CN114239734A - 一种分布式车载健康管理*** - Google Patents
一种分布式车载健康管理*** Download PDFInfo
- Publication number
- CN114239734A CN114239734A CN202111570496.2A CN202111570496A CN114239734A CN 114239734 A CN114239734 A CN 114239734A CN 202111570496 A CN202111570496 A CN 202111570496A CN 114239734 A CN114239734 A CN 114239734A
- Authority
- CN
- China
- Prior art keywords
- fault
- health
- data
- vehicle
- faults
- 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
- 230000036541 health Effects 0.000 title claims abstract description 160
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000012423 maintenance Methods 0.000 claims abstract description 42
- 230000008439 repair process Effects 0.000 claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000007726 management method Methods 0.000 claims description 98
- 238000012549 training Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 19
- 230000003862 health status Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 12
- 238000012512 characterization method Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种分布式车载健康管理***,属于车辆智能管理技术领域。该***包括:多个传感器、输入设备和多个健康管理分***;所述传感器,用于采集车辆上各电子分***的健康数据,并传输至相应的所述健康管理分***;输入设备,用于接收相关人员录入的车辆维护信息、修理信息;每一个所述健康管理分***,用于根据相应的所述传感器采集到的所述健康数据以及所述维护信息和所述修理信息,管理不同的所述电子分***的健康状态,管理所述电子分***的健康状态包括健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理。本发明能够实时监测车辆健康状态,实现提前故障预警,保障用车安全。
Description
技术领域
本发明涉及车辆智能管理技术领域,具体涉及一种分布式车载健康管理***。
背景技术
安全、可靠是车辆上的装备最基本也是最重要的要求,随着技术的发展,车辆上的电子设备越来越多,有些可以实现更加先进的功能,有些则代替原来的手动机械设备实现自动化。为保证车辆的安全可靠运行,需要对车辆的装备进行检修维护,目前大多数是人工定时进行,不仅需要大量的人力成本,而且在检测窗口期也无法保证车辆的安全可靠性。另外,目前的车辆检测都属于事后性的,也即只能对已经发生的情况进行检测,例如已经发生故障,那么根据相关的数据检测发生故障的原因、对故障进行定位,这种事后性的检测并不能降低车辆的安全风险,车辆依然可能在运行过程出现使用者意想不到的故障,导致影响使用甚至造成人身伤害。
发明内容
因此,本发明实施例要解决的技术问题在于克服现有技术中的人工检测车辆人力成本高且存在检测窗口期以及目前的检测仅能针对已经发生的故障进行检测导致依然会出现使用者意料不到的故障发生进而影响用车安全的缺陷,从而提供一种分布式车载健康管理***。
为此,本发明提供一种分布式车载健康管理***,包括:
多个传感器、输入设备和多个健康管理分***;
所述传感器,用于采集车辆上各电子分***的健康数据,并传输至相应的所述健康管理分***;
输入设备,用于接收相关人员录入的车辆维护信息、修理信息;
每一个所述健康管理分***,用于根据相应的所述传感器采集到的所述健康数据以及所述维护信息和所述修理信息,管理不同的所述电子分***的健康状态,管理所述电子分***的健康状态包括健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理。
可选的,所述健康管理分***还用于控制相应的终端显示车辆的至少部分所述健康数据、健康状态管理结果和/或根据健康状态管理结果确定的告警信息,所述终端包括乘员的终端、使用人员的终端和/或维护人员的终端。
可选的,多个所述健康管理分***包括:任务健康管理分***、作业健康管理分***和底盘健康管理分***;
所述任务健康管理分***用于管理所述电子分***中的任务分***的健康状态;
所述作业健康管理分***用于管理所述电子分***中的作业分***的健康状态;
所述底盘健康管理分***用于管理所述电子分***中的底盘分***的健康状态。
可选的,所述健康管理分***还用于将故障现象与故障模式库中的故障模式进行匹配,根据匹配到的故障模式确定故障原因,并进行故障处置或向维护人员的终端推送故障处置方法,每一所述故障模式包括故障现象、故障原因和故障处置方法。
可选的,所述健康管理分***使用故障趋势分析模型来进行故障趋势分析,所述故障趋势分析模型用于根据所述车辆历史和/或当前发生的故障预测将来可能发生的故障,所述故障趋势分析模型的训练数据是通过分别对每个样本车辆的历史故障数据进行聚类得到,所述样本车辆为所述车辆的同款车辆。
可选的,所述训练数据是通过以下方式得到:
针对每个所述样本车辆的历史故障数据,从第二次故障开始,依次确定各次故障与第一次故障之间的聚类度,直至获取到所述聚类度大于预设值的故障;所述历史故障数据包括每次故障发生的时间;
将与第一次故障之间的聚类度大于所述预设值的故障作为第一目标故障,与所述第一次故障一起添加进第一故障分组;
依次获取在所述第一目标故障之后的故障与所述第一故障分组中的故障之间的聚类度,直至获取所述聚类度大于所述预设值的故障,将与所述第一故障分组中的故障之间的聚类度大于所述预设值的故障作为所述第一目标故障,添加进所述第一故障分组;
重复上一步骤直至所述历史故障数据中的最后一次故障;
对于所述历史故障数据中未添加进所述第一故障分组的故障,按照上述步骤进行故障分组,将得到的故障分组对应的历史故障数据作为所述训练数据,所述故障分组包括所述第一故障分组。
本发明还提供一种分布式车载健康管理方法,包括以下步骤:
获取传感器采集到车辆电子分***的健康数据以及输入设备接收到的相关人员输入的车辆维护信息和修理信息;
根据所述健康数据以及所述维护信息和所述修理信息,管理所述电子分***的健康状态,管理所述电子分***的健康状态包括健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理。
可选的,所述根据所述健康数据以及所述维护信息和所述修理信息,管理所述电子分***的健康状态之后,还包括:
控制相应的终端显示所述车辆的至少部分所述健康数据、健康状态管理结果和/或根据健康状态管理结果确定的告警信息,所述终端包括乘员的终端、使用人员的终端和/或维护人员的终端。
可选的,所述管理所述电子分***的健康状态,包括:
使用故障趋势分析模型,根据所述车辆历史和/或当前发生的故障预测将来可能发生的故障;其中,
所述故障趋势分析模型的训练数据是通过分别对每个样本车辆的历史故障数据进行聚类得到,所述样本车辆为所述车辆的同款车辆。
可选的,所述使用故障趋势分析模型,根据所述车辆历史和/或当前发生的故障预测将来可能发生的故障之前,还包括:
针对每个所述样本车辆的历史故障数据,从第二次故障开始,依次确定各次故障与第一次故障之间的聚类度,直至获取到所述聚类度大于预设值的故障;所述历史故障数据包括每次故障发生的时间;
将与第一次故障之间的聚类度大于所述预设值的故障作为第一目标故障,与所述第一次故障一起添加进第一故障分组;
依次获取在所述第一目标故障之后的故障与所述第一故障分组中的故障之间的聚类度,直至获取所述聚类度大于所述预设值的故障,将与所述第一故障分组中的故障之间的聚类度大于所述预设值的故障作为所述第一目标故障,添加进所述第一故障分组;
重复上一步骤直至所述历史故障数据中的最后一次故障;
对于所述历史故障数据中未添加进所述第一故障分组的故障,按照上述步骤进行故障分组,将得到的故障分组对应的历史故障数据作为所述训练数据,所述故障分组包括所述第一故障分组;
使用所述训练数据对所述故障趋势分析模型进行训练。
本发明实施例的技术方案,具有如下优点:
本发明实施例提供的分布式车载健康管理***,能够实现车辆上各电子分***的健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理,且该健康管理是实时地、自动化地,在降低人力成本的同时,使得检测无间断,实时监测车辆健康状态,保障用车安全。故障趋势分析可以实现提前故障预警,避免故障突发影响车辆的使用、导致事故的发生。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例1中分布式车载健康管理***的一个具体示例的结构框图;
图2为本发明实施例1中多个所述健康管理分***及其管理的电子分***的一个具体示例的示意图;
图3为本发明实施例2中分布式车载健康管理方法的一个具体示例的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通;可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种分布式车载健康管理***100,如图1所示,包括:多个传感器101、输入设备102和多个健康管理分***103;
所述传感器101,用于采集车辆上各电子分***的健康数据,并传输至相应的所述健康管理分***103;
输入设备102,用于接收相关人员录入的车辆维护信息、修理信息;
每一个所述健康管理分***103,用于根据相应的所述传感器101采集到的所述健康数据以及所述维护信息和所述修理信息,管理不同的所述电子分***的健康状态,管理所述电子分***的健康状态包括健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理。
其中,电子分***也可以称为车载分***或车载分设备,具体可以按照功能对车辆的电子***进行划分得到。所述故障诊断包括典型故障诊断、关联诊断和/或辅助(故障)定位。故障分级主要根据故障可能造成的后果进行分级,包括一级故障、二级故障以及三级故障。一级故障,是会造成车辆损毁或人员人身伤害的故障;二级故障,是会造成车辆损坏,导致车辆重要功能无法正常使用的故障;三级故障,是会造成车辆部分电子分***故障,使得车辆部分一般性功能无法使用的故障。
故障趋势分析(也可以称为故障预测及推导)是指根据车辆历史发生的故障和/或当前发生的故障预测或推导出车辆将来可能发生的故障,包括从低一级的故障预测或推导出更高一级故障发生的概率、趋势、时间等,可能涉及多个故障模式(详见下述),譬如可以由多个二级故障推导出一个一级故障。
所述输入设备102还可以接收相关人员录入的故障信息,该故障信息可以是相关人员(例如维护人员)人工诊断出的故障信息。
每一所述健康管理分***103的功能可以分别基于不同的功能软件(即健康管理软件)实现,这些功能软件可以分别由不同的处理器执行。例如,不同健康管理分***103的功能软件可以安装在车辆的相应分***的中控计算机中,并由该中控计算机执行。
当然,作为可替换的实施方式,多个所述健康管理分***103也可以由同一个处理器执行。
另外,所述分布式车载健康管理***还用于管理和存储所述健康数据、所述维护信息和所述修理信息。
所述分布式车载健康管理***还包括信息传输接口,所述信息传输接口用于将所述传感器101采集到的所述健康数据导出,以供其他***或软件使用。该信息传输接口例如可以是USB接口、网口等。
本实施例中的健康管理***采用分层融合式***架构,能够实现车辆上各电子分***的健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理,且该健康管理是实时地、自动化地,在降低人力成本的同时,使得检测无间断,实时监测车辆健康状态,保障用车安全。故障趋势分析可以实现提前故障预警,避免故障突发影响车辆的使用、导致事故的发生。
可选的,所述健康管理分***103还用于控制相应的终端显示车辆的至少部分所述健康数据、健康状态管理结果和/或根据健康状态管理结果确定的告警信息,所述终端包括乘员的终端、使用人员的终端和/或维护人员的终端。
其中,在终端显示的至少部分健康数据包括一些关键的健康数据。所述健康状态管理结果包括健康状态监控结果、状态评估结果、故障诊断结果、故障趋势分析结果和/或故障分级管理结果。
另外,所述健康管理分***103还可以用于根据所述终端发送的查询信息向所述终端发送所述健康状态管理结果。
进一步可选的,所述健康管理***还可以将行车日志、维护信息和/或修理信息推送至使用人员的终端,从而使用人员可以从终端上查阅行车日志、维护信息和/或修理信息。所述健康管理***还可以将行车日志、历史维护信息和/或历史修理信息推送至维护人员的终端,从而维护人员可以从终端上查阅行车日志、历史维护信息和/或历史修理信息。
可选的,如图2所示,多个所述健康管理分***103包括:任务健康管理分***、作业健康管理分***和底盘健康管理分***;
所述任务健康管理分***用于管理所述电子分***中的任务分***的健康状态;
所述作业健康管理分***用于管理所述电子分***中的作业分***的健康状态;
所述底盘健康管理分***用于管理所述电子分***中的底盘分***的健康状态。
具体的,所述任务分***主要包括任务中控计算机(含机内板卡)、任务显控终端、任务***操作面板、第一任务***电气控制盒、第二任务***电气控制盒。所述作业分***主要包括:作业中控计算机(含机内板卡)、作业***操作面板、第一作业控制盒及第二作业控制盒。所述底盘分***主要包括:底盘中控计算机(含机内板卡)、驾驶显控终端、发电控制器、加温控制器、发动机控制器、变速箱控制器、车辆操作控制面板、电子综合控制盒。
可选的,所述健康管理分***103还用于将故障现象与故障模式库中的故障模式进行匹配,根据匹配到的故障模式确定故障原因,并进行故障处置或向维护人员的终端推送故障处置方法,每一所述故障模式包括故障现象、故障原因和故障处置方法。
本实施例中,当发生故障时,能够根据故障现象基于故障模式库快速定位故障原因并查找故障处置方法。
若发生故障后未在所述故障模式库中匹配到故障模式,则所述健康管理分***103记录故障发生的时间、环境条件、针对该故障进行的处置方法,并尽可能查找故障原因,例如事后使用专业的分析软件对故障进行分析,查找故障可能的原因以及其他可能的处置方法,并将归纳出来的可能故障模式纳入待验证故障模式库中,通过车辆后续的使用,验证可能故障模式的有效性及正确性,对于得到验证的可能故障模式应纳入故障模式库管理。
可选的,所述健康管理分***103使用故障趋势分析模型来进行故障趋势分析,所述故障趋势分析模型用于根据所述车辆历史和/或当前发生的故障预测将来可能发生的故障,所述故障趋势分析模型的训练数据是通过分别对每个样本车辆的历史故障数据(请参阅下表1,表中未示出故障发生时间)进行聚类得到,所述样本车辆为所述车辆的同款车辆。
表1故障示例
所述故障趋势分析模型例如可以是支持向量机模型。
本实施例中,通过对样本车辆的历史故障数据进行聚类处理得到故障趋势分析模型的训练数据,从而将有关联的故障数据从离散的故障数据中划分出来,便于快速训练得到预测准确度高的故障趋势分析模型。
可选的,所述训练数据是通过以下方式得到:
针对每个所述样本车辆的历史故障数据,从第二次故障开始,依次确定各次故障与第一次故障之间的聚类度,直至获取到所述聚类度大于预设值的故障;所述历史故障数据包括每次故障发生的时间;
将与第一次故障之间的聚类度大于所述预设值的故障作为第一目标故障,与所述第一次故障一起添加进第一故障分组;
依次获取在所述第一目标故障之后的故障与所述第一故障分组中的故障之间的聚类度,直至获取所述聚类度大于所述预设值的故障,将与所述第一故障分组中的故障之间的聚类度大于所述预设值的故障作为所述第一目标故障,添加进所述第一故障分组;
重复上一步骤直至所述历史故障数据中的最后一次故障;
对于所述历史故障数据中未添加进所述第一故障分组的故障,按照上述步骤进行故障分组,将得到的故障分组对应的历史故障数据作为所述训练数据,所述故障分组包括所述第一故障分组。
其中,故障分组对应的历史故障数据为故障分组中各次故障的数据。一个故障分组中前面(按照故障发生的时间顺序)的故障可作为后一个故障发生的原因,后一个故障可作为结果。具体的,若一个故障分组中有N个故障,前n-1个故障可作为第n个故障发生的原因,n小于或等于N。
若所述历史故障数据中某一次故障(例如样本车辆的历史故障数据中的第一次故障)与其他的任一次故障之间的聚类度均小于或等于所述预设值,则不进行分组处理,也不作为所述故障趋势分析模型的训练数据。本实施例中,一个样本车辆的历史故障数据可以分出一个故障分组也可以分出多个故障分组,还可能一个故障分组都分不出。
具体的,聚类度可以通过以下方式确定:
对于故障之间的聚类度,首先分别获取两个故障之间多个维度上的关联分值,然后对多个维度上的关联分值进行加权求和作为两个故障之间的聚类度;
对于故障与故障分组之间的聚类度,则先按照上述故障之间的聚类度的计算方法,计算故障与故障分组中各个故障之间的聚类度,然后通过加权求和的方式计算故障与故障分组之间的聚类度。其中,加权求和时的权重,根据故障发生的时间的确定,例如本实施例中,计算故障与故障分组之间的聚类度时,故障分组中的故障都在单独的故障之前,因此故障分组中的故障与单独的故障之间的聚类度的权重随着时间的先后顺序逐渐增大。
其中,计算关联分值时的故障维度可以包括故障原因、故障等级、可能造成的后果等。
进一步可选的,在获取到故障分组后,分别利用各故障分组对应的历史故障数据对作为所述故障趋势分析模型的支持向量机模型进行训练,并采用粒子群算法对支持向量机的惩罚参数和核函数参数进行优化,粒子群算法的适应度函数g的公式为:
其中,Cj为第j个故障分组对应的历史故障数据,Xi为Cj中前i个故障的历史故障数据,Yj(i)为Xi在支持向量机模型中的实际输出,Qj(i)为Cj中第i+1个故障的历史故障数据,同时为Xi在支持向量机模型中的期望输出,M为第j个故障分组中故障的个数。
其他可选的具体实施方式中,所述故障趋势分析模型是通过以下训练得到:
获取所述训练数据中所述故障分组对应的历史故障数据作为样本故障数据,每个所述样本故障数据包括每次故障的发生时间;
获取与所述样本故障数据的知识图谱对应的图结构,并确定所述图结构中每个节点的初始知识表征向量以及所述每个节点的初始状态表征向量,其中,所述图结构由多个节点和边组成;
将所述图结构中每个节点的初始知识表征向量输入图注意力神经网络模型中,得到所述图结构中每个节点的知识表征向量;
获取所述图结构中前n次故障对应的图结构中每个节点的初始状态表征向量,以及第n+1次故障对应的图结构中每个节点的激活向量,并输入至循环神经网络模型中,得到所述图结构中每个节点的状态表征向量;
将所述图结构中每个节点的知识表征向量和状态表征向量输入多层感知机,得到所述训练集中故障之间的关联关系,并根据所述关联关系训练所述故障趋势分析模型。
其中,每个节点的初始知识表征向量可以为随机的初始化向量,每个节点的初始状态表征向量可以为零向量。
训练集中涉及到的车辆包括同款车辆。所述图结构的节点用于表示故障(请参阅上表1中的故障示例),边用于表示节点之间的关联关系。
本发明实施例中,通过收集大量故障样本数据,并使用大数据方法寻找故障之间的联系、推导并建立离散故障之间的因果关系,从而实现故障预测。
可选的,所述健康管理分***103具体可以按照以下方式对所述电子分***进行健康状态评估:
利用灰色关联分析方法确定健康数据、维护信息和修理信息中各数据项对电子分***健康的影响权重,然后根据确定的影响权重,确定所述电子分***当前的健康状态值。
具体的,影响权重可以通过以下方式确定:
多次获取各健康数据、维护信息和修理信息,具体的,可以分别获取每次维护、修理前的健康数据和维护时的维护信息、修理时的修理信息,得到观测矩阵A:
其中,t表示第t次,t=1,2,…,T,ft(1),ft(2),……,ft(B)表示第t次获取的B个数据项(包括健康数据、维护信息和修理信息);
对观测矩阵A进行无量纲处理,得到观测矩阵A1:
设观测矩阵A1的第一列向量为观测向量,其他列向量为比较向量,计算得到每个比较向量中各子项的关联系数,并构成关联系数矩阵G:
b'=2,3,......,B
计算每两个数据(健康数据、维护信息和修理信息)项之间的关联度:
b1,b2=1,2,......,B,且b1≠b2
从而得到各个数据项之间的关联度矩阵G':
由于关联度矩阵G'是一个非负对称矩阵,根据非负对称矩阵的性质,关联度矩阵G'存在最大模特征值,用符号λ表示,使得λC=G'C,C为特征向量;利用非负对称矩阵特征值和特征向量提取工具,得到关联度矩阵G'的特征值和特征向量,用符号W表示最大模特征值λ对应的特征向量,W∈C,W=[ω1,ω2,…,ωB]T,ω1,ω2,…,ωB表示各数据项的影响权重。
在根据影响权重计算健康状态值时可以对每一项健康数据、维护信息和修理信息进行健康打分,然后基于健康打分和影响权重计算健康状态值。
实施例2
本施例提供一种分布式车载健康管理方法,如图3所示,包括以下步骤:
S1:获取传感器采集到车辆电子分***的健康数据以及输入设备接收到的相关人员输入的车辆维护信息和修理信息;
S2:根据所述健康数据以及所述维护信息和所述修理信息,管理所述电子分***的健康状态,管理所述电子分***的健康状态包括健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理。
本发明实施例提供的分布式车载健康管理方法,能够实现车辆上各电子分***的健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理,且该健康管理是实时地、自动化地,在降低人力成本的同时,使得检测无间断,实时监测车辆健康状态,保障用车安全。故障趋势分析可以实现提前故障预警,避免故障突发影响车辆的使用、导致事故的发生。
可选的,所述根据所述健康数据以及所述维护信息和所述修理信息,管理所述电子分***的健康状态之后,还包括:
控制相应的终端显示所述车辆的至少部分所述健康数据、健康状态管理结果和/或根据健康状态管理结果确定的告警信息,所述终端包括乘员的终端、使用人员的终端和/或维护人员的终端。
可选的,所述管理所述电子分***的健康状态,包括:
使用故障趋势分析模型,根据所述车辆历史和/或当前发生的故障预测将来可能发生的故障;其中,
所述故障趋势分析模型的训练数据是通过分别对每个样本车辆的历史故障数据进行聚类得到,所述样本车辆为所述车辆的同款车辆。
可选的,所述使用故障趋势分析模型,根据所述车辆历史和/或当前发生的故障预测将来可能发生的故障之前,还包括:
针对每个所述样本车辆的历史故障数据,从第二次故障开始,依次确定各次故障与第一次故障之间的聚类度,直至获取到所述聚类度大于预设值的故障;所述历史故障数据包括每次故障发生的时间;
将与第一次故障之间的聚类度大于所述预设值的故障作为第一目标故障,与所述第一次故障一起添加进第一故障分组;
依次获取在所述第一目标故障之后的故障与所述第一故障分组中的故障之间的聚类度,直至获取所述聚类度大于所述预设值的故障,将与所述第一故障分组中的故障之间的聚类度大于所述预设值的故障作为所述第一目标故障,添加进所述第一故障分组;
重复上一步骤直至所述历史故障数据中的最后一次故障;
对于所述历史故障数据中未添加进所述第一故障分组的故障,按照上述步骤进行故障分组,将得到的故障分组对应的历史故障数据作为所述训练数据,所述故障分组包括所述第一故障分组;
使用所述训练数据对所述故障趋势分析模型进行训练。
本实施例与上述实施例1具有相同的发明构思,详细请参阅上述实施例1,此处不再赘述。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种分布式车载健康管理***,其特征在于,包括:
多个传感器、输入设备和多个健康管理分***;
所述传感器,用于采集车辆上各电子分***的健康数据,并传输至相应的所述健康管理分***;
输入设备,用于接收相关人员录入的车辆维护信息、修理信息;
每一个所述健康管理分***,用于根据相应的所述传感器采集到的所述健康数据以及所述维护信息和所述修理信息,管理不同的所述电子分***的健康状态,管理所述电子分***的健康状态包括健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理。
2.根据权利要求1所述的***,其特征在于,所述健康管理分***还用于控制相应的终端显示车辆的至少部分所述健康数据、健康状态管理结果和/或根据健康状态管理结果确定的告警信息,所述终端包括乘员的终端、使用人员的终端和/或维护人员的终端。
3.根据权利要求1所述的***,其特征在于,多个所述健康管理分***包括:任务健康管理分***、作业健康管理分***和底盘健康管理分***;
所述任务健康管理分***用于管理所述电子分***中的任务分***的健康状态;
所述作业健康管理分***用于管理所述电子分***中的作业分***的健康状态;
所述底盘健康管理分***用于管理所述电子分***中的底盘分***的健康状态。
4.根据权利要求1所述的***,其特征在于,所述健康管理分***还用于将故障现象与故障模式库中的故障模式进行匹配,根据匹配到的故障模式确定故障原因,并进行故障处置或向维护人员的终端推送故障处置方法,每一所述故障模式包括故障现象、故障原因和故障处置方法。
5.根据权利要求1所述的***,其特征在于,所述健康管理分***使用故障趋势分析模型来进行故障趋势分析,所述故障趋势分析模型用于根据所述车辆历史和/或当前发生的故障预测将来可能发生的故障,所述故障趋势分析模型的训练数据是通过分别对每个样本车辆的历史故障数据进行聚类得到,所述样本车辆为所述车辆的同款车辆。
6.根据权利要求5所述的***,其特征在于,所述训练数据是通过以下方式得到:
针对每个所述样本车辆的历史故障数据,从第二次故障开始,依次确定各次故障与第一次故障之间的聚类度,直至获取到所述聚类度大于预设值的故障;所述历史故障数据包括每次故障发生的时间;
将与第一次故障之间的聚类度大于所述预设值的故障作为第一目标故障,与所述第一次故障一起添加进第一故障分组;
依次获取在所述第一目标故障之后的故障与所述第一故障分组中的故障之间的聚类度,直至获取所述聚类度大于所述预设值的故障,将与所述第一故障分组中的故障之间的聚类度大于所述预设值的故障作为所述第一目标故障,添加进所述第一故障分组;
重复上一步骤直至所述历史故障数据中的最后一次故障;
对于所述历史故障数据中未添加进所述第一故障分组的故障,按照上述步骤进行故障分组,将得到的故障分组对应的历史故障数据作为所述训练数据,所述故障分组包括所述第一故障分组。
7.一种分布式车载健康管理方法,其特征在于,包括以下步骤:
获取传感器采集到车辆电子分***的健康数据以及输入设备接收到的相关人员输入的车辆维护信息和修理信息;
根据所述健康数据以及所述维护信息和所述修理信息,管理所述电子分***的健康状态,管理所述电子分***的健康状态包括健康状态监控、状态评估、故障诊断、故障趋势分析和/或故障分级管理。
8.根据权利要求7所述的方法,其特征在于,所述根据所述健康数据以及所述维护信息和所述修理信息,管理所述电子分***的健康状态之后,还包括:
控制相应的终端显示所述车辆的至少部分所述健康数据、健康状态管理结果和/或根据健康状态管理结果确定的告警信息,所述终端包括乘员的终端、使用人员的终端和/或维护人员的终端。
9.根据权利要求7所述的方法,其特征在于,所述管理所述电子分***的健康状态,包括:
使用故障趋势分析模型,根据所述车辆历史和/或当前发生的故障预测将来可能发生的故障;其中,
所述故障趋势分析模型的训练数据是通过分别对每个样本车辆的历史故障数据进行聚类得到,所述样本车辆为所述车辆的同款车辆。
10.根据权利要求9所述的方法,其特征在于,所述使用故障趋势分析模型,根据所述车辆历史和/或当前发生的故障预测将来可能发生的故障之前,还包括:
针对每个所述样本车辆的历史故障数据,从第二次故障开始,依次确定各次故障与第一次故障之间的聚类度,直至获取到所述聚类度大于预设值的故障;所述历史故障数据包括每次故障发生的时间;
将与第一次故障之间的聚类度大于所述预设值的故障作为第一目标故障,与所述第一次故障一起添加进第一故障分组;
依次获取在所述第一目标故障之后的故障与所述第一故障分组中的故障之间的聚类度,直至获取所述聚类度大于所述预设值的故障,将与所述第一故障分组中的故障之间的聚类度大于所述预设值的故障作为所述第一目标故障,添加进所述第一故障分组;
重复上一步骤直至所述历史故障数据中的最后一次故障;
对于所述历史故障数据中未添加进所述第一故障分组的故障,按照上述步骤进行故障分组,将得到的故障分组对应的历史故障数据作为所述训练数据,所述故障分组包括所述第一故障分组;
使用所述训练数据对所述故障趋势分析模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111570496.2A CN114239734B (zh) | 2021-12-21 | 2021-12-21 | 一种分布式车载健康管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111570496.2A CN114239734B (zh) | 2021-12-21 | 2021-12-21 | 一种分布式车载健康管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114239734A true CN114239734A (zh) | 2022-03-25 |
CN114239734B CN114239734B (zh) | 2023-09-12 |
Family
ID=80760147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111570496.2A Active CN114239734B (zh) | 2021-12-21 | 2021-12-21 | 一种分布式车载健康管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239734B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203001A (zh) * | 2022-09-09 | 2022-10-18 | 中国电子科技集团公司第十五研究所 | 一种设备健康管理的方法和*** |
CN115214700A (zh) * | 2022-05-26 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种车辆健康管理方法及*** |
CN117671818A (zh) * | 2024-02-01 | 2024-03-08 | 新汽有限公司 | 一种车辆数据的管理*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110172874A1 (en) * | 2010-01-13 | 2011-07-14 | Gm Global Technology Operations, Inv. | Fault prediction framework using temporal data mining |
US20140244552A1 (en) * | 2013-02-28 | 2014-08-28 | University Of Southern California | Global model for failure prediction for artificial lift systems |
CN105548764A (zh) * | 2015-12-29 | 2016-05-04 | 山东鲁能软件技术有限公司 | 一种电力设备故障诊断方法 |
CN107579846A (zh) * | 2017-08-23 | 2018-01-12 | 昆明理工大学 | 一种云计算故障数据检测方法及*** |
CN109421466A (zh) * | 2017-09-04 | 2019-03-05 | 武汉德朗高科汽车电气有限公司 | 用于电动客车的空调健康监测***及监测方法 |
EP3489912A1 (en) * | 2017-11-28 | 2019-05-29 | The Boeing Company | Apparatus and method for vehicle maintenance scheduling and fault monitoring |
CN109902153A (zh) * | 2019-04-02 | 2019-06-18 | 杭州安脉盛智能技术有限公司 | 基于自然语言处理和案例推理的设备故障诊断方法及*** |
CN111240300A (zh) * | 2020-01-07 | 2020-06-05 | 国电南瑞科技股份有限公司 | 基于大数据的车辆健康状态评估模型构建方法 |
CN113379390A (zh) * | 2021-06-23 | 2021-09-10 | 沈阳顺义科技有限公司 | 一种战车分队健康管理装置 |
CN113704075A (zh) * | 2021-09-23 | 2021-11-26 | 中国人民解放军国防科技大学 | 一种基于故障日志的高性能计算***故障预测方法 |
-
2021
- 2021-12-21 CN CN202111570496.2A patent/CN114239734B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110172874A1 (en) * | 2010-01-13 | 2011-07-14 | Gm Global Technology Operations, Inv. | Fault prediction framework using temporal data mining |
US20140244552A1 (en) * | 2013-02-28 | 2014-08-28 | University Of Southern California | Global model for failure prediction for artificial lift systems |
CN105548764A (zh) * | 2015-12-29 | 2016-05-04 | 山东鲁能软件技术有限公司 | 一种电力设备故障诊断方法 |
CN107579846A (zh) * | 2017-08-23 | 2018-01-12 | 昆明理工大学 | 一种云计算故障数据检测方法及*** |
CN109421466A (zh) * | 2017-09-04 | 2019-03-05 | 武汉德朗高科汽车电气有限公司 | 用于电动客车的空调健康监测***及监测方法 |
EP3489912A1 (en) * | 2017-11-28 | 2019-05-29 | The Boeing Company | Apparatus and method for vehicle maintenance scheduling and fault monitoring |
CN109902153A (zh) * | 2019-04-02 | 2019-06-18 | 杭州安脉盛智能技术有限公司 | 基于自然语言处理和案例推理的设备故障诊断方法及*** |
CN111240300A (zh) * | 2020-01-07 | 2020-06-05 | 国电南瑞科技股份有限公司 | 基于大数据的车辆健康状态评估模型构建方法 |
CN113379390A (zh) * | 2021-06-23 | 2021-09-10 | 沈阳顺义科技有限公司 | 一种战车分队健康管理装置 |
CN113704075A (zh) * | 2021-09-23 | 2021-11-26 | 中国人民解放军国防科技大学 | 一种基于故障日志的高性能计算***故障预测方法 |
Non-Patent Citations (3)
Title |
---|
GUANG WANG、SHEN YIN: "Data-driven fault diagnosis for an automobile suspension system by using a clustering based method", 《JOURNAL OF THE FRANKLIN INSTITUTE》, pages 3231 - 3244 * |
XIAOJIAN YI 等: "A Survey on Prognostic and Health Management for Special Vehicles", 《2018 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE》, pages 201 - 208 * |
刘孔林、唐先兵: "矿用百吨级蓄电池铲板车研发", 《煤炭科学技术》, vol. 47, no. 2, pages 92 - 96 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115214700A (zh) * | 2022-05-26 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种车辆健康管理方法及*** |
CN115203001A (zh) * | 2022-09-09 | 2022-10-18 | 中国电子科技集团公司第十五研究所 | 一种设备健康管理的方法和*** |
CN117671818A (zh) * | 2024-02-01 | 2024-03-08 | 新汽有限公司 | 一种车辆数据的管理*** |
CN117671818B (zh) * | 2024-02-01 | 2024-04-16 | 新汽有限公司 | 一种车辆数据的管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN114239734B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114239734B (zh) | 一种分布式车载健康管理*** | |
EP2015186B1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN113011530B (zh) | 一种基于多分类器融合的智能电表故障预测方法 | |
CN112286771B (zh) | 一种针对全域资源监控的告警方法 | |
WO2011073613A1 (en) | A method, apparatus and computer program for diagnosing a mode of operation of a machine | |
CN111143173A (zh) | 一种基于神经网络的服务器故障监测方法及*** | |
CN109809149B (zh) | 一种工业生产设备故障预警***及方法 | |
EP3553044A1 (en) | System and method of remote object monitoring | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN110633905A (zh) | 智能车云平台可靠性计算方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及*** | |
WO2019209146A1 (ru) | Способ и система идентификации и прогнозирования развития дефектов объектов | |
CN117054887A (zh) | 一种锂离子电池***内部故障诊断方法 | |
CN111579001A (zh) | 机器人的故障检测方法及装置 | |
CN115037603A (zh) | 用电信息采集设备的诊断评估方法、装置及*** | |
KR102516227B1 (ko) | 선박용 고장 예측진단 시스템 및 그 예측진단 방법 | |
CN113919207A (zh) | 上面级开放式电气智能健康监测与管理*** | |
CN113297033A (zh) | 基于云端监测数据的车辆电控***健康评估方法和*** | |
CN112882875A (zh) | 故障诊断方法 | |
CN113010394A (zh) | 一种用于数据中心的机房故障检测方法 | |
CN115599077B (zh) | 车辆故障定界方法、装置、电子设备及存储介质 | |
CN114881321A (zh) | 机械部件故障预测方法、装置、电子设备及存储介质 | |
CN109558258B (zh) | 一种分布式***根源故障定位的方法及装置 | |
CN111160454B (zh) | 一种速变信号检测方法和装置 | |
CN117893955B (zh) | 一种环网柜故障检测*** |
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 |