CN116659037A - 基于局部异常因子算法的车载空调故障预测方法及系统 - Google Patents

Abstract

本发明属于新能源车智能网联领域，具体涉及一种基于局部异常因子算法的车载空调故障预测方法及系统，包括利用LOF算法识别待测车辆同城全量车的关键指标数据中的离群点，得到故障车清单；利用LOF算法识别待测车辆当日及近期时间段内的关键指标数据和故障车清单中各车辆的故障当日及对应的近期时间段内的关键指标数据，得到第一预测结果；利用LOF算法识别待测车辆当日及历史同期时间段内的关键指标数据和故障车清单中各车辆的故障当日以及对应的历史同期时间段内的关键指标数据，得到第二预测结果；依据第一预测结果和第二预测结果确定最终预测结果。由此，本发明解决了现有空调故障预测方法准确率低、成本高和适用性差的问题。

Description

基于局部异常因子算法的车载空调故障预测方法及系统

技术领域

本发明属于新能源车智能网联技术领域，具体涉及一种基于局部异常因子算法的车载空调故障预测方法及系统。

背景技术

随着全球气温升高变暖，夏季的最高气温也逐年攀升，譬如：2003年8月11日，瑞士格罗诺镇录得41.5℃，破139年来的记录。2004年7月，广州的罕见高温打破了53年来的记录。2006年8月16日，重庆最高气温高达43℃。2006年11月11日是香港整个11月最热的一日，最高气温高达29.2℃，比1961年至1990年的平均最高温26.1℃还要高。

夏天，汽车长时间暴露在室外40℃的阳光下,车内温度在70度以上,最高温度可达90度。汽车空调的降温作用至关重要。对客车而言，空调的正常工作才能保证客户的正常的运营，另外电池电机的冷却降温系统的源头也是空调的制冷功能。

综上，空调的高频率使用，致使故障率也在相应攀升，同时由于空调包含零部件众多且遍布车顶整个空间，致使保养检修的难度也大幅提升，如果能通过车联网上报的实时数据，提前识别到空调故障，对客户的正常运营，对产品设计改进有着重要的指导意义。

目前，针对车载空调故障的处理方式主要停留在客户报修的方式，司机或乘客在行驶中或保养时已经发现了空调无法开启或开启后有异响、不制冷，无法实现降温效果，已经影响了车辆正常运营，才通知厂家售后进行维修。此时故障已经比较严重，维修成本较高，且存在被乘客投诉的风险。

部分空调厂家为了监控空调工作状态，安装了各种温度、湿度、气压、震动传感器，但是由于行车过程工况多变，路面颠簸、乘客人数和信号强弱等诸多外界干扰，致使采集到的数据波动极大，预测结果准确率低，不仅无法应用至存量车，且增加了车辆成本。

另外一些算法在空调故障预测上的应用，均基于安装在建筑上空调，周围环境稳定，无法普及至环境时刻在变的车载空调上，适用性差。比如，公布号为CN111412579A的中国发明专利申请文件中公开的一种使用距离算法预测空调故障的方法，但是该方法是基于安装在建筑中的空调，周围环境几乎不变，无法应用于车载空调，且应用之前需要模型训练，不同型号的空调工作参数差别极大，针对不同的空调机组型号都需要不同的算法模型支撑，运维代价大，且准确率不高，存在无效售后的运维成本。

综上，现有技术中空调故障预测方法准确率低、成本高和适用性差的问题。

发明内容

本发明的目的在于提供一种基于局部异常因子算法的车载空调故障预测方法及系统，用以解决现有技术中空调故障预测方法准确率低、成本高和适用性差的问题。

为解决上述技术问题，本发明所提供的技术方案以及技术方案对应的有益效果如下：

本发明的一种基于局部异常因子算法的车载空调故障预测方法，包括以下步骤:

1)获取和空调故障相关性较强的指标，得到关键指标集；

2)选取待测车辆所属地理区域内设定数量的车辆作为样本车辆，并获取样本车辆的关键指标数据；利用LOF异常因子算法识别样本车辆的关键指标数据中的离群点，得到故障车清单，故障车清单内包括故障车辆和故障信息；

3)利用LOF异常因子算法识别第一数据和第二数据中的离群点，得到第一预测结果；利用LOF异常因子算法识别第三数据和第四数据中的离群点，得到第二预测结果；第一数据包括待测车辆当日以及近期时间段内的关键指标数据；第二数据包括故障车清单中各车辆故障当日及对应的近期时间段内的关键指标数据；第三数据包括待测车辆当日及历史同期时间段内的关键指标数据；第四数据包括故障车清单中各车辆的故障当日以及对应的历史同期时间段内的关键指标数据；

4)依据第一预测结果和第二预测结果确定最终空调故障结果。

上述技术方案的有益效果为：1)本发明从待测车辆所属地理区域内选取了大量的样本车辆，依据LOF异常因子算法识别样本车辆关键指标数据中的离群点，得到小部分故障车辆并存入故障车清单，本发明通过选用待测车辆所属地理区域内车辆作为样本数据，减小了环境变化的影响，并且依据关键指标和LOF异常因子算法有目的地缩小了样本数量，减少了计算量并且提高了预测准确性；2)LOF异常因子算法识别故障车清单中车辆的数据、待测车辆当日数据以及近期时间段内的数据中的离群点，得到第一预测结果，识别的数据范围精确且广，提高了预测结果的准确率；3)通过利用LOF异常因子算法识别故障车清单中车辆的数据、待测车辆当日数据以及历史同期时间段内的数据中的离群点，得到第二预测结果，利用第二预测结果再次验证预测结果，进一步提高了准确率。

总之，第一方面，本发明适用于所有车载空调的故障预测以及适用于建筑中安装的空调故障预测，适用范围广，适用性强，解决车辆零部件故障被动发现的行业现状，提前获知空调故障信息，避免故障进一步严重化，降低维修成本，提高车辆运营收入。第二方面，本发明基于三种不同样本集的验证方法(待测车辆所属地理区域内车辆的数据、近期时间段内数据和历史同期时间段内数据)，预测结果准确率高，且无需像现有技术中多数算法需要定期训练模型，优化模型阈值的弊端，同时解决了因不同空调型号的控制策略不同，造成不同型号对应不同预测模型的高维护成本的情况。

进一步地，为了提高准确率，步骤4)中若第一预测结果和第二预测结果均为离群点，则该待测车辆压缩机存在故障，否则该待测车辆压缩机正常。

进一步地，为了提高准确率，步骤1)中采用以下方式得到关键指标集：

获取空调维修单样本数据，基于基础指标集对空调维修单样本数据进行故障相关性分析，筛选相关性较强的指标作为关键指标，得到关键指标集；关键指标集包括压缩机工作结束未到设定温度比例和结束温差均值。

进一步地，所述基础指标集依据车端发送的基础数据衍生得到；所述基础数据包括：车内温度、空调设定温度、空调工作状态、空调压缩机工作状态、整车行驶状态、门开关状态、压缩机工作结束未到设定温度比例和结束温差区间均值。

进一步地，基础指标集包括：压缩机工作结束未到设定温度比例和结束温差均值；基础指标集还包括压缩机工作时长、车内温度开始值及结束值、空调设置温度开始值及结束值、开始温差、结束温差、车内温度变化值、结束温差、工作时长和压缩机工作结束未到设定温度比例中至少一项；

压缩机工作结束未到设定温度比例的计算公式为：Σ(结束温差>0且工作时间小于n分钟的压缩机工作次数)/Σ(压缩机工作次数),n∈(5,15)；

结束温差均值采用以下方式得到：

当温差<-2时，第一温差＝-2；当温差>＝-2时且温差<＝5，第二温差＝实际值；当温差>5时，第三温差＝5；结束温差均值为第一温差、第二温差和第三温差的均值；

压缩机工作时长依据空调工作状态得到；车内温度开始值及结束值依据车内温度和对应的时间点得到；空调设置温度开始值及结束值依据空调设定温度得到；开始温差空调工作开始时刻对应的车内温度减去空调设定温度；结束温差为结束时刻对应的车内温度减去空调设定温度；工作时长依据空调工作状态和对应的时间点得到。

进一步地，为了提高准确率，所述基础数据为去除异常无效数据后的数据，所述异常无效数据包括空数据和极端数据。

进一步地，为了提高准确率，步骤2)中近期时间段为当日至当日的前k天，k∈[25，35]；历史同期时间段为前年的同一时间段。

进一步地，为了提高准确率，步骤2)中待测车辆所属地理区域为待测车辆所在同城，设定数量为同城全部车辆。

为了解决上述问题，本发明又提供了一种基于局部异常因子算法的车载空调故障预测系统，该系统包括处理器，所述处理器用于执行计算机指令以实现如本发明的一种基于局部异常因子算法的车载空调故障预测方法，达到相同的有益效果。

附图说明

图1是本发明的一种基于局部异常因子算法的车载空调故障预测方法的流程图；

图2是本发明的方法实施例中利用LOF算法基于同城全量车的预测结果分布图；

图3是本发明的方法实施例中利用LOF算法基于待测车辆当日及近30天的空调数据的预测结果分布图；

图4是本发明的方法实施例中利用LOF算法基于待测车辆当日及去年同期30天的空调工作数据的预测结果分布图；

图5是本发明的方法实施例中确认待测车辆为故障车的方法示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图及实施例，对本发明进行进一步详细说明。

方法实施例：

本发明的一种基于局部异常因子算法的车载空调故障预测方法的实施例，该方法基于大数据的LOF异常因子算法，仅利用车辆现有上报数据实现预测空调故障，本发明基于通过评价空调的降温效果实现故障预测。

其中，LOF：Local outlier factor，即局部异常因子。LOF主要是通过比较每个点p和其邻域点的密度来判断该点是否为异常点，如果点p的密度越低，越可能被认定是异常点，而密度则通过计算点之间的距离得到，距离越远，密度越低，距离越近，密度越高。

下面结合图1和具体步骤介绍本发明：

第一步：构建指标集。

根据车端上报的基础数据，计算业务衍生指标，依据业务衍生指标构建基础指标集。

1)使用已有车端采集基础数据，并通过4G/5G网络上传到云端进行数据解析存储。基础数据包括车内温度、空调设定温度、空调工作状态、空调压缩机工作状态、整车行驶状态和门开关状态。业务衍生指标包括压缩机工作时长、车内温度开始值及结束值、空调设置温度开始值及结束值、开始温差、结束温差、车内温度变化值、工作时长、压缩机工作结束未到设定温度比例、和结束温差均值。

压缩机工作时长是依据空调工作状态计算得到。车内温度开始值及结束值是依据车内温度和对应的时间筛选得到。结束温差为结束时刻对应的车内温度减去设定温度。空调设置温度开始值结束值：空调工作时间内，第一次设定的设定温度和最后一次设定的设定温度。开始温差为空调工作开始时刻对应的车内温度减去设定温度。车内温度变化值为空调工作开始时刻对应的车内温度减去空调工作结束时刻对应的车内温度。

压缩机工作时长依据空调工作状态得到。

结束温差均值为Σ(结束温差>0且工作时间小于n分钟的压缩机工作次数)/Σ(压缩机工作次数),n∈(5,15)。

2)在云端，对收集到的基础数据还需要进行数据加工，排除异常无效数据，得到最终构建的基础指标集，异常无效数据包括空数据和极端数据。

第二步：基于市场真实的空调维修单样本数据，分析基础指标集中各指标与空调故障的相关性，筛选出与故障强相关的关键指标集，本实施例采用Pearson方法对基础指标数据与空调故障进行相关性分析。

筛选出来的关键指标集包括压缩机工作结束未到设定温度比例和结束温差区间均值，通过上述关键指标评价空调的降温效果。其中，压缩机工作结束未到设定温度比例的计算公式为：

Σ(结束温差>0且工作时间小于10分钟的压缩机工作次数)/Σ(压缩机工作次数)。其他实施例中，工作时间小于设定值即可，该设定值为在(5,15)范围内即可，优选的，本实施例为小于10分钟。

结束温差(end_t_s)均值的计算方式为:

当温差<-2时，温差＝-2；

当温差>＝-2时且温差<＝5，温差＝实际值；

当温差>5时，温差＝5。结束温差区间均值为以上各温差的均值。

第三步：基于LOF异常因子算法，识别同城全量车离群点。

如图2所示(图2、图3和图4中横轴均表示：结束温差，纵轴均表示：压缩机工作结束未到设定温度比例)，大多数车的空调工作正常，当车内温度低于设定温度时压缩机停止工作，压缩机工作结束未到设定温度比例处于0-0.5之间，结束温差小于0，聚集于左侧密度大的区域。而处于右侧的少数离群点，结束温差处于1-5之间，压缩机工作结束未到设定温度比例处于0.6-1。(注：图中“+”表示已确定的特定日期的故障车，并以此车为验证标签)。

获取同城全辆车的关键指标数据，利用LOF异常因子算法识别同城全量车的关键指标数据中的离群点，运算结果输出：

1)离群因子标签[-1 -1-1 -1-1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1-1 1]；对应输出故障车清单list_1(V1,V2,V3,V4……Vn)。故障车清单内包括故障车辆、故障状态和故障日期。

2)离群评分，反应样本的异常程度，绝对值越大越异常：

[-13.72300608 -17.56860982 -11.83203106 -17.61255772 -13.71363421

-0.99817859-1.00569839-0.96221402-1.34529239-1.02148983

-1.12360409-0.96431497-1.11256157-1.01836114-0.97290984

-0.99499985-1.10426975-1.32305091-1.02964179-1.1547492

-0.97075492-0.98762276-3.56539482-1.41396739-1.04845145

-1.36399049-0.99099528-1.03203924-0.98961872-1.00552565]。

该步骤中基于关键指标数据，利用LOF异常因子算法从同城大量数据的车辆中选取了某日出现故障的车辆，缩小了车辆的数量、减少了后续计算量且故障车清单中车辆都曾在某一天具有故障，该车辆的数据具有代表性，可以用于验证待测车辆的故障状态，以提高准确性。

第四步：基于第三步输出的故障车清单list_1(V1,V2,V3,V4……Vn)，依次验证车辆Vi故障当日及近30天(也可以为近k天，k∈[25，35])的空调工作数据，使用LOF算法判断故障当日数据离群情况，预测结果如图3所示。然后，再对待测车辆运行当日以及近30天的空调工作数据使用LOF算法判断当日离群情况。

具体地，包括如下步骤：

1)对待测车辆运行当日的关键指标数据和最近30天的关键指标数据利用LOF算法识别离群点；

2)对故障车清单中各车辆故障当日及故障当日近30天的关键指标数据再次利用LOF算法识别离群点，故障车清单中各车辆的识别结果中存在离群点，用于验证待测车辆当日识别结果是否在离群点附近。

与待测车辆最近30天的识别结果以及故障车清单中各车辆的识别结果相比，判断待测车辆运行当日的识别结果是否处于离群点。

选用同城市车辆作比较，因为同一个城市环境、温度相同，减少环境变化的影响，选用待测车辆最近30天的数据排除了车型不同的影响。

第五步：基于第三步输出的故障车清单list_1(V1,V2,V3,V4……Vn)，依次验证车辆Vi故障当日及去年同期30天的空调工作数据，使用LOF算法判断故障当日数据离群情况，然后，再对待测车辆运行当日以及去年同期近30天的空调工作数据使用LOF算法判断当日离群情况，预测结果如图4所示。

1)对待测车辆运行当日的关键指标数据与去年同期30天的关键指标数据再次利用LOF算法识别离群点；

2)对故障车清单中各车辆故障当日以及去年同期30天的关键指标数据再次利用LOF算法识别离群点，该识别结果中存在离群点，用于验证待测车辆当日识别结果是否在离群点附近。

与待测车辆去年同期30天的识别结果以及故障车清单中各车辆的识别结果相比，再次判断待测车辆运行当日的识别结果是否处于离群点。

最近30天和去年同期30天外部因素基本一致，排除了外部因素的干扰，本发明先和同城市车辆对比，再和自身去年同期数据对比，提高了准确性。

第六步：如第四步和第五步均被验证为离群点，则确认该车为故障车，进行售后派单维修。

基于同城市全辆车关键指标数据LOF算法识别得到第一离群点，基于待测车辆去年同期30天关键指标数据LOF算法识别得到第二离群点，基于待测车辆近30天关键指标数据LOF算法识别得到第三离群点。若待测车辆当日数据的预测结果处于第一离群点、第二离群点和第三离群点交集区域，则认为该车辆故障。交集区域如图5所示的中间斜线交叉部分。

第七步：每天对全量新能源车进行空调故障预测，故障信息推送至售后进行维护检修。基于检修结果定期优化预测模型。

本发明一种基于局部异常因子算法的车载空调故障预测方法，适用于所有车载空调的故障预测，解决车辆零部件故障被动发现的行业现状，提前获知空调故障信息，避免故障进一步严重化，降低维修成本，提高车辆运营收入。同样适用于建筑中安装的空调故障预测。

本发明使用无监督三种不同样本集的验证方法，基于无监督算法使用三种不同样本集分别验证，取结果交集的方法，解决了多数算法需要定期训练模型，优化模型阈值的弊端，同时解决了因不同空调型号的控制策略不同，造成不同型号对应不同预测模型的高维护成本的情况。

本发明可输出压缩机工作评分，用于衡量空调制冷效果，有助于评价空调性能，协助售后智能延保服务。

系统实施例：

本发明的一种基于局部异常因子算法的车载空调故障预测系统实施例，包括存储器、处理器和内部总线，处理器、存储器之间通过内部总线完成相互间的通信和数据交互。存储器包括至少一个存储于存储器中的软件功能模块，处理器通过运行存储在存储器中的软件程序以及模块，执行各种功能应用以及数据处理，实现本发明的方法实施例中介绍的一种基于局部异常因子算法的车载空调故障预测方法。其中，处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。存储器可为利用电能方式存储信息的各式存储器，例如RAM、ROM等。

Claims (9)

1.一种基于局部异常因子算法的车载空调故障预测方法，其特征在于：包括以下步骤:

1)获取和空调故障相关性较强的指标，得到关键指标集；

2)选取待测车辆所属地理区域内设定数量的车辆作为样本车辆，并获取样本车辆的关键指标数据；利用LOF异常因子算法识别样本车辆的关键指标数据中的离群点，得到故障车清单，故障车清单内包括故障车辆和故障信息；

3)利用LOF异常因子算法识别第一数据和第二数据中的离群点，得到第一预测结果；利用LOF异常因子算法识别第三数据和第四数据中的离群点，得到第二预测结果；第一数据包括待测车辆当日以及近期时间段内的关键指标数据；第二数据包括故障车清单中各车辆故障当日及对应的近期时间段内的关键指标数据；第三数据包括待测车辆当日及历史同期时间段内的关键指标数据；第四数据包括故障车清单中各车辆的故障当日以及对应的历史同期时间段内的关键指标数据；

4)依据第一预测结果和第二预测结果确定最终空调故障结果。

2.根据权利要求1所述的基于局部异常因子算法的车载空调故障预测方法，其特征在于：步骤4)中若第一预测结果和第二预测结果均为离群点，则该待测车辆压缩机存在故障，否则该待测车辆压缩机正常。

3.根据权利要求1所述的基于局部异常因子算法的车载空调故障预测方法，其特征在于：步骤1)中采用以下方式得到关键指标集：

获取空调维修单样本数据，基于基础指标集对空调维修单样本数据进行故障相关性分析，筛选相关性较强的指标作为关键指标，得到关键指标集；关键指标集包括压缩机工作结束未到设定温度比例和结束温差均值。

4.根据权利要求3所述的基于局部异常因子算法的车载空调故障预测方法，其特征在于：所述基础指标集依据车端发送的基础数据衍生得到；所述基础数据包括：车内温度、空调设定温度、空调工作状态、空调压缩机工作状态、整车行驶状态、门开关状态、压缩机工作结束未到设定温度比例和结束温差区间均值。

5.根据权利要求4所述的基于局部异常因子算法的车载空调故障预测方法，其特征在于：基础指标集包括：压缩机工作结束未到设定温度比例和结束温差均值；基础指标集还包括压缩机工作时长、车内温度开始值及结束值、空调设置温度开始值及结束值、开始温差、结束温差、车内温度变化值、结束温差、工作时长和压缩机工作结束未到设定温度比例中至少一项；

压缩机工作结束未到设定温度比例的计算公式为：Σ(结束温差>0且工作时间小于n分钟的压缩机工作次数)/Σ(压缩机工作次数),n∈(5,15)；

结束温差均值采用以下方式得到：

当温差<-2时，第一温差＝-2；当温差>＝-2时且温差<＝5，第二温差＝实际值；当温差>5时，第三温差＝5；结束温差均值为第一温差、第二温差和第三温差的均值；

压缩机工作时长依据空调工作状态得到；车内温度开始值及结束值依据车内温度和对应的时间点得到；空调设置温度开始值及结束值依据空调设定温度得到；开始温差空调工作开始时刻对应的车内温度减去空调设定温度；结束温差为结束时刻对应的车内温度减去空调设定温度；工作时长依据空调工作状态和对应的时间点得到。

6.根据权利要求4所述的基于局部异常因子算法的车载空调故障预测方法，其特征在于：所述基础数据为去除异常无效数据后的数据，所述异常无效数据包括空数据和极端数据。

7.根据权利要求1至6任一项所述的基于局部异常因子算法的车载空调故障预测方法，其特征在于：步骤2)中近期时间段为当日至当日的前k天，k∈[25，35]；历史同期时间段为前年的同一时间段。

8.根据权利要求1至6任一项所述的基于局部异常因子算法的车载空调故障预测方法，其特征在于：步骤2)中待测车辆所属地理区域为待测车辆所在同城，设定数量为同城全部车辆。

9.一种基于局部异常因子算法的车载空调故障预测系统，其特征在于：该系统包括处理器，所述处理器用于执行计算机指令以实现如权利要求1至8任一项所述的基于局部异常因子算法的车载空调故障预测方法。