CN114707740A - 车辆部件剩余使用寿命预测方法、装置、设备和介质 - Google Patents
车辆部件剩余使用寿命预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114707740A CN114707740A CN202210392161.4A CN202210392161A CN114707740A CN 114707740 A CN114707740 A CN 114707740A CN 202210392161 A CN202210392161 A CN 202210392161A CN 114707740 A CN114707740 A CN 114707740A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- failure
- sample
- vehicle component
- characteristic information
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种车辆部件剩余使用寿命预测方法、装置、设备和存储介质。该方法包括:根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。该方法能够通过车辆的大量失效运行数据来训练线性回归模型,将车辆运行大数据与线性回归模型结合起来,建立一种基于大数据的车辆部件剩余使用寿命的预测模型,从而提高了预测结果的准确率。
Description
技术领域
本申请涉及车辆故障监测技术领域,特别是涉及一种车辆部件剩余使用寿命预测方法、装置、设备和存储介质。
背景技术
基于车辆理论知识表明,对车辆部件的剩余使用寿命进行预测可以很好地为售后服务体系提供技术支持,合理安排维修资源,提高市场服务效率,降低服务成本;同时也可以减少车辆的“计划外停机”,降低车辆部件发生进一步损坏的风险,因此,如何对车辆部件的剩余使用寿命进行预测是业内亟待解决的技术问题。
发明内容
基于此,本申请实施例提供一种车辆部件剩余使用寿命预测方法、装置、设备和存储介质。
第一方面,本申请实施例提供一种车辆部件剩余使用寿命预测方法,包括:
根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;
使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;
根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。
第二方面,本申请实施例提供一种车辆部件剩余使用寿命预测装置,包括:
提取模块,用于根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;
训练模块,用于使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;
预测模块,用于根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。
第三方面,本申请实施例提供一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的车辆部件剩余使用寿命预测方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请实施例第一方面提供的车辆部件剩余使用寿命预测方法的步骤。
本申请实施例提供的技术方案,根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。也就是说,本技术方案能够通过车辆的大量失效运行数据来训练线性回归模型,将车辆运行大数据与线性回归模型结合起来,建立一种基于大数据的车辆部件剩余使用寿命的预测模型,从而提高了预测结果的准确率。
附图说明
图1为本申请实施例提供的车辆部件剩余使用寿命预测方法的一种流程示意图;
图2为本申请实施例提供的预测模型生成过程的一种流程示意图;
图3为本申请实施例提供的车辆部件剩余使用寿命预测装置的一种结构示意图;
图4为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,下述方法实施例的执行主体可以是车辆部件剩余使用寿命预测装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部。可选的,该电子设备可以为客户端,包括但不限于智能手机、平板电脑以及车载设备等。当然,该电子设备也可以是云端设备,本申请实施例对电子设备的具体形式不做限定。下述方法实施例以执行主体是电子设备为例进行说明。
图1为本申请实施例提供的车辆部件剩余使用寿命预测方法的一种流程示意图。如图1所示,该方法可以包括:
S101、根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程。
在本申请实施例中,可预先获取多个样本车辆的失效运行数据,该失效运行数据中包括多个与车辆部件失效相关的特征,该特征可以是用于描述车辆运行状况的参数,如车辆平均水温、发动机转速、发动机扭矩以及进气量等等。当然,也可以包括其它类型的特征。然后,从获取的失效运行数据中,提取各个特征的值,再依据各特征的值生成对应的特征信息,同时,确定各样本车辆的车辆部件的失效里程,该失效里程用于表征车辆部件在失效之前的可使用里程。这样,对于每个样本车辆提取出一条数据,该条数据中包括多个自变量“特征信息”以及目标量“失效里程”,基于提取出的所有样本车辆的特征信息和失效里程形成训练数据集。
在实际应用中,发动机对于车辆至关重要,因此,可以基于发动机运行数据来训练用于预测发动机部件的剩余使用寿命的模型。可选地,上述车辆部件可以为发动机部件。
S102、使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型。
其中,线性回归模型具有预测较为准确、训练快、实现简单等特点,因此可以选取线性回归模型作为基础模型,利用建立好的训练数据集对线性回归模型进行训练。
具体的,线性回归模型的表达式可以是:
y=ax1+bx2+cx3+...+nxn。
其中,y表示失效里程,x1、x2、x3……以及xn表示各个特征信息,a、b、c……以及n表示各特征信息的权重。
进一步地,在本申请实施例中,上述线性回归模型是用于表征特征与概率两者之间的关系的,对线性逻辑回归模型进行训练时,y可用于表示发生某事件的实际概率,如车辆部件失效的实际概率,表达式的等于号右侧的多项式可用于计算的概率是预测概率,可通过令预测概率越等于实际概率,计算各特征信息的权重。也就是说,依次将提取出的各样本车辆的特征信息和对应的失效里程带入上述表达式,得到各样本车辆对应线性回归模型的表达式,从而根据各样本车辆对应的表达式确定各特征信息的权重,即确定a至n的值,进而得到训练好的模型。
可选地,还可以对训练好的模型进行交叉验证,以确定模型的预测评分,并根据预测评分重新选取待提取的特征,并基于待提取的特征重复执行上述S101-S102的过程,直至模型的预测评分达到预设阈值,此时将预测评分达到预设阈值的模型确定为预测模型。
S103、根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。
其中,目标车辆为需要预测车辆部件剩余使用寿命的车辆,可以依托车辆大数据平台,基于目标车辆的运行数据,提取目标车辆的与车辆部件失效的特征信息,并将目标车辆的特征信息输入至预测模型中,得到目标车辆的车辆部件的剩余使用寿命。
具体的,可以按照预测模型中所要求的特征,提取相应的特征信息,并将提取出的特征信息作为自变量输入至预测模型的表达式中,从而基于预测模型的表达式确定目标车辆的车辆部件的失效里程,即得到车辆部件的剩余使用寿命。
本申请实施例提供的车辆部件剩余使用寿命预测方法,根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。也就是说,本技术方案能够通过车辆的大量失效运行数据来训练线性回归模型,将车辆运行大数据与线性回归模型结合起来,建立一种基于大数据的车辆部件剩余使用寿命的预测模型,从而提高了预测结果的准确率。
在一个实施例中,还提供了一种预测模型的生成过程,可选地,如图2所示,该方法可以包括:
S201、结合车辆部件失效原因,确定待提取运行参数。
在实际应用中,车辆运行参数较多,有些运行参数与车辆部件失效的相关性较高,有些运行参数与车辆部件失效无关,在此重点关注与车辆部件失效相关性较高的运行参数,因此,可以通过对车辆部件失效原因进行分析,将与车辆部件失效呈线性相关的车辆运行参数确定为待提取运行参数。例如,待提取运行参数可以为车辆水温、发动机转速、发动机扭矩以及进气量等。
S202、从各样本车辆的失效运行数据中提取所述待提取运行参数对应的参数值,得到各样本车辆的运行参数值集合。
S203、按照预设规则对所述运行参数值集合进行处理,得到运行参数综合值。
其中,提取到的样本车辆的运行参数值集合是以时间轴为变化的数据集,可以对该运行参数值集合进行整合,将以时间轴为变化的运行参数值集合整合为一个运行参数综合值。
可选地,上述S203的过程可以包括以下几种处理措施:
处理措施一:对所述运行参数值集合进行均值计算,得到运行参数综合值。
以运行参数为发动机转速为例,可以对样本车辆的以时间轴为变化的多个发动机转速进行求均值计算,将得到的均值作为发动机转速综合值。
处理措施二:对所述运行参数值集合进行标准差计算,得到运行参数综合值。
继续以运行参数为发动机转速为例,可以对样本车辆的以时间轴为变化的多个发动机转速进行求标准差计算,将得到的标准差作为发动机转速综合值。
处理措施三:按照预设筛选规则对所述运行参数值集合进行筛选,基于筛选结果确定运行参数综合值。
具体的,按照预设筛选规则对样本车辆的运行参数值集合进行筛选,得到筛选结果,并确定筛选结果包含的第一数据记录数量,以及确定运行参数值集合包含的第二数据记录数量,将第一数据记录数量和第二数据记录数量之间的比值确定为运行参数综合值。继续以运行参数为发动机转速为例,可以从样本车辆的发动机转速集合中筛选转速位于800转-1000转之间的数据记录,并确定该数据记录的数量,以及确定该数量与发动机转速集合所包含的数据记录的数量间的比值,从而确定发动机转速综合值。
可选地,上述预设筛选规则可以包括单个待提取运行参数,还可以包括多个待提取运行参数,即还可以对多个待提取运行参数的运行参数值集合进行联合筛选,基于联合筛选结果确定运行参数综合值。例如,可以按照发动机转速和扭矩同时做筛选,并确定满足预设筛选规则的数据记录的数量与运行参数值集合所包括的数据记录的数量间的比值,将该比值作为运行参数综合值。
S204、基于所述运行参数综合值确定各样本车辆的特征信息。
其中,在得到各运行参数综合值之后,由于各运行参数综合值的数量级有差异,可以对各运行参数综合值进行标准化处理,从而得到各样本车辆的特征信息。
具体的,可以按照下述公式对各运行参数综合值进行标准化处理:
其中,y′为标准化处理后的结果,a′为同一运行参数的综合值的均值,b′为同一运行参数的综合值的标准差,x′为待处理的运行参数综合值。
S205、从失效运行数据中确定各样本车辆的车辆部件的失效里程。
S206、使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型。
其中,将各样本车辆的特征信息以及对应的失效里程作为训练数据集,选取线性回归模型作为基础模型,利用建立好的训练数据集对线性回归模型进行训练,从而得到预测模型。
在本实施例中,能够结合车辆部件失效原因,提取各样本车辆的特征信息,使得特征信息与车辆部件失效的相关性较高,从而提高了预测模型的预测精度。
在一些实施方式中,在得到目标车辆的车辆部件的剩余使用寿命之后,还可以判断剩余使用寿命是否小于或等于预设阈值,若是,则输出告警信息。
其中,在车辆部件的剩余使用寿命小于或等于预设阈值时,电子设备可以输出告警信息,以提醒用户及时对车辆进行维修。该告警信息可以通过文字显示、图像显示、语音提醒或者指示灯闪烁等方式进行输出。
进一步地,还可以基于剩余使用寿命,确定行程建议信息,并输出行程建议信息;其中,行程建议信息至少包括维修行驶线路信息。
其中,在车辆部件的剩余使用寿命小于或等于预设阈值时,电子设备还可以结合目标车辆的当前位置以及预设环境地图,确定可使用里程内距离目标车辆最近的维修点,并输出维修行程线路信息,从而可实现根据车辆部件的剩余使用寿命推荐维修行程路线,避免因目标车辆的计划外停机而无法抵达目的地,从而提高用户的驾车体验,满足用户的驾驶需求。
图3为本申请实施例提供的车辆部件剩余使用寿命预测装置的一种结构示意图。如图3所示,该装置可以包括:提取模块301、训练模块302和预测模块303。
具体的,提取模块301用于根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;
训练模块302用于使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;
预测模块303用于根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。
本申请实施例提供的车辆部件剩余使用寿命预测装置,根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。也就是说,本技术方案能够通过车辆的大量失效运行数据来训练线性回归模型,将车辆运行大数据与线性回归模型结合起来,建立一种基于大数据的车辆部件剩余使用寿命的预测模型,从而提高了预测结果的准确率。
在上述实施例的基础上,可选地,提取模块301可以包括:第一确定单元、提取单元、处理单元和第二确定单元。
具体的,第一确定单元用于结合车辆部件失效原因,确定待提取运行参数;
提取单元用于从各样本车辆的失效运行数据中提取所述待提取运行参数对应的参数值,得到各样本车辆的运行参数值集合;
处理单元用于按照预设规则对所述运行参数值集合进行处理,得到运行参数综合值;
第二确定单元用于基于所述运行参数综合值确定各样本车辆的特征信息。
在上述实施例的基础上,可选地,处理单元具体用于对所述运行参数值集合进行均值计算,得到运行参数综合值;或者,处理单元具体用于对所述运行参数值集合进行标准差计算,得到运行参数综合值;或者,处理单元具体用于按照预设筛选规则对所述运行参数值集合进行筛选,基于筛选结果确定运行参数综合值。
在上述实施例的基础上,可选地,第二确定单元具体用于对各运行参数综合值进行标准化处理,得到各样本车辆的特征信息。
在上述实施例的基础上,可选地,该装置还包括:输出模块。
具体的,输出模块用于根据所述剩余使用寿命,确定行程建议信息,并输出所述行程建议信息;其中,所述行程建议信息至少包括维修行驶线路信息。
在上述实施例的基础上,可选地,预测模块303具体用于基于目标车辆的运行数据,提取所述目标车辆的与车辆部件失效的特征信息;将所述目标车辆的特征信息输入至所述预测模型中,得到所述目标车辆的车辆部件的剩余使用寿命。
可选地,所述车辆部件为发动机部件。
在一个实施例中,提供了一种电子设备,该电子设备可以是装设于车辆中的设备或者是云端设备。参见图4,该电子设备可以包括通过系统总线连接的处理器和存储器、网络接口和数据库。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储车辆部件剩余使用寿命预测过程中的数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆部件剩余使用寿命预测方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种电子设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;
使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;
根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:结合车辆部件失效原因,确定待提取运行参数;从各样本车辆的失效运行数据中提取所述待提取运行参数对应的参数值,得到各样本车辆的运行参数值集合;按照预设规则对所述运行参数值集合进行处理,得到运行参数综合值;基于所述运行参数综合值确定各样本车辆的特征信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述运行参数值集合进行均值计算,得到运行参数综合值;或者,对所述运行参数值集合进行标准差计算,得到运行参数综合值;或者,按照预设筛选规则对所述运行参数值集合进行筛选,基于筛选结果确定运行参数综合值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对各运行参数综合值进行标准化处理,得到各样本车辆的特征信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述剩余使用寿命,确定行程建议信息,并输出所述行程建议信息;其中,所述行程建议信息至少包括维修行驶线路信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于目标车辆的运行数据,提取所述目标车辆的与车辆部件失效的特征信息;将所述目标车辆的特征信息输入至所述预测模型中,得到所述目标车辆的车辆部件的剩余使用寿命。
可选地,所述车辆部件为发动机部件。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;
使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;
根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。
上述实施例中提供的车辆部件剩余使用寿命预测装置、设备以及存储介质可执行本申请任意实施例所提供的车辆部件剩余使用寿命预测方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的车辆部件剩余使用寿命预测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆部件剩余使用寿命预测方法,其特征在于,包括:
根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;
使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;
根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。
2.根据权利要求1所述的方法,其特征在于,所述根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息,包括:
结合车辆部件失效原因,确定待提取运行参数;
从各样本车辆的失效运行数据中提取所述待提取运行参数对应的参数值,得到各样本车辆的运行参数值集合;
按照预设规则对所述运行参数值集合进行处理,得到运行参数综合值;
基于所述运行参数综合值确定各样本车辆的特征信息。
3.根据权利要求2所述的方法,其特征在于,所述按照预设规则对所述运行参数值集合进行处理,得到运行参数综合值,包括:
对所述运行参数值集合进行均值计算,得到运行参数综合值;
或者,对所述运行参数值集合进行标准差计算,得到运行参数综合值;
或者,按照预设筛选规则对所述运行参数值集合进行筛选,基于筛选结果确定运行参数综合值。
4.根据权利要求2所述的方法,其特征在于,所述基于所述运行参数综合值确定各样本车辆的特征信息,包括
对各运行参数综合值进行标准化处理,得到各样本车辆的特征信息。
5.根据权利要求1至4中任一项所述的方法,其特征在于,还包括:
根据所述剩余使用寿命,确定行程建议信息,并输出所述行程建议信息;其中,所述行程建议信息至少包括维修行驶线路信息。
6.根据权利要求1至4中任一项所述的方法,其特征在于,所述根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命,包括:
基于目标车辆的运行数据,提取所述目标车辆的与车辆部件失效的特征信息;
将所述目标车辆的特征信息输入至所述预测模型中,得到所述目标车辆的车辆部件的剩余使用寿命。
7.根据权利要求1至4中任一项所述的方法,其特征在于,所述车辆部件为发动机部件。
8.一种车辆部件剩余使用寿命预测装置,其特征在于,包括:
提取模块,用于根据多个样本车辆的失效运行数据,提取各样本车辆的与车辆部件失效相关的特征信息以及所述车辆部件的失效里程;
训练模块,用于使用各样本车辆的特征信息和对应的失效里程对线性回归模型进行训练,得到预测模型;
预测模块,用于根据所述预测模型预测目标车辆的车辆部件的剩余使用寿命。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210392161.4A CN114707740A (zh) | 2022-04-14 | 2022-04-14 | 车辆部件剩余使用寿命预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210392161.4A CN114707740A (zh) | 2022-04-14 | 2022-04-14 | 车辆部件剩余使用寿命预测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707740A true CN114707740A (zh) | 2022-07-05 |
Family
ID=82174425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210392161.4A Pending CN114707740A (zh) | 2022-04-14 | 2022-04-14 | 车辆部件剩余使用寿命预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707740A (zh) |
-
2022
- 2022-04-14 CN CN202210392161.4A patent/CN114707740A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
CN110875851B (zh) | 地下电缆故障预警方法和装置 | |
CN110798245B (zh) | 基于单模型的地下电缆故障预警方法和装置 | |
CN110287332B (zh) | 云环境下仿真模型选择方法与装置 | |
CN110491106B (zh) | 基于知识图谱的数据预警方法、装置和计算机设备 | |
CN107807967B (zh) | 实时推荐方法、电子设备及计算机可读存储介质 | |
CN110659671B (zh) | 车辆发电机工作状态检测方法、装置及计算机设备 | |
CN111125841A (zh) | 飞机发动机的健康评估方法、计算机设备和存储介质 | |
CN111325159A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
CN113156243A (zh) | 故障预测方法和预测系统 | |
CN112149908A (zh) | 车辆驾驶预测方法、系统、计算机设备及可读存储介质 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
CN114707740A (zh) | 车辆部件剩余使用寿命预测方法、装置、设备和介质 | |
CN116296233A (zh) | 一种跨声速连续式风洞的试验数据有效性分析系统及方法 | |
CN116205027A (zh) | 零部件热老化性能评估方法、装置、设备及介质 | |
CN113677583B (zh) | 基于图计算的车辆驾驶数据处理方法、装置和计算机设备 | |
CN115221218A (zh) | 车辆数据的质量评估方法、装置、计算机设备和存储介质 | |
CN111045875B (zh) | 车辆事故检测方法及相关设备 | |
CN113412493B (zh) | 基于推理引擎的计算资源分配方法、装置和计算机设备 | |
CN110751747A (zh) | 一种数据处理方法及装置 | |
CN110865939A (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN113994276A (zh) | 用于验证能量系统的系统参数的方法、用于运行能量系统的方法以及用于能量系统的能量管理系统 | |
CN111210105A (zh) | 连续工作性能验证、装置、计算机设备和存储介质 |
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 |