CN110633905A - 智能车云平台可靠性计算方法 - Google Patents
智能车云平台可靠性计算方法 Download PDFInfo
- Publication number
- CN110633905A CN110633905A CN201910843092.2A CN201910843092A CN110633905A CN 110633905 A CN110633905 A CN 110633905A CN 201910843092 A CN201910843092 A CN 201910843092A CN 110633905 A CN110633905 A CN 110633905A
- Authority
- CN
- China
- Prior art keywords
- cloud platform
- reliability
- fault
- intelligent vehicle
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 26
- 238000002347 injection Methods 0.000 claims description 22
- 239000007924 injection Substances 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 17
- 230000008439 repair process Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种智能车云平台可靠性计算方法，包括以下步骤：通过动态压力测试软件模拟某个区域内的联网的智能车用户数量，运行时产生的数据总量和流通数据量；通过智能车路径记录***获取智能车在行驶全程各个路径节点的速度、加速度，以及不同驾驶路径的选择，对多种路况信息的反应数据；通过云平台故障自动记录***获得云平台故障发生的时间以及故障持续时间、云平台故障的类型、对智能车行驶过程的影响；通过智能车故障自动记录***获取智能车各个***的运行参数；根据获取的所有数据建立数据库；利用数据库中的数据计算智能车云平台的可靠性指标，包括一级指标和二级指标；根据预设的可靠性指标的权重，计算智能车云平台的可靠性。
Description
技术领域
本发明涉及云平台可靠性等技术领域，尤其涉及一种基于智能车云平台可靠性指标的计算方法。
背景技术
在中国制造2025的推动下，车辆行业飞速发展，智能网联汽车逐渐进入了大众的视野，智能化和网联化成为了车辆发展的一个大趋势。智能车云平台作为自动驾驶中的重要组成部分，承担了导航，定位，预警等功能，其数据的准确性和失效性更关系到车辆和人员的安全问题。所以对于云平台可靠性指标的研究刻不容缓。
在目前的技术条件下，智能车的设计和制造已经处于一个蓬勃发展的阶段，但没有大规模的自动驾驶车队还没有出现，智能车云平台还未被广泛的使用，目前车载终端连接的网络所能达到的功能也难以满足自动驾驶的需求，所以T4级别自动驾驶的云平台大部分模块还处于探索阶段。汽车技术的发展方向是智能化和网络化，万物互联的时代已经到来了，对智能网联汽车也必将存在新的要求和目标。
智能车云平台对于智能车而言不亚于书籍对于人类，虽然对于车、路、环境情况的判断和车辆驾驶行为的控制是由汽车本身来执行的，但是云平台为智能车的正常运行提供了大量交通和气象等数据，这些数据对于智能车而言是十分重要的。智能车云平台作为一个软硬件组合的复杂***，其服务和功能不可靠是必然的，对于云平台可靠性评价指标进行设计刻不容缓。由于云平台还未正式使用，所以需要进行一些动态压力测试来模拟实际情况中的数据流量，收集必要的数据后才能进行可靠性评价指标设计。
发明内容
本发明的目的在于提供一种智能车云平台可靠性指标的计算方法，用来对云平台进行有效评估，不断改进云平台的功能。
本发明解决其技术问题所采用的技术方案是：
提供一种智能车云平台可靠性计算方法，包括以下步骤：
通过动态压力测试软件模拟某个区域内的联网的智能车用户数量，运行时产生的数据总量和流通数据量；
通过智能车路径记录***获取智能车在行驶全程各个路径节点的速度、加速度，以及各个智能车针对同一起点和终点，对于不同驾驶路径的选择，对多种路况信息的反应数据；
通过云平台故障自动记录***获得云平台故障发生的时间以及故障持续时间、云平台故障的类型、对智能车行驶过程的影响；
通过智能车故障自动记录***获取智能车各个***的运行参数，包括智能车对云平台传输数据的准确性、智能车故障后恢复正常的时间；
根据获取的所有数据建立数据库，记录失效和错误数据的类型、种类、次数；
利用数据库中的数据计算智能车云平台的可靠性指标，包括一级指标和二级指标，其中一级指标包括故障性指标、修复性指标、综合性指标，故障性指标包括二级指标云平台可靠度、云平台平均失效前时间、失效率，修复性指标包括二级指标维修性、平均修复前时间、可用性，综合性指标包括二级指标云平台响应时间、响应数据的准确性、保密性、可追朔性、容错能力；
根据预设的可靠性指标的权重，计算智能车云平台的可靠性。
接上述技术方案，该方法还包括步骤：
利用数据库中记录的故障数据和故障模式，生成每个故障特有的可靠性参数表，并记录云平台服务的实际情况：在云平台正常运行时，将模拟的故障注入云平台中，模拟故障时的可靠性参数变化。
接上述技术方案，还包括步骤：设计一段路径，模拟测试用户数量，并利用一个或多个实际存在的智能车用户，在这一段实际存在的路径中对智能车进行测试，测试分为突发情况测试和正常驾驶情况测试，在智能车正常行驶的时候，记录智能车驾驶情况和云平台可靠性指标变化情况；在突发情况测试时，在部分路径节点进行故障注入，观察智能车行驶路径的参数变化，和云平台可靠性指标的变化趋势，如果在故障注入期间可靠性指标由高可靠性开始降低为低可靠性，则说明此指标选取合理，总指标的计算权重合理；如果二者表现不相匹配，则重新调整总指标中各个指标的权重。
接上述技术方案，该方法还包括步骤：利用神经网络技术对失效模式进行自动识别；具体为通过获取云平台运行的历史数据和可靠性参数，对相应的故障参数和故障模式的记录进行训练，训练得到故障自动识别模型；当云平台运行不正常或者模拟故障注入后，将变化后的可靠性参数输入神经网络中进行故障模式识别并判断识别的准确性，如果识别结果准确，则该神经网络和可靠性参数有效；如果识别不准确，则重新对神经网络进行训练并再次进行验证；最终得到准确识别云平台所发生的故障模式的神经网络。
接上述技术方案，可靠性指标具体为：
云平台响应时间：从智能车终端设备发出通信数据，到云平台处理数据后传输回智能车车载终端的时间：
响应时间＝呈现时间+网络传输时间+应用延迟时间
呈现时间：指客户端的浏览器在接收到响应数据时呈现页面所需的时间；
网络传输时间：包括请求数据和响应数据在客户端和智能车云平台之间进行传输的时间；
应用延迟时间：指云平台实际处理请求所需的时间tf＝ta+tb+tc
式中：tf指的是响应时间；ta指的是呈现时间；tb指的是网络传输时间； tc指的是应用延迟时间；
响应数据的准确性：智能车上传信息后，其所需要的信息与云平台所传输回来的信息是否一致，或者有多少相关性，本数据无需通过计算，可以通过自动驾驶行车记录中得到。
云平台可靠度：指一个***从零时刻到t时刻期间云平台和智能车都能正常运行的概率；
云平台平均失效前时间；：当前时间到下一次云平台和车辆行驶总***失效前的时间；
失效率：失效率是指工作到某一时刻尚未失效的产品，在该时刻后，单位时间内发生失效的概率；
在时间间隔[t1,t2]内，失效率函数为：
式中：h(t)失效率函数；R(t1)t1时刻可靠度；R(t2)t2时刻可靠度；
维修性：指在给定时间内隔离和修复***中故障的概率；
平均修复前时间：指故障维修所需的平均修复时间；
可用性：自动驾驶***在某个考察时间，云平台能够正常运行的概率或时间占有率期望值；
保密性：云平台各个信息具有保密性，通过权限设置和硬件加密设置；
可追溯性：记录智能车的运行情况，运行轨迹和速度加速度，通过数据库的存储情况得知；
容错能力：在云平台某一功能故障时，其他功能仍然可以正常运行的能力，该参数通过备用链路和备用服务器决定。
接上述技术方案，故障性指标和维修性指标的权重为0.4，综合性指标权重为0.2。
本发明还提供一种智能车云平台可靠性计算***，包括：
动态压力测试模块：通过动态压力测试软件模拟某个区域内的联网的智能车用户数量，运行时产生的数据总量和流通数据量；
原始数据处理模块：获取动态压力测试模块、智能车路径记录***、云平台故障自动记录***、智能车故障自动记录***的数据，并建立数据库，记录失效和错误数据的类型、种类、次数；
可靠性指标计算模块：对数据处理模块中的数据进行计算和归纳，得到多组可靠性指标，对其进行加权归一化处理，得到一个可靠性总指标；可靠性指标包括一级指标和二级指标，其中一级指标包括故障性指标、修复性指标、综合性指标，故障性指标包括二级指标云平台可靠度、云平台平均失效前时间、失效率，修复性指标包括二级指标维修性、平均修复前时间、可用性，综合性指标包括二级指标云平台响应时间、响应数据的准确性、保密性、可追朔性、容错能力。
接上述技术方案，该***还包括：
故障注入模块：导出数据库中云平台多种失效情况下对应的参数，并在云平台和车辆正常运行时，注入故障，记录可靠性参数的变化；
验证模块：验证可靠性总指标是否满足实际情况的需求，以及智能车和可靠性指标趋势是否能在故障注入后进行相关的变化；
故障自动识别模块：利用神经网络识别并监测云平台的运行，在云平台不正常工作时，根据可靠性参数的变化判断云平台服务的故障类型，同时计算故障会产生的后果，以及对应的解决方法。
本发明产生的有益效果是：本发明能对智能车云平台各部分运行状态进行实时监控，自动处理所获得的参数，计算出云平台实时的可靠性指标，能保证云平台能够最大程度的处于良好的运行状态，提高运行的安全性能，同时量化了专家经验，降低了云平台运行维护的门槛，推广成本低，策略方法可复制性强。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例智能车云平台可靠性计算方法流程图；
图2是本发明实施例智能车云平台可靠性计算***功能示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明实施例智能车云平台可靠性计算方法，包括以下步骤：
S1、通过动态压力测试软件模拟某个区域内的联网的智能车用户数量，运行时产生的数据总量和流通数据量；
S2、通过智能车路径记录***获取智能车在行驶全程各个路径节点的速度、加速度，以及各个智能车针对同一起点和终点，对于不同驾驶路径的选择，对多种路况信息的反应数据；
S3、通过云平台故障自动记录***获得云平台故障发生的时间以及故障持续时间、云平台故障的类型、对智能车行驶过程的影响；
S4、通过智能车故障自动记录***获取智能车各个***的运行参数，包括智能车对云平台传输数据的准确性、智能车故障后恢复正常的时间；
S5、根据获取的所有数据建立数据库，记录失效和错误数据的类型，种类，次数；
S6、利用数据库中的数据计算智能车云平台的可靠性指标，包括一级指标和二级指标，其中一级指标包括故障性指标、修复性指标、综合性指标，故障性指标包括二级指标云平台可靠度、云平台平均失效前时间、失效率，修复性指标包括二级指标维修性、平均修复前时间、可用性，综合性指标包括二级指标云平台响应时间、响应数据的准确性、保密性、可追朔性、容错能力；
S7、根据预设的可靠性指标的权重，计算智能车云平台的可靠性。
步骤S1中，具体可记录一辆车和多辆车产生车载终端和云平台交互所产生的数据，进行对比研究。通过对比研究的结果预测大量车辆所产生的流通数据量和云平台数据总量，由此可以计算单位时间内云平台与车载设备之间的数据流通量和云平台的数据总量。数据流通量可以用来测试终端和云平台通信链路是否可靠，云平台的数据总量代表云平台存储的数据总量以及其对于数据的搜索和调用能力。
通过步骤S1可以得出云平台与智能车交互的数据量和云平台内的数据总量，根据这一方法，利用loadrunner测试软件模拟某个区域内的***用户，设定标准的基础数据和流通数据量，测试的结果为智能车云平台完成某个业务最大响应时间，平均响应时间等。
步骤S5中收集和整理可以直接获得数据，排除异常数据，并将其存储到数据库中。可以直接获得的数据主要有loadrunner测试软件测试得到的数据、无人驾驶车辆运行路径数据、云平台故障自动记录数据、自动驾驶车辆故障数据等。得到数据后利用SQL语言建立失效知识数据库，记录云平台中软件故障，硬件故障，网络故障等。
进一步地，还可以包括步骤：获取云平台的失效数据和错误数据以及常规运行时的可靠性参数，计算各自的可靠性参数，利用回归统计法确定各个参数的权重，将各个可靠性指标与权重相乘相加，计算可靠性总指标；另外，当保密性，容错能力，可追朔性发生故障时，智能车仍然可以继续正常的驾驶。当出现严重故障时，智能车应该停止驾驶并接受检修。
进一步地，还可以包括步骤：利用数据库中记录的故障数据和故障模式，生成每个故障特有的可靠性参数表，并记录云平台服务的实际情况。在云平台正常运行时，可以将模拟的故障注入***中，同时降低或者消除一些云服务对应的功能，模拟故障时的可靠性参数变化，观察记录相关数据并开展有效的措施来保障客户的利益，通过进行多次故障注入的演练，对于不同的故障模式，制定相应的措施来进行善后工作，培养从业人员对于突发故障的认知和处理工作，可以有效的降低突发故障带来的损失。
智能车云平台可靠性计算***用于实现上述方法，如图2所示，主要包括：动态压力测试模块，原始数据处理模块，可靠性指标计算模块，故障注入模块，验证模块，故障自动识别模块。
动态压力测试模块：利用loadrunner测试软件模拟某个区域内的***用户，在对车载终端设备进行数据提取和估计后，设定标准的基础数据，测试的结果为智能车云平台完成某个业务最大响应时间，平均响应时间等。测试算例的选择依据是模拟某个区域内停止或者行驶中的智能网联车载设备的数量，运行时产生的数据总量和流通数据量。该算例主要用于对云平台前端和功能的测试。
原始数据处理模块：该模块用于收集和整理一些不需要计算就可以直接得到的数据，在排除部分异常数据后，将其存储到数据库中。可以直接获得的数据主要有loadrunner测试软件测试得到的数据、无人驾驶车辆运行路径数据、云平台故障自动记录数据、自动驾驶车辆故障数据等。
可靠性指标计算模块：对数据处理模块中的数据进行计算和归纳，得到多组可靠性指标，对其进行加权归一化处理，得到一个可靠性总指标。通过对多种工作情况下的云平台和智能车的运行数据进行计算，最终可以得到云平台在不同工作情况下的可靠性指标，通过智能车的驾驶情况来对其可靠性指标进行划分。可以实现对云平台的实时监控，同时计算其可靠性指标。
故障注入模块：导出数据库中云平台多种失效情况下对应的参数，并在云平台和车辆正常运行时，注入故障，观察并记录可靠性参数的变化。
验证模块：验证可靠性总指标是否满足实际情况的需求，以及智能车和可靠性指标趋势是否能在故障注入后进行相关的变化。
故障自动识别模块：利用神经网络识别并监测云平台的运行，在云平台不正常工作时，根据可靠性参数的变化判断云平台服务的故障类型，同时计算故障会产生的后果，以及对应的解决方法。
测试软件可获得数据：
(1)服务平均响应时间，包括呈现时间ta：指客户端的浏览器在接收到响应数据时呈现页面所需的时间；网络传输时间tb：指数据(包括请求数据和响应数据)在客户端和服务器端进行传输的时间；应用延迟时间tc：指云平台实际处理请求所需的时间。
(2)业务成功率，简单来说就是云平台对于测试软件所发出的数据请求做出了正确的回应，业务圆满完成的概率。
(3)流通数据总量，包括场景执行结束后并发数、总吞吐量、平均每秒吞吐量、总请求数、平均每秒请求数的统计值。
(4)场景执行情况，包括模拟场景执行的时间，用户总数量等。
智能车路径记录***可获得数据：
同一起点和终点，对于不同驾驶路径的选择
智能车在行驶全程各个路径节点的加速度a m2/s
智能车在行驶全程各个路径节点的速度v m/s
智能车对于多种路况信息的反应情况
云平台故障自动记录***可获得数据：
云平台故障发生的时间以及故障持续时间
云平台故障的类型
对智能车行驶过程的影响
智能车故障自动记录***可获得的数据：
智能车各个***的运行参数
智能车对于云平台传输数据的准确性
智能车故障后恢复正常的时间
可靠性指标类型主要分为三大类，一级指标为故障性、修复性和综合性指标其分类和求解过程如下表1所示。
表1可靠性指标分类表
1)云平台响应时间：从智能车终端设备发出通信数据，到云平台处理数据后传输回智能车车载终端的时间。
响应时间＝呈现时间+网络传输时间+应用延迟时间
呈现时间：指客户端的浏览器在接收到响应数据时呈现页面所需的时间；“呈现时间”与车载终端设备有关，而与所开发的云平台没有太大的关系。
网络传输时间：指数据(包括请求数据和响应数据)在客户端和服务器端进行传输的时间；它与网络带宽有关。
应用延迟时间：指云平台实际处理请求所需的时间。如果该***使用了数据库，我们可以把“数据库延迟时间”分离出来，如果该***使用了中间件，还可以把“中间件延迟时间”也分离出来。
tf＝ta+tb+tc
式中：tf指的是响应时间；ta指的是呈现时间；tb指的是网络传输时间； tc指的是应用延迟时间。
2)响应数据的准确性：智能车上传信息后，其所需要的信息与云平台所传输回来的信息是否一致，或者有多少相关性，本数据无需通过计算，可以通过自动驾驶行车记录中得到。
3)云平台可靠度：云平台在规定的设计范围下成功执行具体功能的概率。
简单来说，可靠度Rt是指一个***从零时刻到t时刻期间云平台和智能车都能正常运行的概率：
R(t)＝P(T>t),t≥0
式中：T为一个随机变量，表示***发生失效前或失效时间。
如果表示失效前时间随机变量T的密度函数为f(t)
等价地
4)云平台平均失效前时间(MTTF)：当前时间到下一次云平台和车辆行驶总***失效前的时间。
将
代入MTTF式子，可得
由于***在有限时间内一定会发生失效，所以可得
5)失效率：失效率是指工作到某一时刻尚未失效的产品，在该时刻后，单位时间内发生失效的概率。
在时间间隔[t1,t2]内，失效率函数为：
式中：h(t)失效率函数；R(t1)t1时刻可靠度；R(t2)t2时刻可靠度
6)维修性：在规定时间内，根据规定的程序和资源进行维修，从而使失效的***恢复其功能的概率，换句话说，维修性是指在给定时间内隔离和修复***中故障的概率。
用T表示修复前时间或总停机时间的随机变量，若T的修复时间密度函数为g(t)，则维修性V(t)被定义为故障***在时间t时可以重新工作的概率，即：
修复时间密度函数与维修率有关，若维修率为μ>0且恒定，则修复时间密度函数为：
g(t)＝μe-μt
7)平均修复前时间(MTTR)：一般指产品的故障维修所需的平均修复时间，作为产品可维修性的衡量指标。它包括确认失效发生所必需的时间，以及维护所需要的时间。
8)可用性：***在某个考察时间，云平台能够正常运行的概率或时间占有率期望值。
9)保密性：云平台各个信息具有保密性，没有权限的人无法获得数据，该参数通过权限设置和硬件加密来确设置，无具体参数。
10)可追溯性：记录智能车的运行情况，运行轨迹和速度加速度等，该参数通过数据库的存储情况可以得知。
11)容错能力：在云平台某一功能故障时，其他功能仍然可以正常运行的能力，该参数可以通过备用链路和备用服务器决定。
云平台的具体功能及与车辆之间的交互信息如下表2所示：
表2云平台与智能车详细的交互数据
通过了解云平台与车辆之间的交互数据，有利于判断智能车出现这些故障时，是否与云平台有关，与云平台的哪些数据模块有关，或云平台与智能车之间的通信链路是否存在延迟或者错误，从业人员能够方便快捷的对云平台进行检修和维护。
本发明的一个实施例中，建立可靠性评价总指标计算公式：
可靠性总指标＝0.4×故障性指标+0.4×维修性指标+0.2×综合性指标
首先根据AHP层次分析法，分析三个一级指标之间的相关关系，可以明确看出，故障性指标和维修性指标作为与智能车驾驶行为直接相关的一级指标相较于综合性指标更为重要，应该占有较大比重，所以确定二者权重为0.4，综合性指标权重为0.2。
其余指标根据多次分析的结果，进行适当的范围划分，在一定范围内的指标为一个固定的分值，这样就进行了归一化处理，处于交界处的参数取分值较大的一方，如果其中有一个指标的分值小于70，则说明智能车驾驶时处于危险状况，应该尽快停车检修。具体的数值范围和二级指标的权重如下表3 所示。
表3可靠性指标数值范围和权重
利用数据库中记录的故障数据和故障模式，生成每个故障特有的可靠性参数表，并记录云平台服务的实际情况。在云平台正常运行时，可以将模拟的故障注入***中，同时降低或者消除一些云服务对应的功能，模拟故障时的可靠性参数变化，观察记录相关数据并开展有效的措施来保障客户的利益，通过进行多次故障注入的演练，对于不同的故障模式，制定相应的措施来进行善后工作，培养从业人员对于突发故障的认知和处理工作，可以有效的降低突发故障带来的损失。
还可以设计一段路径，除了模拟的测试用户数量，期间需要存在一个或多个实际存在的智能车用户，即需要在这一段实际存在的路径中对智能车进行测试，测试分为突发情况测试和正常驾驶情况测试；在智能车正常行驶的时候，记录智能车驾驶情况和云平台可靠性指标变化情况，此时智能车的可靠性指标数值应该大于80；在突发情况测试时，在部分路径节点进行故障注入，观察并记录智能车行驶路径的参数和云平台可靠性指标在路径节点前后的变化情况。如果在故障注入期间，可靠性总指标逐渐降低。当智能车由于一些严重故障的注入而无法运行时，可靠性总指标得分应该低于70，则说明该指标的选择合理有效，各个一级指标的权重配置合理。反之，当可靠性指标随着故障的注入而升高或不变时，或可靠性指标得分低于70，智能车仍然可以正常运行时，则说明可靠性总指标的选择不合理，需要重新调整各个一级指标的权重。
本发明还可通过获取云平台运行的历史数据和可靠性参数，先提取数据库中关于多个不同故障模式的记录，同时提取故障模式对应的可靠性指标，对二者组合后利用神经网络进行训练，训练得到故障自动识别模型；当云平台运行不正常或者模拟故障注入后，将变化后的可靠性参数输入神经网络中进行故障模式识别，准确得到云平台所发生的故障模式，有利于相关人员对云平台的修复和分析。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种智能车云平台可靠性计算方法，其特征在于，包括以下步骤：
通过动态压力测试软件模拟某个区域内的联网的智能车用户数量，运行时产生的数据总量和流通数据量；
通过智能车路径记录***获取智能车在行驶全程各个路径节点的速度、加速度，以及各个智能车针对同一起点和终点，对于不同驾驶路径的选择，对多种路况信息的反应数据；
通过云平台故障自动记录***获得云平台故障发生的时间以及故障持续时间、云平台故障的类型、对智能车行驶过程的影响；
通过智能车故障自动记录***获取智能车各个***的运行参数，包括智能车对云平台传输数据的准确性、智能车故障后恢复正常的时间；
根据获取的所有数据建立数据库，记录失效和错误数据的类型、种类、次数；
利用数据库中的数据计算智能车云平台的可靠性指标，包括一级指标和二级指标，其中一级指标包括故障性指标、修复性指标、综合性指标，故障性指标包括二级指标云平台可靠度、云平台平均失效前时间、失效率，修复性指标包括二级指标维修性、平均修复前时间、可用性，综合性指标包括二级指标云平台响应时间、响应数据的准确性、保密性、可追朔性、容错能力；
根据预设的可靠性指标的权重，计算智能车云平台的可靠性。
2.根据权利要求1所述的智能车云平台可靠性计算方法，其特征在于，该方法还包括步骤：
利用数据库中记录的故障数据和故障模式，生成每个故障特有的可靠性参数表，并记录云平台服务的实际情况：在云平台正常运行时，将模拟的故障注入云平台中，模拟故障时的可靠性参数变化。
3.根据权利要求1所述的智能车云平台可靠性计算方法，其特征在于，还包括步骤：设计一段路径，模拟测试用户数量，并利用一个或多个实际存在的智能车用户，在这一段实际存在的路径中对智能车进行测试，测试分为突发情况测试和正常驾驶情况测试，在智能车正常行驶的时候，记录智能车驾驶情况和云平台可靠性指标变化情况；在突发情况测试时，在部分路径节点进行故障注入，观察智能车行驶路径的参数变化，和云平台可靠性指标的变化趋势，如果在故障注入期间可靠性指标由高可靠性开始降低为低可靠性，则说明此指标选取合理，总指标的计算权重合理；如果二者表现不相匹配，则重新调整总指标中各个指标的权重。
4.根据权利要求1所述的智能车云平台可靠性计算方法，其特征在于，该方法还包括步骤：利用神经网络技术对失效模式进行自动识别；具体为通过获取云平台运行的历史数据和可靠性参数，对相应的故障参数和故障模式的记录进行训练，训练得到故障自动识别模型；当云平台运行不正常或者模拟故障注入后，将变化后的可靠性参数输入神经网络中进行故障模式识别并判断识别的准确性，如果识别结果准确，则该神经网络和可靠性参数有效；如果识别不准确，则重新对神经网络进行训练并再次进行验证；最终得到准确识别云平台所发生的故障模式的神经网络。
5.根据权利要求1所述的智能车云平台可靠性计算方法，其特征在于，可靠性指标具体为：
云平台响应时间：从智能车终端设备发出通信数据，到云平台处理数据后传输回智能车车载终端的时间：
响应时间＝呈现时间+网络传输时间+应用延迟时间
呈现时间：指客户端的浏览器在接收到响应数据时呈现页面所需的时间；
网络传输时间：包括请求数据和响应数据在客户端和智能车云平台之间进行传输的时间；
应用延迟时间：指云平台实际处理请求所需的时间tf＝ta+tb+tc
式中：tf指的是响应时间；ta指的是呈现时间；tb指的是网络传输时间；tc指的是应用延迟时间；
响应数据的准确性：智能车上传信息后，其所需要的信息与云平台所传输回来的信息是否一致，或者有多少相关性，本数据无需通过计算，可以通过自动驾驶行车记录中得到。
云平台可靠度：指一个***从零时刻到t时刻期间云平台和智能车都能正常运行的概率；
云平台平均失效前时间；：当前时间到下一次云平台和车辆行驶总***失效前的时间；
失效率：失效率是指工作到某一时刻尚未失效的产品，在该时刻后，单位时间内发生失效的概率；
在时间间隔[t1,t2]内，失效率函数为：
式中：h(t)失效率函数；R(t1)t1时刻可靠度；R(t2)t2时刻可靠度；
维修性：指在给定时间内隔离和修复***中故障的概率；
平均修复前时间：指故障维修所需的平均修复时间；
可用性：自动驾驶***在某个考察时间，云平台能够正常运行的概率或时间占有率期望值；
保密性：云平台各个信息具有保密性，通过权限设置和硬件加密设置；
可追溯性：记录智能车的运行情况，运行轨迹和速度加速度，通过数据库的存储情况得知；
容错能力：在云平台某一功能故障时，其他功能仍然可以正常运行的能力，该参数通过备用链路和备用服务器决定。
6.根据权利要求1所述的智能车云平台可靠性计算方法，其特征在于，故障性指标和维修性指标的权重为0.4，综合性指标权重为0.2。
7.一种智能车云平台可靠性计算***，其特征在于，包括：
动态压力测试模块：通过动态压力测试软件模拟某个区域内的联网的智能车用户数量，运行时产生的数据总量和流通数据量；
原始数据处理模块：获取动态压力测试模块、智能车路径记录***、云平台故障自动记录***、智能车故障自动记录***的数据，并建立数据库，记录失效和错误数据的类型、种类、次数；
可靠性指标计算模块：对数据处理模块中的数据进行计算和归纳，得到多组可靠性指标，对其进行加权归一化处理，得到一个可靠性总指标；可靠性指标包括一级指标和二级指标，其中一级指标包括故障性指标、修复性指标、综合性指标，故障性指标包括二级指标云平台可靠度、云平台平均失效前时间、失效率，修复性指标包括二级指标维修性、平均修复前时间、可用性，综合性指标包括二级指标云平台响应时间、响应数据的准确性、保密性、可追朔性、容错能力。
8.根据权利要求7所述的智能车云平台可靠性计算***，其特征在于，该***还包括：
故障注入模块：导出数据库中云平台多种失效情况下对应的参数，并在云平台和车辆正常运行时，注入故障，记录可靠性参数的变化；
验证模块：验证可靠性总指标是否满足实际情况的需求，以及智能车和可靠性指标趋势是否能在故障注入后进行相关的变化；
故障自动识别模块：利用神经网络识别并监测云平台的运行，在云平台不正常工作时，根据可靠性参数的变化判断云平台服务的故障类型，同时计算故障会产生的后果，以及对应的解决方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910843092.2A CN110633905B (zh) | 2019-09-06 | 2019-09-06 | 智能车云平台可靠性计算方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910843092.2A CN110633905B (zh) | 2019-09-06 | 2019-09-06 | 智能车云平台可靠性计算方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110633905A true CN110633905A (zh) | 2019-12-31 |
| CN110633905B CN110633905B (zh) | 2023-05-02 |
Family
ID=68971489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910843092.2A Active CN110633905B (zh) | 2019-09-06 | 2019-09-06 | 智能车云平台可靠性计算方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110633905B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110932932A (zh) * | 2019-11-13 | 2020-03-27 | 上海博泰悦臻电子设备制造有限公司 | 自动驾驶云服务平台的可靠性确定方法及相关装置 |
| CN111753261A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 车辆安全检测方法、装置、设备及存储介质 |
| CN112202639A (zh) * | 2020-09-30 | 2021-01-08 | 重庆长安汽车股份有限公司 | 一种通过LoadRunner工具实现车联网远程控制服务的性能测试方法 |
| CN113221096A (zh) * | 2021-06-04 | 2021-08-06 | 北银金融科技有限责任公司 | 一种在混沌工程中随机事件相关性分析方法及*** |
| CN113438318A (zh) * | 2021-07-13 | 2021-09-24 | 阿波罗智联(北京)科技有限公司 | 云控平台的性能测试***、方法、电子设备及存储介质 |
| CN114500349A (zh) * | 2021-12-27 | 2022-05-13 | 天翼云科技有限公司 | 一种云平台混沌测试方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678101A (zh) * | 2012-09-10 | 2014-03-26 | 中国科学院软件研究所 | 高速列车网络控制***的软件可靠性检测方法 |
| US20160282874A1 (en) * | 2013-11-08 | 2016-09-29 | Hitachi, Ltd. | Autonomous Driving Vehicle and Autonomous Driving System |
| CN106644503A (zh) * | 2016-10-24 | 2017-05-10 | 中国科学院合肥物质科学研究院 | 一种智能车辆规划能力测试平台 |
| KR20170051591A (ko) * | 2015-10-29 | 2017-05-12 | 현대오토에버 주식회사 | 텔레메틱스 서비스 품질 점검 시스템 |
| CN107871418A (zh) * | 2017-12-27 | 2018-04-03 | 吉林大学 | 一种用于评价人机共驾可靠性的实验平台 |
| CN108430069A (zh) * | 2018-02-11 | 2018-08-21 | 重庆邮电大学 | 一种v2x网络性能测试及综合评价分析方法 |
| CN108897693A (zh) * | 2018-07-09 | 2018-11-27 | 北京首汽智行科技有限公司 | 共享汽车智能车载终端设备的软件可靠性测试***及方法 |
-
2019
- 2019-09-06 CN CN201910843092.2A patent/CN110633905B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103678101A (zh) * | 2012-09-10 | 2014-03-26 | 中国科学院软件研究所 | 高速列车网络控制***的软件可靠性检测方法 |
| US20160282874A1 (en) * | 2013-11-08 | 2016-09-29 | Hitachi, Ltd. | Autonomous Driving Vehicle and Autonomous Driving System |
| KR20170051591A (ko) * | 2015-10-29 | 2017-05-12 | 현대오토에버 주식회사 | 텔레메틱스 서비스 품질 점검 시스템 |
| CN106644503A (zh) * | 2016-10-24 | 2017-05-10 | 中国科学院合肥物质科学研究院 | 一种智能车辆规划能力测试平台 |
| CN107871418A (zh) * | 2017-12-27 | 2018-04-03 | 吉林大学 | 一种用于评价人机共驾可靠性的实验平台 |
| CN108430069A (zh) * | 2018-02-11 | 2018-08-21 | 重庆邮电大学 | 一种v2x网络性能测试及综合评价分析方法 |
| CN108897693A (zh) * | 2018-07-09 | 2018-11-27 | 北京首汽智行科技有限公司 | 共享汽车智能车载终端设备的软件可靠性测试***及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孙扬等: "基于Fuzzy-EAHP的无人驾驶车辆智能行为评价", 《汽车工程》 * |
| 裴等: "自动气象站监测运行能力可靠性评估", 《气象科技》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110932932A (zh) * | 2019-11-13 | 2020-03-27 | 上海博泰悦臻电子设备制造有限公司 | 自动驾驶云服务平台的可靠性确定方法及相关装置 |
| CN111753261A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 车辆安全检测方法、装置、设备及存储介质 |
| CN111753261B (zh) * | 2020-06-29 | 2023-07-04 | 北京百度网讯科技有限公司 | 车辆安全检测方法、装置、设备及存储介质 |
| CN112202639A (zh) * | 2020-09-30 | 2021-01-08 | 重庆长安汽车股份有限公司 | 一种通过LoadRunner工具实现车联网远程控制服务的性能测试方法 |
| CN112202639B (zh) * | 2020-09-30 | 2022-08-09 | 重庆长安汽车股份有限公司 | 一种通过LoadRunner工具实现车联网远程控制服务的性能测试方法 |
| CN113221096A (zh) * | 2021-06-04 | 2021-08-06 | 北银金融科技有限责任公司 | 一种在混沌工程中随机事件相关性分析方法及*** |
| CN113438318A (zh) * | 2021-07-13 | 2021-09-24 | 阿波罗智联(北京)科技有限公司 | 云控平台的性能测试***、方法、电子设备及存储介质 |
| CN114500349A (zh) * | 2021-12-27 | 2022-05-13 | 天翼云科技有限公司 | 一种云平台混沌测试方法及装置 |
| CN114500349B (zh) * | 2021-12-27 | 2023-08-08 | 天翼云科技有限公司 | 一种云平台混沌测试方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110633905B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110633905A (zh) | 智能车云平台可靠性计算方法 | |
| CN111209131B (zh) | 一种基于机器学习确定异构***的故障的方法和*** | |
| CN108563214B (zh) | 车辆诊断方法、装置及设备 | |
| CN109800127A (zh) | 一种基于机器学习的***故障诊断智能化运维方法及*** | |
| KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
| CN114239734B (zh) | 一种分布式车载健康管理*** | |
| CN108268023B (zh) | 一种轨道交通站台门远程故障诊断方法及*** | |
| CN108375974A (zh) | 一种用于远程记录、分析、诊断、维修车辆故障的方法及*** | |
| CN112286771B (zh) | 一种针对全域资源监控的告警方法 | |
| CN112785010B (zh) | 一种轨道交通列车***多部件动态维修策略优化方法 | |
| CN109387376A (zh) | 车辆故障的诊断方法、车辆故障的诊断装置以及服务器 | |
| CN110471395A (zh) | 一种故障检测方法、装置、设备及存储介质 | |
| CN113094244A (zh) | 一种用于数据中心的机房运行智能检测*** | |
| CN115577151A (zh) | 一种车辆故障实时诊断方法、装置、电子设备及存储介质 | |
| CN110738332B (zh) | 事故车辆鉴定方法及***、存储介质 | |
| CN117671818A (zh) | 一种车辆数据的管理*** | |
| CN113986893A (zh) | 一种基于发电车风险识别主动预警***及方法 | |
| CN117075578A (zh) | 车辆故障分析方法、装置、电子设备及存储介质 | |
| CN115599077B (zh) | 车辆故障定界方法、装置、电子设备及存储介质 | |
| CN115480944A (zh) | 车载娱乐终端的黑屏故障分析方法、装置、车辆及介质 | |
| CN112859805A (zh) | 一种发动机控制器在线诊断方法及相关装置 | |
| CN112699490A (zh) | 一种车辆维修结果验证方法和装置 | |
| CN113888775A (zh) | 车辆预警方法、服务器、存储介质、车辆预警***和车辆 | |
| CN113642198B (zh) | 一种基于可靠性增长的独立运载***设备可靠性评估方法 | |
| WO2022180681A1 (ja) | データ生成システム、データ生成方法およびデータ生成プログラム |
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 |