CN116911204A - 一种基于深度学习的汽车零部件寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的汽车零部件寿命预测方法，所述方法包括以下步骤：步骤一：采集汽车零件的寿命测试过程数据，对采集的数据进行预处理，扫描汽车零部件的数据，并存储在数据库中；步骤二：获取训练样本数据训练模型，更新训练样本数据，迭代训练模型训练更准确的模型；步骤三：预测汽车零部件的使用寿命，对预测结果进行评级加权融合；步骤四：数据记录并储存在历史数据库中，分析零部件使用寿命折损的原因。一种基于深度学习的汽车零部件寿命预测系统，包括数据收集模块、方法训练模块和寿命预测模块。本发明，具有提高预测准确性和高实用性的特点。

Description

一种基于深度学习的汽车零部件寿命预测方法

技术领域

本发明涉及人工智能技术领域，具体为一种基于深度学习的汽车零部件寿命预测方法。

背景技术

随着智能制造技术的成熟，汽车的生产速度越来越快，但是近几年汽车安全事故频频发生，汽车的安全问题也成为人们最为关心的问题，人们也更加重视对于汽车的安全检测，但是在现有技术中仍通过人工对汽车的零部件进行检测，判断零件的使用寿命，由于影响汽车零件使用寿命的因素过多，因此人工对零件使用寿命的预测十分不准确，并且人工对汽车零件的检查数据不能记录在零件上，无法分析零件的历史工作状态，影响零件寿命预测的准确性，而且不能获取历史检修记录，不能分析出零件寿命折损的原因，并改进设计方案。因此，设计提高预测准确性和高实用性的一种基于深度学习的汽车零部件寿命预测方法是很有必要的。

发明内容

本发明的目的在于提供一种基于深度学习的汽车零部件寿命预测方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的汽车零部件寿命预测方法，包括

步骤一：采集汽车零件的寿命测试过程数据，对采集的数据进行预处理，扫描汽车零部件的数据，并存储在数据库中；

步骤二：获取训练样本数据训练模型，更新训练样本数据，迭代训练模型训练更准确的模型；

步骤三：预测汽车零部件的使用寿命，对预测结果进行评级加权融合；

步骤四：数据记录并储存在历史数据库中，分析零部件使用寿命折损的原因。

根据上述技术方案，所述采集汽车零件的寿命测试过程数据，对采集的数据进行预处理，扫描汽车零部件的数据的步骤，包括：

建立样本数据库和历史数据库，采集该种汽车零部件在一般情况下使用各个时期的状态数据，采集该种汽车零部件的详细设计图纸，第一预处理模块，获取样本数据，分析识别样本数据中的异常值并对这些数据进行删除、补全和修正处理，第二预处理模块获取该种汽车零部件的详细设计图纸，读取图纸数据识别零部件材质及运行磨损，数据存储到样本数据库中，对零件进行扫描读取零件编码中存储的历史数据，识别零件类型调取分析系预测模型，利用超声波对零件进行检测，将数据存储到数据库。

根据上述技术方案，所述获取训练样本数据训练模型，更新训练样本数据的步骤，包括：

获取预处理后的样本数据，特征提取模块提取样本数据中零部件在一般条件各时间点的状态数据和零部件的模型数据，将数据进行融合，并分析构建知识图谱表示对零部件的寿命影响关系，获取历史预测数据，利用迭代训练模块对预测模型进行迭代更新。

根据上述技术方案，所述特征提取和特征融合的步骤，包括：

第一特征提取模块分批次扫描样本数据，识别样本数据中各个时间点零部件的损耗状况，根据时间点将数据进行分割，按照时间点进行分类，第二特征提取模块扫描样本数据识别零部件在不同环境下工作造成的损耗位置，并将识别的零部件损耗位置在零部件模型中进行标记；

第一特征融合模块获取分类后的个时间点零部件损耗情况，根据时间点将数据进行融合，得到第一融合数据，第二特征融合模块获取标记后的零部件模型，跟据零部件损耗位置将零部件工作环境数据进行融合，得到第二融合数据，第三特征融合模块将第一融合数据和第二融合数据根据时间点将数据进行融合，分析融合后的数据之间的关系，构建知识图谱。

根据上述技术方案，所述预测汽车零部件的使用寿命，对预测结果进行评级加权融合的步骤，包括：

模型预测模块获取扫描的零部件模型和读取的零部件历史检测数据，根据零部件模型调取对应的预测模型，第一预测模块识别零部件材质，限制零部件在理想状态下的影响因子，对零部件使用寿命进行分析，得到第一预测结果，第二预测模块添加零部件在各类影响因子，分别在单一影响因子和组合影响因子状态下对零部件寿命进行分析，得到第二预测结果，第三预测模块获取历史检测数据，基于历史数据中的环境对零部件寿命进行分析，得到第三预测结果；有限元分析模块获取第二预测模块添加的影响因子，设定影响因子模拟零部件工作环境，在此环境下预测零部件寿命得到第四预测结果，有限元分析模块读取零部件设计图纸及数据，构建零部件模型，获取零部件历史检测数据，识别零部件工作环境，人工手动设定影响因子模拟零部件工作环境，在影响因子作用下对零部件进行加速运行模拟，得到第五预测结果，第一预测结果对比设定预想的使用寿命，若两者误差大于第一阈值，证明设计缺陷，调整设计方案，对比第二预测结果与第四预测结果，当上述两者误差小于第一阈值时，信任评定模块判定训练模型训练成功，对比第三预测结果和第五预测结果，若两者误差小于第三阈值，信任评定模块标记两次预测结果，并信任预测结果，系统取两者平均值作为零部件的使用寿命预测结果，若两者误差大于第三阈值，迭代训练模块获取分析数据，利用数据对预测模型进行训练更新。

根据上述技术方案，所述分析零部件使用寿命折损的原因的步骤，包括：

获取预测模型中识别的影响该预测结果的影响因子，根据影响因子对比知识图谱，识别影响因子与汽车零部件之间的关系，剔除零部件设计时设定的影响因子，得到导致零部件寿命折损的影响因子，系统将折损原因发送到研发部门做出调整，在零部件检修过程中预测寿命折损时，调取车辆中央控制器中的车辆操作记录，分析用户操作习惯，利用有限元分析模块模拟用户操作习惯下的零部件运转环境，对比设定运行环境影响因子，标记相似度小于阈值的影响因子，得到用户操作习惯导致零部件寿命折损的影响因子。

根据上述技术方案，所述系统包括：

数据收集模块，用于收集预测数据；

方法训练模块，用于训练预测模型；

寿命预测模块，用于预测零部件寿命分析寿命折损原因。

根据上述技术方案，所述数据收集模块包括：

样本数据采集模块，用于采集训练样本数据和设计图纸；

数据预处理模块，包括第一预处理模块和第二预处理模块，第一预处理模块用于对数据异常值进行预处理，第二预处理模块用于对读取的零件数据进行处理；

零件扫描模块，用于扫描零部件，读取零部件上的数据；

数据库模块，用于建立数据库存储采集的数据和历史分析数据。

根据上述技术方案，所述方法训练模块包括：

特征提取模块，用于提取数据样本的数据特征；

特征融合模块，用于融合大量的数据特征；

迭代训练模块，用于识别误差较大的预测结果，并将数据添加到样本数据库训练更新预测模型；

有限元分析模块，用于通过模拟零部件运行分析零部件损耗预测寿命。

根据上述技术方案，所述寿命预测模块包括：

模型预测模块，用于利用训练的预测对零部件寿命进行预测；

信任评级模块，用于对预测结果进行信任评级；

数据记录模块，用于记录零部件运行环境和零部件的损耗状况；

折损分析模块，用于分析零部件寿命折损的原因。

与现有技术相比，本发明所达到的有益效果是：本发明，通过设置有迭代训练模块，通过将预测结果差距过大的数据添加到训练样本中对预测模型进行迭代更新，能够使预测模型适用于更宽泛的场景，并且预测结果也更加准确；信任评级模块，通过对比预测模型的预测结果和有限元分析的预测结果，能够减少零部件寿命预测误差，并且将误差过大的数据作为样本对预测模型进行迭代更新，能够使预测模型更加完善，减少极少数情况下预测结果误差过大的现象，极大地增加了预测结果的准确性，数据记录模块和折损分析模块，通过将检测数据和预测数据录入零部件，能够在预测零部件使用寿命时获取零部件最确切的运行环境，能够准确分析运行环境中的影响因子，进而使零部件寿命的预测结果更加准确，并且还能够分析影响零部件寿命折损的原因，促进零部件设计的改进，具有非常强的实用价值。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明实施例一提供的一种基于深度学习的汽车零部件寿命预测方法步骤流程图；

图2是本发明实施例二提供的一种基于深度学习的汽车零部件寿命预测系统模块组成示意图。

实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：图1为本发明实施例一提供的一种基于深度学习的汽车零部件寿命预测方法的流程图，本实施例可应用汽车零部件检测的场景，该方法可以由本实施例提供的一种基于深度学习的汽车零部件寿命预测方法来执行，如图1所示，该方法具体包括以下步骤：

步骤一：采集汽车零件的寿命测试过程数据，对采集的数据进行预处理，扫描汽车零部件的数据，并存储在数据库中；

在本发明实施例中，建立样本数据库和历史数据库，采集该种汽车零部件在一般情况下使用各个时期的状态数据，采集该种汽车零部件的详细设计图纸，第一预处理模块，获取样本数据，分析识别样本数据中的异常值并对这些数据进行删除、补全和修正处理，第二预处理模块获取该种汽车零部件的详细设计图纸，读取图纸数据识别零部件材质及运行磨损，数据存储到样本数据库中，对零件进行扫描读取零件编码中存储的历史数据，识别零件类型调取分析系预测模型，利用超声波对零件进行检测，将数据存储到数据库，通过对采集的样本数据进行检测，将异常值进行删除、补全和修正，能够避免异常数据对模型训练准确性的影响，提高模型的准确性，能够提高模型训练的准确性，调取历史数据分析零部件的历史工作状态，为有限元分析提供零部件的实际运行环境。

步骤二：获取训练样本数据训练模型，更新训练样本数据，迭代训练模型训练更准确的模型；

在本发明实施例中，获取预处理后的样本数据，特征提取模块提取样本数据中零部件在一般条件各时间点的状态数据和零部件的模型数据，将数据进行融合，并分析构建知识图谱表示对零部件的寿命影响关系，获取历史预测数据，利用迭代训练模块对预测模型进行迭代更新；

示例性的，特征提取的具体方法为：第一特征提取模块分批次扫描样本数据，识别样本数据中各个时间点零部件的损耗状况，根据时间点将数据进行分割，按照时间点进行分类，第二特征提取模块扫描样本数据识别零部件在不同环境下工作造成的损耗位置，并将识别的零部件损耗位置在零部件模型中进行标记；特征融合的具体方法为：第一特征融合模块获取分类后的个时间点零部件损耗情况，根据时间点将数据进行融合，得到第一融合数据，第二特征融合模块获取标记后的零部件模型，跟据零部件损耗位置将零部件工作环境数据进行融合，得到第二融合数据，第三特征融合模块将第一融合数据和第二融合数据根据时间点将数据进行融合，分析融合后的数据之间的关系，构建知识图谱；迭代训练的具体方法为：迭代训练模块识别预测结果的信任等级，若信任等级小于阈值，则标记此次预测模型预测后的数据，将标记数据添加到样本数据库，迭代模块将数据在方法训练模块进行遍历，更新训练模型，通过将样本数据进行细致特征提取并融合，能够使训练的预测模型具备更加精准的预测效果，分析构建数据特征知识图谱，能够精确定位影响零部件寿命的因素，方便对寿命折损原因进行分析，通过将预测结果差距过大的数据添加到训练样本中对预测模型进行迭代更新，能够使预测模型适用于更宽泛的场景，并且预测结果也更加准确。

步骤三：预测汽车零部件的使用寿命，对预测结果进行评级加权融合；

在本发明实施例中，模型预测模块获取扫描的零部件模型和读取的零部件历史检测数据，根据零部件模型调取对应的预测模型，第一预测模块识别零部件材质，限制零部件在理想状态下的影响因子，对零部件使用寿命进行分析，得到第一预测结果，第二预测模块添加零部件在各类影响因子，分别在单一影响因子和组合影响因子状态下对零部件寿命进行分析，得到第二预测结果，第三预测模块获取历史检测数据，基于历史数据中的环境对零部件寿命进行分析，得到第三预测结果；有限元分析模块获取第二预测模块添加的影响因子，设定影响因子模拟零部件工作环境，在此环境下预测零部件寿命得到第四预测结果，有限元分析模块读取零部件设计图纸及数据，构建零部件模型，获取零部件历史检测数据，识别零部件工作环境，人工手动设定影响因子模拟零部件工作环境，在影响因子作用下对零部件进行加速运行模拟，得到第五预测结果，第一预测结果对比设定预想的使用寿命，若两者误差大于第一阈值，证明设计缺陷，调整设计方案，对比第二预测结果与第四预测结果，当上述两者误差小于第一阈值时，信任评定模块判定训练模型训练成功，对比第三预测结果和第五预测结果，若两者误差小于第三阈值，信任评定模块标记两次预测结果，并信任预测结果，系统取两者平均值作为零部件的使用寿命预测结果，若两者误差大于第三阈值，迭代训练模块获取分析数据，利用数据对预测模型进行训练更新，通过对比预测模型的预测结果和有限元分析的预测结果，能够减少零部件寿命预测误差，并且将误差过大的数据作为样本对预测模型进行迭代更新，能够使预测模型更加完善，减少极少数情况下预测结果误差过大的现象，极大地增加了预测结果的准确性。

步骤四：数据记录并储存在历史数据库中，分析零部件使用寿命折损的原因。

在本发明实施例中，数据记录模块获取汽车零部件寿命预测结果，将数据记录并存储到历史数据库中，数据收集模块采集历史数据库中的数据，作为新的样本数据对预测模型进行更新；获取汽车零部件寿命预测结果相差较大的数据，获取预测模型中识别的影响该预测结果的影响因子，根据影响因子对比知识图谱，识别影响因子与汽车零部件之间的关系，剔除零部件设计时设定的影响因子，得到导致零部件寿命折损的影响因子，系统将折损原因发送到研发部门做出调整，在零部件检修过程中预测寿命折损时，调取车辆中央控制器中的车辆操作记录，分析用户操作习惯，利用有限元分析模块模拟用户操作习惯下的零部件运转环境，对比设定运行环境影响因子，标记相似度小于阈值的影响因子，得到用户操作习惯导致零部件寿命折损的影响因子，通过将检测数据和预测数据录入零部件，能够在预测零部件使用寿命时获取零部件最确切的运行环境，能够准确分析运行环境中的影响因子，进而使零部件寿命的预测结果更加准确，并且还能够分析影响零部件寿命折损的原因，促进零部件设计的改进，具有非常强的实用价值。

实施例二：本发明实施例二提供了一种基于深度学习的汽车零部件寿命预测方法，图2为本发明实施例二提供的一种基于深度学习的汽车零部件寿命预测方法的模块组成示意图，如图2所示，该系统包括：

数据收集模块，用于收集预测数据；

方法训练模块，用于训练预测模型；

寿命预测模块，用于预测零部件寿命分析寿命折损原因。

在本发明的一些实施例中，数据收集模块包括：

样本数据采集模块，用于采集训练样本数据和设计图纸；

数据预处理模块，包括第一预处理模块和第二预处理模块，第一预处理模块用于对数据异常值进行预处理，第二预处理模块用于对读取的零件数据进行处理；

零件扫描模块，用于扫描零部件，读取零部件上的数据；

数据库模块，用于建立数据库存储采集的数据和历史分析数据。

在本发明的一些实施例中，方法训练模块包括：

特征提取模块，用于提取数据样本的数据特征；

特征融合模块，用于融合大量的数据特征；

迭代训练模块，用于识别误差较大的预测结果，并将数据添加到样本数据库训练更新预测模型；

有限元分析模块，用于通过模拟零部件运行分析零部件损耗预测寿命。

在本发明的一些实施例中，寿命预测模块包括：

模型预测模块，用于利用训练的预测对零部件寿命进行预测；

信任评级模块，用于对预测结果进行信任评级；

数据记录模块，用于记录零部件运行环境和零部件的损耗状况；

折损分析模块，用于分析零部件寿命折损的原因。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的汽车零部件寿命预测方法，其特征在于：所述方法包括以下步骤：

步骤一：采集汽车零件的寿命测试过程数据，对采集的数据进行预处理，扫描汽车零部件的数据，并存储在数据库中；

步骤二：获取训练样本数据训练模型，更新训练样本数据，迭代训练模型训练更准确的模型；

步骤三：预测汽车零部件的使用寿命，对预测结果进行评级加权融合；

步骤四：数据记录并储存在历史数据库中，分析零部件使用寿命折损的原因。

2.根据权利要求1所述的一种基于深度学习的汽车零部件寿命预测方法，其特征在于：所述采集汽车零件的寿命测试过程数据，对采集的数据进行预处理，扫描汽车零部件的数据的步骤，包括：

建立样本数据库和历史数据库，采集该种汽车零部件在一般情况下使用各个时期的状态数据，采集该种汽车零部件的详细设计图纸，第一预处理模块，获取样本数据，分析识别样本数据中的异常值并对这些数据进行删除、补全和修正处理，第二预处理模块获取该种汽车零部件的详细设计图纸，读取图纸数据识别零部件材质及运行磨损，数据存储到样本数据库中，对零件进行扫描读取零件编码中存储的历史数据，识别零件类型调取分析系预测模型，利用超声波对零件进行检测，将数据存储到数据库。

3.根据权利要求2所述的一种基于深度学习的汽车零部件寿命预测方法，其特征在于：所述获取训练样本数据训练模型，更新训练样本数据的步骤，包括：

获取预处理后的样本数据，特征提取模块提取样本数据中零部件在一般条件各时间点的状态数据和零部件的模型数据，将数据进行融合，并分析构建知识图谱表示对零部件的寿命影响关系，获取历史预测数据，利用迭代训练模块对预测模型进行迭代更新。

4.根据权利要求3所述的一种基于深度学习的汽车零部件寿命预测方法，其特征在于：所述特征提取和特征融合的步骤，包括：

第一特征提取模块分批次扫描样本数据，识别样本数据中各个时间点零部件的损耗状况，根据时间点将数据进行分割，按照时间点进行分类，第二特征提取模块扫描样本数据识别零部件在不同环境下工作造成的损耗位置，并将识别的零部件损耗位置在零部件模型中进行标记；

第一特征融合模块获取分类后的个时间点零部件损耗情况，根据时间点将数据进行融合，得到第一融合数据，第二特征融合模块获取标记后的零部件模型，跟据零部件损耗位置将零部件工作环境数据进行融合，得到第二融合数据，第三特征融合模块将第一融合数据和第二融合数据根据时间点将数据进行融合，分析融合后的数据之间的关系，构建知识图谱。

5.根据权利要求4所述的一种基于深度学习的汽车零部件寿命预测方法，其特征在于：所述预测汽车零部件的使用寿命，对预测结果进行评级加权融合的步骤，包括：

模型预测模块获取扫描的零部件模型和读取的零部件历史检测数据，根据零部件模型调取对应的预测模型，第一预测模块识别零部件材质，限制零部件在理想状态下的影响因子，对零部件使用寿命进行分析，得到第一预测结果，第二预测模块添加零部件在各类影响因子，分别在单一影响因子和组合影响因子状态下对零部件寿命进行分析，得到第二预测结果，第三预测模块获取历史检测数据，基于历史数据中的环境对零部件寿命进行分析，得到第三预测结果；有限元分析模块获取第二预测模块添加的影响因子，设定影响因子模拟零部件工作环境，在此环境下预测零部件寿命得到第四预测结果，有限元分析模块读取零部件设计图纸及数据，构建零部件模型，获取零部件历史检测数据，识别零部件工作环境，人工手动设定影响因子模拟零部件工作环境，在影响因子作用下对零部件进行加速运行模拟，得到第五预测结果，第一预测结果对比设定预想的使用寿命，若两者误差大于第一阈值，证明设计缺陷，调整设计方案，对比第二预测结果与第四预测结果，当上述两者误差小于第一阈值时，信任评定模块判定训练模型训练成功，对比第三预测结果和第五预测结果，若两者误差小于第三阈值，信任评定模块标记两次预测结果，并信任预测结果，系统取两者平均值作为零部件的使用寿命预测结果，若两者误差大于第三阈值，迭代训练模块获取分析数据，利用数据对预测模型进行训练更新。

6.根据权利要求5所述的一种基于深度学习的汽车零部件寿命预测方法，其特征在于：所述分析零部件使用寿命折损的原因的步骤，包括：

获取预测模型中识别的影响该预测结果的影响因子，根据影响因子对比知识图谱，识别影响因子与汽车零部件之间的关系，剔除零部件设计时设定的影响因子，得到导致零部件寿命折损的影响因子，系统将折损原因发送到研发部门做出调整，在零部件检修过程中预测寿命折损时，调取车辆中央控制器中的车辆操作记录，分析用户操作习惯，利用有限元分析模块模拟用户操作习惯下的零部件运转环境，对比设定运行环境影响因子，标记相似度小于阈值的影响因子，得到用户操作习惯导致零部件寿命折损的影响因子。

7.一种基于深度学习的汽车零部件寿命预测系统，其特征在于：所述系统包括：

数据收集模块，用于收集预测数据；

方法训练模块，用于训练预测模型；

寿命预测模块，用于预测零部件寿命分析寿命折损原因。

8.根据权利要求7所述的一种基于深度学习的汽车零部件寿命预测系统，其特征在于：所述数据收集模块包括：

样本数据采集模块，用于采集训练样本数据和设计图纸；

数据预处理模块，包括第一预处理模块和第二预处理模块，第一预处理模块用于对数据异常值进行预处理，第二预处理模块用于对读取的零件数据进行处理；

零件扫描模块，用于扫描零部件，读取零部件上的数据；

数据库模块，用于建立数据库存储采集的数据和历史分析数据。

9.根据权利要求8所述的一种基于深度学习的汽车零部件寿命预测系统，其特征在于：所述方法训练模块包括：

特征提取模块，用于提取数据样本的数据特征；

特征融合模块，用于融合大量的数据特征；

迭代训练模块，用于识别误差较大的预测结果，并将数据添加到样本数据库训练更新预测模型；

有限元分析模块，用于通过模拟零部件运行分析零部件损耗预测寿命。

10.根据权利要求9所述的一种基于深度学习的汽车零部件寿命预测系统，其特征在于：所述寿命预测模块包括：

模型预测模块，用于利用训练的预测对零部件寿命进行预测；

信任评级模块，用于对预测结果进行信任评级；

数据记录模块，用于记录零部件运行环境和零部件的损耗状况；

折损分析模块，用于分析零部件寿命折损的原因。