本發(fā)明涉及車輛智能檢測的，具體涉及一種基于大數(shù)據(jù)分析的汽車故障檢測方法及系統(tǒng)。

背景技術(shù)：

1、隨著汽車智能化與網(wǎng)聯(lián)化水平的不斷提升，車輛在運行過程中產(chǎn)生的大量數(shù)據(jù)為故障診斷提供了新的技術(shù)路徑。目前，汽車故障檢測主要依賴傳統(tǒng)的車載診斷系統(tǒng)（obd）、人工經(jīng)驗判斷或固定規(guī)則庫分析等方式來實現(xiàn)。這些方法雖在一定程度上能夠發(fā)現(xiàn)典型故障類型，但普遍存在檢測維度受限、響應(yīng)滯后、診斷精度不足、對多源異構(gòu)數(shù)據(jù)融合能力弱等問題，難以滿足現(xiàn)代汽車復(fù)雜電控系統(tǒng)與智能駕駛環(huán)境下的故障識別需求。

2、在現(xiàn)有技術(shù)中，常見的汽車故障檢測方法主要包括基于閾值判斷的方法、基于專家系統(tǒng)的知識推理方法以及部分機器學(xué)習(xí)模型。然而，閾值判斷方法缺乏對隱性故障與突發(fā)異常的敏感性；專家系統(tǒng)過度依賴規(guī)則庫，更新難度大，適應(yīng)新型車型與系統(tǒng)變化能力差；傳統(tǒng)機器學(xué)習(xí)方法則依賴于大量標(biāo)簽樣本和穩(wěn)定數(shù)據(jù)來源，難以適應(yīng)現(xiàn)實中復(fù)雜、動態(tài)、多噪聲的數(shù)據(jù)環(huán)境。此外，現(xiàn)有系統(tǒng)普遍缺乏對歷史維修記錄、駕駛行為模式、環(huán)境工況等多維數(shù)據(jù)的整合分析能力，無法實現(xiàn)個性化診斷與趨勢性故障預(yù)警。

3、因此，亟需一種融合多源數(shù)據(jù)、具備高維特征提取與關(guān)聯(lián)建模能力的汽車故障檢測方法與系統(tǒng)，能夠充分挖掘車輛運行全周期中的數(shù)據(jù)價值，提升故障診斷的準(zhǔn)確性、實時性與自適應(yīng)能力，實現(xiàn)從“事后維修”向“主動預(yù)警”的轉(zhuǎn)變?；诖髷?shù)據(jù)分析的故障檢測方案，正是應(yīng)對上述挑戰(zhàn)的關(guān)鍵路徑之一。

技術(shù)實現(xiàn)思路

1、針對上述問題，本發(fā)明的目的在于提出：一種基于大數(shù)據(jù)分析的汽車故障檢測方法，包括：

2、s1：采集并分段處理汽車實時運行數(shù)據(jù)：

3、獲取汽車運行過程中的實時運行數(shù)據(jù)，并依據(jù)預(yù)設(shè)時段對所述實時運行數(shù)據(jù)進行分段處理，得到多個數(shù)據(jù)段，且將多個數(shù)據(jù)段標(biāo)定為待評估數(shù)據(jù)；

4、s2：構(gòu)建模型并生成樣本時段：

5、構(gòu)建自適應(yīng)調(diào)整模型，并將所述待評估數(shù)據(jù)輸入至所述自適應(yīng)調(diào)整模型中，輸出多個樣本時段；

6、s3：構(gòu)建樣本數(shù)據(jù)集并建立狀態(tài)參數(shù)數(shù)據(jù)庫：

7、從所述自適應(yīng)調(diào)整模型中獲取多個樣本時段，并依據(jù)樣本時段的輸出節(jié)點對待采集的特征參數(shù)進行分段處理，依據(jù)各個樣本時段內(nèi)的運行數(shù)據(jù)生成多個數(shù)據(jù)樣本，且將樣本時段內(nèi)的運行數(shù)據(jù)匯總為樣本數(shù)據(jù)集，再根據(jù)所述樣本數(shù)據(jù)集確定汽車狀態(tài)參數(shù)數(shù)據(jù)庫；

8、s4：識別異常并輸出故障報警信號：

9、獲取額定運行狀態(tài)下的運行數(shù)據(jù)，并與所述汽車狀態(tài)參數(shù)數(shù)據(jù)庫進行比對，得到汽車異常波動節(jié)點，且將所述異常波動節(jié)點標(biāo)定為汽車故障節(jié)點，并輸出故障報警信號。

10、作為一種優(yōu)選技術(shù)方案，所述獲取汽車運行過程中的實時運行數(shù)據(jù)，并依據(jù)預(yù)設(shè)時段對實時運行數(shù)據(jù)進行分段處理，得到多個數(shù)據(jù)段的步驟，包括：

11、獲取汽車運行過程中的實時運行數(shù)據(jù)，并按照時間次序?qū)崟r運行數(shù)據(jù)進行排列，再依據(jù)預(yù)設(shè)時段分別構(gòu)建采樣區(qū)間；

12、將實時運行數(shù)據(jù)依據(jù)時間次序逐一分配至各個采樣區(qū)間，并將分配至各采樣區(qū)間內(nèi)的實時運行數(shù)據(jù)標(biāo)定為數(shù)據(jù)段，其中，采樣區(qū)間包括多個，且在每個采樣區(qū)間內(nèi)分別設(shè)置多個采樣節(jié)點；

13、從各個采樣區(qū)間中確定末位采樣節(jié)點，并將末位采樣節(jié)點下的運行數(shù)據(jù)標(biāo)定為待評估數(shù)據(jù)。

14、作為一種優(yōu)選技術(shù)方案，所述從各個采樣區(qū)間中確定末位采樣節(jié)點，并將末位采樣節(jié)點下的運行數(shù)據(jù)標(biāo)定為待評估數(shù)據(jù)的步驟，包括：

15、獲取各采樣區(qū)間的結(jié)束時間節(jié)點，并標(biāo)定為等待偏移時間節(jié)點，再依據(jù)各采樣區(qū)間內(nèi)的采樣間隔量和采樣周期量確定偏移系數(shù)；

16、依據(jù)各區(qū)間內(nèi)的循環(huán)平穩(wěn)數(shù)據(jù)的時間長度確定第一時間量，并依據(jù)待評估數(shù)據(jù)的持續(xù)時間確定第二時間量；

17、將第一時間量與第二時間量輸入至自適應(yīng)調(diào)整模型中，并根據(jù)自適應(yīng)調(diào)整模型的輸出結(jié)果確定匹配區(qū)間，再將該匹配區(qū)間內(nèi)的末位采樣節(jié)點下的運行數(shù)據(jù)作為待評估數(shù)據(jù)；

18、其中，自適應(yīng)調(diào)整模型的輸出結(jié)果為待評估參數(shù)，且所述待評估參數(shù)的取值大于或等于零。

19、作為一種優(yōu)選技術(shù)方案，所述根據(jù)自適應(yīng)調(diào)整模型的輸出結(jié)果確定匹配區(qū)間的步驟，包括：

20、獲取自適應(yīng)調(diào)整模型中的待評估參數(shù)以及偏移系數(shù)；

21、依據(jù)采樣間隔量和偏移系數(shù)確定偏移時長；

22、獲取小于或等于待評估參數(shù)的凈偏移參數(shù)；

23、匹配包含偏移時長以內(nèi)的偏移參數(shù)對應(yīng)的偏移區(qū)間作為匹配采樣區(qū)間，若待評估參數(shù)為零，則將對應(yīng)運行數(shù)據(jù)直接標(biāo)定為全部待評估樣本。

24、作為一種優(yōu)選技術(shù)方案，所述從自適應(yīng)調(diào)整模型中獲取多個樣本時段，并依據(jù)樣本時段的輸出節(jié)點對待采集特征參數(shù)進行分段處理的步驟，包括：

25、獲取待評估樣本的偏移比率，其中區(qū)分首位偏移參數(shù)，對應(yīng)的位置標(biāo)定為首偏移位次；

26、根據(jù)首偏移參數(shù)對應(yīng)采樣區(qū)間的偏移系數(shù)確定首位評估樣本；

27、采集低于首位偏移參數(shù)的所有偏移參數(shù)對應(yīng)的評估數(shù)據(jù)，作為待評估樣本；

28、根據(jù)待評估樣本和第一時間量輸出評估參數(shù)；

29、在大于待評估參數(shù)的凈偏移參數(shù)條件下，獲取所有偏移參數(shù)，并作為全部待評估樣本。

30、作為一種優(yōu)選技術(shù)方案，所述依據(jù)各個樣本時段內(nèi)的運行數(shù)據(jù)生成多個數(shù)據(jù)樣本，并將樣本時段內(nèi)的運行數(shù)據(jù)匯總為樣本數(shù)據(jù)集的步驟，包括：

31、獲取樣本時段的偏移參數(shù)，并將其作為樣本時段的持量參數(shù)；

32、獲取各個樣本時段的占比系數(shù)；

33、采集各個持量參數(shù)的標(biāo)準(zhǔn)差，并結(jié)合偏移量、占比系數(shù)、持量參數(shù)標(biāo)準(zhǔn)差及評估樣本標(biāo)準(zhǔn)差的關(guān)系，計算各個評估樣本的優(yōu)化權(quán)重參數(shù)；

34、基于優(yōu)化權(quán)重參數(shù)對各評估樣本的運行數(shù)據(jù)進行優(yōu)化處理，再將所有優(yōu)化后的運行數(shù)據(jù)匯總為樣本數(shù)據(jù)集，其中，優(yōu)化后的運行數(shù)據(jù)為多個；

35、對樣本數(shù)據(jù)集中的運行數(shù)據(jù)逐一檢測，并依據(jù)樣本數(shù)據(jù)集中的運行數(shù)據(jù)輸出各樣本數(shù)據(jù)的質(zhì)量占比系數(shù)；

36、根據(jù)各個樣本數(shù)據(jù)的質(zhì)量占比系數(shù)生成數(shù)據(jù)樣本，其中，數(shù)據(jù)樣本包括一級樣本和二級樣本，并將一級樣本構(gòu)建為一級樣本聚類數(shù)據(jù)庫，根據(jù)比對需求從二級樣本中構(gòu)建二級樣本聚類數(shù)據(jù)庫。

37、作為一種優(yōu)選技術(shù)方案，所述獲取額定運行狀態(tài)下的運行數(shù)據(jù)，并與汽車狀態(tài)參數(shù)數(shù)據(jù)庫進行比對，得到汽車異常波動節(jié)點，并輸出故障報警信號的步驟，包括：

38、從汽車狀態(tài)參數(shù)數(shù)據(jù)庫中調(diào)取各個一級樣本聚類數(shù)據(jù)庫及二級樣本聚類數(shù)據(jù)庫，再從這些數(shù)據(jù)庫中獲取對應(yīng)的運行數(shù)據(jù)；

39、對運行數(shù)據(jù)進行排序處理，并將排序后的兩組數(shù)據(jù)構(gòu)建為兩個一級校驗樣本；

40、依據(jù)所述兩個一級校驗樣本對額定運行狀態(tài)下的運行數(shù)據(jù)進行比對，若與任一一級校驗樣本的相似度處于預(yù)設(shè)偏差范圍內(nèi)，則輸出一級報警信號，并將該運行數(shù)據(jù)對應(yīng)的一級樣本聚類數(shù)據(jù)庫標(biāo)定為故障節(jié)點；

41、若相似度不在預(yù)設(shè)偏差范圍內(nèi)，則取消一級報警信號，并將該運行數(shù)據(jù)標(biāo)定為二級校驗樣本；

42、將該二級校驗樣本與一級、二級樣本聚類數(shù)據(jù)庫中的運行數(shù)據(jù)進一步比對，若相似度處于偏差范圍內(nèi)，則輸出二級報警信號，并標(biāo)定為暫時性異常節(jié)點；

43、若二級校驗樣本與上述數(shù)據(jù)庫中所有運行數(shù)據(jù)的相似度均不在偏差范圍內(nèi)，則向第三方報警裝置發(fā)出報警信號。

44、本發(fā)明還提供了一種基于大數(shù)據(jù)分析的汽車故障檢測系統(tǒng)，用于執(zhí)行所述的基于大數(shù)據(jù)分析的汽車故障檢測方法，包括：

45、樣本獲取模塊，用于獲取汽車運行過程中的實時運行數(shù)據(jù)，并依據(jù)預(yù)設(shè)時段對實時運行數(shù)據(jù)進行分段處理，得到多個數(shù)據(jù)段，并將其標(biāo)定為待評估數(shù)據(jù)；

46、時段評估模塊，用于構(gòu)建自適應(yīng)調(diào)整模型，并將所述待評估數(shù)據(jù)輸入至該模型中，生成多個樣本時段；

47、特征提取模塊，用于從所述模型中獲取多個樣本時段，并依據(jù)樣本時段的輸出節(jié)點對待采集特征參數(shù)進行分段處理，進一步生成多個數(shù)據(jù)樣本，并將其匯總為樣本數(shù)據(jù)集，根據(jù)該樣本數(shù)據(jù)集構(gòu)建汽車狀態(tài)參數(shù)數(shù)據(jù)庫；

48、故障檢測模塊，用于獲取額定運行狀態(tài)下的運行數(shù)據(jù)，并與所述汽車狀態(tài)參數(shù)數(shù)據(jù)庫進行比對，識別異常波動節(jié)點，并輸出故障報警信號。

49、作為一種優(yōu)選技術(shù)方案，所述時段評估模塊包括：

50、偏移計算單元，用于獲取各個采樣區(qū)間的結(jié)束時間節(jié)點，并標(biāo)定為等待偏移時間節(jié)點，再依據(jù)各采樣區(qū)間內(nèi)的采樣間隔量和采樣周期量確定偏移系數(shù)；

51、評估輸入單元，用于依據(jù)循環(huán)平穩(wěn)狀態(tài)下的時間長度確定第一時間量，并依據(jù)待評估數(shù)據(jù)的持續(xù)時間確定第二時間量；

52、優(yōu)化評估單元，用于將第一時間量和第二時間量輸入至所述自適應(yīng)調(diào)整模型，并根據(jù)模型的輸出結(jié)果確定匹配區(qū)間，再將匹配區(qū)間內(nèi)的末位采樣節(jié)點下的運行數(shù)據(jù)作為待評估數(shù)據(jù)。

53、本發(fā)明還提供了一種基于大數(shù)據(jù)分析的汽車故障檢測終端，包括：

54、至少一個處理器；

55、以及與所述處理器通信連接的存儲器；

56、其中，所述存儲器中存儲有可執(zhí)行指令，所述可執(zhí)行指令被所述處理器執(zhí)行時，使所述處理器能夠執(zhí)行所述的基于大數(shù)據(jù)分析的汽車故障檢測方法。

57、有益效果

58、與現(xiàn)有的汽車故障檢測技術(shù)相比，本發(fā)明提供的基于大數(shù)據(jù)分析的汽車故障檢測方法及系統(tǒng)具備以下顯著的有益效果：

59、本發(fā)明通過構(gòu)建自適應(yīng)調(diào)整模型，結(jié)合多時段采樣與特征偏移控制策略，實現(xiàn)了對汽車運行過程中的動態(tài)數(shù)據(jù)進行高頻采集、精準(zhǔn)分段和動態(tài)建模，使得故障診斷不僅依賴單一工況或靜態(tài)規(guī)則，而是基于多時段運行行為的演化趨勢進行綜合判斷，極大提升了故障識別的準(zhǔn)確性與適應(yīng)性。

60、通過引入待評估參數(shù)、偏移系數(shù)、樣本數(shù)據(jù)集構(gòu)建、優(yōu)化權(quán)重等機制，本發(fā)明能夠?qū)Υ笠?guī)模歷史運行數(shù)據(jù)進行自動聚類和分級構(gòu)造，從而有效建立汽車狀態(tài)參數(shù)數(shù)據(jù)庫。該數(shù)據(jù)庫具備可更新、可對比、可聚類的特性，支持在不同車型、不同負載工況下對汽車異常波動節(jié)點進行快速比對和精確定位，顯著提高了診斷系統(tǒng)的泛化能力與現(xiàn)場應(yīng)用可靠性。

61、本發(fā)明的故障檢測方法支持多層級報警機制，區(qū)分一級故障、二級異常和暫時性偏移狀態(tài)，避免因波動性數(shù)據(jù)導(dǎo)致誤報、漏報問題的發(fā)生，增強了系統(tǒng)對復(fù)雜運行狀態(tài)的容錯能力。此外，系統(tǒng)具備向第三方報警裝置聯(lián)動輸出的能力，可實現(xiàn)平臺級聯(lián)動和智能響應(yīng)，適用于車載平臺、遠程診斷系統(tǒng)、云端運維管理等多種部署環(huán)境。

62、整體而言，本發(fā)明構(gòu)建了一套完整的從實時數(shù)據(jù)采集、樣本時段生成、特征分段提取、狀態(tài)參數(shù)庫構(gòu)建、故障比對與分級報警的閉環(huán)檢測流程，突破了傳統(tǒng)方法靜態(tài)模型響應(yīng)遲滯、誤判率高、缺乏趨勢感知等技術(shù)瓶頸，具備良好的工業(yè)應(yīng)用前景與工程推廣價值。