CN114757366B - 一种用于车辆的故障预测方法及系统 - Google Patents

一种用于车辆的故障预测方法及系统 Download PDF

Info

Publication number
CN114757366B
CN114757366B CN202210092687.0A CN202210092687A CN114757366B CN 114757366 B CN114757366 B CN 114757366B CN 202210092687 A CN202210092687 A CN 202210092687A CN 114757366 B CN114757366 B CN 114757366B
Authority
CN
China
Prior art keywords
diagnosed
historical
component
time point
vehicle
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.)
Active
Application number
CN202210092687.0A
Other languages
English (en)
Other versions
CN114757366A (zh
Inventor
吴凡
郑宁安
陈锭敏
满超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN202210092687.0A priority Critical patent/CN114757366B/zh
Publication of CN114757366A publication Critical patent/CN114757366A/zh
Application granted granted Critical
Publication of CN114757366B publication Critical patent/CN114757366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种用于车辆的故障预测方法，通过对选定的待诊断部件对应的关联信号组中的各监测信号的历史数据，并对各监测信号的历史数据进行转换以及分析，获得其各历史时间点对应的性能指标；然后根据所述各历史时间点对应的性能指标，结合所述待诊断部件的理想期望曲线，获得所述待诊断部件的各历史时间点的健康度；根据所述待诊断部件的各历史时间点的健康度的变化，对未来健康度进行预测，获得所述待诊断部件的衰减诊断预测结果。本发明还提供了相应的系统。实施本发明，可以对车辆上特定装置进行故障预测，在故障发生前提供参考的维修保养提示，减少因车辆故障而产生的不便；同时提高用车的安全性。

Description

一种用于车辆的故障预测方法及系统
技术领域
本发明涉及车载诊断相关的技术领域，特别是涉及一种用于车辆的故障预测方法及系统。
背景技术
在传统车辆的维护保养中，一般是在车辆已发生故障时，其诊断系统才会以故障码或故障图标的形式对用户进行提示；或者，用户定时通过4S店的工作人员对车辆进行检测；4S店的工作人员通过在线诊断系统，对已发生故障的诊断，或者对各电控模块对自身负载的失效行为进行诊断；现有的这种维护诊断方法只能诊断已发生的故障，而对于车辆零部件的性能衰减和使用寿命预估缺乏相应的诊断手段，从而造成用户使用体验不佳，同时存在安全隐患。
发明内容
本发明所要解决的技术问题在于，提供一种用于车辆的故障预测方法及系统，可以对车辆上特定装置进行故障预测，在故障发生前提供参考的维修保养提示，提高用户使用体验以及安全性。
解决车内特定功能系统/零部件的健康度和使用寿命预测问题。
为解决上述技术问题，作为本发明的一方面，提供一种用于车辆的故障预测方法，其包括如下步骤：
步骤S10，获得车辆中选定的待诊断部件对应的关联信号组中的各监测信号的历史数据，并对所述各监测信号的历史数据进行转换处理，获得转换后的历史监测数据；
步骤S11，将转换后的历史监测数据导入预先设定的监控模型，分析获得所述待诊断部件的各历史时间点对应的性能指标，所述指标包括：性能衰减比例、历史运转负荷、异常动作统计；
步骤S12，根据所述各历史时间点对应的性能指标，结合所述待诊断部件的理想期望曲线，获得所述待诊断部件的各历史时间点的健康度；
步骤S13，根据所述待诊断部件的各历史时间点的健康度，并结合所述待诊断部件对应的各监测信号的当前运行数据，输入已训练的预测模型，对未来健康度进行预测，获得所述待诊断部件的衰减诊断预测结果，所述衰减诊断预测结果包括：所述待诊断部件预计出现失效风险的时间区间，以及对应事件的出现概率。
其中，进一步包括：
预先通过整车信号列表或DBC文件确定车辆中各待诊断部件对应的关联信号组，所述每一关联信号组包括多个监测信号；
其中，所述待诊断部件至少包括车窗电机，其关联信号组中的监测信号包括：4个车窗电机的激活状态、正/反转状态、电机转速、堵转状态、防夹状态，以及导航系统发出的GPS定位、空调系统发出的车外温度、车外湿度和车内温度、车内湿度、电池传感器和发电机所发出的当前放电电流和电压、发动机管理模块发出的点火状态。
其中，在所述步骤S10中，在所述待诊断部件为车窗电机时，对所述各监测信号的历史数据进行转换处理，获得转换后的历史监测数据的步骤具体包括：
将车窗电机从触发激活状态到堵转状态的时间转换为车窗执行一次完整的升或降操作的总执行时间；
将当前车内外温度、车内外湿度进行平滑处理后转换为当前车窗电机运行的环境温度、环境湿度；
将从电池传感器和发电机所获取的当前电压信息转换为当前车窗电机运行的电气环境；
将系统历史GPS定位点信息通过统计算法转换为区域分布信息，并将其作为历史环境温度和环境湿度的加权影响因子。
其中，在所述待诊断部件为车窗电机时，所述步骤S11具体包括：
步骤S11，将所述经转换后获得的历史升降操作执行时间、环境温度、环境湿度、电气环境、历史环境加权数据导入已训练的监控模型，获得车窗电机各历史时间点对应的性能指标，包括：当前驱动性能衰减比例、历史运转负荷、异常动作统计。
其中，所述步骤S12进一步通过下述公式计算获得所述待诊断部件的各历史时间点t的健康度H：
Figure GDA0003892806250000031
Figure GDA0003892806250000032
其中，A(t)为历史时间点t的性能衰减比例；E(t+1)为历史时间点t+1时的异常动作统计值；L(t)为历史时间点t时的历史运转负荷值；P(ideal)为理想性能指标，其根据所述待诊断部件的理想期望曲线获得；P(t)为历史时间点t的当前性能指标，K为预标定的系数。
其中，进一步包括：步骤S14，通过无线网络，将所述待诊断部件的衰减诊断预测结果发送给位于客户、车厂、4S店处的接收装置。
相应地，作为本发明的另一方面，还提供一种用于车辆的故障预测系统，其至少包括：
历史关联信号组信号获得单元，用于获得车辆中选定的待诊断部件对应的关联信号组中的各监测信号的历史数据，并对所述各监测信号的历史数据进行转换处理，获得转换后的历史监测数据；
性能指标获得单元，用于将转换后的历史监测数据导入预先设定的监控模型，分析获得所述待诊断部件的各历史时间点对应的性能指标，所述指标包括：性能衰减比例、历史运转负荷、异常动作统计；
历史健康度获得单元，用于根据所述各历史时间点对应的性能指标，结合所述待诊断部件的理想期望曲线，获得所述待诊断部件的各历史时间点的健康度；
预测单元，用于根据所述待诊断部件的各历史时间点的健康度，并结合所述待诊断部件对应的各监测信号的当前运行数据，输入已训练的预测模型，对未来健康度进行预测，获得所述待诊断部件的衰减诊断预测结果，所述衰减诊断预测结果包括：所述待诊断部件预计出现失效风险的时间区间，以及对应事件的出现概率。
相应地，进一步包括：
关联处理单元，用于预先通过整车信号列表或DBC文件确定车辆中各待诊断部件对应的关联信号组，所述每一关联信号组包括多个监测信号；
其中，所述待诊断部件至少包括车窗电机，其关联信号组中的监测信号包括：4个车窗电机的激活状态、正转状态、反转状态、电机转速、堵转状态、防夹状态，以及导航系统发出的GPS定位、空调系统发出的车外温度、车外湿度和车内温度、车内湿度、电池传感器和发电机所发出的当前放电电流和电压、发动机管理模块发出的点火状态。
其中，所述历史健康度获得单元进一步用于通过下述公式计算获得所述待诊断部件的各历史时间点t的健康度H：
Figure GDA0003892806250000041
Figure GDA0003892806250000042
其中，A(t)为历史时间点t的性能衰减比例；E(t+1)为历史时间点t+1时的异常动作统计值；L(t)为历史时间点t时的历史运转负荷值；P(ideal)为理想性能指标，其根据所述待诊断部件的理想期望曲线获得；P(t)为历史时间点t的当前性能指标，K为预标定的系数。
其中，进一步包括：发送单元，用于通过无线网络，将所述待诊断部件的衰减诊断预测结果发送给位于客户、车厂、4S店处的接收装置。
实施本发明实施例，具有如下的有益效果：
本发明提供一种用于车辆的故障预测方法及系统，通过对选定的待诊断部件对应的关联信号组中的各监测信号的历史数据，并对所述各监测信号的历史数据进行转换以及分析，获得其各历史时间点对应的性能指标；然后根据所述各历史时间点对应的性能指标，结合所述待诊断部件的理想期望曲线，获得所述待诊断部件的各历史时间点的健康度；根据所述待诊断部件的各历史时间点的健康度的变化，并结合所述待诊断部件对应的各监测信号的当前运行数据，输入已训练的预测模型，对未来健康度进行预测，获得所述待诊断部件的衰减诊断预测结果。通过本发明所提供的方法及系统，可以对车辆上特定装置进行故障预测，在故障发生前提供参考的维修保养提示，减少因车辆故障而产生的不便；同时提高用车的安全性。
实施本发明，可以为4S店提供定制化的维修保养建议，降低保养物资开销；也可以为用户提供车辆实时健康检测和保养维修参考，提醒用户合理用车和保养，提升用户体验；同是地，可以为整车厂提供车辆元器件的统计数据分析，提供设计改善依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的一种用于车辆的故障预测方法的一个实施例的主流程示意图；
图2为本发明涉及的涉及衰减曲线示意图；
图3为本发明提供的一种用于车辆的故障预测系统的一个实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，示出了本发明提供的一种用于车辆的故障预测方法的一个实施例的主流程示意图；在本实施例中，所述用于车辆的故障预测方法，其包括如下步骤：
步骤S10，获得车辆中选定的待诊断部件对应的关联信号组中的各监测信号的历史数据，并对所述各监测信号的历史数据进行转换处理，获得转换后的历史监测数据；在具体的例子中，所述转换处理可以是抽象处理过程。
可以理解的是，在本发明实施例中，需要预先通过整车信号列表或DBC文件(CAN总线产生的数据文件)确定车辆中各待诊断部件对应的关联信号组，所述每一关联信号组包括多个监测信号；
其中，所述待诊断部件至少包括车窗电机，以车窗电机为例，其关联信号组中的监测信号包括：4个车窗电机的激活状态、正转状态、反转状态、电机转速、堵转状态、防夹状态，以及导航系统发出的GPS定位、空调系统发出的车外温度、车外湿度和车内温度、车内湿度、电池传感器和发电机所发出的当前放电电流和电压、发动机管理模块发出的点火状态。其中，GPS定位信号关联了分析对象所处的地理位置和气候唤醒，可以用于根据气候环境对模型参数进行修正。
可以理解的是，上述车窗电机的关联信号组仅为示例，需要根据具体部件进行构建，不同的部件所对应的关联信号组中的具体的监测信号的类别以及数量可以是不同的。
其中，在所述步骤S10中，在所述待诊断部件为车窗电机时，对所述各监测信号的历史数据进行转换处理，获得转换后的历史监测数据的步骤具体包括：
将车窗电机从触发激活状态到堵转状态的时间转换为车窗执行一次完整的升或降操作的总执行时间；
将当前车内外温度、车内外湿度进行平滑处理后转换为当前车窗电机运行的环境温度、环境湿度；
将从电池传感器和发电机所获取的当前电压信息根据实际的电气原理进行运算后转换为当前车窗电机运行的电气环境；
将系统历史GPS定位点信息通过统计算法转换为区域分布信息，并将其作为历史环境温度、环境湿度的加权影响因子。
步骤S11，将所述待诊断部件全部转换后的历史监测数据导入采用机器学习算法的已训练的监控模型，分析获得所述待诊断部件的各历史时间点对应的性能指标，所述指标包括：性能衰减比例、历史运转负荷、异常动作统计；
其中，在所述待诊断部件为车窗电机时，所述步骤S11具体包括：
步骤S110，将所述经转换后获得的历史升降操作执行时间、环境温度、环境湿度、电气环境、历史环境加权数据导入预设定的监控模型，获得车窗电机各历史时间点对应的性能指标，包括：当前驱动性能衰减比例(即电机功率的衰减比例)、历史运转负荷、异常动作统计。在一些具体的例子中，所述监控模型也可以采用机器学习算法进行训练获得。
其中，性能衰减比例指待诊断部件历史时间点对应的其当前性能与理想性能之间的衰减的比例值；历史运转负荷是指待诊断部件的生命周期内总的工作负荷累计指标，其单位需根据具体的部件的工作形式来确定，例如本示例中，对于车窗电机，其历史运转负荷是根据车窗电机在生命周期内的总做功积分所得，其单位为kw·h。而异常动作统计为对历史的异常动作进行统计所获得的值。
其中，监控模型需要预先训练，可以采用通用的算法，并结合实际分析过程来进行。
步骤S12，根据所述各历史时间点对应的性能指标，结合所述待诊断部件的理想期望曲线，获得所述待诊断部件的各历史时间点的健康度；
其中，所述步骤S12进一步通过下述公式计算获得所述待诊断部件的各历史时间点t的健康度H：
Figure GDA0003892806250000071
Figure GDA0003892806250000072
其中，A(t)为历史时间点t的性能衰减比例；E(t+1)为历史时间点t+1时的异常动作统计值；L(t)为历史时间点t时的历史运转负荷值；P(ideal)为理想性能指标，其根据所述待诊断部件的理想期望曲线获得；P(t)为历史时间点t的当前性能指标，K为预标定的系数，可以通过算法训练进行修正。
其中，理想期望曲线一般由待诊断部件的生产厂商提供，或在包含其技术规格说明书中。
从上可知，在本发明实施例中，健康度与性能衰减比例、历史运行负荷、和异常动作统计值三者相关，比如性能衰减度很小，但是异常动作次数很多，也反映出待诊断的对象的健康度不佳。通过上述的公式，可以综合考虑上述三者之间的关系，获得一个准确的健康度。
步骤S13，根据所述待诊断部件的各历史时间点的健康度(主要是各健康度的变化)，并结合所述待诊断部件对应的各监测信号的当前运行数据，输入已训练的预测模型，对未来健康度进行预测，获得所述待诊断部件的衰减诊断预测结果，所述衰减诊断预测结果包括：所述待诊断部件预计出现失效风险的时间区间，以及对应事件的出现概率；具体的衰减曲线可以参考图2所示。例如，将电机健康度与其当前运行性能数据导入预测算法，可以得出该电机在运行t至t+n小时后健康度会逼近于0，并得出t至t+n之间健康度期望为0的概率分布。其中，所述预测算法可以选用成熟的预测算法，例如可以采用生长曲线预测模型，具体的如修正指数曲线、Gompertz曲线、logistic曲线等。
步骤S14，显示所述待诊断部件的衰减诊断预测结果，并发送出去。
在一个具体的例子中，所述步骤S14进一步包括：
通过无线网络，将所述待诊断部件的衰减诊断预测结果发送给位于客户、车厂、4S店处的接收装置，以保障所述待诊断部件在损坏之前得到维修/保养/更换。
更具体地，所述待诊断部件的衰减诊断预测结果可通过以下方式通知相关方：1、通过车辆内的人机接口(Human Machine Interface,HMI)向相关人员(如驾驶员)进行交互提醒、2、上传后台，由运营方进行通知、3、通过车联网APP或短信方式进行通知。
如图3所示，示出了本发明提供的一种用于车辆的故障预测系统的一个实施例的结构示意图。在本实施例中，所述系统1至少包括：
历史关联信号组信号获得单元10，用于获得车辆中选定的待诊断部件对应的关联信号组中的各监测信号的历史数据，并对所述各监测信号的历史数据进行转换处理，获得转换后的历史监测数据；
性能指标获得单元11，用于将全部转换后的历史监测数据导入预设定的监控模型，分析获得所述待诊断部件的各历史时间点对应的性能指标，所述指标包括：性能衰减比例、历史运转负荷、异常动作统计；
历史健康度获得单元12，用于根据所述各历史时间点对应的性能指标，结合所述待诊断部件的理想期望曲线，获得所述待诊断部件的各历史时间点的健康度；
预测单元13，用于根据所述待诊断部件的各历史时间点的健康度的变化，并结合所述待诊断部件对应的各监测信号的当前运行数据，输入已训练的预测模型，对未来健康度进行预测，获得所述待诊断部件的衰减诊断预测结果，所述衰减诊断预测结果包括：所述待诊断部件预计出现失效风险的时间区间，以及对应事件的出现概率；
发送单元14，用于显示所述待诊断部件的衰减诊断预测结果，并发送出去。
关联处理单元15，用于预先通过整车信号列表或DBC文件确定车辆中各待诊断部件对应的关联信号组，所述每一关联信号组包括多个监测信号；
其中，所述待诊断部件至少包括车窗电机，其关联信号组中的监测信号包括：4个车窗电机的激活状态、正/反转状态、电机转速、堵转状态、防夹状态，以及导航系统发出的GPS定位、空调系统发出的车外温度、车外湿度和车内温度、车内湿度、电池传感器和发电机所发出的当前放电电流和电压、发动机管理模块发出的点火状态。
更具体地，所述历史健康度获得单元12进一步用于通过下述公式计算获得所述待诊断部件的各历史时间点t的健康度H：
Figure GDA0003892806250000101
Figure GDA0003892806250000102
其中，A(t)为历史时间点t的性能衰减比例；E(t+1)为历史时间点t+1时的异常动作统计值；L(t)为历史时间点t时的历史运转负荷值；P(ideal)为理想性能指标，其根据所述待诊断部件的理想期望曲线获得；P(t)为历史时间点t的当前性能指标，K为预标定的系数，可以通过算法训练进行修正。
其中，所述发送单元14进一步用于通过无线网络，将所述待诊断部件的衰减诊断预测结果发送给位于客户、车厂、4S店处的接收装置。
更具体地，在具体的实施例中，所述用于车辆的故障预测系统可以设置于中央网关中，在车辆唤醒后即激活数据转换算法，而后的预测过程可设计为触发式执行。
更多细节，可以参考并结合图1至图2的说明，在此不进行赘述。
实施本发明实施例，具有如下的有益效果：
本发明提供一种用于车辆的故障预测方法及系统，通过对选定的待诊断部件对应的关联信号组中的各监测信号的历史数据，并对所述各监测信号的历史数据进行转换以及分析，获得其各历史时间点对应的性能指标；然后根据所述各历史时间点对应的性能指标，结合所述待诊断部件的理想期望曲线，获得所述待诊断部件的各历史时间点的健康度；根据所述待诊断部件的各历史时间点的健康度的变化，并结合所述待诊断部件对应的各监测信号的当前运行数据，输入已训练的预测模型，对未来健康度进行预测，获得所述待诊断部件的衰减诊断预测结果。通过本发明所提供的方法及系统，可以对车辆上特定装置进行故障预测，在故障发生前提供参考的维修保养提示，减少因车辆故障而产生的不便；同时提高用车的安全性。
实施本发明，可以为4S店提供定制化的维修保养建议，降低保养物资开销；也可以为用户提供车辆实时健康检测和保养维修参考，提醒用户合理用车和保养，提升用户体验；同是地，可以为整车厂提供车辆元器件的统计数据分析，提供设计改善依据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种用于车辆的故障预测方法，其特征在于，包括如下步骤：
步骤S10，获得车辆中选定的待诊断部件对应的关联信号组中的各监测信号的历史数据，并对所述各监测信号的历史数据进行转换处理，获得转换后的历史监测数据；
步骤S11，将转换后的历史监测数据导入预设定的监控模型，分析获得所述待诊断部件的各历史时间点对应的性能指标，所述性能指标包括：性能衰减比例、历史运转负荷、异常动作统计；
步骤S12，根据所述各历史时间点对应的性能指标，结合所述待诊断部件的理想期望曲线，获得所述待诊断部件的各历史时间点的健康度；
步骤S13，根据所述待诊断部件的各历史时间点的健康度，并结合所述待诊断部件对应的各监测信号的当前运行数据，输入已训练的预测模型，对未来健康度进行预测，获得所述待诊断部件的衰减诊断预测结果，所述衰减诊断预测结果包括：所述待诊断部件预计出现失效风险的时间区间，以及对应事件的出现概率；
其中，所述步骤S12进一步通过下述公式计算获得所述待诊断部件的各历史时间点t的健康度H：
Figure FDA0003892806240000011
Figure FDA0003892806240000012
其中，A(t)为历史时间点t的性能衰减比例；E(t+1)为历史时间点t+1时的异常动作统计值；L(t)为历史时间点t时的历史运转负荷值；P(ideal)为理想性能指标，其根据所述待诊断部件的理想期望曲线获得；P(t)为历史时间点t的当前性能指标，K为预标定的系数。
2.如权利要求1所述的方法，其特征在于，进一步包括：
预先通过整车信号列表或DBC文件确定车辆中各待诊断部件对应的关联信号组，每一关联信号组包括多个监测信号；
其中，所述待诊断部件至少包括车窗电机，所述车窗电机的关联信号组中的监测信号包括：4个车窗电机的激活状态、正转状态、反转状态、电机转速、堵转状态、防夹状态，以及导航系统发出的GPS定位、空调系统发出的车外温度、车外湿度和车内温度、车内湿度、电池传感器和发电机所发出的当前放电电流和电压、发动机管理模块发出的点火状态。
3.如权利要求2所述的方法，其特征在于，在所述步骤S10中，在所述待诊断部件为车窗电机时，对所述各监测信号的历史数据进行转换处理，获得转换后的历史监测数据的步骤具体包括：
将车窗电机从激活状态到堵转状态的时间转换为车窗执行一次完整的升或降操作的总执行时间；
将当前车内外温度、车内外湿度进行平滑处理后转换为当前车窗电机运行的环境温度、环境湿度；
将从电池传感器和发电机所获取的当前电压信息转换为当前车窗电机运行的电气环境；
将系统历史GPS定位点信息通过统计算法转换为区域分布信息，并将其作为历史环境温度、环境湿度的加权影响因子。
4.如权利要求3所述的方法，其特征在于，在所述待诊断部件为车窗电机时，所述步骤S11具体包括：
将所述经转换后获得的历史升降操作执行时间、环境温度、环境湿度、电气环境、历史环境加权数据导入已训练的监控模型，获得车窗电机各历史时间点对应的性能指标，包括：当前驱动的性能衰减比例、历史运转负荷、异常动作统计。
5.如权利要求1至4任一项所述的方法，其特征在于，进一步包括：
步骤S14，通过无线网络，将所述待诊断部件的衰减诊断预测结果发送给位于客户、车厂、4S店处的接收装置。
6.一种用于车辆的故障预测系统，其特征在于，至少包括：
历史关联信号组信号获得单元，用于获得车辆中选定的待诊断部件对应的关联信号组中的各监测信号的历史数据，并对所述各监测信号的历史数据进行转换处理，获得转换后的历史监测数据；
性能指标获得单元，用于将转换后的历史监测数据导入预先设定的监控模型，分析获得所述待诊断部件的各历史时间点对应的性能指标，所述指标包括：性能衰减比例、历史运转负荷、异常动作统计；
历史健康度获得单元，用于根据所述各历史时间点对应的性能指标，结合所述待诊断部件的理想期望曲线，获得所述待诊断部件的各历史时间点的健康度；
预测单元，用于根据所述待诊断部件的各历史时间点的健康度，并结合所述待诊断部件对应的各监测信号的当前运行数据，输入已训练的预测模型，对未来健康度进行预测，获得所述待诊断部件的衰减诊断预测结果，所述衰减诊断预测结果包括：所述待诊断部件预计出现失效风险的时间区间，以及对应事件的出现概率；
其中，所述历史健康度获得单元进一步用于通过下述公式计算获得所述待诊断部件的各历史时间点t的健康度H：
Figure FDA0003892806240000031
Figure FDA0003892806240000032
其中，A(t)为历史时间点t的性能衰减比例；E(t+1)为历史时间点t+1时的异常动作统计值；L(t)为历史时间点t时的历史运转负荷值；P(ideal)为理想性能指标，其根据所述待诊断部件的理想期望曲线获得；P(t)为历史时间点t的当前性能指标，K为预标定的系数。
7.如权利要求6所述的系统，其特征在于，进一步包括：
关联处理单元，用于预先通过整车信号列表或DBC文件确定车辆中各待诊断部件对应的关联信号组，每一关联信号组包括多个监测信号；
其中，所述待诊断部件至少包括车窗电机，所述车窗电机的关联信号组中的监测信号包括：4个车窗电机的激活状态、正转状态、反转状态、电机转速、堵转状态、防夹状态，以及导航系统发出的GPS定位、空调系统发出的车外温度、车外湿度和车内温度、车内湿度、电池传感器和发电机所发出的当前放电电流和电压、发动机管理模块发出的点火状态。
8.如权利要求6至7任一项所述的系统，其特征在于，进一步包括：发送单元，用于通过无线网络，将所述待诊断部件的衰减诊断预测结果发送给位于客户、车厂、4S店处的接收装置。
CN202210092687.0A 2022-01-26 2022-01-26 一种用于车辆的故障预测方法及系统 Active CN114757366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210092687.0A CN114757366B (zh) 2022-01-26 2022-01-26 一种用于车辆的故障预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210092687.0A CN114757366B (zh) 2022-01-26 2022-01-26 一种用于车辆的故障预测方法及系统

Publications (2)

Publication Number Publication Date
CN114757366A CN114757366A (zh) 2022-07-15
CN114757366B true CN114757366B (zh) 2023-02-03

Family

ID=82326253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210092687.0A Active CN114757366B (zh) 2022-01-26 2022-01-26 一种用于车辆的故障预测方法及系统

Country Status (1)

Country Link
CN (1) CN114757366B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115981969A (zh) * 2023-03-10 2023-04-18 中国信息通信研究院 区块链数据平台的监控方法和装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108590425A (zh) * 2018-05-30 2018-09-28 天顶星（天津）电子科技有限责任公司 一种高可靠性车窗控制方法
CN112782512A (zh) * 2021-01-15 2021-05-11 中国神华能源股份有限公司国华电力分公司 一种电气设备状态判断及故障诊断方法和装置
CN113033860A (zh) * 2019-12-25 2021-06-25 宁波吉利汽车研究开发有限公司 一种汽车故障预测方法、装置、电子设备及存储介质
CN113391612A (zh) * 2020-03-13 2021-09-14 株洲中车时代电气股份有限公司 车辆传动控制系统的故障预测与健康管理装置和故障预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10497185B2 (en) * 2017-11-28 2019-12-03 The Boeing Company Apparatus and method for vehicle maintenance scheduling and fault monitoring
CN110376003B (zh) * 2019-07-25 2021-01-26 中南大学 基于bim的智能列车整车服役寿命预测方法及其系统
CN110887679A (zh) * 2019-08-23 2020-03-17 唐智科技湖南发展有限公司 一种轨道交通车辆健康管理方法、装置和系统
CN111563692B (zh) * 2020-05-20 2024-02-09 深圳达实智能股份有限公司 轨道交通智慧运维系统
CN112141069B (zh) * 2020-09-10 2022-06-28 中车长春轨道客车股份有限公司 一种动车组用制动及供风系统的健康管理系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108590425A (zh) * 2018-05-30 2018-09-28 天顶星（天津）电子科技有限责任公司 一种高可靠性车窗控制方法
CN113033860A (zh) * 2019-12-25 2021-06-25 宁波吉利汽车研究开发有限公司 一种汽车故障预测方法、装置、电子设备及存储介质
CN113391612A (zh) * 2020-03-13 2021-09-14 株洲中车时代电气股份有限公司 车辆传动控制系统的故障预测与健康管理装置和故障预测方法
CN112782512A (zh) * 2021-01-15 2021-05-11 中国神华能源股份有限公司国华电力分公司 一种电气设备状态判断及故障诊断方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多状态时间序列预测学习的电源车故障预测方法;李炜 等;《吉林大学学报(工学版)》;20200731;第50卷(第4期);第1532-1544页 *
基于小波变换振动能量分布的车窗电机故障检测算法研究;黄静 等;《机电工程》;20160228;第127-133页 *

Also Published As

Publication number Publication date
CN114757366A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
US6834256B2 (en) Method and system for determining motor reliability
US8676432B2 (en) Fault prediction framework using temporal data mining
CN113077172A (zh) 一种设备状态趋势分析及故障诊断方法
CN110689141B (zh) 风力发电机组的故障诊断方法及设备
CN111098463A (zh) 一种注塑机故障诊断系统及诊断方法
CN114757366B (zh) 一种用于车辆的故障预测方法及系统
CN110723166A (zh) 一种道岔监测方法及系统
CN110852509A (zh) Igbt模块的故障预测方法、装置及存储介质
CN116880454A (zh) 车辆故障智能诊断系统与方法
CN111795835A (zh) 车辆的监测方法、装置及车载设备
CN112606779A (zh) 一种汽车故障预警方法及电子设备
CN111830938A (zh) 纯电动汽车诊断管理系统及方法
CN117061568B (zh) 一种电气设备的智能数据处理方法及系统
KR20220121932A (ko) 차량 배터리 모니터링 시스템
CN116714469A (zh) 充电桩健康监测方法、装置、终端及存储介质
CN117318614A (zh) 一种光伏逆变器故障预测方法
CN115031994B (zh) 一种车辆耐久试验方法和系统
US11339763B2 (en) Method for windmill farm monitoring
CN113955149B (zh) 一种电机系统的健康诊断方法和装置
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
CN115618746A (zh) 一种基于云服务的设备智能诊断分析方法及系统
CN115809731A (zh) 一种风力发电机组故障分析系统、方法及介质
CN115660640A (zh) 一种智能的汽车零部件故障诊断建模方法、电子设备及程序产品
CN115355942A (zh) 适用于kyn开关柜的健康管理方法
CN114217596A (zh) 基于车联网的智能诊断升级系统及方法

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