一种车辆故障预警方法、系统及车辆与流程

本申请涉及车辆工程技术领域，特别涉及一种车辆故障预警方法、系统及车辆。

背景技术：

随着我国车辆工业的发展和人民生活水平的提高，车辆越来越多地进入普通家庭。伴随着车辆的持续增加，道路交通事故急剧增加。其中由于车辆部件本身的问题造成的交通事故，占据了交通事故的30％以上。车辆故障预警系统作为车辆主动安全的主要手段，在车联网服务中的重要性与日俱增。

现有车辆在线故障预警系统主要基于单一的车辆数据的参考阈值进行预测，其预测周期较短，准确性较差，其可靠性不能满足车辆主动安全的用户需求。因此如何提高车辆故障预警的准确性，是本领域技术人员需要解决的技术问题。

技术实现要素：

本申请的目的是提供一种车辆故障预警方法、系统及车辆，训练统计模型得到异常检测算法程序来进行预测判断，提高了系统伸缩性和数据适应性，增加了预测可控周期以及提高了预测的精度。

为解决上述技术问题，本申请提供一种车辆故障预警方法，所述方法包括：

接收采集到的车辆预警相关数据；

利用异常检测算法程序对所述车辆预警相关数据进行处理，判断是否存在车辆故障预警信息；其中，所述异常检测算法程序为利用采集到的历史车辆预警相关数据对统计模型进行训练得到。

可选的，接收采集到的车辆预警相关数据，包括：

接收车辆终端机发送的车辆运行数据和车辆can总线数据；

接收环境数据接口发送的车辆环境数据。

可选的，接收车辆终端机发送的车辆运行数据和车辆can总线数据，包括：

车辆终端机利用卫星定位系统收集车辆运行数据；其中，所述车辆运行数据包括车辆位置数据、车辆速度数据以及车辆方向数据；

所述车辆终端机利用can总线数据接收器收集车辆can总线数据；

车辆故障预警服务器利用tcp长连接接收所述车辆运行数据和所述车辆can总线数据。

可选的，接收环境数据接口发送的车辆环境数据，包括：

环境数据接口利用http请求从环境公共服务接口获取车辆环境数据；

车辆故障预警服务器利用websocket网络连接接收所述车辆环境数据。

可选的，利用采集到的历史车辆预警相关数据对统计模型进行训练得到所述异常检测算法程序，包括：

将历史车辆预警相关数据映射形成训练数据集{x⁽¹⁾,...,x^(m)}；

建立执行车辆故障预警的高斯统计模型p(x；μ,σ²)；

根据所述训练数据集确定每个特征值xi对应的μi和

利用所述μi、所述以及所述高斯统计模型得到所述异常检测算法程序；

其中，x⁽ⁱ⁾为多维特征向量，μ为期望，σ为标准差，σ²为方差，x为变量，m为训练数据集的大小。

可选的，本方案还包括：

接收用户对处理结果的反馈信息对所述异常检测算法程序进行更新。

本申请还提供一种车辆，包括：

数据采集器，用于采集车辆预警相关数据，并将所述车辆预警相关数据发送给车辆故障预警处理器；

所述车辆故障预警处理器，用于利用异常检测算法程序对接收的所述车辆预警相关数据进行处理，判断是否存在车辆故障预警信息；其中，所述异常检测算法程序为利用采集到的历史车辆预警相关数据对统计模型进行训练得到。

可选的，所述车辆故障预警处理器包括：

异常检测算法程序训练器，用于将历史车辆预警相关数据映射形成训练数据集{x⁽¹⁾,...,x^(m)}；建立执行车辆故障预警的高斯统计模型p(x；μ,σ²)；根据所述训练数据集确定每个特征值xi对应的μi和利用所述μi、所述以及所述高斯统计模型得到所述异常检测算法程序；

其中，x⁽ⁱ⁾为多维特征向量，μ为期望，σ为标准差，σ²为方差，x为变量，m为训练数据集的大小。

可选的，所述车辆故障预警处理器包括：

异常检测算法程序更新器，用于接收用户对处理结果的反馈信息对所述异常检测算法程序进行更新。

本申请还提供一种车辆故障预警系统，所述系统包括：

车辆，用于采集车辆预警相关数据，并将所述车辆预警相关数据发送给车辆故障预警服务器；

所述车辆故障预警服务器，用于利用异常检测算法程序对接收的所述车辆预警相关数据进行处理，判断是否存在车辆故障预警信息；其中，所述异常检测算法程序为利用采集到的历史车辆预警相关数据对统计模型进行训练得到。

本申请所提供的一种车辆故障预警方法，包括：接收采集到的车辆预警相关数据；利用异常检测算法程序对车辆预警相关数据进行处理，判断是否存在车辆故障预警信息；其中，异常检测算法程序为利用采集到的历史车辆预警相关数据对统计模型进行训练得到。

可见，该方法训练统计模型得到异常检测算法程序来进行预测判断，提高了系统伸缩性和数据适应性，增加了预测可控周期以及提高了预测的精度；本申请还提供了一种车辆故障预警系统及车辆，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的车辆故障预警方法的流程图；

图2为本申请实施例所提供的异常检测算法程序对车辆预警相关数据进行处理结果示意图；

图3为本申请实施例所提供的车辆故障预警系统的结构框图；

图4为本申请实施例所提供的车辆的结构框图。

具体实施方式

本申请的核心是提供一种车辆故障预警方法、系统及车辆，训练统计模型得到异常检测算法程序来进行预测判断，提高了系统伸缩性和数据适应性，增加了预测可控周期以及提高了预测的精度。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本实施例利用异常检测算法程序进行车辆预警相关数据分析方法，即利用异常检测非监督算法的车联网车辆故障预测的即时分析方法，针对现有预警系统的问题，利用异常检测算法程序统一处理车辆预警相关数据(例如车辆运行数据，车辆can总线数据和环境数据)，以延长预测周期，提高预测准确率；具体请参考图1，图1为本申请实施例所提供的车辆故障预警方法的流程图；该方法可以包括：

s100、接收采集到的车辆预警相关数据。

具体的，本实施例并不对车辆预警相关数据的具体内容进行限定，可以是现有技术采集的单一的车辆数据，也可以是多种车辆数据。优选的，当用户选择多种类型的车辆数据作为车辆预警相关数据时，可以使车辆预警相关数据维度更加宽阔，进而增加了预测的精度和可控周期。即车辆预警相关数据的选择可以由用户根据实际所需预测精度和硬件计算能力进行选择。例如可以包括车辆运行数据、车辆can总线数据以及车辆环境数据等。

进一步，本实施例并不限定车辆预警相关数据采集的装置，其可以根据实际车辆预警相关数据采集需求进行选择。例如车辆can总线数据可以通过can总线数据接收器采集获得。由于并不对车辆预警相关数据采集的装置进行限定，对应的本实施例也不对接收采集到的车辆预警相关数据的接收方式进行限定。其可以根据具体情况进行适应性选择。该步骤只要可以获取到所需的车辆预警相关数据即可。例如当车辆预警相关数据包含有车辆can总线数据时，可以通过车辆上的装置进行对应数据的采集，因为车辆上的装置会更加容易采集到准确的车辆can总线数据。当车辆预警相关数据包含有车辆环境数据可以通过环境公共服务接口(例如中国天气网公共接口)来获取车辆对应数据。即采集方式的确定可以将数据的准确性和采集过程的方便性作为参考依据。为了保证采集的数据的可靠性和准确性，可选的，接收采集到的车辆预警相关数据可以包括：

接收车辆终端机发送的车辆运行数据和车辆can总线数据。

具体的，在车辆中增加车辆终端机来收集车辆运行数据和车辆can总线数据。即可以及时获取车辆当前的车辆预警相关数据。本实施例并不限定车辆运行数据和车辆can总线数据采集方式，也不限定具体的车辆运行数据和车辆can总线数据采集内容。例如可以通过车辆的仪表盘获取车辆运行数据也可以通过卫星定位系统获取车辆运行数据。进一步为了保证数据采集的便利性，可选的，接收车辆终端机发送的车辆运行数据和车辆can总线数据可以包括：车辆终端机利用卫星定位系统收集车辆运行数据；其中，车辆运行数据包括车辆位置数据、车辆速度数据以及车辆方向数据；车辆终端机利用can总线数据接收器收集车辆can总线数据。即车辆终端机利用卫星定位系统收集到车辆运行的位置，速度，方向等数据。车辆终端机利用can线数据接收器收集到车辆的发动机相关的can数据和车辆相关的can数据。

接收环境数据接口发送的车辆环境数据。

具体的，本实施例并不限定车辆环境数据采集方式，也不限定具体的车辆环境数据采集内容。例如可以环境数据接口利用http请求从环境公共服务接口(例如中国天气网公共接口)获取车辆环境数据。即环境数据接口服务利用http请求按需从环境公共服务(例如中国天气网公共接口)中获取和车辆有关的环境参数即车辆环境数据。这里的环境数据接口可以设置在车辆上，也可以是设置在车辆故障预警服务器中，本实施例对此并不进行限定。

本实施例中的执行主体可以是车辆故障预警服务器，也可以是车辆中的处理器。当本实施例中的执行主体是车辆故障预警服务器时，车辆故障预警服务器接收车辆运行数据、车辆can总线数据以及车辆环境数据。本实施例并不限定数据传输的方式。进一步为了保证数据传输的可靠性，可以通过tcp协议以及websocket网络进行数据传输。可选的，车辆故障预警服务器利用tcp长连接接收车辆运行数据和车辆can总线数据，利用websocket网络连接接收车辆环境数据。即车辆终端机利用tcp长连接将数据传输至车辆故障预警后台系统(即车辆故障预警服务器)。环境数据接口利用websocket推送车辆环境数据至车辆故障预警后台系统。这里利用互联网环境信息接口，实时提取数据，提高了系统的预测精度。

s110、利用异常检测算法程序对车辆预警相关数据进行处理，判断是否存在车辆故障预警信息；其中，异常检测算法程序为利用采集到的历史车辆预警相关数据对统计模型进行训练得到。

具体的，本实施例中的执行主体可以是车辆故障预警服务器，也可以是车辆中的处理器。它们可以包含两个处理模块或者理解为处理器件，例如包含车辆预警相关数据接收模块，和车辆预警相关数据处理模块。其中，车辆预警相关数据处理模块利用训练好的异常检测算法程序实时处理车辆运行数据、车辆can总线数据以及车辆环境数据，判断车辆故障是否可能发生。具体的，收集和上传车辆运行数据和车辆can总线数据的车辆终端机，获取相应环境数据的环境数据接口服务，综合处理数据进行车辆故障判断的车辆故障预警后台系统。本实施例并不对具体的统计模型进行限定。例如可以是高斯统计模型。使用高斯分布来进行预测判断，提高了系统伸缩性和数据适应性，增加了预测可控周期。

其中，利用采集到的历史车辆预警相关数据对统计模型进行训练得到异常检测算法程序可以包括：

将历史车辆预警相关数据映射形成训练数据集{x⁽¹⁾,...,x^(m)}；

建立执行车辆故障预警的高斯统计模型p(x；μ,σ²)；

根据训练数据集确定每个特征值xi对应的μi和

利用μi、以及高斯统计模型得到异常检测算法程序；

其中，x⁽ⁱ⁾为多维特征向量，μ为期望，σ为标准差，σ²为方差，x为变量，m为训练数据集的大小。

下面以车辆运行数据、车辆can总线数据以及车辆环境数据为例说明上述过程的具体内容：

第一步：将历史车辆预警相关数据映射形成训练数据集{x⁽¹⁾,...,x^(m)}；其中x⁽ⁱ⁾为多维特征向量，由三部分组成：车辆运行数据，车辆can数据和实时车辆环境数据(其中的每一个特征值x⁽ⁱ⁾)。

第二步：建立进行车辆故障的预测的高斯统计模型。高斯模型有两个参数，即期望(均数)μ和标准差σ，σ²为方差。

第三步：通过训练数据集确定每个特征值xi对应的μi和其中，m为训练数据集的大小。

第四步：通过训练好高斯统计模型即异常检测算法程序进行车辆故障的在线预测计算处理，判断是否存在车辆故障预警信息。请参考图2，可能故障发生的情况对应数据会偏离合理数据集。

基于上述技术方案，本申请实施例提供的车辆故障预警方法，该方法训练高斯统计模型得到异常检测算法程序来进行预测判断，通过车辆自身数据以及车辆环境数据增宽数据维度，提高了系统伸缩性和数据适应性，增加了预测可控周期以及提高了预测的精度；且使用合理统计模型进行机器学习，进步提高了预测的精度，同时解耦了预测结果对单一数据的依赖性。

基于上述实施例，该方法还可以包括：

接收用户对处理结果的反馈信息对异常检测算法程序进行更新。

具体的，根据异常检测算法程序对车辆预警相关数据进行处理，判断是否存在车辆故障预警信息的处理结果进行反馈(即判断处理的车辆故障预警信息是否正确)，即利用用户的反馈信息对异常检测算法程序进行更新。从而可以提高异常检测算法程序检测准确性。

基于上述技术方案，本申请实施例提供的车辆故障预警方法，该方法训练高斯统计模型得到异常检测算法程序来进行预测判断，通过车辆自身数据以及车辆环境数据增宽数据维度，提高了系统伸缩性和数据适应性，增加了预测可控周期以及提高了预测的精度；且使用合理统计模型进行机器学习，进步提高了预测的精度，同时解耦了预测结果对单一数据的依赖性。并通过反馈机制提高异常检测算法程序的准确性。

下面对本申请实施例提供的车辆故障预警系统及车辆进行介绍，下文描述的车辆故障预警系统及车辆与上文描述的车辆故障预警方法可相互对应参照。

请参考图3，图3为本申请实施例所提供的车辆故障预警系统的结构框图；该系统可以包括：

车辆100，用于采集车辆预警相关数据，并将车辆预警相关数据发送给车辆故障预警服务器；

车辆故障预警服务器200，用于利用异常检测算法程序对接收的车辆预警相关数据进行处理，判断是否存在车辆故障预警信息；其中，异常检测算法程序为利用采集到的历史车辆预警相关数据对高斯统计模型进行训练得到。

基于上述实施例，该车辆100可以包括：

车辆终端机，用于利用卫星定位系统收集车辆运行数据；其中，车辆运行数据包括车辆位置数据、车辆速度数据以及车辆方向数据；利用can总线数据接收器收集车辆can总线数据；

环境数据接口，用于利用http请求从环境公共服务接口获取车辆环境数据。

基于上述实施例，车辆故障预警服务器200可以包括：

tcp接口，用于利用tcp长连接接收车辆运行数据和车辆can总线数据；

websocket接口，用于利用websocket网络连接接收车辆环境数据。

基于上述任意实施例，车辆故障预警服务器200可以包括：异常检测算法程序训练器；其中，异常检测算法程序训练器，用于将历史车辆预警相关数据映射形成训练数据集{x⁽¹⁾,...,x^(m)}；建立执行车辆故障预警的高斯统计模型p(x；μ,σ²)；根据训练数据集确定每个特征值xi对应的μi和利用μi、以及高斯统计模型得到异常检测算法程序；

其中，x⁽ⁱ⁾为多维特征向量，μ为期望，σ为标准差，σ²为方差，x为变量，m为训练数据集的大小。

基于上述实施例，车辆故障预警服务器200还可以包括：

异常检测算法程序更新器，用于接收用户对处理结果的反馈信息对异常检测算法程序进行更新。

请参考图4，图4为本申请实施例所提供的车辆的结构框图；该车辆可以包括：

数据采集器300，用于采集车辆预警相关数据，并将车辆预警相关数据发送给车辆故障预警处理器；

车辆故障预警处理器400，用于利用异常检测算法程序对接收的车辆预警相关数据进行处理，判断是否存在车辆故障预警信息；其中，异常检测算法程序为利用采集到的历史车辆预警相关数据对高斯统计模型进行训练得到。

基于上述实施例，数据采集器300可以包括：

车辆终端机，用于利用卫星定位系统收集车辆运行数据；其中，车辆运行数据包括车辆位置数据、车辆速度数据以及车辆方向数据；利用can总线数据接收器收集车辆can总线数据；

环境数据接口，用于利用http请求从环境公共服务接口获取车辆环境数据。

基于上述实施例，车辆故障预警处理器400可以包括：

异常检测算法程序训练器，用于将历史车辆预警相关数据映射形成训练数据集{x⁽¹⁾,...,x^(m)}；建立执行车辆故障预警的高斯统计模型p(x；μ,σ²)；根据训练数据集确定每个特征值xi对应的μi和利用μi、以及高斯统计模型得到异常检测算法程序；

其中，x⁽ⁱ⁾为多维特征向量，μ为期望，σ为标准差，σ²为方差，x为变量，m为训练数据集的大小。

基于上述实施例，车辆故障预警处理器400还可以包括：

异常检测算法程序更新器，用于接收用户对处理结果的反馈信息对异常检测算法程序进行更新。

基于上述任意实施例，该车辆还可以包括：

报警设备，用于当存在车辆故障预警信息时，进行报警。以提醒用户及时掌握车辆故障情况，可以及时做出相应的对策以保证车辆安全行驶。这里并不限定具体的报警设备类型，可以是语音提示设备，或者是指示灯显示设备，也可以是其他报警设备。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的一种车辆故障预警方法、系统及车辆进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。