故障關聯及預測

基本步驟

故障預測模型可根據車輛運行信號、駕駛行為等預測未來一段時間內重要零部件的故障發生情況，同時通過后市場的數據反饋幫助主機廠在研發過程中調整策略。

數據探索

對原始數據進行數據探索，理解數據，獲得數據初步趨勢、數據質量，發現數據特征，指導下一步建模。

DPF再生預測模型

模型原理：基于數據分析結果，在訓練集上標注 DPF 主動再生和重度再生進行標注。對標注好的數據集，利用神經網絡進行監督學習，優化模型參數。

模型功能：模型通過車載終端采集的相關數據，輸出未來三天 DPF 需要再生的概率 (0%~100%)。

對于預測結果使用：1、提前預警 DPF 是否需要重度再生，防止行駛過程中發生故障；2. 根據輸出結果，調整 ECU 主動再生策略；

進氣歧管漏氣預測模型

模型原理：采集一段時間的車輛工況，形成時間序列，建立特征參數的物理計算模型。通過傳感器數據與模型計算結果的殘差分析，獲得神經網絡的輸入，利用神經網絡預測發生相關故障的可能性。

模型功能：通過車載終端采集的柴油車相關數據進行預測是否會發生進氣歧管漏氣故障。

對于預測結果使用：1、設置系統閾值，故障可能性超過某個閾值后，系統自動提醒司機及相關人員進行故障檢測防范；2、預測結果的變化進行分析，幫助定位故障的原因和該故障可能引發的其他故障，對廠家優化工藝提供幫助。

SCR尿素結晶預測模型

SCR尿素結晶會吸附在SCR箱濾網表層，導致尿素反應效率降低，進而導致SCR催化箱堵塞甚至壞掉。

我們對正常車輛和故障車輛進行大數據分析，通過可采集特征量進行模型預測，為車主提前預測未來多久可能產生SCR結晶的情況，提醒車主及時檢查或者去維修站進行清洗更換。