CN114742157A - 车辆健康状态确定方法、装置、设备、存储介质 - Google Patents
车辆健康状态确定方法、装置、设备、存储介质 Download PDFInfo
- Publication number
- CN114742157A CN114742157A CN202210380769.5A CN202210380769A CN114742157A CN 114742157 A CN114742157 A CN 114742157A CN 202210380769 A CN202210380769 A CN 202210380769A CN 114742157 A CN114742157 A CN 114742157A
- Authority
- CN
- China
- Prior art keywords
- component
- vehicle
- state
- current
- determining
- 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
- 230000036541 health Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000003862 health status Effects 0.000 description 10
- 239000007789 gas Substances 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011058 failure modes and effects analysis Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种车辆健康状态确定方法、装置、设备、存储介质。方法包括:获取与车辆对应的数据库中的各部件的样本数据,其中,样本数据包括各部件的历史的运行参数和运行状态;基于各部件的样本数据,确定各部件的故障模型,其中,故障模型包括各部件的运行参数与运行状态的对应关系;根据故障模型和车辆当前各部件的运行参数,确定当前各部件的运行状态;根据当前各部件的运行状态,评估车辆的健康状态。从而通过预估的各部件的运行状态,即可预估车辆的整体健康状态。实现了实时准确的根据各部件的当前状态,确定车辆的健康状态,判断更加准确,能够使得驾驶者及时的获知车辆当前的健康状态,便于提前采取对应的措施,提高车辆的安全。
Description
技术领域
本申请涉及车辆状态技术领域,特别是涉及一种车辆健康状态确定方法、装置、设备、存储介质。
背景技术
随着车辆产业的快速发展,我国的车辆数量不断增加,车辆已经普遍存在于人们的日常生活中,成为越来越重要的代步工具。人们对车辆安全也越来越重视。车辆一旦出现故障,则会危及车辆的安全,而通常在车辆出现故障前,驾驶者无法预知车辆是否会出现故障。因此,如何使驾驶者能够得知车辆的健康状态,从而对可能出现的故障提前采取措施,是目前需要解决的问题。
传统技术中,通常在车辆进行维修保养时,根据维修技师的经验判断车辆的健康状态,并预估可能出现的故障。
然而,随着我国的车辆数量和车辆类型的不断增加,并且在实际行驶过程中车辆的健康状态也会随时发生不可控的变化,因此,传统技术的方式不能准确地判断车辆的健康状态,造成行车隐患。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确的确定车辆的健康状态,从而使得驾驶者能够对可能出现的故障提前采取措施的车辆健康状态确定方法、装置、设备、存储介质。
一种车辆健康状态确定方法,所述方法包括:获取与所述车辆对应的数据库中的各部件的样本数据,其中,所述样本数据包括各部件的历史的运行参数和运行状态;基于所述各部件的样本数据,确定所述各部件的故障模型,其中,所述故障模型包括所述各部件的运行参数与运行状态的对应关系;根据所述故障模型和所述车辆当前各部件的运行参数,确定所述当前各部件的运行状态;根据所述当前各部件的运行状态,评估所述车辆的健康状态。
在其中一个实施例中,所述基于所述各部件的样本数据,确定所述各部件的故障模型,包括:若所述部件的运行参数与运行状态为线性关系,则根据所述部件的运行参数和运行状态,确定所述部件的故障模型;若所述部件的运行参数与运行状态为非线性关系,则基于所述部件的运行参数和运行状态,建立神经网络模型,并采用所述部件的样本数据训练所述神经网络模型,得到所述部件的故障模型。
在其中一个实施例中,所述根据所述当前各部件的运行状态,评估所述车辆的健康状态,包括:根据所述当前各部件的运行状态,预测所述各部件的出现故障的概率;根据所述各部件出现故障的概率以及预设的各部件对应的权重,确定所述车辆的健康状态。
在其中一个实施例中,所述根据所述故障模型和所述车辆当前各部件的运行参数,确定所述当前各部件的运行状态,包括:获取所述各部件当前的运行参数;将所述各部件当前的运行参数与所述故障模型中对应的标准运行参数比较;若所述各部件当前的运行参数与对应的标准运行参数的差值的绝对值大于预设阈值,则判定所述部件的运行状态为故障状态。
在其中一个实施例中,在判定所述部件的运行状态为故障状态之后,所述方法还包括:获取处于故障状态的部件的特征参数,其中,所述特征参数为导致所述部件为故障状态的参数;根据所述特征参数,确定所述部件的故障原因。
在其中一个实施例中,所述方法还包括:根据所述部件处于所述故障状态时的运行参数,更新所述故障模型。
在其中一个实施例中,所述方法还包括:分别确定所述车辆的各部件对车辆安全的影响程度;根据所述各部件对车辆安全的影响程度,确定所述各部件对应的权重。
一种车辆健康状态确定装置,其特征在于,所述装置包括:
样本获取模块,用于获取与所述车辆对应的数据库中的各部件的样本数据,其中,所述样本数据包括各部件的历史的运行参数和运行状态;
模型确定模块,用于基于所述各部件的样本数据,确定所述各部件的故障模型,其中,所述故障模型包括所述各部件的运行参数与运行状态的对应关系;
部件状态确定模块,用于根据所述故障模型和所述车辆当前各部件的运行参数,确定所述当前各部件的运行状态;
车辆状态确定模块,用于根据所述当前各部件的运行状态,评估所述车辆的健康状态。
一种计算机设备,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以下步骤:获取与所述车辆对应的数据库中的各部件的样本数据,其中,所述样本数据包括各部件的历史的运行参数和运行状态;基于所述各部件的样本数据,确定所述各部件的故障模型,其中,所述故障模型包括所述各部件的运行参数与运行状态的对应关系;根据所述故障模型和所述车辆当前各部件的运行参数,确定所述当前各部件的运行状态;根据所述当前各部件的运行状态,评估所述车辆的健康状态。
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以下步骤:获取与所述车辆对应的数据库中的各部件的样本数据,其中,所述样本数据包括各部件的历史的运行参数和运行状态;基于所述各部件的样本数据,确定所述各部件的故障模型,其中,所述故障模型包括所述各部件的运行参数与运行状态的对应关系;根据所述故障模型和所述车辆当前各部件的运行参数,确定所述当前各部件的运行状态;根据所述当前各部件的运行状态,评估所述车辆的健康状态。
上述车辆健康状态确定方法、装置、设备、存储介质。首先获取与车辆对应的数据库中的各部件的样本数据,样本数据包括通过大量的同类型车辆的数据统计得到的各部件的历史的运行参数和运行状态。然后根据各部件的样本数据,确定各部件的故障模型,从而建立起各部件的运行参数与运行状态之间的对应关系。然后根据故障模型和车辆当前各部件的运行参数,确定当前各部件的运行状态,从而通过大数据建立的故障模型,和当前各部件的运行参数,预估了当前各部件的运行状态。然后根据当前各部件的运行状态,评估车辆的健康状态,车辆的健康状态是由各个部件的运行状态决定的,从而通过预估的各部件的运行状态,即可预估车辆的整体健康状态。实现了实时准确的根据各部件的当前状态,确定车辆的健康状态,判断更加准确,能够使得驾驶者及时的获知车辆当前的健康状态,便于提前采取对应的措施,提高车辆的安全。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中车辆健康状态确定方法的流程图;
图2为一个实施例中确定故障模型的方法的流程图;
图3为一个实施例中神经网络模型的结构示意图;
图4为一个实施例中确定部件是否故障的方法的流程图;
图5为一个实施例中确定健康状态的方法的流程图;
图6为一个实施例中确定故障原因的方法的流程图;
图7为一个实施例中确定权重的方法的流程图;
图8为一个实施例中车辆健康状态确定装置的结构图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
需要说明的是,当一个元件被认为是“连接”另一个元件时,它可以是直接连接到另一个元件,或者通过居中元件连接另一个元件。此外,以下实施例中的“连接”,如果被连接的对象之间具有电信号或数据的传递,则应理解为“电连接”、“通信连接”等。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。
正如背景技术所述,现有技术中对车辆健康状态的预估存在判断不准确的问题。经发明人研究发现,出现这种问题的原因在于,车辆的类型越来越多,不同类型的车辆的健康状态判断存在较大差异,并且在车辆实际行驶的过程中,也会由于许多不可控的因素,导致车辆的健康状态出现变化,因此仅通过经验判断车辆的健康状态,会导致预估结果不准确。
基于以上原因,本发明提供了一种能够准确的确定车辆的健康状态,从而使得驾驶者能够对可能出现的故障提前采取措施的车辆健康状态确定方法、装置、设备、存储介质。
在一个实施例中,如图1所示,提供了一种车辆健康状态确定方法,该方法包括:
步骤S100,获取与车辆对应的数据库中的各部件的样本数据。
具体地,样本数据包括各部件的历史的运行参数和运行状态。数据库中包括同类型车辆的历史的运行参数和运行状态的大数据。当车辆的部件出现故障时,车辆的诊断设备对车辆进行检测,并通过车载诊断系统(on-board diagnostic,OBD)接口从车载电脑(electronic control unit,ECU)中对车辆部件的当前运行参数进行采集,从而获取到车辆样本数据,再上传到数据库中。通过大量的同类型车辆上传的样本数据,即可统计得到该车辆的历史的运行参数和运行状态。部件的运行状态包括正常状态和故障状态,运行参数与运行状态对应,即能够确定部件出现故障时,对应的故障运行参数,从而便于当该部件的运行参数为故障运行参数时,反推出该部件很有可能会出现故障。
步骤S120,基于各部件的样本数据,确定各部件的故障模型。
具体地,故障模型包括各部件的运行参数与运行状态的对应关系。根据数据库中统计的大量同类型车辆的部件的历史的运行参数和运行状态,即可分析确定出各部件的故障模型。
步骤S140,根据故障模型和车辆当前各部件的运行参数,确定当前各部件的运行状态。
具体地,在确定了各部件的故障模型后,再根据当前的各部件的运行参数,结合故障模型,即可判断当前各部件的运行状态。
示例性地,运行参数包括车速、发动机转速、车辆加速度值、车辆扭矩、发动机启动时间等。例如,数据库中通过大量同类型车辆上传的数据统计得到,当发动机启动时间为1分钟时,发动机会出现故障,无法工作。则在实际中,本车辆的发动机启动时间如果越来越慢,则代表发动机可能会出现故障,当发动机启动时间为1分钟,则预估本车辆的发动机会出现故障。但由于数据库中是普适性数据,对于本车辆来说,在发动机启动时间为1分钟时,发动机可能出现故障也可能不出现故障。但可以通过发动机启动时间这个运行参数,来预测发动机是否会出现故障。又例如,数据库中的样本数据为车辆的控制阀在开关次数1000次时,会出现故障,则可以以此为标准,根据本车辆的控制阀开关的次数,来预测控制阀是否会出现故障,并且能够预测控制阀的剩余寿命,当本车辆控制阀已经开关了900次,则可以预估控制阀的寿命剩余10%。
步骤S160,根据当前各部件的运行状态,评估车辆的健康状态。
具体地,在预估了当前各部件的运行状态后,根据各部件的运行状态,能够预估车辆的整体健康状态,从而综合了各部件的运行状态,得到了车辆整体的健康状态结果。
在本实施例中,首先获取与车辆对应的数据库中的各部件的样本数据,样本数据包括通过大量的同类型车辆的数据统计得到的各部件的历史的运行参数和运行状态。然后根据各部件的样本数据,确定各部件的故障模型,从而建立起各部件的运行参数与运行状态之间的对应关系。然后根据故障模型和车辆当前各部件的运行参数,确定当前各部件的运行状态,从而通过大数据建立的故障模型,和当前各部件的运行参数,预估了当前各部件的运行状态。然后根据当前各部件的运行状态,评估车辆的健康状态,车辆的健康状态是由各个部件的运行状态决定的,从而通过预估的各部件的运行状态,即可预估车辆的整体健康状态。实现了实时准确的根据各部件的当前状态,确定车辆的健康状态,判断更加准确,能够使得驾驶者及时的获知车辆当前的健康状态,便于提前采取对应的措施,提高车辆的安全。
在一个实施例中,如图2所示,步骤S120包括:
步骤S200,若部件的运行参数与运行状态为线性关系,则根据部件的运行参数和运行状态,确定部件的故障模型。
具体地,若部件的运行参数与运行状态呈现一定的线性关系,例如,发动机启动时间的增加,对应发动机运行状态越来越差,直到发动机的启动时间到某一数值时,发动机的运行状态为故障状态。或者随着控制阀的开关次数的增加,控制阀的运行状态越来越差,寿命越来越少,直到开关次数到达某一数值,控制阀故障。若部件的运行参数和运行状态存在类似这样的线性关系,则可以将确定这个部件的故障模型,故障模型包括该部件的运行参数与运行状态的线性对应关系。
步骤S220,若部件的运行参数与运行状态为非线性关系,则基于部件的运行参数和运行状态,建立神经网络模型,并采用部件的样本数据训练神经网络模型,得到部件的故障模型。
具体地,若部件的运行参数与运行状态为非线性的关系,例如,如表一所示,运行参数是发动机排出的废气,运行状态包括发动机排气管漏气、发动机点火过早、发动机点火过晚、发动机间歇性不点火。因此,根据发动机排出的废气的含量,来识别发动机的运行状态时,两者之间是非线性的关系。此时,建立如图3所示的神经网络模型,输入层为废气,包括一氧化碳、碳氢化合物、二氧化碳、氧气的含量,输出层为发动机可能出现的运行状态,包括排气管漏气、发动机点火过早、发动机点火过晚、发动机间歇性不点火,若发动机出现上述情况之一,均判定发动机故障。因此,建立了发动排出的废气与发动机的运行状态的初始神经网络模型后,再根据样本数据中的发动机的历史的运行参数和运行状态,来训练该神经网络模型,直到神经网络模型输出的预测结果与样本数据一致。在完成训练后,将当前发动机排出的废气含量数据输入神经网络模型中,即可得到预测的发动机的运行状态结果。
表一、发动机废气与运行状态的对应关系。
示例性地,可以采用matlab(美国MathWorks公司出品的商业数学软件)中的模糊工具箱对神经网络模型的输入进行模糊预处理。模糊预处理全面考虑了运行参数对运行状态的影响,简化神经网络的输入的同时,更加精确的得到了运行参数与运行状态之间的关系。
在本实施例中,根据车辆的各部件的历史的运行参数和运行状态,建立了各部件的故障模型,从而能够根据各部件的当前运行参数,结合故障模型,预测各部件的运行状态,便于对各部件的运行状态进行预测。
在一个实施例中,如图4所示,步骤S140包括:
步骤S400,获取各部件当前的运行参数。
具体地,通过车辆的整车CAN(控制器域网,Controller Area Network)总线,获取各部件当前的运行参数。也可以通过车辆上的各种传感器,获取各部件的当前运行参数,传感器包括但不限于温度传感器、气体传感器、速度传感器、加速度传感器、温振传感器。
步骤S420,将各部件当前的运行参数与故障模型中对应的标准运行参数比较。
具体地,在故障模型中还包括各部件的标准运行参数的范围,例如,加速度传感器的运行参数为采集电压,加速度传感器的采集电压的正常范围是-2到+2,则将加速度传感器的当前采集电压与这个标准的采集电压范围进行比较。
步骤S440,若各部件当前的运行参数与对应的标准运行参数的差值的绝对值大于预设阈值,则判定部件的运行状态为故障状态。
具体地,若当前的运行参数在标准运行参数的范围外,则代表该部件的运行参数出现异常,判定该部件故障。
在本实施例中,通过获取各部件的当前运行参数,再将各部件的当前运行参数与标准运行参数进行比较,若当前的运行参数与标准运行参数的偏差到达一定程度时,则代表该部件出现了故障,从而能够简便快速的识别部件是否出现故障。
在一个实施例中,如图5所示,步骤S160包括:
步骤S500,根据当前各部件的运行状态,预测各部件的出现故障的概率。
具体地,将当前各部件的运行参数代入故障模型中,即,查找故障模型中对应部件当前运行参数,的运行状态。例如,该部件为控制阀,当前运行参数为开闭了100次,而故障模型中记录的控制阀的对应关系为,开闭200次时,会出现故障。因此,将当前运行参数输入故障模型中,可以得到控制阀的运行状态为,正常状态,剩余寿命为50%。然后根据此时控制阀的运行状态,即,正常状态,剩余寿命为50%,就能够判断控制阀的运行状态为中等,预测其出现故障的概率较低。此处具体的概率,可通过对大量的该部件进行标定试验得到,例如,将大量剩余寿命为50%的控制阀进行试验,根据其中出现故障的控制阀的数量,即可确定控制阀在剩余寿命为50%时,出现故障的概率。从而根据各部件当前的运行状态,即可确定各部件对应的出现故障的概率。
步骤S520,根据各部件出现故障的概率以及预设的各部件对应的权重,确定车辆的健康状态。
具体地,根据各部件出现故障的概率,对各部件进行对应的评估,例如,,某部件的预测结果为出现故障的概率低,则该部件的健康状态评估为良好,若预测结果为出现故障的概率高,则该部件的健康状态评估为较差,类似的,若预测结果为出现故障的概率极高,则该部件的健康状态评估为很差。等等,对各个部件分别进行健康状态的评估。然后根据各部件的健康状态,乘上对应的权重相加,即可得到车辆的健康状态。
示例性地,可通过打分的方式,直观简单的得到车辆的健康状态,例如,发动机的健康状态评估为良好,则发动机得分为8分;刹车系统的预测寿命不足5%,健康状态评估为很差,则刹车系统得分为2分;仪表系统的健康状态评估为良好,则仪表系统得分为8分;油门踏板的状态为磨损严重,影响驾驶行为,评估为较差,则得分为3分。再将其分别乘上对应的权重相加,即可得到整车的最终健康状态得分。
在本实施例中,根据各部件的当前的运行状态,预测了各部件出现故障的概率,从而评估了各部件的健康状态,再根据各部件对应的权重,即可得到整车的健康状态。实现了对车辆整体健康状态的实时确定。
在一个实施例中,如图6所示,在步骤S440之后,车辆健康状态确定方法还包括:
步骤S600,获取处于故障状态的部件的特征参数。
具体地,特征参数为导致部件为故障状态的参数。
具体地,可通过各种传感器,采集部件的特征参数,例如,电抗器采用温度传感器采集温度信号;高压断路器采用电流传感器采集线圈电流;电容器采用电流传感器采集电容器输入电流信号;冷却风机采用电流传感器采集三相电流信号,采用电压传感器采集电压信号;接触器采用电流传感器采集线圈电流信号;IGBT(Insulated Gate BipolarTransistor,绝缘栅双极型晶体管)采用温度信号采集模块冷却板温度信号;牵引电机采用电流传感器采集电机三相电流信号;齿轮箱采用温振传感器采集齿轮箱温度和振动信号;轴箱采用温振传感器采集轴箱温度和振动信号。
步骤S620,根据特征参数,确定部件的故障原因。
具体地,在部件出现故障时,在运行参数上的体现可能为某些运行参数不正常,例如:车速达不到一定的数值,加速度达不到一定的数值,在运行状态上的体现可能为发动机无法启动。而导致出现这种情况的原因可能有多种,例如,如表二所示,当车速传感器出现故障时,会导致电子限制及巡航车速不稳定,而导致该故障出现的原因可能是接收AMT(Automated Mechanical Transmission,电控机械式自动变速箱)车速信号的CAN线出现故障,也可能是接收ABS(制动防抱死系统,antilock brake system)轮速信号的CAN线出现故障。因此,需要通过传感器,采集接收AMT信号的CAN线的数据和接收ABS信号的CAN线的数据,从而才能判断故障的原因是什么。
表二、车速传感器故障原因表。
示例性地,可通过对部件进行fema(Failure Mode and Effects Analysis,失效模式及后果分析)分析的方式,统计出该部件的关键信息参数,以及对该部件的影响,当某个故障发生故障时,反查其相关的关键信息参数是否为异常状态值,如果有一项为异常,则定位为故障原因。如果有多项异常,则继续对影响关键参数的参数继续查找,直到查找出根本故障原因为止。
在本实施例中,在判定部件发生故障后,读取该部件的特征参数,根据特征参数,分析该部件出现故障的原因,从而能够有针对性的进行维修和改进。
在一个实施例中,车辆健康状态确定方法还包括:根据部件处于故障状态时的运行参数,更新故障模型。
具体地,故障模型中包括部件的运行参数与运行状态的对应关系,其中,运行状态包括故障状态。也就是说,故障模型中记录了部件在什么运行参数时,运行状态会变成故障状态。例如,故障模型中记录了控制阀的开闭次数与运行状态的关系,根据故障模型,控制阀在开闭200次时,运行状态会为故障状态。此数据是通过大数据统计得来的,可作为预测参考。但针对于本车辆来说,由于各车辆实际使用情况不同,会导致车辆的性能具有一定的特异性,即,虽然为同类型车辆,但有些参数可能会由于使用习惯,或运行工况等而产生差异。因此,故障模型中虽然通过大数据得到控制阀在开闭200次时会出现故障,但本车辆的控制阀可能在开闭300次时,才出现故障,那么,就需要针对本车辆去更新故障模型。本车辆对应的故障模型中的控制阀的运行参数与运行状态的对应关系就修改为开闭300次时,预测会出现故障。从而使得故障模型能够根据具体的车辆进行调整,适配具体的车辆,从而能够在具体的车辆的使用周期中,通过车辆出现的故障不断的修正故障模型,将故障模型从一开始的通过大数据得到的普适性模式,逐渐更新为针对具体车辆的最适合本车辆的模型。
在本实施例中,通过部件处于故障状态时的运行参数,去更新故障模型,从而使得故障模型与本车辆更加适配,在车辆未来的运行中,预测的更加准确。
在一个实施例中,如图7所示,车辆健康状态确定方法还包括:
步骤S700,分别确定车辆的各部件对车辆安全的影响程度。
具体地,根据部件是否会影响车辆的安全,确定各部件对车辆安全的影响程度,例如,某些部件出现故障时,会影响车辆的传动系统,影响车辆的正常行驶,而有些部件出现故障时,仅会影响车辆的舒适度,而不会影响车辆的行驶,则会影响车辆行驶的部件,对车辆的安全的影响程度就较高。例如,车辆的电机、发动机、油泵、车速传感器等,会影响车辆的正常行驶,或者影响车辆的车速控制,则其对车辆安全的影响程度较大。而空调出现故障,只会影响车辆的舒适度,而不会影响车辆安全,因此,其对车辆安全的影响程度较小。
步骤S720,根据各部件对车辆安全的影响程度,确定各部件对应的权重。
具体地,根据各部件出现故障时,是否会影响车辆的正常运行,或者影响驾驶员对驾驶的判断、或者影响驾驶员的安全,来确定各部件对应的权重。若该部件出现故障时,会影响车辆的安全,则对应的权重较高,若该部件出现故障时,只会影响车辆的舒适度,而不会对车辆安全造成实质性影响,则对应的权重较低。
在本实施例中,通过各部件在车辆中所起到的作用,确定各部件对车辆安全的影响程度,然后根据各部件对车辆安全的影响程度,确定各部件对应的权重,从而能够使得对车辆安全影响较大的部件,在车辆健康状态评估中的影响也较大。使得得到的车辆健康状态评估结果更加侧重于车辆的安全性,保证车辆的安全。
应该理解的是,虽然图1-2、图4-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2、图4-7中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种车辆健康状态确定装置,该装置包括:样本获取模块801、模型确定模块802、部件状态确定模块803、车辆状态确定模块804,其中:
样本获取模块801,用于获取与车辆对应的数据库中的各部件的样本数据,其中,样本数据包括各部件的历史的运行参数和运行状态。
模型确定模块802,用于基于各部件的样本数据,确定各部件的故障模型,其中,故障模型包括各部件的运行参数与运行状态的对应关系。
部件状态确定模块803,用于根据故障模型和车辆当前各部件的运行参数,确定当前各部件的运行状态。
车辆状态确定模块804,用于根据当前各部件的运行状态,评估车辆的健康状态。
在一个实施例中,模型确定模块802包括:第一模型确定单元、第二模型确定单元,其中:
第一模型确定单元,用于若部件的运行参数与运行状态为线性关系,则根据部件的运行参数和运行状态,确定部件的故障模型。
第二模型确定单元,用于若部件的运行参数与运行状态为非线性关系,则基于部件的运行参数和运行状态,建立神经网络模型,并采用部件的样本数据训练神经网络模型,得到部件的故障模型。
在一个实施例中,部件状态确定模块803包括:参数获取单元、参数比较单元、状态判断单元,其中:
参数获取单元,用于获取各部件当前的运行参数。
参数比较单元,用于将各部件当前的运行参数与故障模型中对应的标准运行参数比较。
状态判断单元,用于若各部件当前的运行参数与对应的标准运行参数的差值的绝对值大于预设阈值,则判定部件的运行状态为故障状态。
在一个实施例中,车辆状态确定模块804包括概率确定单元、状态确定单元,其中:
概率确定单元,用于根据当前各部件的运行状态,预测各部件的出现故障的概率。
状态确定单元,用于根据各部件出现故障的概率以及预设的各部件对应的权重,确定车辆的健康状态。
关于车辆健康状态确定装置的具体限定可以参见上文中对于车辆健康状态确定方法的限定,在此不再赘述。上述车辆健康状态确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在一个实施例中,提供了一种计算机设备,该计算机设备内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机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。该计算机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健康状态确定方法。
本领域技术人员可以理解,图9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计算机设备的限定,具体的计算机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,提供了一种计算机设备,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上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
在本说明书的描述中,参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性描述不一定指的是相同的实施例或示例。
以上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发明专利范围的限制。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)
1.一种车辆健康状态确定方法,其特征在于,所述方法包括:
获取与所述车辆对应的数据库中的各部件的样本数据,其中,所述样本数据包括各部件的历史的运行参数和运行状态;
基于所述各部件的样本数据,确定所述各部件的故障模型,其中,所述故障模型包括所述各部件的运行参数与运行状态的对应关系;
根据所述故障模型和所述车辆当前各部件的运行参数,确定所述当前各部件的运行状态;
根据所述当前各部件的运行状态,评估所述车辆的健康状态。
2.根据权利要求1所述的方法,其特征在于,所述基于所述各部件的样本数据,确定所述各部件的故障模型,包括:
若所述部件的运行参数与运行状态为线性关系,则根据所述部件的运行参数和运行状态,确定所述部件的故障模型;
若所述部件的运行参数与运行状态为非线性关系,则基于所述部件的运行参数和运行状态,建立神经网络模型,并采用所述部件的样本数据训练所述神经网络模型,得到所述部件的故障模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述当前各部件的运行状态,评估所述车辆的健康状态,包括:
根据所述当前各部件的运行状态,预测所述各部件的出现故障的概率;
根据所述各部件出现故障的概率以及预设的各部件对应的权重,确定所述车辆的健康状态。
4.根据权利要求1所述的方法,其特征在于,所述根据所述故障模型和所述车辆当前各部件的运行参数,确定所述当前各部件的运行状态,包括:
获取所述各部件当前的运行参数;
将所述各部件当前的运行参数与所述故障模型中对应的标准运行参数比较;
若所述各部件当前的运行参数与对应的标准运行参数的差值的绝对值大于预设阈值,则判定所述部件的运行状态为故障状态。
5.根据权利要求4所述的方法,其特征在于,在判定所述部件的运行状态为故障状态之后,所述方法还包括:
获取处于故障状态的部件的特征参数,其中,所述特征参数为导致所述部件为故障状态的参数;
根据所述特征参数,确定所述部件的故障原因。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:根据所述部件处于所述故障状态时的运行参数,更新所述故障模型。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括:
分别确定所述车辆的各部件对车辆安全的影响程度;
根据所述各部件对车辆安全的影响程度,确定所述各部件对应的权重。
8.一种车辆健康状态确定装置,其特征在于,所述装置包括:
样本获取模块,用于获取与所述车辆对应的数据库中的各部件的样本数据,其中,所述样本数据包括各部件的历史的运行参数和运行状态;
模型确定模块,用于基于所述各部件的样本数据,确定所述各部件的故障模型,其中,所述故障模型包括所述各部件的运行参数与运行状态的对应关系;
部件状态确定模块,用于根据所述故障模型和所述车辆当前各部件的运行参数,确定所述当前各部件的运行状态;
车辆状态确定模块,用于根据所述当前各部件的运行状态,评估所述车辆的健康状态。
9.一种计算机设备,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中任一项所述的方法的步骤。
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中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210380769.5A CN114742157B (zh) | 2022-04-12 | 2022-04-12 | 车辆健康状态确定方法、装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210380769.5A CN114742157B (zh) | 2022-04-12 | 2022-04-12 | 车辆健康状态确定方法、装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742157A true CN114742157A (zh) | 2022-07-12 |
CN114742157B CN114742157B (zh) | 2024-06-04 |
Family
ID=82281942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210380769.5A Active CN114742157B (zh) | 2022-04-12 | 2022-04-12 | 车辆健康状态确定方法、装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742157B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997748A (zh) * | 2022-08-01 | 2022-09-02 | 中通客车股份有限公司 | 基于模型融合的新能源汽车运行安全风险预测方法及系统 |
CN115081938A (zh) * | 2022-07-22 | 2022-09-20 | 清华大学 | 机器人健康管理方法、装置及电子设备、存储介质 |
CN116189332A (zh) * | 2022-10-20 | 2023-05-30 | 开源网安物联网技术(武汉)有限公司 | 一种车辆健康评分方法、装置、电子设备以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019057871A1 (de) * | 2017-09-22 | 2019-03-28 | Robert Bosch Gmbh | Verfahren zum überwachen mindestens einer komponente eines kraftfahrzeugs |
CN111751117A (zh) * | 2020-04-10 | 2020-10-09 | 中国人民解放军92228 部队 | 一种特种车辆健康状态评估方法及装置 |
CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
CN113700558A (zh) * | 2021-09-01 | 2021-11-26 | 哈尔滨工业大学(威海) | 柴油发动机空气系统故障检测方法 |
US20220068053A1 (en) * | 2020-08-25 | 2022-03-03 | ANI Technologies Private Limited | Determination of health status of vehicular systems in vehicles |
-
2022
- 2022-04-12 CN CN202210380769.5A patent/CN114742157B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019057871A1 (de) * | 2017-09-22 | 2019-03-28 | Robert Bosch Gmbh | Verfahren zum überwachen mindestens einer komponente eines kraftfahrzeugs |
CN111751117A (zh) * | 2020-04-10 | 2020-10-09 | 中国人民解放军92228 部队 | 一种特种车辆健康状态评估方法及装置 |
US20220068053A1 (en) * | 2020-08-25 | 2022-03-03 | ANI Technologies Private Limited | Determination of health status of vehicular systems in vehicles |
CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
CN113700558A (zh) * | 2021-09-01 | 2021-11-26 | 哈尔滨工业大学(威海) | 柴油发动机空气系统故障检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081938A (zh) * | 2022-07-22 | 2022-09-20 | 清华大学 | 机器人健康管理方法、装置及电子设备、存储介质 |
CN114997748A (zh) * | 2022-08-01 | 2022-09-02 | 中通客车股份有限公司 | 基于模型融合的新能源汽车运行安全风险预测方法及系统 |
CN116189332A (zh) * | 2022-10-20 | 2023-05-30 | 开源网安物联网技术(武汉)有限公司 | 一种车辆健康评分方法、装置、电子设备以及存储介质 |
CN116189332B (zh) * | 2022-10-20 | 2024-03-19 | 开源网安物联网技术(武汉)有限公司 | 一种车辆健康评分方法、装置、电子设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114742157B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114742157B (zh) | 车辆健康状态确定方法、装置、设备、存储介质 | |
US6836708B2 (en) | Monitoring of vehicle health based on historical information | |
US9075701B2 (en) | Apparatus and method for monitoring abnormal state of vehicle using clustering technique | |
US7612464B2 (en) | Electronic control system with malfunction monitor | |
US20140379199A1 (en) | Method for aging-efficient and energy-efficient operation in particular of a motor vehicle | |
CN101660974B (zh) | 用于车辆的异常分析系统和用于车辆的异常分析方法 | |
US11162447B2 (en) | Vehicle predictive control system based on big data and method thereof | |
KR100748011B1 (ko) | 에너지 저장 수단의 상태 판별 방법 | |
CN111753867A (zh) | 使用机器学习分类器来监视和诊断车辆系统问题 | |
CN106080655A (zh) | 一种列车轴温异常的检测方法、装置以及列车 | |
KR20010108191A (ko) | 차량에 발생하는 에러를 인식하기 위한 인식 방법 | |
US20070136015A1 (en) | Diagnosis apparatus for diagnosing state of equipment | |
CN112491920A (zh) | 一种车载can总线的异常检测方法及装置 | |
JP2017091234A (ja) | 車両制御装置 | |
CN109900485A (zh) | 发动机进气系统的故障诊断方法、装置及故障诊断系统 | |
CN114962031B (zh) | 内燃机进气系统管路结焦的检测方法及其系统、车辆 | |
CN114088416B (zh) | 液力缓速器消音器故障诊断方法、装置及计算机设备 | |
CN114622990B (zh) | 一种发动机失火风险识别方法、装置、设备和介质 | |
CN116577104A (zh) | 一种发动机故障检测方法及设备 | |
CN113448301A (zh) | 基于obd系统的故障诊断方法及系统 | |
CN114021452A (zh) | 城轨车辆车门电机性能检测和评价方法 | |
CN113888775A (zh) | 车辆预警方法、服务器、存储介质、车辆预警系统和车辆 | |
Shui et al. | Optimization of Gaussian process regression model for characterization of in-vehicle wet clutch behavior | |
JP6899936B2 (ja) | 車両制御装置 | |
EP4316918A1 (en) | Vehicle abnormality detection device and vehicle abnormality detection method |
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 |