[发明专利]一种基于诊断故障代码演变图谱的故障预测方法及装置

说明书

本发明涉及一种基于诊断故障代码演变图谱的故障预测方法及装置,属于数据处理技术领域。方法包括：获取车辆在第一预定时间内的历史故障码数据；对所述历史故障码数据进行处理，构建故障图谱；对所述故障图谱进行分析，筛选关键故障码，确定车辆在未来第二预定时间内进站维修的概率。本方法能够实时、准确预测汽车因某零件出现故障而进行进站维修的概率，降低了经济成本。

技术领域

本发明属于数据处理技术领域，尤其涉及一种基于诊断故障代码演变图谱的故障预测方法及装置。

背景技术

汽车在人们的生活、工作中越来越普及，目前全国汽车保有量为2亿。但汽车在使用过程中事故频发，虽然大部分是因为驾驶员操作不当造成的，但也有部分原因是汽车故障导致。人为因素是无法控制的，但汽车故障所带来的伤害是可以有效避免的。

汽车常见故障发生在发动机、传动器、制动器及电气系统等。在使用汽车之前，驾驶员对汽车进行一次有效的故障检测，可以保证汽车在驾驶途中不会出现故障。但对以上系统进行检查，传统的检测方式所花费的时间与精力是相当大的，而且效果不佳，经常性的检查维修，会加快汽车的报废速度。

目前车联网系统每日采集大量的故障码数据，我们可以对其进行分析来提前对车辆故障进行预警，但系统直接采集的故障码数据集中会包含大量的临时故障码，这种故障码，能够自行消除，是车辆在行驶过程中瞬间检测到的故障，可能是恶劣路面导致的，也可能是驾驶员操作不当导致的，这种故障码会在车况恢复后自动消除，也就是虚假的故障码，这给车辆提前预警及主动服务带来了障碍。所以需要对这些复杂的故障码进行分析，筛选出真正可能导致汽车某一零件发生故障的故障码，通过对这些关键故障码进行管控，实现故障的提前预警。

现有故障预测方案均未利用诊断故障码DTC(Diagnostic Trouble Code)演变图谱对车辆故障进行预测，而是主要分为以下三类：第一类为利用车辆历史行车信息及机器学习来预测未来故障的发生时间，但其缺点是不能准确的预测具体发生故障的零件，同时模型极易处于过拟合的状态，造成预测结果不准确，给业务上带来一定的困扰；第二类则是利用历史行车数据及当前的行车数据基于机器学习模型以检测当前车辆是否存在故障，此类方法的缺点同样为模型的过拟合现象，同时，其不能提前对故障进行预测从而进行故障预警，并且该类方案也不能给出具体的故障零件，第三类则通过在车辆关键零部件位置安装多个传感器，实时传输信号，再利用传统的故障识别即频谱分析法来预测车辆故障，此方法的缺点是需要安装多个传感器，消耗许多经济成本。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于诊断故障代码演变图谱的故障预测方法及装置，通过获取车辆在第一预定时间内的历史故障码数据，对所述历史故障码数据进行处理，构建故障图谱，对所述故障图谱进行分析，确定车辆在未来第二预定时间内进站维修的概率，能够实时、准确预测汽车因某零件出现故障而进行进站维修的概率，降低了经济成本。

根据本发明的一个方面，本发明提供了一种基于诊断故障码演变图谱的故障预测方法，所述方法包括以下步骤：

S1：获取车辆在第一预定时间内的历史故障码数据；

S2：对所述历史故障码数据进行处理，构建故障图谱；

S3：对所述故障图谱进行分析，筛选关键故障码，确定车辆在未来第二预定时间内进站维修的概率。

优选地，所述车辆历史故障码数据包括目标零件故障多次维修前对应的故障码记录和车辆在第三预定时间内的全部故障码记录，所述故障码记录字段至少包括故障名称、故障主代码SPN和故障等级代码FMI。

优选地，所述对所述历史故障码数据进行处理，包括对故障码记录标注及过滤处理：

根据故障名称，对每次维修前的故障码数据分别进行标注，将故障码归类为与目标零件故障有关和无关两类，将被标记为与目标零件故障无关的故障码进行删除过滤。