CN113868236A - 电动交通工具故障监测方法、设备及计算机可读存储介质 - Google Patents
电动交通工具故障监测方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113868236A CN113868236A CN202111157395.2A CN202111157395A CN113868236A CN 113868236 A CN113868236 A CN 113868236A CN 202111157395 A CN202111157395 A CN 202111157395A CN 113868236 A CN113868236 A CN 113868236A
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- window
- electric vehicle
- interval
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种电动交通工具故障监测方法、设备及计算机可读存储介质,其中,方法包括:基于第一预设特征参数集对运行参数数据进行筛选,基于所述第二预设特征参数集中每一特征参数的参数性质获得第二特征参数的划分区间;基于第二特征参数的划分区间,对筛选后的运行参数数据进行划分,以获得多个子数据空间;基于子数据空间的运行参数数据获得子数据空间对应的目标数据;基于所述目标数据,确定所述电动交通工具是否为故障车辆。本发明通过通过对电动交通工具的数据进行划分,大大降低进行故障检测时需要处理的数据量,提升电动交通工具的故障检测的效率,降低服务器的配置进而降低服务器的成本。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种电动交通工具故障监测方法、设备及计算机可读存储介质。
背景技术
随着电动交通工具的规模化发展,电动交通工具的动力电池引起的故障受到车主、整车厂、电池供应商等关注。现有技术的故障分析通过采用高斯分布的概率特性与3σ置信区间相结合而构成的3σ多层次筛选对运行参数数据的数据矩阵进行筛选,以剔除无故障数据,对于一些多阶故障数据或存在数量级差别较大的故障数据可多次筛选和剔除,获得最接近真实数据的中心值,并通过获得的数据进行故障检测。
但是,由于电动交通工具每天运行参数数据的数据量十分庞大,并且运行参数数据包括多个维度的数据,在对运行参数数据的数据矩阵进行处理时,数据处理速度以及效率均非常低,需要提高服务器的配置才能提升数据处理的速度以及效率,这同时造成服务器的成本非常高,导致该故障分析方式难以推广使用。
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电动交通工具故障监测方法、设备及计算机可读存储介质,旨在解决现有电动交通工具的故障检测的效率低以及服务器成本高的技术问题。
为实现上述目的,本发明提供一种电动交通工具故障监测方法,所述电动交通工具故障监测方法包括以下步骤:
获取所述电动交通工具的第一预设区间内运行参数数据,并基于第一预设特征参数集对所述运行参数数据进行筛选,得到筛选后的运行参数数据,所述第一预设特征参数集至少包括:电量参数、电流参数、电压参数、车辆状态参数;
基于所述第一预设特征参数集,选择所述第一预设特征参数中的至少两个作为第二预设特征参数集,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,所述划分区间包括多个子区间;
基于所述第二特征参数的划分区间,对所述筛选后的运行参数数据进行划分,以获得多个子数据空间;
基于所述子数据空间的运行参数数据获得所述子数据空间对应的目标数据,所述目标数据包括包括第一目标数据,所述第一目标数据至少包括所述子数据空间对应的电压参数的电压变化最大值和/或所述电压参数的电压变化均值;
基于所述目标数据,确定所述电动交通工具是否为故障车辆。
进一步地,所述多个子区间为相互正交的子区间。
进一步地,所述基于所述子数据空间的运行参数数据获得所述子数据空间对应的目标数据的步骤包括:
计算各个子数据空间中运行参数数据的参数条数,并确定各个子数据空间中参数条数大于或等于运行参数条数预设值的目标子数据空间;
对所述目标子数据空间的运行参数数据进行聚合处理,以获得所述第一目标数据。
进一步地,所述基于所述目标数据,确定所述电动交通工具是否为故障车辆的步骤包括:
获取各个所述子数据空间中电压变化最大值大于预设电压变化值的次数和/或占比,和/或各个所述子数据空间中电压变化均值大于预设均值的次数和/或占比;
将所述次数和/或占比作为第二目标数据,并基于所述第一目标数据值和所述第二目标数据值判断所述电动交通工具是否为故障车辆。
进一步地,所述基于所述目标数据,确定所述电动交通工具是否为故障车辆的步骤之后,还包括:
若确定所述电动交通工具为故障车辆,则获取所述电动交通工具在第二预设区间内的特定运行参数数据,所述第二预设区间包括多个连续的所述第一预设区间,所述特定运行参数数据至少包括所述电动交通工具在多个所述第一预设区间内的压差分位数据、电压极值占比/次数数据、电压变化数据一种或多种;
基于所述特定运行参数数据输出所述电动交通工具为故障车辆的预警信息。
进一步地,所述压差分位数据至少包括第一分位压差数据、第二分位压差数据;
所述电压变化数据包最高电压变化、最低电压变化、最高电压相对电压变化以及最低相对电压变化。
此外,为实现上述目的,本发明还提供一种电动交通工具故障监测方法,所述电动交通工具故障监测方法包括以下步骤:
获取所述电动交通工具的第三预设区间内运行数据,并基于第一预设特征参数集对所述运行数据进行筛选,得到筛选后的运行数据,所述第一预设特征参数集至少包括:电量参数、电流参数、电压参数、车辆状态参数,所述第三预设区间包括多个第一预设区间;
基于所述第一预设特征参数集,选择所述第一预设特征参数中的至少两个作为第二预设特征参数集,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,所述划分区间包括多个子区间;
基于所述第二特征参数的划分区间,对所述筛选后的运行数据进行划分,以获得各个第一预设区间对应的多个子数据空间;
在各个第一预设区间中随机选择一个预设区间作为初始区间,以所述初始区间起点,按照预设窗口长度W和步长S向前和/或向后获取多个窗口区间,所述预设窗口长度W和步长均为所述第一预设区间长度的整数倍,所述步长小于所述预设窗口长度;
基于所述窗口区间中所述第一预设区间对应的子数据空间的压差均值,获取窗口区间的窗口压差均值;
基于相邻两个窗口区间的窗口压差均值之间的窗口压差差值,获取第三目标数据;
依据所述第三目标数据确定所述电动交通工具是否为故障车辆。
进一步地,所述第三目标数据还包括目标窗口压差差值占比,所述第三目标数据还包括目标窗口压差差值数量和/或目标窗口压差差值占比,所述目标窗口压差差值为所述窗口压差值大于所述预设窗口压差差值的窗口压差差值;所述目标窗口压差差值数量为一个或多个子数据空间中所述目标窗口压差差值的个数;所述目标窗口压差差值占比为所述目标窗口压差差值数量与对应一个或多个的所述子空间中所有窗口压差差值的数量之比。
进一步地,所述基于所述窗口区间中所述第一设定区间对应的子数据空间的压差均值,获取窗口区间的窗口压差均值的步骤包括:
基于所述窗口区间内的所述第一预设区间对应子数据空间对应的压差均值,确定各个所述窗口区间对应的压差均值个数;
确定各个所述窗口区间中压差均值个数大于预设个数的目标窗口区间,并计算所述目标窗口区间的压差均值,获得所述窗口压差均值。
进一步地,依据所述第三目标数据确定所述电动交通工具是否为故障车辆时,依据所述窗口压差差值是否超过预设压差值和/或所述窗口压差差值的变化趋势进行判断。
进一步地,所述以所述初始区间起点,按照预设窗口长度W和步长S向前和/或向后获取多个窗口区间的过程中,在获取所述窗口区间中的尾部窗口区间时,若尾部剩余的第一预设区间的个数小于所述预设窗口长度W,且尾部剩余的第一预设区间对应的压差均值的个数大于预设个数,则将尾部剩余的第一预设区间作为所述窗口区间中的尾部窗口区间。
此外,为实现上述目的,本发明还提供一种电动交通工具故障监测设备,所述电动交通工具故障监测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电动交通工具故障监测程序,所述电动交通工具故障监测程序被所述处理器执行时实现前述的电动交通工具故障监测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有电动交通工具故障监测程序,所述电动交通工具故障监测程序被处理器执行时实现前述的电动交通工具故障监测方法的步骤。
本发明通过获取所述电动交通工具的第一预设区间内运行参数数据,并基于第一预设特征参数集对所述运行参数数据进行筛选,得到筛选后的运行参数数据,接着于所述第一预设特征参数集,选择所述第一预设特征参数中的至少两个作为第二预设特征参数集,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,所述划分区间包括多个子区间;而后基于所述第二特征参数的划分区间,对所述筛选后的运行参数数据进行划分,以获得多个子数据空间;然后基于所述子数据空间的运行参数数据获得所述子数据空间对应的目标数据,基于所述目标数据,确定所述电动交通工具是否为故障车辆,通过对电动交通工具的数据进行划分,然后采用每一个子数据空间的电压变化最大值和/或电压变化均值进行电动交通工具的故障检测,通过每一个子数据空间的有限条数据准确检测电动交通工具的故障,能够将海量的运行参数数据转化为数量有限的目标数据,大大降低进行故障检测时需要处理的数据量,简化电动交通工具的故障检测的流程,提升电动交通工具的故障检测的效率。同时,还能够降低服务器的配置进而降低服务器的成本,提升电动交通工具故障检测的普适性以及实用性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中电动交通工具故障监测设备的结构示意图;
图2为本发明电动交通工具故障监测方法第一实施例的流程示意图;
图3为本发明电动交通工具故障监测方法中电压变化最大值与电压变化均值的示意图;
图4为本发明电动交通工具故障监测方法中电压变化最大值、电压变化均值及其占比的示意图;
图5为本发明电动交通工具故障监测方法中电压变化数据的电压变化情况示意图;
图6为本发明电动交通工具故障监测方法中压差分位数据的压差统计变化示意图;
图7为本发明电动交通工具故障监测方法中电压极值占比示意图;
图8为本发明电动交通工具故障监测方法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。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境中电动交通工具故障监测设备的结构示意图。
本发明实施例电动交通工具故障监测设备可以是PC。如图1所示,该电动交通工具故障监测设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,电动交通工具故障监测设备还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。当然,电动交通工具故障监测设备还可配置气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对电动交通工具故障监测设备的限定,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。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电动交通工具故障监测程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的电动交通工具故障监测程序。
在本实施例中,电动交通工具故障监测设备包括:存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的电动交通工具故障监测程序,其中,处理器1001调用存储器1005中存储的电动交通工具故障监测程序时,并执行以下各个实施例中电动交通工具故障监测方法的步骤。
本发明还提供一种电动交通工具故障监测方法,参照图2,图2为本发明电动交通工具故障监测方法第一实施例的流程示意图。
本实施例中,该电动交通工具故障监测方法包括以下步骤:
步骤S101,获取所述电动交通工具的第一预设区间内运行参数数据,并基于第一预设特征参数集对所述运行参数数据进行筛选,得到筛选后的运行参数数据,所述第一预设特征参数集至少包括:电量参数、电流参数、电压参数、车辆状态参数;
本实施例中,先获取所述电动交通工具的第一预设区间内运行参数数据,例如,可以从云数据平台BDP获取电动交通工具的运行参数数据,还可以可定时从云数据平台BDP获取电动交通工具的运行参数数据,其中,第一预设区间可以为时间区间或行驶距离区间,即运行参数数据为该电动交通工具在预设时间区间内的运行数据或者行驶距离区间内的运行数据。
接着,基于第一预设特征参数集对所述运行参数数据进行筛选,得到筛选后的运行参数数据,该第一预设特征参数集至少包括:电量参数、电流参数、电压参数、车辆状态参数。具体地,可先对运行参数数据进行清洗操作,以获得清洗后的运行参数数据,以剔除运行参数数据中数据格式与预设格式不同的数据,同时剔除运行参数数据中数据不完整的数据。然后,基于第一预设特征参数集对清洗后的运行参数数据进行筛选,得到筛选后的运行参数数据,例如,对于每一条清洗后的运行参数数据,仅获取该清洗后的运行参数数据中第一预设特征参数集对应的预设字段的目标字段数据,得到其对应的筛选后的运行参数数据,进而降低该筛选后的运行参数数据的数据大小(数据量)。
需要说明的是,云数据平台BDP为分布式云平台,该BDP与多个分布式服务器通信连接,各个所述分布式服务器通信分别与多个电动交通工具通信连接,每一辆电动交通工具定时(例如每隔10秒钟)上报运行参数数据至对应的分布式服务器,分布式服务器可以实时或者定时将各个电动交通工具的运行参数数据上传至BDP。
步骤S102,基于所述第一预设特征参数集,选择所述第一预设特征参数中的至少两个作为第二预设特征参数集,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,所述划分区间包括多个子区间;
本实施例中,在对运行参数数据进行筛选得到筛选后的运行参数数据之后,基于所述第一预设特征参数集,选择第一预设特征参数中的至少两个作为第二预设特征参数集,也就是说,在第一预设特征参数集各个特征参数中任意选择两个作为第二预设特征参数集。而后,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,得到多个子区间,例如,第二预设特征参数集包括车辆状态参数以及电压参数,车辆状态参数的参数性质可以包括行驶以及充电,电压参数的参数性质包括大于第一预设电压、小于第一预设电压且大于第二预设电压以及小于第二预设电压,进而可根据参数范围确定6个划分区间,其中,第一预设电压以及第二预设电压均可根据电动汽车电池的额定电压(或最大电压)、额定电压(或最大电压)进行合理设置。当然,在其他实施例中,还可以在第二预设特征参数中增加电池电路等其他参数,也可以对第二预设特征参数集中各个特征参数设置其他的参数性质或者参数范围。其中,多个子区间为相互正交的子区间。
步骤S103,基于所述第二特征参数的划分区间,对所述筛选后的运行参数数据进行划分,以获得多个子数据空间;
本实施例中,在获取到划分区间时,根据划分区间对所述筛选后的运行参数数据进行划分,以获得多个子数据空间,具体地,将筛选后的运行参数数据中的每一个运行参数数据分配至与其对应的子区间,对于每一条筛选后的运行参数数据,确定该筛选后的运行参数数据所属的子空间,并将其分配至该子区间,最后得到多个子数据空间。
步骤S104,基于所述子数据空间的运行参数数据获得所述子数据空间对应的目标数据,所述目标数据包括包括第一目标数据,所述第一目标数据至少包括所述子数据空间对应的电压参数的电压变化最大值和/或所述电压参数的电压变化均值。
本实施例中,在获取到子数据空间时,基于子数据空间的运行参数数据获得所述子数据空间对应的目标数据,目标数据包括包括第一目标数据,所述第一目标数据至少包括所述子数据空间对应的电压参数的最大变化值和/或所述电压参数的均值,基于各个子数据空间的运行参数数据中的电压参数包括电池多个电芯(例如90个电芯)的电压参数,对于每一个子数据空间中的每一条运行参数数据,根据该运行参数数据所包括的各个电芯的电压参数计算电压参数的最大变化值和/或均值,得到该条运行参数数据的电压变化最大值和/或所述电压参数的电压变化均值,可以将该运行参数数据中各个电芯的电压参数的平均值作为电压变化均值,或者,将各个电芯的电压参数按照由大到小(或由小到大)的顺序进行排序,将排序结果中的分位数作为电压变化均值,例如,对于1-90个电芯,分位数可以为排序结果中的中位数(第45或46位),也可以是2/5位数(第36位)等,进而得到子数据空间对应的电压参数的电压变化最大值和/或所述电压参数的电压变化均值。
参照图3,图3为电压变化最大值与电压变化均值的示意图,其中,SOC为电量,状态为车辆状态参数,V-mean为子数据空间对应的电压变化均值,V-max为子数据空间对应的电压变化最大值。
步骤S105,基于所述目标数据,确定所述电动交通工具是否为故障车辆。
本实施例中,在获取到目标数据时,根据该目标数据判断电动交通工具是否为故障车辆,具体地,判断电压变化最大值是否满足故障条件和/或所述电压参数的电压变化均值是否满足故障条件,若电压变化最大值满足故障条件和/或所述电压参数的电压变化均值满足故障条件,则可判定该电动交通工具为故障车辆。
进一步地,在一实施例中,该步骤S104包括:
步骤S141,计算各个子数据空间中运行参数数据的参数条数,并确定各个子数据空间中参数条数大于或等于运行参数条数预设值的目标子数据空间;
步骤S142,对所述目标子数据空间的运行参数数据进行聚合处理,以获得所述第一目标数据。
本实施例中,本实施例中,在获取到子数据空间时,计算各个子数据空间中运行参数数据的参数条数,而后,确定各个子数据空间中参数条数大于或等于运行参数条数预设值的目标子数据空间,使得目标子数据空间的参数条数均大于运行参数条数预设值,以剔除运行参数数据较少的子数据空间,进而提升数据处理效率。
而后,对所述目标子数据空间的运行参数数据进行聚合处理,以获得所述第一目标数据,分别对各个子数据空间的子数据进行聚合计算,得到各个子数据空间对应的目标数据,以使目标数据为一条数据,从而将每一辆电动汽车当前的大量(例如3000多条)运行参数数据聚合为少量的目标数据,该目标数据的数量与子数据空间的数量相同。具体地,若第一目标数据为电压变化最大值和/或电压变化均值,则每一个子数据空间的子数据进行最大值聚合计算和/或均值聚合计算,获得每一个子数据空间的电压变化最大值和/或电压变化均值,进而得到第一目标数据。
进一步地,又一实施例中,该步骤S105包括:
步骤S151,获取各个所述子数据空间中电压变化最大值大于预设电压变化值的次数和/或占比,和/或各个所述子数据空间中电压变化均值大于预设均值的次数和/或占比;
步骤S152,将所述次数和/或占比作为第二目标数据,并基于所述第一目标数据值和所述第二目标数据值判断所述电动交通工具是否为故障车辆。
本实施例中,若目标数据仅包括电压变化最大值,则统计电压变化最大值大于预设电压变化值的次数和/或占比将该次数和/或占比,作为第二目标数据,例如,对于每一个子数据空间,统计其统计电压变化最大值大于预设电压变化值的次数和/或占比,得到各个子数据空间对应电压变化最大值的次数和/或占比。
若目标数据仅包括电压变化均值,则统计电压变化均值大于预设均值的次数和/或占比,将该次数和/或占比作为第二目标数据,例如,对于每一个子数据空间,统计其统计电压变化均值大于预设均值的次数和/或占比,得到各个子数据空间对应的电压变化均值的次数和/或占比。
若目标数据包括电压变化最大值以及电压变化均值,则第二目标数据包括电压变化最大值的次数和/或占比以及电压变化均值的次数和/或占比。
接着,基于所述第一目标数据值和所述第二目标数据值判断所述电动交通工具是否为故障车辆,若电压变化最大值满足故障条件和/或所述电压参数的电压变化均值满足故障条件,且任一子数据空间对应的电压变化最大值的次数大于预设次数和/或占比大于预设占比和/或任一子数据空间对应的电压变化均值的次数大于预设次数和/或占比大于预设占比,则确定该电动交通工具为故障车辆,进而可根据第一目标数据值和所述第二目标数据值准确判断电动交通工具是否为故障车辆,防止因第一目标数值的偶发波动而引起误判,提高故障车辆检测的准确性以及效率。
参照图4,图4为电压变化最大值、电压变化均值及其占比的示意图,其中,SOC为电量,状态为车辆状态参数,V-mean为子数据空间对应的电压变化均值,V-max为子数据空间对应的电压变化最大值,V-r为电压变化最大值的占比或电压变化均值的占比。
进一步地,另一实施例中,该步骤S105之后,还包括:
步骤S106,若确定所述电动交通工具为故障车辆,则获取所述电动交通工具在第二预设区间内的特定运行参数数据,所述第二预设区间包括多个连续的所述第一预设区间,所述特定运行参数数据至少包括所述电动交通工具在多个所述第一预设区间内的压差分位数据、电压极值占比/次数数据、电压变化数据一种或多种;
步骤S107,基于所述特定运行参数数据输出所述电动交通工具为故障车辆的预警信息。
本实施例中,若确定所述电动交通工具为故障车辆,则获取所述电动交通工具在第二预设区间内的特定运行参数数据,其中,第二预设区间可以为时间区间或行驶距离区间,其包括多个连续的第一预设区间,即第二预设区间为连续的且其为第一预设区间的整数倍。
其中,所述压差分位数据至少包括第一分位压差数据、第二分位压差数据;所述电压变化数据包最高电压变化、最低电压变化、最高电压相对电压变化以及最低相对电压变化。
而后,基于所述特定运行参数数据输出所述电动交通工具为故障车辆的预警信息。
具体地,若特定运行参数数据包括电压变化数据,最高电压相对变化为每一个电芯在第二预设区间内每一个第一预设区间的最高电压变化与相应最高电压变化的均值之差,最低电压相对变化为每一个电芯在第二预设区间内每一个第一预设区间的最低电压相与最低电压变化的均值之差。对于每一个电芯,若最高电压相对变化的趋势为增长趋势,且最低电压相对变化的趋势为增长趋势,则确定该电芯存在故障,进而输出告警信息。参照图5,图5为电压变化数据的电压变化情况示意图,其中,按照2021/2/3的日期区分,各个曲线由上至下依次为最高电压变化曲线、最高电压相对电压变化曲线、最低相对电压变化曲线以及最低电压变化曲线。
若特定运行参数数据包括压差分位数据,将第一预设区间内多个电芯的压差数据按照从大到小或由小到大顺序排列,然后取排位在某些百分比的压差对应压差比获得压差分位数据,如从小到大,取100分位即压差最大值对应的压差比,取95分位即排位在第95位处对应的压差的压差比,然后,由各个第一预设区间的压差分位数据分析出第二预设区间内压差变化趋势,若压差变化趋势处于增长趋势,则输出预警信息。优选地,压差变化趋势先增后降,推测有针对动力电池进行维修,此刻,输出调查相应车辆的售后维修数据的提示信息,以进行核实。参照图6,图6为压差分位数据的压差统计变化示意图,其中,对于同一日期,图6中曲线由上至下分别为压差最大值曲线、压差95分位曲线以及压差90分位曲线。
若特定运行参数数据包括电压极值占比/次数数据,若在第二预设区间内,某一电芯的电压极值占比或次数超过预设值,且在第一预设区间内出现(运行参数数据中出现该电芯的电压最大值),则推测该电芯存在故障,进而输出预警信息,优选地,若该电芯的电压极值占比/次数数据恢复正常,则推测该电芯有过维修,此刻,输出调查相应车辆的售后维修数据的提示信息,以进行核实。其中,该电压极值占比/次数数据为各个第一预设区间内多个电芯中出现电压最大值或电压最低值概率或次数。参照图7,图7为电压极值占比示意图,由上至下的曲线分别为最高压占比曲线以及最低压占比曲线。
本实施例,通过输出告警信息,准确提示该电动交通工具存在故障,进一步提升电动交通工具进行故障检测的准确性。
本实施例提出的电动交通工具故障监测方法,通过获取所述电动交通工具的第一预设区间内运行参数数据,并基于第一预设特征参数集对所述运行参数数据进行筛选,得到筛选后的运行参数数据,接着于所述第一预设特征参数集,选择所述第一预设特征参数中的至少两个作为第二预设特征参数集,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,所述划分区间包括多个子区间;而后基于所述第二特征参数的划分区间,对所述筛选后的运行参数数据进行划分,以获得多个子数据空间;然后基于所述子数据空间的运行参数数据获得所述子数据空间对应的目标数据,基于所述目标数据,确定所述电动交通工具是否为故障车辆,通过对电动交通工具的数据进行划分,然后采用每一个子数据空间的电压变化最大值和/或电压变化均值进行电动交通工具的故障检测,通过每一个子数据空间的有限条数据准确检测电动交通工具的故障,能够将海量的运行参数数据转化为数量有限的目标数据,大大降低进行故障检测时需要处理的数据量,简化电动交通工具的故障检测的流程,提升电动交通工具的故障检测的效率。同时,还能够降低服务器的配置进而降低服务器的成本,提升电动交通工具故障检测的普适性以及实用性。
本发明还提供一种电动交通工具故障监测方法,本实施例中,所述电动交通工具故障监测方法包括:
步骤S201,获取所述电动交通工具的第三预设区间内运行数据,并基于第一预设特征参数集对所述运行数据进行筛选,得到筛选后的运行数据,所述第一预设特征参数集至少包括:电量参数、电流参数、电压参数、车辆状态参数,所述第三预设区间包括多个第一预设区间;
本实施例中,先获取所述电动交通工具的第三预设区间内运行数据,例如,可以从云数据平台BDP获取电动交通工具的运行数据,还可以定时从云数据平台BDP获取电动交通工具的运行数据,其中,第一预设区间可以为时间区间或行驶距离区间,第三预设区间包括多个第一预设区间,即第三预设区间为第一预设区间的整数倍。
接着,基于第一预设特征参数集对所述运行数据进行筛选,得到筛选后的运行数据,该第一预设特征参数集至少包括:电量参数、电流参数、电压参数、车辆状态参数。具体地,可先对运行数据进行清洗操作,以获得清洗后的运行数据,以剔除运行数据中数据格式与预设格式不同的数据,同时剔除运行数据中数据不完整的数据。然后,基于第一预设特征参数集对清洗后的运行数据进行筛选,得到筛选后的运行数据,例如,对于每一条清洗后的运行数据,仅获取该清洗后的运行数据中第一预设特征参数集对应的预设字段的目标字段数据,得到其对应的筛选后的运行数据,进而降低该筛选后的运行数据的数据大小(数据量)。
需要说明的是,云数据平台BDP为分布式云平台,该BDP与多个分布式服务器通信连接,各个所述分布式服务器通信分别与多个电动交通工具通信连接,每一辆电动交通工具定时(例如每隔10秒钟)上报运行数据至对应的分布式服务器,分布式服务器可以实时或者定时将各个电动交通工具的运行数据上传至BDP。
步骤S202,基于所述第一预设特征参数集,选择所述第一预设特征参数中的至少两个作为第二预设特征参数集,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,所述划分区间包括各个第一预设区间的多个子区间;
本实施例中,在对运行数据进行筛选得到筛选后的运行数据之后,基于所述第一预设特征参数集,选择第一预设特征参数中的至少两个作为第二预设特征参数集,也就是说,在第一预设特征参数集各个特征参数中任意选择两个作为第二预设特征参数集。而后,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,得到多个子区间,例如,第二预设特征参数集包括车辆状态参数以及电压参数,车辆状态参数的参数性质可以包括行驶以及充电,电压参数的参数性质包括大于第一预设电压、小于第一预设电压且大于第二预设电压以及小于第二预设电压,进而可根据参数范围确定6个划分区间,其中,第一预设电压以及第二预设电压均可根据电动汽车电池的额定电压(或最大电压)、额定电压(或最大电压)进行合理设置。当然,在其他实施例中,还可以在第二预设特征参数中增加电池电路等其他参数,也可以对第二预设特征参数集中各个特征参数设置其他的参数性质或者参数范围。其中,多个子区间为相互正交的子区间。
步骤S203,基于所述第二特征参数的划分区间,对所述筛选后的运行数据进行划分,以获得多个子数据空间;
本实施例中,在获取到划分区间时,根据划分区间对所述筛选后的运行数据进行划分,以获得各个第一预设区间对应的多个子数据空间,具体地,对于每一个第一预设区间内的筛选后的运行数据,将筛选后的运行数据中的每一个运行数据分配至与其对应的子区间,对于每一条筛选后的运行数据,确定该筛选后的运行数据所属的子空间,并将其分配至该子区间,最后得到各个第一预设区间对应的多个子数据空间。
步骤S204,在各个第一预设区间中随机选择一个预设区间作为初始区间,以所述初始区间起点,按照预设窗口长度W和步长S向前和/或向后获取多个窗口区间,所述预设窗口长度W和步长均为所述第一预设区间长度的整数倍,所述步长小于所述预设窗口长度;
本实施例中,在各个第一预设区间中随机选择一个预设区间作为初始区间,即将任一个第一预设区间作为初始区间,按照预设窗口长度W和步长S向前和/或向后获取多个窗口区间。在按照预设窗口长度W和步长S向前和/或向后获取多个窗口区间的过程中,在获取所述窗口区间中的尾部窗口区间时,若尾部剩余的第一预设区间的个数小于所述预设窗口长度W,且尾部剩余的第一预设区间对应的压差均值的个数大于预设个数,则将尾部剩余的第一预设区间作为所述窗口区间中的尾部窗口区间。
例如,第一预设区间为1天,第三预设区间为10天,第一天为初始区间,预设窗口长度为3天,步长为2天,则窗口区间包括第1-3天、第3-5天、第5-7天、第7-9天。
步骤S205,基于所述窗口区间中所述第一预设区间对应的子数据空间的压差均值,获取窗口区间的窗口压差均值;
具体的,该步骤S205包括:
步骤S251,基于所述窗口区间内的所述第一预设区间对应子数据空间对应的压差均值,确定各个所述窗口区间对应的压差均值个数;
步骤S252,确定各个所述窗口区间中压差均值个数大于预设个数的目标窗口区间,并计算所述目标窗口区间的压差均值,获得所述窗口压差均值。
本实施例中,先确定各个第一预设区间对应子数据空间对应的压差均值,即每一个第一预设区间内各个子数据空间的压差均值,对于每一个子数据空间,其可以将该子数据空间中每一条运行数据的压差的平均值作为压差均值,或者,对每一条运行数据的压差按照由大到小(或由小到大)的顺序进行排序,将排序结果中的分位数作为压差均值,然后,确定各个窗口区间对应的压差均值个数,对于每一个窗口区间而言,其压差均值个数为其所包括每一个第一预设区间的压差均值个数之和。
接着,确定各个所述窗口区间中压差均值个数大于预设个数的目标窗口区间,并计算所述目标窗口区间的压差均值,获得窗口压差均值,窗口压差均值为目标窗口区间内各个划分区间所对应的压差均值,对于任一个目标窗口区间中的某一个划分区间,该划分区间的压差均值为该目标窗口区间的各个第一预设区间中该划分区间对应各个子数据空间的压差均值的平均值或者分位数,窗口压差均值包括所有划分区间的压差均值。
步骤S206,基于相邻两个窗口区间的窗口压差均值之间的窗口压差差值,获取第三目标数据;
步骤S207,依据所述第三目标数据确定所述电动交通工具是否为故障车辆。
本实施例中,在获得窗口区间的窗口压差均值时,获取第三目标数据,该第三目标数据包括相邻两个窗口区间的窗口压差均值之间的窗口压差差值,相邻两个窗口区间各个划分区间的窗口压差均值之间差值。例如,例如,若划分区间为6个子空间,例如N1、N2、N3、N4、N5、N6;则对于任一个目标窗口区间,其内的每一个预设区间均具有N1、N2、N3、N4、N5、N6对应的压差均值,对于N1而言,该N1的压差均值为该目标窗口区间的各个第一预设区间中该N1对应各个子数据空间的压差均值的均值,进而该目标窗口区间存在N1、N2、N3、N4、N5、N6对应的窗口压差均值,窗口压差差值包括N1、N2、N3、N4、N5、N6对应相邻两个窗口区间的窗口压差均值之间的差值。
本实施例中,在获取到第三目标数据时,依据所述第三目标数据确定所述电动交通工具是否为故障车辆时,具体的,依据所述窗口压差差值是否超过预设压差值和/或所述窗口压差差值的变化趋势进行判断,若窗口压差差值中存在大于预设压差值的窗口压差差值,和/或者窗口压差差值的变化趋势为增加趋势,则确定所述电动交通工具为故障车辆,进而通过窗口压差差值准确判断电动交通工具是否为故障车辆,借助窗口压差差值、窗口压差差值趋势可反应出一段时间内的压差均值的波动,可防止压差值或压差均值表现正常,但在一段时间内逐渐出现恶化的情形,进一步提升故障检测的准确性。
在通过窗口压差差值进行故障检测时,若窗口压差差值中存在大于预设压差值的任一窗口压差差值即N1、N2、N3、N4、N5、N6中任一个满足条件,且窗口压差差值的变化趋势为增加趋势,则确定所述电动交通工具为故障车辆。
进一步地,该第三目标数据还包括目标窗口压差差值占比,所述第三目标数据还包括目标窗口压差差值数量和/或目标窗口压差差值占比,所述目标窗口压差差值为所述窗口压差值大于所述预设窗口压差差值的窗口压差差值;所述目标窗口压差差值数量为一个或多个子数据空间中所述目标窗口压差差值的个数;所述目标窗口压差差值占比为所述目标窗口压差差值数量与对应一个或多个的所述子空间中所有窗口压差差值的数量之比。
具体地,在依据所述第三目标数据确定所述电动交通工具是否为故障车辆时,若窗口压差差值满足上述条件,则确定目标窗口压差差值数量是否大于预设差值数量和/或目标窗口压差差值占比是否大于预设窗口压差差值占比,若确定目标窗口压差差值数量大于预设差值数量和/或目标窗口压差差值占比大于预设窗口压差差值占比,则确定所述电动交通工具为故障车辆,进而通过目标窗口压差差值占比准确判断电动交通工具是否为故障车辆,进一步提升故障检测的准确性。
本实施例提出的电动交通工具故障监测方法,通过获取所述电动交通工具的第三预设区间内运行数据,并基于第一预设特征参数集对所述运行数据进行筛选,得到筛选后的运行数据,接着基于所述第一预设特征参数集,选择所述第一预设特征参数中的至少两个作为第二预设特征参数集,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,而后基于所述第二特征参数的划分区间,对所述筛选后的运行数据进行划分,以获得各个第一预设区间对应的多个子数据空间;然后在各个第一预设区间中随机选择一个预设区间作为初始区间,以所述初始区间起点,按照预设窗口长度W和步长S向前和/或向后获取多个窗口区间,其次基于所述窗口区间中所述第一预设区间对应的子数据空间的压差均值,获取窗口区间的窗口压差均值;基于相邻两个窗口区间的窗口压差均值之间的窗口压差差值,获取第三目标数据;最后依据所述第三目标数据确定所述电动交通工具是否为故障车辆,通过对电动交通工具的数据进行划分以及预设区间的窗口化,然后采用窗口压差差值进行电动交通工具的故障检测,能够将海量的运行参数数据转化为数量有限的目标数据,大大降低进行故障检测时需要处理的数据量,简化电动交通工具的故障检测的流程,提升电动交通工具的故障检测的效率。同时,还能够降低服务器的配置进而降低服务器的成本,提升电动交通工具故障检测的普适性以及实用性。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有电动交通工具故障监测程序,所述电动交通工具故障监测程序被处理器执行时实现如上所述的电动交通工具故障监测方法的步骤。
其中,在所述处理器上运行的电动交通工具故障监测程序被执行时所实现的方法可参照本发明电动交通工具故障监测方法各个实施例,此处不再赘述。
此外,本发明实施例还提出一种计算机程序产品,该计算机程序产品上包括电动交通工具故障监测程序,所述电动交通工具故障监测程序被处理器执行时实现如上所述的电动交通工具故障监测方法的步骤。
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如上所述的一个存储介质(如ROM/RAM、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 (13)
1.一种电动交通工具故障监测方法,其特征在于,所述电动交通工具故障监测方法包括以下步骤:
获取所述电动交通工具的第一预设区间内运行参数数据,并基于第一预设特征参数集对所述运行参数数据进行筛选,得到筛选后的运行参数数据,所述第一预设特征参数集至少包括:电量参数、电流参数、电压参数、车辆状态参数;
基于所述第一预设特征参数集,选择所述第一预设特征参数中的至少两个作为第二预设特征参数集,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,所述划分区间包括多个子区间;
基于所述第二特征参数的划分区间,对所述筛选后的运行参数数据进行划分,以获得多个子数据空间;
基于所述子数据空间的运行参数数据获得所述子数据空间对应的目标数据,所述目标数据包括包括第一目标数据,所述第一目标数据至少包括所述子数据空间对应的电压参数的电压变化最大值和/或所述电压参数的电压变化均值;
基于所述目标数据,确定所述电动交通工具是否为故障车辆。
2.如权利要求1所述电动交通工具故障监测方法,其特征在于,
所述多个子区间为相互正交的子区间。
3.如权利要求1所述的电动交通工具故障检测方法,其特征在于,所述基于所述子数据空间的运行参数数据获得所述子数据空间对应的目标数据的步骤包括:
计算各个子数据空间中运行参数数据的参数条数,并确定各个子数据空间中参数条数大于或等于运行参数条数预设值的目标子数据空间;
对所述目标子数据空间的运行参数数据进行聚合处理,以获得所述第一目标数据。
4.根据权利要求1所述的电动交通工具故障监测方法,其特征在于:所述基于所述目标数据,确定所述电动交通工具是否为故障车辆的步骤包括:
获取各个所述子数据空间中电压变化最大值大于预设电压变化值的次数和/或占比,和/或各个所述子数据空间中电压变化均值大于预设均值的次数和/或占比;
将所述次数和/或占比作为第二目标数据,并基于所述第一目标数据值和所述第二目标数据值判断所述电动交通工具是否为故障车辆。
5.如权利要求1至4任一项所述的电动交通工具故障监测方法,其特征在于,所述基于所述目标数据,确定所述电动交通工具是否为故障车辆的步骤之后,还包括:
若确定所述电动交通工具为故障车辆,则获取所述电动交通工具在第二预设区间内的特定运行参数数据,所述第二预设区间包括多个连续的所述第一预设区间,所述特定运行参数数据至少包括所述电动交通工具在多个所述第一预设区间内的压差分位数据、电压极值占比/次数数据、电压变化数据一种或多种;
基于所述特定运行参数数据输出所述电动交通工具为故障车辆的预警信息。
6.如权利要求5所述电动交通工具故障监测方法,其特征在于,
所述压差分位数据至少包括第一分位压差数据、第二分位压差数据;
所述电压变化数据包最高电压变化、最低电压变化、最高电压相对电压变化以及最低相对电压变化。
7.一种电动交通工具故障监测方法,其特征在于,所述电动交通工具故障监测方法包括以下步骤:
获取所述电动交通工具的第三预设区间内运行数据,并基于第一预设特征参数集对所述运行数据进行筛选,得到筛选后的运行数据,所述第一预设特征参数集至少包括:电量参数、电流参数、电压参数、车辆状态参数,所述第三预设区间包括多个第一预设区间;
基于所述第一预设特征参数集,选择所述第一预设特征参数中的至少两个作为第二预设特征参数集,基于所述第二预设特征参数集中每一特征参数的参数性质获得所述第二特征参数的划分区间,所述划分区间包括多个子区间;
基于所述第二特征参数的划分区间,对所述筛选后的运行数据进行划分,以获得各个第一预设区间对应的多个子数据空间;
在各个第一预设区间中随机选择一个预设区间作为初始区间,以所述初始区间起点,按照预设窗口长度W和步长S向前和/或向后获取多个窗口区间,所述预设窗口长度W和步长均为所述第一预设区间长度的整数倍,所述步长小于所述预设窗口长度;
基于所述窗口区间中所述第一预设区间对应的子数据空间的压差均值,获取窗口区间的窗口压差均值;
基于相邻两个窗口区间的窗口压差均值之间的窗口压差差值,获取第三目标数据;
依据所述第三目标数据确定所述电动交通工具是否为故障车辆。
8.如权利要求7所述的电动交通工具故障监测方法,其特征在于,所述第三目标数据还包括目标窗口压差差值数量和/或目标窗口压差差值占比,所述目标窗口压差差值为所述窗口压差值大于所述预设窗口压差差值的窗口压差差值;所述目标窗口压差差值数量为一个或多个子数据空间中所述目标窗口压差差值的个数;所述目标窗口压差差值占比为所述目标窗口压差差值数量与对应一个或多个的所述子空间中所有窗口压差差值的数量之比。
9.如权利要求7所述的电动交通工具故障监测方法,其特征在于,所述基于所述窗口区间中所述第一设定区间对应的子数据空间的压差均值,获取窗口区间的窗口压差均值的步骤包括:
基于所述窗口区间内的所述第一预设区间对应子数据空间对应的压差均值,确定各个所述窗口区间对应的压差均值个数;
确定各个所述窗口区间中压差均值个数大于预设个数的目标窗口区间,并计算所述目标窗口区间的压差均值,获得所述窗口压差均值。
10.如权利要求7所述的电动交通工具故障监测方法,其特征在于,
依据所述第三目标数据确定所述电动交通工具是否为故障车辆时,依据所述窗口压差差值是否超过预设压差值和/或所述窗口压差差值的变化趋势进行判断。
11.如权利要求7至10任一项所述的电动交通工具故障监测方法,其特征在于,
所述以所述初始区间起点,按照预设窗口长度W和步长S向前和/或向后获取多个窗口区间的过程中,在获取所述窗口区间中的尾部窗口区间时,若尾部剩余的第一预设区间的个数小于所述预设窗口长度W,且尾部剩余的第一预设区间对应的压差均值的个数大于预设个数,则将尾部剩余的第一预设区间作为所述窗口区间中的尾部窗口区间。
12.一种电动交通工具故障监测设备,其特征在于,所述电动交通工具故障监测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电动交通工具故障监测程序,所述电动交通工具故障监测程序被所述处理器执行时实现如权利要求1至6或7-11中任一项所述的电动交通工具故障监测方法的步骤。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有电动交通工具故障监测程序,所述电动交通工具故障监测程序被处理器执行时实现如权利要求1至6或7-11中任一项所述的电动交通工具故障监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157395.2A CN113868236B (zh) | 2021-09-29 | 2021-09-29 | 电动交通工具故障监测方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157395.2A CN113868236B (zh) | 2021-09-29 | 2021-09-29 | 电动交通工具故障监测方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113868236A true CN113868236A (zh) | 2021-12-31 |
CN113868236B CN113868236B (zh) | 2023-06-30 |
Family
ID=79000840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111157395.2A Active CN113868236B (zh) | 2021-09-29 | 2021-09-29 | 电动交通工具故障监测方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113868236B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10235525A1 (de) * | 2001-09-10 | 2003-04-10 | Daimler Chrysler Ag | Verfahren und System zur Überwachung des Zustands eines Fahrzeugs |
JP2013073609A (ja) * | 2011-09-29 | 2013-04-22 | Toyota Motor Corp | 情報処理装置、データ記録方法 |
CN106383951A (zh) * | 2016-09-20 | 2017-02-08 | 北京理工大学 | 一种电力驱动交通工具的故障诊断方法和系统 |
US20170277727A1 (en) * | 2016-03-25 | 2017-09-28 | Ca, Inc. | Identification of distinguishing compound features extracted from real time data streams |
CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
US10354462B1 (en) * | 2018-04-06 | 2019-07-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fault diagnosis in power electronics using adaptive PCA |
WO2020062082A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳市大疆创新科技有限公司 | 数据处理方法和可移动平台 |
CN111522308A (zh) * | 2020-04-17 | 2020-08-11 | 深圳市英维克信息技术有限公司 | 故障诊断方法、装置、存储介质及计算机设备 |
US20200327105A1 (en) * | 2019-04-15 | 2020-10-15 | Otonomo Technologies Ltd. | Method and system for scoring automotive data |
CN111968268A (zh) * | 2020-06-29 | 2020-11-20 | 南斗六星系统集成有限公司 | 一种新能源车辆健康状况远程评估方法和系统 |
CN112124076A (zh) * | 2020-08-28 | 2020-12-25 | 蜂巢能源科技有限公司 | 动力电池短路检测方法、装置、汽车、系统及存储介质 |
CN112734982A (zh) * | 2021-01-15 | 2021-04-30 | 北京小马慧行科技有限公司 | 无人车驾驶行为数据的存储方法和系统 |
CN113962259A (zh) * | 2021-10-11 | 2022-01-21 | 燕山大学 | 一种燃料电池系统多模式双层故障诊断方法 |
-
2021
- 2021-09-29 CN CN202111157395.2A patent/CN113868236B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10235525A1 (de) * | 2001-09-10 | 2003-04-10 | Daimler Chrysler Ag | Verfahren und System zur Überwachung des Zustands eines Fahrzeugs |
JP2013073609A (ja) * | 2011-09-29 | 2013-04-22 | Toyota Motor Corp | 情報処理装置、データ記録方法 |
US20170277727A1 (en) * | 2016-03-25 | 2017-09-28 | Ca, Inc. | Identification of distinguishing compound features extracted from real time data streams |
CN106383951A (zh) * | 2016-09-20 | 2017-02-08 | 北京理工大学 | 一种电力驱动交通工具的故障诊断方法和系统 |
CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
US10354462B1 (en) * | 2018-04-06 | 2019-07-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fault diagnosis in power electronics using adaptive PCA |
WO2020062082A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳市大疆创新科技有限公司 | 数据处理方法和可移动平台 |
US20200327105A1 (en) * | 2019-04-15 | 2020-10-15 | Otonomo Technologies Ltd. | Method and system for scoring automotive data |
CN111522308A (zh) * | 2020-04-17 | 2020-08-11 | 深圳市英维克信息技术有限公司 | 故障诊断方法、装置、存储介质及计算机设备 |
CN111968268A (zh) * | 2020-06-29 | 2020-11-20 | 南斗六星系统集成有限公司 | 一种新能源车辆健康状况远程评估方法和系统 |
CN112124076A (zh) * | 2020-08-28 | 2020-12-25 | 蜂巢能源科技有限公司 | 动力电池短路检测方法、装置、汽车、系统及存储介质 |
CN112734982A (zh) * | 2021-01-15 | 2021-04-30 | 北京小马慧行科技有限公司 | 无人车驾驶行为数据的存储方法和系统 |
CN113962259A (zh) * | 2021-10-11 | 2022-01-21 | 燕山大学 | 一种燃料电池系统多模式双层故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113868236B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111208445A (zh) | 一种动力电池异常单体识别方法及系统 | |
CN111572350A (zh) | 电动汽车起火预警方法及装置 | |
CN113485931B (zh) | 测试方法、装置、电子设备及计算机可读存储介质 | |
US20230388202A1 (en) | Methods and systems for inferred information propagation for aircraft prognostics | |
CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、系统和介质 | |
US20220373609A1 (en) | State Value for Rechargeable Batteries | |
CN115754726A (zh) | 一种电池寿命预测及维持方法、电子设备和存储介质 | |
CN116366374A (zh) | 基于大数据的电网网络管理的安全评估方法、系统及介质 | |
CN117148177A (zh) | 电池动态一致性评价方法、装置和计算机设备 | |
CN115841046A (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
JP2021124419A (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
CN113868236B (zh) | 电动交通工具故障监测方法、设备及计算机可读存储介质 | |
CN117233645A (zh) | 一种储能逆变器电池异常判定方法、系统及介质 | |
CN113538735B (zh) | 一种车辆用途识别方法及装置 | |
CN113254672B (zh) | 异常账号的识别方法、系统、设备及可读存储介质 | |
CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
CN114970734A (zh) | 异常电池确定方法、装置、计算机设备和存储介质 | |
CN115291130B (zh) | 一种电池包参数监测方法、装置、存储介质及电子设备 | |
CN116228045B (zh) | 基于性能退化的产品可靠性薄弱环节评估方法和装置 | |
CN117370911A (zh) | 一种电池检测方法、装置、存储介质及设备 | |
CN115825790B (zh) | 电池绝缘故障的预警方法、装置、系统和计算机设备 | |
CN116047313B (zh) | 一种用于锂电池储能箱的质量检测和维护方法及系统 | |
CN117054903B (zh) | 一种汽车电池包异常监测方法及系统 | |
CN116774064B (zh) | 电池自放电检测方法、装置、设备和存储介质 | |
CN107218964B (zh) | 一种试验子样容量性状的判定方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |