车辆故障分析数据库及构建方法、故障预测方法、故障预测系统与流程

本发明涉及车辆故障分析领域，尤其涉及一种车辆故障分析数据库及构建方法、故障预测方法、故障预测系统。

背景技术：

随着车辆的普及，车辆故障问题引发人们的关注。目前，车辆故障分析主要是在故障出现之后，才进行故障分析，无法对故障进行预测并及时提醒驾驶员。

另外，车辆故障分析有以下两种方式：第一，人工判断，通过人工经验直接进行判断，例如驾驶员通过车辆发出的声音、尾气的气味、尾气的颜色等等来判断车辆故障原因；第二，设备判断，根据多个故障原因与一个故障结果的多对一映射进行故障分析，例如，车辆熄火这一结果对应多个原因。

第一种方式具有以下缺陷：依赖人工经验进行判定，缺少大数据技术的支撑，预测的故障原因往往不准，导致无法在根本上消除车辆故障原因，以至车辆故障重复发生。

第二种方式具有以下缺陷：一个故障结果分析出多个故障原因，需要逐一排查，费时费力。

因此，提供一种车辆故障分析数据库及构建方法、故障预测方法、故障预测系统。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的车辆故障分析数据库及构建方法、故障预测方法、故障预测系统，能够根据大量历史数据分析车辆故障的发生条件，并根据该发生条件进行车辆故障预测，全面准确了解车辆故障形成原因，不仅为车辆研发部门提高研发效率而提供决策支持，而且帮助驾驶员了解车辆未来可能发生的故障，及时维修，防患于未然。

根据本发明的一个方面，提供一种车辆故障分析数据库的构建方法，包括：

采集多个目标车辆的车辆故障分析指标和车辆故障指标，每个目标车辆包括多个车辆故障指标，每个车辆故障指标对应多个车辆故障分析指标，对于每个车辆故障指标，计算各车辆故障分析指标的信息增益值；

选取信息增益值最大的车辆故障分析指标作为车辆故障根节点，根据该车辆故障分析指标的属性构建车辆故障分支节点，并对于各车辆故障分支节点，计算余下车辆故障分析指标的信息增益值；

选取余下车辆故障分析指标中信息增益值最大的作为车辆故障分支节点的车辆故障子分支节点，依次计算，直到没有新的车辆故障分支节点；

分别在车辆故障根节点与车辆故障分支节点之间、车辆故障分支节点与车辆故障子分支节点之间建立路径，并在路径上标注条件信息；

车辆故障根节点、车辆故障分支节点、车辆故障子分支节点、在车辆故障根节点与车辆故障分支节点之间的路径、车辆故障分支节点与车辆故障子分支节点之间的路径形成与车辆故障指标映射的车辆故障分析模型，多个车辆故障指标以及与该车辆故障分析模型构成形成车辆故障分析数据库。

进一步地，根据该车辆故障分析指标的属性设置条件信息。

进一步地，车辆故障分析指标包括驾驶员基本信息和车辆运行参数信息。

根据本发明的另一方面，提供一种根据上述构建方法构建的车辆故障分析数据库，包括：多个车辆故障指标以及与各车辆故障指标映射的车辆故障分析模型，该车辆故障分析模型包括车辆故障根节点、车辆故障分支节点、车辆故障子分支节点、在车辆故障根节点与车辆故障分支节点之间的路径、车辆故障分支节点与车辆故障子分支节点之间的路径，车辆故障根节点为信息增益值最大的车辆故障分析指标，车辆故障分支节点根据该车辆故障分析指标的属性构建，余下车辆故障分析指标中信息增益值最大的为车辆故障分支节点的车辆故障子分支节点。

进一步地，上述车辆故障分析数据库，包括：根据该车辆故障分析指标的属性设置路径上的条件信息。

进一步地，车辆故障分析指标包括驾驶员基本信息和车辆运行参数信息。

根据本发明的又一方面，提供一种车辆故障预测系统，包括：

车辆故障分析指标采集模块，用于实时采集当前车辆的车辆故障分析指标，并发送至车辆故障预测模块；

车辆故障预测模块，用于接收当前车辆的车辆故障分析指标，调取如上述车辆故障分析数据库，将当前车辆的车辆故障分析指标输入各车辆故障分析模型中，判断当前车辆是否满足车辆故障指标的条件，若满足，则将该车辆故障指标输出。

进一步地，上述车辆故障预测系统，还包括：告警模块，用于接收车辆故障指标，并根据不同类型的车辆故障指标分别进行告警。

根据本发明的还一方面，提供一种基于上述车辆故障预测系统实现的车辆故障预测方法，包括以下步骤：

实时采集当前车辆的车辆故障分析指标，并发送至车辆故障预测模块；

接收当前车辆的车辆故障分析指标，调取车辆故障分析数据库，将当前车辆的车辆故障分析指标输入各车辆故障分析模型中，判断当前车辆是否满足车辆故障指标的条件，若满足，则将该车辆故障指标输出。

进一步地，上述车辆故障预测方法，其特征在于，还包括：根据不同类型的车辆故障指标分别进行告警。

本发明与现有技术相比具有以下的优点：

1.本发明的车辆故障分析数据库及构建方法使用机器学习算法，结合车联网大数据技术，分析车辆故障的形成原因，预测车辆故障，能够全面准确了解车辆故障形成原因，为车辆研发部门提高研发效率提供决策支持；

2.本发明的车辆故障预测方法和车辆故障预测系统利用车辆故障分析数据库预测车辆故障，帮助驾驶员了解车辆未来可能发生的故障，及时维修，防患于未然。

附图说明

以下结合附图和实施例对本发明作进一步说明。

图1是本发明的车辆故障分析数据库构建方法步骤图；

图2是本发明的车辆故障分析数据库结构示意图；

图3是本发明的车辆故障分析模型结构示意图；

图4是本发明的车辆故障预测系统框图；

图5是本发明的车辆故障预测方法步骤图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

图1是本发明的车辆故障分析数据库构建方法步骤图，如图1所示，本发明提供的车辆故障分析数据库的构建方法，包括：

采集多个目标车辆的车辆故障分析指标和车辆故障指标，每个目标车辆包括多个车辆故障指标，每个车辆故障指标对应多个车辆故障分析指标，对于每个车辆故障指标，计算各车辆故障分析指标的信息增益值；

选取信息增益值最大的车辆故障分析指标作为车辆故障根节点，根据该车辆故障分析指标的属性构建车辆故障分支节点，并对于各车辆故障分支节点，计算余下车辆故障分析指标的信息增益值；

选取余下车辆故障分析指标中信息增益值最大的作为车辆故障分支节点的车辆故障子分支节点，依次计算，直到没有新的车辆故障分支节点；

分别在车辆故障根节点与车辆故障分支节点之间、车辆故障分支节点与车辆故障子分支节点之间建立路径，并在路径上标注条件信息；

车辆故障根节点、车辆故障分支节点、车辆故障子分支节点、在车辆故障根节点与车辆故障分支节点之间的路径、车辆故障分支节点与车辆故障子分支节点之间的路径形成与车辆故障指标映射的车辆故障分析模型，多个车辆故障指标以及与该车辆故障分析模型构成形成车辆故障分析数据库。

其中，根据该车辆故障分析指标的属性设置条件信息。车辆故障分析指标包括驾驶员基本信息和车辆运行参数信息。利用id3算法计算车辆故障根节点和车辆故障子分支节点。

本发明的车辆故障分析数据库构建方法使用机器学习算法，结合车联网大数据技术，分析车辆故障的形成原因，预测车辆故障，能够全面准确了解车辆故障形成原因，为车辆研发部门提高研发效率提供决策支持，使得车辆研发部门能够对车辆相关功能进行调整，提高车辆安全性。

例如，采集多个目标车辆的车辆故障分析指标和车辆故障指标具体过程如下：

选取出厂时间和使用时间相同的车辆为分析目标，采集车主的基本信息、车联网数据、故障数据，对数据进行清洗，搭建车辆故障分析指标体系。指标体系见下表1(示例)：

选取出厂时间到使用时间差在1年内的数据，整理后的数据示例见下表2：

表2

结合表1和表2的示例数据基于id3算法选取信息增益值最大的车辆故障分析指标作为车辆故障根节点，具体过程如下：

以车辆前轴压力失衡为例，其余故障分析同理。

车辆前轴压力失衡这一车辆故障指标，包括年龄、行驶里程、行驶时长、出行次数四个车辆故障分析指标。

对于年龄，数据源中存在多种不同的值，划分年龄区间属性，18-40岁之间，40-60岁，60岁以上。

对于行驶里程，划分行驶里程区间属性，行驶里程在300km以上的为长距离行驶，行驶里程在100-300km的为中短程行驶，行驶里程在100km以下的为短距离行驶。

对于行驶时长，划分行驶时长区间属性，行驶时长在3h以上的为长时间行驶，行驶时长在1-3h的为中长时间行驶，行驶时长在1h以下的为短时间行驶。

对于出行次数，划分出行次数区间属性，出行次数在50次以上的为频繁出行，出行次数在20-50次的为较频繁出行，出行次数在20次以下的为很少出行。

前轴压力失衡，1定义为出现此故障，0定义为没有出现此故障。

具体步骤如下：

1)计算总的信息熵，其中数据源中总记录数为50，而出现前轴压力失衡的数据有35条，没有出现的数据有15条。

2)计算每个车辆故障分析指标的信息熵。

对于年龄，其属性值有18-40岁之间，40-60岁之间，60岁以上三种。其中，年龄在18-40岁之间，车辆有前轴压力故障的数据有15条，车辆无前轴压力故障的数据有8条，可表示为(15,8)；年龄在40-60岁之间，车辆有前轴压力故障的有13条，车辆无前轴压力故障的有4条，可表示为(13,4)；年龄在60岁以上的，车辆有前轴压力故障的有7条，车辆无前轴压力故障的有3条，可表示为(7,3)。则年龄属性的信息熵计算过程如下：

对于行驶里程，其属性值有300km以上，100-300km，100km以下，其中行驶里程在300km以上，车辆有前轴压力失衡故障的有20条，车辆无前轴压力失衡故障的有3条，可表示为(20,3)；其中行驶里程在100-300km之间，车辆有前轴压力失衡故障的有10条，车辆无前轴压力失衡故障的有6条，可表示为(10,6)；其中行驶里程在100km以下的，车辆有前轴压力失衡故障的5条，车辆无前轴压力失衡故障的有6条，可表示为(5,6)。则行驶里程属性的信息熵计算过程如下：

对于行驶时长，其属性值有3h以上，1-3h，1h以下，其中行驶时长在3h以上，车辆有前轴压力失衡故障的有18条，车辆无前轴压力失衡故障的有3条，可表示为(18,3)；其中行驶时长在1-3h之间，车辆有前轴压力失衡故障的有10条，车辆无前轴压力失衡故障的有8条，可表示为(10,8)；其中行驶时长在1h以下的，车辆有前轴压力失衡故障的7条，车辆无前轴压力失衡故障的有4条，可表示为(7,4)。则行驶时长属性的信息熵计算过程如下：

对于出行次数，其属性值有50次以上，20-50次，20次以下，其中行驶次数在50次以上，车辆有前轴压力失衡故障的有24条，车辆无前轴压力失衡故障的有3条，可表示为(24,3)；其中行驶次数在20-50次之间，车辆有前轴压力失衡故障的有8条，车辆无前轴压力失衡故障的有7条，可表示为(8,7)；其中行驶次数在20次以下的，车辆有前轴压力失衡故障的3条，车辆无前轴压力失衡故障的有5条，可表示为(3,5)。则行驶时长属性的信息熵计算过程如下：

3)计算年龄、行驶里程、行驶时长、出行次数的信息增益值。

gain(年龄)＝i(35，15)-e(年龄)＝0.008643

gain(行驶里程)＝i(35，15)-e(行驶里程)＝0.100216

gain(行驶时长)＝i(35，15)-e(行驶时长)＝0.067956

gain(出行次数)＝i(35，15)-e(出行次数)＝0.157785

根据上述计算结果可知，出行次数的信息增益值最大，它的三个属性值50次以上，20-50次，20次以下作为该根节点的三个分支。然后按照1)至3)的步骤继续对该根节点的三个分支进行节点划分，针对每一个分支节点继续进行信息增益的计算，如此循环往复，直到没有新的节点分支，最终生成决策树模型，即车辆故障分析数据库。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

图2是本发明的车辆故障分析数据库结构示意图，如图2所示，本发明提供的根据上述构建方法构建的车辆故障分析数据库，包括：多个车辆故障指标以及与各车辆故障指标映射的车辆故障分析模型，该车辆故障分析模型包括车辆故障根节点、车辆故障分支节点、车辆故障子分支节点、在车辆故障根节点与车辆故障分支节点之间的路径、车辆故障分支节点与车辆故障子分支节点之间的路径，车辆故障根节点为信息增益值最大的车辆故障分析指标，车辆故障分支节点根据该车辆故障分析指标的属性构建，余下车辆故障分析指标中信息增益值最大的为车辆故障分支节点的车辆故障子分支节点。

上述车辆故障分析数据库，包括：根据该车辆故障分析指标的属性设置路径上的条件信息。车辆故障分析指标包括驾驶员基本信息和车辆运行参数信息。

本发明的车辆故障分析数据库使用机器学习算法，结合车联网大数据技术，分析车辆故障的形成原因，预测车辆故障，能够全面准确了解车辆故障形成原因，为车辆研发部门提高研发效率提供决策支持，使得车辆研发部门能够对车辆相关功能进行调整，提高车辆安全性。

图3是本发明的车辆故障分析模型结构示意图，如图3所示，根据决策树模型可以看到，前轴压力失衡故障与各个属性之间的关系，并可以提取以下决策规则：

(1)若出行次数在20次以下，则车辆无此故障；

(2)若出行次数在50次以上，则车辆有此故障；

(3)若出行次数在20-50次，行驶里程在100km以下，则车辆无此故障；

(4)若出行次数在20-50次，行驶里程在300km以上，则车辆有此故障；

(5)若出行次数在20-50次，行驶里程在100-300km，行驶时长在1h以下，则车辆无此故障；

(6)若出行次数在20-50次，行驶里程在100-300km，行驶时长在1-3h，则车辆无此故障；

(7)若出行次数在20-50次，行驶里程在100-300km，行驶时长在3h以上，年龄在18-40岁，则车辆有此故障；

(8)若出行次数在20-50次，行驶里程在100-300km，行驶时长在3h以上，年龄在40-60岁，则车辆有此故障；

(9)若出行次数在20-50次，行驶里程在100-300km，行驶时长在3h以上，年龄在60岁以上，则车辆无此故障。

以上决策规则能够全面准确了解车辆故障形成原因，为车辆研发部门提高研发效率提供决策支持，使得车辆研发部门能够对车辆相关功能进行调整，提高车辆安全性，还能够预测车辆故障，帮助驾驶员了解车辆未来可能发生的故障，及时维修，提高驾驶员的行车安全性。

图4是本发明的车辆故障预测系统框图，如图4所示，本发明提供的车辆故障预测系统，包括：

车辆故障分析指标采集模块，用于实时采集当前车辆的车辆故障分析指标，并发送至车辆故障预测模块；

车辆故障预测模块，用于接收当前车辆的车辆故障分析指标，调取如上述车辆故障分析数据库，将当前车辆的车辆故障分析指标输入各车辆故障分析模型中，判断当前车辆是否满足车辆故障指标的条件，若满足，则将该车辆故障指标输出。

参见图4，上述车辆故障预测系统，还包括：告警模块，用于接收车辆故障指标，并根据不同类型的车辆故障指标分别进行告警。

本发明的车辆故障预测系统利用车辆故障分析数据库预测车辆故障，帮助驾驶员了解车辆未来可能发生的故障，及时维修，提高驾驶员的行车安全性。

若有新的一辆车a，车主年龄在50岁，行驶里程240km，行驶时长4.5h，出行次数34次，则根据图3得到的决策树规则，预测得到该车有可能发生前轴压力失衡故障，车主可提前进行维修防护，以防意外的发生。

研发部门依据得到的决策树规则，可得到车辆在哪些条件发生故障的概率较高，从而在研发过程中有针对性的提高车辆稳定性和可靠性，比如更换零部件供应商等。

图5是本发明的车辆故障预测方法步骤图，如图5所示，本发明提供的基于上述车辆故障预测系统实现的车辆故障预测方法，包括以下步骤：

实时采集当前车辆的车辆故障分析指标，并发送至车辆故障预测模块；

接收当前车辆的车辆故障分析指标，调取车辆故障分析数据库，将当前车辆的车辆故障分析指标输入各车辆故障分析模型中，判断当前车辆是否满足车辆故障指标的条件，若满足，则将该车辆故障指标输出。

参见图5，上述车辆故障预测方法，其特征在于，还包括：根据不同类型的车辆故障指标分别进行告警。

本发明的车辆故障预测方法利用车辆故障分析数据库预测车辆故障，帮助驾驶员了解车辆未来可能发生的故障，及时维修，提高驾驶员的行车安全性。

对于方法实施例而言，由于其与系统实施例基本相似，所以描述的比较简单，相关之处参见系统实施例的部分说明即可。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。