CN115424443A - 一种基于行驶数据的车辆异常监控方法 - Google Patents

Abstract

本发明提供一种基于行驶数据的车辆异常监控方法，包括：设置变量A和变量B，以表征车辆使用状态；将所述变量A和所述变量B按照一定的数值区间分割为低档、中档和高档，并进行组合得到9种车辆使用状态；利用远程监控平台收集同一型号的多辆汽车实际的行驶数据，并根据所述行驶数据计算出对应车辆每一次充电的所述变量A和所述变量B，形成车辆使用状态数据；根据收集的同一型号车辆的所述车辆使用状态数据，构建状态转移矩阵，并判断所述转移矩阵是否稳定；如果所述转移矩阵稳定，则根据转移矩阵收敛状态对应的车辆使用状态，对车辆未来一段时间运行状况进行预测。本发明能提高车辆远程监测的精准性，提高车辆使用的安全性。

Description

一种基于行驶数据的车辆异常监控方法

技术领域

本发明涉及汽车远程监控的技术领域，具体为一种基于行驶数据的车辆异常监控方法。

背景技术

智能化、网联化是未来汽车的发展方向。车联网可以实现汽车数据的共享，现阶段国家要求企业对售出的新能源汽车要负监控责任，企业监控平台要按照国标要求将数据上传到国家监控平台。监控的数据包括充电状态、剩余电量、总行驶里程和时间戳等信息。监控的主要目的在于及时发现车辆故障、在车辆出现安全事故时调取监控数据分析事故原因并向相关部门报告。事实上，企业对于售出车辆进行远程监控，也有助于了解车辆实际使用情况，为产品开发提供可参照的实际行驶数据。监控的数据为一帧一帧带有时间戳的车辆状态信息，对于监控数据进行分析和挖掘，建立有效的分析模型和分析方法，有助于分析车辆使用情况是否出现异常。但现有对车辆行驶数据的监控仅是用于后期核查的依据，并没有用于对车辆异常进行预测。因此，如何利用车辆行驶数据对未来一段时间运行状况的预测，并以此来判断车辆的运行是否存在异常，具有重要的意义。

发明内容

本发明提供一种基于行驶数据的车辆异常监控方法，解决现有车辆行驶数据监控及上传，缺少对车辆未来一段时间运行状况的预测，以监测车辆是否存在异常的问题，能提高车辆远程监测的精准性，提高车辆使用的安全性。

为实现以上目的，本发明提供以下技术方案：

一种基于行驶数据的车辆异常监控方法，包括：

设置变量A和变量B，以表征车辆使用状态，所述变量A等于上一次充电结束到本次充电开始的行驶里程除以上一次充电结束与本次充电开始的电量差，所述变量B等于上一次充电结束到本次充电开始的时间间隔除以上一次充电结束与本次充电开始的电量差；

将所述变量A和所述变量B按照一定的数值区间分割为低档、中档和高档，并进行组合得到9种车辆使用状态；

利用远程监控平台收集同一型号的多辆汽车实际的行驶数据，并根据所述行驶数据计算出对应车辆每一次充电的所述变量A和所述变量B，形成车辆使用状态数据；

根据收集的同一型号车辆的所述车辆使用状态数据，构建状态转移矩阵，并判断所述转移矩阵是否稳定；

如果所述转移矩阵稳定，则根据转移矩阵收敛状态对应的车辆使用状态，对车辆未来一段时间运行状况进行预测。

优选的，所述将所述变量A和所述变量B按照设定的数值区间分割为低档、中档和高档，并进行组合得到9种车辆使用状态，包括：

将所述变量A分割为A_低、A_中和A_高，将所述变量B分割为B_低、B_中和B_高；

将A_低、A_中、A_高与B_低、B_中、B_高进行组合，以得到A_低B_低、A_低B_中、A_低B_高、A_中B_低、A_中B_中、A_中B_高、A_高B_低、A_高B_中和A_高B_高所表征的9种车辆使用状态。

优选的，所述构建状态转移矩阵，包括：

用α₁，…，α₉分别代表A_低B_低、A_低B_中、A_低B_高、A_中B_低、A_中B_中、A_中B_高、A_高B_低、A_高B_中和A_高B_高，并形成矩阵p₀；

利用矩阵p₀中的9个元素中每个元素对应下一次的车辆使用状态的概率，构建成一个9X9方阵的转移矩阵。

优选的，所述根据所述行驶数据计算出对应车辆每一次充电的所述变量A和所述变量B，包括：

设置电量修正系数η，所述电量修正系数与动力电池的SOH成正比，利用所述电量修正系数对所述变量A和所述变量B的计算值进行修正。

优选的，所述判断所述转移矩阵是否稳定，包括：

提取50组汽车行驶数据，该50组的汽车行驶数据要求前一状态下的车辆状态是相同的，且不同汽车在不同SOH下产生的数据，要按照电量修正系数η修正后进行统计分析；

对提取的汽车行驶数据进行皮尔逊拟合检验，根据检验结果判断所述转移矩阵是否稳定。

优选的，所述对提取的汽车行驶数据进行皮尔逊拟合检验，包括：

车辆由前一状态转化为后一状态α₁、α₂、……α₉的概率分别对应p₁、p₂、……p₉，车辆的后一状态是α₁、α₂、……α₉的数据分别是n₁、n₂、……n₉；

取统计量

则χ²～χ²(8)，在显著水平α下，

其中显著水平α∈(0,1)；

判断是否满足χ²≤χ²(8)，其中χ²(8)通过查询χ²分布表求得，若结果满足χ²≤χ²(8)，则判定转移矩阵已经稳定，否则，继续对转移矩阵进行数据更新。

优选的，所述根据转移矩阵收敛状态对应的车辆使用状态，对车辆未来一段时间运行状况进行预测，包括：

根据转移矩阵推测在若干次的行驶、充电后，车辆将处于何种状态，并以此来判断车辆的运行是否存在异常；

在所述转移矩阵收敛于A_中B_中的车辆使用状态时，判定车辆的行驶数据是正常的，车辆在未来一段时间运行状况良好。

优选的，还包括：

根据车辆的收敛状态，对车辆的设计参数进行调整，以使车辆收敛于A_中B_中的车辆使用状态。

本发明提供一种基于行驶数据的车辆异常监控方法，通过对车辆行驶数据的统计，利用变量A和变量B的组合形成9种车辆使用状态，进而构建转移矩阵，根据转移矩阵推测在若干次的行驶、充电后，车辆将处于何种状态，并以此来判断车辆的运行是否存在异常。解决现有车辆行驶数据监控及上传，缺少对车辆未来一段时间运行状况的预测，以监测车辆是否存在异常的问题，能提高车辆远程监测的精准性，提高车辆使用的安全性。

附图说明

为了更清楚地说明本发明的具体实施例，下面将对实施例中所需要使用的附图作简单地介绍。

图1是本发明提供的一种基于行驶数据的车辆异常监控方法的示意图。

图2是本发明提供的一种车辆异常监控逻辑流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

针对当前车辆行驶数据监控及上传，缺少对车辆未来运行状况的预测的问题。本发明提供一种基于行驶数据的车辆异常监控方法，解决现有车辆行驶数据监控及上传，缺少对车辆未来一段时间运行状况的预测，以监测车辆是否存在异常的问题，能提高车辆远程监测的精准性，提高车辆使用的安全性。

如图1和图2所示，一种基于行驶数据的车辆异常监控方法，包括：

S1：设置变量A和变量B，以表征车辆使用状态，所述变量A等于上一次充电结束到本次充电开始的行驶里程除以上一次充电结束与本次充电开始的电量差，所述变量B等于上一次充电结束到本次充电开始的时间间隔除以上一次充电结束与本次充电开始的电量差。

S2：将所述变量A和所述变量B按照设定的数值区间分割为低档、中档和高档，并进行组合得到9种车辆使用状态。

S3：利用远程监控平台收集同一型号的多辆汽车实际的行驶数据，并根据所述行驶数据计算出对应车辆每一次充电的所述变量A和所述变量B，形成车辆使用状态数据。

S4：根据收集的同一型号车辆的所述车辆使用状态数据，构建状态转移矩阵，并判断所述转移矩阵是否稳定。

S5：如果所述转移矩阵稳定，则根据转移矩阵收敛状态对应的车辆使用状态，对车辆未来一段时间运行状况进行预测。

进一步，所述将所述变量A和所述变量B按照一定的数值区间分割为低档、中档和高档，并进行组合得到9种车辆使用状态，包括：

将所述变量A分割为A_低、A_中和A_高，将所述变量B分割为B_低、B_中和B_高。

将A_低、A_中、A_高与B_低、B_中、B_高进行组合，以得到A_低B_低、A_低B_中、A_低B_高、A_中B_低、A_中B_中、A_中B_高、A_高B_低、A_高B_中和A_高B_高所表征的9种车辆使用状态。

进一步，所述构建状态转移矩阵，包括：

用α₁，…，α₉分别代表A_低B_低、A_低B_中、A_低B_高、A_中B_低、A_中B_中、A_中B_高、A_高B_低、A_高B_中和A_高B_高，并形成矩阵p₀。

利用矩阵p₀中的9个元素中每个元素对应下一次的车辆使用状态的概率，构建成一个9X9方阵的转移矩阵。

具体地，汽车出厂前，按照车辆使用功能和场景的实际情况，对变量A和变量B按照一定的数值区间分割为低、中、高档。将A_低、A_中、A_高与B_低、B_中、B_高进行组合，获得9种车辆行驶状态，记作：

其中α₅＝A_中B_中是对于整车来说最理想的状态，也是希望更多的车辆处于的状态。其中α₁，…，α₉分别代表A_低B_低、A_低B_中、A_低B_高、A_中B_低、A_中B_中、A_中B_高、A_高B_低、A_高B_中和A_高B_高。

A_低B_低表征车辆充电间隔里程短，充电间隔时间短，车辆使用不多但频繁充电。

A_低B_中表征充电间隔里程短，充电间隔时间中，车辆使用不多，充电较频繁。

A_低B_高表征充电间隔里程短，充电间隔时间长，车辆不经常使用，且不经常充电。

A_中B_低表征充电间隔里程中，充电间隔时间短，车辆使用一般，但经常充电。

A_中B_中表征车辆使用情况良好，充电间隔里程适中，充电间隔时间适中。

A_中B_高表征充电间隔里程中，充电间隔时间长，车辆不经常使用。

A_高B_低表征充电间隔里程长，充电间隔时间短，车辆使用频繁。

A_高B_中表征充电间隔里程长，充电间隔时间中，车辆使用较频繁。

A_高B_高表征充电间隔里程长，充电间隔时间长，车辆不经常充电。

需要说明的是，根据统计数据计算转移矩阵M，转移矩阵是一个9*9的方阵，第1行的元素有9个，代表车辆前一个状态分别是α₁，…，α₉时，后一个状态分别是α₁的概率。比如转移矩阵M的第一行是[m₁₁ m₁₂ m₁₃ m₁₄ m₁₅ m₁₆ m₁₇ m₁₈ m₁₉]，则m₁₃代表车辆前一个状态是α₃时，下一个状态是α₁的概率。转移矩阵的计算，基于一定数量的的统计数据，我们统计车辆前一个状态是α_j(j＝1,2，…，9)时，下一个状态可能的情况及其分布概率，填入转移矩阵相应的元素位置。

进一步，所述根据所述行驶数据计算出对应车辆每一次充电的所述变量A和所述变量B，包括：

设置电量修正系数η，所述电量修正系数与动力电池的SOH成正比，利用所述电量修正系数对所述变量A和所述变量B的计算值进行修正。

在实际应用中，由于同一类型的车辆销售有先后，因此对状态矩阵的统计需增加了电池健康度SOH的考量，可以理解的是随着车辆的使用，动力电池的SOH是会逐渐降低的，这会导致上述的变量A、B变小，因此对行驶数据的统计，A、B的阈值范围根据SOH乘以系数η(0＜η≤1),SOH是100％时，η＝1，SOH越低，η越小。这个参数的引入，可以使得变量A、B的统计分析不受动力电池衰减的影响。

优选的，所述判断所述转移矩阵是否稳定，包括：

提取50组汽车行驶数据，该50组的汽车行驶数据要求前一状态下的车辆状态是相同的，且不同汽车在不同SOH下产生的数据，要按照电量修正系数η修正后进行统计分析；

对提取的汽车行驶数据进行皮尔逊拟合检验，根据检验结果判断所述转移矩阵是否稳定。

进一步，所述对提取的汽车行驶数据进行皮尔逊拟合检验，包括：

车辆由前一状态转化为后一状态α₁、α₂、……α₉的概率分别对应p₁、p₂、……p₉，车辆的后一状态是α₁、α₂、……α₉的数据分别是n₁、n₂、……n₉；

取统计量

则χ²～χ²(8)，在显著水平α下，

其中显著水平α∈(0,1)；

判断是否满足χ²≤χ²(8)，其中χ²(8)通过查询χ²分布表求得，若结果满足χ²≤χ²(8)，则判定转移矩阵已经稳定，否则，继续对转移矩阵进行数据更新。

进一步，所述根据转移矩阵收敛状态对应的车辆使用状态，对车辆未来一段时间运行状况进行预测，包括：

根据转移矩阵推测在若干次的行驶、充电后，车辆将处于何种状态，并以此来判断车辆的运行是否存在异常；

在所述转移矩阵收敛于A_中B_中的车辆使用状态时，判定车辆的行驶数据是正常的，车辆在未来一段时间运行状况良好。

具体地，当状态转移矩阵已经稳定后，对该类型的车辆使用情况进行预测，计算P_k＝M^k·P₀；

其中P₀是预测开始时的车辆状态，它是一个9维的列向量，其中有一个分量是1，其余均为0，代表车辆处于α₁，…，α₉状态种的唯一一个。

而计算得到的P_k是一个9维的列向量，其每个分量分别代表经过k次行驶、充电后车辆状态是α₁，…，α₉的概率值。

对于从事运输作业的新能源卡车来说，其行驶数据在经过一段时间以后，将趋于稳定，在统计了一段时期内的行驶数据以后，计算出转移矩阵，根据转移矩阵我们可以推测在若干次的行驶、充电后，车辆将处于何种状态。当把k值提升到较大值时(如1000)，可以预测出在未来较长的时间后，车辆会收敛于哪个状态(即p_k中哪个子分量的数值最大，且超过某一阈值)，当收敛于α₅时，认为这辆车的行驶数据是正常的。若远离α₅，我们认为这辆车的行驶数据不正常。

该方法还包括：根据车辆的收敛状态，对车辆的设计参数进行调整，以使车辆收敛于A_中B_中的车辆使用状态。

在实际应用中，A_中B_中是理想的车辆使用状态，车辆充电间隔时间短说明车辆在使用过程中频繁充电，会降低动力电池的循环充电寿命。车辆充电间隔时间长，则说明车辆长期停滞，电池长期不使用。总之，若车辆不处于A_中B_中状态，则说明车辆的设计参数与实际投放的使用场景不适合，设计参数包括：电池的电量、车载质量和每公里的能量消耗量。在技术端对产品开发过程中的设计参数进行调整，调整的参数包括但不限于电池的电量、载质量、每公里的能量消耗量等；而在市场端需要对产品的售后服务、质保政策进行响应的调整。

可见，本发明提供一种基于行驶数据的车辆异常监控方法，通过对车辆行驶数据的统计，利用变量A和变量B的组合形成9种车辆使用状态，进而构建转移矩阵，根据转移矩阵推测在若干次的行驶、充电后，车辆将处于何种状态，并以此来判断车辆的运行是否存在异常。解决现有车辆行驶数据监控及上传，缺少对车辆未来一段时间运行状况的预测，以监测车辆是否存在异常的问题，能提高车辆远程监测的精准性，提高车辆使用的安全性。

以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (8)

1.一种基于行驶数据的车辆异常监控方法，其特征在于，包括：

设置变量A和变量B，以表征车辆使用状态，所述变量A等于上一次充电结束到本次充电开始的行驶里程除以上一次充电结束与本次充电开始的电量差，所述变量B等于上一次充电结束到本次充电开始的时间间隔除以上一次充电结束与本次充电开始的电量差；

将所述变量A和所述变量B按照一定的数值区间分割为低档、中档和高档，并进行组合得到9种车辆使用状态；

利用远程监控平台收集同一型号的多辆汽车实际的行驶数据，并根据所述行驶数据计算出对应车辆每一次充电的所述变量A和所述变量B，形成车辆使用状态数据；

根据收集的同一型号车辆的所述车辆使用状态数据，构建状态转移矩阵，并判断所述转移矩阵是否稳定；

如果所述转移矩阵稳定，则根据转移矩阵收敛状态对应的车辆使用状态，对车辆未来一段时间运行状况进行预测。

2.根据权利要求1所述的基于行驶数据的车辆异常监控方法，其特征在于，所述将所述变量A和所述变量B按照设定的数值区间分割为低档、中档和高档，并进行组合得到9种车辆使用状态，包括：

将所述变量A分割为A_低、A_中和A_高，将所述变量B分割为B_低、B_中和B_高；

将A_低、A_中、A_高与B_低、B_中、B_高进行组合，以得到A_低B_低、A_低B_中、A_低B_高、A_中B_低、A_中B_中、A_中B_高、A_高B_低、A_高B_中和A_高B_高所表征的9种车辆使用状态。

3.根据权利要求2所述的基于行驶数据的车辆异常监控方法，其特征在于，所述构建状态转移矩阵，包括：

用α₁，…，α₉分别代表A_低B_低、A_低B_中、A_低B_高、A_中B_低、A_中B_中、A_中B_高、A_高B_低、A_高B_中和A_高B_高，并形成矩阵p₀；

利用矩阵p₀中的9个元素中每个元素对应下一次的车辆使用状态的概率，构建成一个9X9方阵的转移矩阵。

4.根据权利要求3所述的基于行驶数据的车辆异常监控方法，其特征在于，所述根据所述行驶数据计算出对应车辆每一次充电的所述变量A和所述变量B，包括：

设置电量修正系数η，所述电量修正系数与动力电池的SOH成正比，利用所述电量修正系数对所述变量A和所述变量B的计算值进行修正。

5.根据权利要求4所述的基于行驶数据的车辆异常监控方法，其特征在于，所述判断所述转移矩阵是否稳定，包括：

提取50组汽车行驶数据，该50组的汽车行驶数据要求前一状态下的车辆状态是相同的，且不同汽车在不同SOH下产生的数据，要按照电量修正系数η修正后进行统计分析；

对提取的汽车行驶数据进行皮尔逊拟合检验，根据检验结果判断所述转移矩阵是否稳定。

6.根据权利要求5所述的基于行驶数据的车辆异常监控方法，其特征在于，所述对提取的汽车行驶数据进行皮尔逊拟合检验，包括：

车辆由前一状态转化为后一状态α₁、α₂、……α₉的概率分别对应p₁、p₂、……p₉，车辆的后一状态是α₁、α₂、……α₉的数据分别是n₁、n₂、……n₉；

取统计量

则χ²～χ²(8)，在显著水平α下，

其中显著水平α∈(0,1)；

判断是否满足χ²≤χ²(8)，其中χ²(8)通过查询χ²分布表求得，若结果满足χ²≤χ²(8)，则判定转移矩阵已经稳定，否则，继续对转移矩阵进行数据更新。

7.根据权利要求6所述的基于行驶数据的车辆异常监控方法，其特征在于，所述根据转移矩阵收敛状态对应的车辆使用状态，对车辆未来一段时间运行状况进行预测，包括：

根据转移矩阵推测在若干次的行驶、充电后，车辆将处于何种状态，并以此来判断车辆的运行是否存在异常；

在所述转移矩阵收敛于A_中B_中的车辆使用状态时，判定车辆的行驶数据是正常的，车辆在未来一段时间运行状况良好。

8.根据权利要求7所述的基于行驶数据的车辆异常监控方法，其特征在于，还包括：

根据车辆的收敛状态，对车辆的设计参数进行调整，以使车辆收敛于A_中B_中的车辆使用状态。

Images