一种基于人工智能的物联车辆追踪管理系统及方法与流程

本发明涉及车辆追踪管理，具体为一种基于人工智能的物联车辆追踪管理系统及方法。

背景技术：

1、随着车联网技术与人工智能的深度融合，基于物联网的车辆追踪管理已成为智慧交通和车队运营的核心组成部分。通过车载终端实时采集车辆运行数据，实现对车辆状态的远程监控和故障预警，对于保障行车安全、降低运营成本、提升车辆管理效率具有重要意义。然而，现有基于物联网的车辆故障预警技术仍存在诸多亟待解决的缺陷，核心问题在于预警准确性不足且管理流程不完整，严重制约了该技术的实际应用效果。

2、现有方法普遍采用全局特征进行故障分析，未针对不同故障类型筛选特异性相关特征，所有车辆运行特征对所有故障的判定均产生同等影响，大量无关特征的干扰不仅增加了系统的计算负担，更导致误报和漏报现象频发。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的物联车辆追踪管理系统及方法，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的物联车辆追踪管理方法，包括以下步骤：

3、s1、通过车载物联网终端获取车辆运动数据，对车辆运动数据进行预处理后获得车辆运动特征；

4、s2、针对任一故障类型，提取数量相等的故障样本和正常样本，计算每个特征的故障差异度，筛选相关特征并确定对所述故障的影响系数；

5、s3、车辆运行时，针对每类故障调用对应相关特征，计算实时运行偏差指数；

6、s4、每经过一个监测时间间隔分析偏差指数，进行故障判断，考虑时间衰减系数判定车辆运行状态并触发预警；

7、s5、触发预警时执行故障定位，在车辆维修后自动验证维修效果；

8、s6、基于历史维修数据，为车辆推荐预设范围内对应故障类型的最优维修点；

9、通过故障差异度量化特征与故障的相关性，使用故障特异性特征分析运行偏差，采用归一化加权故障判断系数，引入动态自适应衰减系数，基于动态数据构建智能化管理的全生命周期。

10、进一步的，在步骤s1中，经授权后，通过车载物联网终端实时采集车辆中终端安装点位的动态三维坐标数据与时间戳，获取车辆运动数据，车辆运动数据包括车辆在任一方向上的速度和加速度，车辆任一踏板的开度和行程，车辆运行的电学数据，所述电学数据包括但不限于电瓶电压、发动机电流和传感器电压，对车辆运动数据进行预处理、时间同步和归一化，获取车辆的n个车辆运动特征；通过车载物联网终端经授权采集车辆多维度运行数据，全面覆盖车辆运动状态、操控部件状态及电学运行状态，能够完整捕捉车辆运行过程中的细微变化。对采集数据进行预处理、时间同步与归一化处理，有效消除数据采集过程中的噪声干扰与时间偏差，统一不同类型数据的标准与维度，形成规范的车辆运动特征。该过程为后续的故障特征筛选与状态判断提供了全面、准确、可靠的基础数据，从源头上保障了故障预警的精准性，同时授权采集的方式充分保护了用户的数据隐私与信息安全。

11、进一步的，在步骤s2中，针对任一故障类型，从故障样本库中提取故障发生前一个预设时间窗口内的所有故障样本，任一故障样本包括故障车辆对应的车辆运动特征，从正常运行样本库中提取与故障样本数量相等的未发生过故障的车辆预设时间窗口中运行的正常样本，任一正常样本包括正常车辆在与故障样本时间窗口长度相同的任意正常运行时间段内对应的车辆运动特征，分别计算每个车辆运动特征在所有故障样本中的平均值和在所有正常样本中的平均值，计算每个车辆运动特征的故障差异度，任一车辆运动特征的故障差异度为所述车辆运动特征在所有故障样本中的平均值和在所有正常样本中的平均值的差，再除以在所有正常样本中的平均值后取绝对值，当差异度大于预设的相关性阈值时，判定所述车辆运动特征为所述故障类型的相关特征；否则，判定所述车辆运动特征为所述故障类型的不相关特征，针对任一故障类型的相关特征，任一相关特征对故障类型的影响系数为所述特征的故障差异度除以所有相关特征的故障差异度之和；通过对比故障样本与正常样本的特征差异，客观筛选出与特定故障类型强相关的特征，剔除无关特征的干扰，大幅减少后续分析的计算量，提升故障分析的效率与针对性。通过样本间的均值差异计算特征对故障的影响程度，能够量化不同特征在故障发生过程中的贡献大小，避免了主观经验判断带来的偏差。同时采用数量匹配的样本提取方式，有效避免了样本不均衡导致的特征筛选误差，为后续的运行偏差计算与故障判断奠定了科学、客观的特征基础。

12、进一步的，在步骤s3中，当任一车辆运行时，经用户授权后获取实时车辆运动特征，针对任一故障类型，调用对应的相关特征，相关特征为{a1,a2,…,am,…,am}，其中m为相关特征的数量，am为第m个相关特征，进而得到针对所述故障类型时车辆的运行偏差指数b：；

13、其中cm为第m个相关特征对所述故障类型的影响系数，am为第m个相关特征在所有正常样本中的平均值；针对不同故障类型调用对应的相关特征计算运行偏差指数，避免了全特征计算带来的资源浪费，显著提升了实时计算的响应速度，能够满足车辆运行过程中实时监测的需求。运行偏差指数综合了多个相关特征与正常运行状态的偏离程度，将多维度的分散数据转化为统一的量化指标，直观反映车辆相对于标准运行状态的健康程度。基于正常样本基准的计算方式，保证了不同车辆、不同运行场景下判断标准的一致性，为后续的故障分级预警提供了可靠的中间依据。

14、进一步的，在步骤s4中，每经过一个监测时间间隔分析一次故障，以当前时间点为终点，获取k个预设时间窗口的运行偏差指数，其中最接近当前时间点的运行偏差指数记为bk，k个预设时间窗口的运行偏差指数为{b1,b2,…,bk,…,bk}，进而得到当前时间点的故障判断系数d，，其中λ为时间衰减系数，λ=λ0+γ*dp/d1，其中λ0为基础衰减系数，取值在0.8到1之间，λ0越大，历史数据的权重衰减越慢，系统稳定性越高，能有效过滤瞬时数据波动导致的误报，λ0越小，历史数据被快速遗忘，系统对短期变化更敏感；dp为一个监测时间前获取的故障判断系数，d1为预设的异常判断阈值，当故障判断系数d大于d1时，判断车辆处于异常状态，预测存在所述故障类型的风险，触发所述故障类型的故障预警；否则，若故障判断系数d大于r1*d1时，判断车辆处于亚健康状态，r1为预设的缓冲系数，取值在0.5到0.8之间，r1越大，缓冲带越窄，亚健康预警越晚，日常干扰越少，r1越小，亚健康预警越早，能更早发现潜在风险；否则，判断车辆运行状态正常；采用多时间窗口的运行偏差指数计算故障判断系数，能够全面捕捉车辆运行状态的变化趋势，有效避免单一时刻数据波动导致的误判与漏判。引入时间衰减机制，使近期的运行状态对故障判断的影响权重更高，符合车辆故障渐进式发展的客观规律。分级判断机制能够精准区分车辆的正常、亚健康与异常运行状态，既避免了过度预警给用户带来的不必要干扰，又能在故障萌芽阶段及时发现潜在风险，提前发出预警，为用户预留充足的检修时间，降低突发故障带来的安全隐患与经济损失。

15、进一步的，在步骤s5中，当触发任一故障类型的故障预警时，执行故障根因定位，计算所述故障类型下第m个相关特征的单独偏差贡献系数em，em=cm*|am-am|，进而得到单独偏差贡献系数最高的m0个相关特征作为故障的推荐排查特征，其中m0为预设的推荐排查特征数量，当车辆完成故障维修后，自动执行维修效果验证，记录维修完成时间点t0，计算维修完成后连续k个预设时间窗口的平均故障判断系数daft，计算维修完成前连续k个预设时间窗口的平均故障判断系数dbef，进而得到维修效果系数s，s=(dbef-daft)/dbef，若r大于预设的维修判断系数，则判断针对所述故障类型的维修有效；否则，判断维修无效，提示二次检修；在触发故障预警时自动进行根因定位，通过量化各相关特征的偏差贡献程度，快速锁定最可能导致故障的核心因素，为维修人员提供明确的排查方向，大幅缩短故障排查的时间成本，提升维修效率。维修完成后自动执行效果验证，基于维修前后的运行数据对比客观评估维修成效，避免了人工判断的主观性与不确定性。当维修效果未达预期时及时提示二次检修，能够有效防止故障复发带来的二次风险，同时积累的维修验证数据也为后续故障诊断的优化提供支撑。

16、进一步的，在步骤s6中，基于物联网记录车辆的维修地点，当车辆发生任一故障时，实时标记车辆在预设维修范围内所述故障类型的历史维修效果系数平均值最高的维修点作为车辆的最优维修点；基于物联网记录的车辆维修数据，在车辆发生故障时为用户推荐历史维修效果最优的维修点，能够帮助用户快速找到可靠的维修服务，避免盲目选择维修点导致的维修质量不佳、维修周期过长或费用过高的问题。实时标记的推荐方式保证了信息的及时性与准确性，综合历史维修效果的评估方式能够客观反映维修点的整体服务水平与专业能力。该机制不仅提升了用户的用车体验与维修便利性，也能够促进维修行业的良性竞争，推动整体维修服务质量的持续提升。

17、一种基于人工智能的物联车辆追踪管理系统，所述系统包括：物联数据采集模块、智能特征关联模块、实时偏差计算模块、故障预警判定模块、故障定位验证模块和智能维修推荐模块；

18、所述物联数据采集模块用于通过车载物联网终端获取车辆运动数据，对车辆运动数据进行预处理后获得车辆运动特征；

19、所述智能特征关联模块用于针对任一故障类型，提取数量相等的故障样本和正常样本，计算每个特征的故障差异度，筛选相关特征并确定对所述故障的影响系数；

20、所述实时偏差计算模块用于车辆运行时，针对每类故障调用对应相关特征，计算实时运行偏差指数；

21、所述故障预警判定模块用于每经过一个监测时间间隔分析偏差指数，进行故障判断，考虑时间衰减系数判定车辆运行状态并触发预警；

22、所述故障定位验证模块用于触发预警时执行故障定位，在车辆维修后自动验证维修效果；

23、所述智能维修推荐模块用于基于历史维修数据，为车辆推荐预设范围内对应故障类型的最优维修点。

24、与现有技术相比，本发明所达到的有益效果是：一方面，摒弃了现有技术采用全局特征进行故障分析的弊端，通过量化特征与故障的关联程度，针对每一类故障筛选出特异性相关特征，仅使用与故障存在实际关联的特征参与后续计算。本发明排除了大量无关特征对故障判定的干扰，从根源上减少了误报和漏报现象的发生，同时精简了计算维度，有效降低了系统的运算压力，提升了系统的实时响应能力；

25、一方面，采用归一化加权的方式计算故障判断系数，彻底消除了时间衰减参数对判定结果数值范围的影响，使得判定阈值可以独立设置，无需与参数绑定校准，大幅提升了系统的可调试性和通用性。同时引入动态自适应的时间衰减机制，能够根据车辆实时状态自动调整对历史数据的重视程度，在车辆正常运行时保证预警的稳定性，在车辆出现异常迹象时提升响应速度。

26、另一方面，在触发预警后自动进行故障根因定位，为维修人员提供明确的排查方向；在车辆维修完成后自动量化验证维修效果，及时发现维修质量问题；同时结合历史维修数据为用户推荐适配的最优维修资源。全流程的智能化管理大幅缩短了故障处理周期，降低了车辆运营成本，显著提升了用户体验。