CN117671818A - 一种车辆数据的管理系统 - Google Patents
一种车辆数据的管理系统 Download PDFInfo
- Publication number
- CN117671818A CN117671818A CN202410140204.9A CN202410140204A CN117671818A CN 117671818 A CN117671818 A CN 117671818A CN 202410140204 A CN202410140204 A CN 202410140204A CN 117671818 A CN117671818 A CN 117671818A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- vehicle
- determining
- equipment
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 30
- 230000006399 behavior Effects 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000007726 management method Methods 0.000 claims description 17
- 239000012634 fragment Substances 0.000 claims description 15
- 238000013523 data management Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 12
- 230000036541 health Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本申请公开了一种车辆数据的管理系统,涉及车辆智能管理技术领域,包括:数据采集模块,用于采集车辆上各个电子设备对应的设备数据,采集的设备数据包括车辆维修信息、车辆故障信息、车辆状态信息;故障处理模块,用于确定故障产生的原因和类型,对车辆故障信息进行分类标注,输出分类标注信息,分类标注信息包括确定不同车辆对应的故障类型、严重程度和发生时间;故障分析模块,用于确定当前车辆状态下可能出现的故障趋势,并对故障趋势产生的可靠性进行分析,确定故障发生时设备数据对应的故障分析结果;能够提高故障处理的准确性。
Description
技术领域
本发明涉及车辆智能管理技术领域,尤其涉及一种车辆数据的管理系统。
背景技术
安全、可靠是车辆上的装备最基本也是最重要的要求,随着技术的发展,车辆上的电子设备越来越多,有些可以实现更加先进的功能,有些则代替原来的手动机械设备实现自动化。为保证车辆的安全可靠运行,需要对车辆的装备进行检修维护,目前大多数是人工定时进行,不仅需要大量的人力成本,而且在检测窗口期也无法保证车辆的安全可靠性。另外,目前的车辆检测都属于事后性的,也即只能对已经发生的情况进行检测,例如已经发生故障,那么根据相关的数据检测发生故障的原因、对故障进行定位,这种事后性的检测并不能降低车辆的安全风险,车辆依然可能在运行过程出现使用者意想不到的故障,导致影响使用甚至造成人身伤害。
如中国专利公开号CN114239734A公开了供一种分布式车载健康管理系统,该系统包括:多个传感器、输入设备和多个健康管理分系统;所述传感器,用于采集车辆上各电子分系统的健康数据,并传输至相应的所述健康管理分系统;输入设备,用于接收相关人员录入的车辆维护信息、修理信息;每一个所述健康管理分系统,用于根据相应的所述传感器采集到的所述健康数据以及所述维护信息和所述修理信息,管理不同的所述电子分系统的健康状态,管理所述电子分系统的健康状态包括健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理。
但是现有技术在对车辆状态进行管理时,会产生大量不必要的数据,同时对于车辆的管理会偏向于对大型故障的处理,从而忽视一些会导致大型故障的异常点,使得对车辆管理的效果变差,造成车辆的健康管理出现异常。
发明内容
本申请通过提供一种车辆数据的管理系统,解决了现有技术中对异常点识别较差的问题,提高了故障识别的精准度和识别效率。
本申请提供了一种车辆数据的管理系统,包括:
数据采集模块,用于采集车辆上各个电子设备对应的设备数据,采集的设备数据包括车辆维修信息、车辆故障信息、车辆状态信息;
故障处理模块,用于确定故障产生的原因和类型,对车辆故障信息进行分类标注,输出分类标注信息,分类标注信息包括确定不同车辆对应的故障类型、严重程度和发生时间;
故障分析模块,用于确定当前车辆状态下可能出现的故障趋势,并对故障趋势产生的可靠性进行分析,确定故障发生时设备数据对应的故障分析结果。
故障判断模块,用于识别每个车辆中的设备数据,并对设备数据根据相应的故障类型进行分类,确定不同设备节点上传输的数据信息,生成根据设备标识的设备识别结果。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过实时监测和分析故障信息,系统能够及时预警并预测故障趋势,帮助用户提前采取措施,减少故障发生的风险;同时对相应采集的数据进行验证,提高了数据来源的准确性,识别每个车辆中的设备数据,并根据相应的故障类型进行分类,提高了故障判断的准确性和效率,设备数据之间的关联性、时间参数、发生次数、发生间隔等因素,多维度地分析设备故障趋势,通过监控数据确定外界状况的变化情况,并根据第一特征和第二特征确定当前异常行为的概率,还建立了车辆间的关系网络,确定了传播路径和关键节点,以便更全面地了解车辆异常行为的传播情况。这有助于更全面地评估外界状况对车辆异常的影响程度。
附图说明
图1为一种车辆数据的管理系统的系统示意图;
图2为一种车辆数据的管理系统的另一种系统示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本申请进行更全面的描述;附图中给出了本发明的较佳实施方式,但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式;相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
需要说明的是,本文所使用的术语“垂直”、“水平”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
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;本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明;本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示,本申请一种车辆数据的管理系统包括:
数据采集模块,用于采集车辆上各个电子设备对应的设备数据,采集的设备数据包括车辆维修信息、车辆故障信息、车辆状态信息;
故障处理模块,用于确定故障产生的原因和类型,对车辆故障信息进行分类标注,输出分类标注信息,分类标注信息包括确定不同车辆对应的故障类型、严重程度和发生时间;
故障分析模块,用于确定当前车辆状态下可能出现的故障趋势,并对故障趋势产生的可靠性进行分析,确定故障发生时设备数据对应的故障分析结果。
并对车辆产生的故障进行预测;确定故障产生时不同变量之间的关联性。
通过确定车辆维修前后、车辆故障前后、车辆正常行驶的数据,能够对车辆在正常运行中进行管理,确保车辆能够正常运行,同时对于车辆采集的到信息进行分析处理,能够预测在接收到什么警报时,容易产生什么形式的风险,从而提高车辆管理的有效性。
实施例二
为了确定当前产生的故障是否真实,获取当前的车辆故障信息,对产生车辆故障信息的设备等进行分别识别,确定数据产生的真实性,以及相应产生故障的设备产生相应警示的原因,从而识别出故障发生时,如何才能识别真正的有效数据。
具体的,如图2所示,本发明还包括,故障判断模块,用于识别每个车辆中的设备数据,并对设备数据根据相应的故障类型进行分类,确定不同设备节点上传输的数据信息,生成根据设备标识的设备识别结果;设备识别结果用于识别设备数据是否真实可靠,以确定当前来源的数据能够识别到车辆实时发送的正常数据;若上传的数据信息中的设备标识与设备节点的设备标识相同,则判断当前设备节点的上传时间,基于设备节点的上传时间,分析当前设备节点是否为异常节点,并对异常节点的上传数据进行核实,确定当前上传到管理系统的故障信息为真实的故障信息。
对于当前设备节点进行分析时,获取上传时对应的车辆维修信息,若车辆维修信息中不存在当前设备的节点的唯一标识,则标记当前设备节点为异常节点。
具体的,当前车辆中设备节点还包括第一节点和第二节点,第一节点能够自动上传设备标识,第二节点不能自动上传设备标识,需要设置预设标识或者间接标识上传来识别相应的设备。
当识别到上传的设备数据后,根据每个设备发生故障的时间参数、发生次数、发生间隔,确定当前设备出现故障的概率,此时确定的概率用于确定当前是识别到的故障的真实性,确定当前是否是设备产生的故障,而不是因为系统本身误识别产生的故障;获取设备数据之间的关联性,根据设备数据的关联性,确定正常运行参数与运行参数对应的指标,根据获取的指标,确定当前设备最后一次发生运行异常与发生运行异常后的恢复时间,从而判断运行时产生异常的异常程度,以确定当前设备节点是否为异常节点。
对异常节点对应的设备标识信息进行核实,确定当前变化的设备数据是否为维修后进行更改的,并判断异常节点发送的设备数据,对设备数据进行核实,若当前设备节点上传数据与正常运行数据差异较大,则说明当前设备异常,若设备节点上传数据与正常运行数据差异较小,判断当前检测数据的关联,核实对应数据的变化趋势,以确定异常节点的设备数据。
为确定当前获取的故障趋势为真实可以控制的故障趋势,获取故障处理模块输出的分类标注信息,确定不同车辆对应的故障类型、严重程度和发生时间,包括以下实现方式:
根据获取的分类标注信息,确定每个分类对应的故障分析数据,确定故障分析数据中的关键点;
确定故障分析数据的关键点数值,校验关键点生成第一数值;
根据关键点的分布状况,确定关键点相关性计算后的第二数值;
故障分析数据用于确定设备故障分析后对应的数据,关键点表示设备在特定时间点的状态信息、传感器读数、日志文件条目等,这些“关键点”对于确定设备何时发生故障、故障的性质以及可能的原因至关重要;它们可以帮助分析人员快速定位问题并进行根本原因分析。
第一数值用于表示当前故障分析数据中相对重要的特征或属性对应的值;第二数值用于确定设备故障信息分类后,比较第一数值提取的值是否满足相应分类的要求。
根据获取的第一数值,判断第一数值对应的多组初始故障数据;确定多组初始故障数据中都对应的关联数据;根据所述关联数据,确定每组初始故障数据中至少一个待分析的目标数据片段,并基于目标数据片段获取对应的第二数值;根据获取的目标数据片段,确定至少一个针对车辆状态的状态分析结果;
根据当前设备标识信息的设备识别结果和状态分析结果,确定至少一个目标数据片段对应的故障分析结果,当判断的故障分析结果满足第一预设条件时,判断故障分析结果对应的设备数据中存在相应的数据异常,根据识别后异常的设备数据,确定相应的故障趋势;对故障趋势进行处理,以确定设备发送数据异常时对应的异常趋势,以提高对异常预测的处理效果。
其中,目标数据片段用于确定第一数值中存在的一些变化较为异常的片段,尤其是不符合当时车辆状态的一部分相关数据;此时车辆状态包括正常的运动状态、故障状态,通过识别这些与车辆状态不符合的数据,可以了解到当前车辆的具体状况,从而判断出当前故障程度,识别出车辆故障或运行时隐藏的异常数据。
优选的,第一预设条件包括:对目标数据片段对应的设备识别结果与状态分析结果进行各自迭代,确定迭代后目标数据片段对应设备识别结果与状态分析结果的相关性,若设备识别结果与状态分析结果在同一时间内表现形式不同,则获取对应时间戳下的目标数据片段,并对目标数据片段设置内容标签,当目标数据片段中设备数据的故障趋势与实际预测的故障趋势相似度小于预设相似度阈值时,判断目标数据片段中第二数值的数值之间的相似度是否满足预设相似度阈值;若满足判断目标数据片段中存在异常的设备数据。
优选的,为了确定目标数据片段中是否有与实际上传的设备数据不同的设备数据对于故障预测的影响,对于上传的目标数据片段,确定目标数据片段中每个对应出现故障的可能性,确定每个故障发生的相关性,以及相关性对应的故障等级和故障原因,确定不同等级的故障在发生时的影响系数,从而推导出故障发生时,故障相互传导时故障的综合影响力。
对目标数据片段的处理方式还包括,基于获取的第一数值,确定每个第一数值的故障参数;根据第一数值的故障参数,确定每个故障参数对应的故障分布概率,确定每个故障参数在互相影响时的第一影响系数;并根据每个故障参数的第一影响系数,将第二数值对应的第二影响系数作为输入,确定故障参数的综合影响力。
其中,第一数值的故障参数指的是在故障分析数据中关键点上对应的故障等级和故障原因,故障分布概率用于表示每个故障参数一般是如何分布的,以方便后续确定每个故障互相引导诱发其他故障的可能性;第一影响参数主要用于衡量一个故障参数对系统中其他故障参数的直接或间接影响,它反映了故障在系统中的传播和扩散能力,即一个故障发生后可能引发其他故障的程度;第二影响参数的计算通常涉及对特定维度上的故障数据进行统计和分析,以确定故障参数在相应维度上的分布和影响力;将第一影响系数和第二影响系数进行融合处理,从而得到故障参数在多个注意力尺度上的综合影响力。
具体的第一影响系数和第二影响系数的获取方式包括:
根据每个故障参数与其他故障参数之间的互相影响关系,使用关联规则挖掘,量化故障参数之间的互相影响,确定第一影响系数;
根据获取的第一影响系数,确定分析的维度,如故障类型、故障位置、故障时间;对于每个维度,分析故障参数在相应维度上的影响,并给每个故障参数在每个维度设置一个第二影响参数。
对第一影响参数有和第二影响参数进行标准化处理,将每个系数除以该组系数的总和,将它们转换到相同的尺度上;确定第一影响系数和第二影响系数的权重,对于每个故障参数,使用确定的权重对第一影响系数和第二影响系数进行加权平均。
加权平均的计算公式如下:
综合影响力=权重1*第一影响系数+权重2*第二影响系数
其中,权重1和权重2分别表示第一影响系数和第二影响系数的权重,且权重1+权重2=1。
将加权平均后的综合影响力数据进行重构,这可能涉及将数据聚合到不同的尺度上,例如,通过计算时间窗口内的平均值来得到不同时间尺度上的影响力。
在每个尺度上提取有意义的特征,这些特征可以是统计量(如平均值、方差、最大值等)、趋势、周期性变化或其他能够描述数据在该尺度上行为的量。
将不同尺度上的特征融合起来,以得到一个全面的故障参数影响力描述,输出调整后的综合影响力。这可以通过将特征串联、使用加权平均或其他融合技术来实现。
优选的,故障判断模块处理手段还包括:
数据采集:首先收集来自发动机控制单元的数据,包括发动机温度、冷却液流量、风扇转速等。
设备识别:模块识别出这些数据来自发动机控制单元,并将其与正常运行参数进行对比。
数据核实:模块发现发动机温度读数异常高,但冷却液流量和风扇转速均正常。为了进一步核实数据的真实性,检查传感器的工作状态和历史数据。
故障确认:经过核实,模块确认发动机温度传感器的读数是真实的,并判断发动机确实存在过热故障。
此外,故障判断模块还记录了故障的详细信息,为制造商提供了有价值的数据用于后续的产品改进和故障预防。例如,通过分析多起发动机过热故障的数据,制造商可能发现某个批次的温度传感器存在质量问题,并及时进行召回和更换。
优选的,故障处理模块在处理时,还包括基于设备发生故障的时间参数、发生次数、发生间隔,使用统计模型(如泊松分布)来计算当前设备出现故障的概率;分析设备数据之间的关联性,如发动机温度与冷却系统状态之间的关联;根据设备数据之间的关联,确定正常运行参数与运行参数对应的指标,如发动机的正常运行温度范围为60°C至90°C;根据运行参数对应的指标,判断异常程度,如发动机温度超过95°C则视为异常。
优选的,故障处理模块还包括,从故障处理模块获取分类标注信息,用于确定不同车辆的故障类型、严重程度和发生时间;根据设备在特定时间点的状态信息设置关键点,如发动机在加速时的RPM值,关键点的数值范围根据具体设备而定,如发动机RPM的正常范围为1000至6000转/分钟;基于设置的关键点,获取故障分析数据中第一数值和第二数值,第一数值表示故障分析数据中相对重要的特征值,如发动机的最高温度T1;第二数值用于比较不同故障数据片段的相似度;根据第一数值和第二数值,识别与车辆状态不符的数据片段,如车辆在静止状态下记录的高速行驶数据;目标数据片段的长度和选择标准根据具体应用场景而定。优选的,故障判断模块在判断相应故障时,对于其故障设置范围还包括,根据故障类型,设置检测数值范围,例如,根据发动机型号和设计要求而定,一般汽油发动机的上限温度T1范围为90°C至105°C;若超出数值范围设置阈值则触发故障预警,例如若发动机温度持续超过T1的设定上限,则触发冷却系统故障预警。
通过对相应的设备数据进行验证后,根据设备产生故障时不同的影响的情况,将设备故障根据不同规章之间的相互影响力,进行处理,使得最终对于故障的处理能够更接近实际上的故障情况,得到与故障相应的影响情况,便于之后对故障的处理分析。
实施例三
在确定第一数值与第二数值造成的最终影响后,获取目标车辆的状况,基于目标车辆的状况确定与驾驶员的关联情况,确定故障趋势的变化情况。
此时通过对实际驾驶与使用时,相应存在的操作形式,可以知道不同的驾驶员的操作习惯,从而可以预测到不同驾驶员在驾驶时容易出现的故障,例如,当前驾驶员存在驾驶时的不良习惯,同时这个驾驶习惯也会容易造成某种故障的出现,那么根据这个驾驶员与车辆的操作信息,就可以针对不同的驾驶员调整自身的预测,实现对故障预测的个性化,提高预测的精准度。
优选的,本发明对于车辆的处理形式还包括:
根据目标车辆的监控数据,确定目标车辆的第一状态,所述第一状态表示目标车辆在正常行驶时车辆的所有系统在预期范围内的运行状态,并根据所述的第一状态确定目标车辆的第二状态,第二状态表示车辆产生异常时,对应传输的数据,用于确定数据产生异常时,相应传感器对应的数据,以确定操作行为和对应故障之间的关联。
优选的,根据第一状态的数据,确定第一状态下,用户行驶时对应的第一行为,第一行为用于表示用户正常驾驶时的操作行为。
优选的,根据第二状态,确定车辆异常时传输的数据,基于传输的数据确定第二状态的第二行为,第二行为用于表示在出现异常或者即将出现异常时用户相应的操作行为。
优选的,基于第一行为和第二行为,确定异常行为下的行为模式。
优选的,对于获取的设备数据,将每个传感器相应的设备数据进行多元化处理,确定当前数据与历史可正常操作范围的数据,确定异常或不一致的数据。监测传感器的健康状况,若传感器本身出现故障或者偏离校准,确定提供错误的故障数据,通过定期自检、校准和传感器比对,可以识别并排除不可靠的数据源;当检测到潜在的故障时,触发额外的诊断程序,对故障进行验证,并根据故障数据对应的成员、使用人员之间的反馈,确定故障检测机制,整合外部数据源,根据可能影响车辆性能的信息与故障数据关联,确定额外的数据验证,如天气信息、道路条件、交通状况等。
优选的,基于监控数据确定外界状况的变化情况,基于外界状况,确定第一状态对应的第一特征,根据第一特征的分布情况,确定第二状态对应的第二特征,所述外界状况包括天气信息、道路条件、交通状况。
其中,第一特征是基于监控数据确定的,反映外界状况(如天气信息、道路条件、交通状况)对车辆行驶状态影响的参数或模式,第一特征包括天气信息、道路条件、交通状况和车辆响应参数,如刹车距离、加速时间、转向角度等,这些参数可能受外界条件影响而发生变化;第二特征是在第一特征的基础上,与车辆行为的异常情况相关联,如系统性能下降、异常驾驶行为、安全系统激活。
优选的,获取目标车辆的时间序列,基于时间序列,选择时间序列分布密集的第一特征,获取第一特征对应的车辆行为,当第一特征的车辆行为超过预设行为时,获取第一特征对应的第二特征,所述预设行为是指根据正常驾驶条件和车辆性能设定的标准行为阈值,结合第一特征和第二特征,确定当前异常行为的概率,基于异常行为的概率,确定异常行为互相传输的可能,根据异常行为传输的可能,确定外界状况对车辆异常的影响程度。
通过设置阈值或利用机器学习算法,对比第一特征和第二特征对应的车辆行为,分析第一特征与第二特征的分布,例如,如果一辆车的速度突然飙升或方向骤变,并且这种行为在GPS轨迹上呈现出不寻常的模式,那么就可以认为这是一种异常行为。通过权重调整或机器学习模型的训练,可以确定不同特征对异常行为识别的贡献度,从而计算出当前车辆设备异常导致异常行为发生的概率。
优选的,建立车辆间的关系网络,其中节点代表车辆,根据不同车辆节点之间的交互关系,确定不同异常行为互相影响的概率,若车辆节点之间的权重越大,则异常行为互相传输的可能性越高,根据车辆间的关系网络,确定车辆节点间的传播路径和关键节点。
优选的,根据车辆间的传播路径,获取对应的外界状况,根据外界环境因素,确定关键节点车辆异常行为的影响程度。
优选的,在建立车辆间的关系网络时,将每辆车视为网络中的一个节点,这些节点之间的连接基于车辆之间的交互关系来建立,例如车辆之间的通信、相对位置、共同行驶路线来确定,基于车辆之间的交互关系,确定不同车辆之间的权重。
对于车辆之间的权重的确定包括,确定车辆之间的通信频率权重、相对位置权重、共同行驶路线权重。
通信频率权重W_comm:根据车辆之间的通信频率来确定权重,通信频率可以通过车辆之间交换的信息数量或通信次数来衡量。
公式可以表示为:
W_comm=通信次数\总通信次数
其中,通信次数是在一定时间内车辆之间成功建立的通信次数,总通信次数是所有车辆在同一时间段内的通信次数之和。
相对位置权重W_pos:根据车辆之间的相对位置关系来确定权重。
公式可以表示为:
W_pos=方向相似度/最大相似度
其中,方向相似度根据车辆行驶方向的夹角来计算,最大相似度表示车辆行驶方向能出现的最大夹角。
共同行驶路线权重W_route:根据车辆共同行驶路线的相似度来确定权重。包括车辆行驶轨迹的重叠程度、共同经过的路段等因素。
公式可以表示为:
W_route=共同行驶路段长度/总行驶路段长度
其中,共同行驶路段长度是车辆行驶轨迹中重叠的路段长度,总行驶路段长度是车辆行驶轨迹的总长度。
结合通信频率权重、相对位置权重、共同行驶路线权重,确定车辆之间的综合权重。
公式可以表示为:
W=α*W_comm+β*W_pos+γ*W_route
其中,α、β和γ是权重系数,用于调整不同因素对综合权重的影响程度,W为车辆之间的综合权重,这些系数可以根据实际情况进行设定,以满足特定需求。
通过分析这些因素,可以确定不同车辆节点之间的权重,权重越大表示车辆之间的交互越频繁或关系越紧密。
在确定了车辆节点之间的权重后,可以利用图论、网络分析等数学工具来进一步分析车辆间的关系网络。例如,可以通过计算节点的度、介数中心性等指标来识别网络中的重要节点,这些节点可能在网络中扮演着关键角色,对异常行为的传播具有重要影响。
在建立了车辆间的关系网络并识别出关键节点后,可以进一步分析关键节点车辆异常行为对其他车辆的影响程度。这可以通过以下几个步骤来实现:
传播路径分析:首先,可以根据车辆间的关系网络确定异常行为的传播路径。这可以通过分析网络中的边和权重来实现,例如利用最短路径算法来确定异常行为从关键节点传播到其他节点的路径。
环境因素考虑:在分析传播路径时,还需要考虑外界环境因素对异常行为传播的影响。例如,天气条件、道路状况、交通流量等因素都可能影响车辆之间的交互和异常行为的传播。因此,需要将这些环境因素纳入分析中,以更准确地预测异常行为的传播情况。
影响程度评估:最后,可以根据传播路径和环境因素来评估关键节点车辆异常行为对其他车辆的影响程度。这可以通过计算传播路径上的节点权重、环境因素对传播的影响程度等指标来实现。综合考虑这些因素,可以得出一个量化的影响程度指标,用于表示关键节点车辆异常行为对其他车辆的潜在影响。
通过这样的分析和评估,可以更全面地了解车辆间异常行为的传播情况,从而制定相应的预防和应对措施,降低异常行为对整体交通系统的影响。同时,这也为智能交通系统、自动驾驶技术等领域的进一步研究提供了有益的参考和借鉴。以上所述仅为本发明的优选实施方式,并不用于限制本发明,对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明精神和原则内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆数据的管理系统,其特征在于,包括:数据采集模块,用于采集车辆上各个电子设备对应的设备数据,采集的设备数据包括车辆维修信息、车辆故障信息、车辆状态信息;
故障处理模块,用于确定故障产生的原因和类型,对车辆故障信息进行分类标注,输出分类标注信息,分类标注信息包括确定不同车辆对应的故障类型、严重程度和发生时间;
故障分析模块,用于确定当前车辆状态下可能出现的故障趋势,并对故障趋势产生的可靠性进行分析,确定故障发生时设备数据对应的故障分析结果。
2.如权利要求1所述的一种车辆数据的管理系统,其特征在于,还包括故障判断模块,用于识别每个车辆中的设备数据,并对设备数据根据相应的故障类型进行分类,确定不同设备节点上传输的数据信息,生成根据设备标识的设备识别结果。
3.如权利要求2所述的一种车辆数据的管理系统,其特征在于,根据每个设备发生故障的时间参数、发生次数、发生间隔,确定当前设备出现故障的概率;获取设备数据之间的关联性,根据设备数据的关联性,确定正常运行参数与运行参数对应的指标,根据获取的指标,确定当前设备最后一次发生运行异常与发生运行异常后的恢复时间,从而判断运行时产生异常的异常程度,以确定当前设备节点是否为异常节点。
4.如权利要求1所述的一种车辆数据的管理系统,其特征在于,获取故障处理模块输出的分类标注信息,确定不同车辆对应的故障类型、严重程度和发生时间,包括以下实现方式:
根据获取的分类标注信息,确定每个分类对应的故障分析数据,确定故障分析数据中的关键点;
确定故障分析数据的关键点数值,校验关键点生成第一数值;
根据关键点的分布状况,确定关键点相关性计算后的第二数值。
5.如权利要求4所述的一种车辆数据的管理系统,其特征在于,根据获取的第一数值,判断第一数值对应的多组初始故障数据;确定多组初始故障数据中都对应的关联数据;根据所述关联数据,确定每组初始故障数据中至少一个待分析的目标数据片段,并基于目标数据片段获取对应的第二数值;根据获取的目标数据片段,确定至少一个针对车辆状态的状态分析结果;
根据当前设备标识信息的设备识别结果和状态分析结果,确定至少一个目标数据片段对应的故障分析结果,当判断的故障分析结果满足第一预设条件时,判断故障分析结果对应的设备数据中存在相应的数据异常,根据识别后异常的设备数据,确定相应的故障趋势;对故障趋势进行处理,以确定设备发送数据异常时对应的异常趋势。
6.如权利要求5所述的一种车辆数据的管理系统,其特征在于,第一预设条件包括:对目标数据片段对应的设备识别结果与状态分析结果进行各自迭代,确定迭代后目标数据片段对应设备识别结果与状态分析结果的相关性,若设备识别结果与状态分析结果在同一时间内表现形式不同,则获取对应时间戳下的目标数据片段,并对目标数据片段设置内容标签,当目标数据片段中设备数据的故障趋势与实际预测的故障趋势相似度小于预设相似度阈值时,判断目标数据片段中第二数值的数值之间的相似度是否满足预设相似度阈值;若满足判断目标数据片段中存在异常的设备数据。
7.如权利要求5所述的一种车辆数据的管理系统,其特征在于,对目标数据片段的处理方式还包括,基于获取的第一数值,确定每个第一数值的故障参数;根据第一数值的故障参数,确定每个故障参数对应的故障分布概率,确定每个故障参数在互相影响时的第一影响系数;并根据每个故障参数的第一影响系数,将第二数值对应的第二影响系数作为输入,确定故障参数的综合影响力。
8.如权利要求1所述的一种车辆数据的管理系统,其特征在于,根据目标车辆的监控数据,确定目标车辆的第一状态,根据所述的第一状态确定目标车辆的第二状态;
根据第一状态的数据,确定第一状态下,用户行驶时对应的第一行为,根据第二状态,确定车辆异常时传输的数据,基于传输的数据确定第二状态的第二行为,基于第一行为和第二行为,确定异常行为下的行为模式。
9.如权利要求8所述的一种车辆数据的管理系统,其特征在于,基于监控数据确定外界状况的变化情况,基于外界状况,确定第一状态对应的第一特征,根据第一特征的分布情况,确定第二状态对应的第二特征;
获取目标车辆的时间序列,基于时间序列,选择时间序列分布密集的第一特征,获取第一特征对应的车辆行为,当第一特征的车辆行为超过预设行为时,获取第一特征对应的第二特征,结合第一特征和第二特征,确定当前异常行为的概率,基于异常行为的概率,确定异常行为互相传输的可能,根据异常行为传输的可能,确定外界状况对车辆异常的影响程度。
10.如权利要求1所述的一种车辆数据的管理系统,其特征在于,建立车辆间的关系网络,根据车辆间的关系网络,确定车辆节点间的传播路径和关键节点,根据车辆间的传播路径,获取对应的外界状况,根据外界环境因素,确定关键节点车辆异常行为的影响程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410140204.9A CN117671818B (zh) | 2024-02-01 | 2024-02-01 | 一种车辆数据的管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410140204.9A CN117671818B (zh) | 2024-02-01 | 2024-02-01 | 一种车辆数据的管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117671818A true CN117671818A (zh) | 2024-03-08 |
CN117671818B CN117671818B (zh) | 2024-04-16 |
Family
ID=90073528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410140204.9A Active CN117671818B (zh) | 2024-02-01 | 2024-02-01 | 一种车辆数据的管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671818B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912133A (zh) * | 2024-03-19 | 2024-04-19 | 杭州三一谦成科技有限公司 | 一种基于实测数据车辆信息系数获取系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658807A (zh) * | 2019-10-16 | 2020-01-07 | 上海仁童电子科技有限公司 | 一种车辆故障诊断方法、装置及系统 |
US20210016786A1 (en) * | 2018-03-27 | 2021-01-21 | We Predict Limited | Predictive Vehicle Diagnostics Method |
CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
CN114239734A (zh) * | 2021-12-21 | 2022-03-25 | 中国人民解放军63963部队 | 一种分布式车载健康管理系统 |
CN116451122A (zh) * | 2023-04-23 | 2023-07-18 | 北京思维实创科技有限公司 | 一种故障确定方法、装置、电子设备及存储介质 |
CN117472026A (zh) * | 2023-11-15 | 2024-01-30 | 中国重汽集团济南动力有限公司 | 一种自动驾驶车辆的故障处理方法、装置、设备及介质 |
-
2024
- 2024-02-01 CN CN202410140204.9A patent/CN117671818B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210016786A1 (en) * | 2018-03-27 | 2021-01-21 | We Predict Limited | Predictive Vehicle Diagnostics Method |
CN110658807A (zh) * | 2019-10-16 | 2020-01-07 | 上海仁童电子科技有限公司 | 一种车辆故障诊断方法、装置及系统 |
CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
CN114239734A (zh) * | 2021-12-21 | 2022-03-25 | 中国人民解放军63963部队 | 一种分布式车载健康管理系统 |
CN116451122A (zh) * | 2023-04-23 | 2023-07-18 | 北京思维实创科技有限公司 | 一种故障确定方法、装置、电子设备及存储介质 |
CN117472026A (zh) * | 2023-11-15 | 2024-01-30 | 中国重汽集团济南动力有限公司 | 一种自动驾驶车辆的故障处理方法、装置、设备及介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912133A (zh) * | 2024-03-19 | 2024-04-19 | 杭州三一谦成科技有限公司 | 一种基于实测数据车辆信息系数获取系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117671818B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6356304B2 (ja) | 保守有効性推定に基づく保守推奨システム | |
US11403160B2 (en) | Fault predicting system and fault prediction method | |
CN102375452B (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
CN117671818B (zh) | 一种车辆数据的管理系统 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN110647539A (zh) | 一种用于车辆故障的预测方法和系统 | |
CN103617110B (zh) | 服务器设备状态检修系统 | |
CN109000940B (zh) | 一种机车车辆异常轴温诊断方法及系统 | |
RU2540830C2 (ru) | Адаптивное дистанционное обслуживание подвижных составов | |
JP2018008685A (ja) | 航空機の重整備における構造体修理のための予測方法及びシステム | |
US20070220368A1 (en) | Data-centric monitoring method | |
EP2064106A1 (en) | Diagnostic system and method for monitoring a rail system | |
CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法 | |
Chen et al. | Aircraft maintenance decision system based on real-time condition monitoring | |
CN113283003B (zh) | 一种基于时空融合决策的高速列车轴温异常检测方法 | |
CN114239734B (zh) | 一种分布式车载健康管理系统 | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
CN115099260A (zh) | 双螺杆输油泵在线监测机械故障实时诊断方法 | |
KR102185737B1 (ko) | 도로 상태 예측 시스템 및 예측 방법 | |
CN110097219B (zh) | 一种基于安全树模型的电动车辆运维优化方法 | |
CN112597581B (zh) | 一种基于时空融合决策的高速列车温度异常检测方法 | |
CN117874437A (zh) | 一种基于时间序列分析的事故趋势识别方法 | |
CN112232553A (zh) | 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法 | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
Wu et al. | Traffic sensor health monitoring using spatiotemporal graphical modeling |
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 |