CN110647539A 一种用于车辆故障的预测方法和系统 （汉纳森（厦门）数据股份有限公司）

本申请公开了一种用于车辆故障的预测方信息与车辆指标信息的相关性和分析不同类型2S2：响应于统计固定时间间隔内车辆故障故障信息与所述车辆指标信息的相关性和分析不同类型的所述平台预警故障信息之间存3重平均值计算所述平台预警故障信息A和B的加权支持度wsup(A=B),以minsup则算法中的权重表示为一定时间范围内不同类型的所述平台预警故障信息发生的时间间Wti＝(max(T)-ti)/(max(T)ti表示第i个时间间隔内两个不同类型的所述平台预警故障示第i个时间间隔内两个不同类型的所述平台预警故障信息之间的最小时间间隔，min(T)表示所述一定时间范围内两个不同类型的所述平台预警故障信息之间最短的间隔时间，max(T)表示所述一定时间范围内两个不同类型的所述平台预警故障信息之间最长的间隔n表示所述一定时间范围内n对不同类型的两个所述平台预警故障信息的权重平均4所述第一SVM分类器和所述第二SVM分类器中采用粒子群优化算法确定惩罚参数和核函数前利用欧氏距离得到每个正类样本的k近邻基于采样倍率构建新的样本，获得数据均衡的特征数据提取单元：配置用于响应于统计固定时间间隔内车辆故辆故障信息包括实际已发生的故障信息和所述5故障信息与车辆指标信息的相关性和分析不同类型的平台预警故障信息之间存在的关联训练构建一种车辆发生故障概率和车辆部件6[0020]在一些具体实施例中，该方法还包括S2步骤中的关联性是利用权重关联规则算关联规则生成1-项候选集C1，比较平台预警故障信息A和B的支持度SUP(A=B)和最小支持均值W(A∪B)，计算平台预警故障信息A和B的加权支持度以minsup为最小支7表示平台预警故障信息A和B的关联关系，sup-count(A∪B)表示一定时间范围内平台预警[0033]权重关联规则算法中的权重通过一定时间范围内不同类型的平台预警故障信息示第i个时间间隔内两个不同类型的平台预警故障信息之间的最小时间间隔，min(T)表示内n对不同类型的两个平台预警故障信息的权重平均值(如其中车辆平台预警故障信息A和不同类型的平台预警故障信息的权重值后，对一定时间范围内n对不同类型的两个平台预[0039]s.t.|yi-ω*k-b|<ζi8实际未发生故障负类样本数据，在训练阶段前利用欧氏距离得到每个正类样本的k近邻基9发生的车辆故障信息，将处理后的车辆指标信息进行固定时间间隔内均匀采集n次计算各平台预警故障信息与车辆指标信息的相关性和分析不同类型的平台预警故障信息之间存[0062]在该步骤中通过采用皮尔逊相关系数计算分析平台预警故障信息与车辆指标信息的相关性。通过加权关联规则算法分析不同类型的平台预警故障信息之间存在的关联[0064]在进行SVM分类器模型训练之前先构建特征向量，利用S2步骤获得多个特征数据做进一步的处理，将其中的类别数据转换为数据标识(如车辆维修保养记录信息中的拆换和保养项目等。平台预警故障信息和车辆指标信息可以辅助机务人员检查车辆的健康状关联规则生成1-项候选集C1，比较平台预警故障信息A和B的支持度SUP(A>B)和最小支持重平均值W(A∪B)，计算平台预警故障信息A和B的加权支持度以minsup为最小支持度生成加权频繁集LW2，平台预警故障信息A和B的加权支持度WSUP(A→B)具体计预警故障信息A和B之间的关联数据集和关联值，平台预警故障信息A和B的关联度conf(A=B)计算公式如下：平台预警故障信息，sup-count(A∪B)表示一定时间范围内平台预警故障信息A和B同时发示第i个时间间隔内两个不同类型的平台预警故障信息之间的最小时间间隔，min(T)表示内n对不同类型的两个平台预警故障信息的权重平均值(如车辆平台预警故障信息A和B的[0090]s.t.|yi-ω*k-b|<ζi实际未发生故障的负类样本数据，在训练阶段前利用欧氏距离得到每个正类样本的k近邻[0093]继续参考图2，其示出了根据本申请的一个具体实施例的用于车辆故障的预测方息和车辆维修保养记录信息的车辆数据，其中平台预警故障信息包括气压传感器预警信通过第二SVM分类器进一步构建车辆部件发[0099]在一些优选实施例中，步骤205中对车辆指标信息进行统计特征处理计算平均值max表示固定时间间隔内该组车辆指标数据的最大min表示固定时间间隔内该组车辆指标数据的最小数据值。ECU会不停检测车辆各i表示30分钟内第i次采集的车速，xmax和xmin表示30分钟内车速[0105]在一些优选实施例中，步骤206中的平台预警故障信息与车辆指标信息的相关性[0108]在一些具体实施例中，步骤206中的不同类型的平台预警故障信息之间关联性采关联规则生成1-项候选集C1，比较平台预警故障信息A和B的支持度SUP(A>B)和最小支持重平均值W(A∪B)，计算平台预警故障信息A和B的加权支持度wsup(A=B),以minsup为最小支持度生成加权频繁集LW2，平台预警故障信息A和B的加权支持度WSUP(A=B)具体计算台预警故障信息A和B之间的关联数据集和关联值，平台预警故障信息A和B的关联度平台预警故障信息，sup-count(A∪B)表示一定时间范围内平台预警故障信息A和B同时发为1.2，加权支持度为0.006，同时满足最小支持度，平台预警故障信息A和B的关联度为规则算法进行挖掘。在分析不同类型的平台预警故障信息之间的关联性中存在一个问题，生的时间为起点，每隔2小时(时间长度可根据实际情况自行选取)为一段时间间隔进行时[0122]其中，Wti表示第i个时间间隔内(20天内的第i个2小时)故障信息的权重值，ti表示第i个时间间隔内(20天内的第i个2小时)两个不同类型的平台型的平台预警故障信息之间最长的间隔时间，Wn表示一定时间范围内(20天内)n对不同类型的两个平台预警故障信息的权重平均值(如车辆平台预警故障信息A和B的权重平均值表分析平台预警故障信息与车辆指标信息的相关性和分析不同类型的平台预警故障信息之两个阶段。将数据集根据相应的比例分割成训练集和测试集两组数据(如按80％/20％分[0135]在步骤304-1中假设少数正类样本中每一个样本用X表示，利用欧氏距离作为标[0136]在步骤304-2中对训练样本中不平衡比例设置一个采样比例N，N表示为采样倍率[0138]xn=x+rand(0,1)x(x-x)[0140]在一些优选实施例中，步骤305中的SVM分类器和第二SVM分类器中采用粒子群优[0142]s.t.|yi-ω*k-b|<ζi[0144]在一些优选实施例中，步骤307中优化SVM参数采用粒子群优化算法具体运算如[0145]在步骤307-1中初步确定惩罚参数C和核函数参数k的取值范围。实际操作中设置数k通常凭经验给定，但往往难以取得最优值，故采用粒子群优化算法(ParticleSwarm数字标识对图3训练出来的第一SVM分类器先进行有执行步骤501-502的车辆特征数据提取和第一SVM分类器高于50执行步骤505第二SVM分类器(车辆故障类别)；成数字标识对图3训练出来的第二SVM分类器进一步预测车辆发生故障的车辆故障类型的13表示后门电磁阀漏风发生故障概率为50干燥瓶漏风发生故障概率为45HCU发数据提取单元601提取的数据进行统计固定时间间隔内车辆故障信息发生的次数和频率，分析平台预警故障信息与车辆指标信息的相关性和分析不同类型的平台预警故障信息之[0159]特征数据提取单元602：配置用于响应于统计固定时间间隔内车辆故障信息发生[0160]第一和第二SVM分类器单元603：配置用于将其中类别特征数据存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传[0166]可以以一种或多种程序设计语言或其组合来编写用于执行本申请