CN116910495A - 一种汽车下线检测的方法、系统、可读存储介质及汽车 - Google Patents
一种汽车下线检测的方法、系统、可读存储介质及汽车 Download PDFInfo
- Publication number
- CN116910495A CN116910495A CN202311177150.5A CN202311177150A CN116910495A CN 116910495 A CN116910495 A CN 116910495A CN 202311177150 A CN202311177150 A CN 202311177150A CN 116910495 A CN116910495 A CN 116910495A
- Authority
- CN
- China
- Prior art keywords
- version information
- detection
- software version
- vehicle
- cloud database
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 225
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000007405 data analysis Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000010998 test method Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Stored Programmes (AREA)
Abstract
本发明提供了一种汽车下线检测的方法、系统、可读存储介质及汽车,涉及车辆技术领域,该方法包括:采集车辆的历史软件版本信息以及对应的检测数据,对历史软件版本信息和检测数据进行预处理,并构建云端数据库;对云端数据库进行分析和训练,得到初始检测模型,对初始检测模型进行性能评估并优化,以得到最优检测模型,输出最优检测流程;获取待测车辆的车辆识别码和软件版本信息,根据车辆识别码从云端数据库中查找对应的历史软件版本信息,并判断是否与待测车辆的软件版本信息匹配;若是,使用最优检测流程对待测车辆进行下线检测,本发明能够解决现有技术中通过固定流程和标准参数对汽车进行下线检测,准确性和可靠性低的技术问题。
Description
技术领域
本发明涉及车辆技术领域,具体涉及一种汽车下线检测的方法、系统、可读存储介质及汽车。
背景技术
新能源汽车是指以新型动力系统为主要动力来源,或者以新型动力系统和传统动力系统为联合动力来源的汽车,包括纯电动汽车、混合动力汽车、燃料电池汽车等。新能源汽车具有节能减排、环保清洁、高效智能等优点,是实现汽车产业转型升级和可持续发展的重要方向。
而新能源汽车的下线检测,简称新能源汽车的EOL检测,是指在新能源汽车完成装配后,离开生产线之前进行的一系列检测和验证工作,主要包括软件版本信息、硬件参数、电气信号、通讯协议、故障诊断等方面。因此,新能源汽车的EOL检测是保证新能源汽车质量和安全性的重要环节,也是提高新能源汽车生产效率和降低成本的关键因素,是必不可少的环节。
目前比较常见的新能源汽车的下线检测方法为,通过固定流程和标准参数对新能源汽车进行EOL检测,但是该检测方法对不同车型采用相同的标准,会导致检测差异,影响EOL的检测准确性;同时,随着新能源汽车的快速变化和发展,将会加入很多新型的功能和设置,固定流程和标准参数将会导致检测不全面,检测结果不可靠。
发明内容
针对现有技术的不足,本发明的目的在于提供一种汽车下线检测的方法、系统、可读存储介质及汽车,旨在解决现有技术中通过固定流程和标准参数对汽车进行下线检测,准确性和可靠性低的技术问题。
本发明的第一方面在于提供一种汽车下线检测的方法,所述方法包括:
采集车辆的历史软件版本信息以及对应的检测数据,对所述历史软件版本信息和所述检测数据进行预处理,并构建云端数据库;
对云端数据库进行分析和训练,得到至少一初始检测模型,对所有的初始检测模型进行性能评估并优化,以得到最优检测模型,并根据所述最优检测模型输出相应的最优检测流程,包括:
对云端数据库进行不同算法的分析和训练,得到至少一初始检测模型,
对所有的初始检测模型进行性能评估,得到初始检测模型对应的性能指标,选取性能指标最高的作为最优检测模型,
所述性能评估包括准确率、召回率、精确率、以及F1值,其中,F1值为精确率和召回率的调和平均数,所述性能指标的计算方法为:
,
其中,K为初始检测模型的准确率,H为初始检测模型的召回率,J为初始检测模型的精确率,F1为初始检测模型的F1值,,/>,/>,/>分别为准确率、召回率、精确率、以及F1值的权重;
获取待测车辆的车辆识别码和软件版本信息,根据所述车辆识别码从所述云端数据库中查找对应的历史软件版本信息,并判断是否与待测车辆的所述软件版本信息匹配;
若是,判定所述软件版本信息正常,使用所述历史软件版本信息对应的最优检测流程对待测车辆进行下线检测。
与现有技术相比,本发明的有益效果在于:通过本发明提供的汽车下线检测的方法,提高下线检测的准确性和可靠性,具体为,采集车辆的历史软件版本信息以及对应的检测数据,对所述历史软件版本信息和所述检测数据进行预处理,并构建云端数据库;构建云端数据库,能实现车辆的历史软件版本信息以及对应的检测数据的集中管理、实时更新、快速查询等功能,去除干扰和归一化处理,提高初始检测模型构建的准确性和效率;对云端数据库进行分析和训练,得到至少一初始检测模型,对所有的初始检测模型进行性能评估并优化,以得到最优检测模型,并根据所述最优检测模型输出相应的最优检测流程;对云端数据库中的数据进行分析和挖掘,以实现对检测流程的预测和优化,提高车辆下线检测的准确性和可靠性,获取待测车辆的车辆识别码和软件版本信息,根据所述车辆识别码从所述云端数据库中查找对应的历史软件版本信息,并判断是否与待测车辆的所述软件版本信息匹配;若是,判定所述软件版本信息正常,使用所述历史软件版本信息对应的最优检测流程对待测车辆进行下线检测,软件版本信息匹配,提高汽车的性能和安全性,以避免软件版本信息不一致或异常现象,影响汽车的性能和安全性,从而解决了现有技术中通过固定流程和标准参数对汽车进行下线检测,准确性和可靠性低的技术问题。
根据上述技术方案的一方面,所述方法还包括:
实时监测和采集车辆的历史软件版本信息以及对应的检测数据,以对初始检测模型进行优化和调整。
根据上述技术方案的一方面,当所述历史软件版本信息与待测车辆的所述软件版本信息不匹配时,判定所述软件版本信息异常,需返厂维修检测。
根据上述技术方案的一方面,所述历史软件版本信息包括历史软件名称、历史软件编号、历史软件大小以及历史软件功能,所述检测数据包括车辆识别码、检测时间、检测结果、退货原因以及检测流程和参数。
根据上述技术方案的一方面,对所述历史软件版本信息和所述检测数据进行预处理,并构建云端数据库的步骤,具体包括:
基于所述历史软件版本信息和所述检测数据,去除所述历史软件版本信息和所述检测数据中任意一项缺失的数据;
基于所述检测结果和所述退货原因,去除异常数据,得到检测数据集;
将所述检测数据集进行特征提取、特征选择、特征转换,以转化为算法所需的输入格式,构建云端数据库。
本发明的第二方面在于提供一种汽车下线检测的系统,用于实现上述的汽车下线检测的方法,所述系统包括:
云端数据库、大数据分析平台、检测终端、控制器;
所述云端数据库用于采集车辆的历史软件版本信息以及对应的检测数据,并对所述历史软件版本信息和所述检测数据进行预处理;
所述大数据分析平台与所述云端数据库通讯连接,用于对云端数据库进行分析和训练,得到至少一初始检测模型,对所有的初始检测模型进行性能评估并优化,以得到最优检测模型,并根据所述最优检测模型输出相应的最优检测流程;
所述检测终端的一端通过控制器与所述云端数据库和所述大数据分析平台通信连接,所述检测终端的另一端与待测车辆通讯连接,用于获取待测车辆的车辆识别码和软件版本信息,并将所述车辆识别码发送至所述控制器,通过所述控制器获取所述云端数据库中对应的历史软件版本信息,并判断是否与待测车辆的所述软件版本信息匹配,若是,判定所述软件版本信息正常,通过控制器获取所述大数据分析平台的所述历史软件版本信息对应的最优检测流程对待测车辆进行下线检测。
本发明的第三方面在于提供一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述的方法的步骤。
本发明的第四方面在于提供一种汽车,所述汽车包括上述的汽车下线检测的系统。
附图说明
本发明的上述与/或附加的方面与优点从结合下面附图对实施例的描述中将变得明显与容易理解,其中:
图1为本发明第一实施例中的汽车下线检测的方法的流程框图;
图2为本发明第二实施例中的汽车下线检测的系统的结构示意图;
附图元器件符号说明:
云端数据库100,大数据分析平台200,检测终端300,控制器400。
具体实施方式
为使本发明的目的、特征与优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是,本发明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对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”以及类似的表述只是为了说明的目的,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造与操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定与限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的与所有的组合。
实施例一
请参阅图1,所示本发明的第一实施例提供的一种汽车下线检测的方法,所述方法包括步骤S10-S13:
步骤S10,采集车辆的历史软件版本信息以及对应的检测数据,对所述历史软件版本信息和所述检测数据进行预处理,并构建云端数据库;
其中,所述历史软件版本信息包括历史软件名称、历史软件编号、历史软件大小以及历史软件功能,所述检测数据包括车辆识别码、检测时间、检测结果、退货原因以及检测流程和参数。
具体为,基于所述历史软件版本信息和所述检测数据,去除所述历史软件版本信息和所述检测数据中任意一项缺失的数据;
基于所述检测结果和所述退货原因,去除异常数据,得到检测数据集;
将所述检测数据集进行特征提取、特征选择、特征转换,以转化为算法所需的输入格式,构建云端数据库。
需要说明的是,构建云端数据库,能实现车辆的历史软件版本信息以及对应的检测数据的集中管理、实时更新、快速查询等功能,避免了人工输入和记录的繁琐和错误。对所述历史软件版本信息和所述检测数据进行预处理,以去除缺失数据和异常数据对后续初始检测模型构建的干扰,提高初始检测模型构建的准确性。此外,将所述检测数据集进行特征提取、特征选择、特征转换,以转化为算法所需的输入格式,归一化处理,以提高初始检测模型构建的效率。
步骤S11,对云端数据库进行分析和训练,得到至少一初始检测模型,对所有的初始检测模型进行性能评估并优化,以得到最优检测模型,并根据所述最优检测模型输出相应的最优检测流程,包括:
对云端数据库进行不同算法的分析和训练,得到至少一初始检测模型,
对所有的初始检测模型进行性能评估,得到初始检测模型对应的性能指标,选取性能指标最高的作为最优检测模型,
所述性能评估包括准确率、召回率、精确率、以及F1值,其中,F1值为精确率和召回率的调和平均数,所述性能指标的计算方法为:
,
其中,K为初始检测模型的准确率,H为初始检测模型的召回率,J为初始检测模型的精确率,F1为初始检测模型的F1值,,/>,/>,/>分别为准确率、召回率、精确率、以及F1值的权重;
具体为,对云端数据库进行不同算法的分析和训练,得到至少一初始检测模型;其中,算法包括但不限于,线性回归、逻辑回归、支持向量机、决策树、随机森林、K近邻、K均值、朴素贝叶斯、神经网络等。
对所有的初始检测模型进行性能评估,得到初始检测模型对应的性能指标,选取性能指标最高的作为最优检测模型。
通过对不同初始检测模型进行性能评估,选取最优初始检测模型作为最优检测模型,将会进一步提高最优检测模型预测和检测的准确性以及可靠性,从而提高汽车的质量和安全性。
另外,对云端数据库中的数据进行分析和挖掘,以实现对检测流程的预测和优化,提高车辆下线检测的准确性。
此外,所述方法还包括,实时监测和采集车辆的历史软件版本信息以及对应的检测数据,以对初始检测模型进行优化和调整,以适应汽车技术的更新和发展。
步骤S12,获取待测车辆的车辆识别码和软件版本信息,根据所述车辆识别码从所述云端数据库中查找对应的历史软件版本信息,并判断是否与待测车辆的所述软件版本信息匹配;
当所述历史软件版本信息与待测车辆的所述软件版本信息不匹配时,判定所述软件版本信息异常,需返厂维修检测。
通过软件版本信息匹配以提高汽车的性能和安全性,以避免软件版本信息不一致或异常现象,影响汽车的性能和安全性。
步骤S13,若是,判定所述软件版本信息正常,使用所述历史软件版本信息对应的最优检测流程对待测车辆进行下线检测。
与现有技术相比,采用本实施例当中的汽车下线检测的方法,有益效果在于:通过本发明提供的汽车下线检测的方法,提高下线检测的准确性和可靠性,具体为,采集车辆的历史软件版本信息以及对应的检测数据,对所述历史软件版本信息和所述检测数据进行预处理,并构建云端数据库;构建云端数据库,能实现车辆的历史软件版本信息以及对应的检测数据的集中管理、实时更新、快速查询等功能,去除干扰和归一化处理,提高初始检测模型构建的准确性和效率;对云端数据库进行分析和训练,得到至少一初始检测模型,对所有的初始检测模型进行性能评估并优化,以得到最优检测模型,并根据所述最优检测模型输出相应的最优检测流程;对云端数据库中的数据进行分析和挖掘,以实现对检测流程的预测和优化,提高车辆下线检测的准确性和可靠性,获取待测车辆的车辆识别码和软件版本信息,根据所述车辆识别码从所述云端数据库中查找对应的历史软件版本信息,并判断是否与待测车辆的所述软件版本信息匹配;若是,判定所述软件版本信息正常,使用所述历史软件版本信息对应的最优检测流程对待测车辆进行下线检测,软件版本信息匹配,提高汽车的性能和安全性,以避免软件版本信息不一致或异常现象,影响汽车的性能和安全性,从而解决了现有技术中通过固定流程和标准参数对汽车进行下线检测,准确性和可靠性低的技术问题。
实施例二
请参阅图2,所示为本发明的第二实施例提供的汽车下线检测的系统,所述系统包括:
云端数据库100、大数据分析平台200、检测终端300、控制器400;
所述云端数据库100用于采集车辆的历史软件版本信息以及对应的检测数据,并对所述历史软件版本信息和所述检测数据进行预处理;
其中,所述历史软件版本信息包括历史软件名称、历史软件编号、历史软件大小以及历史软件功能,所述检测数据包括车辆识别码、检测时间、检测结果、退货原因以及检测流程和参数。
具体为,基于所述历史软件版本信息和所述检测数据,去除所述历史软件版本信息和所述检测数据中任意一项缺失的数据;
基于所述检测结果和所述退货原因,去除异常数据,得到检测数据集;
将所述检测数据集进行特征提取、特征选择、特征转换,以转化为算法所需的输入格式,构建云端数据库100。
所述大数据分析平台200与所述云端数据库100通讯连接,用于对云端数据库100进行分析和训练,得到至少一初始检测模型,对所有的初始检测模型进行性能评估并优化,以得到最优检测模型,并根据所述最优检测模型输出相应的最优检测流程;
具体为,对云端数据库100进行不同算法的分析和训练,得到至少一初始检测模型;其中,算法包括但不限于,线性回归、逻辑回归、支持向量机、决策树、随机森林、K近邻、K均值、朴素贝叶斯、神经网络等。
对所有的初始检测模型进行性能评估,得到初始检测模型对应的性能指标,选取性能指标最高的作为最优检测模型。
具体为,所述性能评估包括准确率、召回率、精确率、以及F1值,其中,F1值为精确率和召回率的调和平均数,所述性能指标的计算方法为:
,
其中,K为初始检测模型的准确率,H为初始检测模型的召回率,J为初始检测模型的精确率,F1为初始检测模型的F1值,,/>,/>,/>分别为准确率、召回率、精确率、以及F1值的权重。
所述检测终端300的一端通过控制器400与所述云端数据库100和所述大数据分析平台200通信连接,所述检测终端300的另一端与待测车辆通讯连接,用于获取待测车辆的车辆识别码和软件版本信息,并将所述车辆识别码发送至所述控制器400,通过所述控制器400获取所述云端数据库100中对应的历史软件版本信息,并判断是否与待测车辆的所述软件版本信息匹配,若是,判定所述软件版本信息正常,通过控制器400获取所述大数据分析平台200的所述历史软件版本信息对应的最优检测流程对待测车辆进行下线检测。
其中,当所述历史软件版本信息与待测车辆的所述软件版本信息不匹配时,判定所述软件版本信息异常,需返厂维修检测。
进一步地,检测终端300通过通信接口与待测车辆的整车控制器400连接,通信接口可以是有线或无线方式,如CAN总线、蓝牙、WIFI等。
进一步地,控制器400可以设置不同的权限和功能,如查询、修改、删除、导出等;控制器400可以根据下线检测得出的检测结果,自动或手动地进行退货或其他处理,如重新刷写软件、更换整车控制器400等。
与现有技术相比,采用本实施例当中所示汽车下线检测的系统,有益效果在于:通过本发明提供的汽车下线检测的系统,提高下线检测的准确性和可靠性,具体为,通过云端数据库,能实现车辆的历史软件版本信息以及对应的检测数据的集中管理、实时更新、快速查询等功能,去除干扰和归一化处理,提高初始检测模型构建的准确性和效率;通过大数据分析平台对云端数据库中的数据进行分析和挖掘,以实现对检测流程的预测和优化,提高车辆下线检测的准确性和可靠性,通过检测终端获取待测车辆的车辆识别码和软件版本信息,并将所述车辆识别码发送至所述控制器,通过所述控制器获取所述云端数据库中对应的历史软件版本信息,并判断是否与待测车辆的所述软件版本信息匹配,若是,判定所述软件版本信息正常,通过控制器获取所述大数据分析平台的所述历史软件版本信息对应的最优检测流程对待测车辆进行下线检测,软件版本信息匹配,提高汽车的性能和安全性,以避免软件版本信息不一致或异常现象,影响汽车的性能和安全性,从而解决了现有技术中通过固定流程和标准参数对汽车进行下线检测,准确性和可靠性低的技术问题。
本发明的第三实施例提供了一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述实施例一所述的方法的步骤。
本发明的第四实施例提供了一种汽车,包括上述实施例二所述的汽车下线检测的系统。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点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表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体与详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形与改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种汽车下线检测的方法,其特征在于,所述方法包括:
采集车辆的历史软件版本信息以及对应的检测数据,对所述历史软件版本信息和所述检测数据进行预处理,并构建云端数据库;
对云端数据库进行分析和训练,得到至少一初始检测模型,对所有的初始检测模型进行性能评估并优化,以得到最优检测模型,并根据所述最优检测模型输出相应的最优检测流程,包括:
对云端数据库进行不同算法的分析和训练,得到至少一初始检测模型,
对所有的初始检测模型进行性能评估,得到初始检测模型对应的性能指标,选取性能指标最高的作为最优检测模型,
所述性能评估包括准确率、召回率、精确率、以及F1值,其中,F1值为精确率和召回率的调和平均数,所述性能指标的计算方法为:
,
其中,K为初始检测模型的准确率,H为初始检测模型的召回率,J为初始检测模型的精确率,F1为初始检测模型的F1值,,/>,/>,/>分别为准确率、召回率、精确率、以及F1值的权重;
获取待测车辆的车辆识别码和软件版本信息,根据所述车辆识别码从所述云端数据库中查找对应的历史软件版本信息,并判断是否与待测车辆的所述软件版本信息匹配;
若是,判定所述软件版本信息正常,使用所述历史软件版本信息对应的最优检测流程对待测车辆进行下线检测。
2.根据权利要求1所述的汽车下线检测的方法,其特征在于,所述方法还包括:
实时监测和采集车辆的历史软件版本信息以及对应的检测数据,以对初始检测模型进行优化和调整。
3.根据权利要求1所述的汽车下线检测的方法,其特征在于,当所述历史软件版本信息与待测车辆的所述软件版本信息不匹配时,判定所述软件版本信息异常,需返厂维修检测。
4.根据权利要求1所述的汽车下线检测的方法,其特征在于,所述历史软件版本信息包括历史软件名称、历史软件编号、历史软件大小以及历史软件功能,所述检测数据包括车辆识别码、检测时间、检测结果、退货原因以及检测流程和参数。
5.根据权利要求4所述的汽车下线检测的方法,其特征在于,对所述历史软件版本信息和所述检测数据进行预处理,并构建云端数据库的步骤,具体包括:
基于所述历史软件版本信息和所述检测数据,去除所述历史软件版本信息和所述检测数据中任意一项缺失的数据;
基于所述检测结果和所述退货原因,去除异常数据,得到检测数据集;
将所述检测数据集进行特征提取、特征选择、特征转换,以转化为算法所需的输入格式,构建云端数据库。
6.一种汽车下线检测的系统,其特征在于,用于实现权利要求1-5中任意一项所述的汽车下线检测的方法,所述系统包括:
云端数据库、大数据分析平台、检测终端、控制器;
所述云端数据库用于采集车辆的历史软件版本信息以及对应的检测数据,并对所述历史软件版本信息和所述检测数据进行预处理;
所述大数据分析平台与所述云端数据库通讯连接,用于对云端数据库进行分析和训练,得到至少一初始检测模型,对所有的初始检测模型进行性能评估并优化,以得到最优检测模型,并根据所述最优检测模型输出相应的最优检测流程;
所述检测终端的一端通过控制器与所述云端数据库和所述大数据分析平台通信连接,所述检测终端的另一端与待测车辆通讯连接,用于获取待测车辆的车辆识别码和软件版本信息,并将所述车辆识别码发送至所述控制器,通过所述控制器获取所述云端数据库中对应的历史软件版本信息,并判断是否与待测车辆的所述软件版本信息匹配,若是,判定所述软件版本信息正常,通过控制器获取所述大数据分析平台的所述历史软件版本信息对应的最优检测流程对待测车辆进行下线检测。
7.一种可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任意一项所述的方法的步骤。
8.一种汽车,其特征在于,所述汽车包括权利要求6所述的汽车下线检测的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311177150.5A CN116910495B (zh) | 2023-09-13 | 2023-09-13 | 一种汽车下线检测的方法、系统、可读存储介质及汽车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311177150.5A CN116910495B (zh) | 2023-09-13 | 2023-09-13 | 一种汽车下线检测的方法、系统、可读存储介质及汽车 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116910495A true CN116910495A (zh) | 2023-10-20 |
CN116910495B CN116910495B (zh) | 2024-01-26 |
Family
ID=88351571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311177150.5A Active CN116910495B (zh) | 2023-09-13 | 2023-09-13 | 一种汽车下线检测的方法、系统、可读存储介质及汽车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910495B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117311139A (zh) * | 2023-11-29 | 2023-12-29 | 江西五十铃汽车有限公司 | 一种基于大数据和云计算的车辆优化方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130020151A (ko) * | 2011-08-19 | 2013-02-27 | 주식회사 만도 | 차량 검출 장치 및 방법 |
KR20160083615A (ko) * | 2014-12-31 | 2016-07-12 | (주)베라시스 | 관심영역에서의 차량의 하단선 검출방법 |
CN105824307A (zh) * | 2016-05-13 | 2016-08-03 | 上汽通用五菱汽车股份有限公司 | 汽车电控模块综合性能分布式下线检测系统及方法 |
CN112034815A (zh) * | 2020-07-29 | 2020-12-04 | 江西江铃集团新能源汽车有限公司 | 电动汽车ecu软件版本检测方法及系统 |
CN114924544A (zh) * | 2022-04-13 | 2022-08-19 | 江铃汽车股份有限公司 | 一种汽车ecu软件匹配检测的方法及系统 |
WO2023040142A1 (zh) * | 2021-09-15 | 2023-03-23 | 平安科技(深圳)有限公司 | 车辆损伤检测方法、装置、设备及存储介质 |
CN116106738A (zh) * | 2023-02-01 | 2023-05-12 | 重庆长安新能源汽车科技有限公司 | 一种电驱动系统性能下线检测方法、装置、设备及介质 |
WO2023125852A1 (zh) * | 2021-12-31 | 2023-07-06 | 北京罗克维尔斯科技有限公司 | 远程诊断方法及装置、电子设备和存储介质 |
-
2023
- 2023-09-13 CN CN202311177150.5A patent/CN116910495B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130020151A (ko) * | 2011-08-19 | 2013-02-27 | 주식회사 만도 | 차량 검출 장치 및 방법 |
KR20160083615A (ko) * | 2014-12-31 | 2016-07-12 | (주)베라시스 | 관심영역에서의 차량의 하단선 검출방법 |
CN105824307A (zh) * | 2016-05-13 | 2016-08-03 | 上汽通用五菱汽车股份有限公司 | 汽车电控模块综合性能分布式下线检测系统及方法 |
CN112034815A (zh) * | 2020-07-29 | 2020-12-04 | 江西江铃集团新能源汽车有限公司 | 电动汽车ecu软件版本检测方法及系统 |
WO2023040142A1 (zh) * | 2021-09-15 | 2023-03-23 | 平安科技(深圳)有限公司 | 车辆损伤检测方法、装置、设备及存储介质 |
WO2023125852A1 (zh) * | 2021-12-31 | 2023-07-06 | 北京罗克维尔斯科技有限公司 | 远程诊断方法及装置、电子设备和存储介质 |
CN114924544A (zh) * | 2022-04-13 | 2022-08-19 | 江铃汽车股份有限公司 | 一种汽车ecu软件匹配检测的方法及系统 |
CN116106738A (zh) * | 2023-02-01 | 2023-05-12 | 重庆长安新能源汽车科技有限公司 | 一种电驱动系统性能下线检测方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
JOSÉ J. LAMAS-SECO; ADRIANA DAPENA;: "System for vehicle classification: Hardware prototype and off-line signal proccesing", 《 IEEE EUROCON 2015 - INTERNATIONAL CONFERENCE ON COMPUTER AS A TOOL (EUROCON)》 * |
赵磊,洪翎: "汽车下线检测在总装车间的应用", 《汽车零部件》, pages 69 - 72 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117311139A (zh) * | 2023-11-29 | 2023-12-29 | 江西五十铃汽车有限公司 | 一种基于大数据和云计算的车辆优化方法及系统 |
CN117311139B (zh) * | 2023-11-29 | 2024-03-01 | 江西五十铃汽车有限公司 | 一种基于大数据和云计算的车辆优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116910495B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116910495B (zh) | 一种汽车下线检测的方法、系统、可读存储介质及汽车 | |
CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN111444169A (zh) | 一种变电站电气设备状态监测与诊断系统及方法 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN114215705A (zh) | 风电机组故障预警方法和系统 | |
CN112816881A (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
CN112766618A (zh) | 异常预测方法及装置 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
CN114036998A (zh) | 一种基于机器学习对工业硬件进行故障检测的方法及系统 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN114579659A (zh) | 一种梯次利用动力电池利用潜力评估及分选系统和方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN117194171A (zh) | 一种异构云资源全景式异常检测系统 | |
CN115171242B (zh) | 工业车辆远程故障检测系统 | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN116338454A (zh) | 一种新能源汽车的电性能检测方法及装置 | |
CN116578833A (zh) | 基于优化随机森林模型的igbt模块老化故障诊断系统 | |
CN114091574A (zh) | 一种电器故障预警方法、装置及终端设备 | |
CN113212244A (zh) | 一种新能源车辆动力电池寿命预测方法及系统 | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
CN112782589A (zh) | 车载燃料电池远程故障分类诊断方法、装置和存储介质 | |
CN117434911B (zh) | 设备运行状态监控方法、装置及电子设备 |
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 |