CN120102166B - 一种汽车车窗的异常检测系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，公开了一种汽车车窗的异常检测系统，获取目标车辆的轮胎内容积，并按固定时间间隔u采集：N个车窗电机的电流数据和运行状态，M个轮胎的胎压数据和温度数据，以及悬挂系统的阻尼系数；基于轮胎内容积和温度数据，将相应的时刻中每个轮胎的胎压数据进行统一量纲处理，得到每个轮胎的标准胎压数据；基于车窗电机的运行状态，对N个车窗电机的电流数据进行筛选处理，得到第一筛选数据和第二筛选数据；基于第一筛选数据和第二筛选数据，构建电流预测模型；在第二预设时间段内，基于电流预测模型输出的预测电流数据对每个时刻的电流数据进行异常检测，得到异常检验结果。

Description

一种汽车车窗的异常检测系统

技术领域

本发明涉及数据处理技术领域，更具体地说，它涉及一种汽车车窗的异常检测系统。

背景技术

现有的汽车车窗的升降管理基于电机驱动实现，具体为：设定电流参数阈值，电机的实时电流参数大于电流参数阈值后，通常表示车窗的运动受到主动阻碍（比如，车窗受到人或者物体的阻碍，可能产生夹伤问题），此时停止运行车窗。现有技术存在如下问题：对于车辆在颠簸时，导致车窗同样发生颠簸，进而导致电机的实时参数也会随之变化，从而导致车窗的的异常停止或者下降。

发明内容

本发明提供一种汽车车窗的异常检测系统，解决背景技术中提出的技术问题。

本发明提供了一种汽车车窗的异常检测系统，包括：

数据采集模块，用于在第一预设时间段内，获取目标车辆的轮胎内容积，并按固定时间间隔采集：N个车窗电机的电流数据和运行状态，M个轮胎的胎压数据和温度数据，以及悬挂系统的阻尼系数；

量纲统一模块，用于基于轮胎内容积和温度数据，将相应的时刻中每个轮胎的胎压数据进行统一量纲处理，得到每个轮胎的标准胎压数据；

数据筛选模块，用于基于车窗电机的运行状态，对N个车窗电机的电流数据进行筛选处理，得到第一筛选数据和第二筛选数据；

模型构建模块，用于基于第一筛选数据和第二筛选数据，构建电流预测模型；电流预测模型的输出表示第二预设时间段内处于工作状态的车窗电机的预测电流数据；其中，工作状态包括上升状态和下降状态；

异常检测模块，用于在第二预设时间段内，基于电流预测模型输出的预测电流数据对每个时刻的电流数据进行异常检测，得到异常检验结果；其中，异常检验结果包括：电流状态正常和电流状态异常。

进一步的，按固定时间间隔采集数据，包括：

在第一预设时间段内判断第i个时刻中N个车窗电机存在至少1个车窗电机在工作状态，则采集第i个时刻中对应的车窗电机的电流数据，M个轮胎的胎压数据和温度数据，以及悬挂系统的阻尼系数，，为正整数。

进一步的，统一量纲处理，包括：

设定量纲温度；

基于轮胎内容积和第i个时刻中第m个轮胎的温度数据，对第i个时刻中第m个轮胎的胎压数据转换为量纲温度下的标准胎压数据，计算公式如下：

；

其中，表示第i个时刻中第m个轮胎的标准胎压数据，表示第i个时刻中第m个轮胎的胎压数据，表示量纲温度，表示第i个时刻中第m个轮胎的温度数据，表示调整权重，表示轮胎内容积，，表示自然底数，，为正整数。

进一步的，得到第一筛选数据和第二筛选数据，包括：

运行状态包括，上升状态、下降状态和待机状态；根据第i个时刻中N个车窗电机的运行状态，将具有相同运行状态的车窗电机的电流数据划分为同种类型，得到第i个时刻中上升车窗的电流数据、下降车窗的电流数据和待机车窗的电流数据；将上升车窗的电流数据作为第一筛选数据，将下降车窗的电流数据作为第二筛选数据。

进一步的，电流预测模型，包括上升预测单元和下降预测单元；

获取目标车辆中，每个车窗电机和每个轮胎的欧氏距离，并构建训练数据，训练数据包括：样本数据和样本标签，具体如下：

构建初始样本数据，基于第i个时刻和第i＋1个时刻中M个轮胎的标准胎压数据构建初始样本数据的每个元素，对于初始样本数据中的第m个元素m(n)，其计算确定过程为：

计算第m个轮胎在第i个时刻和第i+1个时刻的标准胎压数据之差的绝对值；将绝对值与第n个车窗电机和第m个轮胎之间的欧氏距离相乘，以得到初始样本数据中的第m个元素；

基于第i个时刻中悬挂系统的阻尼系数，对初始样本数据进行处理：

；

其中，表示标准样本数据中第m个元素，表示第i个时刻中悬挂系统的阻尼系数，表示阻尼系数权重；

将标准样本数据通过归一化处理后作为电流预测模型的样本数据，将第i个时刻中第n个车窗电机的电流数据通过归一化处理后作为样本标签。

进一步的，上升预测单元，包括：若第i个时刻中第n个车窗电机的电流数据为第一筛选数据，则基于对应的样本数据和样本标签，以训练得到上升预测单元；其中，上升预测单元基于一维卷积神经网络构建。

进一步的，下降预测单元，包括：若第i个时刻中第n个车窗电机的电流数据为第二筛选数据，则基于对应的样本数据和样本标签，以训练得到下降预测单元；其中，下降预测单元基于一维卷积神经网络构建。

进一步的，上升预测单元和下降预测单元的损失函数均为均方误差损失函数。

进一步的，得到异常检验结果，包括：获取第二预设时间段内目标车辆的第k个时刻中第n个车窗电机的电流数据和运行状态，M个轮胎的胎压数据和温度数据，以及悬挂系统的阻尼系数；若第n个车窗电机的运行状态为上升状态或者下降状态，则构建第k个时刻的输入样本；其中，输入样本的构建方式与电流预测模型的样本数据的构建方式相同；基于第n个车窗电机的运行状态，将输入样本输入到上升预测单元或者下降预测单元，以得到第k个时刻中电流预测模型输出的预测电流数据；若预测电流数据与第k个时刻中第n个车窗电机的电流数据的绝对差值≤预设阈值，则电流状态正常，否则电流状态异常。

本发明的有益效果在于：通过综合采集车窗电机电流、运行状态、轮胎胎压与温度及悬挂系统阻尼系数等多维数据，利用统一量纲处理和基于一维卷积神经网络构建的电流预测模型，实现了对车窗异常状态的精准预测与检测。相比传统单一阈值检测方法，本发明有效克服了因车辆颠簸引起的电流波动误判问题，大幅提升了车窗运行安全性和检测准确性，从而避免了因误判引发的意外停止或伤害风险。

附图说明

图1是本发明的一种汽车车窗的异常检测系统的模块图。

具体实施方式

现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。

如图1所示，一种汽车车窗的异常检测系统，包括：

数据采集模块，用于在第一预设时间段内，获取目标车辆的轮胎内容积，并按固定时间间隔采集：N个车窗电机的电流数据和运行状态，M个轮胎的胎压数据和温度数据，以及悬挂系统的阻尼系数；

量纲统一模块，用于基于轮胎内容积和温度数据，将相应的时刻中每个轮胎的胎压数据进行统一量纲处理，得到每个轮胎的标准胎压数据；

数据筛选模块，用于基于车窗电机的运行状态，对N个车窗电机的电流数据进行筛选处理，得到第一筛选数据和第二筛选数据；

模型构建模块，用于基于第一筛选数据和第二筛选数据，构建电流预测模型；电流预测模型的输出表示第二预设时间段内处于工作状态的车窗电机的预测电流数据；其中，工作状态包括上升状态和下降状态；

异常检测模块，用于在第二预设时间段内，基于电流预测模型输出的预测电流数据对每个时刻的电流数据进行异常检测，得到异常检验结果；其中，异常检验结果包括：电流状态正常和电流状态异常。

需要说明的是，对于胎压数据和温度数据以及悬挂系统的阻尼系数均基于车辆的现有的传感器获取。当汽车遇到颠簸时，首先反应于汽车的胎压数据中。其次，经由汽车的主动悬挂系统的滤震，最后反映至车窗电机。因此汽车的胎压数据、汽车轮胎中的温度数据、悬挂系统的阻尼系数能够以非线性的影响传递到车窗电机，进而对车窗电机的电流数据造成干扰。通过神经网络对电流数据的干扰进行拟合处理，进而能够基于汽车传感器的数据，直接获取每个时刻的预测电流值。基于预测电流值作为一个标准，对每个时刻的电流参数进行比较，并基于阈值进行异常状态的判定。

传统阈值检测与本发明的对比数据：

具体的，由对比数据可知，本发明对于颠簸路段的过程中无异常停止车窗或者下降车窗的异常行为。并且对于施压的反应时间明显优于传统的阈值检测方式。

在本发明的一个实施例中，按固定时间间隔采集数据，包括：

在第一预设时间段内判断第i个时刻中N个车窗电机存在至少1个车窗电机在工作状态，则采集第i个时刻中对应的车窗电机的电流数据，M个轮胎的胎压数据和温度数据，以及悬挂系统的阻尼系数，，为正整数。

具体的，按固定时间间隔的采集保证了数据的连续性和一致性，为后续的数据处理和模型构建提供了可靠的时序数据基础；另一方面，通过仅在有车窗电机处于工作状态时采集数据，可以确保所采集的信息与实际运行状态密切相关，避免了采集空闲数据或噪声数据。

在本发明的一个实施例中，统一量纲处理，包括：

设定量纲温度；

基于轮胎内容积和第i个时刻中第m个轮胎的温度数据，对第i个时刻中第m个轮胎的胎压数据转换为量纲温度下的标准胎压数据，计算公式如下：

；

其中，表示第i个时刻中第m个轮胎的标准胎压数据，表示第i个时刻中第m个轮胎的胎压数据，表示量纲温度，表示第i个时刻中第m个轮胎的温度数据，表示调整权重，表示轮胎内容积，，表示自然底数，，为正整数。

具体的，对轮胎胎压数据进行统一量纲处理，即通过设定一个标准量纲温度，并结合轮胎内容积与当前时刻对应的温度数据，对原始胎压数据进行转换，得到在统一温度条件下的标准胎压数据。原因在于，胎压受温度影响较大，不同温度环境下的胎压数据存在较大波动，直接使用原始数据可能导致后续模型训练与异常检测出现偏差；而通过统一量纲处理，可以消除温度差异对胎压的影响，从而确保数据的一致性和可比性，为电流预测模型提供更加准确、稳定的样本数据，进一步提高系统对车窗异常状态检测的准确性。

在本发明的一个实施例中，得到第一筛选数据和第二筛选数据，包括：

运行状态包括，上升状态、下降状态和待机状态；根据第i个时刻中N个车窗电机的运行状态，将具有相同运行状态的车窗电机的电流数据划分为同种类型，得到第i个时刻中上升车窗的电流数据、下降车窗的电流数据和待机车窗的电流数据；将上升车窗的电流数据作为第一筛选数据，将下降车窗的电流数据作为第二筛选数据。

具体的，将车窗电机的运行状态分为上升状态、下降状态和待机状态，然后根据各电机在第i个时刻所处的状态，将同一状态下的电流数据归为一类，最终将上升状态的电流数据作为第一筛选数据，而将下降状态的电流数据作为第二筛选数据。这样做的理由是：不同运行状态下，车窗电机的电流特性存在显著差异，分别提取上升和下降状态的数据有助于构建更具针对性的电流预测模型，提高异常检测的准确性；同时，将待机状态下的数据剔除，可以降低噪声和不相关信息对模型训练的干扰。

在本发明的一个实施例中，电流预测模型，包括上升预测单元和下降预测单元；

获取目标车辆中，每个车窗电机和每个轮胎的欧氏距离，并构建训练数据，训练数据包括：样本数据和样本标签，具体如下：

初始样本数据，基于第i个时刻和第i+1个时刻中M个轮胎的标准胎压数据构建：

；

其中，表示初始样本数据中第m个元素，表示第个时刻中第m个轮胎的标准胎压数据，表示第n个车窗电机和第m个轮胎的欧氏距离，，为正整数；其中，初始样本数据以向量结构构建，初始样本数据的维度为M；

基于第i个时刻中悬挂系统的阻尼系数，对初始样本数据进行处理：

；

其中，表示标准样本数据中第m个元素，表示第i个时刻中悬挂系统的阻尼系数，表示阻尼系数权重；

将标准样本数据通过归一化处理后作为电流预测模型的样本数据，将第i个时刻中第n个车窗电机的电流数据通过归一化处理后作为样本标签。

具体的，通过获取每个车窗电机与每个轮胎之间的欧氏距离，并根据第i时刻和第i+1个时刻中M个轮胎的标准胎压数据构建初始样本数据。再结合第i时刻悬挂系统的阻尼系数及其权重对初始样本数据进行调整，得到标准样本数据，并作为电流预测模型的输入。同时，将相应时刻车窗电机的实际电流数据作为样本标签，用于训练模型中分别对应上升和下降状态的预测单元。

在本发明的一个实施例中，上升预测单元，包括：若第i个时刻中第n个车窗电机的电流数据为第一筛选数据，则基于对应的样本数据和样本标签，以训练得到上升预测单元；其中，上升预测单元基于一维卷积神经网络构建。

具体的，当第i个时刻中第n个车窗电机的电流数据属于第一筛选数据（即对应上升状态的数据）时，利用与该状态相对应的样本数据和样本标签，采用一维卷积神经网络进行训练，构建出用于预测上升状态下电流变化的预测单元。一维卷积神经网络在处理时间序列数据方面具有良好的局部特征提取能力，能够捕捉车窗在上升过程中的电流动态变化。

在本发明的一个实施例中，下降预测单元，包括：若第i个时刻中第n个车窗电机的电流数据为第二筛选数据，则基于对应的样本数据和样本标签，以训练得到下降预测单元；其中，下降预测单元基于一维卷积神经网络构建。

具体的，当车窗电机处于下降状态时，即其电流数据属于第二筛选数据，系统便利用对应的样本数据和样本标签，通过一维卷积神经网络训练构建下降预测单元。车窗在下降过程中的电流变化特征可能与上升状态存在差异，通过单独针对下降状态建立预测单元，可以提高异常检测的准确性。

在本发明的一个实施例中，上升预测单元和下降预测单元的损失函数均为均方误差损失函数。

具体的，上升预测单元和下降预测单元在训练过程中均采用均方误差（MSE）作为损失函数。均方误差能够量化预测电流值与实际采集电流数据之间的差异，从而使得模型在训练过程中能更精确地校正错误预测。此外，MSE的连续性和可微性为基于梯度的优化方法提供了良好的支持，有助于上升预测单元和下降预测单元的稳定收敛，最终提升整体的异常检测准确性。

在本发明的一个实施例中，得到异常检验结果，包括：获取第二预设时间段内目标车辆的第k个时刻中第n个车窗电机的电流数据和运行状态，M个轮胎的胎压数据和温度数据，以及悬挂系统的阻尼系数；若第n个车窗电机的运行状态为上升状态或者下降状态，则构建第k个时刻的输入样本；其中，输入样本的构建方式与电流预测模型的样本数据的构建方式相同；基于第n个车窗电机的运行状态，将输入样本输入到上升预测单元或者下降预测单元，以得到第k个时刻中电流预测模型输出的预测电流数据；若预测电流数据与第k个时刻中第n个车窗电机的电流数据的绝对差值≤预设阈值，则电流状态正常，否则电流状态异常。

具体的，利用前述训练好的电流预测模型对第k个时刻的车窗电机进行预测，并与实际采集的电流数据进行比较，从而判断电流状态是否正常。具体来说，当检测到第n个车窗电机处于上升或下降状态时，按照与模型训练时相同的方法构建输入样本，然后将输入样本分别输入到对应的上升或下降预测单元，得到预测电流数据。预测电流数据用于反映在第k个时刻中，基于路面的颠簸程度，车窗电机在上升或者下降时的预测电流数据。若预测电流数据和实际电流数据的差值超过了预设阈值，说明车窗可以得到了额外的受力，导致车窗电机的电流出现了异常，因此存在夹伤人或物体的风险。

上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。

Claims (7)

1.一种汽车车窗的异常检测系统，其特征在于，包括：

数据采集模块，用于在第一预设时间段内，获取目标车辆的轮胎内容积，并按固定时间间隔采集：N个车窗电机的电流数据和运行状态，M个轮胎的胎压数据和温度数据，以及悬挂系统的阻尼系数；

量纲统一模块，用于基于轮胎内容积和温度数据，将相应的时刻中每个轮胎的胎压数据进行统一量纲处理，得到每个轮胎的标准胎压数据；

数据筛选模块，用于基于车窗电机的运行状态，对N个车窗电机的电流数据进行筛选处理，得到第一筛选数据和第二筛选数据；

模型构建模块，用于基于第一筛选数据和第二筛选数据，构建电流预测模型；电流预测模型的输出表示第二预设时间段内处于工作状态的车窗电机的预测电流数据；其中，工作状态包括上升状态和下降状态；所述电流预测模型，包括上升预测单元和下降预测单元；获取目标车辆中，每个车窗电机和每个轮胎的欧氏距离，并构建训练数据，训练数据包括：样本数据和样本标签，具体如下：构建初始样本数据，基于第i个时刻和第i＋1个时刻中M个轮胎的标准胎压数据构建初始样本数据的每个元素，对于初始样本数据中的第m个元素m(n)，其计算确定过程为：计算第m个轮胎在第i个时刻和第i+1个时刻的标准胎压数据之差的绝对值；将绝对值与第n个车窗电机和第m个轮胎之间的欧氏距离相乘，以得到初始样本数据中的第m个元素；基于第i个时刻中悬挂系统的阻尼系数，对初始样本数据进行处理；将标准样本数据通过归一化处理后作为电流预测模型的样本数据，将第i个时刻中第n个车窗电机的电流数据通过归一化处理后作为样本标签；

异常检测模块，用于在第二预设时间段内，基于电流预测模型输出的预测电流数据对每个时刻的电流数据进行异常检测，得到异常检验结果；其中，异常检验结果包括：电流状态正常和电流状态异常，具体包括：获取第二预设时间段内目标车辆的第k个时刻中第n个车窗电机的电流数据和运行状态，M个轮胎的胎压数据和温度数据，以及悬挂系统的阻尼系数；若第n个车窗电机的运行状态为上升状态或者下降状态，则构建第k个时刻的输入样本；其中，输入样本的构建方式与电流预测模型的样本数据的构建方式相同；基于第n个车窗电机的运行状态，将输入样本输入到上升预测单元或者下降预测单元，以得到第k个时刻中电流预测模型输出的预测电流数据；若预测电流数据与第k个时刻中第n个车窗电机的电流数据的绝对差值≤预设阈值，则电流状态正常，否则电流状态异常。

2.根据权利要求1所述的一种汽车车窗的异常检测系统，其特征在于，按固定时间间隔采集数据，包括：

在第一预设时间段内判断第i个时刻中N个车窗电机存在至少1个车窗电机在工作状态，则采集第i个时刻中对应的车窗电机的电流数据，M个轮胎的胎压数据和温度数据，以及悬挂系统的阻尼系数，，为正整数。

3.根据权利要求2所述的一种汽车车窗的异常检测系统，其特征在于，统一量纲处理，包括：

设定量纲温度；

基于轮胎内容积和第i个时刻中第m个轮胎的温度数据，对第i个时刻中第m个轮胎的胎压数据转换为量纲温度下的标准胎压数据。

4.根据权利要求3所述的一种汽车车窗的异常检测系统，其特征在于，得到第一筛选数据和第二筛选数据，包括：

运行状态包括，上升状态、下降状态和待机状态；根据第i个时刻中N个车窗电机的运行状态，将具有相同运行状态的车窗电机的电流数据划分为同种类型，得到第i个时刻中上升车窗的电流数据、下降车窗的电流数据和待机车窗的电流数据；将上升车窗的电流数据作为第一筛选数据，将下降车窗的电流数据作为第二筛选数据。

5.根据权利要求4所述的一种汽车车窗的异常检测系统，其特征在于，上升预测单元，包括：若第i个时刻中第n个车窗电机的电流数据为第一筛选数据，则基于对应的样本数据和样本标签，以训练得到上升预测单元；其中，上升预测单元基于一维卷积神经网络构建。

6.根据权利要求5所述的一种汽车车窗的异常检测系统，其特征在于，下降预测单元，包括：若第i个时刻中第n个车窗电机的电流数据为第二筛选数据，则基于对应的样本数据和样本标签，以训练得到下降预测单元；其中，下降预测单元基于一维卷积神经网络构建。

7.根据权利要求6所述的一种汽车车窗的异常检测系统，其特征在于，上升预测单元和下降预测单元的损失函数均为均方误差损失函数。