[發(fā)明專利]一種汽車故障預測方法、裝置、電子設備及存儲介質

在審

• 申請?zhí)枺?/td>: 201911353213.1
• 申請日: 2019-12-25
• 公開（公告）號: CN113033860A
• 公開（公告）日: 2021-06-25
• 發(fā)明（設計）人: 占豐
• 申請（專利權）人: 寧波吉利汽車研究開發(fā)有限公司;浙江吉利控股集團有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G07C5/08
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 郝傳鑫;賈允

1.一種汽車故障預測方法，其特征在于，包括：

接收待測車輛的行車信息；

根據所述行車信息確定行車目標特征集；

根據所述行車目標特征集利用故障風險識別模型策略，確定所述行車信息對應的故障發(fā)生時間，其中所述故障風險識別模型策略包括：故障風險識別策略和故障風險識別模型組件，所述故障風險識別模型組件根據多個歷史車輛行車信息的行車目標特征集與所述歷史車輛行車信息對應的故障發(fā)送時間之間的對應關系訓練得到；

將所述行車信息對應的故障發(fā)生時間發(fā)送至所述待測車輛，以使得所述待測車輛根據所述故障發(fā)生時間生成對應的提示。

2.根據權利要求1所述的方法，其特征在于，所述故障風險識別模型組件被設置為按照下述方式建立：

獲取多個所述歷史車輛行車信息，所述歷史車輛行車信息包括：行車目標特征集和與所述歷史車輛行車信息對應的故障發(fā)生時間；

建立所述故障風險識別模型組件，其中，故障風險識別模型組件包括多個模型參數；

將所述歷史車輛行車信息中的行車目標特征集作為所述故障風險識別模型組件的輸入數據，將與所述歷史車輛行車信息對應的故障發(fā)生時間作為所述故障風險識別模型組件的輸出數據，調整所述故障風險識別模型組件的所述模型參數，直至所述故障風險識別模型組件達到預設要求。

3.根據權利要求1所述的方法，其特征在于，所述行車信息包括：故障編碼和行車參數；

所述根據所述行車信息確定行車目標特征集，包括：

根據所述故障編碼對所述行車參數進行清洗，以得到行車初始特征子集；

過濾掉所述行車初始特征子集中無效的特征，以得到有效行車特征子集；

對所述有效行車特征子集進行歸一化處理，以得到所述行車目標特征集。

4.根據權利要求3所述的方法，其特征在于，所述行車參數包括以下至少一種：外部溫度最高值、外部溫度最低值、外部濕度最大值、外部濕度最小值、里程、車齡、累計行駛時長、累計怠速時長、發(fā)動機未啟動最長天數，空調使用時長、發(fā)動機轉速平均值、發(fā)動機紅線轉速時長、水溫最高值、水溫最低值、機油溫度最高值、機油壓力最高值、機油壓力最低值、蓄電池電壓最高值、蓄電池電壓最低值、電動機轉速平均值、電動機電壓最低值、電動機電流最低值、動力電池電壓最高值、動力電池電壓最低值、動力電池電流最大值、動力電池電流最小值、動力電池溫度最高值、動力電池溫度最低值、平均速度、啟動次數、急加速次數、急減速次數、車身橫向加速度平均值、加速踏板行程平均值、加速踏板加速度平均值、制動踏板行程平均值、制動踏板加速度平均值、方向盤角速度平均值和車輛型號。

5.一種汽車故障預測方法，其特征在于，包括：

獲取預測請求；

基于所述預測請求發(fā)送行車信息至服務器，以使得所述服務器利用故障風險識別模型策略確定所述行車信息對應的故障發(fā)生時間，其中所述故障風險識別模型策略包括：故障風險識別策略和故障風險識別模型組件，所述故障風險識別模型組件根據多個歷史車輛行車信息的行車目標特征集與所述歷史車輛行車信息對應的故障發(fā)送時間之間的對應關系訓練得到；

接收所述行車信息對應的故障發(fā)生時間；

根據所述故障發(fā)生時間生成對應的提示。

6.一種汽車故障預測裝置，其特征在于，包括：

行車信息接收模塊，用于接收待測車輛的行車信息；

行車目標特征集確定模塊，用于根據所述行車信息確定行車目標特征集；

故障發(fā)生時間確定模塊，用于根據所述行車目標特征集利用故障風險識別模型策略，確定所述行車信息對應的故障發(fā)生時間，其中所述故障風險識別模型策略包括：故障風險識別策略和故障風險識別模型組件，所述故障風險識別模型組件根據多個歷史車輛行車信息的行車目標特征集與所述歷史車輛行車信息對應的故障發(fā)送時間之間的對應關系訓練得到；

故障發(fā)生時間發(fā)送模塊，用于將所述行車信息對應的故障發(fā)生時間發(fā)送至所述待測車輛，以使得所述待測車輛根據所述故障發(fā)生時間生成對應的提示。