CN110398375B - 车辆冷却***工作状态的监测方法、装置、设备和介质 - Google Patents
车辆冷却***工作状态的监测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN110398375B CN110398375B CN201910639266.3A CN201910639266A CN110398375B CN 110398375 B CN110398375 B CN 110398375B CN 201910639266 A CN201910639266 A CN 201910639266A CN 110398375 B CN110398375 B CN 110398375B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- coolant temperature
- time interval
- temperature data
- preset time
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K11/00—Arrangement in connection with cooling of propulsion units
- B60K11/02—Arrangement in connection with cooling of propulsion units with liquid cooling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种车辆冷却***工作状态的监测方法、装置、设备和介质,该方法包括:获取车辆在预设时间间隔内的冷却液温度数据;获取冷却液温度数据在预设时间间隔内的特征值;将特征值输入机器学习模型中,确定车辆的冷却***的运行状态;机器学习模型是基于不同类型车辆在预设时间间隔内的冷却液温度数据的特征值训练得到的。在该方法中,利用机器学习模型提高了对车辆冷却***运行状态判断的可靠性,进而提高了确定车辆冷却***运行状态的准确度;另外,根据车辆的冷却液温度数据在预设时间间隔内的特征值和机器学习模型就可以确定出车辆的冷却***的运行状态,提高了确定车辆的冷却***的运行状态的效率。
Description
技术领域
本发明涉及车辆领域,特别是涉及一种车辆冷却***工作状态的监测方法、装置、设备和介质。
背景技术
车辆在行驶过程中,车辆冷却***会将车辆的发热部件产生的热量散发到空气中,使车辆的发热部件维持较好的工作状态。因此,车辆冷却***的运行状态对车辆的运行状态有着重要的影响作用。
传统技术中,对车辆冷却***运行状态的确定方法主要是通过将车辆的冷却液温度数据与预设的车辆冷却液温度数据的正常范围值进行比较,若车辆的冷却液温度数据超过车辆冷却液温度数据的正常范围值,则确定车辆的冷却***的运行状态为异常状态,反之,则确定车辆的冷却***的运行状态为正常状态。
但是,传统技术中对车辆冷却***运行状态的确定方法只是将该车辆的冷却液温度数据与预设的车辆冷却液温度数据的正常范围值进行分析,没有对车辆的冷却液温度数据的多个特征间的关系进行考虑,对车辆的冷却***的运行状态判断方法存在准确度较低的问题。
发明内容
基于此,有必要针对传统技术中对车辆的冷却***的运行状态判断方法存在准确度较低的问题,提供一种车辆冷却***工作状态的监测方法、装置、设备和介质。
第一方面,本发明实施例提供一种车辆冷却***工作状态的监测方法,所述方法包括:
获取车辆在预设时间间隔内的冷却液温度数据;
获取所述冷却液温度数据在所述预设时间间隔内的特征值;
将所述特征值输入机器学习模型中,确定所述车辆的冷却***的运行状态;所述机器学习模型是基于不同类型车辆在所述预设时间间隔内的冷却液温度数据的特征值训练得到的。
在其中一个实施例中,所述获取所述冷却液温度数据在所述预设时间间隔内的特征值,包括:
根据所述车辆的车辆类型,从预设的车辆类型与标准冷却液温度阈值的对应关系中,获取所述车辆对应的标准冷却液温度阈值;所述标准冷却液温度阈值包括温度上限值和温度下限值;
根据所述冷却液温度数据和所述车辆对应的标准冷却液温度阈值,获取所述冷却液温度数据在所述预设时间间隔内的所述特征值。
在其中一个实施例中,所述特征值包括所述冷却液温度数据在预设时间间隔内的极差、中位数、标准差、大于所述车辆对应的标准冷却液温度阈值的温度上限值的比例值、以及小于所述车辆对应的标准冷却液温度阈值的温度下限值的比例值。
在其中一个实施例中,所述方法还包括:
统计不同车辆类型的温度曲线分布图;
确定所述不同车辆类型的温度曲线分布图中预设的分割点上限比例对应的温度上限值,以及预设的分割点下限比例对应的温度下限值;
根据所述不同车辆类型对应的温度上限值和温度下限值,确定所述预设的车辆类型与标准冷却液温度阈值的对应关系。
在其中一个实施例中,所述机器学习模型为无监督的异常点挖掘模型。
在其中一个实施例中,所述异常点挖掘模型为孤立森林模型,所述方法还包括:
获取不同车辆类型的冷却液温度数据;
获取所述不同车辆类型的冷却液温度数据在所述预设时间间隔内的所述特征值;
根据所述不同车辆类型在预设时间间隔内的冷却液温度数据的特征值和预设的异常点比例,对初始的孤立森林模型进行训练,得到所述异常点挖掘模型。
在其中一个实施例中,所述预设的异常点比例为0.5%。
第二方面,本发明实施例提供一种车辆冷却***工作状态的监测装置,所述装置包括:
第一获取模块,用于获取车辆在预设时间间隔内的冷却液温度数据;
第二获取模块,用于获取所述冷却液温度数据在所述预设时间间隔内的特征值;
第一确定模块,用于将所述特征值输入机器学习模型中,确定所述车辆的冷却***的运行状态;所述机器学习模型是基于不同类型车辆在所述预设时间间隔内的冷却液温度数据的特征值训练得到的。
第三方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取车辆在预设时间间隔内的冷却液温度数据;
获取所述冷却液温度数据在所述预设时间间隔内的特征值;
将所述特征值输入机器学习模型中,确定所述车辆的冷却***的运行状态;所述机器学习模型是基于不同类型车辆在所述预设时间间隔内的冷却液温度数据的特征值训练得到的。
第四方面,本发明实施例提供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以下步骤:
获取车辆在预设时间间隔内的冷却液温度数据;
获取所述冷却液温度数据在所述预设时间间隔内的特征值;
将所述特征值输入机器学习模型中,确定所述车辆的冷却***的运行状态;所述机器学习模型是基于不同类型车辆在所述预设时间间隔内的冷却液温度数据的特征值训练得到的。
上述实施例提供的车辆冷却***工作状态的监测方法、装置、设备和介质中,计算机设备获取车辆在预设时间间隔内的冷却液温度数据,获取冷却液温度数据在预设时间间隔内的特征值,将特征值输入机器学习模型中,确定车辆的冷却***的运行状态,机器学习模型是基于不同类型车辆在预设时间间隔内的冷却液温度数据的特征值训练得到的,在该方法中,计算机设备通过获取车辆在预设时间间隔内的冷却液温度数据,并获取该冷却液温度数据在预设时间间隔内的特征值,将特征值输入机器学习模型中,确定车辆的冷却***的运行状态的,由于该机器学习模型是基于不同类型车辆在预设时间间隔内的冷却液温度数据的特征值训练得到的,当获取到车辆的冷却液温度数据在该预设时间间隔内的特征值时,就可以利用该机器学习模型确定该车辆的冷却***的运行状态,利用机器学习模型提高了对车辆冷却***运行状态判断的可靠性,进而提高了确定车辆冷却***运行状态的准确度;另外,根据车辆的冷却液温度数据在预设时间间隔内的特征值和机器学习模型就可以确定出车辆的冷却***的运行状态,提高了确定车辆的冷却***的运行状态的效率。
附图说明
图1为一个实施例提供的车辆冷却***工作状态的监测方法的应用环境图;
图2为一个实施例提供的车辆冷却***工作状态的监测方法的流程示意图;
图3为另一个实施例提供的车辆冷却***工作状态的监测方法的流程示意图;
图4为另一个实施例提供的车辆冷却***工作状态的监测方法的流程示意图;
图5为一个实施例提供的某车辆类型的单天冷却液温度曲线分布图;
图6为另一个实施例提供的车辆冷却***工作状态的监测方法的流程示意图;
图7为一个实施例提供的不同异常点比例对应的冷却液温度分布图;
图8为一个实施例提供的车辆冷却***工作状态的监测装置结构示意图;
图9为一个实施例提供的车辆冷却***工作状态的监测装置结构示意图;
图10为一个实施例提供的计算机设备的内部结构示意图。
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。
本申请实施例提供的冷却***工作状态的监测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。其中,终端102可以但不限于是各种车载智能设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的车辆冷却***工作状态的监测方法的流程示意图。本实施例涉及的是计算机设备获取车辆在预设时间间隔内的冷却液温度数据,获取冷却液温度数据在预设时间间隔内的特征值,将特征值输入机器学习模型中,确定车辆的冷却***的运行状态的具体实现过程。如图2所示,该方法可以包括:
S201,获取车辆在预设时间间隔内的冷却液温度数据。
具体的,计算机设备获取车辆在预设时间间隔内的冷却液温度数据。其中,计算机设备与车载智能设备通过网络进行通信,车载智能设备能够实时地将车辆冷却液温度数据上传给计算机设备,计算机设备可以根据车载智能设备上传的某天车辆冷却液温度数据的平均值,得到车辆在该天的冷却液温度数据,从而获取车辆在预设时间间隔内的冷却液温度数据。可选的,预设时间间隔可以为七天,也可以为八天或可以根据实际需求而具体设定。可选的,车载智能设备可以通过总线读取汽车的冷却液温度数据。可选的,车载智能设备可以按照预设的协议规定向计算机设备上传车辆冷却液温度数据,例如,车载智能设备可以按照车载诊断***(0N-Board Diagnostic,OBD)即时参数协议规定向计算机设备上传车辆冷却液温度数据。
S202,获取冷却液温度数据在预设时间间隔内的特征值。
具体的,计算机设备获取到车辆在预设时间间隔内的冷却液温度数据后,获取冷却液温度数据在上述预设时间间隔内的特征值。可选的,冷却液温度数据在预设时间间隔内的特征值可以包括冷却液温度数据在预设时间间隔内的极差、中位数以及标准差中的至少两种。示例性地,例如,计算机设备得到了某车辆在七天内的冷却液温度数据,计算机设备可以获取该车辆的冷却液温度数据在七天内的极差、中位数和标准差,将得到的该车辆的冷却液温度数据在七天内的极差、中位数和标准差作为该车辆的冷却液温度数据在七天内的特征值。
S203,将特征值输入机器学习模型中,确定车辆的冷却***的运行状态;机器学习模型是基于不同类型车辆在预设时间间隔内的冷却液温度数据的特征值训练得到的。
具体的,计算机设备将上述特征值输入机器学习模型中,确定车辆的冷却***的运行状态。其中,机器学习模型是基于不同类型车辆在上述预设时间间隔内的冷却液温度数据的特征值训练得到的。示例性地,计算机设备可以将车辆的冷却液温度数据在七天内的极差、中位数和标准差作为特征值,输入机器学习模型中,确定车辆的冷却***的运行状态。可选的,当计算机设备确定车辆的冷却***的运行状态为异常时,可以向车主发送异常提示信息,提示车主车辆的冷却***存在异常。可选的,该机器学习模型可以为神经网络模型,可以不同类型车辆在预设时间间隔内的冷却液温度数据的特征值为输入,以该不同车辆类型的车辆的冷却***的运行状态为输出,对初始的神经网络模型进行训练,得到神经网络模型来判断车辆的冷却***的运行状态。
在本实施例中,计算机设备通过获取车辆在预设时间间隔内的冷却液温度数据,并获取该冷却液温度数据在预设时间间隔内的特征值,将特征值输入机器学习模型中,确定车辆的冷却***的运行状态的,由于该机器学习模型是基于不同类型车辆在预设时间间隔内的冷却液温度数据的特征值训练得到的,当获取到车辆的冷却液温度数据在该预设时间间隔内的特征值时,就可以利用该机器学习模型确定该车辆的冷却***的运行状态,利用机器学习模型提高了对车辆冷却***运行状态判断的可靠性,进而提高了确定车辆冷却***运行状态的准确度;另外,根据车辆的冷却液温度数据在预设时间间隔内的特征值和机器学习模型就可以确定出车辆的冷却***的运行状态,提高了确定车辆的冷却***的运行状态的效率。
在另一个实施例中,上述计算机设备可以为各种车载智能设备,车载智能设备中预先存储有上述机器学习模型,车载智能设备获取车辆在预设时间间隔内的冷却液温度数据,并获取该冷却液温度数据在预设时间间隔内的特征值,车载智能设备加载该机器学习模型,将上述特征值输入机器学习模型中,确定车辆的冷却***的运行状态。
图3为另一个实施例提供的车辆冷却***工作状态的监测方法的流程示意图。本实施例涉及的是计算机设备获取冷却液温度数据在预设时间间隔内的特征值的具体实现过程。如图3所示,在上述实施例的基础上,作为一种可选的实施方式,上述S202,包括:
S301,根据车辆的车辆类型,从预设的车辆类型与标准冷却液温度阈值的对应关系中,获取车辆对应的标准冷却液温度阈值;标准冷却液温度阈值包括温度上限值和温度下限值。
具体的,计算机设备根据上述车辆的车辆类型,从预设的车辆类型与标准冷却液温度阈值的对应关系中,获取该车辆对应的标准冷却液温度阈值。其中,标准冷却液温度阈值包括温度上限值和温度下限值。例如,确定的车辆的冷却***工作状态为xx类型车辆时,可以从预设的车辆类型与标准冷却液温度阈值的对应关系中,获取该车辆对应的温度上限值和温度下限值,得到该车辆对应的标准冷却液温度阈值。
S302,根据冷却液温度数据和车辆对应的标准冷却液温度阈值,获取冷却液温度数据在预设时间间隔内的特征值。
具体的,计算机设备根据上述冷却液温度数据和车辆对应的标准冷却液温度阈值,获取冷却液温度数据在上述预设时间间隔内的特征值。可选的,特征值包括上述冷却液温度数据在预设时间间隔内的极差、中位数、标准差、大于该车辆对应的标准冷却液温度阈值的温度上限值的比例值、以及小于该车辆对应的标准冷却液温度阈值的温度下限值的比例值。可选的,计算机设备可以根据上述冷却液温度数据,获取该冷却液温度数据在上述预设时间间隔内的极差、中位数和标准差,根据冷却液温度数据和该车辆对应的标准冷却液温度阈值获取该车辆的冷却液温度数据大于该车辆对应的标准冷却液温度阈值的温度上限值的比例值,以及该车辆的冷却液温度数据小于该车辆对应的标准冷却液温度阈值的温度下限值的比例值。
在本实施例中,计算机设备根据车辆的车辆类型,从预设的车辆类型与标准冷却液温度阈值的对应关系中,获取车辆对应的标准冷却液温度阈值,根据车辆的冷却液温度数据和车辆对应的标准冷却液温度阈值,获取车辆的冷却液温度数据在预设时间间隔内的特征值,由于车辆的冷却液温度数据在预设时间间隔内的特征值是根据车辆的冷却液温度数据和车辆对应的标准冷却液温度阈值获取的,而车辆对应的标准冷却液温度阈值能够表示该类型车辆的冷却液温度的大概率分布,这样根据车辆的冷却液温度和车辆对应的标准冷却液温度阈值,获取的车辆的冷却液温度数据在预设时间间隔内的特征值比较准确,提高了获得的车辆的冷却液温度数据在预设时间间隔内的特征值的准确度。
在上述根据车辆的车辆类型,从预设的车辆类型与标准冷却液温度阈值的对应关系中,获取车辆对应的标准冷却液温度阈值的场景中,需要首先获取预设的车辆类型与标准冷却液温度阈值的对应关系。图4为另一个实施例提供的车辆冷却***工作状态的监测方法的流程示意图。图5为一个实施例提供的某车辆类型的单天冷却液温度曲线分布图。本实施例涉及的是计算机设备确定预设的车辆类型与标准冷却液温度阈值的对应关系的具体实现过程。如图4所示,在上述实施例的基础上,作为一种可选的实施方式,上述方法还包括:
S401,统计不同车辆类型的温度曲线分布图。
具体的,计算机设备统计不同车辆类型的温度曲线分布图。如图5所示,以车辆类型的单天冷却液温度值为横轴,以不同的冷却液温度值对应的该车辆类型的车辆数为纵轴,统计不同车辆类型的温度曲线分布图。
S402,确定不同车辆类型的温度曲线分布图中预设的分割点上限比例对应的温度上限值,以及预设的分割点下限比例对应的温度下限值。
具体的,计算机设备确定不同车辆类型的温度曲线分布图中预设的分割点上限比例对应的温度上限值,以及预设的分割点下限比例对应的温度下限值。可选的,计算机设备可以将5%作为预设的分割点下限比例,将95%作为预设的分割点上限比例,也就是将不同车辆类型的温度在温度曲线分布图中占5%的分位点作为预设的分割点上限比例,将不同车辆类型的温度在温度曲线分布图中占95%的分位点作为预设的分割点下限比例。
S403,根据不同车辆类型对应的温度上限值和温度下限值,确定预设的车辆类型与标准冷却液温度阈值的对应关系。
具体的,计算机设备根据不同车辆类型对应的温度上限值和温度下限值,确定车辆类型与标准冷却液温度阈值的对应关系。可选的,计算机设备可以将不同车辆类型对应的温度上限值确定为标准冷却液温度阈值的温度上限值,将不同车辆类型对应的温度下限值确定为标准冷却液温度阈值的温度下限值,确定预设的车辆类型与标准冷却液温度阈值的对应关系。
在本实施例中,计算机设备统计不同车辆类型的温度曲线分布图,确定不同车辆类型的温度曲线分布图中预设的分割点上限比例对应的温度上限值,以及预设的分割点下限比例对应的温度下限值,由于不同车辆类型的温度曲线分布图中预设的分割点上限比例以及预设的分割点下限比例是基于大量的数据统计值得到的,进而能够准确地确定预设的分割点上限比例对应的温度上限值,以及预设的分割点下限比例对应的温度下限值,而预设的车辆类型与标准冷却液温度阈值的对应关系是根据不同车辆类型对应的温度上限值和温度下限值确定的,由于确定的不同车辆类型对应的温度上限值和温度下限值的准确度得到了提高,进而提高了确定的预设的车辆类型与标准冷却液温度阈值的对应关系的准确度。
在上述将车辆冷却液温度数据在预设时间间隔内的特征值输入机器学习模型的场景中,在上述实施例的基础上,作为一种可选的实施方式,机器学习模型为无监督的异常点挖掘模型。
具体的,计算机设备可以将车辆冷却液温度数据在预设时间间隔内的特征值输入无监督的异常点挖掘模型中。可选的,无监督的异常点挖掘模型可以包括滑动平均法(Moving average,MA)模型、3-sigma模型、局部异常因子(Local Outlier Factor,LOF)模型、K-Means聚类模型、OneClassSvm异常检测模型、孤立森林模型、主成分分析-马氏距离模型以及自编码器(AutoEncoder,AE)模型。在本实施例中,车辆冷却液温度数据在预设时间间隔内的特征值输入的机器学习模型为无监督的异常点挖掘模型,无需进行预先的标注,根据输入的车辆冷却液温度数据在预设时间间隔内的特征值,就可以确定车辆冷却***的运行状态,提高了确定车辆冷却***的运行状态的效率。
图6为另一个实施例提供的车辆冷却***工作状态的监测方法的流程示意图。图7为一个实施例提供的不同异常点比例对应的冷却液温度分布图。本实施例涉及的是计算机设备得到异常点挖掘模型的具体实现过程。如图6所示,在上述实施例的基础上,作为一种可选的实施方式,异常点挖掘模型为孤立森林模型时,上述方法还包括:
S601,获取不同车辆类型的冷却液温度数据。
具体的,计算机设备获取不同车辆类型的冷却液温度数据。可选的,计算机设备可以通过与不同车辆类型的车载智能设备之间的网络通信,获取不同车辆类型的冷却液温度数据。可选的,车载智能设备可以通过总线读取汽车的冷却液温度数据。可选的,车载智能设备可以按照预设的协议规定向计算机设备上传车辆冷却液温度数据,例如,车载智能设备可以按照车载诊断***(0N-Board Diagnostic,OBD)即时参数协议规定向计算机设备上传车辆冷却液温度数据。
S602,获取不同车辆类型的冷却液温度数据在预设时间间隔内的特征值。
具体的,计算机设备获取不同车辆类型的冷却液温度数据在预设时间间隔内的特征值,其中,不同车辆类型的冷却液温度数据在预设时间间隔内的特征值包括不同车辆类型的冷却液温度数据在预设时间间隔内的极差、中位数、标准差、大于同类型车辆对应的标准冷却液温度阈值的温度上限值的比例值、以及小于同类型车辆对应的标准冷却液温度阈值的温度下限值的比例值。可选的,预设时间间隔可以为七天,也可以为八天或可以根据实际需求而具体设定。
S603,根据不同车辆类型在预设时间间隔内的冷却液温度数据的特征值和预设的异常点比例,对初始的孤立森林模型进行训练,得到异常点挖掘模型。
具体的,计算机设备根据不同车辆类型在预设时间间隔内的冷却液温度数据的特征值和预设的异常点比例,对初始的孤立森林模型进行训练,得到异常点挖掘模型。可选的,计算机设备对初始的孤立森林模型进行训练的过程可以包括:从不同车辆类型在预设时间间隔内的冷却液温度数据的特征值中随机抽取子样本作为孤立树中的根节点,然后随机指定一个维度,在当前节点数据中生成一个切割点p,切割点p是在当前节点的指定维度的最大值和最小值之间随机生成的,当前节点数据空间被切割点p划分为2个子空间:指定维度小于切割点p的数据被放在当前节点的左子树,大于或等于切割点p的数据被放在当前节点的右子树,然后在子节点中,重复上述步骤构造新的子节点,直到子节点中只有一个数据或子节点达到定义的高度,至此孤立树建立过程完成,然后将不同车辆类型在预设时间间隔内的冷却液温度数据的特征值带入每颗孤立树进行测试并记录路径长度,然后根据预设的异常点比例确定不同车辆类型冷却***的运行状态,得到异常点挖掘模型。可选的,预设的异常点比例为0.5%。,需要说明的是预设的异常点比例为0.5%是通过PCA降维技术,将上述在预设时间间隔内的特征值由五维数据降维至二维数据,并经过大量的对比观察实验确定的合理的异常点比例值,如图7所示,在大量的实验结果中异常点比例为0.5%所对应的确定结果相对于其他的异常点比例所对应的确定结果较准确。
在本实施例中,异常点挖掘模型为孤立森林模型时,计算机设备获取不同车辆类型的冷却液温度数据,并获取不同车辆类型的冷却液温度数据在预设时间间隔内的特征值,然后根据不同车辆类型在预设时间间隔内的冷却液温度数据的特征值和预设的异常点比例,对初始的孤立森林模型进行训练,得到异常点挖掘模型,由于不同车辆类型的冷却液温度数据在预设时间间隔内的特征值具有不同的特征,根据不同车辆类型的冷却液温度数据在预设时间间隔内的特征值和预设的异常点比例,对初始的孤立森林模型进行训练,能够提高得到的异常点挖掘模型的准确度,进而能够提高确定的车辆的冷却***的运行状态的准确度。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图8为一个实施例提供的车辆冷却***工作状态的监测装置结构示意图。如图8所示,该装置可以包括:第一获取模块10、第二获取模块11和第一确定模块12。
具体的,第一获取模块10,用于获取车辆在预设时间间隔内的冷却液温度数据;
第二获取模块11,用于获取冷却液温度数据在预设时间间隔内的特征值;
第一确定模块12,用于将特征值输入机器学习模型中,确定车辆的冷却***的运行状态;机器学习模型是基于不同类型车辆在预设时间间隔内的冷却液温度数据的特征值训练得到的。
本实施例提供的车辆冷却***工作状态的监测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图9为一个实施例提供的车辆冷却***工作状态的监测装置结构示意图。如图9所示,上述第二获取模块11包括:温度阈值获取单元111和特征值获取单元112。
具体的,温度阈值获取单元111,用于根据车辆的车辆类型,从预设的车辆类型与标准冷却液温度阈值的对应关系中,获取车辆对应的标准冷却液温度阈值;标准冷却液温度阈值包括温度上限值和温度下限值;
特征值获取单元112,用于根据冷却液温度数据和车辆对应的标准冷却液温度阈值,获取冷却液温度数据在预设时间间隔内的特征值。
可选的,上述特征值包括冷却液温度数据在预设时间间隔内的极差、中位数、标准差、大于车辆对应的标准冷却液温度阈值的温度上限值的比例值、以及小于车辆对应的标准冷却液温度阈值的温度下限值的比例值。
本实施例提供的车辆冷却***工作状态的监测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
请继续参见图9,在上述实施例的基础上,可选的,如图9所示,上述装置还包括:统计模块13、第二确定模块14和第三确定模块15。
具体的,统计模块13,用于统计不同车辆类型的温度曲线分布图;
第二确定模块14,用于确定不同车辆类型的温度曲线分布图中预设的分割点上限比例对应的温度上限值,以及预设的分割点下限比例对应的温度下限值;
第三确定模块15,用于根据不同车辆类型对应的温度上限值和温度下限值,确定预设的车辆类型与标准冷却液温度阈值的对应关系。
本实施例提供的车辆冷却***工作状态的监测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
可选的,上述机器学习模型为无监督的异常点挖掘模型。
本实施例提供的车辆冷却***工作状态的监测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
请继续参见图9,在上述实施例的基础上,可选的,如图9所示,上述装置还包括:第三获取模块16、第四获取模块17和训练模块18。
具体的,第三获取模块16,用于获取不同车辆类型的冷却液温度数据;
第四获取模块17,用于获取不同车辆类型的冷却液温度数据在预设时间间隔内的特征值;
训练模块18,用于根据不同车辆类型在预设时间间隔内的冷却液温度数据的特征值和预设的异常点比例,对初始的孤立森林模型进行训练,得到异常点挖掘模型。
可选的,预设的异常点比例为0.5%。
本实施例提供的车辆冷却***工作状态的监测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于车辆冷却***工作状态的监测装置的具体限定可以参见上文中对于车辆冷却***工作状态的监测方法的限定,在此不再赘述。上述车辆冷却***工作状态的监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请实施例提供的车辆冷却***工作状态的监测方法,可以适用于如图10所示的计算机设备,其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该计算机设备的数据库用于存储上述冷却***工作状态的监测方法中的数据。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆冷却***工作状态的监测方法。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取车辆在预设时间间隔内的冷却液温度数据;
获取冷却液温度数据在预设时间间隔内的特征值;
将特征值输入机器学习模型中,确定车辆的冷却***的运行状态;机器学习模型是基于不同类型车辆在预设时间间隔内的冷却液温度数据的特征值训练得到的。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取车辆在预设时间间隔内的冷却液温度数据;
获取冷却液温度数据在预设时间间隔内的特征值;
将特征值输入机器学习模型中,确定车辆的冷却***的运行状态;机器学习模型是基于不同类型车辆在预设时间间隔内的冷却液温度数据的特征值训练得到的。
上述实施例提供的可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆冷却***工作状态的监测方法,其特征在于,所述方法包括:
统计不同车辆类型的温度曲线分布图;所述温度曲线分布图为以车辆类型的单天冷却液温度值为横轴,以不同的冷却液温度值对应的该车辆类型的车辆数为纵轴所形成的分布图;
确定所述不同车辆类型的温度曲线分布图中预设的分割点上限比例对应的温度上限值,以及预设的分割点下限比例对应的温度下限值;
根据所述不同车辆类型对应的温度上限值和温度下限值,确定车辆类型与标准冷却液温度阈值的对应关系;
获取车辆在预设时间间隔内的冷却液温度数据;
根据所述车辆的车辆类型和所述对应关系,获取所述冷却液温度数据在所述预设时间间隔内的特征值;
将所述特征值输入机器学习模型中,确定所述车辆的冷却***的运行状态;所述机器学习模型是基于不同类型车辆在所述预设时间间隔内的冷却液温度数据的特征值训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述根据所述车辆的车辆类型和所述对应关系,获取所述冷却液温度数据在所述预设时间间隔内的特征值,包括:
根据所述车辆的车辆类型,从所述车辆类型与标准冷却液温度阈值的对应关系中,获取所述车辆对应的标准冷却液温度阈值;所述标准冷却液温度阈值包括温度上限值和温度下限值;
根据所述冷却液温度数据和所述车辆对应的标准冷却液温度阈值,获取所述冷却液温度数据在所述预设时间间隔内的所述特征值。
3.根据权利要求2所述的方法,其特征在于,所述特征值包括所述冷却液温度数据在所述预设时间间隔内的极差、中位数、标准差、大于所述车辆对应的标准冷却液温度阈值的温度上限值的比例值、以及小于所述车辆对应的标准冷却液温度阈值的温度下限值的比例值。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述机器学习模型为无监督的异常点挖掘模型。
5.根据权利要求4所述的方法,其特征在于,所述异常点挖掘模型为孤立森林模型,所述方法还包括:
获取不同车辆类型的冷却液温度数据;
获取所述不同车辆类型的冷却液温度数据在所述预设时间间隔内的所述特征值;
根据所述不同车辆类型在预设时间间隔内的冷却液温度数据的特征值和预设的异常点比例,对初始的孤立森林模型进行训练,得到所述异常点挖掘模型。
6.根据权利要求5所述的方法,其特征在于,所述预设的异常点比例为0.5%。
7.一种车辆冷却***工作状态的监测装置,其特征在于,所述装置包括:
统计模块,用于统计不同车辆类型的温度曲线分布图;所述温度曲线分布图为以车辆类型的单天冷却液温度值为横轴,以不同的冷却液温度值对应的该车辆类型的车辆数为纵轴所形成的分布图;
第二确定模块,用于确定所述不同车辆类型的温度曲线分布图中预设的分割点上限比例对应的温度上限值,以及预设的分割点下限比例对应的温度下限值;
第三确定模块,用于根据所述不同车辆类型对应的温度上限值和温度下限值,确定车辆类型与标准冷却液温度阈值的对应关系;
第一获取模块,用于获取车辆在预设时间间隔内的冷却液温度数据;
第二获取模块,用于根据所述车辆的车辆类型和所述对应关系,获取所述冷却液温度数据在所述预设时间间隔内的特征值;
第一确定模块,用于将所述特征值输入机器学习模型中,确定所述车辆的冷却***的运行状态;所述机器学习模型是基于不同类型车辆在所述预设时间间隔内的冷却液温度数据的特征值训练得到的。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取不同车辆类型的冷却液温度数据;
第四获取模块,用于获取所述不同车辆类型的冷却液温度数据在所述预设时间间隔内的所述特征值;
训练模块,用于根据所述不同车辆类型在预设时间间隔内的冷却液温度数据的特征值和预设的异常点比例,对初始的孤立森林模型进行训练,得到所述异常点挖掘模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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1-6中任一项所述方法的步骤。
10.一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1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639266.3A CN110398375B (zh) | 2019-07-16 | 2019-07-16 | 车辆冷却***工作状态的监测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639266.3A CN110398375B (zh) | 2019-07-16 | 2019-07-16 | 车辆冷却***工作状态的监测方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110398375A CN110398375A (zh) | 2019-11-01 |
CN110398375B true CN110398375B (zh) | 2021-10-19 |
Family
ID=68325607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910639266.3A Active CN110398375B (zh) | 2019-07-16 | 2019-07-16 | 车辆冷却***工作状态的监测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110398375B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113140054B (zh) * | 2020-01-02 | 2022-07-19 | 株洲中车时代电气股份有限公司 | 一种列车冷却***的异常检测方法及装置 |
CN113465935B (zh) * | 2020-03-31 | 2023-09-05 | 比亚迪股份有限公司 | 车辆冷却回路检测方法、装置、计算机设备及存储介质 |
CN113742881B (zh) * | 2020-05-28 | 2024-06-11 | 北京小米移动软件有限公司 | 液冷散热***工作寿命预测方法、装置及存储介质 |
CN111967532A (zh) * | 2020-09-02 | 2020-11-20 | 深圳市佳运通电子有限公司 | 油田加热炉异常检测方法和***及相关设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3428507B2 (ja) * | 1999-06-28 | 2003-07-22 | トヨタ自動車株式会社 | エバポパージシステムの故障診断装置 |
CN102350995A (zh) * | 2011-07-15 | 2012-02-15 | 中国铁道科学研究院机车车辆研究所 | 一种用于铁路货车的热轴报警方法和*** |
CN106080655A (zh) * | 2016-08-24 | 2016-11-09 | 中车株洲电力机车研究所有限公司 | 一种列车轴温异常的检测方法、装置以及列车 |
KR101875489B1 (ko) * | 2018-03-23 | 2018-08-02 | 윤홍익 | 냉방 시스템을 자동으로 제어하는 장치 및 방법 |
CN108921440A (zh) * | 2018-07-11 | 2018-11-30 | 平安科技(深圳)有限公司 | 污染物异常监测方法、***、计算机设备和存储介质 |
CN109186813A (zh) * | 2018-10-23 | 2019-01-11 | 株洲中车时代电气股份有限公司 | 一种温度传感器自检装置及方法 |
CN109242041A (zh) * | 2018-09-28 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种电能表异常数据检测方法、装置、设备及存储介质 |
CN109843176A (zh) * | 2016-07-29 | 2019-06-04 | 诺瓦达克技术有限公司 | 用于利用机器学习来表征受验者的组织的方法和*** |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7702437B2 (en) * | 2007-12-13 | 2010-04-20 | Spx Corporation | Multidimensional vehicle health graphics |
DE102009057586B4 (de) * | 2009-12-09 | 2016-02-18 | Continental Automotive Gmbh | Verfahren zum Oberwachen eines Kühlmittel-Temperatursensors eines Kraftfahrzeugs mit einem Verbrennungsmotor und einer Zusatzheizung sowie Steuereinrichtung |
US8838362B2 (en) * | 2011-02-03 | 2014-09-16 | Raytheon Company | Low-drain, self-contained monitoring device |
US11260749B2 (en) * | 2016-09-26 | 2022-03-01 | Transportation Ip Holdings, Llc | Cooling control systems |
CN106408687B (zh) * | 2016-11-24 | 2019-04-05 | 沈阳航空航天大学 | 一种基于机器学习方法的汽车发动机故障预警方法 |
CN108269324B (zh) * | 2016-12-30 | 2021-04-27 | 中移智行网络科技有限公司 | 一种发动机的冷却液温度监测方法及车联网服务平台 |
CN108229156A (zh) * | 2017-12-28 | 2018-06-29 | 阿里巴巴集团控股有限公司 | Url攻击检测方法、装置以及电子设备 |
CN108536945A (zh) * | 2018-04-02 | 2018-09-14 | 国网湖南省电力有限公司 | 一种用于大型调相机的故障诊断方法及*** |
CN109540538B (zh) * | 2018-08-27 | 2021-06-18 | 浙江中车电车有限公司 | 一种客车冷却***失效分析方法 |
CN109829478B (zh) * | 2018-12-29 | 2024-05-07 | 平安科技(深圳)有限公司 | 一种基于变分自编码器的问题分类方法和装置 |
CN109859029A (zh) * | 2019-01-04 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 异常申请检测方法、装置、计算机设备以及存储介质 |
CN109902721B (zh) * | 2019-01-28 | 2024-07-02 | 平安科技(深圳)有限公司 | 异常点检测模型验证方法、装置、计算机设备及存储介质 |
CN109968671B (zh) * | 2019-03-20 | 2020-07-10 | 北京科技大学 | 3d打印过程故障诊断方法和装置 |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、***、设备和存储介质 |
-
2019
- 2019-07-16 CN CN201910639266.3A patent/CN110398375B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3428507B2 (ja) * | 1999-06-28 | 2003-07-22 | トヨタ自動車株式会社 | エバポパージシステムの故障診断装置 |
CN102350995A (zh) * | 2011-07-15 | 2012-02-15 | 中国铁道科学研究院机车车辆研究所 | 一种用于铁路货车的热轴报警方法和*** |
CN109843176A (zh) * | 2016-07-29 | 2019-06-04 | 诺瓦达克技术有限公司 | 用于利用机器学习来表征受验者的组织的方法和*** |
CN106080655A (zh) * | 2016-08-24 | 2016-11-09 | 中车株洲电力机车研究所有限公司 | 一种列车轴温异常的检测方法、装置以及列车 |
KR101875489B1 (ko) * | 2018-03-23 | 2018-08-02 | 윤홍익 | 냉방 시스템을 자동으로 제어하는 장치 및 방법 |
CN108921440A (zh) * | 2018-07-11 | 2018-11-30 | 平安科技(深圳)有限公司 | 污染物异常监测方法、***、计算机设备和存储介质 |
CN109242041A (zh) * | 2018-09-28 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种电能表异常数据检测方法、装置、设备及存储介质 |
CN109186813A (zh) * | 2018-10-23 | 2019-01-11 | 株洲中车时代电气股份有限公司 | 一种温度传感器自检装置及方法 |
Non-Patent Citations (1)
Title |
---|
"内燃机车油液监测与故障诊断的研究";王番;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20120531;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110398375A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110398375B (zh) | 车辆冷却***工作状态的监测方法、装置、设备和介质 | |
CN107844851B (zh) | 查勘网格优化方法、电子设备及计算机可读存储介质 | |
CN112272288A (zh) | 核电作业监控方法、装置、计算机设备和存储介质 | |
CN108932321B (zh) | 人脸图像检索方法、装置、计算机设备及存储介质 | |
CN113176986A (zh) | 车联网数据质量确定方法、装置、计算机设备和存储介质 | |
CN109325058B (zh) | 规则批量比对方法、装置、计算机设备和存储介质 | |
CN110889323A (zh) | 通用车牌的识别方法、装置、计算机设备及存储介质 | |
CN112541016A (zh) | 用电异常检测方法、装置、计算机设备和存储介质 | |
CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
CN116907523A (zh) | 路径规划方法、装置、计算机设备和存储介质 | |
CN117370848A (zh) | 设备故障预测方法、装置、计算机设备及存储介质 | |
CN116132326B (zh) | 一种综合能效数据管理方法及*** | |
CN116881029A (zh) | 一种故障原因诊断方法、装置、计算机设备和存储介质 | |
CN112650741B (zh) | 异常数据的识别与修正方法、***、设备及可读存储介质 | |
CN112465646B (zh) | 证券数据监控方法、装置、计算机设备和存储介质 | |
CN111860954B (zh) | 车辆失联预测方法、装置、计算机设备和存储介质 | |
CN113677583B (zh) | 基于图计算的车辆驾驶数据处理方法、装置和计算机设备 | |
CN114820788A (zh) | 多参量雷电定位、***、计算机设备及介质 | |
CN111162931B (zh) | 共享车辆管理方法、装置、计算机设备和可读存储介质 | |
CN114580769A (zh) | 物料监控方法、装置、计算机设备及介质 | |
CN110851852B (zh) | 基于移动社交网络的数据访问控制策略生成方法 | |
CN110442780B (zh) | 基于智慧园区的车主画像生成方法、装置和计算机设备 | |
CN113254672A (zh) | 异常账号的识别方法、***、设备及可读存储介质 | |
CN112948370B (zh) | 数据分类方法、装置以及计算机设备 | |
CN117896780B (zh) | 基于tbox的车载移动wifi数据处理方法、装置和*** |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220407 Address after: 510660 Room 101, No. 227, Gaotang Road, Tianhe District, Guangzhou City, Guangdong Province (Location: Room 601) Patentee after: Yamei Zhilian Data Technology Co.,Ltd. Address before: 510665 Room 201, 1 Hanjing Road, Tianhe District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU YAME INFORMATION TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |