图4,说明根据本发明实施例的用于机油性能评价的电子设备1400。
如图4所示,本发明实施例的用于机油性能评价的电子设备1400包括:
处理器1401和存储器1402,在存储器1402中存储有计算机程序指令,其中,在计算机程序指令被处理器运行时,使得处理器1401执行以下步骤:
步骤S1,获取待评估车辆的车辆运行数据和天气数据;
步骤S2,基于所述车辆运行数据和天气数据确定特征参数;
步骤S3,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。
进一步地,处理器1401还可以执行车辆的机油性能评价方法中的相应步骤,在此省略其详细说明。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器1401代表的一个或者多个中央处理器(CPU),以及由存储器1402代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解,总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外,还包括电源总线、控制总线和状态信号总线,这些都是本领域所公知的,因此本文不再对其进行详细描述。
所述网络接口1403,可以连接至网络(如因特网、局域网等),从网络中获取相关数据,并可以保存在硬盘1405中。
所述输入设备1404,可以接收操作人员输入的各种指令,并发送给处理器1401以供执行。所述输入设备1404可以包括键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备1406,可以将处理器1401执行指令获得的结果进行显示。
所述存储器1402,用于存储操作系统运行所必须的程序和数据,以及处理器1401计算过程中的中间结果等数据。
可以理解,本发明实施例中的存储器1402可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。本文描述的装置和方法的存储器1402旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器1402存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统14021和应用程序14014。
其中,操作系统14021,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序14014,包含各种应用程序,例如浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序14014中。
上述处理器1401,当调用并执行所述存储器1402中所存储的应用程序和数据,具体的,可以是应用程序14014中存储的程序或指令时,首先,获取待评估车辆的车辆运行数据和天气数据;接着,基于所述车辆运行数据和天气数据确定特征参数;最后,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。
本发明上述实施例揭示的方法可以应用于处理器1401中,或者由处理器1401实现。处理器1401可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1401可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1402,处理器1401读取存储器1402中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
另外,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行以下步骤:
步骤S1,获取待评估车辆的车辆运行数据和天气数据;
步骤S2,基于所述车辆运行数据和天气数据确定特征参数;
步骤S3,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。
进一步地,所述处理器还可以执行车辆的机油性能评价方法中的相应步骤,在此省略其详细说明。
更进一步地,本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。电子设备(例如可以是服务器、云服务器、或者服务器的一部分等)的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得车辆的机油性能评价装置1000实施上述各种实施方式提供的车辆的机油性能评价方法。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁盘或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种车辆的机油性能评价方法,其特征在于,包括如下步骤:
步骤S1,获取待评估车辆的车辆运行数据和天气数据;
步骤S2,基于所述车辆运行数据和天气数据确定特征参数;
步骤S3,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。
2.根据权利要求1所述的机油性能评价方法,其特征在于,所述步骤S1中,所述车辆运行数据包括TBox数据和行程数据,所述天气数据包括空气质量指数。
3.根据权利要求2所述的机油性能评价方法,其特征在于,所述步骤S2包括:
步骤S21,对所述TBox数据、行程数据和空气质量指数进行处理,得到以天为单位的数据;
步骤S22,将所述以天为单位的TBox数据和行程数据与以天为单位的天气数据相结合,并基于结合后的数据确定所述特征参数。
4.根据权利要求3所述的机油性能评价方法,其特征在于,所述特征参数包括油耗、行程中的二氧化硫含量、怠速油耗、急加速次数、速度在90公里/小时以上且120公里/小时以下的累计行驶时间。
5.根据权利要求1所述机油性能评价方法,其特征在于,所述步骤S3中,基于所述特征参数,通过机油性能与所述特征参数的关系模型确定所述待评估车辆的机油性能,以对所述待评估车辆的机油性能进行评价。
6.根据权利要求5所述的机油性能评价方法,其特征在于,反应所述机油性能的机油参数包括:运动粘度变化率、总碱值变化值、总酸值变化值、铁含量、铝含量、硅含量、以及燃油稀释度中的一种或多种。
7.根据权利要求5所述的机油性能评价方法,其特征在于,所述关系模型通过如下方法生成:
获取多个车辆的机油样本,以及每个机油样本所对应车辆的车辆运行数据和天气数据;
对于所述机油样本进行性能评价,分别得到各个机油样本的机油性能参数;
每个机油样本所对应车辆的车辆运行数据和天气数据进行处理,分别得到所述特征参数;
基于所述机油性能参数与其对应的特征参数,通过非线性机器学习模型进行训练,得到所述关系模型。
8.一种机油性能评价装置,其特征在于,包括:
获取模块,用于获取待评估车辆的车辆运行数据和天气数据;
特征参数提取模块,用于基于所述车辆运行数据和天气数据确定特征参数;
评价模块,用于基于所述特征参数对所述待评估车辆的机油性能进行评价。
9.一种用于机油性能评价的电子设备,其特征在于,包括:
一个或多个处理器;
一个或多个存储器,其中存储了计算机可读代码,所述计算机可读代码当由所述一个或多个处理器运行时,使得所述处理器执行如下步骤:
步骤S1,获取待评估车辆的车辆运行数据和天气数据;
步骤S2,基于所述车辆运行数据和天气数据确定特征参数;
步骤S3,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。
10.一种计算机可读存储介质,其特征在于,其中存储了计算机可读代码,所述计算机可读代码当由一个或多个处理器运行时,使得所述处理器执行如下步骤:
步骤S1,获取待评估车辆的车辆运行数据和天气数据;
步骤S2,基于所述车辆运行数据和天气数据确定特征参数;
步骤S3,基于所述特征参数,对于所述待评估车辆的机油性能进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347162.1A CN110991939A (zh) | 2019-12-24 | 2019-12-24 | 车辆的机油性能评价方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347162.1A CN110991939A (zh) | 2019-12-24 | 2019-12-24 | 车辆的机油性能评价方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991939A true CN110991939A (zh) | 2020-04-10 |
Family
ID=70074775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911347162.1A Pending CN110991939A (zh) | 2019-12-24 | 2019-12-24 | 车辆的机油性能评价方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991939A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765789A (zh) * | 2020-12-31 | 2021-05-07 | 联合汽车电子有限公司 | 机油老化程度预测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102635422A (zh) * | 2011-02-10 | 2012-08-15 | 通用汽车环球科技运作有限责任公司 | 监视机油寿命的方法和系统 |
US20140019068A1 (en) * | 2012-07-10 | 2014-01-16 | Adam Opel AG@@GM GLOBAL TECHNOLOGY OPERATIONS LLC | Systems and methods for determining a state of deterioration of engine oil using multiple preselected oil properties |
US20160061805A1 (en) * | 2014-09-03 | 2016-03-03 | General Electric Company | System and method for estimating engine oil health |
CN107367601A (zh) * | 2017-06-30 | 2017-11-21 | 哈尔滨工业大学(威海) | 一种基于大数据的汽车机油寿命分析预测方法 |
CN108068730A (zh) * | 2016-11-08 | 2018-05-25 | 大陆汽车投资(上海)有限公司 | 用于提醒车辆保养的方法和车辆保养提醒系统 |
CN109164249A (zh) * | 2018-10-09 | 2019-01-08 | 武汉材料保护研究所有限公司 | 一种基于车载诊断系统的汽油发动机润滑油性能评估方法 |
-
2019
- 2019-12-24 CN CN201911347162.1A patent/CN110991939A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102635422A (zh) * | 2011-02-10 | 2012-08-15 | 通用汽车环球科技运作有限责任公司 | 监视机油寿命的方法和系统 |
US20140019068A1 (en) * | 2012-07-10 | 2014-01-16 | Adam Opel AG@@GM GLOBAL TECHNOLOGY OPERATIONS LLC | Systems and methods for determining a state of deterioration of engine oil using multiple preselected oil properties |
US20160061805A1 (en) * | 2014-09-03 | 2016-03-03 | General Electric Company | System and method for estimating engine oil health |
CN108068730A (zh) * | 2016-11-08 | 2018-05-25 | 大陆汽车投资(上海)有限公司 | 用于提醒车辆保养的方法和车辆保养提醒系统 |
CN107367601A (zh) * | 2017-06-30 | 2017-11-21 | 哈尔滨工业大学(威海) | 一种基于大数据的汽车机油寿命分析预测方法 |
CN109164249A (zh) * | 2018-10-09 | 2019-01-08 | 武汉材料保护研究所有限公司 | 一种基于车载诊断系统的汽油发动机润滑油性能评估方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765789A (zh) * | 2020-12-31 | 2021-05-07 | 联合汽车电子有限公司 | 机油老化程度预测方法、装置、设备及存储介质 |
CN112765789B (zh) * | 2020-12-31 | 2023-07-28 | 联合汽车电子有限公司 | 机油老化程度预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deissenboeck et al. | Software quality models: Purposes, usage scenarios and requirements | |
CN110602045B (zh) | 一种基于特征融合和机器学习的恶意网页识别方法 | |
CN110059894B (zh) | 设备状态评估方法、装置、系统及存储介质 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
Beghoura et al. | Green software requirements and measurement: random decision forests-based software energy consumption profiling | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
US12019059B2 (en) | Detecting equipment defects using lubricant analysis | |
CN112749081A (zh) | 用户界面测试方法及相关装置 | |
CN105740280A (zh) | 检测变量重要性的方法和装置 | |
CN110727437A (zh) | 代码优化项获取方法、装置、存储介质及电子设备 | |
CN112084180A (zh) | 一种监控车载应用质量的方法、装置、设备及介质 | |
CN112463530A (zh) | 微服务系统的异常检测方法、装置、电子设备及存储介质 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
CN110991939A (zh) | 车辆的机油性能评价方法、装置及电子设备 | |
CN113516251A (zh) | 一种机器学习系统及模型训练方法 | |
CN116679139A (zh) | 电缆更换监测系统及方法 | |
Persson | Management of sustainability in construction works | |
CN109389972B (zh) | 语义云功能的质量测试方法、装置、存储介质和设备 | |
CN115512098A (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
CN111275306B (zh) | 电梯改造评估方法及电梯改造评估系统 | |
CN113779391A (zh) | 基于建模的智能锁开锁推荐方法、系统、装置及存储介质 | |
CN112363784A (zh) | 在应用程序中显示窗口的方法和装置 | |
CN113361811A (zh) | 运行状态预测方法、系统、设备及计算机可读存储介质 | |
CN113360397A (zh) | 系统功能的回归测试方法、装置、设备及存储介质 | |
Shepperd | Evaluating software project prediction systems |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |