CN117309433B - 基于智能座舱的车载智能硬件功能安全检测方法及系统 - Google Patents

Abstract

本发明涉及硬件检测领域，公开了基于智能座舱的车载智能硬件功能安全检测方法及系统，包括以下步骤：构建车载智能硬件三维模型，并结合车载智能软件进行软硬件交互，生成车载智能系统；对所述车载智能系统进行不同情况的模拟事故实验，根据实验结果对车载智能硬件进行安全性初步评估，得到不合格状态的车载智能硬件；获取不合格状态车载智能硬件的待优化位置，并对不合格状态车载智能硬件的待优化位置进行升级优化及安全性二次评估。本发明能够通过对车载智能硬件进行模拟事故测试，从而检验车载智能硬件的安全性能，并对车载智能硬件进行升级优化，对保护智能座舱内的人身安全起积极作用。

Description

基于智能座舱的车载智能硬件功能安全检测方法及系统

技术领域

本发明涉及硬件检测领域，特别是基于智能座舱的车载智能硬件功能安全检测方法及系统。

背景技术

当前市面上全新发布的车辆大多配备智能座舱，所述智能座舱能实时判断车外情况，并对车内进行实时调控，保证车内乘客的安全。而车载智能硬件为智能座舱的组成部分，包括智能座椅、智能扶手等，车载智能硬件的安全性体现在多个方面，例如在冬天自动座椅加热，在路面颠簸时自动座椅固定，在受到追尾、撞车等事故时，对车内乘客进行防侧翻、防冲撞保护等。所以对车载智能硬件进行安全检测至关重要，安全性合格的车载智能硬件能最大限度的保护车内乘客生命财产安全。对车载智能硬件进行安全检测，亦可对车载智能硬件进行升级优化，更好的对车内乘客进行保护。

发明内容

本发明克服了现有技术的不足，提供了基于智能座舱的车载智能硬件功能安全检测方法及系统。

为达到上述目的，本发明采用的技术方案为：

本发明第一方面提供了基于智能座舱的车载智能硬件功能安全检测方法，包括以下步骤：

构建车载智能硬件三维模型，并将所述车载智能硬件三维模型与车载智能软件进行软硬件交互，得到车载智能系统；

在车载智能系统中进行模拟事故实验，分析智能座舱在不同情况下对模拟事故实验的反馈程度，并基于反馈程度大小，对车载智能硬件进行安全性初步评估；

对处于不合格状态的车载智能硬件进行工作参数分析，并基于分析结果获取车载智能硬件的待优化位置；

对车载智能硬件的待优化位置进行升级优化，并对升级优化后的车载智能硬件进行安全性二次评估。

进一步的，本发明的一个较佳实施例中，所述构建车载智能硬件三维模型，并将所述车载智能硬件三维模型与车载智能软件进行软硬件交互，得到车载智能系统，具体为：

对选定的车载智能硬件进行激光扫描，获得激光点云数据，并基于所述激光点云数据，在三维空间中进行初步建模处理，得到初步车载智能硬件三维模型；

获取选定的车载智能硬件的生产规格，并根据所述选定的车载智能硬件的生产规格对初步车载智能硬件三维模型进行模型调整，得到车载智能硬件三维模型，并同时构建智能座舱三维模型；

将所述车载智能硬件三维模型接入车机，所述车机中包含车载智能软件，获取车机中所有车载智能软件的标签信息，定义为车载智能软件标签信息，同时根据选定的车载智能硬件的生产规格，获取车载智能硬件标签信息；

将所述车载智能软件标签信息和车载智能硬件标签信息转变为特征数据，计算车载智能软件标签信息和车载智能硬件标签信息的内积及各自的模数，并根据内积及各自的模数计算车载智能软件标签信息和车载智能硬件标签信息之间的余弦相似度；

若车载智能软件标签信息和车载智能硬件标签信息之间的余弦相似度大于预设值，则将对应的车载智能软件标签信息所代表的车载智能软件定义为可应用软件，并将可应用软件与所述车载智能硬件三维模型进行软硬件交互处理，得到车载智能系统。

进一步的，本发明的一个较佳实施例中，所述在车载智能系统中进行模拟事故实验，分析智能座舱在不同情况下对模拟事故实验的反馈程度，并基于反馈程度大小，对车载智能硬件进行安全性初步评估，具体为：

基于大数据检索，获取所有的事故场景，并获取所有的事故场景的事故发生频率，将事故发生频率大于预设值的事故场景标定为高频事故场景；

将所有的高频事故场景转变为特征数据，并构建模糊中心，基于模糊聚类法，获取高频事故场景与各模糊中心的隶属度，根据高频事故场景与各模糊中心的隶属度，对高频事故场景进行类别划分，得到不同类别的高频事故场景；

结合智能座舱三维模型，启动所述车载智能系统，在智能座舱三维模型内导入不同类别的高频事故场景，同时对不同类别的高频事故场景进行事故力度调控，得到智能座舱三维模型在不同事故力度及不同类别高频事故场景下的反馈参数，定义为智能座舱一类反馈参数集合；

关闭所述车载智能系统，在智能座舱三维模型中同样导入不同类别的高频事故场景，以及对不同类别的高频事故场景进行事故力度调控，得到智能座舱二类反馈参数集合；

对智能座舱一类反馈参数集合和智能座舱二类反馈参数集合进行参数对比分析，得到参数对比分析结果，并根据所述参数对比分析结果，对车载智能硬件进行安全性初步评估。

进一步的，本发明的一个较佳实施例中，所述对智能座舱一类反馈参数集合和智能座舱二类反馈参数集合进行参数对比分析，得到参数对比分析结果，并根据所述参数对比分析结果，对车载智能硬件进行安全性初步评估，具体为:

基于大数据检索分析，获取不同事故力度及不同类别高频事故场景下的智能座舱安全反馈参数，并构建第一偏差值集合；

所述第一偏差值集合中包括各种智能座舱安全反馈参数与对应各种智能座舱一类反馈参数之间的偏差值，定义为一类偏差值，预设警戒值，若一类偏差值大于警戒值，则将一类偏差值定义为异常偏差值；

第一偏差值集合中异常偏差值出现频率大于预设频率，则将车载智能硬件的安全性初步评估为不合格；

第一偏差值集合中异常偏差值出现频率小于预设频率，则对异常偏差值进行分析，获取车载智能硬件在异常偏差值下对应的事故力度和高频事故场景类别，定义为一类异常事故力度和一类异常高频事故场景；

在智能座舱一类反馈参数集合和智能座舱二类反馈参数集合中，对在一类异常事故力度和一类异常高频事故场景下各自的智能座舱反馈参数进行比较分析，若智能座舱一类反馈参数与智能座舱二类反馈参数的偏差值小于预设值，则将车载智能硬件的安全性初步评估为不合格；

若智能座舱一类反馈参数与智能座舱二类反馈参数的偏差值大于预设值，则将车载智能硬件的安全性初步评估为合格。

进一步的，本发明的一个较佳实施例中，所述对处于不合格状态的车载智能硬件进行工作参数分析，并基于分析结果获取车载智能硬件的待优化位置，具体为：

实时获取在安全性初步评估下处于不合格状态的车载智能硬件的工作参数，定义为车载智能硬件实时工作参数；

在所述车载智能系统中导入车载智能硬件实时工作参数，使所述车载智能系统进行模拟工作，并获取模拟工作状态下的车载智能系统的工作温度及工作电压；

当工作温度大于温度基准值，则将工作温度定义为异常工作温度，使用灰色关联法获取工作温度于工作电压的关联值，若关联值大于预设值，则将工作电压定义为异常工作电压；

基于车载智能硬件的生产规格，获取车载智能系统的电力系统构成，并构建电力系统数学模型，将处于异常工作温度的车载智能硬件的异常工作电压导入电力系统数学模型中进行负荷建模，得到电力系统负荷模型；

基于大数据检索，获取混合潮流计算方程，使用混合潮流计算方法，对所述电力系统负荷模型进行迭代潮流计算，获取电力系统负荷模型中各节点的电压及功率；

对电力系统负荷模型中各节点的电压及功率进行分析，若存在节点的电压及功率不在预设范围内，则将对应节点定义为异常节点，并将异常节点所控制的车载智能硬件位置定义为一类待优化位置；

若关联值大于预设值，则车载智能硬件出现异常工作温度与工作电压无关，基于马尔科夫链算法对所述车载智能硬件实时工作参数进行异常状态转移分析，根据分析结果，获取车载智能硬件的工作状态异常位置，并定义为二类待优化位置。

进一步的，本发明的一个较佳实施例中，所述对车载智能硬件的待优化位置进行升级优化，并对升级优化后的车载智能硬件进行安全性二次评估，具体为：

对于一类待优化位置，对异常节点的电压及功率进行分析，获取异常节点的电压及功率与额定电压及功率的偏差值，定义为节点偏差值，将所述节点偏差值导入大数据网络中进行升级优化方案检索，得到升级优化方案集；

在所述升级优化方案集中，对升级优化方案集进行经济成本分析，结合经济成本分析结果选取一类待优化位置各节点的电压及功率均达到预设值的升级优化方案，得到一类待优化位置升级优化方案；

在一类待优化位置中输出所述一类待优化位置升级优化方案，得到升级优化后的车载智能硬件；

对于二类待优化位置，构建二类待优化位置处的零件模型及标准零件模型，获取零件模型及标准零件模型的模型偏差值，若模型偏差值大于预设值，则需要对零件模型对应的车载智能硬件进行零件更换处理；

若模型偏差值小于预设值，则在大数据网络中获取零件模型对应的车载智能硬件的保养方案，对零件模型对应的车载智能硬件进行零件保养处理，并将零件更换处理和零件保养处理后的车载智能硬件同样定义为升级优化后的车载智能硬件；

在车载智能硬件升级优化后获取智能座舱的反馈参数，基于智能座舱的反馈参数，对升级优化后的车载智能硬件进行安全性二次评估，并根据安全性二次评估结果，筛选安全性初步评估结果为合格的车载智能硬件。

本发明第二方面还提供了基于智能座舱的车载智能硬件功能安全检测系统，所述安全检测系统包括存储器与处理器，所述存储器中储存有车载智能硬件功能安全检测方法，所述车载智能硬件功能安全检测方法被所述处理器执行时，实现如下步骤：

构建车载智能硬件三维模型，并将所述车载智能硬件三维模型与车载智能软件进行软硬件交互，得到车载智能系统；

在车载智能系统中进行模拟事故实验，分析智能座舱在不同情况下对模拟事故实验的反馈程度，并基于反馈程度大小，对车载智能硬件进行安全性初步评估；

对处于不合格状态的车载智能硬件进行工作参数分析，并基于分析结果获取车载智能硬件的待优化位置；

对车载智能硬件的待优化位置进行升级优化，并对升级优化后的车载智能硬件进行安全性二次评估。

本发明解决的背景技术中存在的技术缺陷，本发明具备以下有益效果：构建车载智能硬件三维模型，并结合车载智能软件进行软硬件交互，生成车载智能系统；对所述车载智能系统进行不同情况的模拟事故实验，根据实验结果对车载智能硬件进行安全性初步评估，得到不合格状态的车载智能硬件；获取不合格状态车载智能硬件的待优化位置，并对不合格状态车载智能硬件的待优化位置进行升级优化及安全性二次评估。本发明能够通过对车载智能硬件进行模拟事故测试，从而检验车载智能硬件的安全性能，并对车载智能硬件进行升级优化，对保护智能座舱内的人身安全起积极作用。

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示出了基于智能座舱的车载智能硬件功能安全检测方法的流程图；

图2示出了根据在车载智能系统介入前后智能座舱的反馈参数，从而对车载智能硬件进行安全性初步评估的方法流程图；

图3示出了基于智能座舱的车载智能硬件功能安全检测系统的视图。

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。

图1示出了基于智能座舱的车载智能硬件功能安全检测方法的流程图，包括以下步骤：

S102：构建车载智能硬件三维模型，并将所述车载智能硬件三维模型与车载智能软件进行软硬件交互，得到车载智能系统；

S104：在车载智能系统中进行模拟事故实验，分析智能座舱在不同情况下对模拟事故实验的反馈程度，并基于反馈程度大小，对车载智能硬件进行安全性初步评估；

S106：对处于不合格状态的车载智能硬件进行工作参数分析，并基于分析结果获取车载智能硬件的待优化位置；

S108：对车载智能硬件的待优化位置进行升级优化，并对升级优化后的车载智能硬件进行安全性二次评估。

进一步的，本发明的一个较佳实施例中，所述构建车载智能硬件三维模型，并将所述车载智能硬件三维模型与车载智能软件进行软硬件交互，得到车载智能系统，具体为：

对选定的车载智能硬件进行激光扫描，获得激光点云数据，并基于所述激光点云数据，在三维空间中进行初步建模处理，得到初步车载智能硬件三维模型；

获取选定的车载智能硬件的生产规格，并根据所述选定的车载智能硬件的生产规格对初步车载智能硬件三维模型进行模型调整，得到车载智能硬件三维模型，并同时构建智能座舱三维模型；

将所述车载智能硬件三维模型接入车机，所述车机中包含车载智能软件，获取车机中所有车载智能软件的标签信息，定义为车载智能软件标签信息，同时根据选定的车载智能硬件的生产规格，获取车载智能硬件标签信息；

将所述车载智能软件标签信息和车载智能硬件标签信息转变为特征数据，计算车载智能软件标签信息和车载智能硬件标签信息的内积及各自的模数，并根据内积及各自的模数计算车载智能软件标签信息和车载智能硬件标签信息之间的余弦相似度；

若车载智能软件标签信息和车载智能硬件标签信息之间的余弦相似度大于预设值，则将对应的车载智能软件标签信息所代表的车载智能软件定义为可应用软件，并将可应用软件与所述车载智能硬件三维模型进行软硬件交互处理，得到车载智能系统。

需要说明的是，在智能座舱中，有多种智能车载智能硬件，例如智能座椅、智能音响等，对车载智能硬件进行三维建模能够方便接下来进行模型分析，所述智能座舱三维模型中包含了所有的车载智能硬件三维模型。车机是智能座舱的控制系统，车机内的软件相应控制智能座舱内的各种车载智能硬件，将车机内软件与各种车载智能硬件进行软硬件交互，目的是一个车载智能系统内包含软硬件，且软硬件交互后可以在车机上实时显示车载智能硬件的工作参数并对车载智能硬件进行工作参数的调整。车机内的软件与车载智能硬件需要进行对应，对车载智能硬件的标签信息与车载智能软件的标签信息进行相似度比对可以确定车载智能硬件与车载智能软件之间的对应关系。二相似度比对采用余弦相似度计算方法。本发明能够通过使用基于三维模型，并使用余弦相似度计算方法进行软硬件比对交互，得到车载智能系统。

进一步的，本发明的一个较佳实施例中，所述对处于不合格状态的车载智能硬件进行工作参数分析，并基于分析结果获取车载智能硬件的待优化位置，具体为：

实时获取在安全性初步评估下处于不合格状态的车载智能硬件的工作参数，定义为车载智能硬件实时工作参数；

在所述车载智能系统中导入车载智能硬件实时工作参数，使所述车载智能系统进行模拟工作，并获取模拟工作状态下的车载智能系统的工作温度及工作电压；

当工作温度大于温度基准值，则将工作温度定义为异常工作温度，使用灰色关联法获取工作温度于工作电压的关联值，若关联值大于预设值，则将工作电压定义为异常工作电压；

基于车载智能硬件的生产规格，获取车载智能系统的电力系统构成，并构建电力系统数学模型，将处于异常工作温度的车载智能硬件的异常工作电压导入电力系统数学模型中进行负荷建模，得到电力系统负荷模型；

基于大数据检索，获取混合潮流计算方程，使用混合潮流计算方法，对所述电力系统负荷模型进行迭代潮流计算，获取电力系统负荷模型中各节点的电压及功率；

对电力系统负荷模型中各节点的电压及功率进行分析，若存在节点的电压及功率不在预设范围内，则将对应节点定义为异常节点，并将异常节点所控制的车载智能硬件位置定义为一类待优化位置；

若关联值大于预设值，则车载智能硬件出现异常工作温度与工作电压无关，基于马尔科夫链算法对所述车载智能硬件实时工作参数进行异常状态转移分析，根据分析结果，获取车载智能硬件的工作状态异常位置，并定义为二类待优化位置。

需要说明的是，不合格状态下的车载智能硬件不能在遇到事故的情况下起保护作用，需要对车载智能硬件进行升级优化，使不合格状态的车载智能硬件起保护作用。分析车载智能系统的实时工作参数能够判断车载智能硬件的缺陷问题，从而进行相应的修复。影响所述车载智能系统的实时工作参数主要为工作温度和工作电压，工作温度过高会对车载智能硬件造成安全隐患，而工作电压不在预设范围内则可能是造成工作温度过高的主要原因。工作电压不在预设范围内的原因可能是车载智能系统内部的电力系统拓扑结构出现问题，导致电力系统拓扑结构中各节点电荷的电压、功率等过高或过低，从而影响工作温度。构建电力系统负荷模型，并进行潮流计算能够获取各节点的电压及功率，若电压及功率不在预设值内，则证明电力系统出现问题，需要进行修正。一个节点均有对应控制的车载智能硬件，所以将异常节点对应的车载智能硬件定义为一类待优化位置。若工作温度过高与工作电压无关，则判断车载智能硬件出现物理损坏，通过马尔科夫链算法能够判断车载智能硬件内部的状态参数转移情况，从而获取车载智能硬件的工作状态异常位置，并定义为二类待优化位置。本发明能够通过对车载智能硬件的工作电压和工作温度进行分析，得到车载智能硬件的待优化位置。

进一步的，本发明的一个较佳实施例中，所述对车载智能硬件的待优化位置进行升级优化，并对升级优化后的车载智能硬件进行安全性二次评估，具体为：

对于一类待优化位置，对异常节点的电压及功率进行分析，获取异常节点的电压及功率与额定电压及功率的偏差值，定义为节点偏差值，将所述节点偏差值导入大数据网络中进行升级优化方案检索，得到升级优化方案集；

在所述升级优化方案集中，对升级优化方案集进行经济成本分析，结合经济成本分析结果选取一类待优化位置各节点的电压及功率均达到预设值的升级优化方案，得到一类待优化位置升级优化方案；

在一类待优化位置中输出所述一类待优化位置升级优化方案，得到升级优化后的车载智能硬件；

对于二类待优化位置，构建二类待优化位置处的零件模型及标准零件模型，获取零件模型及标准零件模型的模型偏差值，若模型偏差值大于预设值，则需要对零件模型对应的车载智能硬件进行零件更换处理；

若模型偏差值小于预设值，则在大数据网络中获取零件模型对应的车载智能硬件的保养方案，对零件模型对应的车载智能硬件进行零件保养处理，并将零件更换处理和零件保养处理后的车载智能硬件同样定义为升级优化后的车载智能硬件；

在车载智能硬件升级优化后获取智能座舱的反馈参数，基于智能座舱的反馈参数，对升级优化后的车载智能硬件进行安全性二次评估，并根据安全性二次评估结果，筛选安全性初步评估结果为合格的车载智能硬件。

需要说明的是，需要对车载智能硬件的待优化位置进行升级优化，从而使车载智能硬件的安全性提高。所述一类待优化位置升级优化方案包括调整发电机的电压、调整变压器分接头、改变负荷分配、优化电力系统拓扑结构等方式，实现对异常节点电压和功率的升级改进，而对车载智能硬件的电力系统进行升级改进需要耗费大量钱财，所以需要进行经济成本分析，尽可能节约成本，同时满足升级优化目的。而对二类待优化位置进行升级优化则需要判断车载智能硬件内零件的完整度、缺陷程度，从而采取更换或者保养的方式。对车载智能硬件进行零件保养包括上润滑油、更换机油等。车载智能硬件升级优化后，获取智能座舱在各种事故场景中的反馈参数，目的是对升级优化后的车载智能硬件进行安全性二次评估。本发明能够分别对一类待优化位置和二类待优化位置进行升级优化。

图2示出了根据在车载智能系统介入前后智能座舱的反馈参数，从而对车载智能硬件进行安全性初步评估的方法流程图，包括以下步骤：

S202：在车载智能系统开启状态下，获取智能座舱一类反馈参数集合；

S204：在车载智能系统关闭状态下，获取智能座舱二类反馈参数集合；

S206：对智能座舱一类反馈参数集合和智能座舱二类反馈参数集合进行参数对比分析，得到参数对比分析结果，并根据所述参数对比分析结果，对车载智能硬件进行安全性初步评估。

进一步的，本发明的一个较佳实施例中，所述在车载智能系统开启状态下，获取智能座舱一类反馈参数集合，具体为：

基于大数据检索，获取所有的事故场景，并获取所有的事故场景的事故发生频率，将事故发生频率大于预设值的事故场景标定为高频事故场景；

将所有的高频事故场景转变为特征数据，并构建模糊中心，基于模糊聚类法，获取高频事故场景与各模糊中心的隶属度，根据高频事故场景与各模糊中心的隶属度，对高频事故场景进行类别划分，得到不同类别的高频事故场景；

结合智能座舱三维模型，启动所述车载智能系统，在智能座舱三维模型内导入不同类别的高频事故场景，同时对不同类别的高频事故场景进行事故力度调控，得到智能座舱三维模型在不同事故力度及不同类别高频事故场景下的反馈参数，定义为智能座舱一类反馈参数集合。

需要说明的是，在遭遇事故时，所述车载智能硬件能起一定保护作用，保护智能座舱内的生命财产安全。而事故的场景有很多种，比如追尾，刹车失灵、翻车等多种事故场景，而事故场景的发生力度也可能不同，比如与自行车撞车的撞车力度和与大货车撞车的撞车力度均不相同。获取高频事故场景，所述高频事故场景中有多种类别，需要使用模糊聚类法对高频事故场景进行隶属度比较，实现高频事故场景的分类。通过启动与关闭车载智能系统可以初步分析车载智能硬件的安全性，并通过对高频事故场景进行类别调控和力度调控，获取不同高频事故场景且不同力度下智能座舱的反馈参数，所述智能座舱的反馈参数反映了车载智能硬件的安全性。本发明能够通过模糊聚类法对高频事故场景进行分类，并对不同类别的高频事故场景进行事故力度调控，生成智能座舱一类反馈参数集合。

进一步的，本发明的一个较佳实施例中，所述对智能座舱一类反馈参数集合和智能座舱二类反馈参数集合进行参数对比分析，得到参数对比分析结果，并根据所述参数对比分析结果，对车载智能硬件进行安全性初步评估，具体为:

基于大数据检索分析，获取不同事故力度及不同类别高频事故场景下的智能座舱安全反馈参数，并构建第一偏差值集合；

所述第一偏差值集合中包括各种智能座舱安全反馈参数与对应各种智能座舱一类反馈参数之间的偏差值，定义为一类偏差值，预设警戒值，若一类偏差值大于警戒值，则将一类偏差值定义为异常偏差值；

第一偏差值集合中异常偏差值出现频率大于预设频率，则将车载智能硬件的安全性初步评估为不合格；

第一偏差值集合中异常偏差值出现频率小于预设频率，则对异常偏差值进行分析，获取车载智能硬件在异常偏差值下对应的事故力度和高频事故场景类别，定义为一类异常事故力度和一类异常高频事故场景；

在智能座舱一类反馈参数集合和智能座舱二类反馈参数集合中，对在一类异常事故力度和一类异常高频事故场景下各自的智能座舱反馈参数进行比较分析，若智能座舱一类反馈参数与智能座舱二类反馈参数的偏差值小于预设值，则将车载智能硬件的安全性初步评估为不合格；

若智能座舱一类反馈参数与智能座舱二类反馈参数的偏差值大于预设值，则将车载智能硬件的安全性初步评估为合格。

需要说明的是，不同事故力度及不同类别高频事故场景下的智能座舱安全反馈参数代表了不同事故力度及不同类别高频事故场景下智能座舱保证生命财产安全的标准反馈参数，若智能座舱一类反馈参数与智能座舱安全反馈参数的偏差值过大，证明当前智能座舱的保护力度较差，不能起较好的保护作用。而车载智能硬件有多种，多种车载智能硬件共同组合，实现智能座舱保护作用，所以需要构建第一偏差值集合，所述第一偏差值集合中的第一偏差值大于警戒值，则为异常偏差值。一种事故场景以及一种事故力度对应一种偏差值，所以在第一偏差值集合中存在多个偏差值，获取异常偏差值出现频率，若异常偏差值出现频率较大，则证明车载智能硬件起的保护作用较小，所以将车载智能硬件的安全性初步评估为合格；若异常偏差值出现频率较小，则获取异常偏差值对那个的高频事故场景类别及对应的事故力度，定义为一类异常事故力度和一类异常高频事故场景。智能座舱一类反馈参数与智能座舱二类反馈参数存在一一对应关系，在相同的异常事故力度和异常高频事故场景下，分析智能座舱一类反馈参数与智能座舱二类反馈参数之间的偏差值，当偏差值小于预设值，则证明车载智能系统介入对智能座舱的保护作用与车载智能系统不介入对智能座舱的保护作用差别不大，所以证明车载智能硬件的安全性较低，起的保护作用较小。而当偏差值大于预设值，则证明车载智能系统介入对智能座舱的保护作用明显大于车载智能系统不介入对智能座舱的保护作用，证明车载智能硬件的安全性较高。

此外，所述基于智能座舱的车载智能硬件功能安全检测方法，还包括以下步骤：

在所述车载智能系统中进行数据传输测试，记录数据传输时间，并基于历史数据检索，获取数据传输标准时间，对所述数据传输时间和数据传输标准时间进行分析计算，获取车载智能系统数据传输时延参数；

获取车载智能系统数据传输时延参数基准值，若车载智能系统数据传输时延参数小于车载智能系统数据传输时延参数基准值，则获取智能座舱的内部温度；

在所述车载智能硬件三维模型中，对智能座舱的内部温度进行模拟调控，并重新获取车载智能系统数据传输时延参数，若车载智能系统数据传输时延参数在基准值范围内，则控制车载智能系统对智能座舱的内部温度进行智能调控；

若车载智能系统数据传输时延参数仍小于车载智能系统数据传输时延参数基准值，则获取车载智能系统的网络拓扑结构，并对车载智能系统的网络拓扑结构进行更新优化。

需要说明的是，车载智能系统中数据传输的时延性若较大，则可能会导致在事故发生时车载智能硬件的安全措施介入较慢，不利于生命财产安全的保护，所以需要对车载智能系统数据传输时延参数进行分析优化。车载智能系统数据传输时延参数异常可能是智能座舱内部工作温度过高，导致数据传输较慢，所以通过车载智能系统对智能座舱的内部温度进行智能调控，从而使车载智能系统数据传输时延参数维持在基准值内。也可能是车载智能系统的网络拓扑结构出现问题，例如带宽较小、网络负荷较大等，所以需要对车载智能系统的网络拓扑结构进行优化，从而使车载智能系统数据传输时延参数维持在基准值内。本发明能够通过分析车载智能系统数据传输时延参数，从而相应的对车载智能系统进行更新优化和温度调控。

此外，所述基于智能座舱的车载智能硬件功能安全检测方法，还包括以下步骤：

基于所述车载智能系统中，模拟司机实时状态，所述司机实时状态包括司机的坐姿及神态特征；

将所述司机实时状态导入大数据网络中进行检索分析，在大数据网络中存在司机开车状态知识图谱，所述司机开车状态知识图谱中包含司机的安全驾驶坐姿及安全驾驶神态特征；

若司机的坐姿和神态特征与司机开车状态知识图谱中司机的安全驾驶坐姿及安全驾驶神态特征不符，则在所述车载智能系统中生成第一控制指令，所述第一控制指令控制车载智能硬件对司机进行安全驾驶提醒；

若司机的坐姿和神态特征与司机开车状态知识图谱中司机的安全驾驶坐姿及安全驾驶神态特征不符时，车载智能系统无法生成第一控制指令，则需要在车机中获取与司机开车状态检测对应的车载智能软件，定义为司机开车状态控制软件，并对所述司机开车状态控制软件进行修复，使车载智能系统能够生成第一控制指令；

若车载智能系统生成第一控制指令后车载智能硬件无法对司机进行安全驾驶提醒，则需要结合司机开车状态控制软件的软件工作参数，在大数据网络中检索修复方法输出。

需要说明的是，在开车过程中司机容易坐姿不规范，或者存在犯困现象，智能座舱需要识别司机的状态，并对控制车载智能硬件对司机进行提醒，包括调整坐姿，发出警报等。若司机开车状态异常情况下，车载智能系统无法发出第一控制指令，则会对司机的人身财产安全造成隐患。而车载智能系统无法发出第一控制指令可能是车载智能软件出现问题，需要进行修复。若第一控制指令发出后车载智能硬件无法对司机进行安全驾驶提醒，则证明车载智能硬件出现故障，则需要结合司机开车状态控制软件的软件工作参数对车载智能硬件进行修复。本发明能够通过对司机开车状态进行分析，从而对车载智能软硬件进行问题处理修复。

如图3所示，本发明第二方面还提供了基于智能座舱的车载智能硬件功能安全检测系统，所述安全检测系统包括存储器31与处理器32，所述存储器31中储存有车载智能硬件功能安全检测方法，所述车载智能硬件功能安全检测方法被所述处理器32执行时，实现如下步骤：

构建车载智能硬件三维模型，并将所述车载智能硬件三维模型与车载智能软件进行软硬件交互，得到车载智能系统；

在车载智能系统中进行模拟事故实验，分析智能座舱在不同情况下对模拟事故实验的反馈程度，并基于反馈程度大小，对车载智能硬件进行安全性初步评估；

对处于不合格状态的车载智能硬件进行工作参数分析，并基于分析结果获取车载智能硬件的待优化位置；

对车载智能硬件的待优化位置进行升级优化，并对升级优化后的车载智能硬件进行安全性二次评估。

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 (4)

1.基于智能座舱的车载智能硬件功能安全检测方法，其特征在于，包括以下步骤：

构建车载智能硬件三维模型，并将所述车载智能硬件三维模型与车载智能软件进行软硬件交互，得到车载智能系统；

在车载智能系统中进行模拟事故实验，分析智能座舱在不同情况下对模拟事故实验的反馈程度，并基于反馈程度大小，对车载智能硬件进行安全性初步评估；

对处于不合格状态的车载智能硬件进行工作参数分析，并基于分析结果获取车载智能硬件的待优化位置；

对车载智能硬件的待优化位置进行升级优化，并对升级优化后的车载智能硬件进行安全性二次评估；

其中，所述在车载智能系统中进行模拟事故实验，分析智能座舱在不同情况下对模拟事故实验的反馈程度，并基于反馈程度大小，对车载智能硬件进行安全性初步评估，具体为：

基于大数据检索，获取所有的事故场景，并获取所有的事故场景的事故发生频率，将事故发生频率大于预设值的事故场景标定为高频事故场景；

将所有的高频事故场景转变为特征数据，并构建模糊中心，基于模糊聚类法，获取高频事故场景与各模糊中心的隶属度，根据高频事故场景与各模糊中心的隶属度，对高频事故场景进行类别划分，得到不同类别的高频事故场景；

结合智能座舱三维模型，启动所述车载智能系统，在智能座舱三维模型内导入不同类别的高频事故场景，同时对不同类别的高频事故场景进行事故力度调控，得到智能座舱三维模型在不同事故力度及不同类别高频事故场景下的反馈参数，定义为智能座舱一类反馈参数集合；

关闭所述车载智能系统，在智能座舱三维模型中同样导入不同类别的高频事故场景，以及对不同类别的高频事故场景进行事故力度调控，得到智能座舱二类反馈参数集合；

对智能座舱一类反馈参数集合和智能座舱二类反馈参数集合进行参数对比分析，得到参数对比分析结果，并根据所述参数对比分析结果，对车载智能硬件进行安全性初步评估；

其中，所述对处于不合格状态的车载智能硬件进行工作参数分析，并基于分析结果获取车载智能硬件的待优化位置，具体为：

实时获取在安全性初步评估下处于不合格状态的车载智能硬件的工作参数，定义为车载智能硬件实时工作参数；

在所述车载智能系统中导入车载智能硬件实时工作参数，使所述车载智能系统进行模拟工作，并获取模拟工作状态下的车载智能系统的工作温度及工作电压；

当工作温度大于温度基准值，则将工作温度定义为异常工作温度，使用灰色关联法获取工作温度于工作电压的关联值，若关联值大于预设值，则将工作电压定义为异常工作电压；

基于车载智能硬件的生产规格，获取车载智能系统的电力系统构成，并构建电力系统数学模型，将处于异常工作温度的车载智能硬件的异常工作电压导入电力系统数学模型中进行负荷建模，得到电力系统负荷模型；

基于大数据检索，获取混合潮流计算方程，使用混合潮流计算方法，对所述电力系统负荷模型进行迭代潮流计算，获取电力系统负荷模型中各节点的电压及功率；

对电力系统负荷模型中各节点的电压及功率进行分析，若存在节点的电压及功率不在预设范围内，则将对应节点定义为异常节点，并将异常节点所控制的车载智能硬件位置定义为一类待优化位置；

若关联值大于预设值，则车载智能硬件出现异常工作温度与工作电压无关，基于马尔科夫链算法对所述车载智能硬件实时工作参数进行异常状态转移分析，根据分析结果，获取车载智能硬件的工作状态异常位置，并定义为二类待优化位置；

其中，所述对车载智能硬件的待优化位置进行升级优化，并对升级优化后的车载智能硬件进行安全性二次评估，具体为：

对于一类待优化位置，对异常节点的电压及功率进行分析，获取异常节点的电压及功率与额定电压及功率的偏差值，定义为节点偏差值，将所述节点偏差值导入大数据网络中进行升级优化方案检索，得到升级优化方案集；

在所述升级优化方案集中，对升级优化方案集进行经济成本分析，结合经济成本分析结果选取一类待优化位置各节点的电压及功率均达到预设值的升级优化方案，得到一类待优化位置升级优化方案；

在一类待优化位置中输出所述一类待优化位置升级优化方案，得到升级优化后的车载智能硬件；

对于二类待优化位置，构建二类待优化位置处的零件模型及标准零件模型，获取零件模型及标准零件模型的模型偏差值，若模型偏差值大于预设值，则需要对零件模型对应的车载智能硬件进行零件更换处理；

若模型偏差值小于预设值，则在大数据网络中获取零件模型对应的车载智能硬件的保养方案，对零件模型对应的车载智能硬件进行零件保养处理，并将零件更换处理和零件保养处理后的车载智能硬件同样定义为升级优化后的车载智能硬件；

在车载智能硬件升级优化后获取智能座舱的反馈参数，基于智能座舱的反馈参数，对升级优化后的车载智能硬件进行安全性二次评估，并根据安全性二次评估结果，筛选安全性初步评估结果为合格的车载智能硬件。

2.根据权利要求1中所述的基于智能座舱的车载智能硬件功能安全检测方法，其特征在于，所述构建车载智能硬件三维模型，并将所述车载智能硬件三维模型与车载智能软件进行软硬件交互，得到车载智能系统，具体为：

对选定的车载智能硬件进行激光扫描，获得激光点云数据，并基于所述激光点云数据，在三维空间中进行初步建模处理，得到初步车载智能硬件三维模型；

获取选定的车载智能硬件的生产规格，并根据所述选定的车载智能硬件的生产规格对初步车载智能硬件三维模型进行模型调整，得到车载智能硬件三维模型，并同时构建智能座舱三维模型；

将所述车载智能硬件三维模型接入车机，所述车机中包含车载智能软件，获取车机中所有车载智能软件的标签信息，定义为车载智能软件标签信息，同时根据选定的车载智能硬件的生产规格，获取车载智能硬件标签信息；

将所述车载智能软件标签信息和车载智能硬件标签信息转变为特征数据，计算车载智能软件标签信息和车载智能硬件标签信息的内积及各自的模数，并根据内积及各自的模数计算车载智能软件标签信息和车载智能硬件标签信息之间的余弦相似度；

若车载智能软件标签信息和车载智能硬件标签信息之间的余弦相似度大于预设值，则将对应的车载智能软件标签信息所代表的车载智能软件定义为可应用软件，并将可应用软件与所述车载智能硬件三维模型进行软硬件交互处理，得到车载智能系统。

3.根据权利要求1中所述的基于智能座舱的车载智能硬件功能安全检测方法，其特征在于，所述对智能座舱一类反馈参数集合和智能座舱二类反馈参数集合进行参数对比分析，得到参数对比分析结果，并根据所述参数对比分析结果，对车载智能硬件进行安全性初步评估，具体为:

基于大数据检索分析，获取不同事故力度及不同类别高频事故场景下的智能座舱安全反馈参数，并构建第一偏差值集合；

所述第一偏差值集合中包括各种智能座舱安全反馈参数与对应各种智能座舱一类反馈参数之间的偏差值，定义为一类偏差值，预设警戒值，若一类偏差值大于警戒值，则将一类偏差值定义为异常偏差值；

第一偏差值集合中异常偏差值出现频率大于预设频率，则将车载智能硬件的安全性初步评估为不合格；

第一偏差值集合中异常偏差值出现频率小于预设频率，则对异常偏差值进行分析，获取车载智能硬件在异常偏差值下对应的事故力度和高频事故场景类别，定义为一类异常事故力度和一类异常高频事故场景；

在智能座舱一类反馈参数集合和智能座舱二类反馈参数集合中，对在一类异常事故力度和一类异常高频事故场景下各自的智能座舱反馈参数进行比较分析，若智能座舱一类反馈参数与智能座舱二类反馈参数的偏差值小于预设值，则将车载智能硬件的安全性初步评估为不合格；

若智能座舱一类反馈参数与智能座舱二类反馈参数的偏差值大于预设值，则将车载智能硬件的安全性初步评估为合格。

4.基于智能座舱的车载智能硬件功能安全检测系统，其特征在于，所述安全检测系统包括存储器与处理器，所述存储器中储存有车载智能硬件功能安全检测方法，所述车载智能硬件功能安全检测方法被所述处理器执行时，实现如下步骤：

构建车载智能硬件三维模型，并将所述车载智能硬件三维模型与车载智能软件进行软硬件交互，得到车载智能系统；

在车载智能系统中进行模拟事故实验，分析智能座舱在不同情况下对模拟事故实验的反馈程度，并基于反馈程度大小，对车载智能硬件进行安全性初步评估；

对处于不合格状态的车载智能硬件进行工作参数分析，并基于分析结果获取车载智能硬件的待优化位置；

对车载智能硬件的待优化位置进行升级优化，并对升级优化后的车载智能硬件进行安全性二次评估；

其中，所述在车载智能系统中进行模拟事故实验，分析智能座舱在不同情况下对模拟事故实验的反馈程度，并基于反馈程度大小，对车载智能硬件进行安全性初步评估，具体为：

基于大数据检索，获取所有的事故场景，并获取所有的事故场景的事故发生频率，将事故发生频率大于预设值的事故场景标定为高频事故场景；

将所有的高频事故场景转变为特征数据，并构建模糊中心，基于模糊聚类法，获取高频事故场景与各模糊中心的隶属度，根据高频事故场景与各模糊中心的隶属度，对高频事故场景进行类别划分，得到不同类别的高频事故场景；

结合智能座舱三维模型，启动所述车载智能系统，在智能座舱三维模型内导入不同类别的高频事故场景，同时对不同类别的高频事故场景进行事故力度调控，得到智能座舱三维模型在不同事故力度及不同类别高频事故场景下的反馈参数，定义为智能座舱一类反馈参数集合；

关闭所述车载智能系统，在智能座舱三维模型中同样导入不同类别的高频事故场景，以及对不同类别的高频事故场景进行事故力度调控，得到智能座舱二类反馈参数集合；

对智能座舱一类反馈参数集合和智能座舱二类反馈参数集合进行参数对比分析，得到参数对比分析结果，并根据所述参数对比分析结果，对车载智能硬件进行安全性初步评估；

其中，所述对处于不合格状态的车载智能硬件进行工作参数分析，并基于分析结果获取车载智能硬件的待优化位置，具体为：

实时获取在安全性初步评估下处于不合格状态的车载智能硬件的工作参数，定义为车载智能硬件实时工作参数；

在所述车载智能系统中导入车载智能硬件实时工作参数，使所述车载智能系统进行模拟工作，并获取模拟工作状态下的车载智能系统的工作温度及工作电压；

当工作温度大于温度基准值，则将工作温度定义为异常工作温度，使用灰色关联法获取工作温度于工作电压的关联值，若关联值大于预设值，则将工作电压定义为异常工作电压；

基于车载智能硬件的生产规格，获取车载智能系统的电力系统构成，并构建电力系统数学模型，将处于异常工作温度的车载智能硬件的异常工作电压导入电力系统数学模型中进行负荷建模，得到电力系统负荷模型；

基于大数据检索，获取混合潮流计算方程，使用混合潮流计算方法，对所述电力系统负荷模型进行迭代潮流计算，获取电力系统负荷模型中各节点的电压及功率；

对电力系统负荷模型中各节点的电压及功率进行分析，若存在节点的电压及功率不在预设范围内，则将对应节点定义为异常节点，并将异常节点所控制的车载智能硬件位置定义为一类待优化位置；

若关联值大于预设值，则车载智能硬件出现异常工作温度与工作电压无关，基于马尔科夫链算法对所述车载智能硬件实时工作参数进行异常状态转移分析，根据分析结果，获取车载智能硬件的工作状态异常位置，并定义为二类待优化位置；

其中，所述对车载智能硬件的待优化位置进行升级优化，并对升级优化后的车载智能硬件进行安全性二次评估，具体为：

对于一类待优化位置，对异常节点的电压及功率进行分析，获取异常节点的电压及功率与额定电压及功率的偏差值，定义为节点偏差值，将所述节点偏差值导入大数据网络中进行升级优化方案检索，得到升级优化方案集；

在所述升级优化方案集中，对升级优化方案集进行经济成本分析，结合经济成本分析结果选取一类待优化位置各节点的电压及功率均达到预设值的升级优化方案，得到一类待优化位置升级优化方案；

在一类待优化位置中输出所述一类待优化位置升级优化方案，得到升级优化后的车载智能硬件；

对于二类待优化位置，构建二类待优化位置处的零件模型及标准零件模型，获取零件模型及标准零件模型的模型偏差值，若模型偏差值大于预设值，则需要对零件模型对应的车载智能硬件进行零件更换处理；

若模型偏差值小于预设值，则在大数据网络中获取零件模型对应的车载智能硬件的保养方案，对零件模型对应的车载智能硬件进行零件保养处理，并将零件更换处理和零件保养处理后的车载智能硬件同样定义为升级优化后的车载智能硬件；

在车载智能硬件升级优化后获取智能座舱的反馈参数，基于智能座舱的反馈参数，对升级优化后的车载智能硬件进行安全性二次评估，并根据安全性二次评估结果，筛选安全性初步评估结果为合格的车载智能硬件。