CN114065839A - 一种车辆机油的劣化检测方法及装置 - Google Patents
一种车辆机油的劣化检测方法及装置 Download PDFInfo
- Publication number
- CN114065839A CN114065839A CN202111241019.1A CN202111241019A CN114065839A CN 114065839 A CN114065839 A CN 114065839A CN 202111241019 A CN202111241019 A CN 202111241019A CN 114065839 A CN114065839 A CN 114065839A
- Authority
- CN
- China
- Prior art keywords
- training
- vehicle
- parameters
- algorithm
- degradation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01M—LUBRICATING OF MACHINES OR ENGINES IN GENERAL; LUBRICATING INTERNAL COMBUSTION ENGINES; CRANKCASE VENTILATING
- F01M11/00—Component parts, details or accessories, not provided for in, or of interest apart from, groups F01M1/00 - F01M9/00
- F01M11/10—Indicating devices; Other safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Lubrication Details And Ventilation Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种车辆机油的劣化检测方法及装置,所述方法包括:获取多个不同的车辆行驶参数;对每个所述车辆行驶参数分别进行预设处理得到车辆特征参数;分别从每个所述车辆特征参数中提取训练参数,得到多个训练参数,所述训练参数包括训练矩阵和训练标签;采用预设的训练算法对多个所述训练参数进行模型训练得到算法模型,并利用所述算法模型对待检测驾驶参数进行机油劣化预测。本发明可以利用多个不同的车辆驾驶参数生成对应的检测算法模型,再利用检测算法模型确定用户车辆的机油劣化状态,不但简单快捷,从而降低检测成本和提高检测效率,还可以提高检测准确率,方便用户根据检测结果进行车辆保养,以保障内燃机高效运行及延长使用寿命。
Description
技术领域
本发明涉及车辆机油的技术领域,尤其涉及一种车辆机油的劣化检测方法及装置。
背景技术
机油,即发动机润滑油,能对车辆的发动机起到润滑减磨、辅助冷却降温、密封防漏、防锈防蚀、减震缓冲等作用。由于机油对车辆的安全行驶提供各种辅助,所以及时更换与检测车辆的机油对保障内燃机高效、可靠运行和延长发动机的使用寿命具有重要的作用。
目前常用的机油状态检测方式是通常采用车辆厂家推荐的固定机油保养里程或机油使用时间来确定;或者通过将车辆驾驶至保养中心进行人工检测以确定机油状态。
但目前常用的检测方式有如下问题:由于不同驾驶员的驾驶习惯和驾驶环境不同,使得机油的消耗也不同,而厂家推荐方式与驾驶员的实际驾驶方式有出入,导致检测结果与实际结果相差较大,检测准确率低;如果采用人工检测的话,操作麻烦,且成本高,耗时长,用户体验差。
发明内容
本发明提出一种车辆机油的劣化检测方法及装置,所述方法可以采集多个用户的不同驾驶参数对应的特征参数,利用多个不同的特征参数迭代训练算法模型,从而通过算法模型确定机油的劣化程度,以提高检测机油状态的准确率和效率。
本发明实施例的第一方面提供了一种车辆机油的劣化检测方法,所述方法包括:获取多个不同的车辆行驶参数;
对每个所述车辆行驶参数分别进行预设处理得到车辆特征参数;
分别从每个所述车辆特征参数中提取训练参数,得到多个训练参数,其中,所述训练参数包括训练矩阵和训练标签,每个所述训练标签对应一个车辆行驶参数;
采用预设的训练算法对多个所述训练参数进行模型训练得到算法模型,并利用所述算法模型对待检测驾驶参数进行机油劣化预测。
在第一方面的一种可能的实现方式中,所述从每个所述车辆特征参数中提取训练参数,包括:
提取每个所述车辆特征参数对应的区间点数;
利用所述区间点数进行学生分布计算得到分布曲线;
按照预设区间值从所述分布曲线筛选训练样本,得到训练参数。
在第一方面的一种可能的实现方式中,所述采用预设的训练算法对多个所述训练参数进行模型训练得到算法模型,包括:
将每个所述训练参数转换成训练矩阵,并计算每个所述训练矩阵对应的训练标签,其中,每个所述训练标签对应一个机油劣化状态;
将所述训练矩阵与对应的训练标签集合二元组集合,得到多个二元组集合;
采用预设的训练算法对所述多个二元组集合进行模型训练得到算法模型。
在第一方面的一种可能的实现方式中,所述利用所述算法模型对待检测驾驶数据进行机油劣化预测,包括:
从待检测件数据中提取待检测特征参数;
利用所述算法模型匹配所述待检测特征参数对应的待检测标签,并获取所述待检测标签对应的机油劣化状态。
在第一方面的一种可能的实现方式中,所述对每个所述车辆行驶参数分别进行预设处理得到车辆特征参数,包括:
按照预设的提取列表从每个所述车辆行驶参数中提取若干个特征类别;
分别获取每个所述特征类别对应的特征数值得到车辆特征参数。
在第一方面的一种可能的实现方式中,在所述获取多个不同的车辆行驶参数的步骤后,所述方法还包括:
分别识别每个所述车辆行驶参数对应的车辆标识,得到多个车辆标识;
按照所述多个车辆标识将所述多个不同的车辆行驶参数分类存储至不同的文件目录。
在第一方面的一种可能的实现方式中,所述预设的训练算法,包括:最小二乘法回归算法、贝叶斯分类算法、SVR算法、随机森林算法或决策树算法、贝叶斯岭回归算法、XGBoost算法。
本发明实施例的第二方面提供了一种车辆机油的劣化检测装置,所述装置包括:
获取模块,用于获取多个不同的车辆行驶参数;
处理模块,用于对每个所述车辆行驶参数分别进行预设处理得到车辆特征参数;
提取模块,用于分别从每个所述车辆特征参数中提取训练参数,得到多个训练参数,其中,所述训练参数包括训练矩阵和训练标签,每个所述训练标签对应一个车辆行驶参数;
训练与检测模块,用于采用预设的训练算法对多个所述训练参数进行模型训练,并利用所述算法模型对待检测驾驶参数进行机油劣化预测。
在第二方面的一种可能的实现方式中,所述提取模块还用于:
提取每个所述车辆特征参数对应的区间点数;
利用所述区间点数进行学生分布计算得到分布曲线;
按照预设区间值从所述分布曲线筛选训练样本,得到训练参数。
在第二方面的一种可能的实现方式中,所述训练与检测模块还用于:
将每个所述训练参数转换成训练矩阵,并计算每个所述训练矩阵对应的训练标签,其中,每个所述训练标签对应一个机油劣化状态;
将所述训练矩阵与对应的训练标签集合二元组集合,得到多个二元组集合;
采用预设的训练算法对所述多个二元组集合进行模型训练得到算法模型。
在第二方面的一种可能的实现方式中,所述训练与检测模块还用于:
从待检测件数据中提取待检测特征参数;
利用所述算法模型匹配所述待检测特征参数对应的待检测标签,并获取所述待检测标签对应的机油劣化状态。
在第二方面的一种可能的实现方式中,所述处理模块还用于:
按照预设的提取列表从每个所述车辆行驶参数中提取若干个特征类别;
分别获取每个所述特征类别对应的特征数值得到车辆特征参数。
在第二方面的一种可能的实现方式中,所述装置还包括:
识别模块,用于分别识别每个所述车辆行驶参数对应的车辆标识,得到多个车辆标识;
分类存储模块,用于按照所述多个车辆标识将所述多个不同的车辆行驶参数分类存储至不同的文件目录。
在第二方面的一种可能的实现方式中,所述预设的训练算法,包括:最小二乘法回归算法、贝叶斯分类算法、SVR算法、随机森林算法或决策树算法贝叶斯岭回归算法、XGBoost算法。
本发明实施例的第三方面提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的车辆机油的劣化检测方法。
本发明实施例的第四方面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可执行指令,所述计算机可执行指令用于使计算机执行如上所述的车辆机油的劣化检测方法。
相比于现有技术,本发明实施例提供的一种车辆机油的劣化检测方法及装置,其有益效果在于:本发明可以利用多个不同的车辆驾驶参数进行模型训练,从而生成对应的检测算法模型,再利用检测算法模型进行匹配查找,以确定用户车辆的机油劣化状态,整个操作流程不但简单快捷,以降低用户检测的成本和提高检测效率,还可以提高检测准确率,方便用户根据检测结果进行车辆保养,以保障内燃机高效、可靠的运行和延长发动机的使用寿命。
附图说明
图1是本发明一实施例提供的一种车辆机油的劣化检测方法的流程示意图;
图2是本发明一实施例提供的车辆行驶参数分类存储的流程示意图;
图3是本发明一实施例提供的一种车辆机油的劣化检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前常用的检测方式有如下问题:由于不同驾驶员的驾驶习惯和驾驶环境不同,使得机油的消耗也不同,而厂家推荐方式与驾驶员的实际驾驶方式有出入,导致检测结果与实际结果相差较大,检测准确率低;而人工检测的操作麻烦,且成本高,耗时长,用户体验差。
为了解决上述问题,下面将通过以下具体的实施例对本申请实施例提供的一种车辆机油的劣化检测方法进行详细介绍和说明。
参照图1,示出了本发明一实施例提供的一种车辆机油的劣化检测方法的流程示意图。
其中,作为示例的,所述车辆机油的劣化检测方法,可以包括:
S11、获取多个不同的车辆行驶参数。
在一实施例中,所述车辆行驶参数可以包括车辆的形式环境、加油时间、行驶时间、油耗、机油酸碱度、机油剩余量、行驶路况、车牌号码、车辆使用年限等等。
在一操作示例中,可以向多个用户采集所驾驶车辆的车辆行驶参数,从而得到多个不同的车辆行驶参数。
参照图2,示出了本发明一实施例提供的车辆行驶参数分类存储的流程示意图。
由于不同的用户对应的车辆行驶参数均不相同,需要对其进行分门别类,以方便后续进行管理和存储。
其中,作为示例的,在步骤S11后,所述方法还可以包括:
S21、分别识别每个所述车辆行驶参数对应的车辆标识,得到多个车辆标识。
可选地,车辆标识可以是车牌号码,由于每一辆车的车牌号码均不相同,可以通过其车牌号码进行标识和分类。
S22、按照所述多个车辆标识将所述多个不同的车辆行驶参数分类存储至不同的文件目录。
在具体实现时,可以获取每个车辆行驶参数对应的车辆标识,然后按照车辆标识将不同的车辆行驶参数划分成不同类别,然后将每个类别对应的车辆行驶参数存储至一个文件目录或服务器中,从而方便用户对该车辆的车辆行驶数据进行管理和查询。
S12、对每个所述车辆行驶参数分别进行预设处理得到车辆特征参数。
在一实施例中,由于车辆行驶参数包含多个不同的数据,但不是每个数据均能反映机油状态,也不是每个数据均与机油状态相关联,可以从车辆行驶参数中提取与机油状态相关联或者与机油状态有联系的车辆特征参数,从而可以根据车辆特征参数进行后续的模型训练,以提高机油状态检测的准确率。
在一可选的实施例中,为了准确提取对应的车辆特征参数,其中,作为示例的,步骤S12可以包括以下子步骤:
子步骤S121、按照预设的提取列表从每个所述车辆行驶参数中提取若干个特征类别。
具体地,用户可以根据实际的需要划分若干个与机油状态相关的类别,再将若干个与机油状态相关的类别编辑成对应的提取列表。
可选地,该类别可以是车辆的马力、耗油量、酸碱度、引擎容量、行驶时间、行驶里程等等。
接着,可以按照提取列表中所包含的若干个类别从车辆行驶参数中提取对应的特征类别。
子步骤S122、分别获取每个所述特征类别对应的特征数值得到车辆特征参数。
在获取特征类别后,可以分别获取每个特征类别对应的特征数值,从而得到该车辆行驶参数对应的车辆特征参数。
在一可选的实施例中,若车辆行驶参数中没有该类别对应的数据,可以以0作替换。
S13、分别从每个所述车辆特征参数中提取训练参数,得到多个训练参数,其中,所述训练参数包括训练矩阵和训练标签,每个所述训练标签对应一个车辆行驶参数。
从车辆特征参数中提取训练所需的训练参数,可以优化车辆特征参数,从而以提高后续模型的检测准确率。
为了进一步提高检测的准确率,在一实施例中,训练参数包括训练矩阵和训练标签。
在其中一种的实施例中,步骤S13可以包括以下子步骤:
子步骤S131、提取每个所述车辆特征参数对应的区间点数。
具体地,可以从车辆特征参数的数值中提取具体的区间值。例如,车辆特征参数包括第一天的耗油量、第二天的耗油量...以及第N天的耗油量,可以计算相邻两天的耗油量,从而得到关于耗油量对应的区间点数。
子步骤S132、利用所述区间点数进行学生分布计算得到分布曲线。
可以按照学生分布的方式计算区间点数得到对应的分布曲线。
子步骤S133、按照预设区间值从所述分布曲线筛选训练样本,得到训练参数。
具体地,由于分布曲线是以中线t为中心,左右对称的单峰分布,其左右两端的数据占比较低,可以忽略。为了减少数据处理量,提高数据处理效率,可以按照预设的区间值从分别分布曲线中截取训练样本,从而得到训练参数。
该预设的区间值可以根据实际需要进行调整。
例如,分布曲线是以中线0为中心,左右对称的单峰分布,可以以【-1,1】为预设区间值从分布曲线中提取对应的训练样本,也可以以【-05,0.5】为预设区间值。
S14、采用预设的训练算法对多个所述训练参数进行模型训练得到算法模型,并利用所述算法模型对待检测驾驶参数进行机油劣化预测。
确定多个训练参数后,可以利用预设的训练算法对多个训练参数进行模型训练,从而得到对应的算法模型。
当获取用户需要进行检测的待检测驾驶参数时,可以利用算法模型对待检测驾驶参数进行检测,从而可以匹配预测到用户当前驾驶的车辆的机油劣化状态。
为了提高训练效率,使得模型更加准确,在其中一种的实施例中,步骤S14可以包括以下子步骤:
子步骤S141、将每个所述训练参数转换成训练矩阵,并计算每个所述训练矩阵对应的训练标签,其中,每个所述训练标签对应一个机油劣化状态。
子步骤S142、将所述训练矩阵与对应的训练标签集合二元组集合,得到多个二元组集合。
子步骤S143、采用预设的训练算法对所述多个二元组集合进行模型训练得到算法模型。
可选地,在一实施例中,所述预设的训练算法,包括:最小二乘法回归算法、贝叶斯分类算法、SVR算法、随机森林算法或决策树算法、贝叶斯岭回归算法、XGBoost算法等。具体地,预设的训练算法可以根据实际需要进行调整。
当需要进行机油状态预测时,在其中一种的实施例中,步骤S14可以包括以下子步骤:
子步骤S144、从待检测件数据中提取待检测特征参数。
需要说明的是,此步骤的参数提取方式可以与步骤S12相同,为了避免重复,在此不再赘述,具体可以参数实施例的描述。
子步骤S145、利用所述算法模型匹配所述待检测特征参数对应的待检测标签,并获取所述待检测标签对应的机油劣化状态。
算法模型可以根据待检测特征参数所包含的数据进行数据匹配,然后可以查找到与待检测特征参数向匹配的标签,接着可以参照该标签查找对应的车辆行驶参数,进而可以确定车辆行驶参数所包含的机油状况,最后可以通过车辆行驶参数所包含的机油状况确定待检测特征参数对应的机油劣化状态。
在本实施例中,本发明实施例提供了一种车辆机油的劣化检测方法,其有益效果在于:本发明可以利用多个不同的车辆驾驶参数进行模型训练,从而生成对应的检测算法模型,再利用检测算法模型进行匹配查找,以确定用户车辆的机油劣化状态,整个操作流程不但简单快捷,以降低用户检测的成本和提高检测效率,还可以提高检测准确率,方便用户根据检测结果进行车辆保养,以保障内燃机高效、可靠的运行和延长发动机的使用寿命。
本发明实施例还提供了一种车辆机油的劣化检测装置,参见图3,示出了本发明一实施例提供的一种车辆机油的劣化检测装置的结构示意图。
其中,作为示例的,所述车辆机油的劣化检测装置可以包括:
获取模块301,用于获取多个不同的车辆行驶参数;
处理模块302,用于对每个所述车辆行驶参数分别进行预设处理得到车辆特征参数;
提取模块303,用于分别从每个所述车辆特征参数中提取训练参数,得到多个训练参数,其中,所述训练参数包括训练矩阵和训练标签,每个所述训练标签对应一个车辆行驶参数;
训练与检测模块304,用于采用预设的训练算法对多个所述训练参数进行模型训练得到算法模型,并利用所述算法模型对待检测驾驶参数进行机油劣化预测。
可选地,所述提取模块还用于:
提取每个所述车辆特征参数对应的区间点数;
利用所述区间点数进行学生分布计算得到分布曲线;
按照预设区间值从所述分布曲线筛选训练样本,得到训练参数。
可选地,所述训练与检测模块还用于:
将每个所述训练参数转换成训练矩阵,并计算每个所述训练矩阵对应的训练标签,其中,每个所述训练标签对应一个机油劣化状态;
将所述训练矩阵与对应的训练标签集合二元组集合,得到多个二元组集合;
采用预设的训练算法对所述多个二元组集合进行模型训练得到算法模型。
可选地,所述训练与检测模块还用于:
从待检测件数据中提取待检测特征参数;
利用所述算法模型匹配所述待检测特征参数对应的待检测标签,并获取所述待检测标签对应的机油劣化状态。
可选地,所述处理模块还用于:
按照预设的提取列表从每个所述车辆行驶参数中提取若干个特征类别;
分别获取每个所述特征类别对应的特征数值得到车辆特征参数。
可选地,所述装置还包括:
识别模块,用于分别识别每个所述车辆行驶参数对应的车辆标识,得到多个车辆标识;
分类存储模块,用于按照所述多个车辆标识将所述多个不同的车辆行驶参数分类存储至不同的文件目录。
可选地,所述预设的训练算法,包括:最小二乘法回归算法、贝叶斯分类算法、SVR算法、随机森林算法或决策树算法、贝叶斯岭回归算法、XGBoost算法。
进一步的,本申请实施例还提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例所述的车辆机油的劣化检测方法。
进一步的,本申请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可执行指令,所述计算机可执行指令用于使计算机执行如上述实施例所述的车辆机油的劣化检测方法。
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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种车辆机油的劣化检测方法,其特征在于,所述方法包括:
获取多个不同的车辆行驶参数;
对每个所述车辆行驶参数分别进行预设处理得到车辆特征参数;
分别从每个所述车辆特征参数中提取训练参数,得到多个训练参数,其中,所述训练参数包括训练矩阵和训练标签,每个所述训练标签对应一个车辆行驶参数;
采用预设的训练算法对多个所述训练参数进行模型训练得到算法模型,并利用所述算法模型对待检测驾驶参数进行机油劣化预测。
2.根据权利要求1所述的车辆机油的劣化检测方法,其特征在于,所述从每个所述车辆特征参数中提取训练参数,包括:
提取每个所述车辆特征参数对应的区间点数;
利用所述区间点数进行学生分布计算得到分布曲线;
按照预设区间值从所述分布曲线筛选训练样本,得到训练参数。
3.根据权利要求2所述的车辆机油的劣化检测方法,其特征在于,所述采用预设的训练算法对多个所述训练参数进行模型训练得到算法模型,包括:
将每个所述训练参数转换成训练矩阵,并计算每个所述训练矩阵对应的训练标签,其中,每个所述训练标签对应一个机油劣化状态;
将所述训练矩阵与对应的训练标签集合二元组集合,得到多个二元组集合;
采用预设的训练算法对所述多个二元组集合进行模型训练得到算法模型。
4.根据权利要求3所述的车辆机油的劣化检测方法,其特征在于,所述利用所述算法模型对待检测驾驶数据进行机油劣化预测,包括:
从待检测件数据中提取待检测特征参数;
利用所述算法模型匹配所述待检测特征参数对应的待检测标签,并获取所述待检测标签对应的机油劣化状态。
5.根据权利要求1所述的车辆机油的劣化检测方法,其特征在于,所述对每个所述车辆行驶参数分别进行预设处理得到车辆特征参数,包括:
按照预设的提取列表从每个所述车辆行驶参数中提取若干个特征类别;
分别获取每个所述特征类别对应的特征数值得到车辆特征参数。
6.根据权利要求1所述的车辆机油的劣化检测方法,其特征在于,在所述获取多个不同的车辆行驶参数的步骤后,所述方法还包括:
分别识别每个所述车辆行驶参数对应的车辆标识,得到多个车辆标识;
按照所述多个车辆标识将所述多个不同的车辆行驶参数分类存储至不同的文件目录。
7.根据权利要求1-6任意一项所述的车辆机油的劣化检测方法,其特征在于,所述预设的训练算法,包括:最小二乘法回归算法、贝叶斯分类算法、SVR算法、随机森林算法或决策树算法、贝叶斯岭回归算法、XGBoost算法。
8.一种车辆机油的劣化检测装置,其特征在于,所述装置包括:
获取模块,用于获取多个不同的车辆行驶参数;
处理模块,用于对每个所述车辆行驶参数分别进行预设处理得到车辆特征参数;
提取模块,用于分别从每个所述车辆特征参数中提取训练参数,得到多个训练参数,其中,所述训练参数包括训练矩阵和训练标签,每个所述训练标签对应一个车辆行驶参数;
训练与检测模块,用于采用预设的训练算法对多个所述训练参数进行模型训练得到算法模型,并利用所述算法模型对待检测驾驶参数进行机油劣化预测。
9.一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任意一项所述的车辆机油的劣化检测方法。
10.一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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-7任意一项所述的车辆机油的劣化检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241019.1A CN114065839A (zh) | 2021-10-25 | 2021-10-25 | 一种车辆机油的劣化检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241019.1A CN114065839A (zh) | 2021-10-25 | 2021-10-25 | 一种车辆机油的劣化检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114065839A true CN114065839A (zh) | 2022-02-18 |
Family
ID=80235423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111241019.1A Pending CN114065839A (zh) | 2021-10-25 | 2021-10-25 | 一种车辆机油的劣化检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065839A (zh) |
-
2021
- 2021-10-25 CN CN202111241019.1A patent/CN114065839A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767597B (zh) | 一种车辆事故预警方法及系统 | |
Ou et al. | Intensity and daily pattern of passenger vehicle use by region and class in China: estimation and implications for energy use and electrification | |
CN108647791B (zh) | 一种多源汽车安全信息的处理方法、装置及系统 | |
CN110084534B (zh) | 一种基于驾驶行为画像的驾驶风险因子量化方法 | |
CN106650157B (zh) | 车辆零部件故障发生概率估算方法、装置及系统 | |
CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
CN111997709B (zh) | 一种车载发动机油在线监测方法及系统 | |
Greene et al. | What is the evidence concerning the gap between on-road and Environmental Protection Agency fuel economy ratings? | |
CN112883648B (zh) | 汽车油耗预测模型的训练方法、装置、计算机设备 | |
CN110395245B (zh) | 一种基于固定路线驾驶信息的混动汽车能量管理系统 | |
CN112116023B (zh) | 基于机器学习的轮胎漏气的实时检测方法及存储介质 | |
CN110969844A (zh) | 一种基于行车数据计算驾驶行为相似度的方法及应用 | |
Zhang et al. | Peaks of transportation CO2 emissions of 119 countries for sustainable development: Results from carbon Kuznets curve | |
JP2023063233A (ja) | 作業条件識別に基づく一車用エアコンのエネルギー消費量の予測方法および予測装置 | |
CN112288334A (zh) | 一种基于lightgbm的车联网风险因子的提取方法 | |
CN112307905B (zh) | 一种用于车辆预测控制的道路坡度自学习方法及系统 | |
CN114065839A (zh) | 一种车辆机油的劣化检测方法及装置 | |
CN112685466A (zh) | 车辆超载预测模型训练方法、超载预测方法、系统和介质 | |
CN115221234A (zh) | 一种基于动力总成数据对用户进行画像的方法及系统 | |
CN113505932A (zh) | 一种基于大数据技术评估的动力电池容量算法 | |
CN112770264A (zh) | 物流干线的干线走廊识别方法与系统 | |
CN109583632B (zh) | 基于网联数据的电动汽车充电行为预测方法 | |
CN115222145A (zh) | 基于新能源汽车运行大数据的续驶里程预测方法及系统 | |
CN110341701B (zh) | 一种基于空间位置信息的车辆自动启停优化方法 | |
CN114707037A (zh) | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 |
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 |