[發(fā)明專利]車輛故障預(yù)測建模方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201811208768.2
• 申請日: 2018-10-17
• 公開（公告）號: CN109460003A
• 公開（公告）日: 2019-03-12
• 發(fā)明（設(shè)計）人: 徐徐;孫磊;楊世飛;鄒小勇
• 申請（專利權(quán)）人: 南京凱奧思數(shù)據(jù)技術(shù)有限公司
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 北京竹辰知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11706
• 代理人: 陳龍

1.一種車輛故障預(yù)測建模方法，其特征在于，包括：

將車載OBD數(shù)據(jù)、保養(yǎng)維修數(shù)據(jù)以及天氣狀況數(shù)據(jù)上傳云端，對可能出現(xiàn)的車輛故障進(jìn)行建模分析，得到預(yù)測模型；

通過預(yù)測模型將當(dāng)前車輛健康預(yù)測信息傳至企業(yè)客戶保養(yǎng)服務(wù)器，用于判斷是否對車輛進(jìn)行提前維護(hù)，以避免出現(xiàn)重大故障；

將預(yù)測模型推送至個人客戶手機(jī)App，結(jié)合即使產(chǎn)生的OBD數(shù)據(jù)對車輛健康狀況提供即時預(yù)測，所述預(yù)測模型可在云端根據(jù)不斷更新的新數(shù)據(jù)以及客戶反饋進(jìn)行調(diào)整改進(jìn)；

通過所述預(yù)測模型對車輛故障進(jìn)行預(yù)測，所述預(yù)測模型的輸出包括：給定時間內(nèi)出現(xiàn)某故障的可能性，故障發(fā)生的可能原因。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：

數(shù)據(jù)中各個特征變量通過標(biāo)準(zhǔn)化的方式確保各個特征變量在同樣的標(biāo)準(zhǔn)下參與建模，特征的標(biāo)準(zhǔn)化過程如下：

其中X為任意特征變量的原始數(shù)據(jù)向量，為該原始數(shù)據(jù)的平均值，σ為該原始數(shù)據(jù)的標(biāo)準(zhǔn)差，X′為標(biāo)準(zhǔn)化后的特征變量。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于：

當(dāng)特征變量數(shù)很大時，通過主成分分析來對特征空間進(jìn)行降維。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述具體降維過程包括：

基于標(biāo)準(zhǔn)化之后的特征數(shù)據(jù)計算方差矩陣R,之后對該局長進(jìn)行奇異值分解

R＝U∑V^t

其中U和V是正交矩陣，Σ是對角矩陣。奇異值分解的結(jié)果可直接得到特征空間的降維結(jié)果：

F＝X′V_k

其中V_k為矩陣V的前k列，F(xiàn)為變換后的特征空間，包含k個特征，該數(shù)字遠(yuǎn)遠(yuǎn)小于原始數(shù)據(jù)的特征數(shù)量。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述方法還包括：

降維之后的結(jié)果，用于下一步的機(jī)器學(xué)習(xí)方法來選擇最精準(zhǔn)的預(yù)測模型；

利用包括決策樹，隨機(jī)森林，分類分析，支持向量機(jī)，神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法，建立Y與F之間的預(yù)測模型

其中Y為系統(tǒng)的觀測值，用于記錄系統(tǒng)出現(xiàn)錯誤與否。

6.一種車輛故障預(yù)測建模系統(tǒng)，其特征在于，包括：

上傳模塊，將車載OBD數(shù)據(jù)、保養(yǎng)維修數(shù)據(jù)以及天氣狀況數(shù)據(jù)上傳云端，對可能出現(xiàn)的車輛故障進(jìn)行建模分析，得到預(yù)測模型；

判斷模塊，通過預(yù)測模型將當(dāng)前車輛健康預(yù)測信息傳至企業(yè)客戶保養(yǎng)服務(wù)器，用于判斷是否對車輛進(jìn)行提前維護(hù)，以避免出現(xiàn)重大故障；

預(yù)測模塊，將預(yù)測模型推送至個人客戶手機(jī)App，結(jié)合即使產(chǎn)生的OBD數(shù)據(jù)對車輛健康狀況提供即時預(yù)測，所述預(yù)測模型可在云端根據(jù)不斷更新的新數(shù)據(jù)以及客戶反饋進(jìn)行調(diào)整改進(jìn)；

輸出模塊，通過所述預(yù)測模型對車輛故障進(jìn)行預(yù)測，所述預(yù)測模型的輸出包括：給定時間內(nèi)出現(xiàn)某故障的可能性，故障發(fā)生的可能原因。

7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于：

數(shù)據(jù)中各個特征變量通過標(biāo)準(zhǔn)化的方式確保各個特征變量在同樣的標(biāo)準(zhǔn)下參與建模，特征的標(biāo)準(zhǔn)化過程如下：

其中X為任意特征變量的原始數(shù)據(jù)向量，為該原始數(shù)據(jù)的平均值，σ為該原始數(shù)據(jù)的標(biāo)準(zhǔn)差，X′為標(biāo)準(zhǔn)化后的特征變量。

8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于：

當(dāng)特征變量數(shù)很大時，通過主成分分析來對特征空間進(jìn)行降維。

9.根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，所述具體降維過程包括：

基于標(biāo)準(zhǔn)化之后的特征數(shù)據(jù)計算方差矩陣R,之后對該局長進(jìn)行奇異值分解

R＝U∑V^t

其中U和V是正交矩陣，Σ是對角矩陣。奇異值分解的結(jié)果可直接得到特征空間的降維結(jié)果：

F＝X′V_k

其中V_k為矩陣V的前k列，F(xiàn)為變換后的特征空間，包含k個特征，該數(shù)字遠(yuǎn)遠(yuǎn)小于原始數(shù)據(jù)的特征數(shù)量。

10.根據(jù)權(quán)利要求9所述的系統(tǒng)，其特征在于，所述系統(tǒng)還用于：

降維之后的結(jié)果，用于下一步的機(jī)器學(xué)習(xí)方法來選擇最精準(zhǔn)的預(yù)測模型；

利用包括決策樹，隨機(jī)森林，分類分析，支持向量機(jī)，神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法，建立Y與F之間的預(yù)測模型

其中Y為系統(tǒng)的觀測值，用于記錄系統(tǒng)出現(xiàn)錯誤與否。