CN117508209A - 一种车辆智能诊断方法及装置 - Google Patents
一种车辆智能诊断方法及装置 Download PDFInfo
- Publication number
- CN117508209A CN117508209A CN202210904629.3A CN202210904629A CN117508209A CN 117508209 A CN117508209 A CN 117508209A CN 202210904629 A CN202210904629 A CN 202210904629A CN 117508209 A CN117508209 A CN 117508209A
- Authority
- CN
- China
- Prior art keywords
- diagnosed
- data set
- evaluation index
- performance evaluation
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 82
- 230000036541 health Effects 0.000 claims abstract description 67
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000013506 data mapping Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 85
- 230000002596 correlated effect Effects 0.000 claims description 14
- 238000013136 deep learning model Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 2
- 239000011159 matrix material Substances 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种车辆智能诊断方法及装置，其中，方法包括：获取车辆待诊断对象在不同时刻的运行数据；将所述不同时刻的运行数据进行数据映射，获得所述待诊断对象的工作负荷、异常次数、一阶映射常规数据组和实际性能评价指标；根据所述一阶映射常规数据组和实际性能评价指标，获得与所述实际性能评价指标强相关的数据组；将所述实际性能评价指标与待诊断对象的理想性能评价指标进行比较，根据比较结果构建得到所述待诊断对象的整体综合性能指标函数；将待诊断对象的工作负荷、异常次数、强相关数据组和整体综合性能指标函数导入预建立的健康度诊断模型，获得所述待诊断对象的健康度诊断数据。本发明可以对车辆的零部件或系统进行智能预测诊断。
Description
技术领域
本发明属于智能网联汽车技术领域，具体涉及一种车辆智能诊断方法及装置。
背景技术
目前的车辆诊断功能主要是服务于已发生故障的排查。随着智能化网联化程度的深入，对故障发生、零部件的使用性能等进行提前预警和告知的功能愈发重要，而行业内尚缺乏一种结合车辆已发生运行数据和实时运行数据对即将发生的车辆故障、性能衰减、零部件使用寿命的高效预知智能诊断并提前向用户和车厂发出预警的方法。
发明内容
本发明实施例所要解决的技术问题在于，提供一种车辆智能诊断方法及装置，以对车辆的零部件或系统的故障、健康度、性能衰减、使用寿命进行智能预测诊断。
为解决上述技术问题，本发明提供一种车辆智能诊断方法，包括：
获取车辆待诊断对象在不同时刻的运行数据；
将所述不同时刻的运行数据进行数据映射，获得所述待诊断对象的工作负荷、异常次数、一阶映射常规数据组和实际性能评价指标；
根据所述一阶映射常规数据组和所述实际性能评价指标，获得与所述实际性能评价指标强相关的数据组；
将所述实际性能评价指标与所述待诊断对象的理想性能评价指标进行比较，根据比较结果构建得到所述待诊断对象的整体综合性能指标函数；
将所述待诊断对象的工作负荷、异常次数、强相关数据组和整体综合性能指标函数导入预建立的健康度诊断模型，获得所述待诊断对象的健康度诊断数据。
进一步地，将所述待诊断对象的工作负荷、异常次数、强相关数据组和整体综合性能指标函数导入预建立的健康度诊断模型，获得所述待诊断对象的健康度诊断数据，具体包括：
根据不同时刻的工作负荷、异常次数、强相关数据组和整体综合性能指标函数，计算出多个健康度诊断值，得到健康度衰减曲线；
根据所述健康度衰减曲线，对所述待诊断对象的整体健康衰减情况进行预测，得出所述待诊断对象出现故障风险或失效风险的时间区间及其置信度。
进一步地，将所述不同时刻的运行数据进行数据映射，获得的所述待诊断对象的工作负荷L如下：
其中，Ui表示待诊断对象的实际工作电压，Ii表示待诊断对象的实际工作电流，t表示时间，i表示每一个工作时刻；
获得的所述待诊断对象的异常次数E如下：
其中，e表示在某一时刻的出现的故障，t表示该时刻，r表示出现故障的次数。
进一步地，根据所述一阶映射常规数据组和所述实际性能评价指标，获得与所述实际性能评价指标强相关的数据组，具体包括：
将一阶常规数据组D1与实际性能评价指标导入第一深度学习模型，在所述一阶常规数据组D1中筛选出对所述实际性能评价指标有影响的参数，同时排除对所述实际性能评价指标没有影响的参数，得到与所述实际性能评价指标强相关的数据组D2。
进一步地，将所述实际性能评价指标与所述待诊断对象的理想性能评价指标进行比较，根据比较结果构建得到所述待诊断对象的整体综合性能指标函数，具体包括：
将实际运行情况下的实际性能评价指标P{P1,P2,P3,…,Pn}与所述待诊断对象的理想性能评价指标P'{P1',P2',P3',…,Pn'}进行比较，得到一个P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}的数据集合；
根据数据集合P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}构建一个整体综合性能指标函数P综，P综＝Func(P/P')＝Func(P1/P1',P2/P2',P3/P3',…,Pn/Pn')，用于判断待诊断对象在当前生命周期的整体综合性能情况。
进一步地，整体综合性能指标函数P综具体表示如下：
其中，a∈{a1，a2，a3，…，an}，/>
n表示评价指标个数；k表示样本数，即每组P/P'的采样点个数；l表示截距；mj表示第j项pj/pj'的权重；aj表示第j项pj/pj'的阶次；ε表示随机误差，用于修正P综函数。
进一步地，所述健康度诊断模型H是基于工作负荷L、异常次数E、强相关数据组D2和整体综合性能指标函数P综建立，其数据来源为已知工况的历史运行数据；所述健康度诊断模型的具体函数形式为：
其中，β(D2)表示强相关数据组D2对H函数的叠加影响因子；θ为H函数的截距，表示随机误差，用于修正H函数。
进一步地，建立健康度诊断模型H的过程具体为：利用已知工况的历史运行数据为H模型赋值，并将一部分已被赋值的因变量H与其变量P综、E、L、D2导入第二深度学习模型进行训练，获得因变量H与其变量P综、E、L、D2的具体函数表达关系；将剩下的另一部分已被赋值的因变量H与其变量P综、E、L、D2进行检验，最终得到一个可靠的健康度诊断模型H。
进一步地，利用第三深度学习模型，用一部分已有运行数据对整体综合性能指标函数P综进行训练，用余下的另一部分数据进行检验，得到一个经过训练的可靠的整体综合性能指标函数P综；将所述可靠的整体综合性能指标函数P综用于建立所述健康度诊断模型H。
进一步地，所述车辆智能诊断方法还包括：将获得的所述待诊断对象的健康度诊断数据上传云端，或者通过车内的显示屏或者语音系统以HMI交互的方式提醒告知用户，实现全栈预警告知。
本发明还提供一种车辆智能诊断装置，包括：
第一获取模块，用于获取车辆待诊断对象在不同时刻的运行数据；
第二获取模块，用于将所述不同时刻的运行数据进行数据映射，获得所述待诊断对象的工作负荷、异常次数、一阶映射常规数据组和实际性能评价指标；
第三获取模块，用于根据所述一阶映射常规数据组和所述实际性能评价指标，获得与所述实际性能评价指标强相关的数据组；
第四获取模块，用于将所述实际性能评价指标与所述待诊断对象的理想性能评价指标进行比较，根据比较结果构建得到所述待诊断对象的整体综合性能指标函数；
智能诊断模块，用于将所述待诊断对象的工作负荷、异常次数、强相关数据组和整体综合性能指标函数导入预建立的健康度诊断模型，获得所述待诊断对象的健康度诊断数据。
进一步地，所述第四获取模块具体用于：
将实际运行情况下的实际性能评价指标P{P1,P2,P3,…,Pn}与所述待诊断对象的理想性能评价指标P'{P1',P2',P3',…,Pn'}进行比较，得到一个P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}的数据集合；
根据数据集合P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}构建一个整体综合性能指标函数P综，P综＝Func(P/P')＝Func(P1/P1',P2/P2',P3/P3',…,Pn/Pn')，用于判断待诊断对象在当前生命周期的整体综合性能情况。
进一步地，整体综合性能指标函数P综具体表示如下：
其中，a∈{a1，a2，a3，…，an}，/>
n表示评价指标个数；k表示样本数，即每组P/P'的采样点个数；l表示截距；mj表示第j项pj/pj'的权重；aj表示第j项pj/pj'的阶次；ε表示随机误差，用于修正P综函数。
进一步地，所述健康度诊断模型H是基于工作负荷L、异常次数E、强相关数据组D2和整体综合性能指标函数P综建立，其数据来源为已知工况的历史运行数据；所述健康度诊断模型的具体函数形式为：
其中，β(D2)表示强相关数据组D2对H函数的叠加影响因子；θ为H函数的截距，表示随机误差，用于修正H函数。
实施本发明具有如下有益效果：本发明通过对汽车上的零部件、系统进行车辆故障、性能衰减、使用寿命的预知智能诊断与预测，可为用户评估出车辆使用状况，提供车辆实时健康检测和保养维修参考，提醒用户合理用车和适当保养以及零部件更换计划，减少因车辆故障产生的安全问题和顾虑，提升用户用车的安全性和舒心体验；还可为4S店提供定制化的维修保养建议，降低保养物资开销以及问题排查难度；以及为车辆制造商提供车辆零部件、元器件的统计数据分析，提供设计改善、保存、运输和供应商选择依据。
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的附图。
图1是本发明实施例一一种车辆智能诊断方法的流程示意图。
图2是本发明实施例一一种车辆智能诊断方法的具体流程示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
请参照图1所示，本发明实施例一提供一种车辆智能诊断方法，包括：
获取车辆待诊断对象在不同时刻的运行数据；
将所述不同时刻的运行数据进行数据映射，获得所述待诊断对象的工作负荷、异常次数、一阶映射常规数据组和实际性能评价指标；
根据所述一阶映射常规数据组和所述实际性能评价指标，获得与所述实际性能评价指标强相关的数据组；
将所述实际性能评价指标与所述待诊断对象的理想性能评价指标进行比较，根据比较结果构建得到所述待诊断对象的整体综合性能指标函数；
将所述待诊断对象的工作负荷、异常次数、强相关数据组和整体综合性能指标函数导入预建立的健康度诊断模型，获得所述待诊断对象的健康度诊断数据。
具体地，请结合图2所示，本实施例需要预先通过不同零部件的特性和开发经验，进行各个功能的关联信号矩阵的关联与设计、数据映射算法库的录入。本实施例中，待诊断对象指零部件或系统。
首先，根据整车信号矩阵，构建车辆待诊断对象的关联信号矩阵。构建关联信号矩阵有两种维度：(1)整车所有数据都被认为和待诊断零件相关，将所有信号都构建关键信号矩阵；(2)整车仅有部分数据被认为和待诊断零件相关，因此针对单个待诊断零件，仅构建与其相关的关联信号矩阵。从数据规模上看，第(2)种方案的数据规模较小。
根据汽车执行功能的生命周期(包括该功能或零部件每个子功能或者子动作)里产生的该零部件/系统交互的车身信号、车辆GPS信号、车辆模式、用户模式、车辆档位、主/副驾座椅传感器信号、整车时钟信号、车内外温/湿度参数、车辆蓄电池参数、点火状态等参数(以上参数包括但不限于)，通过整车信号矩阵列表，构建该零部件/系统功能的关联信号矩阵(车上一切的信号都可以成为关联信号组的一个成员，它由厂商定义)。
例如，对车辆的前雨刮进行关联信号矩阵构建：选用雨刮功能的当前状态信号、服务模式、开关控制信号、位置调节信号、速度调节信号、雨刮工作状态反馈的输出信号、雨刮维修模式请求命令、雨量光线传感器的雨量感应等级信号、以及导航系统发出的GPS定位、空调系统发出的车外温度/湿度和车内温度/湿度、电池传感器和发电机所发出的当前放电电流和电压、发动机管理模块发出的点火状态等信号，构建一个该零部件/系统功能的关联信号矩阵。
又如，对车辆的低压蓄电池进行关联信号矩阵构建：选取蓄电池传感器所发出的当前电池电流、电流数值范围、电池电压、电池温度、累计充电电量、累计放电电量、实时最大电池容量状态值、实时最大电池容量、蓄电池故障信号、导航系统发出的GPS定位、空调系统发出的车外温度/湿度和车内温度/湿度、发电机所发出的当前放电电流和电压、发动机管理模块发出的点火状态、车辆档位、车辆管理模块发出的车辆模式和用户模式等信号，构建一个该蓄电池预测健康的关联信号矩阵。
接下来，构建关联信号矩阵与一阶数据映射算法库。除了车身基本车况与环境数据外，由于零部件工作负荷可表征该零件在生命周期的运行折旧，异常次数也能反应出该零部件的使用寿命及健康情况，零部件的性能表现可以通过不同维度的性能评价指标判断，因此数据映射算法可实现如下工作(包含但不限于)：
(1)工作负荷L映射；
(2)异常次数E映射；
(3)常规信号映射，得到一阶常规数据组(DataSet)D1；
(4)创建评价该零部件/系统在实际运行情况下的实际性能评价指标P{P1,P2,P3,…,Pn}并通过已有的每一组运行数据映射计算得出P{P1,P2,P3,…,Pn}的数据集。不同零件的评价指标个数根据实际的情况制定。
以上内容将根据车辆厂商零部件的设计指南与工程理论，将其中整车各功能模块的原始信号进行一阶数据映射的算法进行设计与导入。映射算法需要基于经验去搭建，例如获取了车内温度信号，需要将(温度信号×数据精度-初始值)×某个系数才能等同于被预测零件的温度。某个系数就需要基于工程经验来判断是否值得信赖。可以理解的是，在车辆总线网络唤醒后，数据映射算法就立刻激活。
构建好待诊断对象的关联信号矩阵和数据映射算法库之后，将不同时刻的运行数据进行一阶数据映射，得到：
(1)工作负荷L映射
其中，Ui表示零部件的实际工作电压，Ii表示零部件的实际工作电流，t表示时间，i表示每一个工作时刻；
(2)异常次数E映射
其中，e表示在某一时刻的出现的故障，t表示该时刻，r表示出现故障的次数；需要说明的是，(e,t)是一个故障数组，表示出现的具体故障和对应时间，脚标r是对故障进行计数的；
(3)一阶常规数据组D1：不含零部件工作负荷L、异常次数E的其余数据；
(4)实际性能评价指标及其数据集P{P1,P2,P3,…,Pn}：例如电机性能表现，可以用相同外部环境参数下电机执行同一个上升或下降操作所需时间的抖动幅值比例增加来代表。
例如：
(1)雨刮电机的工作负荷L映射：雨刮电机总功率输出，纵坐标是kw，横坐标是时间T；
(2)雨刮异常次数E映射：异常次数统计(包括雨刮输出堵转、雨刮速度异常、雨刮卡滞等异常，若同一时刻发生了多类故障，则按累计多类故障总数处理)，纵坐标是次数，横坐标是时间T；
(3)常规信号映射得到一阶常规数据组D1：包含但不限于通过结合雨刮当前状态信号、雨刮服务模式、雨刮开关控制信号、雨刮位置调节信号、雨刮速度调节信号和雨刮工作状态反馈信号，映射出一次完整刮水动作所需时间(一次完整刮水动作所需时间，就是一阶常规数据组D1的子成员)，再结合雨刮位置信号和车辆雨刮半径，映射出一次雨刮电机动作的行程速率，将车内外温度进行连续性处理并与前/后蓄电池温度传感器的温度值进行比较，算出温度传感器采集到的温度与零部件布置位置的差异系数，将当前车内外温度/湿度进行连续性处理并乘以雨刮电机的差异系数后映射为当前电机工作的环境温度/湿度，将雨量光传感器的信号和雨刮当前状态映射区分为自动雨刮与人为操作雨刮场景，将从雨刮与蓄电池和发电机所连接支路的电流电压根据电气拓扑图换算为雨刮电机的电路模型，将车辆GPS定位点信息通过统计算法映射为地理区域分布信息，并将其作为历史环境温度/湿度的地理影响因子。
(4)雨刮电机的实际性能评价指标P{P1,P2,P3,…,Pn}＝{输出扭矩，功率，输出转速，功率因数}
又如：
(1)电池的工作负荷L映射：蓄电池总功率输出，纵坐标是kw，横坐标是时间T；
(2)异常次数E映射：异常次数(电流异常、电压异常、温度异常、电池认证异常、响应异常)统计，纵坐标是次数，横坐标是时间T，若同一时刻发生了多类故障，则按累计多类故障总数处理；
(3)常规信号映射得到一阶常规数据组D1：通过蓄电池容量结合车辆模式、用户模式信号与整车上/下电信号状态及其时间戳，映射出一次完整上/下电过程中蓄电池工作时间、每次整车上/下电时蓄电池容量变化、用车过程/休眠时间的电池容量变化，其中车辆休眠时间的电池容量变化等于休眠状态下整车ECU对蓄电池的耗电量；将车内外温度进行连续性处理并与蓄电池温度传感器的温度值进行比较，算出空调温湿度传感器和蓄电池传感器布置位置的差异系数，将当前车内外湿度进行连续性处理并乘以差异系数后映射为当前电池工作的环境湿度；将从使用了蓄电池供电的所有零部件、蓄电池和发电机所获取的当前电流电压信息根据电气拓扑运算后映射为当前蓄电池运行的电路模型；将车辆GPS定位点信息通过统计算法映射为地理区域分布信息，并将其作为历史环境温/湿度的地理影响因子，主/副驾座椅传感器信号换算为有/无人在车内，进而辅助有人因素和无人因素对待诊断对象的影响；
(4)电池的实际性能评价指标P{P1,P2,P3,…,Pn}＝{充电速率，放电速率，实时最大电池容量，放电电流，实时电池容量变化速率，电池化学老化偏移率}。
考虑到车端进行车计算的算力有限，为了数据范围更加精准，节省车计算的计算规模，本实施例将得到的一阶常规数据组D1与实际性能评价指标P{P1,P2,P3,…,Pn}的数据集导入第一深度学习(DeepLearning)模型，筛选出一组与实际性能评价指标P{P1,P2,P3,…,Pn}强相关的DataSet数据组D2。强相关用于在一阶常规数据组D1中找到对实际性能评价指标P有影响的参数，同时排除对实际性能评价指标P没有影响的参数，以此实现输入样本的精筛(筛选手段可以选择R平方、T检验、F检验等方法)，此外，还可以验证实际性能评价指标P是否值得信赖。
另一方面，将实际运行情况下的实际性能评价指标P{P1,P2,P3,…,Pn}与该待诊断对象的理想性能评价指标P'{P1',P2',P3',…,Pn'}(理想性能评价指标一般包括在待诊断对象的规格书或说明书当中)进行比较，得到一个P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}的数据集合。
例如，对比电机的各项实际性能评价指标与理想工况下的性能数据偏差，可以映射出该电机当前的整体性能值相比于出厂时的百分比；或者对比左右雨刮电机上述性能参数的差异，得出左电机的整体性能值低于右电机的百分比。
基于此，构建一个整体综合性能指标函数P综，P综＝Func(P/P')＝Func(P1/P1',P2/P2',P3/P3',…,Pn/Pn')，用于判断出待诊断对象在当前生命周期的整体综合性能情况。可以理解的是，P/P'是一个数组，做了P与P'相除计算百分比的处理；P综是由数组里每一个P1/P1',P2/P2',P3/P3',…,Pn/Pn'考虑了次幂影响，乘以某个权重系数再加上误差项计算得到，可以理解为一种多项式回归运算。
P综函数具体表示如下：
其中，a∈{a1，a2，a3，…，an}，/>
n表示不同诊断对象所构建的多种维度的评价指标个数，为大于等于1的整数；k表示样本数，即每组P/P'的采样点个数；l表示截距；mj表示第j项pj/pj'的权重；aj表示第j项pj/pj'的阶次；ε表示随机误差，用于修正P综函数。
将前述分别获得的待诊断对象的工作负荷L、异常次数E、强相关数据组D2和整体综合性能指标函数P综导入预建立的健康度诊断模型H，H＝g(P综,E,L,D2)，获得所述待诊断对象的健康度诊断数据。健康度诊断模型H的具体函数形式为：
其中，β(D2)表示D2对H函数的叠加影响因子；θ为H函数的截距，表示随机误差，用于修正H函数。β(D2)和θ均在建立健康度诊断函数H时，通过机器学习后得到。
需要说明的是，本实施例预建立的健康度诊断模型H是基于工作负荷L、异常次数E、强相关数据组D2和整体综合性能指标函数P综建立，其数据来源为已知工况的历史运行数据。建立健康度诊断模型H的过程如下：
利用已知工况的历史运行数据为H模型赋值，并将一部分已被赋值的因变量H与其变量P综、E、L、D2导入第二深度学习模型进行训练，挖掘出因变量H与其变量(P综,E,L,D2)的具体函数表达关系(因零部件不同，具体的函数表达关系也不同，最终经过运算且校验后的模型具体表达式会因为零件不同而有差别)；将剩下的另一部分已被赋值的因变量H与其变量P综、E、L、D2进行检验，最终得到一个可靠的健康度诊断模型H。其中，影响因素包括但不限于：综合性能、工作负荷情况、异常状态\动作记录、强相关信号数据。如上所述，在此过程中，β(D2)和θ通过机器学习后得到。
例如，通过将雨刮健康值、雨刮综合性能、雨刮负荷情况、异常次数记录、雨刮操作执行时间、雨刮操作是否人为的标签参数，雨刮电机温/湿度、电气环境、地理影响因子导入深度学习模型，可以得出雨刮电机健康度的诊断函数。
工作负荷L、异常次数E、强相关数据组D2和整体综合性能指标函数P综的获得过程与前述相同，此处不再赘述。特别地，利用第三深度学习模型，用一部分已有运行数据对P综函数进行训练，用余下的另一部分数据进行检验，得到一个经过训练的可靠P综函数。还需说明的是，前述筛选得到强相关数据组D2对于构建H模型也具有益处：缩小了计算的样本量，使得数据范围更加精准，且侧面保障了P作为H模型输入源的可靠性。
之后，将该可靠的H模型部署到车端边缘计算平台上，形成车端预知诊断模型；再将待诊断对象不同时刻T的工作负荷、异常次数、强相关数据组和整体综合性能指标函数灌入车端预知诊断模型，通过一个高算力计算机运行车端全栈边缘计算与人工智能学习算法，计算出多个健康度诊断值，多次迭代得到一个H关于T的函数H＝f(T)，具体表现形式为健康度衰减曲线；通过该健康度衰减曲线可对待诊断对象的整体健康衰减情况进行预测，得出待诊断对象可能出现故障风险或失效风险的时间区间及其置信度。作为H模型的输入源，P综、E、L、D2都通过实时运行数据映射计算得到，每一时刻都会更新一组P综、E、L、D2，且H与P综、E、L、D2的模型关系已经经过检验，用每一时刻的以上参数都能算出一个健康度诊断值，随之得到健康度衰减曲线。需要说明的是，本实施例不定义具体的全栈边缘计算与人工智能学习算法，只要结果能通过数学意义和工程意义的考验即可。作为一种示例，可以使用RUL模型、基于RNN的各种模型、灰色预测模型等进行预测。
例如，将雨刮电机健康值诊断模型与其当前运行数据导入预知诊断模型进行预测，可以得出该电机在运行t至t+n小时后整体健康值会逼近于0，并得出t至t+n之间整体健康值为0的置信度。
本实施例还可制定相应的预警策略或上报云端策略，将预测到的诊断、使用寿命、性能等信息上传云端运营中心，进行监控与状态存档，以备短信或者车辆厂商通知用户；同时也可通过车内的显示屏或者语音系统以HMI交互的方式提醒告知用户，实现全栈预警告知；保障该零部件、系统在故障之前就得到维修/保养/更换，或者指导研发设计。
相应于前述本发明实施例一所述的车辆智能诊断方法，本发明实施例二还提供一种车辆智能诊断装置，包括：
第一获取模块，用于获取车辆待诊断对象在不同时刻的运行数据；
第二获取模块，用于将所述不同时刻的运行数据进行数据映射，获得所述待诊断对象的工作负荷、异常次数、一阶映射常规数据组和实际性能评价指标；
第三获取模块，用于根据所述一阶映射常规数据组和所述实际性能评价指标，获得与所述实际性能评价指标强相关的数据组；
第四获取模块，用于将所述实际性能评价指标与所述待诊断对象的理想性能评价指标进行比较，根据比较结果构建得到所述待诊断对象的整体综合性能指标函数；
智能诊断模块，用于将所述待诊断对象的工作负荷、异常次数、强相关数据组和整体综合性能指标函数导入预建立的健康度诊断模型，获得所述待诊断对象的健康度诊断数据。
进一步地，所述第四获取模块具体用于：
将实际运行情况下的实际性能评价指标P{P1,P2,P3,…,Pn}与所述待诊断对象的理想性能评价指标P'{P1',P2',P3',…,Pn'}进行比较，得到一个P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}的数据集合；
根据数据集合P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}构建一个整体综合性能指标函数P综，P综＝Func(P/P')＝Func(P1/P1',P2/P2',P3/P3',…,Pn/Pn')，用于判断待诊断对象在当前生命周期的整体综合性能情况。
进一步地，整体综合性能指标函数P综具体表示如下：
其中，a∈{a1，a2，a3，…，an}，/>
n表示评价指标个数；k表示样本数，即每组P/P'的采样点个数；l表示截距；mj表示第j项pj/pj'的权重；aj表示第j项pj/pj'的阶次；ε表示随机误差，用于修正P综函数。
进一步地，所述健康度诊断模型H是基于工作负荷L、异常次数E、强相关数据组D2和整体综合性能指标函数P综建立，其数据来源为已知工况的历史运行数据；所述健康度诊断模型的具体函数形式为：
其中，β(D2)表示强相关数据组D2对H函数的叠加影响因子；θ为H函数的截距，表示随机误差，用于修正H函数。
有关本实施例的工作原理和过程，参见前述本发明实施例一的说明，此处不再赘述。
通过上述说明可知，与现有技术相比，本发明的有益效果在于：本发明通过对汽车上的零部件、系统进行车辆故障、性能衰减、使用寿命的预知智能诊断与预测，可为用户评估出车辆使用状况，提供车辆实时健康检测和保养维修参考，提醒用户合理用车和适当保养以及零部件更换计划，减少因车辆故障产生的安全问题和顾虑，提升用户用车的安全性和舒心体验；还可为4S店提供定制化的维修保养建议，降低保养物资开销以及问题排查难度；以及为车辆制造商提供车辆零部件、元器件的统计数据分析，提供设计改善、保存、运输和供应商选择依据。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明的权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (14)
1.一种车辆智能诊断方法，其特征在于，包括：
获取车辆待诊断对象在不同时刻的运行数据；
将所述不同时刻的运行数据进行数据映射，获得所述待诊断对象的工作负荷、异常次数、一阶映射常规数据组和实际性能评价指标；
根据所述一阶映射常规数据组和所述实际性能评价指标，获得与所述实际性能评价指标强相关的数据组；
将所述实际性能评价指标与所述待诊断对象的理想性能评价指标进行比较，根据比较结果构建得到所述待诊断对象的整体综合性能指标函数；
将所述待诊断对象的工作负荷、异常次数、强相关数据组和整体综合性能指标函数导入预建立的健康度诊断模型，获得所述待诊断对象的健康度诊断数据。
2.根据权利要求1所述的车辆智能诊断方法，其特征在于，将所述待诊断对象的工作负荷、异常次数、强相关数据组和整体综合性能指标函数导入预建立的健康度诊断模型，获得所述待诊断对象的健康度诊断数据，包括：
根据不同时刻的工作负荷、异常次数、强相关数据组和整体综合性能指标函数，计算出多个健康度诊断值，得到健康度衰减曲线；
根据所述健康度衰减曲线，对所述待诊断对象的整体健康衰减情况进行预测，得出所述待诊断对象出现故障风险或失效风险的时间区间及其置信度。
3.根据权利要求1所述的车辆智能诊断方法，其特征在于，将所述不同时刻的运行数据进行数据映射，获得的所述待诊断对象的工作负荷L如下：
其中，Ui表示待诊断对象的实际工作电压，Ii表示待诊断对象的实际工作电流，t表示时间，i表示每一个工作时刻；
获得的所述待诊断对象的异常次数E如下：
其中，e表示在某一时刻的出现的故障，t表示该时刻，r表示出现故障的次数。
4.根据权利要求3所述的车辆智能诊断方法，其特征在于，根据所述一阶映射常规数据组和所述实际性能评价指标，获得与所述实际性能评价指标强相关的数据组，包括：
将一阶常规数据组D1与实际性能评价指标导入第一深度学习模型，在所述一阶常规数据组D1中筛选出对所述实际性能评价指标有影响的参数，同时排除对所述实际性能评价指标没有影响的参数，得到与所述实际性能评价指标强相关的数据组D2。
5.根据权利要求4所述的车辆智能诊断方法，其特征在于，将所述实际性能评价指标与所述待诊断对象的理想性能评价指标进行比较，根据比较结果构建得到所述待诊断对象的整体综合性能指标函数，包括：
将实际运行情况下的实际性能评价指标P{P1,P2,P3,…,Pn}与所述待诊断对象的理想性能评价指标P'{P1',P2',P3',…,Pn'}进行比较，得到一个P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}的数据集合；
根据数据集合P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}构建一个整体综合性能指标函数P综，P综＝Func(P/P')＝Func(P1/P1',P2/P2',P3/P3',…,Pn/Pn')，用于判断待诊断对象在当前生命周期的整体综合性能情况。
6.根据权利要求5所述的车辆智能诊断方法，其特征在于，整体综合性能指标函数P综如下：
其中，a∈{a1，a2，a3，…，an}，/>
n表示评价指标个数；k表示样本数，即每组P/P'的采样点个数；l表示截距；mj表示第j项pj/pj'的权重；aj表示第j项pj/pj'的阶次；ε表示随机误差，用于修正P综函数。
7.根据权利要求6所述的车辆智能诊断方法，其特征在于，所述健康度诊断模型H是基于工作负荷L、异常次数E、强相关数据组D2和整体综合性能指标函数P综建立，其数据来源为已知工况的历史运行数据；所述健康度诊断模型的函数形式为：
其中，β(D2)表示强相关数据组D2对H函数的叠加影响因子；θ为H函数的截距，表示随机误差，用于修正H函数。
8.根据权利要求7所述的车辆智能诊断方法，其特征在于，建立健康度诊断模型H的过程为：利用已知工况的历史运行数据为H模型赋值，并将一部分已被赋值的因变量H与其变量P综、E、L、D2导入第二深度学习模型进行训练，获得因变量H与其变量P综、E、L、D2的具体函数表达关系；将剩下的另一部分已被赋值的因变量H与其变量P综、E、L、D2进行检验，最终得到一个可靠的健康度诊断模型H。
9.根据权利要求8所述的车辆智能诊断方法，其特征在于，利用第三深度学习模型，用一部分已有运行数据对整体综合性能指标函数P综进行训练，用余下的另一部分数据进行检验，得到一个经过训练的可靠的整体综合性能指标函数P综；将所述可靠的整体综合性能指标函数P综用于建立所述健康度诊断模型H。
10.根据权利要求1-9任一项所述的车辆智能诊断方法，其特征在于，还包括：将获得的所述待诊断对象的健康度诊断数据上传云端，或者通过车内的显示屏或者语音系统以HMI交互的方式提醒告知用户，实现全栈预警告知。
11.一种车辆智能诊断装置，其特征在于，包括：
第一获取模块，用于获取车辆待诊断对象在不同时刻的运行数据；
第二获取模块，用于将所述不同时刻的运行数据进行数据映射，获得所述待诊断对象的工作负荷、异常次数、一阶映射常规数据组和实际性能评价指标；
第三获取模块，用于根据所述一阶映射常规数据组和所述实际性能评价指标，获得与所述实际性能评价指标强相关的数据组；
第四获取模块，用于将所述实际性能评价指标与所述待诊断对象的理想性能评价指标进行比较，根据比较结果构建得到所述待诊断对象的整体综合性能指标函数；
智能诊断模块，用于将所述待诊断对象的工作负荷、异常次数、强相关数据组和整体综合性能指标函数导入预建立的健康度诊断模型，获得所述待诊断对象的健康度诊断数据。
12.根据权利要求11所述的车辆智能诊断装置，其特征在于，所述第四获取模块用于：
将实际运行情况下的实际性能评价指标P{P1,P2,P3,…,Pn}与所述待诊断对象的理想性能评价指标P'{P1',P2',P3',…,Pn'}进行比较，得到一个P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}的数据集合；
根据数据集合P/P'{P1/P1',P2/P2',P3/P3',…,Pn/Pn'}构建一个整体综合性能指标函数P综，P综＝Func(P/P')＝Func(P1/P1',P2/P2',P3/P3',…,Pn/Pn')，用于判断待诊断对象在当前生命周期的整体综合性能情况。
13.根据权利要求12所述的车辆智能诊断装置，其特征在于，整体综合性能指标函数P综如下：
其中，a∈{a1，a2，a3，…，an}，/>
n表示评价指标个数；k表示样本数，即每组P/P'的采样点个数；l表示截距；mj表示第j项pj/pj'的权重；aj表示第j项pj/pj'的阶次；ε表示随机误差，用于修正P综函数。
14.根据权利要求13所述的车辆智能诊断方法，其特征在于，所述健康度诊断模型H是基于工作负荷L、异常次数E、强相关数据组D2和整体综合性能指标函数P综建立，其数据来源为已知工况的历史运行数据；所述健康度诊断模型的函数形式为：
其中，β(D2)表示强相关数据组D2对H函数的叠加影响因子；θ为H函数的截距，表示随机误差，用于修正H函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210904629.3A CN117508209A (zh) | 2022-07-29 | 2022-07-29 | 一种车辆智能诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210904629.3A CN117508209A (zh) | 2022-07-29 | 2022-07-29 | 一种车辆智能诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117508209A true CN117508209A (zh) | 2024-02-06 |
Family
ID=89761304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210904629.3A Pending CN117508209A (zh) | 2022-07-29 | 2022-07-29 | 一种车辆智能诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117508209A (zh) |
-
2022
- 2022-07-29 CN CN202210904629.3A patent/CN117508209A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6830540B2 (ja) | クラウドベースの車両故障診断方法、装置およびシステム | |
| CN109606119B (zh) | 一种电动汽车的续航里程校准方法及系统 | |
| CN106843190B (zh) | 分布式车辆健康管理系统 | |
| US8260493B2 (en) | Health prognosis for complex system using fault modeling | |
| WO2010041382A1 (ja) | 車両の故障診断のための基準値の生成 | |
| CN102945311A (zh) | 一种功能故障有向图进行故障诊断的方法 | |
| CN109724812B (zh) | 车辆故障预警的方法、装置、存储介质和终端设备 | |
| EP2063398A2 (en) | Vehicle health monitoring reasoner architecture for diagnostics and prognostics | |
| US10054643B2 (en) | Method and apparatus for isolating root cause of low state of charge of a DC power source | |
| CN111795835A (zh) | 车辆的监测方法、装置及车载设备 | |
| Mesgarpour et al. | Overview of telematics-based prognostics and health management systems for commercial vehicles | |
| US11513164B2 (en) | Method and system for estimating battery pack balance state of new energy vehicle | |
| KR20220121932A (ko) | 차량 배터리 모니터링 시스템 | |
| CN114676495A (zh) | 一种汽车能耗的预测方法、装置和设备 | |
| Wang et al. | Prognostics and health management system for electric vehicles with a hierarchy fusion framework: concepts, architectures, and methods | |
| DE102022120962A1 (de) | Batteriefehlererkennung | |
| CN110954335A (zh) | 一种工业车辆的健康评估方法及系统 | |
| JP2022136039A (ja) | 車両部品の動作状態を決定するための方法 | |
| US20140222281A1 (en) | Method and apparatus for on-board/off-board fault detection | |
| CN115079663A (zh) | 一种基于数字孪生技术的车辆动力系统的监控方法及装置 | |
| CN117775008A (zh) | 基于数字孪生的车辆异常状态监测方法及监测系统 | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| CN117508209A (zh) | 一种车辆智能诊断方法及装置 | |
| CN114757366B (zh) | 一种用于车辆的故障预测方法及系统 | |
| CN118227512B (zh) | 测试用例的生成方法、装置及终端设备 |
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 |