基于分部式的车辆远程定损数学模型测试方法及系统的制作方法
【专利摘要】基于分部式的车辆远程定损数学模型测试方法，包括：对碰撞信号进行粗判断的步骤、对碰撞信号进行细判断的步骤、判断碰撞信号所属工况的步骤；判断零件损伤等级的步骤。本发明是通过每个步骤的判断进行诸多影响因素的影响因子衰减，提高最终判断的准确度。
【专利说明】
基于分部式的车辆远程定损数学模型测试方法及系统
技术领域
[0001]本发明属于数据处理及机器学习领域，具体说是车辆远程自动定损碰撞检测方法及系统。
【背景技术】
[0002]目前汽车的保有量每年在逐渐的增加，道路交通的不断规划使车辆的行驶速度有所提升，交通事故的发生率也在增加，但是在车辆低速行驶过程中所发生的事故对车辆所造成的损伤无法准确判断，对用户和保险公司都产生了一定危害，所以对车辆低速碰撞远程定损具有重要的意义。在对低速行驶车辆远程定损过程中，主要是对车辆携带设备所采集的加速度、角速度，以下简称车辆行驶信号，进行处理分析、学习判断。
[0003]在实际车辆行驶过程中道路况状复杂、驾驶员操作多样等因素，对采集到的判断信号产生了很多干扰，直接对采集的信号进行损伤等级检测不但费时，而且在运算量和存储上也造成一定程度的资源浪费。
【发明内容】
[0004]本发明针对定损过程中不确定因素过多而对损伤等级判定结果具有较大影响的问题，发明了一种基于分部式的车辆远程定损数学模型测试方法及系统，是通过每个步骤的判断进行诸多影响因素的影响因子衰减，提高最终判断的准确度。
[0005]—方面，本发明提供了基于分部式的车辆远程定损数学模型测试方法，包括:对碰撞信号进行粗判断的步骤、对碰撞信号进行细判断的步骤、判断碰撞信号所属工况的步骤；判断零件损伤等级的步骤。
[0006]具体的，对碰撞信号进行粗判断的步骤具体为，在前端对车辆行驶信号进行实时采集并存储N秒钟的数据，根据阈值对当前时刻碰撞信号进行粗略判断，若有疑似碰撞的信号产生，截取当前时刻的前后N/2秒钟，即共财少钟的数据通过云端上传到后台服务器。
[0007]具体的，对碰撞信号进行细判断的步骤具体为:
[0008]S1:当有粗判断为碰撞的信号传来时，触发碰撞信号细判断模块对新数据进行读取；
[0009]S2:根据已经保存好的数据预处理方法对数据进行数据预处理；
[0010]S3:将处理好的特征输入到事先已经训练好的判别模型，通过模型的判断后，确定是否为碰撞信号:
[0011 ]如果判断为碰撞信号，则将提取后的特征传递给步骤3进行判断；
[0012]如果判断为非碰撞信号，则保存为类碰撞信号。
[0013]具体的，步骤S2的预处理方法，包括数据的滤波、特征提取、归一化等操作。
[0014]具体的，训练好的判别模型为反向传播神经网络BPNN或支持向量机SVM。
[0015]具体的，判断碰撞信号所属工况的步骤具体为，将提取后的特征输入到工况模型中进行工况判断，工况模型将输出属于哪种工况并进行记录，将信号所属的工况结果输出给损伤等级判断模块。
[0016]更具体的，工况包括刚性壁工况、柱状体工况、护栏工况、路缘石工况和防撞桶工况等。
[0017]更具体的，判断零件损伤等级的步骤具体为，根据工况结果，选择在该工况下每个零件的相应的分类模型进行损伤等级的判断，就是将提取的特征输入到该工况下的每个零件损伤等级判断模型中，对每一个零件的损伤等级进行判断输出，最终将有损伤的零件及损伤的等级反馈到手机终端。
[0018]另一方面，本发明还提供了一种基于分部式的车辆远程定损数学模型测试系统，包括:
[0019]碰撞信号粗判断模块，根据阈值对当前时刻碰撞信号进行粗略判断，若有疑似碰撞的信号产生，截取当前时刻的前后N/2秒钟，即共1N秒钟的数据通过云端上传到后台服务器；
[0020]碰撞信号细判断模块，对疑似碰撞的数据进行数据预处理；
[0021]判别模型，将处理好的特征输入到该模型中，通过模型的判断后，确定是否为碰撞信号:如果判断为碰撞信号，则将提取后的特征传递给工况模型中；如果判断为非碰撞信号，则保存为类碰撞信号；
[0022]工况模型，将信号所属的工况结果输出给损伤等级判断模块；
[0023]损伤等级判断模块，对每一个零件的损伤等级进行判断输出，最终将有损伤的零件反馈到手机终端。
[0024]进一步的，本系统还包括手机终端，查看有损伤的零件，以及零件的损伤等级;手机终端还设有报警模块，当碰撞信号粗判断模块检测到碰撞信号时，该报警模块进行报警提醒。
[0025]本发明由于采用以上技术方法，能够取得如下的技术效果:通过分部式的信号处理，有效的避免了在信号传输过程中对资源的浪费，同时也可以通过在前端的碰撞检测粗判实现对用户的报警，及时提醒用户对事故的处理;在后台对信号先进行工况判断可以避免不同工况下信号特征的干扰，提高在同一工况下判断零件损伤等级的准确率。
【附图说明】
[0026]为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
[0027]图1为测试损伤等级模型的方法流程图。
【具体实施方式】
[0028]为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述:
[0029]实施例1
[0030]基于分部式的车辆远程定损数学模型测试方法，包括:[0031 ]第一步，对碰撞信号进行粗判断的步骤:
[0032]在前端对车辆行驶信号进行实时采集并存储10秒钟的数据，根据阈值对当前时刻碰撞信号进行粗略判断，若有疑似碰撞的信号产生，截取当前时刻的前后5秒钟，即共10秒钟的数据通过云端上传到后台服务器。
[0033 ]第二步，对碰撞信号进行细判断的步骤:
[0034]S1:当有粗判断为碰撞的信号传来时，触发碰撞信号细判断模块对新数据进行读取；
[0035]S2:根据已经保存好的数据预处理方法对数据进行数据预处理，数据预处理包括数据的滤波、特征提取、归一化等相关操作；
[0036]S3:将处理好的特征输入到事先已经训练好的判别模型，如反向传播神经网络BPNN或支持向量机SVM，通过模型的判断后，确定是否为碰撞信号:
[0037]如果判断为碰撞信号，则将提取后的特征传递给步骤3进行判断；
[0038]如果判断为非碰撞信号，则保存为类碰撞信号。
[0039]第三步，判断碰撞信号所属工况的步骤:
[0040]将提取后的特征输入到工况模型中进行工况判断，工况模型将输出属于哪种工况并进行记录，所述工况包括刚性壁工况、柱状体工况、护栏工况、路缘石工况和防撞桶工况等，把信号所属的工况结果输出给损伤等级判断模块。
[0041 ]第四步，判断零件损伤等级的步骤:
[0042]根据工况结果，选择在该工况下每个零件的相应的分类模型进行损伤等级的判断，就是将提取的特征输入到该工况下的每个零件损伤等级判断模型中，对每一个零件的损伤等级进行判断输出，最终将有损伤的零件及损伤的等级反馈到手机终端。
[0043]另一方面，本发明还提供了一种基于分部式的车辆远程定损数学模型测试系统，包括:
[0044]碰撞信号粗判断模块，根据阈值对当前时刻碰撞信号进行粗略判断，若有疑似碰撞的信号产生，截取当前时刻的前后5秒钟，即共10秒钟的数据通过云端上传到后台服务器；
[0045]碰撞信号细判断模块，对疑似碰撞的数据进行数据预处理;数据预处理包括数据的滤波、特征提取、归一化等相关操作。
[0046]判别模型，将处理好的特征输入到该模型中，通过模型的判断后，确定是否为碰撞信号:如果判断为碰撞信号，则将提取后的特征传递给工况模型中；如果判断为非碰撞信号，则保存为类碰撞信号；
[0047]工况模型，将信号所属的工况结果输出给损伤等级判断模块；
[0048]损伤等级判断模块，对每一个零件的损伤等级进行判断输出，最终将有损伤的零件反馈到手机终端；
[0049]手机终端，查看有损伤的零件，以及零件的损伤等级;手机终端还设有报警模块，当碰撞信号粗判断模块检测到碰撞信号时，该报警模块进行报警提醒。
[0050]实施例2
[0051 ]基于分部式的车辆远程定损数学模型测试方法，包括:
[0052 ]第一步，对碰撞信号进行粗判断的步骤:
[0053]在前端对车辆行驶信号进行实时采集并存储6秒钟的数据，根据阈值对当前时刻碰撞信号进行粗略判断，若有疑似碰撞的信号产生，截取当前时刻的前后3秒钟，即共6秒钟的数据通过云端上传到后台服务器。
[0054]第二步，对碰撞信号进行细判断的步骤:
[0055]S1:当有粗判断为碰撞的信号传来时，触发碰撞信号细判断模块对新数据进行读取；
[0056]S2:根据已经保存好的数据预处理方法对数据进行数据预处理，数据预处理包括数据的滤波、特征提取、归一化等相关操作；
[0057]S3:将处理好的特征输入到事先已经训练好的判别模型，如反向传播神经网络BPNN或支持向量机SVM，通过模型的判断后，确定是否为碰撞信号:
[0058]如果判断为碰撞信号，则将提取后的特征传递给步骤3进行判断；
[0059]如果判断为非碰撞信号，则保存为类碰撞信号。
[0060]第三步，判断碰撞信号所属工况的步骤:
[0061]将提取后的特征输入到工况模型中进行工况判断，工况模型将输出属于哪种工况并进行记录，所述工况包括刚性壁工况、柱状体工况、护栏工况、路缘石工况和防撞桶工况等，把信号所属的工况结果输出给损伤等级判断模块。
[0062]第四步，判断零件损伤等级的步骤:
[0063]根据工况结果，选择在该工况下每个零件的相应的分类模型进行损伤等级的判断，就是将提取的特征输入到该工况下的每个零件损伤等级判断模型中，对每一个零件的损伤等级进行判断输出，最终将有损伤的零件反馈到手机终端。
[0064]另一方面，本发明还提供了一种基于分部式的车辆远程定损数学模型测试系统，包括:
[0065]碰撞信号粗判断模块，根据阈值对当前时刻碰撞信号进行粗略判断，若有疑似碰撞的信号产生，截取当前时刻的前后3秒钟，即共6秒钟的数据通过云端上传到后台服务器；
[0066]碰撞信号细判断模块，对疑似碰撞的数据进行数据预处理;数据预处理包括数据的滤波、特征提取、归一化等相关操作。
[0067]判别模型，将处理好的特征输入到该模型中，通过模型的判断后，确定是否为碰撞信号:如果判断为碰撞信号，则将提取后的特征传递给工况模型中；如果判断为非碰撞信号，则保存为类碰撞信号；
[0068]工况模型，将信号所属的工况结果输出给损伤等级判断模块；
[0069]损伤等级判断模块，对每一个零件的损伤等级进行判断输出，最终将有损伤的零件反馈到手机终端；
[0070]手机终端，查看有损伤的零件，以及零件的损伤等级;手机终端还设有报警模块，当碰撞信号粗判断模块检测到碰撞信号时，该报警模块进行报警提醒。
[0071]以上所述，仅为本发明较佳的【具体实施方式】，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
【主权项】
1.基于分部式的车辆远程定损数学模型测试方法，其特征在于，包括:对碰撞信号进行粗判断的步骤、对碰撞信号进行细判断的步骤、判断碰撞信号所属工况的步骤、判断零件损伤等级的步骤。2.根据权利要求1所述的基于分部式的车辆远程定损数学模型测试方法，其特征在于，对碰撞信号进行粗判断的步骤具体为，在前端对车辆行驶信号进行实时采集并存储N秒钟的数据，根据阈值对当前时刻碰撞信号进行粗略判断，若有疑似碰撞的信号产生，截取当前时刻的前后N/2秒钟，即共财少钟的数据通过云端上传到后台服务器。3.根据权利要求1所述的基于分部式的车辆远程定损数学模型测试方法，其特征在于，对碰撞信号进行细判断的步骤具体为: S1:当有粗判断为碰撞的信号传来时，触发碰撞信号细判断模块对新数据进行读取； S2:根据已经保存好的数据预处理方法对数据进行数据预处理； S3:将处理好的特征输入到事先已经训练好的判别模型，通过模型的判断后，确定是否为碰撞信号: 如果判断为碰撞信号，则将提取后的特征传递给步骤3进行判断； 如果判断为非碰撞信号，则保存为类碰撞信号。4.根据权利要求3所述的基于分部式的车辆远程定损数学模型测试方法，其特征在于，步骤S2的预处理方法，包括数据的滤波、特征提取、归一化等操作。5.根据权利要求3所述的基于分部式的车辆远程定损数学模型测试方法，其特征在于，训练好的判别模型为反向传播神经网络BPNN或支持向量机SVM。6.根据权利要求1所述的基于分部式的车辆远程定损数学模型测试方法，其特征在于，判断碰撞信号所属工况的步骤具体为，将提取后的特征输入到工况模型中进行工况判断，工况模型将输出属于哪种工况并进行记录，将信号所属的工况结果输出给损伤等级判断模块。7.根据权利要求6所述的基于分部式的车辆远程定损数学模型测试方法，其特征在于，工况包括刚性壁工况、柱状体工况、护栏工况、路缘石工况和防撞桶工况等。8.根据权利要求1所述的基于分部式的车辆远程定损数学模型测试方法，其特征在于，判断零件损伤等级的步骤具体为，根据工况结果，将提取的特征输入到该工况下的每个零件损伤等级判断模型中，对每一个零件的损伤等级进行判断输出，最终将有损伤的零件及损伤的等级反馈到手机终端。9.一种基于分部式的车辆远程定损数学模型测试系统，其特征在于，包括: 碰撞信号粗判断模块，根据阈值对当前时刻碰撞信号进行粗略判断，若有疑似碰撞的信号产生，截取当前时刻的前后N/2秒钟，即共财少钟的数据通过云端上传到后台服务器； 碰撞信号细判断模块，对疑似碰撞的数据进行数据预处理； 判别模型，将处理好的特征输入到该模型中，通过模型的判断后，确定是否为碰撞信号:如果判断为碰撞信号，则将提取后的特征传递给工况模型中；如果判断为非碰撞信号，则保存为类碰撞信号； 工况模型，将信号所属的工况结果输出给损伤等级判断模块； 损伤等级判断模块，对每一个零件的损伤等级进行判断输出，最终将有损伤的零件反馈到手机终端。10.根据权利要求9所述的基于分部式的车辆远程定损数学模型测试系统，其特征在于，本系统还包括手机终端，查看有损伤的零件，以及零件的损伤等级;手机终端还设有报警模块，当碰撞信号粗判断模块检测到碰撞信号时，该报警模块进行报警提醒。
【文档编号】G06K9/62GK106067033SQ201610364071
【公开日】2016年11月2日
【申请日】2016年5月27日 公开号201610364071.9, CN 106067033 A, CN 106067033A, CN 201610364071, CN-A-106067033, CN106067033 A, CN106067033A, CN201610364071, CN201610364071.9
【发明人】田雨农, 邹秋霞
【申请人】大连楼兰科技股份有限公司