[发明专利]车辆故障预测方法、预测系统及车辆

权利要求书

1.一种车辆故障预测方法，其特征在于，包括：

实时采集车辆的数据并发送至大数据平台，其中，所述数据包括车辆振动数据、车速、发动机转速、发动机温度、电流、电量和/或胎压；

接收由大数据平台对所述数据进行清洗和统计分析后的所述车辆的数据并进行展示；

将所述车辆是否在此刻或即将发生故障，以及所述车辆此刻或即将发生故障的部位和概率输出展示并报警，其中，所述车辆此刻或即将发生故障的部位和概率为所述大数据平台将统计分析后的数据输入到模型得到的；

其中，所述车辆振动数据包括所述车辆各部件的振动频率和振动幅度；

对清洗后的数据进行统计分析的步骤包括：

根据所述振动幅度和所述振动频率对所述车辆的振动情况进行分级，统计所述车辆各部件在各个等级下振动幅度的占比及在各个等级下所述振动频率的占比。

2.根据权利要求1所述的车辆故障预测方法，其特征在于，

所述模型包括判别模型，所述判别模型接收所述统计分析后的数据，根据某一时刻的数据预测所述车辆此刻是否会发生故障，并得到所述车辆此刻会发生故障的部位和概率。

3.根据权利要求2所述的车辆故障预测方法，其特征在于，

所述模型还包括预测模型，所述预测模型接收所述统计分析后的数据，根据某一时刻的数据预测下一时刻所述车辆是否将会发生故障，同时得到下一时刻所述车辆将发生故障的部位和概率。

4.根据权利要求2或3所述的车辆故障预测方法，其特征在于，

所述统计分析后的数据通过BI系统进行展示；

所述BI系统还实时展示所述车辆各部件的振动数据信息、所述车辆是否会发生故障信息、是否即将发生故障信息以及发生故障或即将发生故障的部位信息。

5.根据权利要求3所述的车辆故障预测方法，其特征在于，

大数据平台对所述数据进行清洗的步骤包括：通过spark/flink对所述车辆的数据进行清洗，以除去所述车辆的数据中的异常数据；所述判别模型为XGBoost模型；所述预测模型为RNN模型，并且在所述RNN模型中引入LSTM模块。

6.一种车辆，其特征在于，包括：

采集单元，用于实时采集车辆的数据并发送至大数据平台，其中，所述数据包括车辆振动数据、车速、发动机转速、发动机温度、电流、电量和/或胎压；

展示单元，用于由大数据平台对所述数据进行清洗和接收统计分析后的数据并进行展示；和

报警单元，用于将所述车辆此刻或将要发生故障的部位和概率输出展示并报警，其中，所述车辆此刻或将要发生故障的部位和概率为所述大数据平台将统计分析后的数据输入到模型得到的；

其中，所述车辆振动数据包括所述车辆各部件的振动频率和振动幅度；

所述大数据平台还用于根据所述振动幅度和所述振动频率对所述车辆的振动情况进行分级，统计所述车辆各部件在各个等级下振动幅度的占比及在各个等级下所述振动频率的占比。

7.一种车辆故障预测系统，其特征在于，包括权利要求6的车辆和大数据平台，其中，所述大数据平台包括：

清洗模块，用于接收并清洗所述车辆的数据；

统计分析模块，用于对清洗后的数据进行统计分析；其中，对清洗后的数据进行统计分析的步骤包括根据所述振动幅度和所述振动频率对所述车辆的振动情况进行分级，统计所述车辆各部件在各个等级下振动幅度的占比及在各个等级下所述振动频率的占比；

模型模块，用于接收所述将统计分析后的数据并根据所述统计分析后的数据得到所述车辆是否在此刻或即将发生故障，以及得到所述车辆此刻或即将发生故障的部位和概率。

8.根据权利要求7所述的车辆故障预测系统，其特征在于，

所述模型模块包括判别模型，所述判别模型用于接收所述统计分析后的数据，根据某一时刻的数据预测所述车辆此刻是否会发生故障，并得到所述车辆发生故障的部位和概率。

9.根据权利要求7或8所述的车辆故障预测系统，其特征在于，

所述模型模块还包括预测模型，所述预测模型用于接收所述统计分析后的数据，根据某一时刻的数据预测下一时刻所述车辆是否将会发生故障，同时得到下一时刻所述车辆将发生故障的部位和概率。