CN117270508A - 一种车辆故障预测方法、装置、设备及存储介质 - Google Patents
一种车辆故障预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117270508A CN117270508A CN202311401415.5A CN202311401415A CN117270508A CN 117270508 A CN117270508 A CN 117270508A CN 202311401415 A CN202311401415 A CN 202311401415A CN 117270508 A CN117270508 A CN 117270508A
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- vehicle
- failure mode
- determining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012423 maintenance Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 abstract description 18
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例公开了一种车辆故障预测方法、装置、设备及存储介质。该方法包括:获取故障车辆的故障信息;根据故障信息,确定故障车辆中发生故障的至少一个参考零部件,以及各参考零部件分别对应的至少一个参考故障现象;根据各参考零部件分别对应的各参考故障现象,基于预先构建的各参考零部件分别对应的故障关联关系模型,确定各参考故障零部件分别对应的目标失效模式;故障关联关系模型用于表征故障现象和失效模式之间的关联关系;生成包括各参考故障零部件及其对应的目标失效模式的车辆故障预测结果。本发明实施例提供的技术方案,通过分析故障车辆的故障信息确定故障预测结果,以缩短故障诊断时间,提高故障处理效率和故障预测准确度。
Description
技术领域
本发明实施例涉及汽车故障诊断及处置技术领域,尤其涉及一种车辆故障预测方法、装置、设备及存储介质。
背景技术
随着经济的发展和科技水平的日益提高,汽车作为现代社会不可或缺的重要交通工具,为我们的生活带来了极大便利。但在汽车实际使用过程中,难免会因汽车系统或部分零部件受损导致汽车出现故障。
在现有技术中,当汽车出现故障问题时,驾驶人员通常需要将故障车辆运送至经销商处,经销商使用诊断仪对故障车辆进行故障诊断,并依据诊断结果进行故障修复,或者将故障信息发送至云端由云端进行车辆故障预测,但这种方式仅是对车辆故障进行简单的预测,预测准确度较低。
此外,现有的最常见的故障诊断和解决方式,是需要经销商的专业人员依据经验逐一排查可能存在故障的零部件,导致故障处理效率低,故障修复时间长,使得用户体验较差。
发明内容
本发明提供了一种车辆故障预测方法、装置、设备及存储介质,以缩短故障诊断时间,提高故障处理效率和故障预测准确度。
第一方面,本发明实施例提供了一种车辆故障预测方法,该方法包括:
获取故障车辆的故障信息;
根据故障信息,确定故障车辆中发生故障的至少一个参考零部件,以及各参考零部件分别对应的至少一个参考故障现象;
根据各参考零部件分别对应的各参考故障现象,基于预先构建的各参考零部件分别对应的故障关联关系模型,确定各参考故障零部件分别对应的目标失效模式;故障关联关系模型用于表征故障现象和失效模式之间的关联关系;
生成包括各参考故障零部件及其对应的目标失效模式的车辆故障预测结果。
第二方面,本发明实施例还提供了一种车辆故障预测装置,该装置包括:
故障信息获取模块,用于获取故障车辆的故障信息;
参考信息确定模块,用于根据故障信息,确定故障车辆中发生故障的至少一个参考零部件,以及各参考零部件分别对应的至少一个参考故障现象;
失效模式确定模块,用于根据各参考零部件分别对应的各参考故障现象,基于预先构建的各参考零部件分别对应的故障关联关系模型,确定各参考故障零部件分别对应的目标失效模式;故障关联关系模型用于表征故障现象和失效模式之间的关联关系;
预测结果生成模块,用于生成包括各参考故障零部件及其对应的目标失效模式的车辆故障预测结果。
第三方面,本发明实施例还提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的一种车辆故障预测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时,使得计算机处理器能够执行本发明实施例提供的任意一种车辆故障预测方法。
本发明实施例通过获取故障车辆的故障信息;根据故障信息,确定故障车辆中发生故障的至少一个参考零部件,以及各参考零部件分别对应的至少一个参考故障现象;根据各参考零部件分别对应的各参考故障现象,基于预先构建的各参考零部件分别对应的故障关联关系模型,确定各参考故障零部件分别对应的目标失效模式;故障关联关系模型用于表征故障现象和失效模式之间的关联关系;生成包括各参考故障零部件及其对应的目标失效模式的车辆故障预测结果。本发明实施例提供的技术方案,通过分析故障车辆的故障信息确定故障预测结果,以缩短故障诊断时间,提高故障处理效率和故障预测准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的附图。
图1A是本发明实施例一提供的一种车辆故障预测方法的流程图;
图1B是本发明实施例一提供的一种车辆故障预测方法的故障关联关系模型的结构示意图;
图2是本发明实施例二提供的另一种车辆故障预测方法的流程图;
图3是本发明实施例三提供的一种车辆故障预测装置的结构示意图;
图4是本发明实施例四提供的一种车辆故障预测方法的电子设备的结构示意图。
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方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外,还需要说明的是,本发明的技术方案中,所涉及的车辆故障数据等的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
实施例一
图1A是本发明实施例一提供的一种车辆故障预测方法的流程图,图1B是本发明实施例一提供的一种车辆故障预测方法的故障关联关系模型的结构示意图。本实施例可适用于确定故障车辆的故障预测结果的情况,该方法可以由一种车辆故障预测装置来执行,该车辆故障预测装置可以采用硬件和/或软件的形式实现,该车辆故障预测装置可配置于电子设备中,该电子设备可以是终端设备或服务器等,本发明实施例对此不进行限制。
如图1A所示,本发明实施例提供的一种车辆故障预测方法,具体包括如下步骤:
S110、获取故障车辆的故障信息。
具体的,响应于车辆的故障状态,进一步获取该故障车辆的故障信息,以便通过分析故障信息修复故障车辆,保障车辆的正常行驶。
S120、根据故障信息,确定故障车辆中发生故障的至少一个参考零部件,以及各参考零部件分别对应的至少一个参考故障现象。
在本实施例中,参考零部件可以是可能导致车辆产生故障的零部件,对参考零部件的种类及数量不作限定;参考故障现象可以是各参考零部件产生的相应的故障现象。可以理解的是,参考零部件和参考故障现象可以是一对多的关系,也就是说,针对各参考零部件,可能会出现不同的参考故障现象。
具体的,根据故障车辆的故障信息,可确定导致车辆发生故障的至少一个参考零部件,并确定与各参考零部件相对应的至少一个参考故障现象,参考零部件和参考故障现象可依据故障车辆的实际故障信息确定。本发明实施例对参考零部件的种类和数量,以及对于各参考零部件可能存在的参考故障现象的种类和数量不进行限定。
可选的,根据故障信息,确定故障车辆中发生故障的至少一个参考零部件,以及各参考零部件分别对应的至少一个参考故障现象,包括:获取故障车辆的故障码和故障灯;确定与故障灯关联的至少一个参考故障零部件;根据故障码,确定各参考零部件分别对应的至少一个参考故障现象。
在本实施例中,故障码可为在车辆出现故障时,通过分析车辆的发动机控制单元(Engine Control Unit,ECU)进而得到反映车辆故障信息的一种系统故障码,其中,ECU可通过车辆中的各种传感器计算车辆的行驶状态,从而对发动机的多项参数进行控制,并自动记录系统产生故障时的故障码信息;故障灯用于提醒驾驶人员当前所驾驶的车辆是否存在故障,故障灯默认处于关闭状态,表示当前车辆具备正常驾驶功能,若故障灯开启,则提醒驾驶人员当前车辆存在故障。
具体的,当车辆存在故障时,可获取故障车辆的故障信息,并确定故障信息中的故障码和故障灯信息。根据获取到的故障灯信息,可确定与其关联的参考故障零部件,可以理解的是,故障灯和参考故障零部件之间可以是一对多的关系,也就是说,当故障灯亮起,可以会存在发生故障的一个或多个参考故障零部件;根据获取到的故障码信息,可确定与其关联的参考故障现象,可以理解的是,故障码和参考故障现象之间可以是一对多的关系,也就是说,针对各故障码可能会对应多个不同的参考故障现象。本发明实施例对故障灯与参考故障零部件、故障码与参考故障现象之间具体的一对多对应关系不作限定,可依据故障车辆的实际故障信息进行确定。
本发明实施例提供的技术方案,通过获取车辆的故障信息,并依据故障信息中的故障灯和故障码信息,确定导致车辆发生故障的参考故障部件和与各参考故障部件相对应的参考故障现象,以便于后续相关技术人员基于故障车辆的参考故障现象进行故障修复,以节省故障诊断时间,缩短故障修复时间,提高故障处理效率。
S130、根据各参考零部件分别对应的各参考故障现象,基于预先构建的各参考零部件分别对应的故障关联关系模型,确定各参考故障零部件分别对应的目标失效模式;故障关联关系模型用于表征故障现象和失效模式之间的关联关系。
在本实施例中,故障关联关系模型用于表征参考故障现象与失效模式之间的关联关系,也就是建立参考故障现象与失效模式之间的对应关系,故障关联关系模型如图1B所示。需要说明的是,故障关联关系模型可以是基于故障车辆的历史故障现象与历史失效模式,所建立的反映故障车辆的故障现象与失效模式之间关联关系的一种故障关联关系模型。可以理解的是,在故障关联关系模型中,不同故障现象所对应的失效模式可以是相同也可以是不同的,且一个故障现象可以对应一个或多个失效模式,各故障现象之间可能存在对应相同的失效模式。
具体的,依据参考零部件和相应的参考故障现象之间的对应关系,以及预先构建的故障关联关系模型,可确定参考故障零部件对应的目标失效模式。
本发明实施例提供的技术方案,基于由历史故障信息构建的,用以表征故障现象和失效模式之间关联关系的故障关联关系模型,确定与参考故障零部件相对应的目标失效模式,通过将历史故障信息作为参考数据,确定故障车辆的实际故障信息,便于相关技术人员缩短故障检测时间和故障修复时间,提高故障预测结果的准确度和故障处理效率。
S140、生成包括各参考故障零部件及其对应的目标失效模式的车辆故障预测结果。
具体的,通过分析故障车辆的故障信息,可确定参考故障零部件,并生成与其对应的目标失效模式的车辆故障预测结果,以便于相关技术人员根据故障车辆的故障信息确定故障预测结果,对故障车辆进行故障修复。
本发明实施通过获取故障车辆的故障信息;根据故障信息,确定故障车辆中发生故障的至少一个参考零部件,以及各参考零部件分别对应的至少一个参考故障现象;根据各参考零部件分别对应的各参考故障现象,基于预先构建的各参考零部件分别对应的故障关联关系模型,确定各参考故障零部件分别对应的目标失效模式;故障关联关系模型用于表征故障现象和失效模式之间的关联关系;生成包括各参考故障零部件及其对应的目标失效模式的车辆故障预测结果。本发明实施例提供的技术方案,通过分析故障车辆的故障信息确定故障预测结果,以缩短故障诊断时间,提高故障处理效率和故障预测准确度。
实施例二
图2是本发明实施例二提供的另一种车辆故障预测方法的流程图,本发明实施例的技术方案在上述各可选技术方案的基础上进一步优化。
进一步的,将“根据各参考零部件分别对应的各参考故障现象,基于预先构建的各参考零部件分别对应的故障关联关系模型,确定各参考故障零部件分别对应的目标失效模式;故障关联关系模型用于表征故障现象和失效模式之间的关联关系”,进一步细化为“根据相应参考零部件对应的各参考故障现象,基于相应参考零部件的故障关联关系模型,确定相应参考零部件的各参考故障现象分别对应的参考失效模式;根据各参考故障现象分别对应的参考失效模式,确定相应参考故障零部件的目标失效模式”,以缩短故障诊断时间,提高故障处理效率和故障预测的准确度。需要说明的是,在本实施例中未讲述部分,可参考其他实施例的相关表述,在此不再赘述。
如图2所示,本发明实施例提供的另一种车辆故障预测方法,具体包括如下步骤:
S210、获取故障车辆的故障信息。
S220、根据故障信息,确定故障车辆中发生故障的至少一个参考零部件,以及各参考零部件分别对应的至少一个参考故障现象。
S230、根据相应参考零部件对应的各参考故障现象,基于相应参考零部件的故障关联关系模型,确定相应参考零部件的各参考故障现象分别对应的参考失效模式。
具体的,基于历史车辆故障数据构建的反映故障车辆的故障现象和失效模式之间关联关系的故障关联关系模型,以及与各参考零部件相对应的至少一个参考故障现象,可确定参考零部件在不同参考故障现象中对应的参考失效模式。
示例性的,故障关联关系模型如图1B所示,假定与参考零部件对应的参考故障现象为“故障现象A”和“故障现象E”,参见图1B所示的故障关联关系模型可知,“故障现象A”对应的参考失效模式为“失效模式1”、“失效模式2”和“失效模式3”,“故障现象E”对应的参考失效模式为“失效模式3”、“失效模式5”和“失效模式7”。
本发明实施例提供的技术方案,通过故障关联关系模型、参考零部件及与其对应的参考故障现象,进一步确定该故障车辆的参考失效模式,以便于根据该故障车辆的故障信息构建可能导致故障的参考失效模式,继而确定导致车辆产生故障的具体失效模式,以提高对故障预测的准确度,缩短相关技术人员对故障的诊断时间。
S240、根据各参考故障现象分别对应的参考失效模式,确定相应参考故障零部件的目标失效模式。
具体的,基于与参考故障零部件对应的参考故障现象,以及与参考故障现象对应的参考失效模式,并通过综合分析上述对应关系,进一步确定与相应参考故障零部件对应的目标失效模式,也就是说,确定故障车辆的故障预测结果。
可选的,根据各参考故障现象分别对应的参考失效模式,确定相应参考故障零部件的目标失效模式,包括:根据各参考故障现象分别对应的参考失效模式之间的一致性,确定是否存在模式相同的至少两个参考失效模式;若是,则将模式相同的各参考失效模式确定为一个相同失效模式,并确定相同失效模式的模式数量;若相同失效模式的模式数量有且仅有一个,则将该相同失效模式确定为相应参考故障零部件的目标失效模式。
具体的,在确定与参考故障零部件对应的目标失效模式时,应对参考故障现象及其对应的参考失效模式之间的一致性进行判断,确定是否存在模式相同的至少两个参考失效模式。示例性的,延续前例,参见图1B,以图1B中故障现象为“故障现象A”和“故障现象E”为例进行说明,由图1B可知,“故障现象A”对应的参考失效模式为“失效模式1”、“失效模式2”和“失效模式3”;“故障现象E”对应的参考失效模式为“失效模式3”、“失效模式5”和“失效模式7”。在该示例中,由于“故障现象A”和“故障现象E”分别对应的相同失效模式为“失效模式3”,且相同失效模式唯一,则可确定该相同失效模式为相应参考参考故障零部件的目标失效模式。
示例性的,参见图1B,以图1B中故障现象为“故障现象A”、“故障现象D”和“故障现象E”为例进行说明,由图1B可知,“故障现象A”对应的参考失效模式为“失效模式1”、“失效模式2”和“失效模式3”;“故障现象D”对应的参考失效模式为“失效模式2”、“失效模式3”和“失效模式5”;“故障现象E”对应的参考失效模式为“失效模式3”、“失效模式5”和“失效模式7”。在该示例中,“故障现象A”、“故障现象D”和“故障现象E”分别对应的相同失效模式为“失效模式3”;“故障现象A”和故障现象D”分别对应的相同失效模式为“失效模式2”和“失效模式3”;“故障现象A”和“故障现象E”分别对应的相同失效模式为“失效模式3”;“故障现象D”和“故障现象E”分别对应的相同失效模式为“失效模式3”和“失效模式5”。因此,在该示例中,将模式相同的各参考失效模式确定为一个相同失效模式后,可确定相同失效模式为“失效模式2”、“失效模式3”和“失效模式5”,由于相同失效模式并不唯一,则可确定相同失效模式的模式数量为3。
进一步的,若相同失效模式的模式数量为至少两个,则获取与各相同失效模式关联的历史失效模式数据;根据各相同失效模式关联的历史失效模式数据,确定相应参考故障零部件的目标失效模式。
具体的,若相同失效模式的模式数量不唯一,且至少两个时,还应获取与该相同失效模式相关联的历史失效模式数据,并根据与相同失效模式相关联的历史失效模式数据,确定相应参考故障零部件的目标失效模式。
可选的,根据各相同失效模式关联的历史失效模式数据,确定相应参考故障零部件的目标失效模式,包括:根据各相同失效模式关联的历史失效模式数据,确定各相同失效模式分别在历史周期下的历史出现频率;根据各相同失效模式分别对应的历史出现频率,确定相应参考故障零部件的目标失效模式。
具体的,在确定相应参考故障零部件的目标失效模式时,应根据与各相同失效模式关联的历史失效模式数据,确定各相同失效模式分别在历史周期下的历史出现频率,进而基于历史出现频率,确定相应参考故障零部件的目标失效模式。
示例性的,延续前例,假定与各相同失效模式“失效模式2”、“失效模式3”和“失效模式5”相关联的历史失效模式数据在历史周期下的历史出现频率为10、20和5,也即,“失效模式2”、“失效模式3”和“失效模式5”在历史周期下被确定为目标失效模式的次数分别为10次、20次和5次,则可根据历史出现频率确定相应参考故障零部件的目标失效模式,也就是说,将历史出现频率最高的“失效模式3”作为相应参考故障零部件的目标失效模式。
本发明实施例提供的技术方案,根据各参考故障现象分别对应的参考失效模式,并对两者之间的一致性进行判断,确定是否存在模式相同的至少两个参考失效模式,若模式相同的参考失效模式唯一,则将该参考失效模式作为相应参考故障零部件的目标失效模式;若模式相同的参考失效模式不唯一,则根据与各相同失效模式相关联的历史失效模式数据在历史周期下的历史出现频率,确定与最大历史出现频率相关联的相同参考失效模式,并将其作为相应参考故障零部件的目标失效模式。
S250、生成包括各参考故障零部件及其对应的目标失效模式的车辆故障预测结果。
具体的,根据各参考故障零部件及其对应的目标失效模式,可生成车辆故障预测结果。可以理解的是,该车辆故障预测结果是系统根据车辆的故障信息结合车辆的历史故障信息确定的,因此该故障预测结果仅作为参考,不应对车辆的实际故障进行限定。
可选的,在生成包括各参考故障零部件及其对应的目标失效模式的车辆故障预测结果之后,方法还包括:获取故障车辆的位置信息;根据位置信息,从预设距离范围内的至少一个候选车辆维修厂商中选取目标车辆维修厂商;将车辆故障预测结果反馈至目标车辆维修厂商,以供目标车辆维修厂商对车辆故障预测结果进行修正,得到修正故障预测结果;采用修正故障预测结果更新故障关联关系模型。
具体的,在获取该车辆的故障预测结果后,还应获取故障车辆的详细位置信息,并根据故障车辆的详细位置信息确定预设距离范围内的候选车辆维修厂商,其中,预设距离范围可以是驾驶人员预先设定的,例如可以是10km,通过将车辆的故障预测结果反馈给驾驶人员选定的车辆维修厂商,便于车辆维修厂商对车辆的故障预测结果进行修正,并通过车辆的实际故障信息修正车辆的故障预测结果,以实现对故障关联关系模型的更新。例如,若车辆预测结果中参考故障零部件A对应目标失效模式3,经车辆维修厂对车辆进行人工诊断后确定参考零部件A应对应目标失效模式4,则将该对应关系进行反馈,以根据反馈的对应关系对故障预测结果进行修正,从而完善故障关联关系模型,以提高故障关联关系模型的准确度。
本发明实施例提供的技术方案,根据故障车辆的详细位置信息确定预设距离范围内的候选车辆维修厂商,并将车辆的故障预测结果推送至驾驶人员选中的车辆维修厂商,以便于车辆维修厂商缩短车辆诊断时间和车辆修正时间,提高故障处理效率。
本发明实施例通过获取故障车辆的故障信息,确定发生故障的参考零部件和参考故障现象,并基于故障关联关系模型确定与相应参考零部件的各参考故障现象对应的参考失效模式,进而确定目标失效模式,并生成车辆故障预测结果。本发明实施例提供的技术方案,通过对故障车辆的故障信息进行分析,确定车辆故障预测结果,便于相关技术人员对故障车辆进行修复,以缩短故障诊断时间,提高故障处理效率和故障预测准确度。
实施例三
图3为本发明实施例三提供的一种车辆故障预测装置的结构示意图。如图3所示,该车辆故障预测装置包括:故障信息获取模块310、参考信息确定模块320、失效模式确定模块330和预测结果生成模块340。其中:
故障信息获取模块310,用于获取故障车辆的故障信息;
参考信息确定模块320,用于根据故障信息,确定故障车辆中发生故障的至少一个参考零部件,以及各参考零部件分别对应的至少一个参考故障现象;
失效模式确定模块330,用于根据各参考零部件分别对应的各参考故障现象,基于预先构建的各参考零部件分别对应的故障关联关系模型,确定各参考故障零部件分别对应的目标失效模式;故障关联关系模型用于表征故障现象和失效模式之间的关联关系;
预测结果生成模块340,用于生成包括各参考故障零部件及其对应的目标失效模式的车辆故障预测结果。
本发明实施例通过获取故障车辆的故障信息;根据故障信息,确定故障车辆中发生故障的至少一个参考零部件,以及各参考零部件分别对应的至少一个参考故障现象;根据各参考零部件分别对应的各参考故障现象,基于预先构建的各参考零部件分别对应的故障关联关系模型,确定各参考故障零部件分别对应的目标失效模式;故障关联关系模型用于表征故障现象和失效模式之间的关联关系;生成包括各参考故障零部件及其对应的目标失效模式的车辆故障预测结果。本发明实施例提供的技术方案,通过分析故障车辆的故障信息确定故障预测结果,以缩短故障诊断时间,提高故障处理效率和故障预测准确度。
可选的,参考信息确定模块320,包括:
故障码灯获取单元,用于获取故障车辆的故障码和故障灯;
零部件确定单元,用于确定与故障灯关联的至少一个参考故障零部件;
故障现象确定单元,用于根据故障码,确定各参考零部件分别对应的至少一个参考故障现象。
可选的,失效模式确定模块330,包括:
参考模式确定单元,用于根据相应参考零部件对应的各参考故障现象,基于相应参考零部件的故障关联关系模型,确定相应参考零部件的各参考故障现象分别对应的参考失效模式;
目标模式确定单元,用于根据各参考故障现象分别对应的参考失效模式,确定相应参考故障零部件的目标失效模式。
进一步的,目标模式确定单元,包括:
相同模式确定子单元,用于根据各参考故障现象分别对应的参考失效模式之间的一致性,确定是否存在模式相同的至少两个参考失效模式;
模式数量确定子单元,用于若是,则将模式相同的各参考失效模式确定为一个相同失效模式,并确定相同失效模式的模式数量;
模式确定子单元,用于若相同失效模式的模式数量有且仅有一个,则将该相同失效模式确定为相应参考故障零部件的目标失效模式。
进一步的,目标模式确定单元,还包括:
历史模式获取子单元,用于若相同失效模式的模式数量为至少两个,则获取与各相同失效模式关联的历史失效模式数据;
历史模式确定子单元,用于根据各相同失效模式关联的历史失效模式数据,确定相应参考故障零部件的目标失效模式。
进一步的,历史模式确定子单元,包括:
历史频率确定从属子单元,用于根据各相同失效模式关联的历史失效模式数据,确定各相同失效模式分别在历史周期下的历史出现频率;
目标频率确定从属子单元,用于根据各相同失效模式分别对应的历史出现频率,确定相应参考故障零部件的目标失效模式。
可选的,装置在预测结果生成模块340之后,还包括模型更新模块,模型更新模块包括:
位置信息获取单元,用于获取故障车辆的位置信息;
目标厂商确定单元,用于根据位置信息,从预设距离范围内的至少一个候选车辆维修厂商中选取目标车辆维修厂商;
预测结果得到单元,用于将车辆故障预测结果反馈至目标车辆维修厂商,以供目标车辆维修厂商对车辆故障预测结果进行修正,得到修正故障预测结果;
模型修正单元,用于采用修正故障预测结果更新故障关联关系模型。
本发明实施例所提供的一种车辆故障预测装置可执行本发明任意实施例所提供的一种车辆故障预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备400的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备400包括至少一个处理器410,以及与至少一个处理器410通信连接的存储器,如只读存储器(ROM)420、随机访问存储器(RAM)430等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器410可以根据存储在只读存储器(ROM)420中的计算机程序或者从存储单元480加载到随机访问存储器(RAM)430中的计算机程序,来执行各种适当的动作和处理。在(RAM)430中,还可存储电子设备400操作所需的各种程序和数据。处理器410、(RAM)420以及(RAM)430通过总线440彼此相连。输入/输出(I/O)接口450也连接至总线440。
电子设备400中的多个部件连接至I/O接口450,包括:输入单元460,例如键盘、鼠标等;输出单元470,例如各种类型的显示器、扬声器等;存储单元480,例如磁盘、光盘等;以及通信单元490,例如网卡、调制解调器、无线通信收发机等。通信单元490允许电子设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器410可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器410的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器410执行上文所描述的各个方法和处理,例如一种车辆故障预测方法。
在一些实施例中,一种车辆故障预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元480。在一些实施例中,计算机程序的部分或者全部可以经由(RAM)420和/或通信单元490而被载入和/或安装到电子设备400上。当计算机程序加载到(RAM)430并由处理器410执行时,可以执行上文描述的一种车辆故障预测方法的一个或多个步骤。备选地,在其他实施例中,处理器410可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种车辆故障预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种车辆故障预测方法,其特征在于,包括:
获取故障车辆的故障信息;
根据所述故障信息,确定所述故障车辆中发生故障的至少一个参考零部件,以及各所述参考零部件分别对应的至少一个参考故障现象;
根据各所述参考零部件分别对应的各所述参考故障现象,基于预先构建的各所述参考零部件分别对应的故障关联关系模型,确定各所述参考故障零部件分别对应的目标失效模式;所述故障关联关系模型用于表征故障现象和失效模式之间的关联关系;
生成包括各所述参考故障零部件及其对应的目标失效模式的车辆故障预测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述故障信息,确定所述故障车辆中发生故障的至少一个参考零部件,以及各所述参考零部件分别对应的至少一个参考故障现象,包括:
获取故障车辆的故障码和故障灯;
确定与所述故障灯关联的至少一个参考故障零部件;
根据所述故障码,确定各所述参考零部件分别对应的至少一个参考故障现象。
3.根据权利要求1所述的方法,其特征在于,所述根据各所述参考零部件分别对应的各所述参考故障现象,基于预先构建的各所述参考零部件分别对应的故障关联关系模型,确定各所述参考故障零部件分别对应的目标失效模式,包括:
根据相应参考零部件对应的各所述参考故障现象,基于相应参考零部件的故障关联关系模型,确定相应参考零部件的各参考故障现象分别对应的参考失效模式;
根据各所述参考故障现象分别对应的参考失效模式,确定相应参考故障零部件的目标失效模式。
4.根据权利要求3所述的方法,其特征在于,所述根据各所述参考故障现象分别对应的参考失效模式,确定相应参考故障零部件的目标失效模式,包括:
根据各所述参考故障现象分别对应的参考失效模式之间的一致性,确定是否存在模式相同的至少两个参考失效模式;
若是,则将模式相同的各参考失效模式确定为一个相同失效模式,并确定相同失效模式的模式数量;
若所述相同失效模式的模式数量有且仅有一个,则将该相同失效模式确定为相应参考故障零部件的目标失效模式。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若所述相同失效模式的模式数量为至少两个,则获取与各所述相同失效模式关联的历史失效模式数据;
根据各所述相同失效模式关联的历史失效模式数据,确定相应参考故障零部件的目标失效模式。
6.根据权利要求5所述的方法,其特征在于,所述根据各所述相同失效模式关联的历史失效模式数据,确定相应参考故障零部件的目标失效模式,包括:
根据各所述相同失效模式关联的历史失效模式数据,确定各所述相同失效模式分别在历史周期下的历史出现频率;
根据各所述相同失效模式分别对应的历史出现频率,确定相应参考故障零部件的目标失效模式。
7.根据权利要求1-6任一项所述的方法,其特征在于,在所述生成包括各所述参考故障零部件及其对应的目标失效模式的车辆故障预测结果之后,所述方法还包括:
获取所述故障车辆的位置信息;
根据所述位置信息,从预设距离范围内的至少一个候选车辆维修厂商中选取目标车辆维修厂商;
将所述车辆故障预测结果反馈至所述目标车辆维修厂商,以供所述目标车辆维修厂商对所述车辆故障预测结果进行修正,得到修正故障预测结果;
采用所述修正故障预测结果更新所述故障关联关系模型。
8.一种车辆故障预测装置,其特征在于,包括:
故障信息获取模块,用于获取故障车辆的故障信息;
参考信息确定模块,用于根据所述故障信息,确定所述故障车辆中发生故障的至少一个参考零部件,以及各所述参考零部件分别对应的至少一个参考故障现象;
失效模式确定模块,用于根据各所述参考零部件分别对应的各所述参考故障现象,基于预先构建的各所述参考零部件分别对应的故障关联关系模型,确定各所述参考故障零部件分别对应的目标失效模式;所述故障关联关系模型用于表征故障现象和失效模式之间的关联关系;
预测结果生成模块,用于生成包括各所述参考故障零部件及其对应的目标失效模式的车辆故障预测结果。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一项所述的一种车辆故障预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种车辆故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401415.5A CN117270508A (zh) | 2023-10-26 | 2023-10-26 | 一种车辆故障预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401415.5A CN117270508A (zh) | 2023-10-26 | 2023-10-26 | 一种车辆故障预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117270508A true CN117270508A (zh) | 2023-12-22 |
Family
ID=89208130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311401415.5A Pending CN117270508A (zh) | 2023-10-26 | 2023-10-26 | 一种车辆故障预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117270508A (zh) |
-
2023
- 2023-10-26 CN CN202311401415.5A patent/CN117270508A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110244691B (zh) | 一种汽车诊断方法、装置及系统 | |
CN115469629A (zh) | 远程诊断方法、装置、系统、电子设备和存储介质 | |
CN108376110B (zh) | 一种自动检测方法、系统及终端设备 | |
CN116380291A (zh) | 一种车辆温度传感器诊断方法、装置、设备及存储介质 | |
CN115219086A (zh) | 一种压力传感器的识别方法、装置、设备及存储介质 | |
CN116723206A (zh) | 车辆故障信息处理方法、装置、电子设备及存储介质 | |
CN117707112A (zh) | 一种故障诊断方法、系统、设备及存储介质 | |
CN116700776A (zh) | 电池管理系统的信息管理方法、装置、设备及存储介质 | |
CN117270508A (zh) | 一种车辆故障预测方法、装置、设备及存储介质 | |
CN115086384B (zh) | 远程控制测试方法、装置、设备和存储介质 | |
CN116684302A (zh) | 车载以太网的测试方法及装置 | |
CN115840707A (zh) | 一种刷写测试方法、装置及介质 | |
US8676435B2 (en) | Maintaining a dynamic service registry for a self-diagnosing device | |
CN116449810B (zh) | 一种故障排查方法、装置、电子设备及存储介质 | |
CN116700758A (zh) | 整车版本管理方法、装置、设备以及存储介质 | |
CN114721947A (zh) | 一种基于ota的人机交互测试方法、装置、设备和存储介质 | |
CN117061564A (zh) | 车辆信号传输状态的验证方法、装置、设备及介质 | |
CN118298853A (zh) | 语音识别测试异常的反馈方法、装置 | |
CN116880456A (zh) | 车辆诊断方法、装置、电子设备及存储介质 | |
CN117054764A (zh) | 故障检测方法、装置、车辆、电子设备及存储介质 | |
CN118243137A (zh) | 车辆里程回滚的处理方法、装置、电子设备及存储介质 | |
CN114995359A (zh) | 故障诊断方法、诊断设备以及计算机可读存储介质 | |
CN117609087A (zh) | 一种代码处理方法、装置、设备及介质 | |
CN118277275A (zh) | 一种接口测试方法、装置、电子设备及存储介质 | |
CN117491960A (zh) | 雷达产品检测方法、装置、设备及介质 |
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 |