一种电子电器台架实验数据分析平台及数据分析方法与流程

1.本发明属于汽车故障诊断技术领域，具体涉及一种电子电器台架实验数据分析平台及数据分析方法。


背景技术：

2.汽车智能化发展至今，面对未来整车电器领域技术的不断发展，生准及制造过程发展遇到的困难主要体现在以下几个方面：
3.1)、整车功能复杂化：随着开发文件不断增多，电器生准范围及内容不断增多整车电器诊断不断复杂化，车辆电器故障解析的排查点将由两位数攀升至三位数；
4.2)、电器测试数据不断增多：整车电器测试数据由100mb级向gb升级甚至tb级增长数据解析工作不断复杂化，车辆故障解析面临更多的电控唤醒机制、标定自学习机制等，报文解析和逻辑判断技术提出更高的能力要求；
5.3)、整车总线数据几何式增长：整车监听数据由1gb-5gb向tb级甚至pb级增长数据解析工作不断复杂化，类似于高压互锁故障，在借助总线监听、canoe解析总线故障时，数据收录、转译和分析周期将由1月长至2月。
6.然而传统的返修方案主要是借助原理图、线束图及dtc，这些传统方式很难解析大规模数据，且没有足够的能力进行报文解析和逻辑判断。在此背景下企业需借助车载网络通信信号、唤醒睡眠机制、传感器&执行器硬线信号等复杂数据文件进行诊断分析。
7.综上，由于整车电器技术的不断发展，生准及制造过程将会先后面临测试故障数据激增，整车电器诊断复杂化攀升，报文解析和逻辑判断技术要求增加等一系列问题，因此有必要在已有电器故障预测模型的基础上构建一种电子电器台架实验数据分析平台及数据分析方法，以此给维修人员作为故障分析参考利用，节省维修人员的维修时间和维修成本。


技术实现要素：

8.针对上述现有技术的不足，本发明的目的是提供一种电子电器台架实验数据分析平台及数据分析方法，以解决传统车辆电子电器故障返修方案难以解析的大规模电子电器数据的困难。
9.本发明通过如下技术方案实现：
10.第一方面，本发明提供了一种电子电器台架实验数据分析平台，包括：
11.多源数据提取与融合模块，用于获取和聚合多种格式类型的电子电器台架数据；
12.数据清洗与处理模块，用于电子电器台架实验测试数据的基本数据分析和数据分析逻辑的定义；
13.智能预测模型构建组件，用于电子电器台架实验的电器故障预测模型数据分析流程的构建和模型的训练；
14.数据整合可视化组件，用于电子电器台架实验数据的可视化展示；
15.其中，所述多源数据提取与融合模块、数据清洗与处理模块、智能预测模型构建组件及数据整合可视化组件之间基于api接口进行数据通信。
16.进一步地，所述数据清洗与处理模块包括数据清洗组件、数据计算组件及统计分析组件；所述数据清洗组件用于对所读取的电子电器台架数据中的异常值、缺失值进行填充或者删除处理；所述数据计算组件用于对电子电器台架数据进行数据处理和计算，提供常用数据计算逻辑和开放的数据处理逻辑定义组件；所述统计分析组件用于对电子电器台架实验数据的统计分析功能。
17.进一步地，所述智能预测模型构建组件为监督学习算法模型、无监督学习算法模型、概览算法模型或优化算法模型；用于提供多种电子电器故障智能预测模型构建的机器学习算法模型。
18.进一步地，所述监督学习算法模型为随机森林组件、神经网络组件、支持向量机组件或集成学习组件；用于构建电子电器故障智能预测模型而开发的机器学习算法模型。
19.进一步地，所述无监督学习算法模型为主成分分析组件、奇异值分解组件、k均值组件或聚类组件；用于构建电子电器故障智能预测模型而开发的机器学习算法模型。
20.进一步地，所述概览算法模型为朴素贝叶斯组件或贝叶斯网络组件；用于构建电子电器故障智能预测模型而开发的机器学习算法模型。
21.进一步地，所述优化算法模型为帕累托优化组件或自定义优化组件；所述帕累托优化组件可根据自定义的优化条件，采用帕累托优化算法辅助电子电器故障维修决策；所述自定义优化组件可集成第三方软件或者自定义的优化算法/方法。
22.进一步地，所述数据整合可视化组件包括图表组件、布局组件、模板组件；所述图表组件用于绘制可视化图表；所述布局组件用于排版页面形式，优化故障智能诊断结果展示页面；模板组件为预定义好的数据展示页面模板。
23.进一步地，所述数据整合可视化组件支持通过html和html文本发布可视化页面，支持通过文本、图表或交互式图表方式展示。
24.另一方面，本发明还提供了一种电子电器台架实验数据分析方法，具体包括如下步骤：
25.步骤一：通过多源数据提取与融合模块中的oracle database reader组件和excel reader组件接口与电子电器台架实验数据库、测试用例设计表连接，分别获取相关台架实验监控的电子电器信号数据和测试用例设计参数值；并根据数据之间的逻辑性对数据进行聚合处理，将电子电器台架测试数据结构化处理；
26.步骤二：利用数据清洗与处理模块，填充定义的异常值和缺失值项，补充数据的完整性；定义电子电器故障信号与电器监控信号之间的相关性；
27.步骤三：对于电子电器故障信号数据，通过数据分析后，将数据输送给智能预测模型构建组件，通过模式识别算法建立起来电器故障信号变化趋势与电子电器故障之间的映射关系，即电子电器故障预测模型，利用该模型定位车辆电子电器故障控制与故障电器单元，进行车辆维修决策。
28.与现有技术相比，本发明的优点如下：
29.1、本发明的一种电子电器台架实验数据分析平台及分析方法，可实现对电子电器台架实验的故障数据，进行智能分析和大数据展示，运用数字化技术辅助人工开展数据分
析，方便数据查询和比对，为电器故障分析提供可视化分析和更加可靠的数据支持；
30.2、通过对车辆台架实验数据分析，可帮助车辆电子电器设计人员明确车辆电子电器故障逻辑和电子电器故障耦合关系，优化车辆电子电器设计，降低车辆电器故障概率、提升电器故障快速排查能力；
31.3、本发明所提出的电子电器台架实验数据分析方法可以通过所内置的基础数据处理组件快速实现电子电器数据分析方法；其内置基础数据处理组件可以通过拖拽方式根据数据分析流程快速完成数据分析方法搭建。
附图说明
32.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。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
33.图1为本发明的一种电子电器台架实验数据分析平台的系统框图；
34.图2为本发明的一种电子电器台架实验数据分析方法的流程框图。
具体实施方式
35.为清楚、完整地描述本发明所述技术方案及其具体工作过程，结合说明书附图，本发明的具体实施方式如下：
36.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
37.在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
38.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
39.实施例1
40.如图1所示，为本实施例的一种电子电器台架实验数据分析平台的系统框图，所述分析平台包括：
41.多源数据提取与融合模块，用于获取和聚合多种格式类型的电子电器台架数据；
支持多种数据类型数据提取组件，包括：excel reader、text reader、html reader、json reader、oracle database reader、sql reader、mongodb reader等；数据融合组件，包括：join data、merger data、group data、pivot data等；实现对多种格式类型的电子电器台架数据进行获取和聚合。
42.数据清洗与处理模块，用于电子电器台架实验测试数据的基本数据分析和数据分析逻辑的定义；
43.智能预测模型构建组件，用于电子电器台架实验的电器故障预测模型数据分析流程的构建和模型的训练；
44.数据整合可视化组件，用于电子电器台架实验数据的可视化展示；
45.其中，所述多源数据提取与融合模块、数据清洗与处理模块、智能预测模型构建组件及数据整合可视化组件之间基于api接口进行数据通信。
46.在本实施例中，所述数据清洗与处理模块包括数据清洗组件、数据计算组件及统计分析组件；所述数据清洗组件用于对所读取的电子电器台架数据中的异常值、缺失值进行填充或者删除处理，所述数据计算组件用于对电子电器台架数据进行数据处理和计算，提供常用数据计算逻辑和开放的数据处理逻辑定义组件；所述统计分析组件用于对电子电器台架实验数据的统计分析功能。
47.在本实施例中，所述智能预测模型构建组件为监督学习算法模型、无监督学习算法模型、概览算法模型或优化算法模型；用于提供多种电子电器故障智能预测模型构建的机器学习算法模型。
48.在本实施例中，所述监督学习算法模型为随机森林组件、神经网络组件、支持向量机组件或集成学习组件；用于构建电子电器故障智能预测模型而开发的机器学习算法模型。
49.在本实施例中，所述无监督学习算法模型为主成分分析组件、奇异值分解组件、k均值组件或聚类组件；用于构建电子电器故障智能预测模型而开发的机器学习算法模型。
50.在本实施例中，所述概览算法模型为朴素贝叶斯组件或贝叶斯网络组件；用于构建电子电器故障智能预测模型而开发的机器学习算法模型。
51.在本实施例中，所述优化算法模型为帕累托优化组件或自定义优化组件；所述帕累托优化组件可根据自定义的优化条件，采用帕累托优化算法辅助电子电器故障维修决策；所述自定义优化组件可集成第三方软件或者自定义的优化算法/方法。
52.在本实施例中，所述数据整合可视化组件包括图表组件、布局组件、模板组件；所述图表组件用于绘制可视化图表；所述布局组件用于排版页面形式，优化故障智能诊断结果展示页面；模板组件为预定义好的数据展示页面模板。
53.所述数据整合可视化组件支持通过html和html文本发布可视化页面，支持通过文本、图表或交互式图表方式展示。
54.在本实施例中，上述所有算法模型均以被封装，所有算法参数均组件参数化处理和使用；所有模型和组件都是已封装好的组件，通过组件参数设置和拖拽方式实现数据分析方法开发；所述组件之间通过标准的数据接口来实现数据的传递。
55.实施例2
56.如图2所示，为本实施例的一种电子电器台架实验数据分析方法的流程框图，该分
析方法是根据电子电器台架实验数据处理逻辑，通过拖拽电子电器台架实验数据分析开发平台基础组件和相关参数设置快速开发出数据分析方法，并应用到电子电器台架实验的数据分析中；
57.所述分析方法具体包括如下步骤：
58.步骤一：通过多源数据提取与融合模块中的oracle database reader组件和excel reader组件接口与电子电器台架实验数据库、测试用例设计表连接，分别获取相关台架实验监控的电子电器信号数据和测试用例设计参数值；并根据数据之间的逻辑性对数据进行聚合处理，将电子电器台架测试数据结构化处理；
59.步骤二：利用数据清洗与处理模块，填充定义的异常值和缺失值项，补充数据的完整性；定义电子电器故障信号与电器监控信号之间的相关性；
60.步骤三：对于电子电器故障信号数据，通过数据分析后，将数据输送给智能预测模型构建组件，通过模式识别算法建立起来电器故障信号变化趋势与电子电器故障之间的映射关系，即电子电器故障预测模型，利用该模型定位车辆电子电器故障控制与故障电器单元，进行车辆维修决策。
61.数据分析结果以可视化图表方式展现，以直观方式呈现分析结果和变化趋势等信息。
62.上述数据异常/缺失填充，包括异常/缺失值的定义，异常/缺失值的填充方式。针对异常/缺失值的定义支持预定义和用户自定义两种方式实现；对于异常/缺失值的填充方式，包括平均值法、中位值法、众数法、k邻居算法、用户自定义值等方法，实现数据完整性，提升数据质量和可分析性。
63.上述在电子电器台架测试用例设计后，试验人员会根据电子电器台架实验测试用例信息，将测试工况/场景信息快速导入台架实验设备中，台架实验设备运行测试用例，并按照规定的格式、数据类型将监控电子电器信号存储到台架数据库内。根据存储的数据格式和类型，使用不同的数据提取器和数据聚合组件对数据进行结构化出来。
64.所述测试用例信息包括试验工况描述、信号说明、工况测试步骤，预期结果等。
65.所述数据提取器是指数据接口，包括excel reader、text reader、html reader、json reader、oracle database reader、sql reader、mongodb reader。
66.所述数据聚合组件会据结构和特点，采用数据合并，数据拆分，数据转化等变换，将相关数据聚合在一起，形成一个标准化，结构化的表单，便于后续数据的探索性分析和机器学习建模。
67.所述的数据分析方法可以通过web service方式与其他第三方系统集成使用。
68.以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
69.另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
70.此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。