本申请涉及物联网,具体涉及一种基于机器学习的蓄电池故障预见性检测方法及系统。
背景技术:
1、蓄电池是汽车电气系统中最重要的组成部分之一,它为整个车辆的电气系统提供能量。如果蓄电池失效,车辆可能无法启动,或者在行驶途中出现电气故障,从而影响行车安全。因此,定期检测蓄电池的状态非常重要。
2、汽车蓄电池故障检测是一项非常重要的技术,可以帮助司机及时发现电池故障,避免在行驶过程中出现意外情况。目前市场上已经有一些汽车电池故障检测的专利,其中一些专利的技术原理是通过检测电池的电压、电流、以及温度等参数来判断电池是否正常工作。另外,还有一些专利是通过对电池内部的化学反应进行分析,来判断电池的健康状况。这些专利都是在蓄电池已经发生了故障的前提下来做检测。
3、现有技术的缺点是:利用电池的电压、电流、以及温度等信号来判断电池是否正常工作,这些技术只有在车辆蓄电池发生了故障的情况下才能够起作用,这就导致司机因为无法及时更换蓄电池,从而导致车辆安全问题。
技术实现思路
1、针对现有技术中存在的缺陷,本申请的目的在于提供一种基于机器学习的蓄电池故障预见性检测方法及系统,可以通过不同的车载信号基于大数据统计分析技术,来判断蓄电池在未来一段时间内发生故障的概率,及时提醒客户潜在的故障问题,从而引导客户提前更换蓄电池,避免因为蓄电池故障导致的行车安全问题。
2、为达到以上目的,采取的技术方案是:
3、本申请第一方面提供一种基于机器学习的蓄电池故障预见性检测方法,包括:
4、采集预设时间段内的车辆行驶状态的状态数据,所述状态数据包括多个维度的行驶状态的特征数据;
5、从所述状态数据中选择多种特征数据作为样本数据,将经过所述预设时间段后蓄电池出现故障的样本数据作为负样本,将经过所述预设时间段后蓄电池未出现故障的样本数据作为正样本,根据所述正样本和所述负样本训练蓄电池故障预见性检测模型;
6、采集实时的车辆行驶状态的状态数据作为蓄电池故障预见性检测模型的输入数据,得到输出数据。
7、一些实施例中,所述方法还包括:
8、生成所述蓄电池故障预见性检测模型后,对该模型进行评价得到评价结果,并根据该结果反馈调节构成样本数据中的所述特征数据的种类和数量,以及根据该结果反馈调节预设时间段的长度,评价结果越好,预设时间段越短;
9、按照调整后的样本数据和预设时间段更新所述蓄电池故障预见性检测模型;
10、所述评价结果包括模型的准确性、精确率、召回率、f1值、roc曲线、auc值、以及混淆矩阵。
11、一些实施例中,所述状态数据包括车速、发动机转速、刹车踏板开关状态、车辆高程、蓄电池电压、蓄电池基本信息、行驶里程、行驶时间、以及行驶工况的相关数据。
12、一些实施例中,所述行驶工况包括:
13、充电工况:为车辆状态为熄火,充电状态为停车充电,总电流为负值,车速为0;
14、静置工况:为车辆状态为熄火,充电状态为完成充电,总电流为0,车速为0;
15、行驶工况:为车辆状态为运行,充电状态为未充电,总电流大于0,车速大于0;
16、刹车减速工况:为车辆状态为运行,充电状态为未充电,总电流小于等于0,车速大于0;
17、停车工况:为车辆状态为运行,充电状态为未完成,车速为0;
18、熄火等待工况:为车辆状态为熄火,充电状态为未充电,总电流为0,车速为0。
19、一些实施例中,所述方法还包括在得到所述样本数据后,对所述样本数据进行清洗处理和聚合处理,并将经过清洗处理和聚合处理后的样本数据划分为所述正样本和所述负样本。
20、一些实施例中,所述方法采用xgboost算法训练所述蓄电池故障预见性检测模型。
21、一种基于机器学习的蓄电池故障预见性检测系统,包括:
22、采集模块,其用于采集预设时间段内的车辆行驶状态的状态数据,所述状态数据包括多个维度的行驶状态的特征数据;
23、计算模块,其用于从所述状态数据中选择多种特征数据作为样本数据,将经过所述预设时间段后蓄电池出现故障的样本数据作为负样本,将经过所述预设时间段后蓄电池未出现故障的样本数据作为正样本,根据所述正样本和所述负样本训练蓄电池故障预见性检测模型;还用于采集实时的车辆行驶状态的状态数据作为蓄电池故障预见性检测模型的输入数据,得到输出数据。
24、一些实施例中,所述采集模块包括车身控制器和车载tbox;
25、所述车身控制器用于采集所述状态数据,并发送至车载tbox;
26、所述车载tbox用于将所述状态数据发送至计算模块。
27、一些实施例中,所述计算模块为云平台。
28、一些实施例中,所述系统还包括:
29、手机端,其用于接收所述计算模块根据所述输出数据处理得到的提醒信息;
30、所述提醒信息包括蓄电池的损耗程度和损耗类型。
31、本申请提供的技术方案带来的有益效果包括:
32、可以通过不同的车载信号基于大数据统计分析技术,来判断蓄电池在未来一段时间内发生故障的概率,及时提醒客户潜在的故障问题,从而引导客户提前更换蓄电池,避免因为蓄电池故障导致的行车安全问题。
33、从所有车载信号中选取一定时间段内不同维度的车载信号构成正负样本来训练电池故障的预测模型,并根据模型的评价结果反馈调节每次选取的车载信号种类和数据量,以及调节后续模型的更新周期,能够在不同时间段内根据不同维度的车载信号训练精度更高的蓄电池故障预见性检测模型,提高不同时间段的模型预测精度,能够提高模型更新效率。
34、结合不同工况条件和相应条件下的车载信号,训练蓄电池故障预见性检测模型,提高不同工况下的模型预测精度。
1.一种基于机器学习的蓄电池故障预见性检测方法,其特征在于,包括:
2.如权利要求1所述的基于机器学习的蓄电池故障预见性检测方法,其特征在于,所述方法还包括:
3.如权利要求1所述的基于机器学习的蓄电池故障预见性检测方法,其特征在于,所述状态数据包括车速、发动机转速、刹车踏板开关状态、车辆高程、蓄电池电压、蓄电池基本信息、行驶里程、行驶时间、以及行驶工况的相关数据。
4.如权利要求3所述的基于机器学习的蓄电池故障预见性检测方法,其特征在于,所述行驶工况包括:
5.如权利要求1所述的基于机器学习的蓄电池故障预见性检测方法,其特征在于,所述方法还包括在得到所述样本数据后,对所述样本数据进行清洗处理和聚合处理,并将经过清洗处理和聚合处理后的样本数据划分为所述正样本和所述负样本。
6.如权利要求1所述的基于机器学习的蓄电池故障预见性检测方法,其特征在于,所述方法采用xgboost算法训练所述蓄电池故障预见性检测模型。
7.一种基于机器学习的蓄电池故障预见性检测系统,其特征在于,包括:
8.如权利要求7所述的基于机器学习的蓄电池故障预见性检测方法,其特征在于,所述采集模块包括车身控制器和车载tbox;
9.如权利要求7所述的基于机器学习的蓄电池故障预见性检测方法,其特征在于,所述计算模块为云平台。
10.如权利要求7所述的基于机器学习的蓄电池故障预见性检测方法,其特征在于,所述系统还包括: