CN112363488A - 车辆故障处理系统及方法 - Google Patents
车辆故障处理系统及方法 Download PDFInfo
- Publication number
- CN112363488A CN112363488A CN202011419738.3A CN202011419738A CN112363488A CN 112363488 A CN112363488 A CN 112363488A CN 202011419738 A CN202011419738 A CN 202011419738A CN 112363488 A CN112363488 A CN 112363488A
- Authority
- CN
- China
- Prior art keywords
- fault
- vehicle
- processing
- module
- latent
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 256
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000004171 remote diagnosis Methods 0.000 claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims description 103
- 238000004458 analytical method Methods 0.000 claims description 95
- 238000013500 data storage Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 abstract description 19
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000003672 processing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种车辆故障处理系统及方法,本发明通过预设神经网络模型进行故障预测,获得故障预测结果;在故障预测结果中存在潜在故障时,对潜在故障进行分类,获得故障分类结果,并根据故障分类结果确定潜在故障对应的故障处理模块,将潜在故障对应的故障处理指令发送至故障处理模块进行故障处理;在检测到存在无法处理的目标潜在故障时,将目标潜在故障的故障处理指令发送至远程诊断单元进行故障处理。由于是根据预设神经网络模型对车辆数据进行预测并通过对应的故障处理模块对潜在故障进行控制处理,相对于人工线下寻找维修资源处理故障,本发明实现了提前获知车辆系统中潜在故障并主动采取措施处理潜在故障,从而提升故障处理效率。
Description
技术领域
本发明涉及汽车技术领域,尤其涉及一种车辆故障处理系统及方法。
背景技术
目前,随着汽车智能网联化水平的提升,对汽车的诊断系统提出更高要求,现有车辆诊断系统处理故障的逻辑普遍是车辆出现故障,车辆自带报警功能提示人工采取措施,或者发送故障信息到远程服务系统,由专家系统输出故障解决方案,人工线下寻找维修资源处理故障。由于现有的故障处理方式不能对车辆潜在故障进行预判,导致在发生故障时处理时效变长,用户体验感差。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种车辆故障处理系统及方法,旨在解决现有技术中对于无法对车辆潜在故障进行预判,导致故障处理效率低的技术问题。
为实现上述目的,本发明提供一种车辆故障处理系统,所述车辆故障处理系统包括:车辆控制单元、智能诊断单元以及远程诊断平台;
所述车辆控制单元,用于获取待诊断车辆的车辆功能实时数据;
所述车辆控制单元,还用于通过预设神经网络模型对所述车辆功能实时数据进行故障预测,获得故障预测结果,并将所述故障预测结果发送至所述智能诊断单元;
所述智能诊断单元,用于在所述故障预测结果中存在潜在故障时,对所述潜在故障进行分类,获得故障分类结果;
所述智能诊断单元,还用于根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理;
所述智能诊断单元,还用于在检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台进行故障处理。
优选地,所述车辆控制单元包括:第一故障分析模块;
所述第一故障分析模块,用于获取所述车辆功能实时数据的数据变化信息;
所述第一故障分析模块,还用于通过预设神经网络模型根据所述数据变化信息对所述待诊断车辆进行安全稳定性分析,并根据分析结果进行故障预测,获得故障预测结果。
优选地,所述车辆控制单元还包括:第一故障数据查询模块;
所述第一故障数据查询模块,用于通过第一故障数据存储模块查询与所述故障预测结果相匹配的故障代码、故障描述和处理指令;
所述第一故障分析模块,还用于根据所述故障代码、故障描述和处理指令确定所述故障预测结果对应的控制处理方式,并将所述控制处理方式发送至故障预测结果对应的故障处理模块进行故障处理。
优选地,所述智能诊断单元包括:第二故障分析模块;
所述第二故障分析模块,用于在所述故障预测结果中存在多个潜在故障时,获取各潜在故障对应的故障等级,并根据所述故障等级对所述多个潜在故障进行优先级排序,获得排序结果;
所述第二故障分析模块,还用于根据所述排序结果确定各潜在故障对应的故障处理模块,并将所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理。
优选地,所述智能诊断单元还包括:第二故障数据查询模块和第二故障数据存储模块;
所述第二故障分析模块,用于根据所述排序结果从所述第二故障数据存储模块中查询与所述潜在故障相匹配的故障处理指令;
所述第二故障分析模块,还用于根据所述故障处理指令确定所述潜在故障对应的控制处理方式,并将所述控制处理方式发送至所述潜在故障对应的故障处理模块进行故障处理。
优选地,所述远程诊断平台,还用于根据预设故障分析模型对所述目标潜在故障进行分析,获得分析结果;
所述远程诊断平台,还用于根据所述分析结果生成所述待诊断车辆的故障诊断结果。
优选地,所述远程诊断平台包括:第一决策模块;
所述第一决策模块,用于根据预设分析决策算法搜索所述目标潜在故障对应的车型数据,根据所述车型数据确定所述目标潜在故障对应的故障处理方式;
所述第一决策模块,还用于将所述故障处理方式对应的控制指令发送至所述智能诊断单元;
所述第一决策模块,还用于在检测到不存在所述目标潜在故障对应的故障处理方式时,通过预设神经网络模型对所述目标潜在故障进行故障分析,并生成故障处理决策;
所述智能诊断平台,还用于将所述故障处理决策发送至所述智能诊断单元的故障处理模块进行故障处理。
此外,为实现上述目的,本发明还提供一种车辆故障处理系统的车辆故障处理方法,所述车辆故障处理方法包括:
所述车辆控制单元获取待诊断车辆的车辆功能实时数据;
所述车辆控制单元通过预设神经网络模型对所述车辆功能实时数据进行故障预测,获得故障预测结果,并将所述故障预测结果发送至所述智能诊断单元;
所述智能诊断单元在所述故障预测结果中存在潜在故障时,对所述潜在故障进行分类,获得故障分类结果;
所述智能诊断单元根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理;
所述智能诊断单元在检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台进行故障处理。
优选地,所述远程诊断平台根据预设故障分析模型对所述目标潜在故障进行分析,获得分析结果;
所述远程诊断平台根据所述分析结果生成所述待诊断车辆的故障诊断结果。
优选地,所述远程诊断平台包括:第一决策模块;
所述第一决策模块根据预设分析决策算法搜索所述目标潜在故障对应的车型数据,根据所述车型数据确定所述目标潜在故障对应的故障处理方式;
所述第一决策模块将所述故障处理方式对应的控制指令发送至所述智能诊断单元;
所述第一决策模块在检测到不存在所述目标潜在故障对应的故障处理方式时,通过预设神经网络模型对所述目标潜在故障进行故障分析,并生成故障处理决策;
所述智能诊断平台将所述故障处理决策发送至所述智能诊断单元的故障处理模块进行故障处理。
本发明通过车辆控制单元获取待诊断车辆的车辆功能实时数据;所述车辆控制单元通过预设神经网络模型对所述车辆功能实时数据进行故障预测,获得故障预测结果,并将所述故障预测结果发送至所述智能诊断单元;所述智能诊断单元在所述故障预测结果中存在潜在故障时,对所述潜在故障进行分类,获得故障分类结果;所述智能诊断单元根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理;所述智能诊断单元在检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台进行故障处理。由于是根据预设神经网络模型对车辆数据进行预测并通过对应的故障处理模块对潜在故障进行控制处理,相对于人工线下寻找维修资源处理故障,本发明实现了提前获知车辆系统中潜在故障并主动采取措施处理潜在故障,从而降低故障发生频率,提升用户体验感。
附图说明
图1为本发明车辆故障处理系统第一实施例的结构框图;
图2为本发明车辆故障处理系统第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明基于车辆故障处理系统第一实施例的结构框图。
如图1所示,该车辆故障处理系统可以包括:车辆控制单元1001、智能诊断单元1002以及远程诊断平台1003。
本领域技术人员可以理解,图1中示出的结构并不构成对车辆故障处理系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例提供了一种车辆故障处理系统,参照图1,图1为本发明车辆故障处理的结构框图。
本实施例中,所述车辆故障处理系统包括:车辆控制单元1001、智能诊断单元1002以及远程诊断平台1003。
本实施例中所述车辆控制单元1001,用于获取待诊断车辆的车辆功能实时数据。
需说明的是,待诊断车辆可以是指需要进行故障诊断的车辆,也可以是在驾驶过程中对目标车辆进行故障预判的车辆。
可理解的是,车辆功能实时数据可以是待诊断车辆各控制单元的实时数据,也可以是待诊断车辆历的历史功能数据。驾驶数据可以包含故障驾驶数据、故障处理数据及车速信息等。
具体实现中,车辆控制单元1001可以通过待诊断车辆各控制单元获取实时数据,也可以通过车辆数据库中获取历史功能数据。
所述车辆控制单元1001,还用于通过预设神经网络模型对所述车辆功能实时数据进行故障预测,获得故障预测结果,并将所述故障预测结果发送至所述智能诊断单元;
需说明的是,预设神经网络模型可以是BP(back propagation)神经网络模型。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。车辆控制单元1001包含第一故障数据存储模块、第一故障分析模块以及第一故障数据查询模块。第一故障数据存储模块可以是用于存储故障预测结果中的故障数据;第一故障分析模块可以用于检测车辆各功能实时数据,例如:车辆在行驶状态下,电源管理单元的实时数据;第一故障数据查询模块用于查询故障预测结果对应的故障数据。
可理解的是,故障预测可以是对车辆功能实时数据中存在的潜在故障进行预判,故障预测结果可以是指在对车辆功能实时数据中存在的潜在故障进行预判生成的故障信息,所述故障信息可以是一个控制单元存在的潜在故障,也可以是多个控制单元存在的潜在故障。
具体实现中,车辆控制单元1001可以通过BP神经网络模型分析车辆功能实时数据的安全性和稳定性,预判是否可能演变成故障数据,并解析高危数据信息。
所述智能诊断单元1002,用于在所述故障预测结果中存在潜在故障时,对所述潜在故障进行分类,获得故障分类结果。
需说明的是,分类结果可以是根据预判故障信息中是否存在车辆控制单元控制无法处理的潜在故障进行分类所生成的结果。
可理解的是,潜在故障可以是根据车辆实时功能数据中的高危数据信息所确定的故障。
具体实现中,智能诊断单元1002可以根据车辆各控制单元将可以控制处理的潜在故障分为A类,不能本地处理的故障信息分为B类。A类故障信息可以由本地控制单元进行处理,B类故障信息可以上传到远程诊断服务平台1003进行分析处理。
所述智能诊断单元1002,还用于根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理。
需说明的是,故障处理模块可以是车辆各控制单元对应的模块。所述故障处理指令可以是本地车辆控制单元下发的指令,也可以是远程下发的指令。
具体实现中,智能诊断单元1002根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理。
所述智能诊断单元1002,还用于在检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台1003进行故障处理。
需说明的是,故障诊断结果可以是故障信息对应的处理报告。所述处理报告可以包括故障描述、故障原因分析、影响范围、处置措施以及后续措施等信息。
可理解的是,目标潜在故障可以是指不能根据智能诊断单元1002存储的处理方式解决的潜在故障。
应理解的是,目标潜在故障的故障处理指令可以是需要对目标潜在故障进行解析的处理指令,例如:在检测到无法处理目标潜在故障时,发送故障处理指令至远程诊断平台1003进行故障处理。
具体实现中,智能诊断单元1002检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台1003进行故障处理。
本施例通过车辆控制单元1001获取待诊断车辆的车辆功能实时数据;所述车辆控制单元1001通过预设神经网络模型对所述车辆功能实时数据进行故障预测,获得故障预测结果,并将所述故障预测结果发送至所述智能诊断单元1002;所述智能诊断单元1002在所述故障预测结果中存在潜在故障时,对所述潜在故障进行分类,获得故障分类结果;所述智能诊断单元1002根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理;所述智能诊断单元1002在检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台1003进行故障处理。由于是根据预设神经网络模型对车辆数据进行预测并通过对应的故障处理模块对潜在故障进行控制处理,相对于人工线下寻找维修资源处理故障,本发明实现了提前获知车辆系统中潜在故障并主动采取措施处理潜在故障,从而降低故障发生频率,提升用户体验感。
基于上述第一实施例,提出本发明车辆故障处理系统的第二实施例。
在本实施例中,所述车辆控制单元1001包括:第一故障分析模块;
所述第一故障分析模块,用于获取所述车辆功能实时数据的数据变化信息;
需说明的是,数据变化信息可以是车辆各功能模块的实时运行数据,所述数据变化信息可以是车辆各功能模块在实时运行过程中相较于历史数据的变化信息。
所述第一故障分析模块,还用于通过预设神经网络模型根据所述数据变化信息对所述待诊断车辆进行安全稳定性分析,并根据分析结果进行故障预测,获得故障预测结果。
需说明的是,预设神经网络模型可以是BP神经网络模型,BP神经网络模型通过BP算法将每次根据训练得到的结果与预设结果进行误差分析,进而修改权值和阈值,一步步输出结果,将输出结果预设阈值进行比对,从而对所述待诊断车辆进行安全稳定性分析。
可理解的是,分析结果可以是第一故障分析模块根据BP算法对数据安全性和稳定性进行分析得到的结果。例如:第一故障分析模块根据BP算法判断数据变化信息中包含的运行数据是否超出预设阈值,进而分析数据波动幅度并确定待诊断车辆行车安全性是否达标。
应理解的是,故障预测结果可以是第一故障分析模块根据BP算法判断待诊断车辆安全性和稳定性是否达标,在安全性和稳定性不达标时,输出分析结果。
具体实现中,第一故障分析模块可以通过BP算法对数据变化信息中包含的运行数据进行安全性分析,在运行数据对应的数据波动幅度超过预设阈值时,判定当前待诊断车辆安全性不达标,并对不达标数据进行故障预测,以获得故障预测结果。
进一步地,所述所述车辆控制单元1001还包括:第一故障数据查询模块;所述第一故障数据查询模块,用于通过第一故障数据存储模块查询与所述故障预测结果相匹配的故障代码、故障描述和处理指令;所述第一故障分析模块,还用于根据所述故障代码、故障描述和处理指令确定所述故障预测结果对应的控制处理方式,并将所述控制处理方式发送至故障预测结果对应的故障处理模块进行故障处理。。
需说明的是,第一故障数据存储模块可以用于存储实时故障信息、历史故障信息的模块,也可以用于存储故障信息对应的控制处理方式信息。
可理解的是,故障代码可以是根据故障预测结果确定待诊断车辆软件、硬件不能正常运行时,通过预设故障代码判断当前故障预测结果对应的故障代码,并可以根据故障代码的显示方式告知驾驶员,驾驶员可以通过错误代码快速找到软件、硬件不能正常运行的原因。例如:P0123,这个故障代码表示的意思是节气门位置传感器A电路输入电压过高。故障代码可以有英文、阿拉伯数字构成,例如:第一位可以由英文构成。如:P、B、C和U;P表示动力传动系统;B表示车身电器;C表示底盘系统;U表示未定义或者是车辆的网络故障,第二位可由数字组成,表示制作代码的主体,0表示SAE(美国汽车工程师学会)定义的代码,1表示待诊断车辆生产厂家定义的代码;第三位可由数字组成,表示被检测故障的子系统代码,数字范围是0-8,0表示系统,故障代码的后面两个字母是原厂代码,可由厂家定义设置。
应理解的是,在故障数据存储模块查询到故障预测结果匹配的故障代码对应的故障位置可由驾驶员自行解决时,第一故障分析模块将所述故障代码、故障描述以及处理指令对应的控制处理方式通过显示器告知驾驶员,并由驾驶员自行处理;在第一故障数据存储模块查询到故障预测结果匹配的故障代码对应的故障位置不能由驾驶员自行解决时,查询故障代码对应的处理指令和故障描述,第一故障分析模块将故障代码和故障描述通过显示器告知驾驶员,并根据处理指令查找对应的控制处理方式。
具体实现中,第一故障分析模块根据故障预测结果中潜在的故障提前做出相应的控制处理和输出报警提示信息。控制处理方式包括但不限于重启控制器、更新系统软件、复位控制模块、限制系统输出功率和扭矩、限制车辆运行速度、采取制动等。将所述控制处理方式发送至故障预测结果对应的故障处理模块进行故障处理,第一故障分析模块识别到的潜在故障及处理方式存储到故障数据查询模块,故障数据查询模块用于对潜在故障与处理方式的查询,比如外接诊断设备的查询或车机设备以图形、文本、列表等方式展示存在的潜在故障。
进一步地,所述智能诊断单元1002包括:第二故障分析模块;所述第二故障分析模块,用于在所述故障预测结果中存在多个潜在故障时,获取各潜在故障对应的故障等级,并根据所述故障等级对所述多个潜在故障进行优先级排序,获得排序结果;所述第二故障分析模块,还用于根据所述排序结果确定各潜在故障对应的故障处理模块,并将所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理。
需说明的是,潜在故障可以是指待诊断车辆运行中如不采取预防性维修和调整措施,再继续使用到某个时候会发生的故障。也可以是待诊断车辆以及出现的故障。
可理解的是,故障等级可以根据车辆控制器中潜在故障的数量进行分类的等级,也可以是根据潜在故障对车辆控制器影响程度的大小进行分类的等级。为了节省开发时间和减少控制系统的复杂性,可以根据故障等级对潜在故障进行优先级排序,并获得排序结果。
应理解的是,故障处理指令可以是根据潜在故障对应的故障代码确定所述故障处理指令,并将所述故障处理指令发送至潜在故障对应的故障处理模块。故障处理模块可以是本地处理模块,也可以是云端处理模块。
具体实现中,智能诊断单元1002实时监测车辆各控制单元运行数据,BP神经网络模型识别到其它控制单元潜在故障或多个控制单元同时存在潜在故障时,第二故障分析处理模块决策优先处理顺序,从第二故障数据存储模块查询获取相应故障处理指令,通过网关发送给对应的故障处理模块。例如:优先处理控制单元A潜在的故障,处理完毕返回处理结果再处理控制单元B潜在的故障。如某些潜在故障无法做出判断处理,由智能诊断单元1002将该信息通过通信控制模块上传到远程诊断平台1003。
进一步地,所述智能诊断单元1002还包括:第二故障数据查询模块和第二故障数据存储模块所述第二故障分析模块,用于根据所述排序结果从所述第二故障数据存储模块中查询与所述潜在故障相匹配的故障处理指令;所述第二故障分析模块,还用于根据所述故障处理指令确定所述潜在故障对应的控制处理方式,并将所述控制处理方式发送至所述潜在故障对应的故障处理模块进行故障处理。
需说明的是,第二故障数据存储模块可以是存储车辆系统会产生的潜在故障数据。
具体实现中,第二故障数据查询模块可以用于查询潜在故障数据与潜在故障数据对应的处理方式,例如:外接诊断设备的查询或车机设备以图形、文本、列表等方式展示存在的潜在故障。控制处理方式包括控制处理方式包括但不限于重启控制器、更新系统软件、复位控制模块、限制系统输出功率和扭矩、限制车辆运行速度、采取制动等。
进一步地,所述远程诊断平台1003,还用于根据预设故障分析模型对所述目标潜在故障进行分析,获得分析结果;所述远程诊断平台1003,还用于根据所述分析结果生成所述待诊断车辆的故障诊断结果。
需说明的是,预设故障分析模型可以是BP神经网络模型,目标潜在故障可以是指第二故障分析模块不能对其进行分析的潜在故障,即不能通过本地存储的控制处理方式进行处理的故障。
可理解的是,故障诊断结果可以是针对目标潜在故障生成的处理方式。
具体实现中,远程诊断平台1003接收到智能诊断单元1002发送的故障数据时,通过BP神经网络模型对所述故障数据对应的目标潜在故障进行分析,并搜索平台内的车型数据,输出同类潜在故障处理方式,并生成故障诊断结果。
进一步地,所述远程诊断平台1003包括:第一决策模块;所述第一决策模块,用于根据预设分析决策算法搜索所述目标潜在故障对应的车型数据,根据所述车型数据确定所述目标潜在故障对应的故障处理方式;所述第一决策模块,还用于将所述故障处理方式对应的控制指令发送至所述智能诊断单元1002;所述第一决策模块,还用于在检测到不存在所述目标潜在故障对应的故障处理方式时,通过预设神经网络模型对所述目标潜在故障进行故障分析,并生成故障处理决策;所述智能诊断平台1003,还用于将所述故障处理决策发送至所述智能诊断单元1002的故障处理模块进行故障处理。
需说明的是,目标潜在故障对应的故障处理方式包括但不限于重启控制器、更新系统软件、复位控制模块、限制系统输出功率和扭矩、限制车辆运行速度、采取制动等。
可理解的是,故障处理决策可以是通过第一决策模块生成的故障诊断报告,其中故障诊断报告包含故障代码、故障描述以及故障处理指令,也可以是第一决策模块并不能处理时,生成的辅助决策报告,即人工解析潜在故障,下发控制处置指令或输出处理方案。
具体实现中,远程诊断平台1003接收到智能诊断单元1002故障数据时,首先通过第一决策模块的分析决策算法搜索平台内的车型数据,输出同类潜在故障处理方式并发送控制处理指令到智能诊断单元1002,由智能诊断单元1002通过网关将控制处理指令发送到对应处置的故障处理模块做出处置动作。如搜索不到处置措施,通过第一决策模块大的BP神经网络模型对潜在的故障给出处理方法。如第一决策模块内无对应处置方式,人工处理系统参与辅助决策,人工解析潜在故障,下发控制处置指令或输出处理方案。
本施例通过车辆控制单元1001获取待诊断车辆的车辆功能实时数据;所述车辆控制单元1001通过预设神经网络模型对所述车辆功能实时数据进行故障预测,所述车辆控制单元1001包括:第一故障分析模块;所述第一故障分析模块,用于获取所述车辆功能实时数据的数据变化信息;所述第一故障分析模块,用于通过预设神经网络模型根据所述数据变化信息对所述待诊断车辆进行安全稳定性分析,并根据分析结果进行故障预测,获得故障预测结果,并将所述故障预测结果发送至所述智能诊断单元1002;所述智能诊断单元1002在所述故障预测结果中存在潜在故障时,对所述潜在故障进行分类,获得故障分类结果;所述智能诊断单元1002根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理;所述智能诊断单元1002在检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台1003进行故障处理。由于是根据预设神经网络模型对车辆数据进行预测并通过对应的故障处理模块对潜在故障进行控制处理,相对于人工线下寻找维修资源处理故障,本发明实现了提前获知车辆系统中潜在故障并主动采取措施处理潜在故障,从而降低故障发生频率,提升用户体验感。
基于上述车辆故障处理系统,本发明还提供一种车辆故障处理方法。
参照图2,图2为本发明车辆故障处理系统第一实施例的流程示意图。
本实施例中,所述车辆故障处理方法包括以下步骤:
步骤S10:所述车辆控制单元获取待诊断车辆的车辆功能实时数据。
需说明的是,待诊断车辆可以是指需要进行故障诊断的车辆,也可以是在驾驶过程中对目标车辆进行故障预判的车辆。
可理解的是,车辆功能实时数据可以是待诊断车辆各控制单元的实时数据,也可以是待诊断车辆历的历史功能数据。驾驶数据可以包含故障驾驶数据、故障处理数据及车速信息等。
具体实现中,车辆控制单元可以通过待诊断车辆各控制单元获取实时数据,也可以通过车辆数据库中获取历史功能数据。
步骤S20:所述车辆控制单元通过预设神经网络模型对所述车辆功能实时数据进行故障预测,获得故障预测结果,并将所述故障预测结果发送至所述智能诊断单元;
需说明的是,预设神经网络模型可以是BP(back propagation)神经网络模型。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。车辆控制单元包含第一故障数据存储模块、第一故障分析模块以及第一故障数据查询模块。第一故障数据存储模块可以是用于存储故障预测结果中的故障数据;第一故障分析模块可以用于检测车辆各功能实时数据,例如:车辆在行驶状态下,电源管理单元的实时数据;第一故障数据查询模块用于查询故障预测结果对应的故障数据。
可理解的是,故障预测可以是对车辆功能实时数据中存在的潜在故障进行预判,故障预测结果可以是指在对车辆功能实时数据中存在的潜在故障进行预判生成的故障信息,所述故障信息可以是一个控制单元存在的潜在故障,也可以是多个控制单元存在的潜在故障。
具体实现中,车辆控制单元可以通过BP神经网络模型分析车辆功能实时数据的安全性和稳定性,预判是否可能演变成故障数据,并解析高危数据信息。
步骤S30:所述智能诊断单元在所述故障预测结果中存在潜在故障时,对所述潜在故障进行分类,获得故障分类结果。
需说明的是,分类结果可以是根据预判故障信息中是否存在车辆控制单元控制无法处理的潜在故障进行分类所生成的结果。
可理解的是,潜在故障可以是根据车辆实时功能数据中的高危数据信息所确定的故障。
具体实现中,智能诊断单元可以根据车辆各控制单元将可以控制处理的潜在故障分为A类,不能本地处理的故障信息分为B类。A类故障信息可以由本地控制单元进行处理,B类故障信息可以上传到远程诊断服务平台进行分析处理。
步骤S40:所述智能诊断单元根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理。
需说明的是,故障处理模块可以是车辆各控制单元对应的模块。所述故障处理指令可以是本地车辆控制单元下发的指令,也可以是远程下发的指令。
具体实现中,智能诊断单元根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理。
步骤S50:所述智能诊断单元在检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台进行故障处理。
需说明的是,故障诊断结果可以是故障信息对应的处理报告。所述处理报告可以包括故障描述、故障原因分析、影响范围、处置措施以及后续措施等信息。
可理解的是,目标潜在故障可以是指不能根据智能诊断单元存储的处理方式解决的潜在故障。
应理解的是,目标潜在故障的故障处理指令可以是需要对目标潜在故障进行解析的处理指令,例如:在检测到无法处理目标潜在故障时,发送故障处理指令至远程诊断平台进行故障处理。
具体实现中,智能诊断单元检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台进行故障处理。
进一步地,所述远程诊断平台根据预设故障分析模型对所述目标潜在故障进行分析,获得分析结果;所述远程诊断平台根据所述分析结果生成所述待诊断车辆的故障诊断结果。
需说明的是,预设故障分析模型可以是BP神经网络模型,目标潜在故障可以是指第二故障分析模块不能对其进行分析的潜在故障,即不能通过本地存储的控制处理方式进行处理的故障。
可理解的是,故障诊断结果可以是针对目标潜在故障生成的处理方式。
具体实现中,远程诊断平台接收到智能诊断单元发送的故障数据时,通过BP神经网络模型对所述故障数据对应的目标潜在故障进行分析,并搜索平台内的车型数据,输出同类潜在故障处理方式,并生成故障诊断结果。
进一步地,所述远程诊断平台包括:第一决策模块;所述第一决策模块根据预设分析决策算法搜索所述目标潜在故障对应的车型数据,根据所述车型数据确定所述目标潜在故障对应的故障处理方式;所述第一决策模块将所述故障处理方式对应的控制指令发送至所述智能诊断单元;所述第一决策模块在检测到不存在所述目标潜在故障对应的故障处理方式时,通过预设神经网络模型对所述目标潜在故障进行故障分析,并生成故障处理决策;所述智能诊断平台将所述故障处理决策发送至所述智能诊断单元的故障处理模块进行故障处理。
需说明的是,目标潜在故障对应的故障处理方式包括但不限于重启控制器、更新系统软件、复位控制模块、限制系统输出功率和扭矩、限制车辆运行速度、采取制动等。
可理解的是,故障处理决策可以是通过第一决策模块生成的故障诊断报告,其中故障诊断报告包含故障代码、故障描述以及故障处理指令,也可以是第一决策模块并不能处理时,生成的辅助决策报告,即人工解析潜在故障,下发控制处置指令或输出处理方案。
具体实现中,远程诊断平台接收到智能诊断单元故障数据时,首先通过第一决策模块的分析决策算法搜索平台内的车型数据,输出同类潜在故障处理方式并发送控制处理指令到智能诊断单元,由智能诊断单元通过网关将控制处理指令发送到对应处置的故障处理模块做出处置动作。如搜索不到处置措施,通过第一决策模块大的BP神经网络模型对潜在的故障给出处理方法。如第一决策模块内无对应处置方式,人工处理系统参与辅助决策,人工解析潜在故障,下发控制处置指令或输出处理方案。
本施例通过车辆控制单元获取待诊断车辆的车辆功能实时数据;所述车辆控制单元通过预设神经网络模型对所述车辆功能实时数据进行故障预测,获得故障预测结果,并将所述故障预测结果发送至所述智能诊断单元;所述智能诊断单元在所述故障预测结果中存在潜在故障时,对所述潜在故障进行分类,获得故障分类结果;所述智能诊断单元根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理;所述智能诊断单元在检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台进行故障处理。由于是根据预设神经网络模型对车辆数据进行预测并通过对应的故障处理模块对潜在故障进行控制处理,相对于人工线下寻找维修资源处理故障,本发明实现了提前获知车辆系统中潜在故障并主动采取措施处理潜在故障,从而降低故障发生频率,提升用户体验感。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车辆故障处理系统,其特征在于,所述车辆故障处理系统包括:车辆控制单元、智能诊断单元以及远程诊断平台;
所述车辆控制单元,用于获取待诊断车辆的车辆功能实时数据;
所述车辆控制单元,还用于通过预设神经网络模型对所述车辆功能实时数据进行故障预测,获得故障预测结果,并将所述故障预测结果发送至所述智能诊断单元;
所述智能诊断单元,用于在所述故障预测结果中存在潜在故障时,对所述潜在故障进行分类,获得故障分类结果;
所述智能诊断单元,还用于根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理;
所述智能诊断单元,还用于在检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台进行故障处理。
2.如权利要求1所述的车辆故障处理系统,其特征在于,所述车辆控制单元包括:第一故障分析模块;
所述第一故障分析模块,用于获取所述车辆功能实时数据的数据变化信息;
所述第一故障分析模块,还用于通过预设神经网络模型根据所述数据变化信息对所述待诊断车辆进行安全稳定性分析,并根据分析结果进行故障预测,获得故障预测结果。
3.如权利要求2所述的车辆故障处理系统,其特征在于,所述车辆控制单元还包括:第一故障数据查询模块;
所述第一故障数据查询模块,用于通过第一故障数据存储模块查询与所述故障预测结果相匹配的故障代码、故障描述和处理指令;
所述第一故障分析模块,还用于根据所述故障代码、故障描述和处理指令确定所述故障预测结果对应的控制处理方式,并将所述控制处理方式发送至故障预测结果对应的故障处理模块进行故障处理。
4.如权利要求1所述的车辆故障处理系统,其特征在于,所述智能诊断单元包括:第二故障分析模块;
所述第二故障分析模块,用于在所述故障预测结果中存在多个潜在故障时,获取各潜在故障对应的故障等级,并根据所述故障等级对所述多个潜在故障进行优先级排序,获得排序结果;
所述第二故障分析模块,还用于根据所述排序结果确定各潜在故障对应的故障处理模块,并将所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理。
5.如权利要求4所述的车辆故障处理系统,其特征在于,所述智能诊断单元还包括:第二故障数据查询模块和第二故障数据存储模块;
所述第二故障分析模块,用于根据所述排序结果从所述第二故障数据存储模块中查询与所述潜在故障相匹配的故障处理指令;
所述第二故障分析模块,还用于根据所述故障处理指令确定所述潜在故障对应的控制处理方式,并将所述控制处理方式发送至所述潜在故障对应的故障处理模块进行故障处理。
6.如权利要求1所述的车辆故障处理系统,其特征在于,所述远程诊断平台,还用于根据预设故障分析模型对所述目标潜在故障进行分析,获得分析结果;
所述远程诊断平台,还用于根据所述分析结果生成所述待诊断车辆的故障诊断结果。
7.如权利要求6所述的车辆故障处理系统,其特征在于,所述远程诊断平台包括:第一决策模块;
所述第一决策模块,用于根据预设分析决策算法搜索所述目标潜在故障对应的车型数据,根据所述车型数据确定所述目标潜在故障对应的故障处理方式;
所述第一决策模块,还用于将所述故障处理方式对应的控制指令发送至所述智能诊断单元;
所述第一决策模块,还用于在检测到不存在所述目标潜在故障对应的故障处理方式时,通过预设神经网络模型对所述目标潜在故障进行故障分析,并生成故障处理决策;
所述智能诊断平台,还用于将所述故障处理决策发送至所述智能诊断单元的故障处理模块进行故障处理。
8.一种基于权利要求1-7任一项所述的车辆故障处理系统的车辆故障处理方法,其特征在于,所述方法包括:
所述车辆控制单元获取待诊断车辆的车辆功能实时数据;
所述车辆控制单元通过预设神经网络模型对所述车辆功能实时数据进行故障预测,获得故障预测结果,并将所述故障预测结果发送至所述智能诊断单元;
所述智能诊断单元在所述故障预测结果中存在潜在故障时,对所述潜在故障进行分类,获得故障分类结果;
所述智能诊断单元根据所述故障分类结果确定所述潜在故障对应的故障处理模块,并根据所述潜在故障对应的故障处理指令发送至所述故障处理模块进行故障处理;
所述智能诊断单元在检测到存在无法处理的目标潜在故障时,将所述目标潜在故障的故障处理指令发送至所述远程诊断平台进行故障处理。
9.如权利要求8所述的车辆故障处理方法,其特征在于,所述远程诊断平台根据预设故障分析模型对所述目标潜在故障进行分析,获得分析结果;
所述远程诊断平台根据所述分析结果生成所述待诊断车辆的故障诊断结果。
10.如权利要求9所述的车辆故障处理方法,其特征在于,所述远程诊断平台包括:第一决策模块;
所述第一决策模块根据预设分析决策算法搜索所述目标潜在故障对应的车型数据,根据所述车型数据确定所述目标潜在故障对应的故障处理方式;
所述第一决策模块将所述故障处理方式对应的控制指令发送至所述智能诊断单元;
所述第一决策模块在检测到不存在所述目标潜在故障对应的故障处理方式时,通过预设神经网络模型对所述目标潜在故障进行故障分析,并生成故障处理决策;
所述智能诊断平台将所述故障处理决策发送至所述智能诊断单元的故障处理模块进行故障处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011419738.3A CN112363488A (zh) | 2020-12-07 | 2020-12-07 | 车辆故障处理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011419738.3A CN112363488A (zh) | 2020-12-07 | 2020-12-07 | 车辆故障处理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112363488A true CN112363488A (zh) | 2021-02-12 |
Family
ID=74536269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011419738.3A Pending CN112363488A (zh) | 2020-12-07 | 2020-12-07 | 车辆故障处理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112363488A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113525714A (zh) * | 2021-07-30 | 2021-10-22 | 浙江工商大学 | 一种基于神经网络的民航飞机故障预测系统 |
CN113778050A (zh) * | 2021-08-13 | 2021-12-10 | 江铃汽车股份有限公司 | 车辆远程诊断方法、装置、存储介质及车辆售后终端 |
CN115171242A (zh) * | 2022-07-04 | 2022-10-11 | 安徽一维新能源技术有限公司 | 工业车辆远程故障检测系统 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110132A (zh) * | 2007-08-17 | 2008-01-23 | 卢灿光 | 一种车载汽车故障诊断器 |
CN101916107A (zh) * | 2010-08-11 | 2010-12-15 | 奇瑞汽车股份有限公司 | 电动汽车的故障诊断和处理的控制方法和控制装置 |
CN102496060A (zh) * | 2011-12-07 | 2012-06-13 | 高汉中 | 基于神经网络的云端智能机系统 |
CN102830690A (zh) * | 2012-05-04 | 2012-12-19 | 王蓉 | 一种汽车故障数据的数据处理系统 |
CN104933488A (zh) * | 2015-06-30 | 2015-09-23 | 中国铁道科学研究院通信信号研究所 | 一种atp车载设备故障率预测方法 |
CN105398451A (zh) * | 2014-09-09 | 2016-03-16 | 通用汽车环球科技运作有限责任公司 | 关于车辆的故障通知 |
CN105929815A (zh) * | 2016-05-30 | 2016-09-07 | 长安大学 | 大规模车辆实时监测诊断、远程服务与综合处理方法 |
CN106274531A (zh) * | 2016-08-26 | 2017-01-04 | 北京长城华冠汽车科技股份有限公司 | 故障处理方法及装置 |
CN106608257A (zh) * | 2015-10-19 | 2017-05-03 | 北汽福田汽车股份有限公司 | 混合动力汽车的故障诊断和管理方法 |
CN107819164A (zh) * | 2017-11-24 | 2018-03-20 | 安徽特凯新能源科技有限公司 | 一种具有潜在故障分析诊断功能的电池管理系统 |
CN108227677A (zh) * | 2017-12-29 | 2018-06-29 | 深圳市汇川技术股份有限公司 | 车辆状态监测系统及方法 |
CN108415409A (zh) * | 2018-03-19 | 2018-08-17 | 黄河水利职业技术学院 | 一种多级汽车故障诊断系统和诊断方法 |
CN108693868A (zh) * | 2018-05-25 | 2018-10-23 | 深圳市轱辘车联数据技术有限公司 | 故障预测模型训练的方法、车辆故障预测的方法及装置 |
CN209570850U (zh) * | 2018-12-29 | 2019-11-01 | 汉腾汽车有限公司 | 一种车辆远程故障诊断系统 |
CN110562269A (zh) * | 2019-08-08 | 2019-12-13 | 驭势科技(北京)有限公司 | 一种智能驾驶车辆故障处理的方法、车载设备和存储介质 |
CN110618890A (zh) * | 2019-08-15 | 2019-12-27 | 平安普惠企业管理有限公司 | 故障处理方法、装置、电子设备及计算机可读存储介质 |
CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
CN110696874A (zh) * | 2019-11-22 | 2020-01-17 | 佳讯飞鸿(北京)智能科技研究院有限公司 | 一种转辙机故障预测方法和故障预测系统 |
CN110865628A (zh) * | 2019-10-25 | 2020-03-06 | 清华大学深圳国际研究生院 | 基于工况数据的新能源汽车电控系统故障预测方法 |
CN111259737A (zh) * | 2020-01-08 | 2020-06-09 | 科大讯飞股份有限公司 | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111890933A (zh) * | 2020-06-11 | 2020-11-06 | 恒大恒驰新能源汽车研究院(上海)有限公司 | 车辆的电池管理方法和系统、车辆和服务器 |
CN212047237U (zh) * | 2020-04-28 | 2020-12-01 | 南通理工学院 | 一种基于新能源汽车控制系统的电子检测维修系统 |
-
2020
- 2020-12-07 CN CN202011419738.3A patent/CN112363488A/zh active Pending
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110132A (zh) * | 2007-08-17 | 2008-01-23 | 卢灿光 | 一种车载汽车故障诊断器 |
CN101916107A (zh) * | 2010-08-11 | 2010-12-15 | 奇瑞汽车股份有限公司 | 电动汽车的故障诊断和处理的控制方法和控制装置 |
CN102496060A (zh) * | 2011-12-07 | 2012-06-13 | 高汉中 | 基于神经网络的云端智能机系统 |
CN102830690A (zh) * | 2012-05-04 | 2012-12-19 | 王蓉 | 一种汽车故障数据的数据处理系统 |
CN105398451A (zh) * | 2014-09-09 | 2016-03-16 | 通用汽车环球科技运作有限责任公司 | 关于车辆的故障通知 |
CN104933488A (zh) * | 2015-06-30 | 2015-09-23 | 中国铁道科学研究院通信信号研究所 | 一种atp车载设备故障率预测方法 |
CN106608257A (zh) * | 2015-10-19 | 2017-05-03 | 北汽福田汽车股份有限公司 | 混合动力汽车的故障诊断和管理方法 |
CN105929815A (zh) * | 2016-05-30 | 2016-09-07 | 长安大学 | 大规模车辆实时监测诊断、远程服务与综合处理方法 |
CN106274531A (zh) * | 2016-08-26 | 2017-01-04 | 北京长城华冠汽车科技股份有限公司 | 故障处理方法及装置 |
CN107819164A (zh) * | 2017-11-24 | 2018-03-20 | 安徽特凯新能源科技有限公司 | 一种具有潜在故障分析诊断功能的电池管理系统 |
CN108227677A (zh) * | 2017-12-29 | 2018-06-29 | 深圳市汇川技术股份有限公司 | 车辆状态监测系统及方法 |
CN108415409A (zh) * | 2018-03-19 | 2018-08-17 | 黄河水利职业技术学院 | 一种多级汽车故障诊断系统和诊断方法 |
CN108693868A (zh) * | 2018-05-25 | 2018-10-23 | 深圳市轱辘车联数据技术有限公司 | 故障预测模型训练的方法、车辆故障预测的方法及装置 |
CN209570850U (zh) * | 2018-12-29 | 2019-11-01 | 汉腾汽车有限公司 | 一种车辆远程故障诊断系统 |
CN110562269A (zh) * | 2019-08-08 | 2019-12-13 | 驭势科技(北京)有限公司 | 一种智能驾驶车辆故障处理的方法、车载设备和存储介质 |
CN110618890A (zh) * | 2019-08-15 | 2019-12-27 | 平安普惠企业管理有限公司 | 故障处理方法、装置、电子设备及计算机可读存储介质 |
CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
CN110865628A (zh) * | 2019-10-25 | 2020-03-06 | 清华大学深圳国际研究生院 | 基于工况数据的新能源汽车电控系统故障预测方法 |
CN110696874A (zh) * | 2019-11-22 | 2020-01-17 | 佳讯飞鸿(北京)智能科技研究院有限公司 | 一种转辙机故障预测方法和故障预测系统 |
CN111259737A (zh) * | 2020-01-08 | 2020-06-09 | 科大讯飞股份有限公司 | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN212047237U (zh) * | 2020-04-28 | 2020-12-01 | 南通理工学院 | 一种基于新能源汽车控制系统的电子检测维修系统 |
CN111890933A (zh) * | 2020-06-11 | 2020-11-06 | 恒大恒驰新能源汽车研究院(上海)有限公司 | 车辆的电池管理方法和系统、车辆和服务器 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113525714A (zh) * | 2021-07-30 | 2021-10-22 | 浙江工商大学 | 一种基于神经网络的民航飞机故障预测系统 |
CN113778050A (zh) * | 2021-08-13 | 2021-12-10 | 江铃汽车股份有限公司 | 车辆远程诊断方法、装置、存储介质及车辆售后终端 |
CN115171242A (zh) * | 2022-07-04 | 2022-10-11 | 安徽一维新能源技术有限公司 | 工业车辆远程故障检测系统 |
CN115171242B (zh) * | 2022-07-04 | 2024-02-02 | 安徽一维新能源技术有限公司 | 工业车辆远程故障检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112363488A (zh) | 车辆故障处理系统及方法 | |
CN107680375B (zh) | 一种车辆载重计算方法、装置及存储介质 | |
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
CN108919776B (zh) | 一种故障评估方法及终端 | |
KR102160140B1 (ko) | 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템 | |
CN111369704B (zh) | 一种车辆处理方法以及系统 | |
CN113902233A (zh) | 车辆安全预警方法、大数据平台装置、车载终端和车辆 | |
CN113033860A (zh) | 一种汽车故障预测方法、装置、电子设备及存储介质 | |
CN111123887A (zh) | 无人驾驶车辆故障处理方法、装置、电子设备和存储介质 | |
CN113221457B (zh) | 一种车辆保养信息的确定方法、装置、设备及介质 | |
CN113986893A (zh) | 一种基于发电车风险识别主动预警系统及方法 | |
CN111144606A (zh) | 一种电动车辆的安全失效风险预测方法以及电动车辆 | |
KR102255599B1 (ko) | 차량 고장 진단 서비스 제공 시스템 및 방법 | |
CN114415646B (zh) | 基于DoIP协议的远程车辆诊断方法、系统和终端设备 | |
US20220284740A1 (en) | Method for determining the operating state of vehicle components | |
CN115983804A (zh) | 人机协作任务处理方法、装置、电子设备和存储介质 | |
CN115384536A (zh) | 一种驾驶辅助系统控制器的评估方法、装置、设备及介质 | |
CN115631626A (zh) | 一种车辆数据监控分析方法、装置、设备及介质 | |
CN114911982A (zh) | 一种车辆故障预警方法、装置、终端设备及存储介质 | |
CN113126589A (zh) | 车载自诊断方法、车载智能系统及自诊断系统 | |
CN110751747A (zh) | 一种数据处理方法及装置 | |
CN111144681B (zh) | 一种电动车辆的关键重要度的计算方法以及电动车辆 | |
JP2024060532A (ja) | 運行管理装置 | |
US20240232744A9 (en) | Operation management apparatus |
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 |