基于用户报障数据的车辆零部件寿命预测方法及系统与流程

【技术领域】

本发明涉及物联网领域，特别涉及一种基于用户报障数据的车辆零部件寿命预测方法及系统。

背景技术：

随着共享单车、共享助力车、共享电动车的兴起，人们的出行变得更为便利。然而随着共享车辆的使用量的提升和时间的推移，车辆的零部件会逐渐老化损坏，影响用户体验甚至报废。对于出现故障的车辆，目前只能通过用户在使用时主动上报后，然后通知运维人员现场确认或通过运维人员扫街的方法来处理。这种处理方式效率低下，无法及时的处理已出现故障的车辆，也无法及时的发现即将出现故障的车辆。而故障车辆若不及时回收或处理，其与正常车辆共同投入使用时，将会大大影响用户的体验感。

此外，在用户申报车辆故障时，经常存在虚假报障，这种虚假报障，会大大增加运维人员的工作量，并降低运维人员的实际工作效率。

因此，对于共享车辆，若能及时发现车辆故障，并预估车辆的寿命，必能方便运维人员及时的处理即将故障的车辆，减少故障车辆混入使用的问题，从而避免一系列由故障车辆所带来的问题。

技术实现要素：

本发明旨在解决上述问题，而提供一种基于用户报障数据的车辆零部件寿命预测方法及系统。

为解决上述问题，本发明提供了一种基于用户报障数据的车辆零部件寿命预测方法，其包括以下步骤：

建立寿命预估模型；

将所述寿命预估模型部署在服务器中；

从所述服务器中提取运营中的待评估车辆的车辆信息；

所述寿命预估模型根据提取到的所述车辆信息对当前所述待评估车辆的各个零部件的使用寿命进行预估，得出各个零部件的预估寿命；

所述寿命预估模型将所述预估寿命与预设的零部件寿命阈值进行比较，判断当前所述待评估车辆是否包含有预估寿命达到寿命阈值的零部件；

若是，所述寿命预估模型输出第一结果信息。

进一步地，所述寿命预估模型将所述预估寿命与预设的零部件寿命阈值进行比较，判断当前所述待评估车辆是否包含有预估寿命达到寿命阈值的零部件时，若否，则从所述服务器中提取运营中的其他待评估车辆的车辆信息，所述寿命预估模型根据提取到的所述车辆信息重新对当前所述待评估车辆的各个零部件的使用寿命进行预估。

进一步地，建立寿命预估模型时，包括以下步骤：

从所述服务器中提取用户报障时所提交的报告车辆故障的报障图片；

利用车辆故障检测模型自动检测所述报障图片中车辆故障部位发生的故障位置；

从所述服务器中提取所述故障部位所属车辆的车辆寿命相关信息；

根据所述故障部位、故障位置及所述车辆寿命相关信息建立寿命预估训练集合；

使用所述寿命预估训练集合对机器学习模型进行模型训练，建立所述寿命预估模型。

进一步地，所述车辆信息包括车辆故障部位、故障部位的故障位置及所述车辆寿命相关信息中的一种或多种；所述车辆寿命相关信息包括车辆投入运营日期信息、上报故障日期信息、上报故障城市信息。

进一步地，利用车辆故障检测模型自动检测所述报障图片中车辆故障部位发生的故障位置时，包括以下步骤：

将所述报障图片输入至所述车辆故障检测模型中；

所述车辆故障检测模型自动检测所述报障图片中车辆是否包含有故障部位；

若是，所述车辆故障检测模型检测所述故障部位发生的故障位置。

若否，重新从所述服务器中提取用户报障时所提交的报告车辆故障的报障图片。

进一步地，所述车辆故障检测模型通过以下步骤训练而成：

从所述服务器中提取用户报障时所提交的涉及车辆各个部位故障的报障图片；

人工对所述报障图片中的车辆故障部位进行标注；

根据所述人工标注的报障图片建立故障检测训练集合；

使用所述故障检测训练集合对基于深度学习的目标检测模型进行模型训练，建立所述车辆故障检测模型。

进一步地，所述车辆故障检测模型部署于所述服务器中；所述报障图片包括真实故障的保障图片和虚假报障时的报障图片。

进一步地，所述寿命预估模型输出第一结果信息后，将所述第一结果信息通知至车辆运维检修部门；所述第一结果信息为报告所述待评估车辆的零部件的预估寿命达到寿命阈值的结果信息。

进一步地，所述第一结果信息包括所述待评估车辆的车辆信息、所述待评估车辆零部件的预估寿命、评估结果信息。

此外，本发明还提供一种基于用户报障数据的车辆零部件寿命预测系统，其包括服务器、车辆信息获取模块和寿命预估模型，所述服务器设有运营中和未投入运营的所有车辆的车辆信息，并可用于接收及存储用户报障时所提交的报告车辆故障的报障图片；所述车辆信息获取模块用于从所述服务器中提取待评估车辆的车辆信息；所述寿命预估模型部署于所述服务器中，所述寿命预估模型用于根据所述车辆信息对所述待评估车辆的各个零部件的使用寿命进行预估，得出各个零部件的预估寿命；以及用于将所述预估寿命与预设的零部件寿命阈值进行比较，判断所述待评估车辆是否包含有预估寿命达到寿命阈值的零部件。

进一步地，所述寿命预估模型还用于在其判断出所述待评估车辆包含有预估寿命达到寿命阈值的零部件时向所述服务器输出第一结果信息；所述服务器还用于接收及存储所述第一结果信息。

进一步地，其还包括报障图片获取模块和车辆故障检测模型，所述报障图片获取模块用于从所述服务器中提取用户报障时所提交的报告车辆故障的报障图片；所述车辆故障检测模型部署于所述服务器中，所述车辆故障检测模型用于自动检测所述报障图片中车辆故障部位发生的故障位置。

本发明的基于用户报障数据的车辆零部件寿命预测方法及系统，通过在服务器中部署寿命预估模型，利用寿命预估模型对待评估车辆的各个零部件的使用寿命进行预估，从而可在线且自动的对服务器中登记的车辆的零部件进行寿命预估，从而可自动判断出车辆的零部件是否达到寿命极限，进而可在车辆零部件正式发生故障之前进行预报，通知相关的运维人员进行处理，从而可减轻运维人员的工作量，提高运维人员的工作效率，并避免故障车辆混入使用而影响用户的体验感。

【附图说明】

图1是基于用户报障数据的车辆零部件寿命预测方法的方法流程示意图。

图2是建立寿命预估模型的流程示意图。

图3是建立寿命预估模型的另一流程示意图。

图4是利用车辆故障检测模型自动检测报障图片中车辆故障部位发生的故障位置的流程示意图。

图5是建立车辆故障检测模型的流程示意图。

图6是报障图片的分类示意图。

图7是车辆信息的示意图。

图8是基于用户报障数据的车辆零部件寿命预测系统的部分结构原理示意图。

图9是寿命预估模型的建立原理示意图。

【具体实施方式】

下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。

实施例1

如图1所示，本实施例提供一种基于用户报障数据的车辆零部件寿命预测方法，其包括以下步骤：

s10、建立寿命预估模型：

建立寿命预估模型的目的是对车辆的各个零部件的使用寿命进行预估，从而判断出车辆是否包含有预估寿命达到寿命阈值的零部件，从而方便通知运维人员及时进行处理，提高运维人员工作效率，并避免故障车辆混入使用而影响用户体验。

所述寿命预估模型是根据现有的报障图片和车辆相关信息经过训练而形成的。本实施例中，如图2、图3所示，所述寿命预估模型的建立方法如下：

s101、从所述服务器中提取用户报障时所提交的报告车辆故障的报障图片。

所述报障图片是用户在实际使用过程中发现车辆故障主动申报故障时，向服务器所提交的报告车辆故障的图片。如图6所示，所述报障图片包括真实故障的车辆故障图片和虚假报障时的车辆图片。该步骤中，从服务器中提取的报障图片，可能是真实故障时的车辆故障图片，也可能是虚假报障时的车辆图片。

s102、利用车辆故障检测模型自动检测所述报障图片中车辆故障部位发生的故障位置。训练寿命预估模型时，是需要根据真实故障的车辆故障信息进行模型训练，而步骤s101中提取到的报障图片有可能是虚假报障的车辆图片，因此，模型训练之前，需要选出真实故障的报障图片，剔除虚假报障的报障图片，从而从真实故障的报障图片中检查出故障部位发生的故障位置，筛选出有用的数据作为后续模型训练时的数据集合使用。该步骤中，报障图片和故障位置的筛选，通过车辆故障检测模型自动进行。如图4所示，步骤s102中，所述车辆故障检测模型对报障图片的自动检测，具体包括以下步骤：

s1021、将所述报障图片输入至所述车辆故障检测模型中。该步骤中，是将步骤s101步骤中提取到的包括真实故障和虚假报障在内的报障图片输入至所述车辆故障检测模型中。

s1022、所述车辆故障检测模型自动检测所述报障图片中车辆是否包含有故障部位；所述车辆故障检测模型是基于深度学习的目标检测模型训练而成的，其能对车辆故障部位和故障位置进行目标检测，因此，报障图片输入至车辆故障检测模型中后，所述车辆故障检测模型便能自动识别出该报障图片中是否包含有故障部位。

若未包含有故障部位，则说明当前检测的报障图片为虚假报障的车辆图片，其是对模型训练无用的报障图片，因此，无需对该报障图片进行处理。当所述车辆故障检测模型检测出所述报障图片未包含有故障部位时，则返回步骤s101：从所述服务器中提取用户报障时所提交的报告车辆故障的报障图片，以便于重新提取新的报障图片继续进行故障部位和故障位置检测。

若包含有故障部位，则说明当前检测的报障图片为真实故障的报障图片，所述车辆故障检测模型则自动检测该报障图片中故障部位发生的具体故障位置，并输出该报障图片所属车辆的故障位置信息。当所述车辆故障检测模型输出故障位置信息后，将所述故障部位信息和故障位置信息存储于所述服务器中。其后，可根据实际需要而进入步骤s101或步骤s103。

s103、从所述服务器中提取所述故障部位所属车辆的车辆寿命相关信息；所述车辆寿命相关信息包括但不限于车辆投入运营日期信息、上报故障日期信息、上报故障城市信息。其中，上报故障日期与车辆投入运营日期之间的时间间隔，与车辆零部件的使用寿命直接相关，其可作为预估车辆零部件使用寿命的参数之一；而不同城市的不同气候，及不同使用习惯，也会对车辆的使用寿命具有一定影响，因此，车辆所属的城市信息，也可作为预估车辆使用寿命的参数之一。其他实施例中，也可根据实际需要而选择合适的数据作为所述车辆寿命相关信息。

上述步骤s102可获得车辆故障部位的故障位置信息，步骤s103可获得所述故障部位所属车辆的车辆寿命相关信息。在建立寿命预估模型时，需要先获得足够多的训练数据以建立寿命预估训练集合，这些数据包括步骤s102得到的故障部位信息和/或故障位置信息，还包括步骤s103提取到的车辆寿命相关信息，因此，在不同的实施例中，可应用不同的策略来采集足够多的数据建立寿命预估训练集合。

在一些实施例中，如图2所示，可先采集足够量的车辆故障部位信息和故障位置信息，然后再通过步骤s103一次性提取故障部位所属车辆的车辆寿命相关信息；此时，步骤s102之后，若车辆故障部位信息和故障位置信息的数据量未达到预定的条数时，例如300条数据量，则返回步骤s101，循环执行步骤s101和步骤s102，直至得到足够数据量的故障部位信息和故障位置信息后，再进入步骤s103，然后再顺序执行步骤s104和步骤s105。由于步骤s102包括步骤s1021和步骤s1022，因此，对于该种方案，当步骤s1022检测出当前的报障图片包含有故障部位且输出故障位置信息时，若故障部位信息和故障位置信息的数据量达到预定的条数时，步骤s1022之后则进入步骤s103；若未达到预定的条数，步骤s1022之后则进入步骤s101。当步骤s1022检测出当前的报障图片未包含有故障部位时，步骤s1022之后返回步骤s101。

在一些实施例中，如图3所示，可先采集一条车辆故障部位信息和故障位置信息，然后再采集一条该故障部位所属车辆的车辆寿命相关信息；循环执行步骤s101、s102和步骤s103，直至得到足够数量的故障部位信息、故障位置信息和车辆寿命相关信息后，再进入步骤s104，然后再执行步骤s105。由于步骤s102包括步骤s1021和步骤s1022，因此，对于该种方案，当步骤s1022检测出当前的报障图片包含有故障部位且输出故障位置信息时，步骤s1022之后直接进入步骤s103；步骤s103之后，若数据量未达到足够的条数，则返回步骤s101；若数据量达到足够的条数，则进入步骤s104。当步骤s1022检测出当前保障图片未包含有故障部位时，步骤s1022之后返回步骤s101。

当通过步骤s101、s102和s103得到足够多的故障部位信息、故障位置信息和相应的车辆寿命相关信息，便可进入步骤s104。

s104、根据所述故障部位、故障位置及所述车辆寿命相关信息建立寿命预估训练集合。所述寿命预估训练集是步骤s102获取到的故障部位信息、故障位置信息和步骤s103获取到的车辆寿命相关信息的数据集合，其包括若干条故障部位信息、故障位置信息和相应的车辆寿命相关信息。所述寿命预估训练集合的数据多寡，与模型训练后的精准度相关。当步骤s102、s103得到的数据越多，所述寿命预估训练集合的数据便越丰富，由此训练出的寿命预估模型便越准确。

如图2、图3所示，步骤s104之后，进入步骤s105：

s105、使用所述寿命预估训练集合对机器学习模型进行模型训练，建立所述寿命预估模型。当建立好所述寿命预估训练集合后，便可使用该寿命预估训练集合的数据进行模型训练。模型训练步骤，可参考公知技术，本实施例不再赘述，通常情况下，先对寿命预估训练集合的数据进行处理和修正，如特征提取、特征降维、特征转换、特征归一化等，然后用处理好的数据建立训练模型，确定出模型函数的参数，以得出所述寿命预估模型。训练时，可根据实际需要而选择合适的机器学习模型进行训练，例如，可使用线性模型、神经网络模型、全连接神经网络模型、卷积神经网络模型、循环神经网络模型等模型进行模型训练。

如图2、图3所示，经过上述步骤s101、s102、s103、s104、s105之后，便可建立出寿命预估模型。

如图1所示，当完成步骤s10建立出寿命预估模型后，便进入步骤s20：

s20、将所述寿命预估模型部署于服务器中；

如图1所示，步骤s20之后，进入步骤s30：

s30、从所述服务器中提取待评估车辆的车辆信息。通常情况下，服务器上记录着所有车辆，包括投入运营中的车辆和未投入运营中的车辆，如新车辆、待中转车辆、已维修好但还未投入使用的旧车辆等。所述待评估车辆，可以是已投入运营中的车辆，也可以是投入运营中和未投入运营中的所有车辆，其具体可根据实际需要而设置。在一些实施例中，为减少服务器计算量，可仅仅针对已投入运营中的车辆进行寿命评估，此时，该步骤中所述待评估车辆便仅仅指代已投入运营中的车辆。在一些实施例中，可针对服务器登记的所有车辆进行寿命评估，此时，该步骤中所述评估车辆便指代所有的已投入运营中和未投入运营中的车辆。本实施例中，所述待评估车辆泛指服务器中登记过的所有车辆。

所述车辆信息，是存储于服务器中的与车辆相关的信息，如图7所示，其包括但不限于车辆故障部位信息、故障位置信息、车辆寿命相关信息等信息中的一种或多种。其中，车辆故障部位信息包括历史故障部位信息和当前故障部位信息。所述故障位置信息包括历史故障位置信息和当前故障位置信息。所述车辆寿命相关信息包括车辆投入运营日期信息、上报故障日期信息、上报故障城市信息等。所述上报故障日期信息包括历史上报故障日期信息和当前上报故障日期信息。所述上报故障城市信息包括历史上报故障城市信息和当前上报故障城市信息。

当车辆从未发生过故障时，步骤s30提取到的所述车辆信息可能仅仅包括车辆投入运营日期信息和所属城市信息；当车辆发生过多次故障时，步骤s30提取到的所述车辆信息可能包括多个历史故障部位、历史故障部位的故障位置、历史上报故障日期信息及历史上报故障城市信息和车辆投入运营日期信息。步骤s30所提取的车辆信息，应当是利于寿命预估模型进行分析的数据，其具体设置，可根据步骤s10确定出的寿命预估模型的函数参数而决定。

从所述服务器中提取待评估车辆的车辆信息的策略，可根据实际情况而设定，例如，可一次提取一辆待评估车辆的车辆信息以进行后续的寿命评估，也可一次提取多辆待评估车辆的车辆信息以进行后续的寿命评估。又如，可根据车辆投入运营日期的先后顺序来提取车辆的车辆信息以进行后续的寿命评估，从而可优先评估较早投入运营的车辆。

如图1所示，步骤s30之后，进入步骤s40：

s40、所述寿命预估模型根据提取到的所述车辆信息对当前所述待评估车辆的各个零部件的使用寿命进行预估，得出各个零部件的预估寿命；所述寿命预估模型将所述预估寿命与预设的零部件寿命阈值进行比较，判断当前所述待评估车辆是否包含有预估寿命达到寿命阈值的零部件；

所述寿命阈值，可根据情况而预设，其可以是车辆零部件的理论寿命，也可以是根据所述寿命预估训练集合进行大数据分析而得出的实际寿命阈值，或者是小于理论寿命或实际寿命阈值的某一寿命值。例如，对所述寿命预估训练集合的数据进行大数据分析后，发现车锁的实际寿命通常是15个月时间，为减少用户遇到车辆故障现象，所述寿命阈值便可设置为14.5个月，以方便在车辆零部件寿命接近极限时提前通知运维人员，避免车锁寿命到期限后无法及时处理而影响用户体验。

当所述寿命预估模型判断出当前待评估车辆包含有预估寿命达到寿命阈值的零部件时，所述寿命预估模型便输出第一结果信息至服务器，从而方便服务器将该第一结果信息通知至车辆运维检修部位，方便车辆运维检修部门及时的对评估为即将发生故障的车辆进行处理。

所述第一结果信息为报告所述评估车辆的零部件的预估寿命达到寿命阈值的结果信息，其具体格式不限，其包括但不限于当前待评估车辆的车辆信息及车辆零部件的预估寿命信息。例如，所述第一结果信息的格式可以为：no.xxxxx编号的车辆，坐落于上海宝安，车鞍座的预估寿命剩余3天，请及时处理。

当所述寿命预估模型输出第一结果信息后，转至步骤s30(从所述服务器中提取待评估车辆的车辆信息)以执行新的寿命预估过程：重新提取其他待评估车辆的车辆信息以对其进行寿命预估。

当所述寿命预估模型判断出当前待评估车辆未包含有预估寿命达到寿命阈值的零部件时，则返回步骤s30(从所述服务器中提取待评估车辆的车辆信息)，以执行新的寿命评估过程：重新提取其他待评估车辆的车辆信息以对其进行寿命预估。

上述步骤s10、s20、s30、s40中，s10和s20为一次性步骤，s30和s40为顺序执行的循环性步骤。换言之，当经过步骤s10建立好所述寿命预估模型后，经过步骤s20将寿命预估模型部署在服务器中后，便可循环的执行s30和s40的步骤，对服务器中的车辆进行零部件寿命评估，直至对所有的车辆完成寿命评估。其中，s30和s40之间，先执行步骤s30，s30之后，进入步骤s40。步骤s40之后，根据s40的评估结果的不同，而执行不同的步骤：当步骤s40评估出当前待评估车辆的零部件的预估寿命达到寿命阈值时，便输出第一结果信息，其后再返回至步骤s30，以重复该循环；当步骤s40评估出当前待评估车辆未有零部件的预估寿命达到寿命阈值，则直接返回步骤s30，以重复该循环。

本实施例中，如图5所示，步骤s1021和s1022中的车辆故障检测模型通过以下步骤训练而成：

a、从所述服务器中提取用户报障时所提交的涉及车辆各个部位故障的报障图片；所述报障图片的数量应足够多，且报障图片应涉及车辆的各个部位，从而使得初始数据足够丰富和全面。该步骤中，在一些实施例中，可仅仅提取真实故障的报障图片。在一些实施例中，也可以无差别对待的提取真实故障的报障图片和虚假报障的报障图片。本实施例中，为方便所述车辆故障检测模型自动判断报障图是否包含有故障部位，以提高区分真实故障和虚假报障的准确性，该步骤中，从服务器中提取的报障图片应包括真实故障的报障图片和虚假报障的报障图片。

b、人工对所述报障图片中的车辆故障部位进行标注；该步骤中，当报障图片中存在故障部位时，人工标注出故障部位；当报障图片中未存在故障部位时，不对该报障图片进行任何标识，或以特殊标识进行标注。对故障部位进行标注的方法，可参考公知技术，例如，可以在报障图片中绘制包含故障部位在内的矩形框，矩形框内的故障部位，便为检测目标，用以后续步骤的目标检测模型训练。

c、根据所述人工标注的报障图片建立故障检测训练集合；所述故障检测训练集合是经步骤b获取到的报障图片的数据集合，本实施例中，其包括若干个经过人工标注的带有故障部位的报障图片和若干个未经过人工标注未带有故障部位的报障图片。其他实施例中，所述故障检测训练集合也可仅仅包括若干个经过人工标注的带有故障部位的报障图片。所述故障检测训练集合的数据多寡，与模型训练后的精准度相关。当所述故障检测训练集合所包括的数据越多，且故障部位的类型越丰富时，由此训练出的车辆故障检测模型便会更精准。

d、使用所述故障检测训练集合对基于深度学习的目标检测模型进行模型训练，建立所述车辆故障检测模型。当建立好所述故障检测训练集合后，便可使用该故障检测训练集合的数据进行模型训练。本实施例中，以基于深度学习的目标检测模型进行模型训练，模型训练步骤，可参考公知技术，本实施例不再赘述。

本实施例提供的基于用户报障数据的车辆零部件寿命预测方法，可在线自动对服务器中登记的车辆的零部件进行寿命预估，从而判断出车辆的零部件是否达到寿命极限，从而可在车辆零部件正式发生故障之前进行预报，通知相关的运维人员进行处理，从而可减轻运维人员的工作量，提高运维人员的工作效率，并避免故障车辆混入使用而影响用户的体验感。

实施例2

本实施例提供一种基于用户报障数据的车辆零部件寿命预测系统，如图8、如图9所示，该系统包括服务器、车辆信息获取模块、寿命预估模型、报障图片获取模块、车辆故障检测模型、车辆寿命信息获取模块。

所述服务器中记录有所有车辆的车辆信息，其包括运营中和未投入运营的所有车辆的车辆信息。

所述车辆信息是指与车辆相关的信息，其包括但不限于车辆历史故障部位、历史故障部位的故障位置、当前故障部位、当前故障部位的故障位置、车辆投入运营日期信息、历史上报故障日期信息、当前上报故障日期信息、历史上报故障城市信息、当前上报故障城市信息、所述城市信息中的一种或多种。

当车辆从未发生过故障时，所述服务器中记录的车辆信息可能仅仅包括车辆投入运营日期信息和所属城市信息；

当车辆发生过多次故障时，所述服务器中记录的车辆信息可能包括多个历史故障部位、历史故障部位的故障位置、历史上报故障日期信息及历史上报故障城市信息和车辆投入运营日期信息。

所述服务器可用于接收及存储用户报障时所提交的报告车辆故障的报障图片。

所述服务器所接收及存储的报障图片，包括真实故障时的车辆故障图片和虚假报障时的车辆图片。

如图9所示，所述报障图片获取模块用于从所述服务器中提取用户报障时所提交的报告车辆故障的报障图片。

如图9所示，所述报障图片获取模块还用于将提取到的报障图片输入至所述车辆故障检测模型中。

所述报障图片获取模块从所述服务器中提取的报障图片，包括真实故障的车辆故障图片和虚假报障时的车辆图片。

如图9所示，所述车辆故障检测模型部署于所述服务器中，其用于自动检测所述报障图片获取模块输入的报障图片中车辆故障部位发生的故障位置。

由于所述报障图片获取模块提取的报障图片包括真实故障的车辆故障图片和虚假报障时的车辆图片，因此，所述车辆故障检测模型先自动检测所述报障图片中车辆是否包含有故障部位，以区分真实故障的报障图片和虚假报障的报障图片，其后再检测故障部位发生的具体故障位置。

如图9所示，当所述车辆故障检测模型检测出所述报障图片中车辆包含有故障部位时，所述车辆故障检测模型便继续检测该报障图片中所述故障部位发生的故障位置，并向所述服务器输出所述故障部位信息及相应的故障位置信息。

其中，所述故障部位，是车辆上的零部件，例如，车锁、车鞍座、车链条等。所述故障位置，是故障部位上发生故障的相对更具体的位置，例如，车锁的密码器发生故障时，故障部位是车锁，故障位置便是车锁上的密码器。应当理解的是，故障部位的范围比故障位置更广，故障位置只是故障部位发生故障的某一位置点，故障位置所对应的部件，只是故障部位所对应的部件的一部分。所述车辆故障检测模型先判断报障图片上大范围的故障部位，然后再进一步判断该故障部位上位置更为具体一点的故障位置。

当所述车辆故障检测模型检测出所述报障图片中车辆未包含有故障部位时，所述车辆故障检测模型便不再对该报障图片继续进行检测，以完成当前对该报障图片的自动检测过程。

所述服务器还用于接收并存储所述车辆故障检测模型输出的故障部位信息及故障位置信息。

通过所述报障图片获取模块和车辆故障检测模型，便可自动的对上传至服务器的报障图片进行在线自动检测，及时判断出用户当前上报至服务器的车辆故障信息是否属实，从而可减少运维人员的工作量，提高运维人员的工作效率。

此外，通过所述报障图片获取模块和车辆故障检测模型自动检测出报障图片的故障部位和故障位置信息后，还可方便进一步使用这些数据进行大数据分析以及训练所述寿命预估模型，不断完善所述寿命预估模型，以提高所述寿命预估模型的预测结果的准确性，以及为车辆研发部门及管理部门提供相应的数据参考。

所述车辆故障检测模型可根据服务器中的报障图片进行模型训练而形成，其具体步骤可参考实施例1中的步骤a、b、c、d(如图5所示)，本实施例不再赘述。

如图9所示，所述车辆寿命信息获取模块用于从所述服务器中提取所述故障部位所属车辆的车辆寿命相关信息。

当所述车辆故障检测模型检测出所述报障图片中的故障部位，并向所述服务器输出所述故障部位信息时，所述车辆寿命信息获取模块便可根据所述故障部位信息从所述服务器中提取该故障部位信息所属车辆的车辆寿命相关信息。

所述车辆寿命相关信息包括但不限于车辆投入运营日期信息、上报故障日期信息、上报故障城市信息。其中，上报故障日期与车辆投入运营日期之间的时间间隔，与车辆零部件的使用寿命直接相关，因此，其可作为预估车辆零部件使用寿命的参数之一；而不同城市的不同气候，及不同使用习惯，也会对车辆的使用寿命具有一定影响，因此，车辆所属的城市信息，也可作为预估车辆使用寿命的参数之一。其他实施例中，也可根据实际需要而选择合适的数据作为所述车辆寿命相关信息。

如图9所示，通过所述车辆故障检测模型可得出报障图片所属车辆的故障部位和故障位置信息，通过所述车辆寿命相关信息可提取到故障部位所属车辆的车辆寿命相关信息；足够多的故障部位信息、故障位置信息及相应的车辆寿命相关信息，便能建立寿命预估训练集合，用以训练所述寿命预估模型。

如图1所示，所述寿命预估模型可通过实施例1中的步骤s101、s102、s103、s104、s105进行模型训练而形成，本实施例不再赘述其建立过程。所述寿命预估模型建立好后，其部署于所述服务器中。

如图8所示，所述车辆信息获取模块用于从所述服务器中提取待评估车辆的车辆信息，并用于将提取到的车辆信息输送至所述寿命预估模型。

如图8所示，所述寿命预估模型用于根据所述车辆信息对所述待评估车辆的各个零部件的使用寿命进行预估，得出各个零部件的预估寿命。

所述寿命预估模型还用于将所述预估寿命与预设的零部件寿命阈值进行比较，以判断所述待评估车辆是否包含有预估寿命达到寿命阈值的零部件。

所述寿命阈值，可根据情况而预设，其可以是车辆零部件的理论寿命，也可以是根据实施例1中的寿命预估训练集合进行大数据分析而得出的实际寿命阈值，或者是小于理论寿命或实际寿命阈值的某一寿命值。

如图8所示，所述寿命预估模型还用于向所述服务器输出第一结果信息。当所述寿命预估模型判断出所述待评估车辆包含有预估寿命达到寿命阈值的零部件时，所述寿命预估模型向所述服务器输出第一结果信息。

如图8所示，所述服务器还用于接收所述寿命预估模型输出的第一结果信息，并用于将所述第一结果信息发送至相应的车辆运维检修部门，以方便车辆运维检修部门及时的对评估为即将发生故障的车辆进行处理。

所述第一结果信息为报告所述评估车辆的零部件的预估寿命达到寿命阈值的结果信息，其具体格式不限，其可根据实际需要而设置。所述第一结果信息包括但不限于当前待评估车辆的车辆信息、车辆零部件的预估寿命信息、评估结果信息等。

所述服务器、车辆信息获取模块、寿命预估模型、保障图片获取模块、车辆故障检测模型、车辆寿命信息获取模块便构成了本实施例的基于用户报障数据的车辆零部件寿命预测系统，该系统可在线自动对服务器中登记的车辆的零部件进行寿命预估，从而判断出车辆的零部件是否达到寿命极限，从而可在车辆零部件正式发生故障之前进行预报，通知相关的运维人员进行处理，从而可减轻运维人员的工作量，提高运维人员的工作效率，并避免故障车辆混入使用而影响用户的体验感。

尽管通过以上实施例对本发明进行了揭示，但是本发明的范围并不局限于此，在不偏离本发明构思的条件下，以上各构件可用所属技术领域人员了解的相似或等同元件来替换。