CN112198824B - 一种车载数据处理方法及*** - Google Patents

Abstract

本发明提供一种车载数据处理方法及***，所述方法包括获取与车辆监控需求对应的ECU高频信号；根据监控模型将所述ECU高频信号转换为与模型对应的各类低频性能指标；根据所述低频性能指标的类别，将所述各类低频性能指标分别填充到总线数据帧中的扩容字节；将所述总线数据帧通过车载总线发送至车载通讯模块，所述车载通讯模块根据所述总线数据帧生成车载监控信号并上传至云平台，以便所述云平台根据所述车载监控信号监控车辆状态。通过本发明，解决了现有车辆控制器越发增多，交互信号众多，且因为车辆安全需要对总线负载进行控制，导致总线监控ECU电控信号难以实现的问题。

Description

一种车载数据处理方法及***

技术领域

本发明涉及车辆监控技术领域，尤其涉及一种车载数据处理方法及***。

背景技术

随着汽车电动化、智能化、互联化发展趋势，汽车产业正在迈入大数据时代。汽车控制单元、传感器、执行器等部件数量也随之增长，为提高车辆***鲁棒性，车辆各类电控信号需要进行实时监控，且监控信号需要具备上传到云平台进行大数据分析能力。目前TBOX具备将总线交互信号采集并上传到大数据平台的能力，但无法监控更多ECU(Electronic Control Unit，电子控制单元)内部电控信号；另外参照图1所示的混动车辆网络拓扑，车辆总线传输波特率为500Kbit/s，针对高精度需求传输速率的信号，例如发动机转速、扭矩等信号，需要传输频率为10ms以内，且信号需求长度较长，如发动机转速信号占用16bit，如表1所示为总线一帧信号部署示例。

表1

针对发动机转速该类信号，总线最多只允许5000/16＝312个信号进行传输，目前车辆控制器越发增多，交互信号众多，新能源车型涉及CAN网络更为复杂；考虑到车辆安全性，总线负载需要控制在70％以内，通过总线监控ECU电控信号难以实现。

发明内容

本发明所要解决的技术问题在于，提供一种车载数据处理方法及***，用于解决现有车辆控制器越发增多，交互信号众多，无法通过总线监控ECU电控信号的问题。

本发明提供的一种车载数据处理方法，所述方法包括：

步骤S11、获取与车辆监控需求对应的ECU高频信号；

步骤S12、根据监控模型将所述ECU高频信号转换为与模型对应的各类低频性能指标；

步骤S13、根据所述低频性能指标的类别，将所述各类低频性能指标分别填充到总线数据帧中的扩容字节；

步骤S14、将所述总线数据帧通过车载总线发送至车载通讯模块，所述车载通讯模块根据所述总线数据帧生成车载监控信号并上传至云平台，以便所述云平台根据所述车载监控信号监控车辆状态。

进一步地，所述监控模型为根据历史ECU高频信号通过相应的功能算法训练得到，所述监控模型包括用户驾驶模型、动总工况模型、部件性能模型中的一种或多种；

所述功能算法包括下述算法中的一种或多种：线性回归算法、决策树算法、神经网络算法、集成算法、层次聚类算法和谱聚类算法。

进一步地，每一种监控模型对应生成对应类别低频性能指标，在总线数据帧上为每一类低频性能指标数据设置有一扩容字节；

步骤S13具体包括：将相应类别的低频性能指标数据填充到总线数据帧对应字节中。

进一步地，所述步骤S11具体包括：在ECU上从所述ECU电控信号中获取与所述监控需求对应的车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号；

所述步骤S12具体包括：根据预建立的用户驾驶模型，提取与车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号对应的用户画像指标，所述用户画像指标包括四个子指标：动力性指标、经济性指标、驾驶风格指标和驾驶员分类指标；所述用户驾驶模型根据神经网络建立；

所述步骤S13具体包括：在总线数据帧上扩容四个字节，将所述动力性指标、所述经济性指标、所述驾驶风格指标和所述驾驶员分类指标分别填充到总线数据帧上扩容的所述四个字节中。

进一步地，所述步骤S11具体包括：在ECU上从所述ECU电控信号中获取与监控需求对应的发动机转速信号、发动机扭矩信号和变速器挡位信号，从所述执行器信号中获取与所述监控需求对应的发动机喷油信号和发动机点火信号；

所述步骤S12具体包括：根据预建立的动总工况模型，提取与发动机转速信号、发动机扭矩信号、发动机喷油信号、发动机点火信号和变速器挡位信号对应的动力总成性能指标，所述动力总成性能指标包括两个子指标：发动机节油指标和变速器换挡频率指标；所述动总工况模型根据回归算法和拟合算法建立；

所述步骤S13具体包括：在总线数据帧上扩容二个字节，将所述发动机节油指标和所述变速器换挡频率指标按先后顺序分别填充到总线数据帧上扩容的一个字节中。

进一步地，所述步骤S11具体包括：在ECU上从所述ECU电控信号中获取与监控需求对应的油箱液位信号、油箱压力信号、油轨压力信号和油泵电流信号；

所述步骤S12具体包括：根据预建立的部件性能模型，提取与油箱液位信号、油箱压力信号、油轨压力信号和油泵电流信号对应的燃油***性能指标，所述燃油***性能指标包括两个子指标：油箱压力指标和加油***安全性指标；所述部件性能模型根据回归算法和拟合算法建立；

所述步骤S13具体包括：在总线数据帧上扩容二个字节，将所述油箱压力指标和所述加油***安全性指标按先后顺序分别填充到总线数据帧上扩容的一个字节中。

本发明提供的一种车载数据处理***，所述***包括：

获取单元，用于获取与车辆监控需求对应的ECU高频信号；

转换单元，用于根据监控模型将所述ECU高频信号转换为与模型对应的各类低频性能指标；

扩容单元，用于根据所述低频性能指标的类别，将所述各类低频性能指标分别填充到总线数据帧中的扩容字节；

监控及传输单元，用于将所述总线数据帧通过车载总线发送至车载通讯模块，所述车载通讯模块根据所述总线数据帧生成车载监控信号并上传至云平台，以便所述云平台根据所述车载监控信号监控车辆状态。

进一步地，所述监控模型为根据历史ECU高频信号通过相应的功能算法训练得到，所述监控模型包括用户驾驶模型、动总工况模型、部件性能模型中的一种或多种；

所述功能算法包括下述算法中的一种或多种：线性回归算法、决策树算法、神经网络算法、集成算法、层次聚类算法和谱聚类算法。

进一步地，每一种监控模型对应生成对应类别低频性能指标，在总线数据帧上为每一类低频性能指标数据设置有一扩容字节；

所述扩容单元具体用于：将相应类别的低频性能指标数据填充到总线数据帧对应字节中。

进一步地，所述获取单元具体用于：在ECU上从所述ECU电控信号中获取与所述监控需求对应的车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号；

所述转换单元具体用于：根据预建立的用户驾驶模型，提取与车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号对应的用户画像指标，所述用户画像指标包括四个子指标：动力性指标、经济性指标、驾驶风格指标和驾驶员分类指标；所述用户驾驶模型根据神经网络建立；

所述扩容单元具体用于：在总线数据帧上扩容四个字节，将所述动力性指标、所述经济性指标、所述驾驶风格指标和所述驾驶员分类指标分别填充到总线数据帧上扩容的所述四个字节中。

实施本发明，具有如下有益效果：

通过本发明，ECU控制器将ECU内部高频电控信号转换为低频性能指标，对总线信号扩容或者改用少量字节即可以将低频性能指标填充进少量字节中，将上述扩容后的总线信号发送给车载通信模块TBOX，TBOX采集扩容或者改用后的总线信号传至云端服务器，使得云端服务器可以获得上述低频性能指标；解决了现有车辆控制器越发增多，交互信号众多，无法通过总线监控ECU电控信号的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是背景技术提供的混动车型网络拓扑的结构图。

图2是本发明实施例提供的车载数据处理方法的流程图。

图3是本发明实施例提供的车载数据处理方法的流程图。

图4是本发明实施例提供的车载数据处理方法的流程图。

图5是本发明实施例提供的车载数据处理***的结构图。

具体实施方式

本专利中，以下结合附图和实施例对该具体实施方式做进一步说明。

如图2所示，本发明实施例提供了车载数据处理方法，所述方法包括：

步骤S11、ECU从ECU电控信号中获取与车辆监控需求对应的ECU高频信号。

在本实施例中，ECU存储ECU电控信号，其包括ECU各传感器信号、执行器信号以及ECU芯片内部信号，其共同特点是ECU高频信号；结合图3可以得到，传感器信号包括车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、档位信号和海拔信号等，执行器信号包括发动机喷油信号、发动机点火信号、喷油次数信号、喷油脉宽信号、喷油压力信号、点火角度信号、点火能量信号、点火次数信号和油泵电流信号等，ECU芯片信号包括ECU当前温度信号、内存占比信号、ECU电流信号和ECU电压信号等。

具体采集那些信号，与车辆监控需求有对应关系，例如需要监控发动机喷油***，从ECU电控信号中采集喷油次数信号、喷油脉宽信号和喷油压力信号，在本实例中，与监控发动机喷油***对应的ECU高频信号包括喷油次数信号、喷油脉宽信号和喷油压力信号；在其他实施例中，需要监控发动机点火***，从ECU电控信号中采集点火角度信号、点火能量信号和点火次数信号，与监控发动机点火***对应的ECU高频信号包括点火角度信号、点火能量信号和点火次数信号。

结合图3，重点监控电控信号也就是与车辆监控需求对应的ECU高频信号。

步骤S12、ECU将所述ECU高频信号转换为与模型对应的各类低频性能指标。

结合图3，根据历史ECU高频信号通过相应的功能算法训练得到，形成监控模型，所述监控模型包括用户驾驶模型、动总工况模型和部件性能模型中的一种或多种；其中功能算法包括分类算法和聚类算法，所述分类算法包括线性回归、决策树、神经网络和集成算法，所述聚类算法包括层次聚类和谱聚类算法；因而功能算法利用到上述算法中一种或多种。

步骤S13、根据所述低频性能指标的类别，将所述各类低频性能指标分别填充到总线数据帧中的扩容字节。

需要说明的是，扩容字节即可以是一个字节，也可以多个字节。

还需要说明的是，每一种监控模型对应生成对应类别低频性能指标，在总线数据帧上为每一类低频性能指标数据设置有一扩容字节；

步骤S13具体包括：将相应类别的低频性能指标数据填充到总线数据帧对应字节中。

参考表2，每一个类别指标(或称子指标)扩容一个字节，包括8个bit位；表2中扩容了一个字节区间，该字节区间包括三个字节，所述三个字节分别是字节0、字节1和字节2，最终这些扩容的字节都会统一到一个总线数据帧中。

表2

步骤S14、ECU将所述总线数据帧通过车载总线发送至车载通讯模块，所述车载通讯模块根据所述总线数据帧生成车载监控信号并上传至云平台，以便所述云平台根据所述车载监控信号监控车辆状态。

在本发明具体实施例中，步骤S11具体包括：在ECU上从所述ECU电控信号中获取与所述车辆监控需求对应的车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号；

所述步骤S12具体包括：根据预建立的用户驾驶模型，提取与车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、档位信号和海拔信号对应的用户画像指标，所述用户画像指标包括四个子指标：动力性指标、经济性指标、驾驶风格指标和驾驶员分类指标，所述用户驾驶模型根据神经网络建立；

所述步骤S13具体包括：在总线数据帧上扩容四个字节，将所述动力性指标、所述经济性指标、所述驾驶风格指标和所述驾驶员分类指标分别填充到扩容的所述四个字节中；

参考表3，非常大量高频数据，目前总线无法实施监控，转换成了动力性能指标、经济性指标、驾驶风格指标和驾驶员分类指标，总线上扩容四个字节来分别表征，交互信号为EMS_User，每个字节长度为8bit，物理值为0-255，其中0代表缺省值，255代表无效值，1-10代表用户画像中的动力性指标，11-20代表用户画像中的经济性指标，21-30代表用户画像中的驾驶风格指标，251-254代表用户画像中的驾驶员分类指标；通过这样将车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、档位信号和海拔信号一系列高频数据，降格成低频数据，用以从不同角度来对ECU电控信号进行监控，后续云平台根据所述扩容的字节就可以获知ECU电控信号另外一种角度的表达方式，虽然云平台获取的数据没有直接采集车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、档位信号和海拔信号等这么准确，通过降低精确度达到了降低数据传输通道成本和带宽的目的。

表3

如果需要监控车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、档位信号和海拔信号等高频信号，由于数据变化频繁，占用的网络资源非常多，通过本实施例中方式仅需要在总线监控信号上扩容4个字节，即达到了效果，解决了现有技术存在的难题。

在本发明具体实施例中，当监控需求为监控车辆的动力总成性能指标；

所述步骤S11具体包括：在ECU上从所述ECU电控信号中获取与车辆监控需求对应的发动机转速信号、发动机扭矩信号和变速器挡位信号，从所述执行器信号中获取与所述车辆监控需求对应的发动机喷油信号和发动机点火信号；

所述步骤S12具体包括：根据预建立的所述动总工况模型提取与发动机转速、发动机扭矩、发动机喷油、发动机点火和变速器挡位对应的动力总成性能指标，所述动力总成性能指标包括两个子指标：发动机节油指标和变速器换挡频率指标；所述动总工况模型根据回归算法和拟合算法建立；

所述步骤S13具体包括：在总线数据帧上扩容二个字节，将所述发动机节油指标和所述变速器换挡频率指标按先后顺序分别填充到一个字节中。

在本发明具体实施例中，当车辆监控需求为监控车辆的燃油***性能指标；

所述步骤S11具体包括：在ECU上从所述ECU电控信号中获取与车辆监控需求对应的油箱液位信号、油箱压力信号、油轨压力信号和油泵电流信号；

所述步骤S12具体包括：根据预建立的部件性能模型提取与油箱液位信号、油箱压力信号、油轨压力信号和油泵电流信号对应的燃油***性能指标，所述燃油***性能指标包括两个子指标：油箱压力指标和加油***安全性指标；所述部件性能模型根据回归算法和拟合算法建立；

所述步骤S13具体包括：在总线数据帧上扩容二个字节，将所述油箱压力指标和所述加油***安全性指标按先后顺序分别填充到一个字节中。

参考图4，经过ECU对ECU电控信号处理，将其由高频信号转换为低频信号后，并扩容字节部署低频信号，再将扩容后的总线数据帧部署到CAN网络，TBOX通过CAN网络采集扩容后的总线数据帧并生成车载监控信号后，上传到云平台。

如图5所示，本发明实施例提供了车载数据处理***，所述***包括：

获取单元21，用于获取与车辆监控需求对应的ECU高频信号；

转换单元22，用于根据监控模型将所述ECU高频信号转换为模型对应的各类低频性能指标；

扩容单元23，用于根据所述低频性能指标的类别，将所述各类低频性能指标分别填充到总线数据帧中的扩容字节；

监控及传输单元24，用于将所述总线数据帧通过车载总线发送至车载通讯模块，所述车载通讯模块根据所述总线数据帧生成车载监控信号并上传至云平台，以便所述云平台根据所述车载监控信号监控车辆状态。

进一步地，所述监控模型为根据历史ECU高频信号通过相应的功能算法训练得到，所述监控模型包括用户驾驶模型、动总工况模型、部件性能模型中的一种或多种；

所述功能算法包括下述算法中的一种或多种：线性回归算法、决策树算法、神经网络算法、集成算法、层次聚类算法和谱聚类算法。

进一步地，每一种监控模型对应生成对应类别低频性能指标，在总线数据帧上为每一类低频性能指标数据设置有一扩容字节；

所述扩容单元23具体用于：将相应类别的低频性能指标数据填充到总线数据帧对应字节中。

进一步地，所述获取单元21具体用于：在ECU上从所述ECU电控信号中获取与所述监控需求对应的车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号；

所述转换单元22具体用于：根据预建立的用户驾驶模型，提取与车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号对应的用户画像指标，所述用户画像指标包括四个子指标：动力性指标、经济性指标、驾驶风格指标和驾驶员分类指标；所述用户驾驶模型根据神经网络建立；

所述扩容单元23具体用于：在总线数据帧上扩容四个字节，将所述动力性指标、所述经济性指标、所述驾驶风格指标和所述驾驶员分类指标分别填充到总线数据帧上扩容的所述四个字节中。

实施本发明，具有如下有益效果：

通过本发明，ECU将ECU内部高频电控信号转换为低频性能指标，对总线信号扩容或者改用少量字节即可以将低频性能指标填充进少量字节中，将上述扩容后的总线信号发送给车载通信模块TBOX，TBOX采集扩容或者改用后的总线信号传至云端服务器，使得云端服务器可以获得上述低频性能指标；解决了现有车辆控制器越发增多，交互信号众多，无法通过总线监控ECU电控信号的问题。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种车载数据处理方法，其特征在于，所述方法包括：

步骤S11、获取与车辆监控需求对应的ECU高频信号；

步骤S12、根据监控模型将所述ECU高频信号转换为与模型对应的各类低频性能指标；所述监控模型包括用户驾驶模型、动总工况模型、部件性能模型中的多种，每一种监控模型生成对应类别低频性能指标；所述监控模型为根据历史ECU高频信号通过相应的功能算法训练得到，所述功能算法包括下述算法中的一种或多种：线性回归算法、决策树算法、神经网络算法、集成算法、层次聚类算法和谱聚类算法；不同的监控模型对应不同的功能算法；

步骤S13、根据所述低频性能指标的类别，将所述各类低频性能指标分别填充到总线数据帧中相应的扩容字节中；其中，在总线数据帧上为每一类低频性能指标数据设置有一扩容字节；

步骤S14、将所述总线数据帧通过车载总线发送至车载通讯模块，所述车载通讯模块根据所述总线数据帧生成车载监控信号并上传至云平台，以便所述云平台根据所述车载监控信号监控车辆状态。

2.如权利要求1所述方法，其特征在于，所述步骤S11具体包括：在ECU上从ECU电控信号中获取与所述车辆监控需求对应的车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号；

所述步骤S12具体包括：根据预建立的用户驾驶模型，提取与车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号对应的用户画像指标，所述用户画像指标包括四个子指标：动力性指标、经济性指标、驾驶风格指标和驾驶员分类指标；所述用户驾驶模型根据神经网络建立；

所述步骤S13具体包括：在总线数据帧上扩容四个字节，将所述动力性指标、所述经济性指标、所述驾驶风格指标和所述驾驶员分类指标分别填充到总线数据帧上扩容的所述四个字节中。

3.如权利要求1所述方法，其特征在于，所述步骤S11具体包括：在ECU上从ECU电控信号中获取与车辆监控需求对应的发动机转速信号、发动机扭矩信号和变速器挡位信号，从执行器信号中获取与所述车辆监控需求对应的发动机喷油信号和发动机点火信号；

所述步骤S12具体包括：根据预建立的动总工况模型，提取与发动机转速信号、发动机扭矩信号、发动机喷油信号、发动机点火信号和变速器挡位信号对应的动力总成性能指标，所述动力总成性能指标包括两个子指标：发动机节油指标和变速器换挡频率指标；所述动总工况模型根据回归算法和拟合算法建立；

所述步骤S13具体包括：在总线数据帧上扩容二个字节，将所述发动机节油指标和所述变速器换挡频率指标按先后顺序分别填充到总线数据帧上扩容的一个字节中。

4.如权利要求3所述方法，其特征在于，所述步骤S11具体包括：在ECU上从所述ECU电控信号中获取与车辆监控需求对应的油箱液位信号、油箱压力信号、油轨压力信号和油泵电流信号；

所述步骤S12具体包括：根据预建立的部件性能模型，提取与油箱液位信号、油箱压力信号、油轨压力信号和油泵电流信号对应的燃油***性能指标，所述燃油***性能指标包括两个子指标：油箱压力指标和加油***安全性指标；所述部件性能模型根据回归算法和拟合算法建立；

所述步骤S13具体包括：在总线数据帧上扩容二个字节，将所述油箱压力指标和所述加油***安全性指标按先后顺序分别填充到总线数据帧上扩容的一个字节中。

5.一种车载数据处理***，其特征在于，所述***包括：

获取单元，用于获取与车辆监控需求对应的ECU高频信号；

转换单元，用于根据监控模型将所述ECU高频信号转换为与模型对应的各类低频性能指标；所述监控模型包括用户驾驶模型、动总工况模型、部件性能模型中的多种，每一种监控模型生成对应类别低频性能指标；所述监控模型为根据历史ECU高频信号通过相应的功能算法训练得到；所述功能算法包括下述算法中的一种或多种：线性回归算法、决策树算法、神经网络算法、集成算法、层次聚类算法和谱聚类算法，不同的监控模型对应不同的功能算法；

扩容单元，用于根据所述低频性能指标的类别，将所述各类低频性能指标分别填充到总线数据帧中的相应的扩容字节中；其中，在总线数据帧上为每一类低频性能指标数据设置有一扩容字节；

监控及传输单元，用于将所述总线数据帧通过车载总线发送至车载通讯模块，所述车载通讯模块根据所述总线数据帧生成车载监控信号并上传至云平台，以便所述云平台根据所述车载监控信号监控车辆状态。

6.如权利要求5所述***，其特征在于，所述获取单元具体用于：在ECU上从ECU电控信号中获取与所述监控需求对应的车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号；

所述转换单元具体用于：根据预建立的用户驾驶模型，提取与车速信号、油门信号、制动信号、加速度信号、方向盘转角信号、挡位信号和海拔信号对应的用户画像指标，所述用户画像指标包括四个子指标：动力性指标、经济性指标、驾驶风格指标和驾驶员分类指标；所述用户驾驶模型根据神经网络建立；

所述扩容单元具体用于：在总线数据帧上扩容四个字节，将所述动力性指标、所述经济性指标、所述驾驶风格指标和所述驾驶员分类指标分别填充到总线数据帧上扩容的所述四个字节中。

Images