CN117633432A - 一种基于大数据的车辆水温异常检测方法和装置 - Google Patents

Abstract

本发明公开了一种基于大数据的车辆水温异常检测方法和装置，包括：基于目标车辆全量车数据，获取水温分布数据、水温状态数据和车辆行驶数据；确定目标车辆的水温均值阈值、第一水温最大阈值和水温低经济区占比阈值、水温波动振幅最大值及水温波动频率；根据水温状态数据与水温均值阈值、第一水温最大阈值、水温低经济区占比阈值和预设第二水温最大阈值的关联关系确定水温温度状态；根据水温波动振幅最大值与振幅阈值的关系，及水温波动频率与频率阈值的关系确定水温波动状态；基于水温温度状态和水温波动状态，根据车辆行驶数据对应的特征确定水温异常原因。本发明解决了无法得知目标车辆在具体运行场景下的水温异常状态的技术问题。

Description

一种基于大数据的车辆水温异常检测方法和装置

技术领域

本发明涉及智能诊断和预见性维修技术领域，具体涉及一种基于大数据的车辆水温异常检测方法、装置和设备。

背景技术

发动机水温是发动机是否正常工作的重要指标。如果水温偏高，一方面，会使机油温度升高，机油黏度下降，发动机摩擦副间难以形成润滑油膜，导致拉缸拉瓦等磨损问题；另一方面，水温高使发动机热负荷不断加大，增加发动机中各零部件的可靠性风险。如气缸垫烧蚀、缸盖开裂失效等。如果水温偏低，发动机摩擦功增加，附件功可能同时增加，影响整机经济性。因此，水温应控制在一个合适的范围，同时，稳定的水温状态可以减少附件功耗，从而提高整机经济性。

现有技术中，对发动机水温进行实时监控，当水温超过预设的最大限值，发动机控制实现限扭，并仪表报警，同时显示故障码。车辆进站后，服务人员进行故障排查，解决水温超限问题。现有技术中，仅对超过某一限值的高水温段进行故障诊断，一方面，高温限值无法对具体应用场景做区分，无法识别具体应用场景的水温异常状态，无法进行最优化的水温控制达到经济性和可靠性的平衡。另一方面，未对影响车辆经济性的低水温段及水温波动状态进行异常识别和分析对策。同时，现有技术中，水温超过限值后，已经对车辆动力性产生影响，故障发生后依赖于服务人员现场排查，无法实现发动机水温异常原因的快速定位，影响驾驶员作业效率。

发明内容

本发明的目的在于克服上述技术不足，提供一种基于大数据的车辆水温异常检测方法和装置，解决现有技术中无法得知目标车辆在具体运行场景下的水温异常状态的技术问题。

为解决上述问题，本发明采取了以下技术方案：

第一方面，本发明提供了一种基于大数据的车辆水温异常检测方法，包括：

基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据；

根据所述水温分布数据，确定目标车辆的水温均值阈值、第一水温最大阈值和水温低经济区占比阈值；以及根据所述车辆行驶数据，获取水温波动振幅最大值及水温波动频率；

根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态；根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态；

基于所述水温温度状态和所述水温波动状态，根据所述车辆行驶数据对应的特征确定水温异常原因。

在一些实施例中，所述基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据，包括：

获取全量车数据，并基于预设的分类规则对所述全量车数据进行分类，得到各个类别下车辆行驶数据、车辆车型类别数据和水温状态数据；

根据预设的分段间隔，对所述水温状态数据进行分段统计，得到水温分布数据。

在一些实施例中，所述第一水温最大阈值为目标车辆水温占比累计达到占比阈值的水温段；所述水温低经济区占比阈值为水温小于水温阈值的累计占比。

在一些实施例中，所述根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态，包括：

根据所述水温状态数据中的水温最大值与预设第二水温最大阈值之间的大小关系，确定水温温度状态；

根据所述水温状态数据中的水温最大值与所述第一水温最大阈值，以及所述水温状态数据中的水温均值与所述水温均值阈值之间大小关系，确定水温温度状态；

根据所述水温状态数据中的水温低经济区占比与所述水温低经济区占比阈值，以及水温均值与所述水温均值阈值之间的大小关系，确定水温温度状态。

在一些实施例中，所述水温温度状态包括高温异常状态、低温异常状态和正常水温状态；其中：

当所述水温状态数据中的水温最大值大于预设第二水温最大阈值时，确定所述水温温度状态为高温异常状态；

当所述水温状态数据中的水温最大值大于所述第一水温最大阈值，以及所述水温状态数据中的水温均值大于所述水温均值阈值时，确定所述水温温度状态为高温异常状态；

当所述水温状态数据中的水温低经济区占比大于所述水温低经济区占比阈值，以及水温均值小于所述水温均值阈值时，确定所述水温温度状态为低温异常状态。

在一些实施例中，当所述水温温度状态为高温异常状态时，所述根据所述车辆行驶数据对应的特征确定水温异常原因，包括：

根据所述车辆行驶数据确定水温诊断特征值以及所述水温诊断特征值对应的阈值；其中所述水温诊断特征值包括转速平均值、输出扭矩百分数平均值、高风扇转速占比、环境温度平均值、环境压力平均值和海拔平均值；

当所述转速平均值高于对应的上限阈值、所述输出扭矩百分数平均值高于对应的上限阈值以及高风扇转速占比低于对应的下限阈值，则确定所述高温异常状态的原因为车辆高负荷运转且风扇转速低；

当所述环境温度平均值大于对应的上限阈值、所述环境压力平均值低于对应的下限阈值以及所述高风扇转速占比低于对应的下限阈值时，则确定所述高温异常状态的原因为车辆低压高温运行且风扇转速低；

当所述转速平均值大于对应的上限阈值、输出扭矩百分数平均值大于对应的上限阈值且高风扇转速占比高于对应的下限阈值时，则确定所述高温异常状态的原因为车辆高负荷运转且风扇转速无异常；

当所述环境温度平均值高于对应的上限阈值、环境压力平均值小于对应的下限阈值且高风扇转速占比高于对应的下限阈值时，则确定所述高温异常状态的原因为车辆低压高温环境运行且风扇转速无异常。

在一些实施例中，当所述水温温度状态为低温异常状态时，所述根据所述车辆行驶数据对应的特征确定水温异常原因，包括：

根据所述车辆行驶数据确定水温诊断特征值以及所述水温诊断特征值对应的阈值；其中所述水温诊断特征值包括转速平均值、输出扭矩百分数平均值和低风扇转速占比；

当所述转速平均值低于对应的下限阈值、所述输出扭矩百分数平均值低于对应的下限阈值，以及所述低风扇转速占比低于对应的下限阈值，则确定所述低温异常状态的原因为车辆低负荷运行且风扇转速无异常；

当所述转速平均值低于对应的下限阈值、所述输出扭矩百分数平均值低于对应的下限阈值，以及所述低风扇转速占比高于对应的上限阈值时，则确定所述低温异常状态的原因为车辆低负荷运行且风扇转速偏高。

在一些实施例中，所述水温波动状态包括水温波动正常和水温波动异常；所述根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态，包括：

当所述水温波动振幅最大值大于振幅阈值且所述水温波动频率大于频率阈值时，确定所述水温波动状态为水温波动异常。

在一些实施例中，当所述水温波动振幅最大值大于振幅阈值且所述水温波动频率大于频率阈值时，则确定水温波动异常对应的原因为风扇转速异常波动导致发动机水温波动异常。

第二方面，本发明还提供了一种基于大数据的车辆水温异常检测装置，包括：

获取模块，用于基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据；

特征值确定模块，用于根据所述水温分布数据，确定目标车辆的水温均值阈值、第一水温最大阈值和水温低经济区占比阈值；以及根据所述车辆行驶数据，获取水温波动振幅最大值及水温波动频率；

状态确定模块，用于根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态；根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态；

水温异常原因确定模块，用于基于所述水温温度状态和所述水温波动状态，根据所述车辆行驶数据对应的特征确定水温异常原因。

与现有技术相比，本发明提供的基于大数据的车辆水温异常检测方法和装置，首先基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据；随后根据所述水温分布数据，确定目标车辆的水温均值阈值、第一水温最大阈值和水温低经济区占比阈值；以及根据所述车辆行驶数据，获取水温波动振幅最大值及水温波动频率；并且根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态；根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态；最后基于所述水温温度状态和所述水温波动状态，根据所述车辆行驶数据对应的特征确定水温异常原因。本发明基于全量车数据，不仅提供了更准确和综合的水温状态分析结果，并且能够通过全量车的行驶数据识别车辆的应用场景和行驶环境，从而根据行驶环境和应用场景对水温进行控制以达到最优化的经济性和可靠性的平衡，同时通过对影响车辆经济性的低水温段和水温波动状态进行异常识别和分析，进一步优化车辆的维护和调整，提高了车辆的经济性，并且提高了车辆水温异常诊断的效率。

附图说明

图1是本发明提供的基于大数据的车辆水温异常检测方法的一实施例的流程图；

图2是本发明提供的基于大数据的车辆水温异常检测方法中，步骤S101一实施例的示意图；

图3是本发明提供的基于大数据的车辆水温异常检测方法中，步骤S103一实施例的示意图；

图4是本发明提供的基于大数据的车辆水温异常检测方法中，水温温度状态确定的一实施例的示意图；

图5是本发明提供的基于大数据的车辆水温异常检测装置的一实施例的示意图；

图6是本发明提供的电子设备一实施例的运行环境示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供了一种基于大数据的车辆水温异常检测方法，请参阅图1，包括：

S101、基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据；

S102、根据所述水温分布数据，确定目标车辆的水温均值阈值、第一水温最大阈值和水温低经济区占比阈值；以及根据所述车辆行驶数据，获取水温波动振幅最大值及水温波动频率；

S103、根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态；根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态；

S104、基于所述水温温度状态和所述水温波动状态，根据所述车辆行驶数据对应的特征确定水温异常原因。

在本实施例中，首先基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据；随后根据所述水温分布数据，确定目标车辆的水温均值阈值、第一水温最大阈值和水温低经济区占比阈值；以及根据所述车辆行驶数据，获取水温波动振幅最大值及水温波动频率；并且根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态；根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态；最后基于所述水温温度状态和所述水温波动状态，根据所述车辆行驶数据对应的特征确定水温异常原因。本发明基于全量车数据，不仅提供了更准确和综合的水温状态分析结果，并且能够通过全量车的行驶数据识别车辆的应用场景和行驶环境，从而根据行驶环境和应用场景对水温进行控制以达到最优化的经济性和可靠性的平衡，同时通过对影响车辆经济性的低水温段和水温波动状态进行异常识别和分析，进一步优化车辆的维护和调整，提高了车辆的经济性，并且提高了车辆水温异常诊断的效率。

需要说明的是，全量车数据(full vehicledata)指的是车辆在正常运行或测试时，所产生的所有数据。它包括但不限于车速、发动机转速、行驶里程、水温、油耗、瞬时油耗等等多个参数和指标。这些数据不仅包括车辆传感器采集的数据，还包括车辆系统产生的诊断故障码、控制单元的运行状态、系统事件日志等等。

相比于传统的采样数据或样本数据，全量车数据提供了更全面和完整的车辆运行监测数据，通过获取目标车辆的全量车数据，能够基于车辆的应用场景和行驶环境对水温的状态进行分析，从而提高水温分析的准确性和经济性。

进一步的，水温分布数据是指在车辆运行过程中，基于全量车数据获取目标车辆的水温数据，并将水温数据以直方图、散点图或其他形式展示出来，以表达水温在整个时间范围内的分布情况。通过水温分布数据能够了解水温的变化趋势和范围，可以分析出水温的平均值、最大值、最小值。通过比较水温状态数据与正常水温分布数据，可以判断水温是否偏离正常范围，因此水温分布数据对于识别水温异常情况和进行异常检测具有重要意义。

进一步的，水温低经济区占比是指在车辆运行过程中，水温处于较低状态并对车辆经济性产生不利影响的时间占总运行时间的比例。较低的水温会导致发动机燃烧效率低下、润滑油黏度升高、排放控制系统工作不正常等问题，从而影响车辆的燃油经济性和性能表现。

在一些实施例中，所述基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据，请参阅图2，包括：

S201、获取全量车数据，并基于预设的分类规则对所述全量车数据进行分类，得到各个类别下车辆行驶数据、车辆车型类别数据和水温状态数据；

S202、根据预设的分段间隔，对所述水温状态数据进行分段统计，得到水温分布数据。

在本实施例中，基于控制器、车载T-BOX、云平台和计算机终端BI采集全量车数据，其中控制器和车载T-BOX安装在车辆上，云平台是数据网络平台，计算机终端需要安装BI软件。控制器实时采集车辆的水温、机油温、机油压、转速、扭矩、风扇转速、环境温度、环境压力、海拔、车速信号。控制器将采集的信号发送给车载T-BOX，车载T-BOX将信号发送给云平台，云平台会根据收集的信号及车辆静态数据。

进一步的，明确目标车辆及目标分析时段，云平台获取与目标车辆同一发动机机型的全辆车数据，并筛选包含目标分析时段的一段数据形成数据集，对数据集进行数据清洗，得到包含水温的车辆行驶数据以及包含车辆车型类别的静态数据，完成全辆车分类水温分布统计。

全辆车分类规则为，先基于全辆车分车型分类，若样本量超过1000台车，则基于全辆车分品系分类，若样本量不足1000台车，则基于全辆车分机型分类，以区分细分市场作为分类目标。水温分布统计规则为，针对合理区间段的水温(如-40℃-130℃)，进行每隔1℃分段统计，统计每段水温时长占比。

进一步的，基于全辆车分类水温分布统计结果，获取水温占比累计达某百分比限值的水温段Tx、水温小于某预设阈值的累计占比Pt、水温平均值Tμ。其中，累计百分比限值基于正态分布2sigma原则确定，水温阈值基于经验确定。根据实际需求和经验，将百分比限值设定为95.4％，水温阈值为70℃。

更进一步的，所述第一水温最大阈值为目标车辆水温占比累计达到占比阈值的水温段Tx；所述水温低经济区占比阈值为水温小于水温阈值的累计占比Pt。

在一个具体的实施例中，基于全辆车分品系分类的Tx、Pt、Tμ取值实例如表1所示：

表1

分类	Tx	Pt	Tμ
				A型车	97℃	6.3％	85℃
B型车	94℃	12％	81℃
				C型车	98℃	8％	88℃
D型车	100℃	7.3％	89℃

在一些实施例中，所述根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态，请参阅图3，包括：

S301、根据所述水温状态数据中的水温最大值与预设第二水温最大阈值之间的大小关系，确定水温温度状态；

S302、根据所述水温状态数据中的水温最大值与所述第一水温最大阈值，以及所述水温状态数据中的水温均值与所述水温均值阈值之间大小关系，确定水温温度状态；

S303、根据所述水温状态数据中的水温低经济区占比与所述水温低经济区占比阈值，以及水温均值与所述水温均值阈值之间的大小关系，确定水温温度状态。

在本实施例中，通过分析水温状态数据与各项阈值之间的关系，可以准确判断车辆的水温温度状态，从而采取适当的措施来确保车辆的正常运行、经济性和安全性。更进一步的，通过分析水温状态数据与各项阈值之间的关系，使得水温状态分析更加客观，避免了基于单一的传感器或人员检查的方式对水温状态的异常或正态状态进行判断，提高了水温状态监测的准确性和效率。

在一个具体的实施例中，所述水温温度状态包括高温异常状态、低温异常状态和正常水温状态；其中，请参阅图4：

S401、当所述水温状态数据中的水温最大值大于预设第二水温最大阈值时，确定所述水温温度状态为高温异常状态；

S402、当所述水温状态数据中的水温最大值大于所述第一水温最大阈值，以及所述水温状态数据中的水温均值大于所述水温均值阈值时，确定所述水温温度状态为高温异常状态；

S403、当所述水温状态数据中的水温低经济区占比大于所述水温低经济区占比阈值，以及水温均值小于所述水温均值阈值时，确定所述水温温度状态为低温异常状态。

可以理解的是，定位到具体的特征参数与阈值的大小关系判断上，能够提高水温状态判断的准确性和客观性，并且根据水温状态数据与相关阈值之间的关系，可以确定车辆的水温温度状态，包括高温异常状态、低温异常状态和正常水温状态。这些状态的确定有助于评估车辆的性能和经济性，并及时采取措施进行修复和维护，确保车辆的正常运行和可靠性。

可以理解的是，水温高温异常和水温低温异常的现象并不仅限于上述判断，在其他实施例中，可以通过水温状态数据中的其他状态参数与其他阈值的比较或其他特征的比较来判断水温温度状态。

更进一步的，当所述水温温度状态为高温异常状态时，所述根据所述车辆行驶数据对应的特征确定水温异常原因，包括：

根据所述车辆行驶数据确定水温诊断特征值以及所述水温诊断特征值对应的阈值；其中所述水温诊断特征值包括转速平均值、输出扭矩百分数平均值、高风扇转速占比、环境温度平均值、环境压力平均值和海拔平均值；

当所述转速平均值高于对应的上限阈值、所述输出扭矩百分数平均值高于对应的上限阈值以及高风扇转速占比低于对应的下限阈值，则确定所述高温异常状态的原因为车辆高负荷运转且风扇转速低；

当所述环境温度平均值大于对应的上限阈值、所述环境压力平均值低于对应的下限阈值以及所述高风扇转速占比低于对应的下限阈值时，则确定所述高温异常状态的原因为车辆低压高温运行且风扇转速低；

当所述转速平均值大于对应的上限阈值、输出扭矩百分数平均值大于对应的上限阈值且高风扇转速占比高于对应的下限阈值时，则确定所述高温异常状态的原因为车辆高负荷运转且风扇转速无异常；

当所述环境温度平均值高于对应的上限阈值、环境压力平均值小于对应的下限阈值且高风扇转速占比高于对应的下限阈值时，则确定所述高温异常状态的原因为车辆低压高温环境运行且风扇转速无异常。

在本实施例中，若存在高水温异常，则提取目标车辆在目标分析时段的车辆行驶数据，对数据进行处理及特征分析，特征值包含转速平均值、输出扭矩百分数平均值、高风扇转速占比、环境温度平均值、环境压力平均值、海拔平均值。并设定转速平均值上限阈值、输出扭矩百分数平均值上限阈值、高风扇转速占比下限阈值、环境温度平均值上限阈值、环境压力平均值下限阈值、海拔平均值上限阈值。其中所述阈值均基于业务逻辑及实际操作经验获得。

若目标车辆在目标分析时段转速平均值达到转速平均值上限阈值，且输出扭矩百分数平均值达到输出扭矩百分数平均值上限阈值，且高风扇转速占比低于高风扇转速占比下限阈值，则判断车辆高负荷运转但风扇转速低导致水温高。若目标车辆在目标分析时段环境温度平均值达到环境温度平均值上限阈值，且环境压力平均值低于环境压力平均值下限阈值或海拔平均值达到海拔平均值上限阈值，且高风扇转速占比低于高风扇转速占比下限阈值，则判断车辆低压高温环境运行且风扇转速低导致水温高。

基于以上两点，输出诊断结论：风扇啮合异常，需检查风扇控制或风扇离合器故障等。

若目标车辆在目标分析时段转速平均值达到转速平均值上限阈值，且输出扭矩百分数平均值达到输出扭矩百分数平均值上限阈值，且高风扇转速占比达到高风扇转速占比下限阈值，则判断车辆高负荷运转且风扇转速无异常。若目标车辆在目标分析时段环境温度平均值达到环境温度平均值上限阈值，且环境压力平均值低于环境压力平均值下限阈值或海拔平均值达到海拔平均值上限阈值，且高风扇转速占比达到高风扇转速占比下限阈值，则判断车辆低压高温环境运行且风扇转速无异常。

基于以上两点，输出诊断结论：车辆负荷过高或低压高温环境运行，需检查水泵或调温器故障等。

可以理解的是，高温异常的诊断原因不仅限于通过上述的特征参数进行判断，在其他实施例中，还可以通过其他特征参数进行高温异常原因的判断，从而得出其他关于高温异常的诊断结果。

在另一个实施例中，当所述水温温度状态为低温异常状态时，所述根据所述车辆行驶数据对应的特征确定水温异常原因，包括：

根据所述车辆行驶数据确定水温诊断特征值以及所述水温诊断特征值对应的阈值；其中所述水温诊断特征值包括转速平均值、输出扭矩百分数平均值和低风扇转速占比；

当所述转速平均值低于对应的下限阈值、所述输出扭矩百分数平均值低于对应的下限阈值，以及所述低风扇转速占比低于对应的下限阈值，则确定所述低温异常状态的原因为车辆低负荷运行且风扇转速无异常；

当所述转速平均值低于对应的下限阈值、所述输出扭矩百分数平均值低于对应的下限阈值，以及所述低风扇转速占比高于对应的上限阈值时，则确定所述低温异常状态的原因为车辆低负荷运行且风扇转速偏高。

需要说明的是，通过提取目标车辆在目标分析时段的车辆行驶数据，对数据进行处理及特征分析，特征值包含转速平均值、输出扭矩百分数平均值、低风扇(300)转速占比。并设定转速平均值下限阈值、输出扭矩百分数平均值下限阈值、低风扇转速占比下限阈值。其中所述阈值均基于业务逻辑及实际操作经验获得。

若目标车辆在目标分析时段转速平均值低于转速平均值下限阈值，且输出扭矩百分数平均值低于输出扭矩百分数平均值下限阈值，且低风扇转速占比低于低风扇转速占比下限阈值，则判断车辆低负荷运行且风扇转速无异常。

基于电控冷却系统输出诊断结论：车辆低负荷运行，需检查电控风扇或电控水泵控制。

基于非电控冷却系统输出诊断结论：车辆低负荷运行，超过冷却系统控制限制。

若目标车辆在目标分析时段转速平均值低于转速平均值下限阈值，且输出扭矩百分数平均值低于输出扭矩百分数平均值下限阈值，且低风扇转速占比达到低风扇转速占比上限阈值，则判断车辆低负荷运行且风扇转速偏高导致水温异常。

输出诊断结论：风扇异常开启，需检查风扇控制或风扇离合器机械故障等。

可以理解的是，低温异常的诊断原因不仅限于通过上述的特征参数进行判断，在其他实施例中，还可以通过其他特征参数进行低温异常原因的判断，从而得出其他关于低温异常的诊断结果。

在一些实施例中，所述水温波动状态包括水温波动正常和水温波动异常；所述根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态，包括：

当所述水温波动振幅最大值大于振幅阈值且所述水温波动频率大于频率阈值时，确定所述水温波动状态为水温波动异常。

在本实施例中，提取目标车辆在目标分析时段的车辆行驶数据，包括发动机转速、输出扭矩百分数、车速、环境温度、海拔、水温。对数据进行处理后对车辆稳态工况片段进行提取，提取规则为：对车辆行驶的秒级数据进行判断，当前点车辆车速大于0，则判断车辆运行，若车辆运行，计算当前点与前一个非稳态工况点之间所有的工况点的转速差值、扭矩百分数差值、车速差值、环境温度差值、海拔差值，如果转速差值在±50rpm范围内、扭矩百分数差值在±10％范围内、车速差值在±5km/h范围内、环境温度差值±1℃、海拔差值±5m，则当前点为稳态工况点。若稳态工况点持续时间大于10min，则提取该连续车辆行驶时间片段作为车辆稳态工况片段。以上各参数范围均基于业务逻辑及实际操作经验获得。

进一步的，对稳态工况的水温波动振幅最大值及水温波动频率进行计算，并设置水温波动振幅最大值阈值(3℃)和水温波动频率阈值(0.03s-1)。所述水温波动振幅最大值阈值和水温波动频率阈值均基于业务逻辑获得。其中，水温波动振幅最大值的计算方法为：计算稳态工况片段水温平均值，然后计算稳态工况片段各点的水温与水温平均值差值绝对值即为水温波动振幅，取片段中水温波动振幅的最大值。水温波动频率的计算方法为：计算稳态工况片段各点水温与水温平均值的差值，计算前1s与当前点差值乘积，若乘积小于0，则水温波动次数计数加1，长稳态工况中水温波动次数除以长稳态工况时长，则为该稳态工况片段的水温波动频率。

若存在水温波动异常，则提取稳态工况片段风扇转速数据，并进行特征值分析，特征值包含风扇转速波动振幅最大值及风扇转速波动频率，并设置风扇转速波动振幅最大值阈值及风扇转速波动频率阈值。若风扇转速波动振幅最大值或风扇转速波动频率达到阈值，则输出诊断结论：风扇转速异常波动导致发动机水温波动异常。所述阈值均基于业务逻辑及实际操作经验获得。

基于上述基于大数据的车辆水温异常检测方法，本发明实施例还相应的提供一种基于大数据的车辆水温异常检测装置500，请参阅图5，该基于大数据的车辆水温异常检测装置500包括获取模块510、特征值确定模块520、状态确定模块530和水温异常原因确定模块540。

获取模块510，用于基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据；

特征值确定模块520，用于根据所述水温分布数据，确定目标车辆的水温均值阈值、第一水温最大阈值和水温低经济区占比阈值；以及根据所述车辆行驶数据，获取水温波动振幅最大值及水温波动频率；

状态确定模块530，用于根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态；根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态；

水温异常原因确定模块540，用于基于所述水温温度状态和所述水温波动状态，根据所述车辆行驶数据对应的特征确定水温异常原因。

如图6所示，基于上述基于大数据的车辆水温异常检测方法，本发明还相应提供了一种电子设备，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算电子设备。该电子设备包括处理器610、存储器620及显示器630。图6仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

存储器620在一些实施例中可以是该电子设备的内部存储单元，例如电子设备的硬盘或内存。存储器620在另一些实施例中也可以是电子设备的外部存储电子设备，例如电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器620还可以既包括电子设备的内部存储单元也包括外部存储电子设备。存储器620用于存储安装于电子设备的应用软件及各类数据，例如安装电子设备的程序代码等。存储器620还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器620上存储有基于大数据的车辆水温异常检测程序640，该基于大数据的车辆水温异常检测程序640可被处理器610所执行，从而实现本申请各实施例的基于大数据的车辆水温异常检测方法。

处理器610在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器420中存储的程序代码或处理数据，例如执行基于大数据的车辆水温异常检测方法等。

显示器630在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器630用于显示在所述基于大数据的车辆水温异常检测电子设备的信息以及用于显示可视化的用户界面。电子设备的部件610-630通过系统总线相互通信。

当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (10)

1.一种基于大数据的车辆水温异常检测方法，其特征在于，包括：

基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据；

根据所述水温分布数据，确定目标车辆的水温均值阈值、第一水温最大阈值和水温低经济区占比阈值；以及根据所述车辆行驶数据，获取水温波动振幅最大值及水温波动频率；

根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态；根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态；

基于所述水温温度状态和所述水温波动状态，根据所述车辆行驶数据对应的特征确定水温异常原因。

2.根据权利要求1所述的基于大数据的车辆水温异常检测方法，其特征在于，所述基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据，包括：

获取全量车数据，并基于预设的分类规则对所述全量车数据进行分类，得到各个类别下车辆行驶数据、车辆车型类别数据和水温状态数据；

根据预设的分段间隔，对所述水温状态数据进行分段统计，得到水温分布数据。

3.根据权利要求1所述的基于大数据的车辆水温异常检测方法，其特征在于，所述第一水温最大阈值为目标车辆水温占比累计达到占比阈值的水温段；所述水温低经济区占比阈值为水温小于水温阈值的累计占比。

4.根据权利要求3所述的基于大数据的车辆水温异常检测方法，其特征在于，所述根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态，包括：

根据所述水温状态数据中的水温最大值与预设第二水温最大阈值之间的大小关系，确定水温温度状态；

根据所述水温状态数据中的水温最大值与所述第一水温最大阈值，以及所述水温状态数据中的水温均值与所述水温均值阈值之间大小关系，确定水温温度状态；

根据所述水温状态数据中的水温低经济区占比与所述水温低经济区占比阈值，以及水温均值与所述水温均值阈值之间的大小关系，确定水温温度状态。

5.根据权利要求4所述的基于大数据的车辆水温异常检测方法，其特征在于，所述水温温度状态包括高温异常状态、低温异常状态和正常水温状态；其中：

当所述水温状态数据中的水温最大值大于预设第二水温最大阈值时，确定所述水温温度状态为高温异常状态；

当所述水温状态数据中的水温最大值大于所述第一水温最大阈值，以及所述水温状态数据中的水温均值大于所述水温均值阈值时，确定所述水温温度状态为高温异常状态；

当所述水温状态数据中的水温低经济区占比大于所述水温低经济区占比阈值，以及水温均值小于所述水温均值阈值时，确定所述水温温度状态为低温异常状态。

6.根据权利要求5所述的基于大数据的车辆水温异常检测方法，其特征在于，当所述水温温度状态为高温异常状态时，所述根据所述车辆行驶数据对应的特征确定水温异常原因，包括：

根据所述车辆行驶数据确定水温诊断特征值以及所述水温诊断特征值对应的阈值；其中所述水温诊断特征值包括转速平均值、输出扭矩百分数平均值、高风扇转速占比、环境温度平均值、环境压力平均值和海拔平均值；

当所述转速平均值高于对应的上限阈值、所述输出扭矩百分数平均值高于对应的上限阈值以及高风扇转速占比低于对应的下限阈值，则确定所述高温异常状态的原因为车辆高负荷运转且风扇转速低；

当所述环境温度平均值大于对应的上限阈值、所述环境压力平均值低于对应的下限阈值以及所述高风扇转速占比低于对应的下限阈值时，则确定所述高温异常状态的原因为车辆低压高温运行且风扇转速低；

当所述转速平均值大于对应的上限阈值、输出扭矩百分数平均值大于对应的上限阈值且高风扇转速占比高于对应的下限阈值时，则确定所述高温异常状态的原因为车辆高负荷运转且风扇转速无异常；

当所述环境温度平均值高于对应的上限阈值、环境压力平均值小于对应的下限阈值且高风扇转速占比高于对应的下限阈值时，则确定所述高温异常状态的原因为车辆低压高温环境运行且风扇转速无异常。

7.根据权利要求5所述的基于大数据的车辆水温异常检测方法，其特征在于，当所述水温温度状态为低温异常状态时，所述根据所述车辆行驶数据对应的特征确定水温异常原因，包括：

根据所述车辆行驶数据确定水温诊断特征值以及所述水温诊断特征值对应的阈值；其中所述水温诊断特征值包括转速平均值、输出扭矩百分数平均值和低风扇转速占比；

当所述转速平均值低于对应的下限阈值、所述输出扭矩百分数平均值低于对应的下限阈值，以及所述低风扇转速占比低于对应的下限阈值，则确定所述低温异常状态的原因为车辆低负荷运行且风扇转速无异常；

当所述转速平均值低于对应的下限阈值、所述输出扭矩百分数平均值低于对应的下限阈值，以及所述低风扇转速占比高于对应的上限阈值时，则确定所述低温异常状态的原因为车辆低负荷运行且风扇转速偏高。

8.根据权利要求1所述的基于大数据的车辆水温异常检测方法，其特征在于，所述水温波动状态包括水温波动正常和水温波动异常；所述根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态，包括：

当所述水温波动振幅最大值大于振幅阈值且所述水温波动频率大于频率阈值时，确定所述水温波动状态为水温波动异常。

9.根据权利要求8所述的基于大数据的车辆水温异常检测方法，其特征在于，当所述水温波动振幅最大值大于振幅阈值且所述水温波动频率大于频率阈值时，则确定水温波动异常对应的原因为风扇转速异常波动导致发动机水温波动异常。

10.一种基于大数据的车辆水温异常检测装置，其特征在于，包括：

获取模块，用于基于目标车辆全量车数据，获取目标分析时段的水温分布数据、水温状态数据和车辆行驶数据；

特征值确定模块，用于根据所述水温分布数据，确定目标车辆的水温均值阈值、第一水温最大阈值和水温低经济区占比阈值；以及根据所述车辆行驶数据，获取水温波动振幅最大值及水温波动频率；

状态确定模块，用于根据所述水温状态数据与所述水温均值阈值、所述第一水温最大阈值、所述水温低经济区占比阈值和预设第二水温最大阈值之间的关联关系，确定水温温度状态；根据所述水温波动振幅最大值与振幅阈值的大小关系，以及所述水温波动频率与频率阈值之间的大小关系，确定水温波动状态；

水温异常原因确定模块，用于基于所述水温温度状态和所述水温波动状态，根据所述车辆行驶数据对应的特征确定水温异常原因。