CN118013231B - 汽车故障智能诊断方法、装置和汽车智能仪表盘系统 - Google Patents
汽车故障智能诊断方法、装置和汽车智能仪表盘系统 Download PDFInfo
- Publication number
- CN118013231B CN118013231B CN202410391155.6A CN202410391155A CN118013231B CN 118013231 B CN118013231 B CN 118013231B CN 202410391155 A CN202410391155 A CN 202410391155A CN 118013231 B CN118013231 B CN 118013231B
- Authority
- CN
- China
- Prior art keywords
- automobile
- data set
- data
- fault
- driving
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 238000013210 evaluation model Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000012806 monitoring device Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000001816 cooling Methods 0.000 claims description 15
- 230000035945 sensitivity Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000003449 preventive effect Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Abstract
本发明提供汽车故障智能诊断方法、装置和汽车智能仪表盘系统,接收来自汽车行车记录数据日志中的历史数据集合,并对其进行数据格式转换获得待预处理行车数据,对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据,结合云端服务器、边缘服务器分别对历史数据集合的行车标准数据进行特征数据处理。在云端服务器中分别对第一、二时域特征数值、第一、二频域特征数值、第一、二时频特征数值进行深度残差网络训练获得第一、二评估模型。根据检测数据利用第一评估模型判断出汽车系统的故障种类,利用第二评估模型判断出汽车子部件的故障类型,并结合边缘服务器诊断汽车发生故障的严重程度。提高了汽车故障诊断精确率及处理效率。
Description
技术领域
本申请涉及汽车控制技术领域,特别是涉及汽车故障报警方法、装置和汽车仪表盘。
背景技术
汽车仪表盘是反映车辆各系统工作状况的装置。常见的有燃油指示灯、清洗液指示灯、电子油门指示灯、前后雾灯指示灯及报警灯。当汽车出现故障时,可以通过汽车仪表盘进行报警。同时汽车智能控制也是一个重点发展的技术方向,对汽车故障的诊断,汽车故障类型的确认,实时监测预警汽车运行状态及数据处理,这些技术都为保障汽车正常、安全运行保驾护航。但目前的汽车故障处理技术主要是通过将采集到的数据与预设的阈值进行简单的比较来判断汽车是否出现故障,这种传统的汽车故障报警方式误报率高,安全系数低。针对此需要,本发明提出一种能够提高汽车故障诊断精确率,结合人工智能分析,以获得更高安全性的汽车故障报警方法、装置和汽车智能仪表盘。
发明内容
为了解决汽车故障报警、处理的精度不够高、处理效率不够高的技术问题,本发明提供一种能够提高汽车故障诊断精确率,结合人工智能分析提供准确的故障处理建议,以获得更高安全性的汽车故障诊断方法、装置和汽车智能仪表盘,并结合边缘服务器、云端服务器及时处理大量的行车数据,以提高汽车故障诊断的处理效率。
在一个实施例中,本发明提供了一种汽车智能故障诊断方法,包括:接收来自汽车行车记录数据日志中的历史数据集合,并对历史数据集合进行数据格式转换以获得待预处理行车数据,对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据,其中预处理方式包括数据清洗、数据去噪。其中历史数据集合的行车标准数据包括:汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合、以及发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合。
其中对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据之后,进一步结合云端服务器以及边缘服务器分别对历史数据集合的行车标准数据进行特征数据处理及存储;其中结合云端服务器对历史数据集合的行车标准数据中的汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合进行编码、分解、聚合、压缩,其处理结果作为第一特征数据集,并存储于边缘服务存储器中;同时结合边缘服务器对历史数据集合中的发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合进行编码、分解,其处理结果作为第二特征数据集,并存储于云端服务存储器中。
其中云端服务器对其中第一特征数据集采用滑动窗口策略按时间序列一[t1,t2......tn-1,tn]分解,并包括:第一时域特征数值、第一频域特征数值、第一时频特征数值;边缘服务器对其中第二特征数据集采用滑动窗口策略按时间序列二[T1,T2......Tn-1,Tn]分解,并包括:第二特征数据集包括第二时域特征数值、第二频域特征数值、第二时频特征数值。
其中,在云端服务器中分别对其中的第一时域特征数值、第一频域特征数值、第一时频特征数值进行深度残差网络训练以获得第一评估模型,具体地分别对第一时域特征数值、第一频域特征数值、第一时频特征数值采用各自总量的70%作为训练集、30%作为测试集,利用训练集训练第一深度神经网络模型,并采用测试集验证所训练的第一深度神经网络模型效果,若拟合效果达不到预设定的要求则返回调整训练参数,再次循环训练、验证,直至达到预设要求的第一评估模型。
其中,在云端服务器中分别对其中的第二时域特征数值、第二频域特征数值、第二时频特征数值进行深度残差网络训练以获得第二评估模型,具体地分别对第二时域特征数值、第二频域特征数值、第二时频特征数值采用各自总量的80%作为训练集、20%作为测试集,利用训练集训练第二深度神经网络模型,并采用测试集验证所训练的第二深度神经网络模型效果,若拟合效果达不到预设定的要求则返回调整训练参数,再次循环训练、验证,直至达到预设要求的第二估模型。
其中,在设备层中利用汽车系统监测装置采集时间区间[tn,tn+1]中的汽车定位数据、驾驶方式数据、汽车运行健康状态数据,作为第一检测数据集;利用汽车部件监测装置采集时间区间[Tn,Tn+1]中的发动机转速及加速度数据、车胎压强数据、底盘振幅频率数据、冷却系统数据、电子传感设备灵敏度数据,作为第二检测数据集;在边缘服务器中针对第一检测数据集的时域、频域、时频特征进行归一化,生成第一故障诊断特征向量,利用第一评估模型判断出汽车系统的故障种类;在边缘服务器中针对第二检测数据集的时域、频域、时频特征进行归一化,生成第二故障诊断特征向量,利用第二评估模型判断出汽车子部件的故障类型;在边缘服务器中再结合汽车系统的故障种类以及汽车子部件的故障类型诊断出汽车发生故障的严重程度,并将诊断出的汽车发生故障的严重程度的结果发送给客户端。
其中,将汽车系统的故障种类按紧急程度分为不紧急、一般紧急、较紧急、非常紧急四类,汽车子部件的故障类型按检测数据数值大小分为低阈值、中阈值、高阈值、极高阈值四类;具体地,当汽车系统的故障种类的紧急程度为不紧急,且汽车子部件的故障类型的检测数据数值为低阈值、中阈值、高阈值、极高阈值时,均判定诊断结果为安全程度;
当汽车系统的故障种类的紧急程度为一般紧急时,且汽车子部件的故障类型的检测数据数值为低阈值、中阈值、高阈值时,判定诊断结果为安全程度;汽车子部件的故障类型的检测数据数值为极高阈值时,判定诊断结果为不安全程度且低级风险;
当汽车系统的故障种类的紧急程度为较紧急时,且汽车子部件的故障类型的检测数据数值的检测数据数值为低阈值、中阈值时,判定诊断结果为安全程度;汽车子部件的故障类型的检测数据数值为高阈值时,判定诊断结果为不安全程度且低级风险;汽车子部件的故障类型的检测数据数值为极高阈值时,判定诊断结果为不安全程度且中级风险;
当汽车系统的故障种类的紧急程度为非常紧急时,且汽车子部件的故障类型的检测数据数值为低阈值时,判定诊断结果为安全程度;汽车子部件的故障类型的检测数据数值为中阈值时,判定诊断结果为不安全程度且低级风险;汽车子部件的故障类型的检测数据数值为高阈值时,判定诊断结果为不安全程度且中级风险;汽车子部件的故障类型的检测数据数值为极高阈值时,判定诊断结果为不安全程度且高级风险。
其中,将诊断出的汽车发生故障的严重程度的结果发送给客户端,具体包括:根据所述汽车发生故障的严重程度的结果生成对应的故障代码,其中故障代码指示出故障类型及严重程度,并根据故障类型及严重程度设置对应的优先级;当汽车发生多个故障时,根据所述优先级对故障代码进行排序并将排序靠前的故障代码发送给客户端;客户端用于显示具体的故障诊断结果,根据故障诊断结果提供对应的解决方案以解决目前的故障,同时提供对应的预防建议以避免此后再次发生类似的故障。
在一个实施例中,本发明还提供了一种汽车故障智能诊断装置,包括:
获取模块,用于接收来自汽车行车记录数据日志中的历史数据集合。
预处理模块,用于对历史数据集合进行数据格式转换以获得待预处理行车数据,对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据,其中预处理方式包括数据清洗、数据去噪。
特征数据处理模块,结合云端服务器以及边缘服务器分别对历史数据集合的行车标准数据进行特征数据处理及存储;其中结合云端服务器对历史数据集合的行车标准数据中的汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合进行编码、分解、聚合、压缩,其处理结果作为第一特征数据集,并存储于边缘服务存储器中;同时结合边缘服务器对历史数据集合中的发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合进行编码、分解,其处理结果作为第二特征数据集,并存储于云端服务存储器中;
评估模型建立模块,其中,在云端服务器中分别对处理后第一特征数据集的进行深度残差网络训练以获得第一评估模型;在云端服务器中分别对处理后的第二特征数据集进行深度残差网络训练以获得第二评估模型。
诊断评估模块,针对汽车系统监测装置采集到的第一检测数据集,在边缘服务器中生成第一故障诊断特征向量,利用第一评估模型判断出汽车系统的故障种类;针对汽车部件监测装置采集到的第二检测数据集,在边缘服务器中生成第二故障诊断特征向量,利用第二评估模型判断出汽车子部件的故障类型;结合汽车系统的故障种类以及汽车子部件的故障类型诊断出汽车发生故障的严重程度。
在一个实施例中,本发明还提供了一种汽车智能仪表盘,包括获取模块,用于接收来自汽车行车记录数据日志中的历史数据集合;
预处理模块,用于对历史数据集合进行数据格式转换以获得待预处理行车数据,对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据,其中预处理方式包括数据清洗、数据去噪;
特征数据处理模块,结合云端服务器以及边缘服务器分别对历史数据集合的行车标准数据进行特征数据处理及存储;其中结合云端服务器对历史数据集合的行车标准数据中的汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合进行编码、分解、聚合、压缩,其处理结果作为第一特征数据集,并存储于边缘服务存储器中;同时结合边缘服务器对历史数据集合中的发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合进行编码、分解,其处理结果作为第二特征数据集,并存储于云端服务存储器中;
评估模型建立模块,其中,在云端服务器中分别对处理后第一特征数据集的进行深度残差网络训练以获得第一评估模型;在云端服务器中分别对处理后的第二特征数据集进行深度残差网络训练以获得第二评估模型;
诊断评估模块,针对汽车系统监测装置采集到的第一检测数据集,在边缘服务器中生成第一故障诊断特征向量,利用第一评估模型判断出汽车系统的故障种类;针对汽车部件监测装置采集到的第二检测数据集,在边缘服务器中生成第二故障诊断特征向量,利用第二评估模型判断出汽车子部件的故障类型;结合汽车系统的故障种类以及汽车子部件的故障类型诊断出汽车发生故障的严重程度;
显示模块,用于显示故障诊断结果及建议。
在一个实施例中,本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述所述的汽车智能故障诊断方法。
在一个实施例中,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的汽车智能故障诊断方法。
本发明中的汽车故障智能诊断方法、装置和汽车智能仪表盘,与现有技术相比具有的有益效果是:
1、将部分数据分离于云端服务器进行计算,减轻云端服务器的运算负担,同时充分发挥边缘服务器强大的运算能力,更高效地处理产生更多数据集合的特征数据。
2、将行车标准数据根据数据状态、数据大小,分配给云端服务器、边缘服务器分别处理获得第一特征数据集合、第二特征数据集合,由此可以针对汽车不同状态的数据参数进行更有效地分解分析。
3、采用神经网络深度学习,通过云端服务器与边缘服务器协同处理,结合历史数据的特征数据训练出第一、二评估模型,以便于更准确地对目前汽车行驶环境、运行状态进行预测及情况分类,并诊断出汽车系统的故障种类及汽车子部件的故障类型。其中针对特征数据进行多维度地分析时频、时域、频域特征数值,以深度分析汽车运行状态的参数特征,更细化地训练神经网络深度学习模型。
4、针对汽车不同系统环境下的汽车运行态度,根据汽车系统的故障种类分别对应设置不同的汽车子部件的故障类型下的汽车发生故障的严重程度判定范围,以解决更精细地监测、反馈汽车发生的故障程度。
5、采用汽车智能仪表盘用于显示故障诊断结果,提供故障解决方案,给出预防故障的建议。
附图说明
图1 汽车智能故障诊断方法的历史数据集合数据处理方式。
图2 汽车智能故障诊断方法数据处理云端服务器的数据处理流程过程一。
图3 汽车智能故障诊断方法数据处理边缘服务器的数据处理流程过程。
图4 汽车智能故障诊断方法数据处理云端服务器的数据处理流程过程二。
图5 汽车智能故障诊断方法的故障诊断结果数据处理方式。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1-3,本发明提供了一种汽车智能故障诊断方法,包括:接收来自汽车行车记录数据日志中的历史数据集合,并对历史数据集合进行数据格式转换以获得待预处理行车数据,对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据,其中预处理方式包括数据清洗、数据去噪。其中历史数据集合的行车标准数据包括:汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合、以及发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合。
其中对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据之后,进一步结合云端服务器以及边缘服务器分别对历史数据集合的行车标准数据进行特征数据处理及存储;其中结合云端服务器对历史数据集合的行车标准数据中的汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合进行编码、分解、聚合、压缩,其处理结果作为第一特征数据集,并存储于边缘服务存储器中;同时结合边缘服务器对历史数据集合中的发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合进行编码、分解,其处理结果作为第二特征数据集,并存储于云端服务存储器中。
其中云端服务器对其中第一特征数据集采用滑动窗口策略按时间序列一[t1,t2......tn-1,tn]分解,并包括:第一时域特征数值、第一频域特征数值、第一时频特征数值;边缘服务器对其中第二特征数据集采用滑动窗口策略按时间序列二[T1,T2......Tn-1,Tn]分解,并包括:第二特征数据集包括第二时域特征数值、第二频域特征数值、第二时频特征数值。
如图4,其中,在云端服务器中分别对其中的第一时域特征数值、第一频域特征数值、第一时频特征数值进行深度残差网络训练以获得第一评估模型,具体地分别对第一时域特征数值、第一频域特征数值、第一时频特征数值采用各自总量的70%作为训练集、30%作为测试集,利用训练集训练第一深度神经网络模型,并采用测试集验证所训练的第一深度神经网络模型效果,若拟合效果达不到预设定的要求则返回调整训练参数,再次循环训练、验证,直至达到预设要求的第一评估模型。
其中,在云端服务器中分别对其中的第二时域特征数值、第二频域特征数值、第二时频特征数值进行深度残差网络训练以获得第二评估模型,具体地分别对第二时域特征数值、第二频域特征数值、第二时频特征数值采用各自总量的80%作为训练集、20%作为测试集,利用训练集训练第二深度神经网络模型,并采用测试集验证所训练的第二深度神经网络模型效果,若拟合效果达不到预设定的要求则返回调整训练参数,再次循环训练、验证,直至达到预设要求的第二估模型。
如图5,其中,在设备层中利用汽车系统监测装置采集时间区间[tn,tn+1]中的汽车定位数据、驾驶方式数据、汽车运行健康状态数据,作为第一检测数据集;利用汽车部件监测装置采集时间区间[Tn,Tn+1]中的发动机转速及加速度数据、车胎压强数据、底盘振幅频率数据、冷却系统数据、电子传感设备灵敏度数据,作为第二检测数据集;在边缘服务器中针对第一检测数据集的时域、频域、时频特征进行归一化,生成第一故障诊断特征向量,利用第一评估模型判断出汽车系统的故障种类;在边缘服务器中针对第二检测数据集的时域、频域、时频特征进行归一化,生成第二故障诊断特征向量,利用第二评估模型判断出汽车子部件的故障类型;在边缘服务器中再结合汽车系统的故障种类以及汽车子部件的故障类型诊断出汽车发生故障的严重程度,并将诊断出的汽车发生故障的严重程度的结果发送给客户端。
其中,将汽车系统的故障种类按紧急程度分为不紧急、一般紧急、较紧急、非常紧急四类,汽车子部件的故障类型按检测数据数值大小分为低阈值、中阈值、高阈值、极高阈值四类;具体地,当汽车系统的故障种类的紧急程度为不紧急,且汽车子部件的故障类型的检测数据数值为低阈值、中阈值、高阈值、极高阈值时,均判定诊断结果为安全程度;
当汽车系统的故障种类的紧急程度为一般紧急时,且汽车子部件的故障类型的检测数据数值为低阈值、中阈值、高阈值时,判定诊断结果为安全程度;汽车子部件的故障类型的检测数据数值为极高阈值时,判定诊断结果为不安全程度且低级风险;
当汽车系统的故障种类的紧急程度为较紧急时,且汽车子部件的故障类型的检测数据数值的检测数据数值为低阈值、中阈值时,判定诊断结果为安全程度;汽车子部件的故障类型的检测数据数值为高阈值时,判定诊断结果为不安全程度且低级风险;汽车子部件的故障类型的检测数据数值为极高阈值时,判定诊断结果为不安全程度且中级风险;
当汽车系统的故障种类的紧急程度为非常紧急时,且汽车子部件的故障类型的检测数据数值为低阈值时,判定诊断结果为安全程度;汽车子部件的故障类型的检测数据数值为中阈值时,判定诊断结果为不安全程度且低级风险;汽车子部件的故障类型的检测数据数值为高阈值时,判定诊断结果为不安全程度且中级风险;汽车子部件的故障类型的检测数据数值为极高阈值时,判定诊断结果为不安全程度且高级风险。
其中,将诊断出的汽车发生故障的严重程度的结果发送给客户端,具体包括:根据所述汽车发生故障的严重程度的结果生成对应的故障代码,其中故障代码指示出故障类型及严重程度,并根据故障类型及严重程度设置对应的优先级;当汽车发生多个故障时,根据所述优先级对故障代码进行排序并将排序靠前的故障代码发送给客户端;客户端用于显示具体的故障诊断结果,根据故障诊断结果提供对应的解决方案以解决目前的故障,同时提供对应的预防建议以避免此后再次发生类似的故障。
在一个实施例中,本发明还提供了一种汽车故障智能诊断装置,包括:
获取模块,用于接收来自汽车行车记录数据日志中的历史数据集合。
预处理模块,用于对历史数据集合进行数据格式转换以获得待预处理行车数据,对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据,其中预处理方式包括数据清洗、数据去噪。
特征数据处理模块,结合云端服务器以及边缘服务器分别对历史数据集合的行车标准数据进行特征数据处理及存储;其中结合云端服务器对历史数据集合的行车标准数据中的汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合进行编码、分解、聚合、压缩,其处理结果作为第一特征数据集,并存储于边缘服务存储器中;同时结合边缘服务器对历史数据集合中的发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合进行编码、分解,其处理结果作为第二特征数据集,并存储于云端服务存储器中;
评估模型建立模块,其中,在云端服务器中分别对处理后第一特征数据集的进行深度残差网络训练以获得第一评估模型;在云端服务器中分别对处理后的第二特征数据集进行深度残差网络训练以获得第二评估模型。
诊断评估模块,针对汽车系统监测装置采集到的第一检测数据集,在边缘服务器中生成第一故障诊断特征向量,利用第一评估模型判断出汽车系统的故障种类;针对汽车部件监测装置采集到的第二检测数据集,在边缘服务器中生成第二故障诊断特征向量,利用第二评估模型判断出汽车子部件的故障类型;结合汽车系统的故障种类以及汽车子部件的故障类型诊断出汽车发生故障的严重程度。
在一个实施例中,本发明还提供了一种汽车智能仪表盘,包括获取模块,用于接收来自汽车行车记录数据日志中的历史数据集合;
预处理模块,用于对历史数据集合进行数据格式转换以获得待预处理行车数据,对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据,其中预处理方式包括数据清洗、数据去噪;
特征数据处理模块,结合云端服务器以及边缘服务器分别对历史数据集合的行车标准数据进行特征数据处理及存储;其中结合云端服务器对历史数据集合的行车标准数据中的汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合进行编码、分解、聚合、压缩,其处理结果作为第一特征数据集,并存储于边缘服务存储器中;同时结合边缘服务器对历史数据集合中的发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合进行编码、分解,其处理结果作为第二特征数据集,并存储于云端服务存储器中;
评估模型建立模块,其中,在云端服务器中分别对处理后第一特征数据集的进行深度残差网络训练以获得第一评估模型;在云端服务器中分别对处理后的第二特征数据集进行深度残差网络训练以获得第二评估模型;
诊断评估模块,针对汽车系统监测装置采集到的第一检测数据集,在边缘服务器中生成第一故障诊断特征向量,利用第一评估模型判断出汽车系统的故障种类;针对汽车部件监测装置采集到的第二检测数据集,在边缘服务器中生成第二故障诊断特征向量,利用第二评估模型判断出汽车子部件的故障类型;结合汽车系统的故障种类以及汽车子部件的故障类型诊断出汽车发生故障的严重程度;
显示模块,用于显示故障诊断结果及建议。
在一个实施例中,本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述所述的汽车智能故障诊断方法。
在一个实施例中,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的汽车智能故障诊断方法。
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的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.汽车智能故障诊断方法,其特征在于,包括:接收来自汽车行车记录数据日志中的历史数据集合,并对历史数据集合进行数据格式转换以获得待预处理行车数据,对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据,其中预处理方式包括数据清洗、数据去噪;
其中历史数据集合的行车标准数据包括:汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合、以及发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合;
其中对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据之后,进一步结合云端服务器以及边缘服务器分别对历史数据集合的行车标准数据进行特征数据处理及存储;其中结合云端服务器对历史数据集合的行车标准数据中的汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合进行编码、分解、聚合、压缩,其处理结果作为第一特征数据集,并存储于边缘服务存储器中;同时结合边缘服务器对历史数据集合中的发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合进行编码、分解,其处理结果作为第二特征数据集,并存储于云端服务存储器中;
其中云端服务器对其中第一特征数据集采用滑动窗口策略按时间序列一
[t1,t2,……,tn-1,tn],分解,并包括:第一时域特征数值、第一频域特征数值、第一时频特征数值;边缘服务器对其中第二特征数据集采用滑动窗口策略按时间序列二[T1,T2,……,Tn-1,Tn]分解,并包括:第二特征数据集包括第二时域特征数值、第二频域特征数值、第二时频特征数值;
在云端服务器中分别对其中的第一时域特征数值、第一频域特征数值、第一时频特征数值进行深度残差网络训练以获得第一评估模型,具体地分别对第一时域特征数值、第一频域特征数值、第一时频特征数值采用各自总量的70%作为训练集、30%作为测试集,利用训练集训练第一深度神经网络模型,并采用测试集验证所训练的第一深度神经网络模型效果,若拟合效果达不到预设定的要求则返回调整训练参数,再次循环训练、验证,直至达到预设要求的第一评估模型;
其中,在云端服务器中分别对其中的第二时域特征数值、第二频域特征数值、第二时频特征数值进行深度残差网络训练以获得第二评估模型,具体地分别对第二时域特征数值、第二频域特征数值、第二时频特征数值采用各自总量的80%作为训练集、20%作为测试集,利用训练集训练第二深度神经网络模型,并采用测试集验证所训练的第二深度神经网络模型效果,若拟合效果达不到预设定的要求则返回调整训练参数,再次循环训练、验证,直至达到预设要求的第二估模型;
在设备层中利用汽车系统监测装置采集时间区间[tn,tn+1]中的汽车定位数据、驾驶方式数据、汽车运行健康状态数据,作为第一检测数据集;利用汽车部件监测装置采集时间区间[Tn,Tn+1]中的发动机转速及加速度数据、车胎压强数据、底盘振幅频率数据、冷却系统数据、电子传感设备灵敏度数据,作为第二检测数据集;在边缘服务器中针对第一检测数据集的时域、频域、时频特征进行归一化,生成第一故障诊断特征向量,利用第一评估模型判断出汽车系统的故障种类;在边缘服务器中针对第二检测数据集的时域、频域、时频特征进行归一化,生成第二故障诊断特征向量,利用第二评估模型判断出汽车子部件的故障类型;在边缘服务器中再结合汽车系统的故障种类以及汽车子部件的故障类型诊断出汽车发生故障的严重程度,并将诊断出的汽车发生故障的严重程度的结果发送给客户端。
2.根据权利要求1所述的汽车智能故障诊断方法,其特征在于,将汽车系统的故障种类按紧急程度分为不紧急、一般紧急、较紧急、非常紧急四类,汽车子部件的故障类型按检测数据数值大小分为低阈值、中阈值、高阈值、极高阈值四类;具体地,当汽车系统的故障种类的紧急程度为不紧急,且汽车子部件的故障类型的检测数据数值为低阈值、中阈值、高阈值、极高阈值时,均判定诊断结果为安全程度;
当汽车系统的故障种类的紧急程度为一般紧急时,且汽车子部件的故障类型的检测数据数值为低阈值、中阈值、高阈值时,判定诊断结果为安全程度;汽车子部件的故障类型的检测数据数值为极高阈值时,判定诊断结果为不安全程度且低级风险;
当汽车系统的故障种类的紧急程度为较紧急时,且汽车子部件的故障类型的检测数据数值为低阈值、中阈值时,判定诊断结果为安全程度;汽车子部件的故障类型的检测数据数值为高阈值时,判定诊断结果为不安全程度且低级风险;汽车子部件的故障类型的检测数据数值为极高阈值时,判定诊断结果为不安全程度且中级风险;
当汽车系统的故障种类的紧急程度为非常紧急时,且汽车子部件的故障类型的检测数据数值为低阈值时,判定诊断结果为安全程度;汽车子部件的故障类型的检测数据数值为中阈值时,判定诊断结果为不安全程度且低级风险;汽车子部件的故障类型的检测数据数值为高阈值时,判定诊断结果为不安全程度且中级风险;汽车子部件的故障类型的检测数据数值为极高阈值时,判定诊断结果为不安全程度且高级风险。
3.根据权利要求2所述的汽车智能故障诊断方法,其特征在于,其中,将诊断出的汽车发生故障的严重程度的结果发送给客户端,具体包括:根据所述汽车发生故障的严重程度的结果生成对应的故障代码,其中故障代码指示出故障类型及严重程度,并根据故障类型及严重程度设置对应的优先级;当汽车发生多个故障时,根据所述优先级对故障代码进行排序并将排序靠前的故障代码发送给客户端;客户端用于显示具体的故障诊断结果,根据故障诊断结果提供对应的解决方案以解决目前的故障,同时提供对应的预防建议以避免此后再次发生类似的故障。
4.汽车故障智能诊断装置,其中采用了权利要求1至3中任一项所述的汽车智能故障诊断方法,其特征在于,包括:
获取模块,用于接收来自汽车行车记录数据日志中的历史数据集合;
预处理模块,用于对历史数据集合进行数据格式转换以获得待预处理行车数据,对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据,其中预处理方式包括数据清洗、数据去噪;
特征数据处理模块,结合云端服务器以及边缘服务器分别对历史数据集合的行车标准数据进行特征数据处理及存储;其中结合云端服务器对历史数据集合的行车标准数据中的汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合进行编码、分解、聚合、压缩,其处理结果作为第一特征数据集,并存储于边缘服务存储器中;同时结合边缘服务器对历史数据集合中的发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合进行编码、分解,其处理结果作为第二特征数据集,并存储于云端服务存储器中;
评估模型建立模块,其中,在云端服务器中分别对处理后第一特征数据集的进行深度残差网络训练以获得第一评估模型;在云端服务器中分别对处理后的第二特征数据集进行深度残差网络训练以获得第二评估模型;
诊断评估模块,针对汽车系统监测装置采集到的第一检测数据集,在边缘服务器中生成第一故障诊断特征向量,利用第一评估模型判断出汽车系统的故障种类;针对汽车部件监测装置采集到的第二检测数据集,在边缘服务器中生成第二故障诊断特征向量,利用第二评估模型判断出汽车子部件的故障类型;结合汽车系统的故障种类以及汽车子部件的故障类型诊断出汽车发生故障的严重程度。
5.汽车智能仪表盘,其中采用了权利要求1至3中任一项所述的汽车智能故障诊断方法,其特征在于,包括获取模块,用于接收来自汽车行车记录数据日志中的历史数据集合;
预处理模块,用于对历史数据集合进行数据格式转换以获得待预处理行车数据,对格式转换后的所述待预处理行车数据进行预处理以获得行车标准数据,其中预处理方式包括数据清洗、数据去噪;
特征数据处理模块,结合云端服务器以及边缘服务器分别对历史数据集合的行车标准数据进行特征数据处理及存储;其中结合云端服务器对历史数据集合的行车标准数据中的汽车行驶地图数据集合、汽车定位数据集合、汽车驾驶习惯数据集合、汽车运行历史状态数据集合、汽车故障历史状态数据集合进行编码、分解、聚合、压缩,其处理结果作为第一特征数据集,并存储于边缘服务存储器中;同时结合边缘服务器对历史数据集合中的发动机转速及加速度数据集合、车胎压强数据集合、底盘振幅频率数据集合、冷却系统数据集合、电子传感设备灵敏度数据集合进行编码、分解,其处理结果作为第二特征数据集,并存储于云端服务存储器中;
评估模型建立模块,其中,在云端服务器中分别对处理后第一特征数据集的进行深度残差网络训练以获得第一评估模型;在云端服务器中分别对处理后的第二特征数据集进行深度残差网络训练以获得第二评估模型;
诊断评估模块,针对汽车系统监测装置采集到的第一检测数据集,在边缘服务器中生成第一故障诊断特征向量,利用第一评估模型判断出汽车系统的故障种类;针对汽车部件监测装置采集到的第二检测数据集,在边缘服务器中生成第二故障诊断特征向量,利用第二评估模型判断出汽车子部件的故障类型;结合汽车系统的故障种类以及汽车子部件的故障类型诊断出汽车发生故障的严重程度;
显示模块,用于显示故障诊断结果及建议。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述的汽车智能故障诊断方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的汽车智能故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410391155.6A CN118013231B (zh) | 2024-04-02 | 汽车故障智能诊断方法、装置和汽车智能仪表盘系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410391155.6A CN118013231B (zh) | 2024-04-02 | 汽车故障智能诊断方法、装置和汽车智能仪表盘系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118013231A CN118013231A (zh) | 2024-05-10 |
CN118013231B true CN118013231B (zh) | 2024-07-05 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710889A (zh) * | 2018-04-02 | 2018-10-26 | 天津大学 | 一种汽车发动机缺缸故障诊断方法 |
CN109278677A (zh) * | 2018-09-21 | 2019-01-29 | 广州通达汽车电气股份有限公司 | 汽车故障报警方法、装置和汽车仪表盘 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710889A (zh) * | 2018-04-02 | 2018-10-26 | 天津大学 | 一种汽车发动机缺缸故障诊断方法 |
CN109278677A (zh) * | 2018-09-21 | 2019-01-29 | 广州通达汽车电气股份有限公司 | 汽车故障报警方法、装置和汽车仪表盘 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zorin | Assessment of products risks of mechanical engineering by results of diagnosing | |
US9600541B2 (en) | Method of processing and analysing vehicle driving big data and system thereof | |
US8732112B2 (en) | Method and system for root cause analysis and quality monitoring of system-level faults | |
CN109581871B (zh) | 免疫对抗样本的工业控制系统入侵检测方法 | |
CN111506048B (zh) | 车辆故障预警方法及相关设备 | |
CN112606779B (zh) | 一种汽车故障预警方法及电子设备 | |
CN113624291A (zh) | 油耗监测方法、油耗监测装置以及工程车辆 | |
CN106650157A (zh) | 车辆零部件故障发生概率估算方法、装置及系统 | |
EP3865963A1 (en) | Method and device for analyzing vehicle failure | |
CN111144485A (zh) | 基于xgboost分类算法的车辆事故判断方法和系统 | |
CN118013231B (zh) | 汽车故障智能诊断方法、装置和汽车智能仪表盘系统 | |
CN117348601A (zh) | 一种车载状况实时诊断系统及其诊断方法 | |
JP2020129233A (ja) | 異常検知装置 | |
CN118013231A (zh) | 汽车故障智能诊断方法、装置和汽车智能仪表盘系统 | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
CN115991180A (zh) | 一种汽车制动系统故障诊断方法及系统 | |
CN112729862B (zh) | 无人驾驶的驾驶行为安全评估方法、装置及电子设备 | |
DE102022203171A1 (de) | Verfahren zum Validieren einer Steuersoftware für eine Robotervorrichtung | |
CN112990329A (zh) | 一种系统异常诊断方法和装置 | |
CN108415401A (zh) | 一种工程车辆检测维修数据管理方法及系统 | |
CN111144681B (zh) | 一种电动车辆的关键重要度的计算方法以及电动车辆 | |
CN118013402A (zh) | 模型训练方法、异常数据识别方法、装置、设备和介质 | |
CN111145381B (zh) | 一种电动车辆的安全状态评估方法以及电动车辆 | |
CN111983649B (zh) | 一种基于自动化分析的车辆gps设备离线表现预测方法 | |
CN114596713B (zh) | 一种车辆的实时远程监测控制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |