CN116340586A - 基于云平台的汽车故障管理方法、系统及存储介质 - Google Patents

基于云平台的汽车故障管理方法、系统及存储介质 Download PDF

Info

Publication number
CN116340586A
CN116340586A CN202310616821.7A CN202310616821A CN116340586A CN 116340586 A CN116340586 A CN 116340586A CN 202310616821 A CN202310616821 A CN 202310616821A CN 116340586 A CN116340586 A CN 116340586A
Authority
CN
China
Prior art keywords
fault
automobile
information
historical
maintenance
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
Application number
CN202310616821.7A
Other languages
English (en)
Other versions
CN116340586B (zh
Inventor
董宇
董伟
郑鹏
朱丛虎
赵海洋
谷牧
董宏兴
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.)
Anhui Zhitu Technology Co ltd
Original Assignee
Anhui Zhitu Technology 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 Anhui Zhitu Technology Co ltd filed Critical Anhui Zhitu Technology Co ltd
Priority to CN202310616821.7A priority Critical patent/CN116340586B/zh
Publication of CN116340586A publication Critical patent/CN116340586A/zh
Application granted granted Critical
Publication of CN116340586B publication Critical patent/CN116340586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于云平台的汽车故障管理方法、系统及存储介质，属于汽车故障管理技术领域，本发明通过引入局部哈希注意力机制对每一汽车故障相关的特征数据进行注意力权重信息计算，获取每一汽车故障相关的特征数据的注意力权重信息，将相同注意力权重信息的汽车故障相关的特征数据合并，并对汽车故障相关的特征数据进行编码并排序，生成汽车故障相关的特征数据排序结果，根据排序结果逐一输入到子空间中进行存储，使得能够将汽车故障信息的存储进一步简化，有利于汽车故障信息查询、识别以及数据采集，进一步提高了汽车故障云平台对于故障信息识别速度，提高汽车故障云平台的运行鲁棒性。

Description

基于云平台的汽车故障管理方法、系统及存储介质
技术领域
本发明涉及汽车故障管理技术领域，尤其涉及基于云平台的汽车故障管理方法、系统及存储介质。
背景技术
目前汽车已经在电子电气化、网联化上持续发展，车辆的电子电气技术的发展使车辆更加智能化和复杂化。车辆发生故障后，车辆维修的复杂性和难度大幅提高，因此需要更快速简单的方法来对故障进行分析和处理，这要求在故障发生时要及时上报和存储足够的故障信息。然而，现有技术中，对于故障诊断系统由于上传的数据逐渐增多，云平台中关于汽车的故障信息逐渐变得庞大，如今的故障诊断云平台对于故障信息的识别速度仍然低下。
发明内容
本发明克服了现有技术的不足，提供了一种基于云平台的汽车故障管理方法、系统及存储介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于云平台的汽车故障管理方法，包括以下步骤：
通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将各汽车类型的历史故障信息输入到历史故障数据库中进行存储；
通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并将当前汽车的汽车类型以及汽车的实时状态信息输入到历史故障数据库中，获取实时故障信息；
获取故障汽车的历史服役数据信息，并根据故障汽车的历史服役数据信息以及实时故障信息通过贝叶斯网络获取相关性，并根据相关性获取故障分析结果；
基于故障分析结果制定相关的维修策略，并根据相关的维修策略进行个性化推荐。
进一步地，本发明的一个较佳实施例中，通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将各汽车类型的历史故障信息输入到历史故障数据库中进行存储，具体包括：
通过大数据获取各汽车类型的历史故障信息，并通过哈希算法对汽车类型的历史故障信息进行聚类，获取每一种汽车类型的历史故障信息聚类结果；
通过对每一种汽车类型的历史故障信息聚类结果输入到特征金字塔网络中进行特征充分提取，获取汽车故障相关的特征数据；
引入局部哈希注意力机制对每一汽车故障相关的特征数据进行注意力权重信息计算，获取每一汽车故障相关的特征数据的注意力权重信息，构建历史故障数据库；
将历史故障数据库分为多个子空间，将相同注意力权重信息的汽车故障相关的特征数据合并，并对汽车故障相关的特征数据进行编码并排序，生成汽车故障相关的特征数据排序结果，根据排序结果逐一输入到子空间中进行存储，并定期更新历史故障数据库。
进一步地，本发明的一个较佳实施例中，通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并将当前汽车的汽车类型以及汽车的实时状态信息输入到历史故障数据库中，获取实时故障信息，具体包括：
通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并通过局部哈希注意力机制对当前汽车的汽车类型以及汽车的实时状态信息进行注意力权重信息计算，获取实时注意力权重信息；
将实时注意力权重信息输入到历史故障数据库中进行数据匹配，根据数据匹配获取若干个匹配相似度，并判断匹配相似度是否大于预设匹配相似度；
若匹配相似度大于预设匹配相似度，则将当前实时注意力权重信息对应的故障信息作为实时故障信息；
根据实时故障信息生成相应的表单数据，并将相应的表单数据按照预设方式进行显示。
进一步地，本发明的一个较佳实施例中，获取故障汽车的历史服役数据信息，并根据故障汽车的历史服役数据信息以及实时故障信息通过贝叶斯网络获取相关性，并根据相关性获取故障分析结果，具体包括：
获取故障汽车的历史服役数据信息，并构建贝叶斯网络，将故障汽车的历史服役数据信息作为第一独立事件，将实时故障信息作为第二独立事件；
将第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证，并对第一独立事件以及第二独立事件进行排序，获取初始节点次序；
将初始节点次序作为粒子群算法的输入顺序，采用粒子群算法对贝叶斯网络进行优化调整，以获取最优的贝叶斯网络，并根据最优的贝叶斯网络获取故障汽车的历史服役数据信息以及实时故障信息之间的相关性；
若相关性大于预设相关性，并将相关性大于预设相关性的相关零部件故障作为故障分析结果进行输出。
进一步地，本发明的一个较佳实施例中，基于故障分析结果制定相关的维修策略，具体包括以下步骤：
通过对故障分析结果进行分类，获取预防性故障分析结果、需维修性故障分析结果或者不可维修性故障分析结果；
若故障分析结果为预防性故障分析结果，则根据预防性故障分析结果构建检索标签，并基于检索标签进行数据检索，生成预防性维修策略；
若故障分析结果为需维修性故障分析结果，则获取故障分析结果的故障内容，并根据故障分析结果的故障内容生成需维修性维修策略；
若故障分析结果为不可维修性故障分析结果，则获取当前故障分析结果的故障零件型号，并根据当前故障分析结果的故障零件型号生成不可维修性维修策略，并将预防性维修策略、需维修性维修策略以及不可维修性维修策略进行汇总。
进一步地，本发明的一个较佳实施例中，根据相关的维修策略进行个性化推荐，具体包括：
获取当前汽车故障所在的地理位置信息，并根据当前汽车故障所在的地理位置信息进行地图资源数据检索，获取一个或者多个候选维修资源信息；
获取候选维修资源信息的历史维修数据信息，并通过灰色关联分析法计算出候选维修资源信息的历史维修数据信息与相关的维修策略的关联程度；
判断关联程度是否大于预设关联程度，若关联程度不大于预设关联程度，则将候选维修资源信息进行剔除，并选取剔除后的候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐；
若关联程度大于预设关联程度，则选取候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐。
本发明第二方明提供了一种基于云平台的汽车故障管理系统，管理系统包括存储器以及处理器，存储器中包括基于云平台的汽车故障管理方法程序，基于云平台的汽车故障管理方法程序被处理器执行时，实现如下步骤：
通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将各汽车类型的历史故障信息输入到历史故障数据库中进行存储；
通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并将当前汽车的汽车类型以及汽车的实时状态信息输入到历史故障数据库中，获取实时故障信息；
获取故障汽车的历史服役数据信息，并根据故障汽车的历史服役数据信息以及实时故障信息通过贝叶斯网络获取相关性，并根据相关性获取故障分析结果；
基于故障分析结果制定相关的维修策略，并根据相关的维修策略进行个性化推荐。
在本实施例中，通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将各汽车类型的历史故障信息输入到历史故障数据库中进行存储，具体包括：
通过大数据获取各汽车类型的历史故障信息，并通过哈希算法对汽车类型的历史故障信息进行聚类，获取每一种汽车类型的历史故障信息聚类结果；
通过对每一种汽车类型的历史故障信息聚类结果输入到特征金字塔网络中进行特征充分提取，获取汽车故障相关的特征数据；
引入局部哈希注意力机制对每一汽车故障相关的特征数据进行注意力权重信息计算，获取每一汽车故障相关的特征数据的注意力权重信息，构建历史故障数据库；
将历史故障数据库分为多个子空间，将相同注意力权重信息的汽车故障相关的特征数据合并，并对汽车故障相关的特征数据进行编码并排序，生成汽车故障相关的特征数据排序结果，根据排序结果逐一输入到子空间中进行存储，并定期更新历史故障数据库。
在本实施例中，根据相关的维修策略进行个性化推荐，具体包括：
获取当前汽车故障所在的地理位置信息，并根据当前汽车故障所在的地理位置信息进行地图资源数据检索，获取一个或者多个候选维修资源信息；
获取候选维修资源信息的历史维修数据信息，并通过灰色关联分析法计算出候选维修资源信息的历史维修数据信息与相关的维修策略的关联程度；
判断关联程度是否大于预设关联程度，若关联程度不大于预设关联程度，则将候选维修资源信息进行剔除，并选取剔除后的候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐；
若关联程度大于预设关联程度，则选取候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包含基于云平台的汽车故障管理方法程序，基于云平台的汽车故障管理方法程序被处理器执行时，实现任一项的基于云平台的汽车故障管理方法的步骤。
本发明解决了背景技术中存在的缺陷，具备以下有益效果：
本发明通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将各汽车类型的历史故障信息输入到历史故障数据库中进行存储，进而通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并将当前汽车的汽车类型以及汽车的实时状态信息输入到历史故障数据库中，获取实时故障信息，从而获取故障汽车的历史服役数据信息，并根据故障汽车的历史服役数据信息以及实时故障信息通过贝叶斯网络获取相关性，并根据相关性获取故障分析结果，最后基于故障分析结果制定相关的维修策略，并根据相关的维修策略进行个性化推荐。本发明通过引入局部哈希注意力机制对每一汽车故障相关的特征数据进行注意力权重信息计算，获取每一汽车故障相关的特征数据的注意力权重信息，将相同注意力权重信息的汽车故障相关的特征数据合并，并对汽车故障相关的特征数据进行编码并排序，生成汽车故障相关的特征数据排序结果，根据排序结果逐一输入到子空间中进行存储，使得能够将汽车故障信息的存储进一步简化，有利于汽车故障信息查询、识别以及数据采集，进一步提高了汽车故障云平台对于故障信息识别速度，提高汽车故障云平台的运行鲁棒性。
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的前提下，还可以根据这些附图获得其他实施例的附图。
图1示出了一种基于云平台的汽车故障管理方法的具体方法流程图；
图2示出了一种基于云平台的汽车故障管理方法的第一方法流程图；
图3示出了一种基于云平台的汽车故障管理方法的第二方法流程图；
图4示出了一种基于云平台的汽车故障管理系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面提供了一种基于云平台的汽车故障管理方法，包括以下步骤：
S102:通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将各汽车类型的历史故障信息输入到历史故障数据库中进行存储；
S104:通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并将当前汽车的汽车类型以及汽车的实时状态信息输入到历史故障数据库中，获取实时故障信息；
S106:获取故障汽车的历史服役数据信息，并根据故障汽车的历史服役数据信息以及实时故障信息通过贝叶斯网络获取相关性，并根据相关性获取故障分析结果；
S108:基于故障分析结果制定相关的维修策略，并根据相关的维修策略进行个性化推荐。
需要说明的是，通过本方法能够使得将汽车故障信息的存储进一步简化，有利于汽车故障信息查询、识别以及数据采集，进一步提高了汽车故障云平台对于故障信息识别速度，提高汽车故障云平台的运行鲁棒性。
进一步地，本发明的一个较佳实施例中，通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将各汽车类型的历史故障信息输入到历史故障数据库中进行存储，具体包括：
S202:通过大数据获取各汽车类型的历史故障信息，并通过哈希算法对汽车类型的历史故障信息进行聚类，获取每一种汽车类型的历史故障信息聚类结果；
示例性的，历史故障信息中包括汽车在故障时个零部件的运行状态信息、汽车在故障前个零部件的运行状态信息、汽车在故障时的故障时间信息等，如在xx运行速度之下，汽车的某个零件异常。
S204:通过对每一种汽车类型的历史故障信息聚类结果输入到特征金字塔网络中进行特征充分提取，获取汽车故障相关的特征数据；
示例性的，其中，汽车故障相关的特征数据，如xxx零件发生部分损坏、xxx零件发生漏油现象以及xxx零件发生显示异常等。
S206:引入局部哈希注意力机制对每一汽车故障相关的特征数据进行注意力权重信息计算，获取每一汽车故障相关的特征数据的注意力权重信息，构建历史故障数据库；
S208:将历史故障数据库分为多个子空间，将相同注意力权重信息的汽车故障相关的特征数据合并，并对汽车故障相关的特征数据进行编码并排序，生成汽车故障相关的特征数据排序结果，根据排序结果逐一输入到子空间中进行存储，并定期更新历史故障数据库。
其中，在本实施例中，当注意力权重信息的汽车故障相关的特征数据相同之时，说明两者的故障信息是高度相似的，而注意力权重信息能够代表某一个特征数据的注意力数值，从而对汽车故障相关的特征数据进行编码并排序，从而根据排序结果逐一输入到子空间中进行存储，能够使得将汽车故障信息的存储进一步简化，有利于汽车故障信息查询、识别以及数据采集，进一步提高了汽车故障云平台对于故障信息识别速度。
其中，用户以一定的周期频率检测是否有故障发生，当至少有一个故障发生时，读取数据库中对应故障ID的所有车辆状态参数信息数据。
进一步地，本发明的一个较佳实施例中，通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并将当前汽车的汽车类型以及汽车的实时状态信息输入到历史故障数据库中，获取实时故障信息，具体包括：
通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并通过局部哈希注意力机制对当前汽车的汽车类型以及汽车的实时状态信息进行注意力权重信息计算，获取实时注意力权重信息；
将实时注意力权重信息输入到历史故障数据库中进行数据匹配，根据数据匹配获取若干个匹配相似度，并判断匹配相似度是否大于预设匹配相似度；
若匹配相似度大于预设匹配相似度，则将当前实时注意力权重信息对应的故障信息作为实时故障信息；
根据实时故障信息生成相应的表单数据，并将相应的表单数据按照预设方式进行显示。
需要说明的是，通过局部哈希注意力机制对当前汽车的汽车类型以及汽车的实时状态信息进行注意力权重信息计算，转换为实时注意力权重信息，从而根据实时注意力权重信息进行检索，提高了对汽车故障信息的识别速度。
进一步地，本发明的一个较佳实施例中，获取故障汽车的历史服役数据信息，并根据故障汽车的历史服役数据信息以及实时故障信息通过贝叶斯网络获取相关性，并根据相关性获取故障分析结果，具体包括：
获取故障汽车的历史服役数据信息，并构建贝叶斯网络，将故障汽车的历史服役数据信息作为第一独立事件，将实时故障信息作为第二独立事件；
将第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证，并对第一独立事件以及第二独立事件进行排序，获取初始节点次序；
将初始节点次序作为粒子群算法的输入顺序，采用粒子群算法对贝叶斯网络进行优化调整，以获取最优的贝叶斯网络，并根据最优的贝叶斯网络获取故障汽车的历史服役数据信息以及实时故障信息之间的相关性；
若相关性大于预设相关性，并将相关性大于预设相关性的相关零部件故障作为故障分析结果进行输出。
需要说明的是，贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。通过粒子群算法对贝叶斯网络进行优化调整，使得在识别故障汽车的历史服役数据信息以及实时故障信息之间的相关性时更加准确。
进一步地，本发明的一个较佳实施例中，基于故障分析结果制定相关的维修策略，具体包括以下步骤：
通过对故障分析结果进行分类，获取预防性故障分析结果、需维修性故障分析结果或者不可维修性故障分析结果；
若故障分析结果为预防性故障分析结果，则根据预防性故障分析结果构建检索标签，并基于检索标签进行数据检索，生成预防性维修策略；
若故障分析结果为需维修性故障分析结果，则获取故障分析结果的故障内容，并根据故障分析结果的故障内容生成需维修性维修策略；
若故障分析结果为不可维修性故障分析结果，则获取当前故障分析结果的故障零件型号，并根据当前故障分析结果的故障零件型号生成不可维修性维修策略，并将预防性维修策略、需维修性维修策略以及不可维修性维修策略进行汇总。
需要说明的是，在本实施例中，其中故障是可以进行分类的，一些故障可能是需要进行预防性维修的，而一些故障为是需维修性维修策略，如零件的不正确使用导致零件产生工作异常，但是并未达到不可恢复的情况；而不可维修性故障是需要进行更换零部件来实现机器的正常运行。
进一步地，本发明的一个较佳实施例中，根据相关的维修策略进行个性化推荐，具体包括：
S302:获取当前汽车故障所在的地理位置信息，并根据当前汽车故障所在的地理位置信息进行地图资源数据检索，获取一个或者多个候选维修资源信息；
S304:获取候选维修资源信息的历史维修数据信息，并通过灰色关联分析法计算出候选维修资源信息的历史维修数据信息与相关的维修策略的关联程度；
S306:判断关联程度是否大于预设关联程度，若关联程度不大于预设关联程度，则将候选维修资源信息进行剔除，并选取剔除后的候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐；
S308:若关联程度大于预设关联程度，则选取候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐。
需要说明的是，在本实施例中，维修资源数据包括维修店、维修企业、维修人员等，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。当候选维修资源信息的历史维修数据信息与相关的维修策略的关联程度大于预设关联程度时，说明候选维修资源数据是能够维修该类状况的故障，通过本方法能够提高维修资源个性化推荐的合理性。
此外，本方法还可以包括以下步骤：
通过地图资源数据获取预设区域范围之内的维修资源信息，并通过对所述维修资源信息获取维修人员的历史维修数据信息，将所述维修人员的历史维修数据信息存入到区块链中进行共享；
获取当前汽车的相关的维修策略，通过对所述当前汽车的相关的维修策略以及所述区块链中的维修人员的历史维修数据信息进行关联性分析，获取关联程度；
若所述关联程度大于预设关联程度，通过区块链获取相关维修人员的通勤情况，并判断所述通勤情况是否为通勤状态；
若所述通勤情况为通勤状态，则获取与所述相关维修人员相关的候选维修资源数据，并将该候选维修资源数据进行个性化推荐，若所述通勤情况为非通勤状态，则重新检索候选维修资源信息。
需要说明的是，当关联程度大于预设关联程度时，说明相关的维修人员对相应的汽车故障成功维修，通过区块链能够对维修资源信息、历史维修数据信息进行共享，从而根据维修资源信息以及历史维修数据信息进行数据分析，提升个性化推荐的效果。
此外，本方法还可以包括以下步骤：
获取相关救援车的进行情况信息，并将所述相关救援车的进行情况信息输入到所述区块链中进行共享；
获取当前汽车的相关维修策略，当所述维修策略不为预防性维修策略时，通过对区块链中的相关救援车的进行情况信息进行实时提取，得到相关救援车的实时数据信息；
获取每一故障汽车所在的地理位置信息，并计算所述相关救援车的实时数据信息行驶到每一故障汽车所在的地理位置信息的距离值；
获取用户请求的救援情况信息，若所述救援情况信息均为普通请求时，基于遗传算法根据所述距离值对相关救援车进行最小救援时间进行救援分配，获取相关救援车的救援分配结果；
若所述救援情况信息存在紧急救援时，获取最小距离值对应的相关救援车，并将所述最小距离值对应的相关救援车对所述紧急救援进行任务分配，获取紧急分配结果，并基于遗传算法根据所述距离值对普通请求的相关救援车进行最小救援时间进行救援分配，获取普通请求的相关救援车分配结果。
需要说明的是，某一区域中可能存在多个故障的汽车，基于遗传算法能够根据距离值对相关救援车进行最小救援时间进行救援分配，当存在多个普通救援情况，对相关救援车进行最小时间的救援进行分配。救援情况信息可以分为紧急救援、普通救援。通过本方法能够进一步提高救援车的合理分配。遗传算法通常实现方式为一种计算机模拟，对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。
本发明第二方明提供了一种基于云平台的汽车故障管理系统4，管理系统4包括存储器41以及处理器62，存储器41中包括基于云平台的汽车故障管理方法程序，基于云平台的汽车故障管理方法程序被处理器执行时，实现如下步骤：
通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将各汽车类型的历史故障信息输入到历史故障数据库中进行存储；
通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并将当前汽车的汽车类型以及汽车的实时状态信息输入到历史故障数据库中，获取实时故障信息；
获取故障汽车的历史服役数据信息，并根据故障汽车的历史服役数据信息以及实时故障信息通过贝叶斯网络获取相关性，并根据相关性获取故障分析结果；
基于故障分析结果制定相关的维修策略，并根据相关的维修策略进行个性化推荐。
在本实施例中，通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将各汽车类型的历史故障信息输入到历史故障数据库中进行存储，具体包括：
通过大数据获取各汽车类型的历史故障信息，并通过哈希算法对汽车类型的历史故障信息进行聚类，获取每一种汽车类型的历史故障信息聚类结果；
通过对每一种汽车类型的历史故障信息聚类结果输入到特征金字塔网络中进行特征充分提取，获取汽车故障相关的特征数据；
引入局部哈希注意力机制对每一汽车故障相关的特征数据进行注意力权重信息计算，获取每一汽车故障相关的特征数据的注意力权重信息，构建历史故障数据库；
将历史故障数据库分为多个子空间，将相同注意力权重信息的汽车故障相关的特征数据合并，并对汽车故障相关的特征数据进行编码并排序，生成汽车故障相关的特征数据排序结果，根据排序结果逐一输入到子空间中进行存储，并定期更新历史故障数据库。
在本实施例中，根据相关的维修策略进行个性化推荐，具体包括：
获取当前汽车故障所在的地理位置信息，并根据当前汽车故障所在的地理位置信息进行地图资源数据检索，获取一个或者多个候选维修资源信息；
获取候选维修资源信息的历史维修数据信息，并通过灰色关联分析法计算出候选维修资源信息的历史维修数据信息与相关的维修策略的关联程度；
判断关联程度是否大于预设关联程度，若关联程度不大于预设关联程度，则将候选维修资源信息进行剔除，并选取剔除后的候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐；
若关联程度大于预设关联程度，则选取候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包含基于云平台的汽车故障管理方法程序，基于云平台的汽车故障管理方法程序被处理器执行时，实现任一项的基于云平台的汽车故障管理方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.基于云平台的汽车故障管理方法，其特征在于，包括以下步骤：
通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将所述各汽车类型的历史故障信息输入到所述历史故障数据库中进行存储；
通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并将所述当前汽车的汽车类型以及汽车的实时状态信息输入到所述历史故障数据库中，获取实时故障信息；
获取故障汽车的历史服役数据信息，并根据所述故障汽车的历史服役数据信息以及实时故障信息通过贝叶斯网络获取相关性，并根据所述相关性获取故障分析结果；
基于所述故障分析结果制定相关的维修策略，并根据所述相关的维修策略进行个性化推荐。
2.根据权利要求1所述的基于云平台的汽车故障管理方法，其特征在于，通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将所述各汽车类型的历史故障信息输入到所述历史故障数据库中进行存储，具体包括：
通过大数据获取各汽车类型的历史故障信息，并通过哈希算法对所述汽车类型的历史故障信息进行聚类，获取每一种汽车类型的历史故障信息聚类结果；
通过对所述每一种汽车类型的历史故障信息聚类结果输入到特征金字塔网络中进行特征充分提取，获取汽车故障相关的特征数据；
引入局部哈希注意力机制对每一所述汽车故障相关的特征数据进行注意力权重信息计算，获取每一所述汽车故障相关的特征数据的注意力权重信息，构建历史故障数据库；
将所述历史故障数据库分为多个子空间，将相同注意力权重信息的所述汽车故障相关的特征数据合并，并对所述汽车故障相关的特征数据进行编码并排序，生成汽车故障相关的特征数据排序结果，根据所述排序结果逐一输入到所述子空间中进行存储，并定期更新所述历史故障数据库。
3.根据权利要求1所述的基于云平台的汽车故障管理方法，其特征在于，通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并将所述当前汽车的汽车类型以及汽车的实时状态信息输入到所述历史故障数据库中，获取实时故障信息，具体包括：
通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并通过局部哈希注意力机制对当前汽车的汽车类型以及汽车的实时状态信息进行注意力权重信息计算，获取实时注意力权重信息；
将所述实时注意力权重信息输入到所述历史故障数据库中进行数据匹配，根据数据匹配获取若干个匹配相似度，并判断所述匹配相似度是否大于预设匹配相似度；
若所述匹配相似度大于预设匹配相似度，则将当前实时注意力权重信息对应的故障信息作为实时故障信息；
根据所述实时故障信息生成相应的表单数据，并将所述相应的表单数据按照预设方式进行显示。
4.根据权利要求1所述的基于云平台的汽车故障管理方法，其特征在于，获取故障汽车的历史服役数据信息，并根据所述故障汽车的历史服役数据信息以及实时故障信息通过贝叶斯网络获取相关性，并根据所述相关性获取故障分析结果，具体包括：
获取故障汽车的历史服役数据信息，并构建贝叶斯网络，将所述故障汽车的历史服役数据信息作为第一独立事件，将所述实时故障信息作为第二独立事件；
将所述第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证，并对所述第一独立事件以及第二独立事件进行排序，获取初始节点次序；
将所述初始节点次序作为粒子群算法的输入顺序，采用粒子群算法对所述贝叶斯网络进行优化调整，以获取最优的贝叶斯网络，并根据所述最优的贝叶斯网络获取所述故障汽车的历史服役数据信息以及实时故障信息之间的相关性；
若所述相关性大于预设相关性，并将所述相关性大于预设相关性的相关零部件故障作为故障分析结果进行输出。
5.根据权利要求1所述的基于云平台的汽车故障管理方法，其特征在于，基于所述故障分析结果制定相关的维修策略，具体包括以下步骤：
通过对所述故障分析结果进行分类，获取预防性故障分析结果、需维修性故障分析结果或者不可维修性故障分析结果；
若所述故障分析结果为预防性故障分析结果，则根据所述预防性故障分析结果构建检索标签，并基于所述检索标签进行数据检索，生成预防性维修策略；
若所述故障分析结果为需维修性故障分析结果，则获取故障分析结果的故障内容，并根据所述故障分析结果的故障内容生成需维修性维修策略；
若所述故障分析结果为不可维修性故障分析结果，则获取当前故障分析结果的故障零件型号，并根据所述当前故障分析结果的故障零件型号生成不可维修性维修策略，并将所述预防性维修策略、需维修性维修策略以及不可维修性维修策略进行汇总。
6.根据权利要求1所述的基于云平台的汽车故障管理方法，其特征在于，根据所述相关的维修策略进行个性化推荐，具体包括：
获取当前汽车故障所在的地理位置信息，并根据所述当前汽车故障所在的地理位置信息进行地图资源数据检索，获取一个或者多个候选维修资源信息；
获取所述候选维修资源信息的历史维修数据信息，并通过灰色关联分析法计算出所述候选维修资源信息的历史维修数据信息与相关的维修策略的关联程度；
判断所述关联程度是否大于预设关联程度，若所述关联程度不大于预设关联程度，则将所述候选维修资源信息进行剔除，并选取剔除后的候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐；
若所述关联程度大于预设关联程度，则选取所述候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐。
7.基于云平台的汽车故障管理系统，其特征在于，所述管理系统包括存储器以及处理器，所述存储器中包括基于云平台的汽车故障管理方法程序，所述基于云平台的汽车故障管理方法程序被处理器执行时，实现如下步骤：
通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将所述各汽车类型的历史故障信息输入到所述历史故障数据库中进行存储；
通过云平台获取当前汽车的汽车类型以及汽车的实时状态信息，并将所述当前汽车的汽车类型以及汽车的实时状态信息输入到所述历史故障数据库中，获取实时故障信息；
获取故障汽车的历史服役数据信息，并根据所述故障汽车的历史服役数据信息以及实时故障信息通过贝叶斯网络获取相关性，并根据所述相关性获取故障分析结果；
基于所述故障分析结果制定相关的维修策略，并根据所述相关的维修策略进行个性化推荐。
8.根据权利要求7所述的基于云平台的汽车故障管理系统，其特征在于，通过大数据获取各汽车类型的历史故障信息，并构建历史故障数据库，将所述各汽车类型的历史故障信息输入到所述历史故障数据库中进行存储，具体包括：
通过大数据获取各汽车类型的历史故障信息，并通过哈希算法对所述汽车类型的历史故障信息进行聚类，获取每一种汽车类型的历史故障信息聚类结果；
通过对所述每一种汽车类型的历史故障信息聚类结果输入到特征金字塔网络中进行特征充分提取，获取汽车故障相关的特征数据；
引入局部哈希注意力机制对每一所述汽车故障相关的特征数据进行注意力权重信息计算，获取每一所述汽车故障相关的特征数据的注意力权重信息，构建历史故障数据库；
将所述历史故障数据库分为多个子空间，将相同注意力权重信息的所述汽车故障相关的特征数据合并，并对所述汽车故障相关的特征数据进行编码并排序，生成汽车故障相关的特征数据排序结果，根据所述排序结果逐一输入到所述子空间中进行存储，并定期更新所述历史故障数据库。
9.根据权利要求7所述的基于云平台的汽车故障管理系统，其特征在于，根据所述相关的维修策略进行个性化推荐，具体包括：
获取当前汽车故障所在的地理位置信息，并根据所述当前汽车故障所在的地理位置信息进行地图资源数据检索，获取一个或者多个候选维修资源信息；
获取所述候选维修资源信息的历史维修数据信息，并通过灰色关联分析法计算出所述候选维修资源信息的历史维修数据信息与相关的维修策略的关联程度；
判断所述关联程度是否大于预设关联程度，若所述关联程度不大于预设关联程度，则将所述候选维修资源信息进行剔除，并选取剔除后的候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐；
若所述关联程度大于预设关联程度，则选取所述候选维修资源信息中评价指数最高的维修资源信息进行个性化推荐。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包含基于云平台的汽车故障管理方法程序，所述基于云平台的汽车故障管理方法程序被处理器执行时，实现如权利要求1-6任一项所述的基于云平台的汽车故障管理方法的步骤。
CN202310616821.7A 2023-05-29 2023-05-29 基于云平台的汽车故障管理方法、系统及存储介质 Active CN116340586B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310616821.7A CN116340586B (zh) 2023-05-29 2023-05-29 基于云平台的汽车故障管理方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310616821.7A CN116340586B (zh) 2023-05-29 2023-05-29 基于云平台的汽车故障管理方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN116340586A true CN116340586A (zh) 2023-06-27
CN116340586B CN116340586B (zh) 2023-08-01

Family

ID=86884498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310616821.7A Active CN116340586B (zh) 2023-05-29 2023-05-29 基于云平台的汽车故障管理方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116340586B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056711A (zh) * 2023-10-11 2023-11-14 深圳正实自动化设备有限公司 基于多源数据的锡膏印刷机性能评估方法、系统及存储介质
CN117893195A (zh) * 2024-01-10 2024-04-16 广州市启宏普浩企业管理服务有限公司 一种车辆故障排查和维修方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080004764A1 (en) * 2006-06-30 2008-01-03 Manokar Chinnadurai Diagnostics data collection and analysis method and apparatus to diagnose vehicle component failures
CN103308314A (zh) * 2013-06-18 2013-09-18 上海理工大学 一种基于贝叶斯网络模型和多准则决策分析对汽车发动机故障的检修方法
CN110456774A (zh) * 2019-08-15 2019-11-15 中车大连机车研究所有限公司 一种快捷货运机车的故障诊断与预警装置及方法
CN116108106A (zh) * 2023-02-20 2023-05-12 重庆长安汽车股份有限公司 测试车辆的分布式管理方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080004764A1 (en) * 2006-06-30 2008-01-03 Manokar Chinnadurai Diagnostics data collection and analysis method and apparatus to diagnose vehicle component failures
CN103308314A (zh) * 2013-06-18 2013-09-18 上海理工大学 一种基于贝叶斯网络模型和多准则决策分析对汽车发动机故障的检修方法
CN110456774A (zh) * 2019-08-15 2019-11-15 中车大连机车研究所有限公司 一种快捷货运机车的故障诊断与预警装置及方法
CN116108106A (zh) * 2023-02-20 2023-05-12 重庆长安汽车股份有限公司 测试车辆的分布式管理方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
臧钰;蔡伯根;上官伟;王化深;: "高速列车运行控制系统车载子系统故障预测方法研究", 中国科学:信息科学, no. 04 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056711A (zh) * 2023-10-11 2023-11-14 深圳正实自动化设备有限公司 基于多源数据的锡膏印刷机性能评估方法、系统及存储介质
CN117056711B (zh) * 2023-10-11 2024-01-30 深圳正实自动化设备有限公司 基于多源数据的锡膏印刷机性能评估方法、系统及存储介质
CN117893195A (zh) * 2024-01-10 2024-04-16 广州市启宏普浩企业管理服务有限公司 一种车辆故障排查和维修方法及系统

Also Published As

Publication number Publication date
CN116340586B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN116340586B (zh) 基于云平台的汽车故障管理方法、系统及存储介质
CN110232499A (zh) 一种配电网信息物理侧风险预警方法及系统
CN109800995A (zh) 一种电网设备故障识别方法及系统
CN118070082B (zh) 一种新能源汽车电机噪音测试方法及系统
CN112446637A (zh) 一种建筑施工质量安全在线风险检测方法及系统
CN113704389A (zh) 一种数据评估方法、装置、计算机设备及存储介质
CN115204536A (zh) 楼宇设备故障预测方法、装置、设备及存储介质
CN118296561B (zh) 基于设备状态数据整合的混合预警方法及系统
CN116958622A (zh) 数据的分类方法、装置、设备、介质及程序产品
CN116862209B (zh) 一种新能源汽车充电设施管理方法及系统
CN117235608B (zh) 风险检测方法、装置、电子设备及存储介质
CN117056591B (zh) 基于动态预测的电力缴费渠道智能推荐方法及系统
CN112949745A (zh) 多源数据的融合处理方法、装置、电子设备及存储介质
CN112905987B (zh) 账号识别方法、装置、服务器及存储介质
CN116702059A (zh) 一种基于物联网的智能生产车间管理系统
CN115982646B (zh) 一种基于云平台的多源测试数据的管理方法及系统
CN113011596A (zh) 一种模型自动更新方法、装置、系统及电子设备
CN115147020B (zh) 装修数据处理方法、装置、设备及存储介质
CN115619539A (zh) 贷前风险评价方法以及装置
CN112506930B (zh) 一种基于机器学习技术的数据洞察系统
CN115239208A (zh) 基于电力交易数据的售电公司特征模型分析方法及系统
CN114612246A (zh) 对象集合识别方法、装置、计算机设备及存储介质
CN112434648A (zh) 一种墙体形状变化检测方法及系统
CN117787945A (zh) 船舶设施运维方法、装置、设备及存储介质
CN114580761B (zh) 蒸汽量异常确定方法、装置、电子设备和可读存储介质

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
GR01 Patent grant
GR01 Patent grant