本发明涉及电控车辆运行监控技术，尤其涉及电控车辆远程诊断系统及其诊断方法。
背景技术：
随着远程通信、总线技术等不断进步，车辆的故障诊断和监控技术得到了很大的发展，使得车辆能够在车辆行驶过程中实现远程诊断和监控。
汽车电子控制技术的发展，在提高汽车经济性、动力性、安全性、环保性、舒适性和操控性的同时，使得汽车电子控制系统的结构越来越复杂，对汽车故障诊断系统的要求也越来越高。同时也导致能跟踪和掌握汽车领域相关技术的维修技师和专家越来越匮乏，相关人员并不能得到及时的培训和技术支持，并不能满足各维修网点对维修技师的专业要求。目前电子产品在整车成本中所占比例普遍为23％～30％，在高档豪华轿车上更是占到50％～60％，而汽车70％的创新技术都集中在汽车电子上面，汽车业的发展必将更多地应用电子控制技术。许多传统的故障诊断方法和诊断设备，无论在诊断的可靠性、使用的方便性和数据的共享性方面都难以适应现代汽车技术的发展。如何快速、准确的诊断汽车电子控制系统的故障是当前汽车维修行业所面临的一大难题。针对这种情况，在电控单元的开发过程中增加了相应的故障自诊断系统，不仅能在车辆运行过程中不断监测电子控制系统各个组成部分的运行情况，还能检测出电子控制系统中的大部分故障，并以故障码的形式存储于电子控制单元的存储器中，这样不仅可以保证车辆的正常行驶，还有利于维修人员对车辆和电子控制系统的维护，以实现对汽车的在线或离线故障诊断。
现有技术中，车辆的远程诊断一般采用后台或者用户触发故障诊断的方式，采用后台或者用户的发起故障诊断的时间具有不确定性，使得车辆的远程故障诊断具有一定的随机性，且现有的车辆远程诊断系统一般只针对车辆发动机的排放系统相关的故障进行诊断，故障诊断的范围较窄，因此，现有的车辆远程诊断方法仍然存在较大的行车安全隐患。
技术实现要素：
本发明为解决目前的技术不足之处，提供了电控车辆远程诊断系统，能够实时监控采集待监测车辆的信息，为车辆的运行状况作出诊断；
本发明还提供了电控车辆远程的诊断方法，能够通过计算预设风险评估指标和风险评估指数对待监测车辆进行诊断。
本发明提供的技术方案为：电控车辆远程诊断系统，包括：
采集模块，其设置于待监控的车辆上，用于采集车辆信息；
远程诊断模块，其与所述采集模块通过can网络相连，用于对所述采集模块采集的信息进行诊断；
服务器，其用于向所述远程诊断模块下发诊断信息，接收并解析所述远程诊断模块反馈的诊断结果，存储所述诊断结果，并根据所述诊断结果分析车辆数据。
优选的是，还包括：
无线通信模块，其用于与所述服务器通过无线网络进行通信，接收所述服务器下发的诊断信息；
控制处理模块，其根据所述诊断信息生成can诊断报文，并将所述can诊断报文发送给车辆中的所述采集模块，并接收所述采集模块发送can相应报文，根据所述can相应报文生成诊断结果，并将所述诊断结果传输给所述无线通信模块；
存储模块，用于存储所述控制处理模块处理的数据；
无线通信模块，其用于将所述诊断结果发送给所述服务器。
优选的是，
所述采集模块包括：
车速传感器，其设置在车辆的轮毂处，用于检测车辆车速；
胎压检测器，其设置在车辆的车轮处，用于检测车辆胎压；
温度传感器，其设置在车辆的水箱内，用于检测水箱内水温；
转速传感器，其设置在车辆的散热风扇处，用于检测散热风扇的转速。
电控车辆远程诊断方法，包括以下步骤：
步骤一、采集待监测车辆的数据，根据所述待监测车辆的数据获取对应的预设风险评估指标τ，当τ≥τs时，对所述待监测车辆进行风险评估；其中，τs为比较风险评估指标；
步骤二、采集待监测车辆的车速、车轮胎压、水箱内水温、散热风扇的转速，对所述预设风险评估指标进行处理得到风险评估指数ξ，当ξ≥ξs时，对所述待监测车辆进行风险状态判断；其中，ξs为比较风险评估指数；
步骤三、根据所述待监测车辆的车速、所述车轮胎压、所述水箱内水温、所述散热风扇的转速和所述风险评估指数进行所述待监测车辆的风险状态判断，以此对待监测车辆进行监控。
优选的是，
在所述步骤一中，所述预设风险评估指标τ计算过程为：
其中，κ为校正系数，s为待监测车辆已经使用年数，s待监测车辆行驶总公里数，s′为最近一次保养后车辆行驶公里数，f为车辆保养次数，t为待监测车辆最近一次保养距今时间。
优选的是，
τs取值为1.08。
优选的是，
所述风险评估指数ξ计算过程为：
其中，v为待监测车辆的车速，p为待监测车辆的车轮胎压，t为待监测车辆的待监测车辆的水箱内水温，n为散热风扇的转速，v0为比较车速，p0为比较车轮胎压，n0为散热风扇的比较转速，t0水箱内比较水温，e为自然对数的底数。
优选的是，
在所述步骤三中，通过建立bp神经网络模型对所述风险状态判断，包括如下步骤：
步骤1、按照采样周期，采集待监测车辆的车速v、车轮胎压p、水箱内水温t、散热风扇的转速n，确定所述风险评估指数ξ；
步骤2、依次将上述参数进行规格化，确定三层bp神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5}，其中，x1为待监测车辆的车速系数、x2为待监测车辆的车轮胎压系数、x3为待监测车辆的水箱内水温系数、x4为待监测车辆的散热风扇的转速系数，x5为风险评估指数系数；
步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y1,y2,…,ym}，m为隐层节点个数；
步骤4、得到输出层神经元向量o＝{o1,o2,o3,o4}；其中，o1为设定的第1风险等级，o2为设定的第2风险等级，o3为设定的第3风险等级，o4为设定的第4风险等级，所述输出层神经元值为
步骤5、服务模块根据输出的安全等级判；其中，所述第1风险等级为安全状态，对所述待监测车辆的无需做出措施，所述第2风险等级为警告状态，对所述待监测车辆需要做出监控预警，所述第3风险等级为危险状态，对所述待监测车辆需要提示预警措施，所述第4风险等级为高度危险等级，对所述待监测车辆需要做出紧急报警措施。
优选的是，
所述隐层节点个数m满足：
优选的是，
所述待监测车辆的车轮胎压p为四个车轮的平均胎压。
本发明所述的有益效果：本发明提供了电控车辆远程诊断系统，能够实时监控采集待监测车辆的信息，为车辆的运行状况作出诊断；
本发明还提供了电控车辆远程的诊断方法，通过建立bp神经网络模型对所述风险状态判断，能够通过计算预设风险评估指标和风险评估指数对待监测车辆进行诊断。
具体实施方式
下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了电控车辆远程诊断系统，包括：采集模块设置于待监控的车辆上，用于采集车辆信息；远程诊断模块与所述采集模块通过can网络相连，用于对所述采集模块采集的信息进行诊断；服务器用于向所述远程诊断模块下发诊断信息，接收并解析所述远程诊断模块反馈的诊断结果，存储所述诊断结果，并根据所述诊断结果分析车辆数据。
无线通信模块用于与所述服务器通过无线网络进行通信，接收所述服务器下发的诊断信息；控制处理模块根据所述诊断信息生成can诊断报文，并将所述can诊断报文发送给车辆中的所述采集模块，并接收所述采集模块发送can相应报文，根据所述can相应报文生成诊断结果，并将所述诊断结果传输给所述无线通信模块；存储模块于存储所述控制处理模块处理的数据；无线通信模块用于将所述诊断结果发送给所述服务器。
所述采集模块包括：车速传感器设置在车辆的轮毂处，用于检测车辆车速；胎压检测器设置在车辆的车轮处，用于检测车辆胎压；温度传感器设置在车辆的水箱内，用于检测水箱内水温；转速传感器设置在车辆的散热风扇处，用于检测散热风扇的转速。
本发明还提供了电控车辆远程诊断方法，具体包括以下步骤：
步骤一、采集待监测车辆的数据，根据所述待监测车辆的数据获取对应的预设风险评估指标τ，当τ≥τs时，对所述待监测车辆进行风险评估；其中，τs为比较风险评估指标；
步骤二、采集待监测车辆的车速、车轮胎压、水箱内水温、散热风扇的转速，对所述预设风险评估指标进行处理得到风险评估指数ξ，当ξ≥ξs时，对所述待监测车辆进行风险状态判断；其中，ξs为比较风险评估指数；
步骤三、根据所述待监测车辆的车速、所述车轮胎压、所述水箱内水温、所述散热风扇的转速和所述风险评估指数进行所述待监测车辆的风险状态判断，以此对待监测车辆进行监控。
在另一种实施例中，所述预设风险评估指标τ计算过程为：
其中，κ为校正系数，s为待监测车辆已经使用年数，单位年；s待监测车辆行驶总公里数，s′为最近一次保养后车辆行驶公里数，f为车辆保养次数，t为待监测车辆最近一次保养距今时间，单位年。
在另一种实施例中，κ取值为1.02，τs取值为1.08。
在另一种实施例中，所述风险评估指数ξ计算过程为：
其中，v为待监测车辆的车速，p为待监测车辆的车轮胎压，t为待监测车辆的待监测车辆的水箱内水温，n为散热风扇的转速，v0为比较车速，p0为比较车轮胎压，n0为散热风扇的比较转速，t0水箱内比较水温，e为自然对数的底数。
在另一实施例中，在所述步骤三中，通过建立bp神经网络模型对所述风险状态判断，包括如下步骤：
步骤1、建立bp神经网络模型。
bp模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为
opj＝fj(netpj)
其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为s型函数，即fj(x)＝1/(1+e-x)。
本发明采用的bp网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。
该网络的数学模型为：
输入向量：x＝(x1,x2,...,xn)t
中间层向量：y＝(y1,y2,...,ym)t
输出向量：o＝(o1,o2,...,op)t
本发明中，输入层节点数为n＝5，输出层节点数为p＝4，隐藏层节点数m由下式估算得出：
输入层5个参数分别表示为：x1为待监测车辆的车速系数、x2为待监测车辆的车轮胎压系数、x3为待监测车辆的水箱内水温系数、x4为待监测车辆的散热风扇的转速系数，x5为风险评估指数系数；
由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。
归一化的公式为
具体而言，对于使用车速传感器测量的待监测车辆的车速v进行规格化后，得到待监测车辆的车速系数x1：
其中，vmax和vmin分别为车速传感器测量的待监测车辆的最大车速和最小车速。
同样的，使用胎压监测器测量的待监测车辆的车轮胎压p，进行规格化后，得到待监测车辆的车轮胎压系数x2：
其中，pmax和pmin分别为胎压监测器测量的待监测车辆的车轮最大胎压和最小胎压。
使用温度传感器测量的待监测车辆的水箱内水温t，进行规格化后，得到待监测车辆的水箱内水温系数x3：
其中，tmax和tmin分别为胎压监测器测量的待监测车辆的水箱内最高水温和最低水温。
使用转速传感器测量的待监测车辆的散热风扇的转速n，进行规格化后，得到待监测车辆的散热风扇的转速系数x4：
其中，nmax和nmin分别为胎压监测器测量的待监测车辆的散热风扇的最大转速和最小转速。
根据计算得到的风险评估指数ξ，进行规格化后，得到风险评估指数系数x5：
其中，ξmin和ξmax分别为通过计算能够得到的最小风险评估指数和最大风险评估指数。
在另一实施例中，所述待监测车辆的车轮胎压p为四个车轮的平均胎压。
输出层4个参数分别表示为：o1为设定的第1风险等级，o2为设定的第2风险等级，o3为设定的第3风险等级，o4为设定的第4风险等级，所述输出层神经元值为
步骤2、进行bp神经网络的训练。
建立好bp神经网络节点模型后，即可进行bp神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输出样本如表1所示。
表1网络训练用的输出样本
(2)训练算法
bp网络采用误差反向传播(backwardpropagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。
第二步：对每个输入样本作如下计算：
(a)前向计算：对l层的j单元
式中，
若单元j的激活函数为sigmoid函数，则
且
若神经元j属于第一隐层(l＝1)，则有
若神经元j属于输出层(l＝l)，则有
(b)反向计算误差：
对于输出单元
对隐单元
(c)修正权值：
第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。
bp算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是levenberg-marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为
δω＝(jtj+μi)-1jte
其中j为误差对权值微分的雅可比(jacobian)矩阵，i为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。
步骤3、所述服务模块根据输出的安全等级判；其中，所述第1风险等级为安全状态，对所述待监测车辆的无需做出措施，所述第2风险等级为警告状态，对所述待监测车辆需要做出监控预警，所述第3风险等级为危险状态，对所述待监测车辆需要提示预警措施，所述第4风险等级为高度危险等级，对所述待监测车辆需要做出紧急报警措施。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。