CN114238502A - 基于区块链技术的缺陷汽车信息分析平台 - Google Patents
基于区块链技术的缺陷汽车信息分析平台 Download PDFInfo
- Publication number
- CN114238502A CN114238502A CN202111522571.8A CN202111522571A CN114238502A CN 114238502 A CN114238502 A CN 114238502A CN 202111522571 A CN202111522571 A CN 202111522571A CN 114238502 A CN114238502 A CN 114238502A
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- automobile
- information
- result
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 343
- 238000004458 analytical method Methods 0.000 title claims abstract description 92
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 230000002950 deficient Effects 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 38
- 238000007781 pre-processing Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000007405 data analysis Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 230000010354 integration Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000013475 authorization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005406 washing Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000013500 data storage Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 16
- 238000004140 cleaning Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000010485 coping Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- 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
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本发明提供了一种基于区块链技术的缺陷汽车信息分析平台,包括:数据采集模块:用于实时采集公链和私链中用户汽车的缺陷数据,并将所述缺陷数据写入区块;缺陷分析模块:用于根据所述区块内的缺陷数据,确定汽车的缺陷信息,并进行缺陷认证;预警模块:用于根据缺陷信息,建立汽车缺陷认证模型,进行缺陷预警。本发明采用区块链的技术存储缺陷数据信息,提升了数据存储的安全性,并且能够对缺陷数据进行分析并进行预警。
Description
技术领域
本发明涉及缺陷汽车分析技术领域,特别涉及一种基于区块链技术的缺陷汽车信息分析平台。
背景技术
目前,缺陷汽车不论是对用户还是对厂家而言都会带来负面影响,低危缺陷可能会影响用户的开车体验,高危缺陷可能会导致重大事故发生,因此还会带来严重的人身和财产损失,近些年来,我国的汽车召回率逐年上涨,且缺乏对缺陷汽车的数据信息进行深入追溯和分析,因此,当前对用户汽车的缺陷数据进行采集,加入区块链技术,对当前市场中用户汽车的缺陷数据进行分析、预警有很重要的现实意义。
发明内容
本发明提供一种基于区块链技术的缺陷汽车信息分析平台,用以解决当前市场中缺乏对缺陷汽车的数据信息进行深入追溯和分析的情况。
本发明提供一种基于区块链技术的缺陷汽车信息分析平台,包括:
数据采集模块:用于实时采集公链和私链中用户汽车的缺陷数据,并将所述缺陷数据写入区块;
缺陷分析模块:用于根据所述区块内的缺陷数据,确定汽车的缺陷信息,并进行缺陷认证;
预警模块:用于根据缺陷信息,建立汽车缺陷认证模型,进行缺陷预警。
作为本技术方案的一种实施例,所述数据采集模块包括:
区块链存储单元:用于将所述用户汽车的缺陷数据进行压缩和加密处理,并将压缩加密后的缺陷数据写入指定区块;
数据预处理单元:用于接收区块中的缺陷数据信息,对所述数据信息进行预处理操作,并获取预处理结果;
数据监控单元:用于根据所述预处理结果,对所述预处理结果进行实时监控,并将所述预处理结果与预设的阈值范围进行比较,获取汽车的具体缺陷信息。
作为本技术方案的一种实施例,所述缺陷分析模块包括:
缺陷标记单元:用于根据所述区块中用户汽车的缺陷数据,对所述缺陷数据建立数据标签,并对所述数据标签信息进行记录,获取记录结果;
缺陷分类单元:用于根据所述记录结果,对所述汽车的缺陷信息进行分类,并确定分类结果;
缺陷整合单元:用于根据所述汽车缺陷信息的分类结果,对所述缺陷信息进行整合,并实时更新缺陷信息记录;
缺陷评价单元:用于根据所述缺陷汽车信息记录,动态生成评价结果;
缺陷查询单元:用于基于所述缺陷汽车的评价结果,接收用户端发送的查询请求,并根据所述用户端键入数据,对目标评价信息进行查询。
作为本技术方案的一种实施例,所述预警模块包括:
历史数据分析单元:用于调取缺陷汽车的历史数据信息,并基于所述历史数据信息进行分析,确定所述历史数据分析结果;
特征分析单元:用于根据所述历史数据分析结果,对汽车的缺陷特征信息进行分析,并划分特征分析等级,确定特征分析结果;
缺陷预测单元:用于根据所述特征分析结果,构建缺陷预测模型,对所述缺陷汽车的数据信息进行预测,并对预测结果进行验证,确定验证结果;
风险评估单元:用于根据所述验证结果,对所述缺陷汽车的风险系数进行评估,并确定风险评估结果;
缺陷报警单元:用于对所述风险评估结果进行划分,确定缺陷汽车的风险等级,按照不同的风险等级,进行对应的缺陷报警,其中,所述风险等级包括:低危风险、中危风险、高危风险。
作为本技术方案的一种实施例,所述数据预处理单元包括:
数据清洗子单元:用于获取所述区块中的缺陷数据信息,对所述缺陷数据信息进行数据清洗,生成第一数据结果;
数据过滤子单元:用于根据所述第一数据结果,对所述第一数据结果进行过滤,生成第二数据结果。
作为本技术方案的一种实施例,所述数据监控单元包括:
数据判断子单元:用于基于所述第二数据结果,按顺序对所述第二数据结果进行遍历,判断所述第二数据结果中是否存在异常数据,并输出第一结果;
状态判断子单元:用于当所述第一结果显示为异常数据时,判断所述异常数据状的状态信息是否异常,输出第二结果;
缺陷判断子单元:用于当所述第二结果显示为异常时,判定所述汽车为缺陷汽车。
作为本技术方案的一种实施例,所述缺陷查询单元:用于基于所述缺陷汽车的评价结果,接收用户端发送的查询请求,并根据所述用户端键入数据,对目标评价信息进行查询,包括以下步骤:
步骤一:基于所述缺陷汽车的评价结果,对所述评价结果进行排序,确定排序结果;
步骤二:基于所述用户端发送的查询请求,确定查询目标,对所述排序结果中的目标评价信息进行定位;
步骤三:根据定位信息,获取对应目标评价信息,将所述目标评价信息发送至用户端显示界面。
作为本技术方案的一种实施例,所述特征分析单元包括:
特征分类子单元:用于获取汽车的缺陷特征信息,并对所述特征信息进行分类,确定分类结果;
特征模型子单元:用于基于所述分类结果,构建缺陷认证模型,并根据所述缺陷认证模型,获取缺陷汽车的特征变化趋势;
关联信息子单元:用于根据所述缺陷汽车的特征变化趋势,获取所述缺陷汽车的内在关联数据;
分析输出子单元:用于根据所述缺陷汽车的内在关联数据,对所述缺陷汽车的特征进行分析,并输出所述特征分析结果。
作为本技术方案的一种实施例,所述缺陷报警单元:用于对所述风险评估结果进行划分,确定缺陷汽车的风险等级,按照不同的风险等级,进行对应的缺陷报警,其中,所述风险等级包括:低危风险、中危风险、高危风险,包括:
当所述缺陷汽车的风险等级为低危风险,对对应缺陷汽车的缺陷特征进行定位并开启三级报警;
当所述缺陷汽车的风险等级为中危风险,对对应缺陷汽车的缺陷特征进行定位并开启二级报警,并将所述定位发送至用户端;
当所述缺陷汽车的风险等级为高危风险,对对应缺陷汽车的缺陷特征进行定位并开启一级报警,并将所述定位发送至用户端,同时调取所述缺陷对应的区块列表,将所述区块列表发送至用户端。
作为本技术方案的一种实施例,所述预警模块还包括:
缺陷检测单元:用于根据所述缺陷汽车的特征分析结果,确定汽缺陷的原因:
缺陷匹配单元:用于根据所述汽车产生缺陷的原因,自动匹配修复方案,并生成对应方案标签;
特征映射单元:用于将所述方案标签与对应缺陷的特征分析数据产生映射,且当检测到用户端调取对应缺陷的特征分析数据时,自动获取所述缺陷汽车对应方案标签信息。
本发明的有益效果如下:
本技术方案提供了一种基于区块链技术的缺陷汽车信息分析平台,包括数据采集模块、缺陷分析模块、预警模块,数据采集模块用于实时采集公链和私链中用户汽车的缺陷数据,并将所述缺陷数据写入区块,采用区块链的方式存储数据安全性更高,数据不易被篡改,可用性也更高且成本更低;缺陷分析模块用于根据所述区块内的缺陷数据,确定汽车的缺陷信息,并进行缺陷认证,将用户汽车进行缺陷认证,对缺陷进行分析,与用户端完成数据交互,且有利于获得有效数据;预警模块用于根据缺陷信息,建立汽车缺陷认证模型,进行缺陷预警,有利于获取缺陷原因,对缺陷的特征进行分析,且能生成对应的应对方案,实现缺陷预警,降低缺陷汽车召回率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明实施例中一种基于区块链技术的缺陷汽车信息分析平台的结构示意图;
图2为本发明实施例中一种基于区块链技术的缺陷汽车信息分析平台中数据采集模块对应的结构示意图;
图3为本发明实施例中一种基于区块链技术的缺陷汽车信息分析平台中缺陷分析模块对应的结构示意图;
图4为本发明实施例中一种基于区块链技术的缺陷汽车信息分析平台中预警模块对应的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于区块链技术的缺陷汽车信息分析平台,如图1所示,包括:
数据采集模块:用于实时采集公链和私链中用户汽车的缺陷数据,并将所述缺陷数据写入区块;
缺陷分析模块:用于根据所述区块内的缺陷数据,确定汽车的缺陷信息,并进行缺陷认证;
预警模块:用于根据缺陷信息,建立汽车缺陷认证模型,进行缺陷预警和缺陷分析;
上述技术方案的工作原理为:本发明中主要包括三大模块,分别为:数据采集模块、缺陷分析模块、预警模块,其中数据模块用于采集用户汽车的数据信息,并将信息采用区块链的方式进行存储,在缺陷分析模块中,汽车的数据时存在于公链和私链中的,公链是汽车的维修店、销售店等建立的联盟公链,主要存储用户汽车的在联盟公链所属的企业内进行维修、保养等行为的数据存储。私链主要是通过汽车自身的行车记录仪,确定汽车在行驶中的磕碰和行驶里程等信息,这些信息会通过行车记录仪存储在私链中,这些数据需要用户认证后才可以被用户提取。利用存储在区块链中的缺陷数据进行分析,获取详细缺陷特征信息,并进行缺陷认证,在预警模块中,通过构建缺陷认证模型,对缺陷汽车进行预警和缺陷分析;缺陷预警就是预测会不会出现缺陷,和确定缺陷的发展趋势。缺陷分析就是分析缺陷产生的原因,以及如何进行维修和维护。
上述技术方案的有益效果为:本发明中通过将缺陷汽车分析平台分为三大主要模块,相对于现有技术本发明的平台是基于区块链技术,能够提高车辆信息的提取速度,并且保存的数据更加准确和更加全面,因此提高平台的分析数据信息的效率,在数据采集模块中,采集用户的缺陷汽车信息,将数据信息存储在不同区块中,有利于使得数据安全性更高,数据不易被篡改,可用性也更高且成本更低,且数据不容易被丢失,在缺陷分析模块中,对区块链中存储的汽车缺陷信息进行分析,完成缺陷认证,在预警模块中,针对缺陷汽车的分析结果,实现缺陷预测预警功能和对缺陷进行分析的功能。
在一个实施例中,所述数据采集模块,如图2所示,包括:
公链采集单元:用于获取用户信息,确定联盟公链中用户汽车的历史信息;其中,
所述历史信息包括历史缺陷信息、历史维修信息、历史保养信息和历史损坏信息;
私链采集单元:用于获取用户授权,确定用户私链中存储的用户行驶记录;其中,
所述用户行驶记录由行车记录仪记录;
区块链存储单元:用于将所述用户汽车的缺陷数据进行压缩和加密处理,并将压缩加密后的缺陷数据写入指定区块;
数据预处理单元:用于接收区块中的缺陷数据信息,对所述数据信息进行预处理操作,并获取预处理结果;
数据监控单元:用于根据所述预处理结果,对所述预处理结果进行实时监控,并将所述预处理结果与预设的阈值范围进行比较,获取汽车的具体缺陷信息;
上述技术方案的工作原理为:本发明中公链采集单元是采集联盟公链的用户的历史信息,也就是历史缺陷信息、历史维修信息、历史保养信息和历史损坏信息,为对用户汽车的缺陷分析提供历史数据基础。
私链采集单元是用户自身的行车记录仪中记录的汽车的行驶信息,在用户授权后,才可以进行提取,因此,对汽车的缺陷分析提供实际行驶数据,例如:磕碰数据、里程数据等等。区块链存储单元,数据预处理单元和数据监控单元,在区块链存储单元中,用于存储汽车的各项缺陷数据,并将采集到的缺陷数据进行压缩和加密处理,并将压缩加密后的缺陷数据存储至指定区块,在数据预处理单元中,用于对经过压缩加密后的缺陷数据信息进行处理操作,其中,预处理操作包括数据分类(将数据划分为不同的类型,例如:不同的汽车位置、不同的数据种类视频、图片、异响;不同的故障参数等等)、数据溯源(确定不同的数据产生的原因,并确定产生的时间、地点,这是为了精确缺陷出现的时间点,更加快速的定位缺陷原因)和缺陷数据提取(缺陷数据就是可以直接可以确定是汽车出现缺陷的数据),当然数据预处理也包括数据清洗和数据过滤这类常规的数据预处理行为,,过滤掉存储在区块链中的无效数据和干扰数据,最后在数据监控单元,对经过预处理操作的区块中的数据进行实时监控处理,并预处理结果与预设的阈值范围进行比较,从而获取到汽车的具体缺陷信息;阈值范围是因为,本发明将汽车的缺陷划分在一个域内,例如(刹车片的损耗程度阈值是【70%~100%】,只要刹车片的损耗成都到达百分之70%~100%之间就会产生缺陷数据)。
上述技术方案的有益效果为:本发明在数据采集模块中的数据存储方式采用区块链存储方式,采用区块链的方式存储数据有利于使得数据安全性更高,数据不易被篡改,容易记录真实信息,而且区块链被应用的更加广阔,可用性也更高且成本更低,且数据不容易被丢失,在区块链存储单元中对缺陷数据进行压缩加密处理,有利于降低大量数据消耗过多内存,增加数据存储的效率,并且采用加密的方式,增加数据存储的安全性,在数据预处理单元,通过对对应区块中的数据执行数据清洗和过滤操作,有利于过滤掉对应区块中的脏数据和无效数据,也为后期的缺陷数据分析提高了效率,在数据监控单元,在数据监控单元中,负责对区块中的数据进行实时监控,并将监控数据与预设的汽车的阈值范围进行,比较获取具体的缺陷数据,有利于增加数据分析的效率。
在一个实施例中,所述缺陷分析模块,如图3所示,包括:
缺陷标记单元:用于根据所述区块中用户汽车的缺陷数据,对所述缺陷数据建立数据标签,并对所述数据标签信息进行记录,获取记录结果;
缺陷分类单元:用于根据所述记录结果,对所述汽车的缺陷信息进行分类,并确定分类结果;
缺陷整合单元:用于根据所述汽车缺陷信息的分类结果,对所述缺陷信息进行整合,并实时更新缺陷信息记录;
缺陷评价单元:用于根据所述缺陷信息记录,动态生成评价结果;
缺陷查询单元:用于根据所述评价结果,接收用户端发送的查询请求,并根据所述用户端的键入数据,对目标汽车的评价信息进行查询。
上述技术方案的工作原理为:本发明中将缺陷分析模块细分为缺陷标记单元、缺陷分类单元、缺陷整合单元、缺陷评价单元以及缺陷查询单元,其中,在缺陷标记单元中,用于将不同的区块中存储的汽车缺陷数据信息建立数据标签,并对标签进行跟踪记录,利用跟踪记录的结果,实现对缺陷数据在缺陷分类单元中进行分类操作,再将分类数据在缺陷整合单元进行整合。例如:记录刹车片的损耗程度,在某年某月某日某时某分刹车片的损耗程度为A,在一直跟踪的过程中,刹车片一直在损耗,在之后的某年某月某日某时某分损耗程度达到B,B;如果行驶中存在上下坡导致刹车片损耗特别快,此时不仅B>A;还存在刹车片急速损耗记录,然后就可以实现了信息整合。
再将经过整合后的数据进行分析,动态生成缺陷数据的评价结果,此外,平台还会监测用户端是否发送查询请求,并根据用户端键入的查询请求,查找目标评价信息进行显示;
上述技术方案的有益效果为:本发明中,在缺陷分析模块中实现对汽车缺陷数据的标记、跟踪、分类、整合、评价、查询,系统对缺陷数据的一系列操作有利于从大量的数据中实现对缺陷数据的分析,提高缺陷数据的分析效率,将大量的数据进行分类、跟踪,用户端可根据具体的需求在平台中获取目标数据。
在一个实施例中,所述预警模块,如图4所示,包括:
历史数据分析单元:用于调取缺陷汽车的历史数据信息,并对所述历史数据信息进行分析,确定历史数据分析结果;
特征分析单元:用于根据所述历史数据分析结果,对汽车的缺陷特征信息进行分析,并划分特征等级,确定特征分析结果;历史数据分析结果中就包含这汽车的缺陷数据,因此可以实现对汽车的缺陷特征信息进行分析划分特征等级,特征等级就是缺陷的程度,例如发动机异常就是高等级缺陷,或者漏油等缺陷。而车辆的空调损坏等就是中等级缺陷。
缺陷预测单元:用于根据所述特征分析结果,构建缺陷预测模型,对所述缺陷汽车的数据信息进行预测,并对预测结果进行验证,确定验证结果;在这个过程中,缺陷预测,就是基于这些缺陷的特征,预测汽车很可能出现的风险。然后在风险评估单元产生评估系数。
风险评估单元:用于根据所述验证结果,对所述缺陷汽车的风险系数进行评估,并确定风险评估结果;
缺陷报警单元:用于对所述风险评估结果进行划分,确定缺陷汽车的风险等级,按照不同的风险等级,进行对应的缺陷报警,其中,所述风险等级包括:低危风险、中危风险、高危风险;
上述技术方案的工作原理为:本发明中将预警模块细分为历史数据分析单元、特征分析单元、缺陷预测单元、风险评估单元和缺陷预警单元,其中历史数据分析单元负责采集汽车的所有历史数据,并对这些历史数据对当前的数据分析结果进行验证,在特征分析单元中,对于缺陷汽车的特征进行分析,并划分特征分析等级,在缺陷预测单元,根据特征分析获取的结果,构建预测模型,再利用历史数据验证模型的正确性,经过迭代训练,对缺陷汽车的风险进行评估,将风险评估划分等级,依照不同的等级启动不同的报警模式;
上述技术方案的有益效果为:本发明中,对汽车的历史数据进行采集、分析、验证,训练预测模型,有利于提高缺陷预测的准确率,根据特征分析结果,对缺陷的风险划分等级,进行不同级别的报警,有利于用户端的工作人员只需要按照当前报警的等级有针对性地采取不同的措施,提高工作的效率和应对方案,此外,还可依据获得的缺陷汽车数据分析的结果,实现与缺陷的预测、预警作用,提高了功能性。
在一个实际实施例中:本发明中根据特征分析结果对缺陷汽车的数据进行预测时,还包括如下步骤:
步骤1:将区块的数据划分为a个数据信息,每个数据信息都作为训练的样本参数,其中,包括b个样本参数,m表示随机的序列号,对应的预测结果为:
其中,δk表示在一个区块中,指定第k个数据的预测系数值,表示对在b个样本参数求和系数,μ(k)=μk为预测分类函数,p(k)表示对应第k个数据的分类准确率函数,通过对数据列表中的随机序列参数与指定序列号分类准确率的差值计算,对预测精度进行训练,最终获得预测系数值,将训练后的预测系数值运用于预测结果的计算,上式中,x1(μk)表示第k个数据的预测结果,x(μk)表示第k个数据对应的预测初始输出值,由于预测输出值中包含脏数据,通过预测系数值对初始输出值进行精细输出,精细输出的结果与求和系数的比值即为指定序列的预测结果,其中,k=0,1,2…,b-1;
预测的精度差值对应的计算为:
其中,初始精度的计算公式如下,
其中,m=1,2…,b,x(μm)表示第m个数据对应的预测初始输出值,μm为第m个参数的预测分类函数,表示对对应的预测输出值进行加权,将预测的初始输出值与加权结果进行差值求和,代入计算最终可以获得初始预测精度,
上述技术方案的有益效果为:本发明中通过缺陷预测单元根据对应区块中的数据信息,对缺陷信息进行预测,经过对预测结果和预测精度的计算,实现对缺陷信息的预测,提高了预测的精准度。
在一个实施例中,所述数据预处理单元包括:
数据清洗子单元:用于获取所述区块中的缺陷数据信息,对所述缺陷数据信息中的进行无效数据和脏数据进行清洗,生成第一数据结果;其中,
数据过滤子单元:用于根据所述第一数据结果,对所述无效数据和脏数据进行过滤第一数据结果进行过滤,生成第二数据结果。
上述技术方案的工作原理为:本发明在数据预处理单元包括数据清洗和数据过滤两个子单元,在数据清洗子单元中,负责对区块链中存储的汽车的缺陷数据信息进行数据清洗,获取不同区块中对应的无效数据和脏数据(脏数据表示干扰数据、非车辆的数据和用户的隐私数据),其次,在数据过滤子单元中,对无效数据和脏数据进行过滤、丢弃处理,即第二数据结果中为经过数据清洗和数据过滤过程的有效数据;
上述技术方案的有益效果为:本发明中利用数据清洗和数据过滤方法实现对数据的预处理,有利于保证在区块链中保存的数据都是有效数据,提升数据分析的效率,避免因为一些脏数据的出现导致最后的结果出现误差,因此,也提高了数据分析过程中的正确率。
在一个实施例中,所述数据监控单元包括:
数据判断子单元:用于基于所述第二数据结果,按顺序对所述第二数据结果进行遍历,判断所述第二数据结果中是否存在异常数据,并输出第一结果;异常数据就是无效数据和脏数据。
状态判断子单元:用于当所述第一结果显示为存在异常数据时,判断所述异常数据状对应的车辆的状态信息是否异常,输出第二结果;
缺陷判断子单元:用于当所述第二结果显示为异常时,判定所述汽车为缺陷汽车,并发出警示。
上述技术方案的工作原理为:本发明中将数据监控单元细分为数据判断子单元,状态判断子单元,缺陷判断子单元,在数据判断子单元中主要负责判断经过数据清洗和数据过滤后的数据中是否存在异常数据,在状态判断子单元中,主要负责对于区块链中的数据无异常时,判断数据的状态输出是否出现异常,若数据和状态都为无异常,则在缺陷判断子单元中根据预设的阈值判断,汽车是否认定为缺陷汽车;
上述技术方案的有益效果为:本发明中在进行数据清洗和过滤时无法保证获得的结果不会影响最终的分析结果,因此,在数据监控单元中通过对数据进行实时监控,分别利用数据判断单元中判断区块链中是否存在异常的数据和状态,此时,区块链中的数据具备较高的信任度,可对汽车进行缺陷认证,通过上述的过程有利于提升缺陷认证的效率和正确度,有利于系统获得的信息准确度较高。
在一个实施例中,所述缺陷查询单元:用于基于所述缺陷汽车的评价结果,接收用户端发送的查询请求,并根据所述用户端键入数据,对目标评价信息进行查询,包括以下步骤:
步骤一:基于所述缺陷汽车的评价结果,对所述评价结果进行排序,确定排序结果;
步骤二:基于所述用户端发送的查询请求,确定查询目标,在所述排序结果中对查询目标进行定位;
步骤三:根据定位信息,获取对应目标评价信息,将所述目标评价信息发送至用户端显示界面;
上述技术方案的工作原理为:本发明在缺陷查询单元中,对其中的步骤进行介绍,首先基于系统生成的评价结果,根据预设的规则,对评价结果进行排序,在整个过程中,监测用户端的是否发送查询请求,当检测到用户端发送的查询请求时,跟踪用户端的键入数据,根据键入数据,对对应的目标评价信息进行定位,依照定位信息,将对应的目标评价信息发送至用户端;
上述技术方案的有益效果为:本发明中描述了用户端在进行查询时的过程,通过获取缺陷汽车的评价结果,并对结果进行排序,有利于降低用户端在提交查询需求时,平台的响应时间,可以快速根据定位信息进行目标查询,提高了目标查询的效率。
在一个实施例中,所述特征分析单元包括:
特征分类子单元:用于获取汽车的缺陷特征信息,并对所述特征信息进行分类,确定分类结果;就是对车辆刹车片、发动机等不同部位的缺陷特征进行分析。
特征模型子单元:用于基于所述分类结果,构建缺陷认证模型,并根据所述缺陷认证模型,获取缺陷汽车的特征变化趋势;就是汽车缺陷的变化程度,例如,漏油量越来越高等。
关联信息子单元:用于根据所述缺陷汽车的特征变化趋势,获取所述缺陷汽车的内在关联数据;内在关联数据就是引起汽车产生这些缺陷的原因的数据。
分析输出子单元:用于根据所述缺陷汽车的内在关联数据,对所述缺陷汽车的缺陷特征进行等级划分,并输出缺陷等级;
上述技术方案的工作原理为:本发明中将特征分析单元细分为特征分类子单元、特征模型子单元、关联信息子单元和分析输出子单元,其中,在特征分类子单元中主要负责根据汽车的数据信息,获取特征数据,并对特征数据进行分类,特征模型子单元中接收分类结果,构建缺陷认证模型,获得缺陷汽车的特征变化趋势,再在关联信息子单元中,将特征变化趋势与历史数据分析结果进行结合,获取缺陷汽车的内在关联数据,在分析输出子单元中结合内在关联数据,最终输出数据特征分析结果,也就是缺陷特征对应的等级。
上述技术方案的有益效果为:本发明中首先对缺陷汽车的特征信息进行分类,有利于平台根据分类的结果对缺陷汽车的数据信息进行深入的追踪,将分类的数据作为训练集,构建缺陷认证模型,经过训练和测试,获得缺陷汽车的特征变化趋势,再在关联信息子单元中,获取缺陷汽车的潜在关联数据,上述过程中有利于提升输出的特征分析的效率,提高结果的正确率。
在一个实施例中,所述缺陷报警单元进行缺陷报警包括:
当所述缺陷汽车的风险等级为低危风险,对对应缺陷汽车的缺陷产生位置进行定位并开启三级报警;
当所述缺陷汽车的风险等级为中危风险,对对应缺陷汽车的缺陷特征进行定位并开启二级报警,并将所述定位发送至用户端;
当所述缺陷汽车的风险等级为高危风险,对对应缺陷汽车的缺陷特征进行定位并开启一级报警,并将所述定位发送至用户端,同时调取所述缺陷对应的区块列表,将所述区块列表发送至用户端;
上述技术方案的工作原理为:本发明在缺陷报警单元根据缺陷汽车的不同风险等级,进行不同等级的缺陷报警,当对应的风险等级为低危风险时,开启三级报警,当对应的风险等级为中危风险时,开启二级报警,并将缺陷的定位发送至用户端,当对应的风险等级为高危风险时,开启一级报警,将缺陷的定位发送至用户端,且将缺陷的数据信息调取并发送至用户端;
上述技术方案的有益效果为:本发明根据缺陷的评估结果进行风险等级划分,不同的等级采取不同的应对方式,有利于用户端及时根据风险情况获取通知,当缺陷风险为紧急风险时,用户端快速采取措施,进行缺陷预警,降低因缺陷而导致较大损失的可能性。
在一个实施例中,所述预警模块还包括:
模型搭建单元:用于通过云端网络,获取汽车可能出现的所有缺陷数据,并进行数据整合,带入基于认证的深度学习模型,生成缺陷认证模型;模型搭建单元是基于深度学习模型,深度学习模型的类型是一种用于认证的通用学习模型。而在现有技术中还没有相关的技术实现同类的缺陷认证。
分析单元:用于根据所述认证结果,确定缺陷特征,并将所述缺陷特征带入所述缺陷认证模型,在认证成功后,获取对应的缺陷产生数据,对用户的车辆进行缺陷分析,输出分析结果。
缺陷检测单元:用于根据所述缺陷汽车的分析结果,确定汽缺陷的原因:
缺陷匹配单元:用于根据所述汽车产生缺陷的原因,自动匹配修复方案,并生成对应方案标签;
特征映射单元:用于将所述方案标签与对应缺陷的特征分析数据产生映射,且当检测到用户端调取对应缺陷的特征分析数据时,自动获取所述缺陷汽车对应方案标签。
上述技术方案的工作原理为:本发明中在预警模块中加入功能缺陷检测单元、缺陷匹配单元、特征映射单元,在缺陷检测单元中,根据缺陷汽车的特征分析结果,匹配历史数据分析结果,获取产生缺陷的具体原因,并在缺陷匹配单元中自动匹配方案应对标签,并将标签与该缺陷的特征分析结果产生映射,使得用户在查询缺陷信息时自动获取对应的方案标签信息;
上述技术方案的有益效果为:本发明通过对缺陷特征分析的结果,获取对应缺陷产生的原因,并自动生成对应方案标签,使得平台不仅可以实现对缺陷汽车的数据进行分析,还可实现对缺陷进行检测,获取检测原因,产生应对方案,有利于用户端在调取缺陷汽车的数据信息时,还能够获取对应的方案应对信息。
在一个实施例中,所述预警模块还包括:
缺陷检测单元:用于根据所述缺陷汽车的特征分析结果,确定汽缺陷的原因:
缺陷匹配单元:用于根据所述汽车产生缺陷的原因,自动匹配修复方案,并生成对应方案标签;
特征映射单元:用于将所述方案标签与对应缺陷的特征分析数据产生映射,且当检测到用户端调取对应缺陷的特征分析数据时,自动获取所述缺陷汽车对应方案标签信息;
上述技术方案的工作原理为:本发明中,在进行缺陷检测时,首先对经过预处理后的数据进行差值运算,获取差分数据,计算差分数据的计算公式如下:
其中,D(a,b)表示实际缺陷检测结果,εq(x,y)≠0,q表示权重因子,权重因子针对缺陷检测过程进行系数修正,εq(x,y)表示坐标值为(x,y)对应缺陷的高斯差值,取值范围为[0,1],R(x,y)表示坐标值为(x,y)对应缺陷的梯度值,通过对梯度值进行系数修正,获取梯度值的修正结果,再将梯度值的修正结果与对应缺陷的高斯差值求比值获取初始缺陷检测结果,将初始缺陷检测的结果与上述的差分数据进行乘积计算最后获得实际缺陷检测结果;
上述技术方案的有益效果为:本发明中通过对缺陷进行监测,使用差分方法计算汽车缺陷中的缺陷部分,有利于对缺陷特征的计算,提升了缺陷检测的速度和正确率。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于区块链技术的缺陷汽车信息分析平台,其特征在于,包括:
数据采集模块:用于实时采集公链和私链中用户汽车的缺陷数据,并将所述缺陷数据写入区块;
缺陷分析模块:用于根据所述区块内的缺陷数据,确定汽车的缺陷信息,并进行缺陷认证;
预警模块:用于根据缺陷信息,建立汽车缺陷认证模型,进行缺陷预警和缺陷分析。
2.如权利要求1所述的一种基于区块链技术的缺陷汽车信息分析平台,其特征在于,所述数据采集模块包括:
公链采集单元:用于获取用户信息,确定联盟公链中用户汽车的历史信息;其中,
所述历史信息包括历史缺陷信息、历史维修信息、历史保养信息和历史损坏信息;
私链采集单元:用于获取用户授权,确定用户私链中存储的用户行驶记录;其中,
所述用户行驶记录由行车记录仪记录;
区块链存储单元:用于将所述用户汽车的缺陷数据进行压缩和加密处理,并将压缩加密后的缺陷数据写入指定区块;
数据预处理单元:用于接收区块中的缺陷数据信息,对所述数据信息进行预处理操作,并获取预处理结果;其中,
所述预处理包括:数据分类、数据溯源和缺陷数据提取;
数据监控单元:用于根据所述预处理结果,对所述预处理结果进行实时监控,并将所述预处理结果与预设的阈值范围进行比较,获取汽车的具体缺陷信息。
3.如权利要求1所述的一种基于区块链技术的缺陷汽车信息分析平台,其特征在于,所述缺陷分析模块包括:
缺陷标记单元:用于根据所述区块中用户汽车的缺陷数据,对所述缺陷数据建立数据标签,并对所述数据标签信息进行记录,获取记录结果;
缺陷分类单元:用于根据所述记录结果,对所述汽车的缺陷信息进行分类,并确定分类结果;
缺陷整合单元:用于根据所述汽车缺陷信息的分类结果,对所述缺陷信息进行整合,并实时更新缺陷信息记录;
缺陷评价单元:用于根据所述缺陷信息记录,动态生成评价结果;
缺陷查询单元:用于根据所述评价结果,接收用户端发送的查询请求,并根据所述用户端的键入数据,对目标汽车的评价信息进行查询。
4.如权利要求1所述的一种基于区块链技术的缺陷汽车信息分析平台,其特征在于,所述预警模块包括:
历史数据分析单元:用于调取缺陷汽车的历史数据信息,并基于所述历史数据信息进行分析,确定历史数据分析结果;
特征分析单元:用于根据所述历史数据分析结果,对汽车的缺陷特征信息进行分析,并划分特征等级,确定特征分析结果;
缺陷预测单元:用于根据所述特征分析结果,构建缺陷预测模型,对所述缺陷汽车的数据信息进行预测,并对预测结果进行验证,确定验证结果;
风险评估单元:用于根据所述验证结果,对所述缺陷汽车的风险系数进行评估,并确定风险评估结果;
缺陷报警单元:用于对所述风险评估结果进行划分,确定缺陷汽车的风险等级,按照不同的风险等级,进行对应的缺陷报警,其中,所述风险等级包括:低危风险、中危风险、高危风险。
5.如权利要求2所述的一种基于区块链技术的缺陷汽车信息分析平台,其特征在于,所述数据预处理单元包括:
数据清洗子单元:用于获取所述区块中的缺陷数据信息,对所述缺陷数据信息中的无效数据和脏数据进行清洗,生成第一数据结果;其中,
数据过滤子单元:用于根据所述第一数据结果,对所述无效数据和脏数据进行过滤,生成第二数据结果。
6.如权利要求5所述的一种基于区块链技术的缺陷汽车信息分析平台,其特征在于,所述数据监控单元包括:
数据判断子单元:用于基于所述第二数据结果,按顺序对所述第二数据结果进行遍历,判断所述第二数据结果中是否存在异常数据,并输出第一结果;
状态判断子单元:用于当所述第一结果显示为存在异常数据时,判断所述异常数据对应的车辆状态是否异常,输出第二结果;
缺陷判断子单元:用于当所述第二结果显示为异常时,判定所述汽车为缺陷汽车,并发出警示。
7.如权利要求3所述的一种基于区块链技术的缺陷汽车信息分析平台,其特征在于,所述缺陷查询单元对目标汽车的评价信息进行查询,包括以下步骤:
步骤一:基于所述缺陷汽车的评价结果,对所述评价结果进行排序,确定排序结果;
步骤二:基于所述用户端发送的查询请求,确定查询目标,在对所述排序结果中对查询目标进行定位;
步骤三:根据定位信息,获取对应目标评价信息,将所述目标评价信息发送至用户端显示界面。
8.如权利要求4所述的一种基于区块链技术的缺陷汽车信息分析平台,其特征在于,所述特征分析单元包括:
特征分类子单元:用于获取汽车的缺陷特征信息,并对所述特征信息进行分类,确定分类结果;
特征模型子单元:用于基于所述分类结果,构建缺陷认证模型,并根据所述缺陷认证模型,获取缺陷汽车的特征变化趋势;
关联信息子单元:用于根据所述缺陷汽车的特征变化趋势,获取所述缺陷汽车的内在关联数据;
分析输出子单元:用于根据所述缺陷汽车的内在关联数据,对所述缺陷汽车的缺陷特征进行等级划分,并输出缺陷等级。
9.如权利要求4所述的一种基于区块链技术的缺陷汽车信息分析平台,其特征在于,所述缺陷报警单元进行缺陷报警包括:
当所述缺陷汽车的风险等级为低危风险,对对应缺陷汽车的缺陷产生位置进行定位并开启三级报警;
当所述缺陷汽车的风险等级为中危风险,对对应缺陷汽车的缺陷产生位置进行定位并开启二级报警,并将所述定位发送至用户端;
当所述缺陷汽车的风险等级为高危风险,对对应缺陷汽车的缺陷产生位置进行定位并开启一级报警,并将所述定位发送至用户端,同时调取所述缺陷对应的区块列表,将所述区块列表发送至用户端。
10.如权利要求1所述的一种基于区块链技术的缺陷汽车信息分析平台,其特征在于,所述预警模块还包括:
模型搭建单元:用于通过云端网络,获取汽车可能出现的所有缺陷数据,并进行数据整合,带入基于认证的深度学习模型,生成缺陷认证模型;
分析单元:用于根据所述认证结果,确定缺陷特征,并将所述缺陷特征带入所述缺陷认证模型,在认证成功后,获取对应的缺陷产生数据,对用户的车辆进行缺陷分析,输出分析结果;
缺陷检测单元:用于根据所述缺陷汽车的分析结果,确定汽缺陷的原因:
缺陷匹配单元:用于根据所述汽车产生缺陷的原因,自动匹配修复方案,并生成对应方案标签;
特征映射单元:用于将所述方案标签与对应缺陷的特征分析数据产生映射,且当检测到用户端调取对应缺陷的特征分析数据时,自动获取所述缺陷汽车对应方案标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111522571.8A CN114238502B (zh) | 2021-12-13 | 2021-12-13 | 基于区块链技术的缺陷汽车信息分析平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111522571.8A CN114238502B (zh) | 2021-12-13 | 2021-12-13 | 基于区块链技术的缺陷汽车信息分析平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114238502A true CN114238502A (zh) | 2022-03-25 |
CN114238502B CN114238502B (zh) | 2023-08-04 |
Family
ID=80755468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111522571.8A Active CN114238502B (zh) | 2021-12-13 | 2021-12-13 | 基于区块链技术的缺陷汽车信息分析平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114238502B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116955016A (zh) * | 2023-09-20 | 2023-10-27 | 安徽博微智能电气有限公司 | 一种汽车软件缺陷自动修复系统及其方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080201611A1 (en) * | 2007-02-16 | 2008-08-21 | Kathryn Allyn Bassin | Defect Resolution Methodology Target Assessment Process |
US20080201612A1 (en) * | 2007-02-16 | 2008-08-21 | Kathryn Allyn Bassin | Defect Resolution Methodology and Data Defects Quality/Risk Metric Model Extension |
CN104133818A (zh) * | 2013-05-04 | 2014-11-05 | 白银博德信通科技有限公司 | 一种基于车联网的汽车历史数据分析方法及系统 |
CN109034414A (zh) * | 2018-07-19 | 2018-12-18 | 中国标准化研究院 | 一种基于区块链技术的汽车管理系统 |
CN111414501A (zh) * | 2020-05-08 | 2020-07-14 | 刘克建 | 基于区块链与cim的木材易燃风险预测系统 |
CN111626261A (zh) * | 2020-06-05 | 2020-09-04 | 国网湖南省电力有限公司 | 一种水工建筑物智能巡检分析预警系统 |
CN112016133A (zh) * | 2020-08-27 | 2020-12-01 | 上海勘察设计研究院(集团)有限公司 | 一种基于区块链的工程监测数据管理系统及其工作方法 |
CN112069069A (zh) * | 2020-09-03 | 2020-12-11 | 平安信托有限责任公司 | 缺陷自动定位分析方法、设备及可读存储介质 |
CN112801527A (zh) * | 2021-02-05 | 2021-05-14 | 北京华可实工程技术有限公司 | 一种安全监测信息可视化平台 |
CN113435759A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种基于深度学习的一次设备风险智能评估方法 |
CN113435652A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种一次设备缺陷诊断与预测方法 |
-
2021
- 2021-12-13 CN CN202111522571.8A patent/CN114238502B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080201611A1 (en) * | 2007-02-16 | 2008-08-21 | Kathryn Allyn Bassin | Defect Resolution Methodology Target Assessment Process |
US20080201612A1 (en) * | 2007-02-16 | 2008-08-21 | Kathryn Allyn Bassin | Defect Resolution Methodology and Data Defects Quality/Risk Metric Model Extension |
CN104133818A (zh) * | 2013-05-04 | 2014-11-05 | 白银博德信通科技有限公司 | 一种基于车联网的汽车历史数据分析方法及系统 |
CN109034414A (zh) * | 2018-07-19 | 2018-12-18 | 中国标准化研究院 | 一种基于区块链技术的汽车管理系统 |
CN111414501A (zh) * | 2020-05-08 | 2020-07-14 | 刘克建 | 基于区块链与cim的木材易燃风险预测系统 |
CN111626261A (zh) * | 2020-06-05 | 2020-09-04 | 国网湖南省电力有限公司 | 一种水工建筑物智能巡检分析预警系统 |
CN112016133A (zh) * | 2020-08-27 | 2020-12-01 | 上海勘察设计研究院(集团)有限公司 | 一种基于区块链的工程监测数据管理系统及其工作方法 |
CN112069069A (zh) * | 2020-09-03 | 2020-12-11 | 平安信托有限责任公司 | 缺陷自动定位分析方法、设备及可读存储介质 |
CN112801527A (zh) * | 2021-02-05 | 2021-05-14 | 北京华可实工程技术有限公司 | 一种安全监测信息可视化平台 |
CN113435759A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种基于深度学习的一次设备风险智能评估方法 |
CN113435652A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种一次设备缺陷诊断与预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116955016A (zh) * | 2023-09-20 | 2023-10-27 | 安徽博微智能电气有限公司 | 一种汽车软件缺陷自动修复系统及其方法 |
CN116955016B (zh) * | 2023-09-20 | 2023-12-26 | 安徽博微智能电气有限公司 | 一种汽车软件缺陷自动修复系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114238502B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Toward crowdsourcing-based road pavement monitoring by mobile sensing technologies | |
EP3570240A1 (en) | Vehicle assessment method and device and apparatus | |
US11682077B2 (en) | Total loss evaluation and handling system and method | |
WO2020112337A1 (en) | Predictive maintenance | |
CN103617110A (zh) | 服务器设备状态检修系统 | |
CN108710637B (zh) | 基于时空关系的出租车异常轨迹实时检测方法 | |
Aboah et al. | Smartphone-based pavement roughness estimation using deep learning with entity embedding | |
CN109767618B (zh) | 一种公安交管业务异常数据综合研判方法及系统 | |
CN112883936A (zh) | 一种对车辆违规行为的检测方法及其系统 | |
CN106557939A (zh) | 一种机动车检测系统及方法 | |
CN114238502B (zh) | 基于区块链技术的缺陷汽车信息分析平台 | |
CN109215172A (zh) | 车辆状态的检测方法、装置及可读存储介质 | |
KR20160013426A (ko) | 차량용 데이터 저장 장치를 이용한 데이터 서비스 제공 방법 | |
Vemuri et al. | Pavement condition index estimation using smartphone based accelerometers for city of Houston | |
CN115456730A (zh) | 一种汽车金融二网监控识别方法 | |
CN111984676B (zh) | 车辆内部零部件定损方法及装置 | |
CN114662856A (zh) | 一种大型轧机状态跟踪方法和系统 | |
CN106528940A (zh) | 基于数理模型对列车车轴性能进行评价和预警的方法 | |
US20130226745A1 (en) | Method and system for abuse pattern detection | |
CN117689400B (zh) | 一种基于数据标签的超限源头溯源方法及系统 | |
CN113112160B (zh) | 一种诊断数据处理方法、诊断数据处理装置及电子设备 | |
CN114020599A (zh) | 一种服务于金融科技的新型车载数据采集系统及分析方法 | |
CN118013402A (zh) | 模型训练方法、异常数据识别方法、装置、设备和介质 | |
Mirza et al. | Road Condition Monitoring Using Axle-Based Acceleration Method and K-Means Clustering Algorithm | |
Shafique et al. | ‘Predicting the mode of transportation using GPS data, for vehicular carbon footprint determination |
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 |