CN113221457A - 一种车辆保养信息的确定方法、装置、设备及介质 - Google Patents

Abstract

本公开涉及一种车辆保养信息的确定方法、装置、设备及介质，通过获取车辆数据，根据车辆数据和多个预设工况特征参数，得到与车辆数据对应的多个工况特征参数数据，通过零部件对应的状态预测模型分别对多个工况特征参数数据进行处理，得到与零部件对应的多个状态参数数据，根据零部件对应的多个状态参数数据，确定车辆的保养信息，保养信息包括待保养的零部件以及对应的保养时间；通过实时获取车辆数据，并根据车辆数据确定当前车辆零部件的状态，能够实时、快速、准确的确定车辆的保养信息，确定方法更加智能化，能够最大限度的减少资源的浪费，同时加强车辆的安全性。

Description

一种车辆保养信息的确定方法、装置、设备及介质

技术领域

本公开涉及车辆保养技术领域，尤其涉及一种车辆保养信息的确定方法、装置、设备及介质。

背景技术

随着汽车技术的发展，汽车的应用愈加广泛，汽车在给用户提供便利的同时，用户也需要对汽车的零部件进行保养。

目前，汽车保养多是采用定里程或定周期的方式，但是，定里程或定周期的保养方式，对于平时用车工状况较好的用户，到保养周期后，汽车的零部件状态比较好，还不需要进行保养，强制保养浪费资源也浪费客户的时间，对于用车状况不好的用户，还没到保养周期时，汽车可能就出现了问题，不能及时的提醒用户对汽车进行保养；而根据汽车状态(即零部件是否出现异常)来提醒用户保养，只能在汽车出现异常的时候才提示，为用户带来不便的同时，危险系数也比较大。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种车辆保养信息的确定方法、装置、设备及介质。

第一方面，本公开实施例提供一种车辆保养信息的确定方法，包括：

获取车辆数据；

根据车辆数据和多个预设工况特征参数，得到与车辆数据对应的多个工况特征参数数据；

通过零部件对应的状态预测模型分别对多个工况特征参数数据进行处理，得到与零部件对应的多个状态参数数据；

根据零部件对应的多个状态参数数据，确定车辆的保养信息，保养信息包括待保养的零部件以及对应的保养时间。

可选的，方法还包括：

确定多个工况参数，工况参数为能够基于车辆数据计算得到的参数；

基于多个工况参数对零部件状态的预设贡献度，从多个工况参数中筛选出用于预测零部件状态的多个预设工况特征参数。

可选的，多个工况特征参数包括用车环境、车速、车辆载荷、驾驶员驾驶特性、车辆总里程、制动时长、制动距离中的一种或多种。

可选的，根据零部件对应的多个状态参数数据，确定车辆的保养信息，包括：

获取零部件对应的多个状态参数与保养时间的对应关系；

根据零部件对应的多个状态参数数据查找对应关系，确定车辆的保养信息。

可选的，多个状态参数包括零部件状态、零部件故障状态、零部件磨损程度、性能裂化数据、零部件剩余量中的一种或多种。

可选的，状态预测模型通过以下方式训练得到：

获取多个工况特征参数的样本数据，样本数据基于车辆在第一预设时间段内行驶产生的车辆数据计算得到；

获取各零部件对应的多个状态参数的反馈数据，反馈数据基于车辆在第一预设时间段结束后进行车辆保养得到；

根据多个工况特征参数的样本数据以及各零部件对应的多个状态参数的反馈数据，训练神经网络模型，得到各零部件对应的状态预测模型。

可选的，训练神经网络模型之后，方法还包括：

获取多个工况特征参数的验证数据，验证数据基于车辆在第二预设时间段内行驶产生的车辆数据计算得到；

获取各零部件对应的多个状态参数的反馈数据，反馈数据基于车辆在第二预设时间段结束后进行车辆保养得到；

通过各零部件对应的状态预测模型分别对多个工况特征参数的验证数据进行处理，得到各零部件对应的多个状态参数的预测数据；

判断预测数据与反馈数据是否匹配，若是，则保存对应的状态预测模型；若否，则根据多个工况特征参数的验证数据以及各零部件对应的多个状态参数的反馈数据，修正对应的状态预测模型。

可选的，方法还包括：

向车辆发送保养信息，以使车辆根据保养信息提醒用户待保养的零部件以及对应的保养时间。

第二方面，本公开实施例提供一种车辆保养信息的确定装置，包括：

获取模块，用于获取车辆数据；

提取模块，用于根据车辆数据和多个预设工况特征参数，得到与车辆数据对应的多个工况特征参数数据；

处理模块，用于通过零部件对应的状态预测模型分别对多个工况特征参数数据进行处理，得到与零部件对应的多个状态参数数据；

确定模块，用于根据零部件对应的多个状态参数数据，确定车辆的保养信息，保养信息包括待保养的零部件以及对应的保养时间。

第三方面，本公开实施例提供一种车辆保养信息的确定设备，包括：

存储器；

处理器；以及

计算机程序；

其中，计算机程序存储在存储器中，并被配置为由处理器执行以实现如上述的方法。

第四方面，本公开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，计算机程序被处理器执行时实现如上述的方法。

本公开实施例提供的技术方案与现有技术相比具有如下优点：

本公开实施例提供的一种车辆保养信息的确定方法，通过获取车辆数据，根据车辆数据和多个预设工况特征参数，得到与车辆数据对应的多个工况特征参数数据，通过零部件对应的状态预测模型分别对多个工况特征参数数据进行处理，得到与零部件对应的多个状态参数数据，根据零部件对应的多个状态参数数据，确定车辆的保养信息；通过实时获取车辆行驶过程中的车辆数据，并根据车辆数据确定当前车辆零部件的状态，能够实时、快速、准确的确定车辆进行保养的保养信息，确定方法更加智能化，根据保养信息能够及时全面的了解车辆的状态，最大限度的减少资源的浪费，同时加强车辆的安全性，提高用户体验。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例提供的一种应用场景的示意图；

图2为本公开实施例提供的一种状态预测模型的训练方法的流程图；

图3为本公开实施例提供的一种状态预测模型的训练方法的流程图；

图4为本公开实施例提供的一种车辆保养信息的确定方法的流程图；

图5为本公开实施例提供的一种车辆保养信息的确定方法的流程图；

图6为本公开实施例提供的一种车辆保养信息的确定方法的流程图；

图7为本公开实施例提供一种车辆保养信息的确定装置的结构示意图；

图8为本公开实施例提供一种车辆保养信息的确定设备的结构示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

现有技术中，多是通过定里程间隔或定时间间隔设定保养时间，如车辆上用的机油、机滤、火花塞、空滤、空调滤芯、制动液、制动盘、减速器油等，按照一定的里程间隔(如20000km)或一定的时间间隔(如1年)设定车辆的保养时间；还根据车辆状态即零部件是否出现异常后，来提醒用户对出现异常的零部件进行保养。但是，定里程或时间设定保养时间，对于平时用车工况较好的用户，到保养时间后，车辆零部件状态完好，不需要进行保养，如果进行强制保养浪费资源；而根据车辆状态即零部件出现异常提醒用户保养，对于车辆以及用户的安全性比较低。因此，针对上述问题，本公开提供一种车辆保养信息的确定方法，下面结合具体的实施例对该方法进行具体介绍。

具体的，一种车辆保养信息的确定方法可以由车辆或服务器来执行。具体的，车端或服务器可以通过状态预测模型确定零部件对应的多个状态参数数据。状态预测模型的训练方法的执行主体和车辆保养信息的确定方法的执行主体可以相同，也可以不同。

例如，在一种应用场景中，如图1所示，服务器12对状态预测模型进行训练。车辆11从服务器12获取训练完成的状态预测模型，车辆11获取车辆数据，通过该训练完成的状态预测模型对车辆数据进行处理，确定车辆11中零部件的状态，此种应用场景是通过服务器12训练状态预测模型并传输至车端11，车端11获取车辆数据，利用状态预测模型得到零部件的状态，并根据零部件的状态确定车辆的保养信息。

在另一种应用场景中，服务器12对状态预测模型。进一步，服务器12通过训练完成的状态预测模型确定车辆11中零部件的状态。服务器12接收的车辆数据可以由车辆11获取并传输至服务器12进行处理，服务器12将保养信息传输至车辆11，车辆11通过保养信息提醒用户对车辆进行保养，此种应用场景是车辆11采集车辆数据传输至服务器端12进行处理，服务器端12将输出结果即保养信息传输至车辆11，车辆11根据保养信息提醒用户进行保养。

在又一种应用场景中，车辆11对状态预测模型进行训练。进一步，车辆11通过训练完成的状态预测模型确定车辆11中零部件的状态。

可以理解的是，本公开实施例提供的车辆保养信息的确定方法并不限于如上的几种可能场景。

通过服务器12训练状态预测模型，车端11将车辆数据传输至服务器12，服务器12的状态预测模型对车辆数据进行处理，得到与零部件对应的状态参数，根据零部件的状态参数确定车辆11的保养信息，并将保养信息发送至车辆11的应用场景为例，对下述实施例进一步说明。

图2为本公开实施例提供的一种状态预测模型的训练方法的流程图，通过服务器12训练状态预测模型，包括如图2所示的如下步骤：

S210、获取多个工况特征参数的样本数据，样本数据基于车辆在第一预设时间段内行驶产生的车辆数据计算得到。

可选的，多个工况特征参数包括用车环境、车速、车辆载荷、驾驶员驾驶特性、车辆总里程、制动时长、制动距离中的一种或多种。

可理解的，统计第一预设时间段内车辆在行驶过程中产生的车辆数据，其中，车辆数据可以包括但不限于车速分布、发动机转速分布、发电机转速分布、减速器转速分布、机油温度分布、减速器油温分布、空调使用频率以及上述工况特征参数中的数据，可以对第一预设时间段内获取的车辆数据进行统计分析，得到多个工况特征参数的样本数据。

可选的，基于多个工况参数对零部件状态的预设贡献度，从多个工况参数中筛选出用于反映零部件状态的多个工况特征参数。

可理解的，按照上述多个工况参数对零部件状态中性能的贡献度进行分类排序，筛选出对零部件状态中对性能影响较大的用车工况特征参数，即最能反映出零部件状态的工况特征参数，其中，各零部件分别存在对应的一个或多个工况特征参数，例如，对润滑油影响较大的工况特征参数包括：车辆总里程、驾驶员驾驶特性、车速以及车辆载荷。

可理解的，获取第一预设时间段内的车辆数据，可以是由车辆行驶过程中产生的车辆数据，例如表1中的车速、车辆总里程等，其中，车辆驾驶员的驾驶特性可以指驾驶员驾驶车辆的情况，可以分为激烈驾驶和平稳驾驶两个选项，表示第一预设时间段内驾驶员驾驶车辆的情况；车辆载荷可以指车辆在建筑物上静止或运动时对建筑物产生的作用力，优选的，可以对车辆载荷的状态进行限定，包括满载、半载和空载的情况；制动时长可以指行驶中的车辆从开始刹车到车辆完全停下来所用的时间；制动距离可以指车辆在某一时速的情况下，从开始制动到完全静止时，车辆所驶过的路程。

示例性的，多个工况特征参数的样本数据可以如表1所示。对于样本数据的计算方式以表1中序号1的工况特征参数用车环境为例，第一预设时间段为10天，服务器共接收到10个车辆数据，对10个车辆数据进行统计分析，得到高温占比60％、低温占比20％以及常温占比20％。

表1

S220、获取各零部件对应的多个状态参数的反馈数据，反馈数据基于车辆在第一预设时间段结束后进行车辆保养得到；

可选的，各零部件对应的多个状态参数的反馈数据可以包括零部件状态、零部件故障状态、零部件磨损程度、性能裂化数据、零部件剩余量中的一种或多种。

可理解的，车辆进行交付后，用户到售后部门对车辆进行保养，售后人员拆解车辆中的零部件，并对零部件状态进行查验和检测，得到车辆行驶第一预设时间段结束后，各零部件对应的多个状态参数，并对检测到的各零部件对应的多个状态参数进行统计和分析，生成反馈数据，并将反馈数据上传至售后***，服务器12从售后***中获取到第一预设时间段内各零部件对应的多个状态参数的反馈数据，其中，在第一预设时间段内，反馈数据与样本数据相对应，即由样本数据可以间接得到反馈数据，即样本数据与反馈数据存在对应关系。

可理解的，上述反馈数据中零部件状态可以表示车辆中各零部件的情况，包括是否有损坏等情况；零部件故障状态可以是零部件是否出现了故障，可以包括是或否两种选项；性能裂化数据可以指零部件的性能发生了改变；零部件剩余量可以指有一定存储量的零部件的剩余量，例如润滑油等。

示例性的，各零部件对应的多个状态参数的反馈数据可以如表2所示。以表2中序号1为例，零部件状态可以通过完好、良好、差来表述各零部件当前的状态，以序号2性能裂化数据为例，可以表示为润滑油粘度下降30％，以序号5中剩余量为例，润滑油的剩余量为90％，而制动盘不存在剩余量，可以用空的状态表示。

表2

序号	零部件状态参数	润滑油	制动盘
				1	零部件状态	良好	差
2	性能裂化数据	30％	50％
				3	零部件是否故障	否	否
4	零部件磨损程度	30％	60％
				5	剩余量	90％	NA
6	是否需要更换	否	是

S230、根据多个工况特征参数的样本数据以及各零部件对应的多个状态参数的反馈数据，训练神经网络模型，得到各零部件对应的状态预测模型。

可理解的，在上述S210和S220的基础上，服务器12根据多个工况特征参数的样本数据以及各零部件对应的多个状态参数的反馈数据，训练神经网络模型，其中，神经网络模型可以通过卷积神经网络构建，得到各零部件对应的状态预测模型，即样本数据作为神经网络模型的输入，反馈数据作为神经网络模型的标签即输出结果。

本公开实施例提供的一种状态预测模型的训练方法，通过获取多个工况特征参数的样本数据，样本数据基于车辆在第一预设时间段内行驶产生的车辆数据计算得到，获取各零部件对应的多个状态参数的反馈数据，反馈数据基于车辆在第一预设时间段结束后进行车辆保养得到，根据多个工况特征参数的样本数据以及各零部件对应的多个状态参数的反馈数据，训练神经网络模型，得到各零部件对应的状态预测模型。通过训练神经网络模型，建立各零部件对应的状态参数即反馈数据与工况特征参数即样本数据之间的关联关系，能够通过工况特征参数直接得到对应的零部件状态参数，处理速度快，准确率高。

在上述实施例的基础上，可选的，训练神经网络模型，生成状态预测模型之后，还包括如图3所示的如下步骤：

S310、获取多个工况特征参数的验证数据，验证数据基于车辆在第二预设时间段内行驶产生的车辆数据计算得到。

可理解的，统计第二预设时间段内车辆在行驶过程中产生的车辆数据，其中，车辆数据可以包括但不限于车速分布、发动机转速分布、发电机转速分布、减速器转速分布、机油温度分布、减速器油温分布、空调使用频率以及上述工况特征参数中的数据，可以对第二预设时间段获取的车辆数据进行统计分析，得到多个工况特征参数的验证数据。

可选的，基于多个工况参数对零部件状态的预设贡献度，从多个工况参数中筛选出用于反映零部件状态的多个工况特征参数。

可理解的，按照上述多个工况参数对零部件状态中性能的贡献度进行分类排序，筛选出对零部件状态中性能影响较大的用车工况特征参数，即最能反映出零部件状态的工况特征参数，其中，各零部件分别存在对应的一个或多个工况特征参数。

可理解的，验证数据与上述样本数据的获取方式以及计算方式可以相同，基于不同时间段内得到的车辆数据，根据车辆数据筛选确定的多个工况特征参数可能不同。

S320、获取各零部件对应的多个状态参数的反馈数据，反馈数据基于车辆在第二预设时间段结束后进行车辆保养得到。

可理解的，车辆进行交付后，用户到售后部门对车辆进行保养，售后人员拆解车辆中的各零部件，并对零部件状态进行查验和检测，得到车辆装载第二预设时间段结束后，各零部件对应的多个状态参数，并对检测到的各零部件对应的多个状态参数进行统计和分析，生成反馈数据，并将反馈数据上传至售后***，服务器12从售后***中获取到各零部件对应的多个状态参数的反馈数据，其中，在第二预设时间段内，反馈数据与样本数据相对应，即由样本数据间接可以得到反馈数据，样本数据与反馈数据存在对应关系。

S330、通过各零部件对应的状态预测模型分别对多个工况特征参数的验证数据进行处理，得到各零部件对应的多个状态参数的预测数据。

可理解的，在上述S310的基础上，通过上述训练完成的状态预测模型对多个工况特征参数的验证数据进行识别，输出各零部件对应的多个状态参数的预测数据。

S340、判断预测数据与反馈数据是否匹配，若是，则保存对应的状态预测模型；若否，则根据多个工况特征参数的验证数据以及各零部件对应的多个状态参数的反馈数据，修正对应的状态预测模型。

可理解的，在上述S320和S330的基础上，判断通过训练完成的状态预测模型得到的预测数据与反馈数据是否匹配，即预测数据与验证数据是否在一定范围内相同，若是，则保存当前测试的状态预测模型，预测数据与反馈数据相匹配也表明当前训练完成的状态预测模型的准确率比较高；若否，则根据第二预设时间段内获得的验证数据以及反馈数据对当前测试的状态预测模型进行训练，修正上述用来测试的状态预测模型。

可理解的，根据获取到的不同预设时段的验证数据以及反馈数据，及时修正当前的状态预测模型，以提高状态预测模型的准确率。

本公开实施例提供的一种状态预测模型的训练方法，通过获取多个工况特征参数的验证数据，验证数据基于车辆在第二预设时间段内行驶产生的车辆数据计算得到，获取各零部件对应的多个状态参数的反馈数据，反馈数据基于车辆在第二预设时间段结束后进行车辆保养得到，通过各零部件对应的状态预测模型分别对多个工况特征参数的验证数据进行处理，得到各零部件对应的多个状态参数的预测数据，判断预测数据与反馈数据是否匹配，若是，则保存对应的状态预测模型；若否，则根据多个工况特征参数的验证数据以及各零部件对应的多个状态参数的反馈数据，修正对应的状态预测模型。通过对训练完成的状态预测模型进行修正，提高了状态预测模型的准确率，使得状态预测模型的普适性增强，同时也提高了处理效率。

在上述实施例的基础上，图4为本公开实施例提供的一种车辆保养信息的确定方法的流程图，利用上述实施例中训练完成的状态预测模型对车辆数据进行处理，包括图4所示的如下步骤：

S410、获取车辆数据。

可理解的，服务器12实时接收由车辆11传输的车辆数据。车辆在使用过程中会产生大量的车辆数据，其中，车辆数据可以包括上述的一个或多个工况参数。

可理解的，工况参数可以包括但不限于车速分布、发动机转速分布、发电机转速分布、减速器转速分布、机油温度分布、减速器油温分布、空调使用频率中的一种或多种。

S420、根据车辆数据和多个预设工况特征参数，得到与车辆数据对应的多个工况特征参数数据。

可理解的，在上述S410的基础上，服务器12对获取的车辆数据进行统计分析，得到与车辆数据对应的多个工况特征参数数据，其中，工况特征参数数据包含在车辆数据即工况参数中，预设工况特征参数的数量与工况特征参数数据的数量对应。

S430、通过零部件对应的状态预测模型分别对多个工况特征参数数据进行处理，得到与零部件对应的多个状态参数数据。

可理解的，在上述S420的基础上，通过上述训练完成的状态预测模型，对多个工况特征参数数据进行处理识别，得到与零部件对应的多个状态参数数据。

S440、根据零部件对应的多个状态参数数据，确定车辆的保养信息，保养信息包括待保养的零部件以及对应的保养时间。

可理解的，在上述S430的基础上，根据状态预测模型得到的零部件对应的多个状态参数数据，确定向服务器发送车辆数据的车辆的保养信息。

本公开实施例提供的一种车辆保养信息的确定方法，通过获取车辆数据，根据车辆数据和多个预设工况特征参数，得到与车辆数据对应的多个工况特征参数数据，通过零部件对应的状态预测模型分别对多个工况特征参数数据进行处理，得到与零部件对应的多个状态参数数据，根据零部件对应的多个状态参数数据，确定车辆的保养信息，保养信息包括待保养的一个或多个零部件以及对应的保养时间；通过实时获取车辆行驶过程中的车辆数据，并根据车辆数据确定当前车辆各零部件的状态，能够实时、快速、准确的确定车辆进行保养的保养信息，确定方法更加智能化，根据保养信息能够及时全面的了解车辆的状态，最大限度的减少资源的浪费，同时加强车辆的安全性，提高用户体验。

在上述实施例的基础上，可选的，对S410获取的车辆数据进行处理，还包括如图5所示的如下步骤：

S510、确定多个工况参数，工况参数为能够基于车辆数据计算得到的参数。

可理解的，获取车辆传输至服务器的车辆数据，可以统计第一预设时间内的车辆数据，可以通过累计求和计算、比例计算、取差值或均值等方式对获取的车辆数据进行处理，通过统计和计算车辆数据中多个工况的数据，得到多个工况参数。

S520、基于多个工况参数对零部件状态的预设贡献度，从多个工况参数中筛选出用于预测零部件状态的多个预设工况特征参数。

可理解的，在上述S510的基础上，按照多个工况参数对零部件状态中性能的贡献度进行分类排序，筛选出对零部件状态中性能影响较大的用车工况特征参数，即最能反映出零部件状态的工况特征参数，作为预设工况特征参数，其中，各零部件分别存在对应的一个或多个工况特征参数，例如，以表1中序号1润滑油为例，车辆行驶过程中对润滑油影响较大的工况特征参数包括：车辆总里程、驾驶员驾驶特性、车速以及车辆载荷，对润滑油影响较大的工况特征参数可能会导致润滑油的状态参数发生相应的变化，例如，工况参数中驾驶员驾驶特性中激烈驾驶的占比比较高，可能会导致润滑油的性能裂化数据即润滑油的粘性下降，也可能会导致制动盘的磨损程度增加等，即根据确定的对润滑油影响较大的工况特征参数，通过状态预测模型可以得到润滑油当前的状态参数数据。

本公开实施例提供的一种车辆保养信息的确定方法，通过确定多个工况参数，工况参数为能够基于车辆数据计算得到的参数，基于多个工况参数对零部件状态的预设贡献度，从多个工况参数中筛选出用于预测零部件状态的多个预设工况特征参数。对获取到的车辆数据进行初步的统计和处理，筛选得到对零部件贡献度即影响较大的多个预设工况特征参数数据，能够减少数据量，最大限度的保存车辆数据的特征，在提高状态预测模型处理速度的同时，也能够确保对零部件状态进行准确的预测。

在上述实施例的基础上，可选的，根据零部件对应的多个状态参数数据，确定车辆的保养信息，还包括如图6所示的如下步骤：

S610、获取零部件对应的多个状态参数与保养时间的对应关系。

可理解的，可以根据上述第一预设时间段以及第二预设时间段得到的零部件对应的反馈数据，也就是指车辆行驶过程中获取到的历史车辆数据以及每个预设时间段后对零部件状态进行检测得到的零部件状态参数，建立各零部件对应的多个状态参数与保养时间的对应关系，即通过各零部件的状态确定该零部件的保养时间，其中，保养时间可以是合理的时间范围或是准确的时间段，并将确定的对应关系进行存储。

示例性的，以表1中零部件状态参数为例，若润滑油的性能裂化数据下降30％，可以确定润滑油的保养时间为30天到40天之间，若润滑油的剩余量为90％，则对应的保养时间也会相应的增加；若制动盘的零部件磨损程度达到60％，则制动盘对应的保养时间可能在20天到30天之间，对应关系可以根据用户实际使用车辆的历史工况数据以及历史零部件状态来确定，在此不作限定。

S620、根据零部件对应的多个状态参数数据查找对应关系，确定车辆的保养信息。

可理解的，在上述S610的基础上，根据各零部件对应的多个状态参数数据查找相应的对应关系，各零部件的不同状态参数分别对应不同的保养时间，根据对应关系确定给当前车辆的保养信息，其中，保养信息包括待保养的一个或多个零部件以及与零部件对应的保养时间。

可选的，车辆保养信息的确定方法还包括：向车辆发送保养信息，以使车辆根据保养信息提醒用户待保养的零部件以及对应的保养时间。

可理解的，在上述S620的基础上，服务器12将确定的保养信息发送至车辆11的控制设备，车辆11为发送车辆数据至服务器12的车辆，车辆11的控制设备可以根据保养信息直接提醒用户各零部件的状态以及保养时间。

本公开实施例提供的一种车辆保养信息的确定方法，通过获取各零部件对应的多个状态参数与保养时间的对应关系，根据各零部件对应的多个状态参数数据查找对应关系，确定车辆的保养信息，其中，保养信息包括待保养的一个或多个零部件以及对应的保养时间。根据车辆的历史零部件状态与保养时间确定了对用关系，根据当前车辆中各零部件对应的多个状态参数数据查找对应关系，能够快速确定各零部件对应的保养时间，处理速度比较快，确定的保养信息准确率较高。

图7为本公开实施例提供的一种车辆保养信息的确定装置的结构示意图。本公开实施例提供的一种车辆保养信息的确定装置可以执行一种车辆保养信息的确定方法实施例提供的处理流程，如图7所示，车辆保养信息的确定装置700包括：

获取模块710，用于获取车辆数据；

提取模块720，用于根据车辆数据和多个预设工况特征参数，得到与车辆数据对应的多个工况特征参数数据；

处理模块730，用于通过零部件对应的状态预测模型分别对多个工况特征参数数据进行处理，得到与零部件对应的多个状态参数数据；

确定模块740，用于根据零部件对应的多个状态参数数据，确定车辆的保养信息，保养信息包括待保养的零部件以及对应的保养时间；

发送模块750，用于向车辆发送保养信息，以使车辆根据保养信息提醒用户待保养的零部件以及保养时间。

可选的，车辆保养信息的确定装置700还包括：特征模块，用于确定多个工况参数，工况参数为能够基于车辆数据计算得到的参数；基于多个工况参数对零部件状态的预设贡献度，从多个工况参数中筛选出用于预测零部件状态的多个预设工况特征参数。

可选的，车辆保养信息的确定装置700还包括：训练模块，用于获取多个工况特征参数的样本数据，样本数据基于车辆在第一预设时间段内行驶产生的车辆数据计算得到；获取各零部件对应的多个状态参数的反馈数据，反馈数据基于车辆在第一预设时间段结束后进行车辆保养得到；根据多个工况特征参数的样本数据以及各零部件对应的多个状态参数的反馈数据，训练神经网络模型，得到各零部件对应的状态预测模型。

可选的，提取模块720中多个工况特征参数包括用车环境、车速、车辆载荷、驾驶员驾驶特性、车辆总里程、制动时长、制动距离中的一种或多种。

可选的，确定模块740中根据零部件对应的多个状态参数数据，确定车辆的保养信息，具体用于：获取零部件对应的多个状态参数与保养时间的对应关系；根据零部件对应的多个状态参数数据查找对应关系，确定车辆的保养信息。

可选的，确定模块740中多个状态参数包括零部件状态、零部件故障状态、零部件磨损程度、性能裂化数据、零部件剩余量中的一种或多种。

可选的，训练模块中训练神经网络模型之后，具体用于：获取多个工况特征参数的验证数据，验证数据基于车辆在第二预设时间段内行驶产生的车辆数据计算得到；获取各零部件对应的多个状态参数的反馈数据，反馈数据基于车辆在第二预设时间段结束后进行车辆保养得到；通过各零部件对应的状态预测模型分别对多个工况特征参数的验证数据进行处理，得到各零部件对应的多个状态参数的预测数据；判断预测数据与反馈数据是否匹配，若是，则保存对应的状态预测模型；若否，则根据多个工况特征参数的验证数据以及各零部件对应的多个状态参数的反馈数据，修正对应的状态预测模型。

图7所示实施例的一种车辆保养信息的确定装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图8为本公开实施例提供的一种车辆保养信息的确定设备的结构示意图。该车辆保养信息的确定设备可以是如上的服务器或车辆。本公开实施例提供的车辆保养信息的确定设备可以执行车辆保养信息的确定方法的实施例提供的处理流程，如图8所示，车辆保养信息的确定设备800包括：处理器810、通讯接口820和存储器830；其中，计算机程序存储在存储器830中，并被配置为由处理器810执行如上述的车辆保养信息的确定方法。

另外，本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现上述实施例的车辆保养信息的确定方法。

此外，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现如上的车辆保养信息的确定方法。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (15)

1.一种车辆保养信息的确定方法，其特征在于，针对车辆的零部件，预先建立所述零部件对应的状态预测模型，所述方法包括：

获取车辆数据；

根据所述车辆数据和多个预设工况特征参数，得到与所述车辆数据对应的多个工况特征参数数据；

通过所述零部件对应的状态预测模型分别对所述多个工况特征参数数据进行处理，得到与所述零部件对应的多个状态参数数据；

根据所述零部件对应的多个状态参数数据，确定所述车辆的保养信息，所述保养信息包括待保养的零部件以及对应的保养时间。

2.根据权利要求1所述的方法，其特征在于，所述多个预设工况特征参数通过以下方式确定：

确定多个工况参数，所述工况参数为能够基于车辆数据计算得到的参数；

基于所述多个工况参数对零部件状态的预设贡献度，从所述多个工况参数中筛选出用于预测零部件状态的多个预设工况特征参数。

3.根据权利要求2所述的方法，其特征在于，所述多个工况特征参数包括用车环境、车速、车辆载荷、驾驶员驾驶特性、车辆总里程、制动时长、制动距离中的一种或多种。

4.根据权利要求1所述的方法，其特征在于，所述根据所述零部件对应的多个状态参数数据，确定所述车辆的保养信息，包括：

获取零部件对应的多个状态参数与保养时间的对应关系；

根据所述零部件对应的多个状态参数数据查找所述对应关系，确定所述车辆的保养信息。

5.根据权利要求4所述的方法，其特征在于，所述多个状态参数包括零部件状态、零部件故障状态、零部件磨损程度、性能裂化数据、零部件剩余量中的一种或多种。

6.根据权利要求1所述的方法，其特征在于，所述状态预测模型通过以下方式训练得到：

获取多个工况特征参数的样本数据，所述样本数据基于车辆在第一预设时间段内行驶产生的车辆数据计算得到；

获取各零部件对应的多个状态参数的反馈数据，所述反馈数据基于车辆在所述第一预设时间段结束后进行车辆保养得到；

根据所述多个工况特征参数的样本数据以及所述各零部件对应的多个状态参数的反馈数据，训练神经网络模型，得到各零部件对应的状态预测模型。

7.根据权利要求6所述的方法，其特征在于，所述训练神经网络模型之后，所述方法还包括：

获取多个工况特征参数的验证数据，所述验证数据基于车辆在第二预设时间段内行驶产生的车辆数据计算得到；

获取各零部件对应的多个状态参数的反馈数据，所述反馈数据基于车辆在所述第二预设时间段结束后进行车辆保养得到；

通过所述各零部件对应的状态预测模型分别对所述多个工况特征参数的验证数据进行处理，得到各零部件对应的多个状态参数的预测数据；

判断所述预测数据与所述反馈数据是否匹配，若是，则保存对应的状态预测模型；若否，则根据所述多个工况特征参数的验证数据以及所述各零部件对应的多个状态参数的反馈数据，修正对应的状态预测模型。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述方法还包括：

向所述车辆发送所述保养信息，以使所述车辆根据所述保养信息提醒用户待保养的零部件以及对应的保养时间。

9.一种车辆保养信息的确定装置，其特征在于，包括：

获取模块，用于获取车辆数据；

提取模块，用于根据所述车辆数据和多个预设工况特征参数，得到与所述车辆数据对应的多个工况特征参数数据，其中，所述预设工况特征参数的数量与所述工况特征参数数据的数量对应；

处理模块，用于通过所述零部件对应的状态预测模型分别对所述多个工况特征参数数据进行处理，得到与所述零部件对应的多个状态参数数据；

确定模块，用于根据所述零部件对应的多个状态参数数据，确定所述车辆的保养信息，所述保养信息包括待保养的零部件以及对应的保养时间。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

发送模块，用于向所述车辆发送所述保养信息，以使所述车辆根据所述保养信息提醒用户待保养的零部件以及对应的保养时间。

11.根据权利要求9所述的装置，其特征在于，所述装置还包括：

特征模块，用于确定多个工况参数，所述工况参数为能够基于车辆数据计算得到的参数；基于所述多个工况参数对零部件状态的预设贡献度，从所述多个工况参数中筛选出用于预测零部件状态的多个预设工况特征参数。

12.根据权利要求9所述的装置，其特征在于，所述装置还包括：

训练模块，用于获取多个工况特征参数的样本数据，所述样本数据基于车辆在第一预设时间段内行驶产生的车辆数据计算得到；获取各零部件对应的多个状态参数的反馈数据，所述反馈数据基于车辆在所述第一预设时间段结束后进行车辆保养得到；根据所述多个工况特征参数的样本数据以及所述各零部件对应的多个状态参数的反馈数据，训练神经网络模型，得到各零部件对应的状态预测模型。

13.根据权利要求9所述的装置，其特征在于，所述确定模块具体用于：获取零部件对应的多个状态参数与保养时间的对应关系；根据所述零部件对应的多个状态参数数据查找所述对应关系，确定所述车辆的保养信息。

14.一种车辆保养信息的确定设备，其特征在于，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-8中任一所述的方法。

15.一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如权利要求1-8中任一项所述的方法。

Images