CN117656846A - 一种汽车电驱动故障数据动态存储方法 - Google Patents
一种汽车电驱动故障数据动态存储方法 Download PDFInfo
- Publication number
- CN117656846A CN117656846A CN202410137142.6A CN202410137142A CN117656846A CN 117656846 A CN117656846 A CN 117656846A CN 202410137142 A CN202410137142 A CN 202410137142A CN 117656846 A CN117656846 A CN 117656846A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- attention
- current data
- current
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000007906 compression Methods 0.000 claims abstract description 45
- 230000006835 compression Effects 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims description 20
- 239000012634 fragment Substances 0.000 claims description 4
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种汽车电驱动故障数据动态存储方法,包括:采集若干个时刻的汽车电机的电流数据组成电流数据序列;获取电流数据序列中每个数据的局部窗口,根据电流数据序列中每个数据的局部窗口内数据的分布和数据之间的差异,获得电流数据序列中每个数据的关注程度,根据电流数据序列中每个数据的关注程度,将电流数据序列中的所有电流数据划分为高关注电流数据和低关注电流数据;根据高关注电流数据和低关注电流数据对电流数据序列进行动态存储。本发明通过对电流数据进行分析,提高了有损压缩和无损压缩的权衡点获取的准确性,增强了汽车电驱动故障数据动态存储空间的利用率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种汽车电驱动故障数据动态存储方法。
背景技术
汽车在驾驶过程中,对汽车电机的电流数据进行采集分析,这对汽车电机功能的运行状态的分析和剩余使用寿命的预测分析等有着重要作用,例如,通过对采集的数据进行分析,可以对汽车在使用过程中可能存在的安全隐患或对潜在故障能够及时发现。但是随着汽车使用时间的增加,采集的数据量也越来越多,这样会导致采集的数据存储消耗巨大的内存空间;因此关于数据的压缩存储就显得十分重要。
在常规的数据压缩技术中,可以通过无损压缩和有损压缩两种结合的混合压缩方式进行压缩,但是混合压缩方式难以确定有损和无损压缩的权衡点,即不确定哪些数据应该进行无损压缩,哪些数据应该进行有损压缩,这就导致可能将重要的一些异常数据进行有损压缩,则通过压缩后的数据进行异常分析时检测不出异常,使得重要的数据进行丢失;而一些不重要的数据可能进行无损压缩,使得浪费掉一些存储空间,增加了存储的占用空间,降低了汽车电驱动故障数据动态存储空间的利用率。
发明内容
本发明提供一种汽车电驱动故障数据动态存储方法,以解决现有的问题。
本发明的一种汽车电驱动故障数据动态存储方法采用如下技术方案:
本发明一个实施例提供了一种汽车电驱动故障数据动态存储方法,该方法包括以下步骤:
采集若干个时刻的汽车电机的电流数据组成电流数据序列;
获取电流数据序列中每个数据的局部窗口,根据电流数据序列中每个数据的局部窗口内数据的分布和数据之间的差异,获得电流数据序列中每个数据的关注程度,根据电流数据序列中每个数据的关注程度,将电流数据序列中的所有电流数据划分为高关注电流数据和低关注电流数据;
根据高关注电流数据和低关注电流数据对电流数据序列进行动态存储。
进一步地,所述获取电流数据序列中每个数据的局部窗口,包括的具体步骤如下:
以电流数据序列中每个数据为局部窗口中心,以A为局部窗口大小,获取电流数据序列中每个数据的局部窗口;其中,A为预设参数。
进一步地,所述根据电流数据序列中每个数据的局部窗口内数据的分布和数据之间的差异,获得电流数据序列中每个数据的关注程度,包括的具体步骤如下:
将电流数据序列中每个数据、与电流数据序列中每个数据的局部窗口内所有数据的均值之间的差值的绝对值,记为电流数据序列中每个数据的第一数值;将电流数据序列中每个数据的局部窗口内所有数据的标准差记为电流数据序列中每个数据的第二数值;将电流数据序列中每个数据、与电流数据序列中每个数据的局部窗口内所有数据之间差值的绝对值的均值,记为电流数据序列中每个数据的第三数值;
将电流数据序列中每个数据的第一数值、电流数据序列中每个数据的第二数值和电流数据序列中每个数据的第三数值的乘积结果,作为电流数据序列中每个数据的关注程度。
进一步地,所述根据电流数据序列中每个数据的关注程度,将电流数据序列中的所有电流数据划分为高关注电流数据和低关注电流数据,包括的具体步骤如下:
根据电流数据序列中每个数据的关注程度获得关注程度序列,根据关注程度序列获得关注电流数据序列;
根据关注程度序列中的数据之间的差异和关注电流数据序列中数据之间的差异,获得关注程度序列中每个数据的第一特征,根据关注程度序列中的数据分布,获得关注程度序列中每个数据的第二特征,根据关注程度序列中每个数据的第一特征和关注程度序列中每个数据的第二特征,获得关注程度序列中每个数据为分割阈值的可能性;
根据关注程度序列中每个数据为分割阈值的可能性,将电流数据序列中所有的电流数据划分为高关注电流数据和低关注电流数据。
进一步地,所述根据电流数据序列中每个数据的关注程度获得关注程度序列,根据关注程度序列获得关注电流数据序列,包括的具体步骤如下:
根据电流数据序列中每个数据的关注程度的大小,对电流数据序列中所有数据的关注程度进行从小到大的排序,得到排序后的关注程度序列;将关注程度序列中每个关注程度对应的电流数据,按照关注程度序列的顺序组成一组关注电流数据序列。
进一步地,所述根据关注程度序列中的数据之间的差异和关注电流数据序列中数据之间的差异,获得关注程度序列中每个数据的第一特征,包括的具体步骤如下:
将关注电流数据序列中每个数据左侧的所有数据的均值记为第一均值,将关注电流数据序列中所有数据的均值记为第二均值,将第一均值和第二均值之间差值的绝对值记为第四数值,将第四数值与关注程度序列中每个数据左侧的所有数据的标准差之间的乘积,记为关注程度序列中每个数据的第五数值;
将作为关注程度序列中每个数据的第一特征,其中,/>表示以自然常数为底的指数函数。
进一步地,所述根据关注程度序列中的数据分布,获得关注程度序列中每个数据的第二特征,包括的具体步骤如下:
将关注程度序列中每个数据左侧的所有数据的均值记为第三均值,将关注程度序列中每个数据右侧的所有数据的均值记为第四均值,将第三均值和第四均值之间差值的绝对值,作为关注程度序列中每个数据的第二特征。
进一步地,所述根据关注程度序列中每个数据的第一特征和关注程度序列中每个数据的第二特征,获得关注程度序列中每个数据为分割阈值的可能性,包括的具体步骤如下:
将关注程度序列中每个数据的第一特征和关注程度序列中每个数据的第二特征之间的乘积作为关注程度序列中每个数据为分割阈值的可能性。
进一步地,所述根据关注程度序列中每个数据为分割阈值的可能性,将电流数据序列中所有的电流数据划分为高关注电流数据和低关注电流数据,包括的具体步骤如下:
将关注程度序列中可能性最大的一个数据作为最佳分割阈值T;将关注程度大于或者等于最佳分割阈值T的电流数据记为高关注电流数据,将关注程度小于最佳分割阈值T的电流数据记为低关注电流数据。
进一步地,所述根据高关注电流数据和低关注电流数据对电流数据序列进行动态存储,包括的具体步骤如下:
将电流数据序列中低关注电流数据的连续个数大于或者等于预设阈值B的低关注电流数据,组成电流数据序列中的小片段序列;
对电流数据序列中所有的小片段序列进行通过游程编码算法进行有损压缩,将每个小片段序列有损压缩后的结果记为小序列,将每个小序列放置的每个小片段序列的位置,高关注电流数据保持,得到初步压缩后的电流数据序列;
对初步压缩后的电流数据序列通过哈夫曼编码压缩算法进行无损压缩,最后将无损压缩后的结果进行存储。
本发明的技术方案的有益效果是:本发明根据电流数据序列中每个数据的局部窗口内数据的分布和数据之间的差异,获得电流数据序列中每个数据的关注程度,确定出每个电流数据进行有损压缩和无损压缩的权衡特征;根据电流数据序列中每个数据的关注程度,将电流数据序列中的所有电流数据划分为高关注电流数据和低关注电流数据;根据高关注电流数据和低关注电流数据对电流数据序列进行动态存储,提高了有损压缩和无损压缩的权衡点获取的准确性,增强了汽车电驱动故障数据动态存储空间的利用率。
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为本发明一种汽车电驱动故障数据动态存储方法的步骤流程图;
图2为本发明一种汽车电驱动故障数据动态存储方法的压缩过程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种汽车电驱动故障数据动态存储方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种汽车电驱动故障数据动态存储方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种汽车电驱动故障数据动态存储方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集汽车电机的电流数据。
需要说明的是,为了针对不同数据分别进行无损压缩和有损压缩,则先获取汽车电机的电流数据,根据电流数据的携带的信息重要程度进行数据的有损和无损的混合压缩方式。
具体地,以0.5秒为时间间隔,采集汽车在最近运动三小时内的电机的电流数据,并按照时间顺序组成电流数据序列。其中,电机的电流数据通过电流传感器进行采集。
至此,得到电流数据序列。
步骤S002:获取电流数据序列中每个数据的局部窗口,根据电流数据序列中每个数据的局部窗口内数据的分布和数据之间的差异,获得电流数据序列中每个数据的关注程度,根据电流数据序列中每个数据的关注程度,将电流数据序列中的所有电流数据划分为高关注电流数据和低关注电流数据。
需要说明的是,在汽车的匀速运动过程中,汽车电机的电流是比较平稳的,但是当汽车的加速或者减速过程中,汽车电机的电流是会发生改变的;但是当电机中出现异常时,汽车电机的电流也是会发生较大改变的,因此通过每个数据局部的波动情况来反映数据的关注程度,即表明这些数据是重要的。
具体地,设置一个参数A,其中本实施例以A=21为例进行叙述,本实施例不进行具体限定,其中A可根据具体实施情况而定。以电流数据序列中每个数据为局部窗口中心,以A为局部窗口大小,获取电流数据序列中每个数据的局部窗口。其中,局部窗口内中心数据的左右是对称的。
根据电流数据序列中每个数据的局部窗口内数据的分布和数据之间的差异,获得电流数据序列中每个数据的关注程度,作为一种实施例,具体计算方法为:
式中,表示电流数据序列中第/>个数据,/>表示电流数据序列中第/>个数据的局部窗口内所有数据的均值,/>表示电流数据序列中第/>个数据的局部窗口内所有数据的标准差,/>表示电流数据序列中第/>个数据的局部窗口内第/>个数据,/>为绝对值符号,/>表示电流数据序列中第/>个数据的关注程度,/>为预设参数,表示电流数据序列中每个数据的局部窗口内所有数据的个数。
其中,表示电流数据序列中的每个数据与每个数据的局部窗口内所有数据的均值之间的差异,当该差异越大,表示该数据越异常,则该数据的关注程度也越大;当该差异越小,表示该数据越正常,则该数据的关注程度也越小。/>表示电流数据序列中的每个数据与每个数据的局部窗口内的数据之间的差异的均值,当该差异的均值越大,表示该数据越异常,则该数据的关注程度也越大;当该差异的均值越小,表示该数据越正常,则该数据的关注程度也越小。当电流数据序列中的每个数据的局部窗口内所有数据的标准差越大,表示该数据越异常,则该数据的关注程度也越大;当电流数据序列中的每个数据的局部窗口内所有数据的标准差越小,表示该数据越正常,则该数据的关注程度也越小。其中,差异表示差值的绝对值。
至此,得到电流数据序列中每个数据的关注程度。
需要说明的是,当数据的关注程度越大,表示数据的异常程度越大,即表明数据携带的信息越多,当数据的关注程度越小,表示数据越正常,则对应的数据越平稳,即表明数据携带的信息越少;由于关注程度较大的数据包含的重要信息越多,而关注程度较小的数据包含的重要信息越少,因此选取一个最佳关注程度的分割阈值,将所有数据根据关注程度分为两部分,依次来分别进行数据的无损压缩存储和有损压缩存储。
具体地,根据电流数据序列中每个数据的关注程度的大小,对电流数据序列中所有数据的关注程度进行从小到大的排序,得到排序后的关注程度序列。将关注程度序列中每个关注程度对应的电流数据,按照关注程度序列的顺序组成一组关注电流数据序列。
根据关注程度序列中每个数据左侧数据和右侧数据之间的分布差异,获得关注程度序列中每个数据为分割阈值的可能性,作为一种实施例,具体计算方法为:
式中,表示关注程度序列中第/>个数据左侧的所有数据的标准差,/>表示关注电流数据序列中第/>个数据左侧的所有数据的均值,/>表示关注电流数据序列中所有数据的均值,/>表示关注程度序列中第/>个数据左侧的所有数据的均值,/>表示关注程度序列中第/>个数据右侧的所有数据的均值,/>为绝对值符号,/>表示关注程度序列中第/>个数据为分割阈值的可能性,/>表示以自然常数为底的指数函数。
其中,表示关注电流数据序列中小于每个数据的所有数据的均值与关注电流数据序列中所有数据的均值之间的差异,当该差异越大,表示该数据为关注程度序列分割阈值的可能性越小;当该差异越小,表示该数据为关注程度序列分割阈值的可能性越大。/>表示关注程度序列中小于每个数据的所有数据的均值与关注程度序列中大于每个数据的所有数据的均值之间的差异,当该差异越大,表示该数据为关注程度序列分割阈值的可能性越大;当该差异越小,表示该数据为关注程度序列分割阈值的可能性越小。当关注程度序列中小于每个数据的所有数据的标准差越大,表示该数据为关注程度序列分割阈值的可能性越小;当关注程度序列中小于每个数据的所有数据的标准差越小,表示该数据为关注程度序列分割阈值的可能性越大。
至此,得到关注程度序列中每个数据为分割阈值的可能性。
将关注程度序列中可能性最大的一个数据作为最佳分割阈值T;将关注程度大于或者等于最佳分割阈值T的电流数据记为高关注电流数据,将关注程度小于最佳分割阈值T的电流数据记为低关注电流数据。
至此,得到电流数据序列中所有的高关注电流数据和低关注电流数据。
步骤S003:根据高关注电流数据和低关注电流数据对电流数据序列进行动态存储。
需要说明的是,当数据的关注程度越低,其包含的信息越少,而当数据的关注程度越高,其包含的信息越多,因此根据关注程度的高低进行无损压缩和有损压缩。又因为在进行有损压缩时,会舍弃一部分数据,因此获取连续多个低关注电流数据,先对低关注电流数据进行有损压缩,再进行无损压缩,以此进行汽车电驱动故障数据的动态存储。
具体地,预设一个参数B,其中本实施例以B=20为例进行叙述,本实施例不进行具体限定,其中B可根据具体实施情况而定。将电流数据序列中低关注电流数据的连续个数大于或者等于预设阈值B的低关注电流数据,组成电流数据序列中的小片段序列;至此,得到电流数据序列中所有的小片段序列。
对电流数据序列中所有的小片段序列进行通过游程编码算法进行有损压缩,将每个小片段序列有损压缩后的结果记为小序列,将每个小序列放置的每个小片段序列的位置,高关注电流数据保持不变,得到初步压缩后的电流数据序列。
对初步压缩后的电流数据序列通过哈夫曼编码压缩算法进行无损压缩,最后将无损压缩后的结果进行存储,其压缩过程为图2的压缩过程示意图所示。其中,游程编码算法和哈夫曼编码压缩算法都是公知技术,此处不再进行具体赘述。
至此,本实施例完成。
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不对其做具体限定,其中/>是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种汽车电驱动故障数据动态存储方法,其特征在于,该方法包括以下步骤:
采集若干个时刻的汽车电机的电流数据组成电流数据序列;
获取电流数据序列中每个数据的局部窗口,根据电流数据序列中每个数据的局部窗口内数据的分布和数据之间的差异,获得电流数据序列中每个数据的关注程度,根据电流数据序列中每个数据的关注程度,将电流数据序列中的所有电流数据划分为高关注电流数据和低关注电流数据;
根据高关注电流数据和低关注电流数据对电流数据序列进行动态存储。
2.根据权利要求1所述一种汽车电驱动故障数据动态存储方法,其特征在于,所述获取电流数据序列中每个数据的局部窗口,包括的具体步骤如下:
以电流数据序列中每个数据为局部窗口中心,以A为局部窗口大小,获取电流数据序列中每个数据的局部窗口;其中,A为预设参数。
3.根据权利要求1所述一种汽车电驱动故障数据动态存储方法,其特征在于,所述根据电流数据序列中每个数据的局部窗口内数据的分布和数据之间的差异,获得电流数据序列中每个数据的关注程度,包括的具体步骤如下:
将电流数据序列中每个数据、与电流数据序列中每个数据的局部窗口内所有数据的均值之间的差值的绝对值,记为电流数据序列中每个数据的第一数值;将电流数据序列中每个数据的局部窗口内所有数据的标准差记为电流数据序列中每个数据的第二数值;将电流数据序列中每个数据、与电流数据序列中每个数据的局部窗口内所有数据之间差值的绝对值的均值,记为电流数据序列中每个数据的第三数值;
将电流数据序列中每个数据的第一数值、电流数据序列中每个数据的第二数值和电流数据序列中每个数据的第三数值的乘积结果,作为电流数据序列中每个数据的关注程度。
4.根据权利要求1所述一种汽车电驱动故障数据动态存储方法,其特征在于,所述根据电流数据序列中每个数据的关注程度,将电流数据序列中的所有电流数据划分为高关注电流数据和低关注电流数据,包括的具体步骤如下:
根据电流数据序列中每个数据的关注程度获得关注程度序列,根据关注程度序列获得关注电流数据序列;
根据关注程度序列中的数据之间的差异和关注电流数据序列中数据之间的差异,获得关注程度序列中每个数据的第一特征,根据关注程度序列中的数据分布,获得关注程度序列中每个数据的第二特征,根据关注程度序列中每个数据的第一特征和关注程度序列中每个数据的第二特征,获得关注程度序列中每个数据为分割阈值的可能性;
根据关注程度序列中每个数据为分割阈值的可能性,将电流数据序列中所有的电流数据划分为高关注电流数据和低关注电流数据。
5.根据权利要求4所述一种汽车电驱动故障数据动态存储方法,其特征在于,所述根据电流数据序列中每个数据的关注程度获得关注程度序列,根据关注程度序列获得关注电流数据序列,包括的具体步骤如下:
根据电流数据序列中每个数据的关注程度的大小,对电流数据序列中所有数据的关注程度进行从小到大的排序,得到排序后的关注程度序列;将关注程度序列中每个关注程度对应的电流数据,按照关注程度序列的顺序组成一组关注电流数据序列。
6.根据权利要求4所述一种汽车电驱动故障数据动态存储方法,其特征在于,所述根据关注程度序列中的数据之间的差异和关注电流数据序列中数据之间的差异,获得关注程度序列中每个数据的第一特征,包括的具体步骤如下:
将关注电流数据序列中每个数据左侧的所有数据的均值记为第一均值,将关注电流数据序列中所有数据的均值记为第二均值,将第一均值和第二均值之间差值的绝对值记为第四数值,将第四数值与关注程度序列中每个数据左侧的所有数据的标准差之间的乘积,记为关注程度序列中每个数据的第五数值;
将作为关注程度序列中每个数据的第一特征,其中,/>表示以自然常数为底的指数函数。
7.根据权利要求4所述一种汽车电驱动故障数据动态存储方法,其特征在于,所述根据关注程度序列中的数据分布,获得关注程度序列中每个数据的第二特征,包括的具体步骤如下:
将关注程度序列中每个数据左侧的所有数据的均值记为第三均值,将关注程度序列中每个数据右侧的所有数据的均值记为第四均值,将第三均值和第四均值之间差值的绝对值,作为关注程度序列中每个数据的第二特征。
8.根据权利要求4所述一种汽车电驱动故障数据动态存储方法,其特征在于,所述根据关注程度序列中每个数据的第一特征和关注程度序列中每个数据的第二特征,获得关注程度序列中每个数据为分割阈值的可能性,包括的具体步骤如下:
将关注程度序列中每个数据的第一特征和关注程度序列中每个数据的第二特征之间的乘积作为关注程度序列中每个数据为分割阈值的可能性。
9.根据权利要求4所述一种汽车电驱动故障数据动态存储方法,其特征在于,所述根据关注程度序列中每个数据为分割阈值的可能性,将电流数据序列中所有的电流数据划分为高关注电流数据和低关注电流数据,包括的具体步骤如下:
将关注程度序列中可能性最大的一个数据作为最佳分割阈值T;将关注程度大于或者等于最佳分割阈值T的电流数据记为高关注电流数据,将关注程度小于最佳分割阈值T的电流数据记为低关注电流数据。
10.根据权利要求1所述一种汽车电驱动故障数据动态存储方法,其特征在于,所述根据高关注电流数据和低关注电流数据对电流数据序列进行动态存储,包括的具体步骤如下:
将电流数据序列中低关注电流数据的连续个数大于或者等于预设阈值B的低关注电流数据,组成电流数据序列中的小片段序列;
对电流数据序列中所有的小片段序列进行通过游程编码算法进行有损压缩,将每个小片段序列有损压缩后的结果记为小序列,将每个小序列放置的每个小片段序列的位置,高关注电流数据保持,得到初步压缩后的电流数据序列;
对初步压缩后的电流数据序列通过哈夫曼编码压缩算法进行无损压缩,最后将无损压缩后的结果进行存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410137142.6A CN117656846B (zh) | 2024-02-01 | 2024-02-01 | 一种汽车电驱动故障数据动态存储方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410137142.6A CN117656846B (zh) | 2024-02-01 | 2024-02-01 | 一种汽车电驱动故障数据动态存储方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117656846A true CN117656846A (zh) | 2024-03-08 |
CN117656846B CN117656846B (zh) | 2024-04-19 |
Family
ID=90081103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410137142.6A Active CN117656846B (zh) | 2024-02-01 | 2024-02-01 | 一种汽车电驱动故障数据动态存储方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117656846B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101823067B1 (ko) * | 2016-07-27 | 2018-01-30 | 주식회사 세화 | 선로전환기의 전류 패턴을 이용한 실시간 고장 탐지 시스템 및 그 방법 |
CN111880095A (zh) * | 2020-08-05 | 2020-11-03 | 中国人民解放军国防科技大学 | 基于三相电流信号平方和的感应电机故障分析方法及系统 |
CN112052151A (zh) * | 2020-10-09 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 故障根因分析方法、装置、设备及存储介质 |
WO2022036830A1 (zh) * | 2020-08-18 | 2022-02-24 | 金龙联合汽车工业(苏州)有限公司 | 一种燃料电池功率衰减实时监测预警方法及系统 |
CN115817179A (zh) * | 2022-11-21 | 2023-03-21 | 重庆长安新能源汽车科技有限公司 | 动力电池的安全预警方法、装置、服务器及存储介质 |
CN116424096A (zh) * | 2023-03-28 | 2023-07-14 | 浙江新富尔电子有限公司 | 资源动态优化配置的新能源汽车电池采集总成方法及系统 |
US20230334022A1 (en) * | 2022-04-14 | 2023-10-19 | The Hospital For Sick Children | System and method for processing and storage of a time-series data stream |
CN116955271A (zh) * | 2022-04-18 | 2023-10-27 | 中国移动通信集团四川有限公司 | 一种数据副本存储的方法、装置、电子设备及存储介质 |
EP4303069A1 (en) * | 2022-07-04 | 2024-01-10 | Volvo Truck Corporation | A method for estimating a power or current limit for an electrical energy storage system |
CN117453447A (zh) * | 2023-12-21 | 2024-01-26 | 临沂大学 | 一种汽车电驱动系统的模拟测试方法 |
-
2024
- 2024-02-01 CN CN202410137142.6A patent/CN117656846B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101823067B1 (ko) * | 2016-07-27 | 2018-01-30 | 주식회사 세화 | 선로전환기의 전류 패턴을 이용한 실시간 고장 탐지 시스템 및 그 방법 |
CN111880095A (zh) * | 2020-08-05 | 2020-11-03 | 中国人民解放军国防科技大学 | 基于三相电流信号平方和的感应电机故障分析方法及系统 |
WO2022036830A1 (zh) * | 2020-08-18 | 2022-02-24 | 金龙联合汽车工业(苏州)有限公司 | 一种燃料电池功率衰减实时监测预警方法及系统 |
CN112052151A (zh) * | 2020-10-09 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 故障根因分析方法、装置、设备及存储介质 |
US20230334022A1 (en) * | 2022-04-14 | 2023-10-19 | The Hospital For Sick Children | System and method for processing and storage of a time-series data stream |
CN116955271A (zh) * | 2022-04-18 | 2023-10-27 | 中国移动通信集团四川有限公司 | 一种数据副本存储的方法、装置、电子设备及存储介质 |
EP4303069A1 (en) * | 2022-07-04 | 2024-01-10 | Volvo Truck Corporation | A method for estimating a power or current limit for an electrical energy storage system |
CN115817179A (zh) * | 2022-11-21 | 2023-03-21 | 重庆长安新能源汽车科技有限公司 | 动力电池的安全预警方法、装置、服务器及存储介质 |
CN116424096A (zh) * | 2023-03-28 | 2023-07-14 | 浙江新富尔电子有限公司 | 资源动态优化配置的新能源汽车电池采集总成方法及系统 |
CN117453447A (zh) * | 2023-12-21 | 2024-01-26 | 临沂大学 | 一种汽车电驱动系统的模拟测试方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117656846B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2697985B1 (en) | Method for encoding a mesh model, encoded mesh model and method for decoding a mesh model | |
CN115511013B (zh) | 一种大规模储能电站异常电池识别方法、设备及存储介质 | |
CN116208172B (zh) | 一种建筑工程项目的数据管理系统 | |
CN113836756B (zh) | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 | |
CN115459782A (zh) | 基于时序分割和聚类的工业物联网高频数据压缩方法 | |
CN111639072A (zh) | 一种车联网场景下的数据存储方法及系统、可读存储介质 | |
CN116910285B (zh) | 基于物联网的智慧交通数据优化存储方法 | |
CN110796366A (zh) | 质差小区识别方法和装置 | |
CN113469189A (zh) | 一种用电采集数据缺失值填充方法、系统及装置 | |
CN117041359B (zh) | 一种信息数据高效压缩传输方法 | |
CN117656846B (zh) | 一种汽车电驱动故障数据动态存储方法 | |
CN117040542B (zh) | 一种智能综合配电箱能耗数据处理方法 | |
CN111741313B (zh) | 基于图像熵k均值聚类的3d-hevc快速cu分割方法 | |
CN115407217B (zh) | 一种电动汽车锂电池荷电状态在线估计方法及系统 | |
CN112948639B (zh) | 一种高速公路数据中台数据统一存储管理方法及系统 | |
CN116415714A (zh) | 风电功率预测方法、装置、电子设备及可读存储介质 | |
CN115913249A (zh) | 一种电池数据的压缩方法、存储方法及电池管理系统 | |
CN105049055B (zh) | 一种数据压缩方法和数据解压方法 | |
Mei et al. | Research on battery data compression method for electric vehicles | |
CN110704408A (zh) | 一种基于聚类的时序数据压缩方法及系统 | |
CN117896482B (zh) | 一种车辆行车记录仪的数据智能存储方法 | |
CN116669093B (zh) | 一种5g网络传输数据智能管理系统 | |
CN117312255B (zh) | 一种电子文档拆分优化管理方法及系统 | |
CN117495469B (zh) | 基于区块链的电动自行车智能计时方法及系统 | |
CN117827927A (zh) | 一种分布式时序数据库管理系统 |
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 |