CN117389256B - 一种运输过程中货车车辆状态的预警方法 - Google Patents
一种运输过程中货车车辆状态的预警方法 Download PDFInfo
- Publication number
- CN117389256B CN117389256B CN202311684165.0A CN202311684165A CN117389256B CN 117389256 B CN117389256 B CN 117389256B CN 202311684165 A CN202311684165 A CN 202311684165A CN 117389256 B CN117389256 B CN 117389256B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- early warning
- vehicle state
- truck
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 28
- 238000009499 grossing Methods 0.000 claims description 9
- 238000003672 processing method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种运输过程中货车车辆状态的预警方法，涉及货车车辆状态的预警技术领域，所述方法包括：车载终端实时采集运输过程中的货车车辆状态数据；服务端基于货车的历史车辆状态数据与历史故障记录，训练、构建货车车辆状态预警模型，下发至车载终端；车载终端基于货车车辆状态预警模型，以及实时的车辆状态数据进行预警判断；车载终端根据预警判断结果进行预警通知，并上传预警数据、预警处理数据到服务端；服务端将接收到的预警数据与预警处理数据形成记录。以车载终端的方式实时采集运输现场的车辆状态数据，减少了远程传输的时间，提高采集效率，且采集数据较为全面，再以流处理的方式进行数据处理和模型输入，从而提高计算和响应速度。
Description
技术领域
本发明涉及货车车辆状态的预警技术领域，尤其涉及一种运输过程中货车车辆状态的预警方法。
背景技术
在当今的物流行业中，货车的安全问题越来越受到关注，货车在运输货物的途中，货车车辆状态的预警是保证货车安全最基本也是最常见的方法，使用车辆网技术对货车状态远程监测，对可能发生的故障进行预警，但是目前的预警的故障类型有限，且数据分析时间长，获得的车辆状态数据也有限，人工巡检虽然可以对车辆进行全面的检查，但耗时也是相当长的，无法对车辆状态进行实时性的预警，因此，提高对货车车辆状态的分析速度，全面的获取车辆状态数据，是解决货车安全问题的重要研究方向。
发明内容
本发明提供了一种运输过程中货车车辆状态的预警方法，包括：
Step1、车载终端实时采集运输过程中的货车车辆状态数据；
Step2、服务端基于货车的历史车辆状态数据与历史故障记录，训练、构建货车车辆状态预警模型，下发至车载终端；
Step3、车载终端基于货车车辆状态预警模型，以及实时的车辆状态数据进行预警判断；
Step4、车载终端根据预警判断结果进行预警通知，并上传预警数据、预警处理数据到服务端；
Step5、服务端将接收到的预警数据与预警处理数据形成记录。
如上所述的一种运输过程中货车车辆状态的预警方法，其中货车车辆状态数据包括车辆行驶状态数据和车辆外观状态数据，车辆行驶状态通过CAN总线连接车辆OBD接口获取，车辆外观状态通过车载摄像头获取。
如上所述的一种运输过程中货车车辆状态的预警方法，其中训练、构建货车车辆状态预警模型，具体分为以下子步骤：
提取历史车辆状态数据的特征，形成车辆状态特征集；
将历史故障记录整理为基于时间序列的故障序列集；
基于车辆状态特征集、故障序列集构建货车车辆状态预警模型。
如上所述的一种运输过程中货车车辆状态的预警方法，其中提取历史车辆状态数据的特征，形成车辆状态特征集，具体分为以下子步骤：
将历史车辆状态数据中的车辆行驶状态数据进行归一化处理，形成车辆行驶状态特征；
提取历史车辆状态数据中的车辆外观状态特征；
将车辆行驶状态特征和车辆外观状态特征融合整理为车辆状态特征集。
如上所述的一种运输过程中货车车辆状态的预警方法，其中基于车辆状态特征集、故障序列集构建货车车辆状态预警模型，具体分为以下子步骤：
将故障序列集按照故障类型编码进行分组；
将分组后的故障序列集与车辆状态特征集进行融合，形成训练数据集；
使用训练数据集进行模型训练，得到货车车辆状态预警模型；
优化货车车辆状态预警模型参数。
如上所述的一种运输过程中货车车辆状态的预警方法，其中车载终端基于货车车辆状态预警模型，以及实时的车辆状态数据进行预警判断时，采用流处理方法将实时采集到的车辆状态数据转化为特征集，输入至车车辆状态预警模型中，输出对货车车辆状态的预警结果。
本发明还提供一种运输过程中货车车辆状态的预警系统，包括：车载终端和服务端；
车载终端实时采集运输过程中的货车车辆状态数据，以及基于货车车辆状态预警模型，以及实时的车辆状态数据进行预警判断，根据预警判断结果进行预警通知，并上传预警数据、预警处理数据到服务端；
服务端基于货车的历史车辆状态数据与历史故障记录，训练并构建货车车辆状态预警模型，下发至车载终端；以及将接收到的预警数据与预警处理数据形成记录。
如上所述的一种运输过程中货车车辆状态的预警系统，其中货车车辆状态数据包括车辆行驶状态数据和车辆外观状态数据，车辆行驶状态通过CAN总线连接车辆OBD接口获取，车辆外观状态通过车载摄像头获取。
如上所述的一种运输过程中货车车辆状态的预警系统，其中训练并构建货车车辆状态预警模型，具体分为以下子步骤：
提取历史车辆状态数据的特征，形成车辆状态特征集；
将历史故障记录整理为基于时间序列的故障序列集；
基于车辆状态特征集、故障序列集构建货车车辆状态预警模型。
如上所述的一种运输过程中货车车辆状态的预警系统，其中提取历史车辆状态数据的特征，形成车辆状态特征集，具体分为以下子步骤：
将历史车辆状态数据中的车辆行驶状态数据进行归一化处理，形成车辆行驶状态特征；
提取历史车辆状态数据中的车辆外观状态特征；
将车辆行驶状态特征和车辆外观状态特征融合整理为车辆状态特征集。
如上所述的一种运输过程中货车车辆状态的预警系统，其中车载终端基于货车车辆状态预警模型，以及实时的车辆状态数据进行预警判断时，采用流处理方法将实时采集到的车辆状态数据转化为特征集，输入至车车辆状态预警模型中，输出对货车车辆状态的预警结果。
本发明实现的有益效果如下：以车载终端的方式实时采集运输现场的车辆状态数据，包括车辆行驶状态数据和车辆外观状态数据两方面，减少了远程传输的时间，提高采集效率，且采集数据较为全面，再以流处理的方式进行数据处理和模型输入，从而提高计算和响应速度。
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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种运输过程中货车车辆状态的预警方法流程图；
图2是本发明实施例二提供的一种运输过程中货车车辆状态的预警系统示意图。
具体实施方式
下面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
如图1所示，本发明实施例一提供一种运输过程中货车车辆状态的预警方法，包括：
步骤S10：车载终端实时采集运输过程中的货车车辆状态数据；
货车车辆状态数据包括两部分，一是车辆的引擎参数、胎压、油耗、车速、冷却系统温度，刹车系统转态等车辆行驶状态数据；二是车辆磨损情况、零部件松动情况等车辆外观状态数据。
车辆行驶状态通过CAN总线连接车辆OBD接口获取，车辆外观状态通过车载摄像头获取。
步骤S20：服务端基于货车的历史车辆状态数据与历史故障记录，训练、构建货车车辆状态预警模型，下发至车载终端；
训练、构建货车车辆状态预警模型，具体分为以下子步骤：
①提取历史车辆状态数据的特征，形成车辆状态特征集；
1、将历史车辆状态数据中的车辆行驶状态数据进行归一化处理，形成车辆行驶状态特征；
归一化公式为：，其中，hdrs为历史数据中某一项车辆行驶状态的记录值，/>为历史数据中该项车辆行驶状态的均值，avg()函数为取平均数函数，hdrst为该项车辆行驶状态在历史数据中第t条记录的记录值，t取值1~n，n为历史数据中的记录总条数，drs为计算得出的该项车辆行驶状态特征值；
2、提取历史车辆状态数据中的车辆外观状态特征；
车辆外观状态数据为车辆各个部位的图片，从图片中提取出用于描述车辆各部分的外观特征，使用Python中OpenCV和Scikit-image这两个常用的库即可提取图片中的颜色特征、纹理特征、形状特征和结构特征；
3、将车辆行驶状态特征和车辆外观状态特征融合整理为车辆状态特征集；
车辆状态特征集表示为：，其中t1~tn分别表示历史记录的编号，P1~Pn分别表示不同历史记录中车辆状态特征的集合，n为历史记录总条数，Pi表示为/>，其中x1~xm表示不同的车辆状态特征，m为车辆状态特征总数。
②将历史故障记录整理为基于时间序列的故障序列集；
将历史故障记录中的故障类型进行编码处理，以编码作为一个故障类型的唯一标识；历史故障记录中有故障发生的时间，按照故障发生时间的先后顺序，对历史故障记录进行排序整理，形成故障序列集：，其中d1~dw分别为故障发生的不同时间，fak为故障类型编码，k取值1~z表示不同故障类型的下标，z为故障类型总数。
③基于车辆状态特征集、故障序列集构建货车车辆状态预警模型；
1、将故障序列集按照故障类型编码进行分组；
故障类型编码一样的分为一组，组内包含同类型故障的不同故障发生时间，分组后的故障序列集表示为，其中fa1~faz为不同的故障类型编码，D1~Dz为不同类型故障的发生时间集合；
2、将分组后的故障序列集与车辆状态特征集进行融合，形成训练数据集；
将S3集合与车辆状态特征集基于故障发生时间与历史记录编号进行数据融合：通过历史记录编号可查询到采集车辆状态的时间，取采集车辆状态的时间在故障发生时间开始到往前0.5小时（称为故障周期），这段时间内的车辆状态特征作为分组内的数据融合在分组后的故障序列集，形成训练数据集，表示为：，其中T1~Tz为不同类型的故障发生时段内车辆状态特征集合，/>，P1~Pδ分别为不同历史记录中车辆状态特征的集合，δ为故障周期内的采集到的车辆状态记录条数，Pi表示为/>，m为车辆状态特征总数。
3、使用训练数据集进行模型训练，得到货车车辆状态预警模型；
将训练数据集S4中T1~Tz作为输入集，fa1~faz作为输出集开始模型训练，训练得到的货车车辆状态预警模型表示为：，其中，α为模型的水平平滑参数，Pi.xj为输入的Tk集合中，下标为i的车辆状态特征集合Pi内，第j个车辆状态特征，β为模型的垂直平滑参数，ζj为第j个车辆状态的增长量，/>为第j个状态特征在Tk集合中的平均值，γ为模型的趋势平滑参数，Pm-i+1.xj为输入的Tk集合中，下标为m-i+1的车辆状态特征集合Pm-i+1内，第j个车辆状态特征，i取值1~δ，δ为故障周期内的采集到的车辆状态记录条数，j取值1~m，m为车辆状态特征总数。
4、优化货车车辆状态预警模型参数；
取训练数据集中10%的数据进行模型参数的优化，使用梯度下降法对货车车辆状态预警模型参数进行迭代，取输出值与实际记录值最相近时的模型参数作为最优参数，应用于模型中并将模型进行存储。
最后将训练好的模型通过无线传输的方式下发给车载终端。
步骤S30：车载终端基于货车车辆状态预警模型，以及实时的车辆状态数据进行预警判断；
将车载终端实时采集到的车辆状态数据，使用流处理方法转化为特征集并输入至货车车辆状态预警模型中，输出对货车车辆状态的预警结果。
步骤S40：车载终端根据预警判断结果进行预警通知，并上传预警数据、预警处理数据到服务端；
以语音播报的方式，通过车载终端向车内工作人员进行预警，同时车载终端的显示模块用于查看车辆状态的实时监测值，为工作人员提供参考，也可以通过车载终端呼叫服务端的值班人员为现场工作人员提供远程帮助。
对于预警结果的处理有三个按钮，现场问题已经得到排查并解决时选择“已处理”按钮结束本次预警；现场问题未得到完善解决，但暂时又不会影响行驶时则选择“挂起”按钮，暂时对本次预警忽略，待到达维修点或本部得到解决时再选择“已处理”；当现场工作人员和服务端值班人员经过一系列诊断排查，均认为再继续行驶风险较大时，则选择“行程中止”按钮，停止本次行程，并通知总部另行安排。
预警发出后，车载终端向服务端上传预警数据到服务端，服务端可查看预警内容，并与车载终端建立远程连接，查看现场车辆状态的各项监测数据；预警处理数据是指车载终端对预警结果处理按钮的选择，选择完毕后也会上传到服务端。
步骤S50：服务端将接收到的预警数据与预警处理数据形成记录；
服务端接收到预警数据和预警处理数据后保存到数据库中，前端按照接收时间顺序以表格形式进行展示，可根据处理状态、预警类型、接收时间进行筛选查看，双击记录进入详情页，可以查看到预警数据的详细数据，点击详情页中的“远程协助”操作按钮，可以与现场的车载终端建立连接，从而查看现场的实时监测数据。
实施例二
如图2所示，本发明实施例二提供一种运输过程中货车车辆状态的预警系统，包括：车载终端和服务端；
车载终端包含以下模块：
（1）车辆状态采集模块，用于实时采集运输过程中的货车车辆状态数据；
货车车辆状态数据包括两部分，一是车辆的引擎参数、胎压、油耗、车速、冷却系统温度，刹车系统转态等车辆行驶状态数据；二是车辆磨损情况、零部件松动情况等车辆外观状态数据。
车辆行驶状态通过CAN总线连接车辆OBD接口获取，车辆外观状态通过车载摄像头获取。
（2）车辆状态预警模块，用于将采集到的车辆状态数据以流处理的方式转化为特征集，输入到货车车辆状态预警模型中，输出对货车车辆状态的预警结果，并根据预警结果进行预警通知；
（3）预警处理模块，用于对车辆状态预警内容的处理结果进行反映；
对于预警结果的处理有三个按钮，现场问题已经得到排查并解决时选择“已处理”按钮结束本次预警；现场问题未得到完善解决，但暂时又不会影响行驶时则选择“挂起”按钮，暂时对本次预警忽略，待到达维修点或本部得到解决时再选择“已处理”；当现场工作人员和服务端值班人员经过一系列诊断排查，均认为再继续行驶风险较大时，则选择“行程中止”按钮，停止本次行程，并通知总部另行安排。
（4）远程连接模块，用于与服务端建立远程连接，从而得到服务端值班人员的远程协助。
服务端包含以下模块：
（1）货车车辆状态预警模型训练模块，用于基于货车的历史车辆状态数据与历史故障记录，训练、构建货车车辆状态预警模型；
训练、构建货车车辆状态预警模型，具体分为以下子步骤：
①提取历史车辆状态数据的特征，形成车辆状态特征集；
1、将历史车辆状态数据中的车辆行驶状态数据进行归一化处理，形成车辆行驶状态特征；
归一化公式为：，其中，hdrs为历史数据中某一项车辆行驶状态的记录值，/>为历史数据中该项车辆行驶状态的均值，avg()函数为取平均数函数，hdrst为该项车辆行驶状态在历史数据中第t条记录的记录值，t取值1~n，n为历史数据中的记录总条数，drs为计算得出的该项车辆行驶状态特征值；
2、提取历史车辆状态数据中的车辆外观状态特征；
车辆外观状态数据为车辆各个部位的图片，从图片中提取出用于描述车辆各部分的外观特征，使用Python中OpenCV和Scikit-image这两个常用的库即可提取图片中的颜色特征、纹理特征、形状特征和结构特征；
3、将车辆行驶状态特征和车辆外观状态特征整理为车辆状态特征集；
车辆状态特征集表示为：，其中t1~tn分别表示历史记录的编号，P1~Pn分别表示不同历史记录中车辆状态特征的集合，n为历史记录总条数，Pi表示为/>，其中x1~xm表示不同的车辆状态特征，m为车辆状态特征总数。
②将历史故障记录整理为基于时间序列的故障序列集；
将历史故障记录中的故障类型进行编码处理，以编码作为一个故障类型的唯一标识；历史故障记录中有故障发生的时间，按照故障发生时间的先后顺序，对历史故障记录进行排序整理，形成故障序列集：，其中d1~dw分别为故障发生的不同时间，fak为故障类型编码，k取值1~z表示不同故障类型的下标，z为故障类型总数。
③基于车辆状态特征集、故障序列集构建货车车辆状态预警模型；
1、将故障序列集按照故障类型编码进行分组；
故障类型编码一样的分为一组，组内包含同类型故障的不同故障发生时间，分组后的故障序列集表示为，其中fa1~faz为不同的故障类型编码，D1~Dz为不同类型故障的发生时间集合；
2、将分组后的故障序列集与车辆状态特征集进行融合，形成训练数据集；
将S3集合与车辆状态特征集基于故障发生时间与历史记录编号进行数据融合：通过历史记录编号可查询到采集车辆状态的时间，取采集车辆状态的时间在故障发生时间开始到往前0.5小时（称为故障周期），这段时间内的车辆状态特征作为分组内的数据融合在分组后的故障序列集，形成训练数据集，表示为：，其中T1~Tz为不同类型的故障发生时段内车辆状态特征集合，/>，P1~Pδ分别为不同历史记录中车辆状态特征的集合，δ为故障周期内的采集到的车辆状态记录条数，Pi表示为/>，m为车辆状态特征总数。
3、使用训练数据集进行模型训练，得到货车车辆状态预警模型；
将训练数据集S4中T1~Tz作为输入集，fa1~faz作为输出集开始模型训练，训练得到的货车车辆状态预警模型表示为：，其中，α为模型的水平平滑参数，Pi.xj为输入的Tk集合中，下标为i的车辆状态特征集合Pi内，第j个车辆状态特征，β为模型的垂直平滑参数，ζj为第j个车辆状态的增长量，/>为第j个状态特征在Tk集合中的平均值，γ为模型的趋势平滑参数，Pm-i+1.xj为输入的Tk集合中，下标为m-i+1的车辆状态特征集合Pm-i+1内，第j个车辆状态特征，i取值1~δ，δ为故障周期内的采集到的车辆状态记录条数，j取值1~m，m为车辆状态特征总数。
4、优化货车车辆状态预警模型参数；
取训练数据集中10%的数据进行模型参数的优化，使用梯度下降法对货车车辆状态预警模型参数进行迭代，取输出值与实际记录值最相近时的模型参数作为最优参数，应用于模型中并将模型进行存储。
（2）数据传输模块，用于向车载终端下发货车车辆状态预警模型，接收车载终端上传的数据。
（3）预警数据记录模块，用于将接收到的预警数据与预警处理数据形成记录；
（4）远程连接模块，用于与车载终端建立远程连接，查看车载终端的实时监测数据，为现场提供远程协助。
服务端接收到预警数据和预警处理数据后保存到数据库中，前端按照接收时间顺序以表格形式进行展示，可根据处理状态、预警类型、接收时间进行筛选查看，双击记录进入详情页，可以查看到预警数据的详细数据，点击详情页中的“远程协助”操作按钮，可以与现场的车载终端建立连接，从而查看现场的实时监测数据。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (9)
1.一种运输过程中货车车辆状态的预警方法，包括：
Step1、车载终端实时采集运输过程中的货车车辆状态数据；
Step2、服务端基于货车的历史车辆状态数据与历史故障记录，训练并构建货车车辆状态预警模型，下发至车载终端；
Step3、车载终端基于货车车辆状态预警模型，以及实时的车辆状态数据进行预警判断；
Step4、车载终端根据预警判断结果进行预警通知，并上传预警数据、预警处理数据到服务端；
Step5、服务端将接收到的预警数据与预警处理数据形成记录；
训练并构建货车车辆状态预警模型，具体分为以下子步骤：
提取历史车辆状态数据的特征，形成车辆状态特征集；
将历史故障记录整理为基于时间序列的故障序列集；
基于车辆状态特征集、故障序列集构建货车车辆状态预警模型；
货车车辆状态预警模型表示为：，其中，α为模型的水平平滑参数，Pi.xj为输入的Tk集合中，下标为i的车辆状态特征集合Pi内，第j个车辆状态特征，β为模型的垂直平滑参数，ζj为第j个车辆状态的增长量，/>为第j个状态特征在Tk集合中的平均值，γ为模型的趋势平滑参数，Pm-i+1.xj为输入的Tk集合中，下标为m-i+1的车辆状态特征集合Pm-i+1内，第j个车辆状态特征，i取值1~δ，δ为故障周期内的采集到的车辆状态记录条数，j取值1~m，m为车辆状态特征总数，Tk为输入的第k个集合。
2.根据权利要求1所述的一种运输过程中货车车辆状态的预警方法，其特征在于，货车车辆状态数据包括车辆行驶状态数据和车辆外观状态数据，车辆行驶状态通过CAN总线连接车辆OBD接口获取，车辆外观状态通过车载摄像头获取。
3.根据权利要求1所述的一种运输过程中货车车辆状态的预警方法，其特征在于，提取历史车辆状态数据的特征，形成车辆状态特征集，具体分为以下子步骤：
将历史车辆状态数据中的车辆行驶状态数据进行归一化处理，形成车辆行驶状态特征；
提取历史车辆状态数据中的车辆外观状态特征；
将车辆行驶状态特征和车辆外观状态特征融合整理为车辆状态特征集。
4.根据权利要求3所述的一种运输过程中货车车辆状态的预警方法，其特征在于，车载终端基于货车车辆状态预警模型，以及实时的车辆状态数据进行预警判断时，采用流处理方法将实时采集到的车辆状态数据转化为特征集，输入至车车辆状态预警模型中，输出对货车车辆状态的预警结果。
5.一种运输过程中货车车辆状态的预警系统，其特征在于，所述系统执行如权利要求1-4任一项所述的一种运输过程中货车车辆状态的预警方法，所述系统包括：车载终端和服务端；
车载终端实时采集运输过程中的货车车辆状态数据，以及基于货车车辆状态预警模型，以及实时的车辆状态数据进行预警判断，根据预警判断结果进行预警通知，并上传预警数据、预警处理数据到服务端；
服务端基于货车的历史车辆状态数据与历史故障记录，训练并构建货车车辆状态预警模型，下发至车载终端；以及将接收到的预警数据与预警处理数据形成记录。
6.根据权利要求5所述的一种运输过程中货车车辆状态的预警系统，其特征在于，货车车辆状态数据包括车辆行驶状态数据和车辆外观状态数据，车辆行驶状态通过CAN总线连接车辆OBD接口获取，车辆外观状态通过车载摄像头获取。
7.根据权利要求6所述的一种运输过程中货车车辆状态的预警系统，其特征在于，训练并构建货车车辆状态预警模型，具体分为以下子步骤：
提取历史车辆状态数据的特征，形成车辆状态特征集；
将历史故障记录整理为基于时间序列的故障序列集；
基于车辆状态特征集、故障序列集构建货车车辆状态预警模型。
8.根据权利要求7所述的一种运输过程中货车车辆状态的预警系统，其特征在于，提取历史车辆状态数据的特征，形成车辆状态特征集，具体分为以下子步骤：
将历史车辆状态数据中的车辆行驶状态数据进行归一化处理，形成车辆行驶状态特征；
提取历史车辆状态数据中的车辆外观状态特征；
将车辆行驶状态特征和车辆外观状态特征融合整理为车辆状态特征集。
9.根据权利要求8所述的一种运输过程中货车车辆状态的预警系统，其特征在于，车载终端基于货车车辆状态预警模型，以及实时的车辆状态数据进行预警判断时，采用流处理方法将实时采集到的车辆状态数据转化为特征集，输入至车车辆状态预警模型中，输出对货车车辆状态的预警结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684165.0A CN117389256B (zh) | 2023-12-11 | 2023-12-11 | 一种运输过程中货车车辆状态的预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684165.0A CN117389256B (zh) | 2023-12-11 | 2023-12-11 | 一种运输过程中货车车辆状态的预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117389256A CN117389256A (zh) | 2024-01-12 |
| CN117389256B true CN117389256B (zh) | 2024-03-08 |
Family
ID=89463471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311684165.0A Active CN117389256B (zh) | 2023-12-11 | 2023-12-11 | 一种运输过程中货车车辆状态的预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117389256B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103377302A (zh) * | 2012-04-28 | 2013-10-30 | 深圳大学 | 一种基于状态指数数学模型的道路照明优化设计方法 |
| CN105046766A (zh) * | 2015-08-27 | 2015-11-11 | 孙健 | 一种货运车辆行驶安全监测系统和方法 |
| CN107403480A (zh) * | 2017-06-15 | 2017-11-28 | 北汽福田汽车股份有限公司 | 一种车辆故障预警方法、系统及车辆 |
| CN110239433A (zh) * | 2019-06-14 | 2019-09-17 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种基于货车行车安全的车载智能监测预警系统及方法 |
| CN110807930A (zh) * | 2019-11-07 | 2020-02-18 | 中国联合网络通信集团有限公司 | 危险车辆预警方法及装置 |
| CN110816551A (zh) * | 2019-11-28 | 2020-02-21 | 广东新时空科技股份有限公司 | 一种车辆运输安全主动防控系统 |
| CN111081021A (zh) * | 2019-12-30 | 2020-04-28 | 泰康保险集团股份有限公司 | 一种行车安全控制方法、行车安全装置、移动终端及支架 |
| CN114373295A (zh) * | 2021-11-30 | 2022-04-19 | 江铃汽车股份有限公司 | 一种行车安全预警方法、系统、存储介质及设备 |
| CN115600943A (zh) * | 2022-09-09 | 2023-01-13 | 王红平（Cn） | 一种基于深度学习的智慧物流包裹运输风险预警及调整方法 |
| WO2023029706A1 (zh) * | 2021-09-02 | 2023-03-09 | 山东建筑大学 | 一种塔机塔身损伤状态特征点映射模型的建立方法与快速判别损伤的方法 |
| CN116818009A (zh) * | 2023-06-09 | 2023-09-29 | 北京石油化工学院 | 一种货车超限检测系统及方法 |
-
2023
- 2023-12-11 CN CN202311684165.0A patent/CN117389256B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103377302A (zh) * | 2012-04-28 | 2013-10-30 | 深圳大学 | 一种基于状态指数数学模型的道路照明优化设计方法 |
| CN105046766A (zh) * | 2015-08-27 | 2015-11-11 | 孙健 | 一种货运车辆行驶安全监测系统和方法 |
| CN107403480A (zh) * | 2017-06-15 | 2017-11-28 | 北汽福田汽车股份有限公司 | 一种车辆故障预警方法、系统及车辆 |
| CN110239433A (zh) * | 2019-06-14 | 2019-09-17 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种基于货车行车安全的车载智能监测预警系统及方法 |
| CN110807930A (zh) * | 2019-11-07 | 2020-02-18 | 中国联合网络通信集团有限公司 | 危险车辆预警方法及装置 |
| CN110816551A (zh) * | 2019-11-28 | 2020-02-21 | 广东新时空科技股份有限公司 | 一种车辆运输安全主动防控系统 |
| CN111081021A (zh) * | 2019-12-30 | 2020-04-28 | 泰康保险集团股份有限公司 | 一种行车安全控制方法、行车安全装置、移动终端及支架 |
| WO2023029706A1 (zh) * | 2021-09-02 | 2023-03-09 | 山东建筑大学 | 一种塔机塔身损伤状态特征点映射模型的建立方法与快速判别损伤的方法 |
| CN114373295A (zh) * | 2021-11-30 | 2022-04-19 | 江铃汽车股份有限公司 | 一种行车安全预警方法、系统、存储介质及设备 |
| CN115600943A (zh) * | 2022-09-09 | 2023-01-13 | 王红平（Cn） | 一种基于深度学习的智慧物流包裹运输风险预警及调整方法 |
| CN116818009A (zh) * | 2023-06-09 | 2023-09-29 | 北京石油化工学院 | 一种货车超限检测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高速公路车辆智能安全预警系统;赵太飞;张晓飞;娄俊鹏;;计算机系统应用;20151015(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117389256A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108083044B (zh) | 一种基于大数据分析的电梯按需维保系统及方法 | |
| CN106598791B (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
| CN111401583A (zh) | 基于预测性维护的自动扶梯全生命周期健康管理系统 | |
| CN107703920A (zh) | 基于多元时间序列的列车制动系统的故障检测方法 | |
| CN112290546B (zh) | 一种基于人机共融的变电站一次设备故障判别方法 | |
| CN107145675A (zh) | 基于bp神经网络算法的电力变压器故障诊断装置及方法 | |
| CN107300901A (zh) | 一种机车转向架构架挂件组装系统装置 | |
| CN102981496A (zh) | 基于车辆专业诊断的远程监控及数据存储方法 | |
| CN112987687B (zh) | 一种云-端融合的智能线控底盘健康监测系统及方法 | |
| CN113253037B (zh) | 基于电流波纹的边云协同设备状态监测方法及系统、介质 | |
| CN112668715A (zh) | 一种基于机器学习的道岔转辙机异常诊断方法及系统 | |
| CN117389256B (zh) | 一种运输过程中货车车辆状态的预警方法 | |
| CN114386892A (zh) | 运输车辆载重管理方法、系统、存储介质及设备 | |
| CN114510979A (zh) | 一种基于边缘计算的水下设备检查系统及方法 | |
| Wang et al. | Intelligent predictive maintenance (IPdM) for elevator service-through CPS, IOT&S and data mining | |
| Omri et al. | Data management requirements for phm implementation in smes | |
| CN110929890A (zh) | 一种基于app的立体车库故障远程监控系统 | |
| CN109697554B (zh) | 提速道岔的健康状态评估方法 | |
| CN112101588A (zh) | 一种基于工业互联网的设备维护管理方法 | |
| CN111242329A (zh) | 一种港口起重机传动部件大数据监控系统及监控方法 | |
| CN111079954A (zh) | 一种基于大数据的通信设备检修管理系统 | |
| CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
| CN115936671A (zh) | 一种基于5g混合网络的散货港口自学习运维系统 | |
| CN104551590B (zh) | 动车组底板、裙板装配质量在线检测系统及方法 | |
| Zheng | Fuzzy algorithm-based fault analysis for automated production lines |
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 |