CN121279058A - 用于预测空气滤清器的剩余寿命的方法和系统 - Google Patents

Abstract

本发明涉及一种用于预测空气滤清器的剩余寿命的方法和系统。所述方法包括：利用安装在第一车辆上的堵塞参数传感器获取其空气滤清器的堵塞参数的数据；针对第一车辆，基于其后台监控参数的数据和所获取的堵塞参数的数据，借助于机器学习来构建分析后台监控参数与堵塞参数的相关性模型；针对第二车辆，基于其后台监控参数的数据和根据这些数据由相关性模型得出的堵塞参数的数据，借助于机器学习来构建对空气滤清器的剩余寿命进行预测的预测模型；以及将目标车辆的后台监控参数和堵塞参数的数据输入至预测模型以预测目标车辆的剩余寿命。本发明能够低成本地预测空气滤清器的剩余寿命，以实现其寿命最大化并减少工程机械的非必要停机时间。

Description

用于预测空气滤清器的剩余寿命的方法和系统

技术领域

本发明涉及发动机空气滤清器技术领域，更具体地涉及一种用于预测空气滤清器的剩余寿命的方法和系统。

背景技术

诸如装载机或挖掘机之类的许多工程机械都配备有发动机作为核心部件，为工程机械的行驶和作业提供动力(为简化起见，在本文中也惯常地将这类工程机械称为“车辆”)。发动机在工作过程中需要吸进大量洁净的空气，为此外部空气在进入时首先要通过发动机的空气滤清器进行过滤清洁，以清除空气中的污染颗粒，否则颗粒物进入发动机，会导致发动机的性能不佳并损坏关键部件。空气滤清器在工作过程中会逐渐被空气中的颗粒物堵塞而使得过滤性能不断下降，当堵塞超过指定程度时，空气滤清器的使用寿命终结，需要进行更换。

空气滤清器的寿命主要取决于其工作的环境，目前对其的维修保养或更换基本上有两种方式。一是按需进行，即等到空气滤清器堵塞得非常厉害或阻力非常大以致于难有空气从其通过而导致系统报警时，再将空气滤清器拆下来检查；在这种情况下由于事先难以预测系统何时报警，往往只能临时停机等待，并购买新的空气滤清器进行更换，这会严重影响整车的运行时间。二是根据车辆自身的维修保养计划对空气滤清器进行更换而不考虑空气滤清器的实际使用状况，但这可能导致空气滤清器在寿命还剩余比较多的情况下就被换掉，造成资源浪费。

发明内容

本发明的目的是解决现有技术中存在的上述问题和/或其它缺陷。

本发明认识到：如果能够对空气滤清器的健康状态和剩余寿命进行实时的监测，那么就可以预先确定空气滤清器的最佳更换时间，从而最大化空气滤清器的寿命，减少不必要的更换，并且减少车辆的非必要停机时间，提高生产效率。另外，空气滤清器的堵塞程度(能够反映其剩余寿命)可以根据其入口和出口之间的压差(或者说其上的压降)以及其空气流量来估测。空气滤清器被堵塞得越厉害，其压差越大，当压差超过指定值时，即可认为空气滤清器的使用寿命终结，达到更换时机；类似地，空气滤清器出口空气流量越小，也表明堵塞程度越高。压差和空气流量可以例如通过压差传感器和流量传感器来实时测量，但是为每台车都加装这样的物理传感器会带来很大的成本开销。基于上述认识，本发明构想出如下技术方案。

根据本发明的第一方面，提供了一种用于预测空气滤清器的剩余寿命的方法，包括以下步骤：利用安装在至少一台第一车辆上的堵塞参数传感器获取所述第一车辆的空气滤清器的堵塞参数的数据，所述堵塞参数至少包括空气滤清器的压差；针对所述第一车辆，基于其多个后台监控参数的数据和所获取的堵塞参数的数据，借助于机器学习来构建分析所述后台监控参数与所述堵塞参数之间的相关性的相关性模型；针对至少一台第二车辆，基于其所述多个后台监控参数的数据和根据这些数据由所述相关性模型得出的堵塞参数的数据，借助于机器学习来构建对空气滤清器的剩余寿命进行预测的预测模型；以及将目标车辆的所述多个后台监控参数的数据和根据这些数据由所述相关性模型得出的堵塞参数的数据输入至所述预测模型，以预测所述目标车辆的剩余寿命。

根据一种示例性实施例，所述堵塞参数还包括空气滤清器的出口空气流量。

根据一种示例性实施例，所述后台监控参数包括车辆的发动机转速、工作时长和地理位置信息。

根据一种示例性实施例，所述预测模型是基于指数加权移动平均算法的机器学习模型。

根据一种示例性实施例，预测所述目标车辆的剩余寿命包括通过长回溯周期来获得空气滤清器的剩余寿命的预测值，以及通过短回溯周期来获得空气滤清器的更换标志。

根据一种示例性实施例，所述第二车辆至少部分地包括所述第一车辆。

本发明的第二方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序包括可执行指令，当所述可执行指令被处理器执行时，实施根据如上所述任一种构型的方法。

本发明的第三方面提供了一种电子设备，其包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器被配置为执行所述可执行指令以实施根据如上所述任一种构型的方法。

本发明的第四方面提供了一种用于预测空气滤清器的剩余寿命的系统，包括：堵塞参数传感器，所述堵塞参数传感器安装在至少一台第一车辆上以获取所述第一车辆的空气滤清器的堵塞参数的数据；后台监控参数传感器，所述后台监控参数传感器安装在所述第一车辆和至少一台第二车辆上以获取所述第一车辆和第二车辆的后台监控参数的数据；以及如上所述的电子设备，所述电子设备与所述堵塞参数传感器和后台监控参数传感器直接或间接地通信连接。

在根据本发明的用于预测空气滤清器的剩余寿命的方法和系统中，仅在有限数量的试验车辆(本申请中所称的“第一车辆”)上加装物理传感器来测量空气滤清器的堵塞参数(诸如压差等)的数据，并结合试验车辆的多个后台监控参数的数据，通过机器学习来构建空气滤清器的堵塞参数与车辆的后台监控参数之间的相关性模型，该模型可视为一种虚拟传感器，能应用在诸多实际车辆上来获取实际车辆的空气滤清器的堵塞参数的数据；进一步地，对于诸多已经历过空气滤清器的至少一个完整寿命周期的实际车辆(本申请中所称的“第二车辆”)，基于其后台监控参数的数据以及利用虚拟传感器获取的其空气滤清器的堵塞参数的数据，能够通过机器学习构建出预测模型，由该预测模型就能够预测出目标车辆的空气滤清器的剩余寿命。本发明在仅针对少量试验车辆加装物理传感器的情况下，通过机器学习构建相关性模型，结合实际车辆的后台监控参数的数据，可以获取该实际车辆的堵塞参数的数据，并进而根据机器学习出的预测模型即可预测出空气滤清器的剩余寿命。由此，能够低成本且便捷快速地实现对空气滤清器的剩余寿命的实时监控，从而预估空气滤清器的最佳更换时间，进而最大化空气滤清器的寿命，并减少工程机械的非必要停机时间，提高生产效率。另外，对于工程机械的生产商来说，可以基于空气滤清器的剩余寿命的预测结果及时获知其使用状况并据此提前做好备件管理和售后服务安排，提升售后服务的质量和效率。

附图说明

下面参照附图经由非限制性实施例对本发明的特征和优点进行详细描述，在附图中：

图1是按照本发明一个实施例的用于预测空气滤清器的剩余寿命的方法的流程图；

图2是按照本发明一个实施例的用于预测空气滤清器的剩余寿命的系统的示意性结构图。

具体实施方式

下面参照附图详细描述根据本发明的示例性实施例。在下面的描述中，阐述了许多具体细节以便使所属技术领域的技术人员更全面地了解本发明。但是，对于所属技术领域内的技术人员来说明显的是，本发明的实现可不具有这些具体细节中的一些。此外，应当理解的是，本发明并不限于所介绍的特定实施例。相反，可以考虑用本文所述的特征和要素的任意组合来实施本发明，而无论它们是否涉及不同的实施例。因此，下面的方面、特征、实施例和优点仅作说明之用而不应被看作是权利要求的要素或限定，除非在权利要求中明确提出。

图1示出了根据本发明一个实施例的用于预测空气滤清器的剩余寿命的方法，该方法可以包括如下步骤：S110：利用安装在第一车辆上的堵塞参数传感器获取第一车辆的空气滤清器的堵塞参数的数据；S120：构建车辆的多个后台监控参数与空气滤清器的堵塞参数的相关性模型；S130：构建对空气滤清器的剩余寿命进行预测的预测模型；以及S140：将目标车辆的后台监控参数的数据和根据这些数据由相关性模型得出的堵塞参数的数据输入至预测模型以预测目标车辆的剩余寿命。

如前文所述，鉴于空气滤清器的剩余寿命与其被空气中的颗粒物堵塞的程度直接相关，能够通过评估空气滤清器的堵塞程度来预测空气滤清器的剩余寿命；而空气滤清器的堵塞程度可以由其一个或多个特征参数(在本申请中称为“堵塞参数”，包括但不限于上文中提到的、空气滤清器的出入口之间的压差)来表征，因此空气滤清器的剩余寿命能至少部分地通过其堵塞参数的值来间接地体现。堵塞参数的值可通过相应的物理传感器(在本申请中称为“堵塞参数传感器”)来获取，例如空气滤清器的压差可通过差压传感器测得，但安装物理传感器需要耗费一定的成本。本发明构想出以构建“虚拟传感器”的方式低成本且便捷地获取空气滤清器的堵塞参数的值，进而对空气滤清器的剩余寿命进行预测。

步骤S110旨在用物理传感器采集空气滤清器的堵塞参数的实测数据，作为构建“虚拟传感器”的基础。为此，可在一台或多台具有试验或测试性质的车辆(在本申请中称为“第一车辆”)上加装堵塞参数传感器，以便直接测取第一车辆的空气滤清器的堵塞参数的数据。如先前已提到的，空气滤清器的最有代表性的典型堵塞参数为其出入口之间的压差，这也是本发明中至少要考虑的堵塞参数。在第一车辆上加装压差传感器即可实时获取空气滤清器的压差的数据。除了压差以外，空气滤清器的出口空气流量也能够在一定程度上反映空气滤清器的堵塞状况，因此也可以用作堵塞参数，相应地可通过在空气滤清器的出口附近安装流量传感器来测取出口空气流量的数据。在空气滤清器的压差之外还结合考虑其出口空气流量，能够更精准地反映空气滤清器的堵塞程度。当然，本发明也可只考虑压差或者在压差之外再结合能反映空气滤清器的堵塞程度的其它特征参数(如出入口的流量差等)作为堵塞参数。

接下来，在步骤S120中，构建不借助堵塞参数传感器就能够获取空气滤清器的堵塞参数值的机器学习模型，亦即提供一种用于获取空气滤清器的堵塞参数值的“虚拟传感器”。更具体说来，正常的工程机械或车辆上虽然不会配备用于空气滤清器的堵塞参数传感器，但是必然安装有多种基本的传感器或信息采集装置，用于感测或计量为了保障工程机械的正常运行所要获知的多种基本参数或信息，这些基本参数或信息在每台工程机械工作时从工程机械定期地(例如，每10分钟一次)发送至工程机械的生产商或用户的后台系统，以便于对工程机械的运行状况进行实时监控，实现故障预警、优化调度等。在本申请中，所述基本参数或信息被称为工程机械或车辆的“后台监控参数”，所述基本的传感器或信息采集装置被称为“后台监控参数传感器”。后台监控参数与整机工况和运行相关，种类繁多(可多达二三十种)，可涉及工程机械上的各种关键的零部件系统，例如包括但不限于工程机械的发动机转速、发动机温度、地理位置信息、工作时长等等。后台监控参数传感器是目前工程机械的标配传感器，无需额外再加装传感器。如果能在工程机械的后台监控参数与其空气滤清器的堵塞参数之间找到并建立一定的关系(相关性)，那么通过每台工程机械的后台监控参数的数据(可由每台工程机械上的后台监控参数传感器实时地获得)基于该关系便能不借助于堵塞参数传感器就得出该工程机械的空气滤清器的堵塞参数的值。在步骤S120中，通过基于相关性分析算法的机器学习来构建对应的相关性模型以建立上述关系。更具体地，针对所述一台或多台第一车辆，基于由其后台监控参数传感器感测出的多个后台监控参数的数据(可从后台系统调用或直接从后台监控参数传感器获取)和在步骤S110中从其加装的堵塞参数传感器获得的堵塞参数的数据，借助于机器学习来分析后台监控参数和堵塞参数之间的相关性，从而构建出相关性模型，具体构建过程可包括数据读取/准备、数据处理、模型选择、模型训练、模型评估/验证、模型调整和优化等常规的机器学习步骤。在本申请中，所谓“构建”模型是指涵盖了这些机器学习步骤以致于最终生成了泛化能力符合要求、能够直接部署和应用的机器学习模型的过程。

如上所述，后台监控参数有很多，涉及工程机械的各个方面，未必都与空气滤清器的堵塞参数有很强的关联性，在进行机器学习时若不加区分，则会造成学习量巨大，学习效率和学习精度低下。在机器学习中，相关性分析可用于分析和量化模型的各特征参数之间的相关性，以便能更加准确地选择具有高预测能力和独立性的特征参数，提高模型性能和泛化能力。通过构建相关性模型，能够从工程机械的诸多后台监控参数中筛选出与空气滤清器的堵塞参数相关性最高、最容易影响堵塞参数的若干个后台监控参数并获得它们各自的权重值，从而节省学习量，提高模型的学习效率和精度。例如，在诸多后台监控参数之中，车辆的发动机转速、工作时长、地理位置信息都会对堵塞参数产生较大影响，在构建模型时可被考虑为必须学习的多个相关的后台监控参数。或者，在构建相关性模型时也可以凭经验省略掉一些与堵塞参数没有什么关联性的后台监控参数，以便节省学习量，提高学习效率。相关性模型可根据各种已知的或将来开发出的相关性分析算法来训练得出，包括但不限于：皮尔逊相关系数，斯皮尔曼相关系数，判别分析，互信息，线性回归，决策树，神经网络，具体可例如采用基于循环神经网络(RNN)或Transformer架构的Seq2seq算法。

加装堵塞参数传感器的第一车辆的数量以及试验运行时间和地点可适当选择，使得既能控制成本，又能获取足量的有代表性的堵塞参数数据，以便构建出高精度的相关性模型。

在通过机器学习构建好上述相关性模型之后，对于任一台车辆来说，即使其未安装堵塞参数传感器，也能通过将其多个后台监控参数的数据输入该相关性模型来获得其空气滤清器的堵塞参数的数据。接下来，在步骤S130中，可借助于所获得的这些堵塞参数的数据来构建对空气滤清器的剩余寿命进行预测的预测模型。

更具体地，可选取一台或多台已投入运行且空气滤清器经历了至少一个完整寿命周期的实际车辆(在本申请中称为“第二车辆”)，通过将它们的多个后台监控参数的数据输入作为“虚拟传感器”的所述相关性模型而得出它们的空气滤清器的堵塞参数的数据。由于除了堵塞参数之外，某些后台监控参数(如发动机转速)也会对空气滤清器的寿命有影响，所以可针对一台或多台第二车辆，基于其多个后台监控参数的数据和根据这些数据由相关性模型得出的堵塞参数的数据，不断进行机器学习，并利用第二车辆的空气滤清器在实际运行过程中已知的寿命周期的历史数据(如空气滤清器的更换记录)来进行验证、调整和优化，以建立起第二车辆的上述历史数据与其空气滤清器的剩余寿命之间的关系，从而构建出能够预测空气滤清器的剩余寿命的预测模型。

有利地，所述预测模型可采用基于指数加权移动平均(EWMA)算法的机器学习模型。指数加权移动平均算法是一种用于平滑时间序列数据的方法，它对历史数据进行加权平均，重点关注最近的数据点，而较早的数据点权重逐渐减小。具体做法是选择一个平滑因子，通常用α表示，它决定了每个数据点的权重，较小的α值会使模型对历史数据赋予更高的权重，而较大的α值会使模型对最近的数据点赋予更高的权重。指数加权移动平均算法能够捕捉到数据的趋势和变化，并且对异常值的影响较小，这使得它在时间序列分析、趋势预测和滤波等应用中非常有用。

本领域技术人员能够理解，所述预测模型也可以采用除指数加权移动平均算法以外的任何其它能够根据历史数据对未来的趋势和模式进行预测的模型算法，包括但不限于：生存分析，循环神经网络，随机森林，支持向量回归，深度学习模型(如长短期记忆网络/LSTM)。可考虑数据的特点、模型算法的复杂度、计算资源和预测精度等因素来选择合适的模型算法。根据具体情况，可以尝试不同的算法或者结合使用多种算法来提高剩余寿命预测的准确性和可靠性。

在构建所述预测模型时采用的第二车辆可以是未加装堵塞参数传感器的正常普通车辆，例如可以是工程机械的生产商的广大车辆租赁用户的正常运行车辆。当然，前述的加装了堵塞参数传感器的第一车辆在试验运行过程中只要经历了至少一个完整寿命周期之后也可以被用作第二车辆。

在构建好上述预测模型后，在后续的步骤S140中即可根据该预测模型来预测目标车辆的剩余寿命。具体地，可将任一台目标车辆(期望预测其空气滤清器的剩余寿命)的所述多个后台监控参数的数据和根据这些数据由所述相关性模型得出的堵塞参数的数据输入至所述预测模型，便能够预测出目标车辆的空气滤清器的剩余寿命。

当所述预测模型是基于指数加权移动平均算法时，预测目标车辆的剩余寿命可以包括通过长回溯周期来获得空气滤清器的剩余寿命的预测值，以及通过短回溯周期来获得空气滤清器的滤芯更换标志。这里，回溯周期是指所述预测模型在计算加权平均时考虑历史数据的时间范围。长回溯周期和短回溯周期分别代表了指数加权移动平均算法的两种不同的平滑因子或权重。长回溯周期意味着模型会考虑更多的历史数据，对较早的数据赋予较高的权重。这样的模型相对较为稳定，对于较长时间尺度的趋势变化会更敏感。相比较而言，短回溯周期意味着模型只考虑较近的历史数据，对较早的数据赋予较低的权重。这样的模型会更加灵活，对近期的变化会有更高的敏感性，能够更快地反应出短期内的趋势变化。因此，通过采用长回溯周期而考虑更长时间范围内的历史数据，能够从预测模型得出空气滤清器的剩余寿命的预测值；而通过采用短回溯周期去更关注较近较短时间范围内的历史数据，能够捕捉到空气滤清器的寿命在近期的突然变化，从而获得其更换标志。

有利地，从所述预测模型输出的目标车辆的空气滤清器的剩余寿命预测值和/或更换标志可传输到车辆的显示装置上向用户显示(例如，可以用不同的颜色显示空气滤清器的不同长度的剩余寿命，以警示或提醒用户)或者传输到生产商或用户的后台系统等，使得能够对空气滤清器的剩余寿命随时进行远程监控，以便提前做好备件管理和和售后服务安排。

图2示出了按照本发明的用于预测空气滤清器的剩余寿命的系统200的一种示例性构型的示意性结构图。该系统可包括：安装在至少一台第一车辆上的堵塞参数传感器10，用于获取第一车辆的空气滤清器的堵塞参数的数据；安装在所述第一车辆和至少一台第二车辆上的后台监控参数传感器15(是第一和第二车辆上原本就有的标配传感器)，用于获取所述第一车辆和第二车辆的后台监控参数的数据；以及电子设备400。电子设备400可包括处理器410，以及用于存储处理器410的可执行指令的存储器420。其中，处理器410配置为通过执行所述可执行指令来执行根据上述任一实施例的用于预测空气滤清器的剩余寿命的方法的各个步骤。电子设备400可以以通用计算设备(如远程服务器或云平台，也可以是工程机械的车载高性能计算机或控制器)的形式表现。

堵塞参数传感器10和后台监控参数传感器15可例如通过车载远程通信终端(例如可以是车辆整机上的智讯盒子，如Product Link或T-box)与远程的后台系统50通信连接，以向其传输所获取的堵塞参数和后台监控参数的数据。电子设备400可与堵塞参数传感器10和后台监控参数传感器15和/或后台系统50通信连接，以便从这些传感器10、15直接地或者从后台系统50间接地获取传感器数据，以及向后台系统50输出或传送空气滤清器的剩余寿命的预测结果。电子设备400还可以与车载显示装置30通信连接，以便向其输出预测结果。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序包括可执行指令，该可执行指令被例如处理器执行时可以实现按照上述任一实施例的用于预测空气滤清器的剩余寿命的方法的各个步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行按照本发明的用于预测空气滤清器的剩余寿命的方法的各种示例性实施例的步骤。

按照本发明实施例的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备如远程服务器或车载电脑上运行。然而，本发明的程序产品不限于此，在本文中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器或者网络设备等)执行按照本发明实施例的用于预测空气滤清器的剩余寿命的方法。

工业适用性

根据本发明的用于预测空气滤清器的剩余寿命的方法和系统可应用于配备有空气滤清器的各种工程机械或车辆，可以是执行与特定行业(例如采矿、建筑、农业、运输等)相关的操作并在各种作业环境(例如矿场、建筑工地、农场和道路等)中行驶和作业的任何类型的工程机械(例如装载机、挖掘机等)。

在实施本发明时，可以先选取适当数量的第一车辆为其空气滤清器加装堵塞参数传感器(如压差传感器和流量传感器)，以测取相应的压差和流量作为堵塞参数的数据，再结合这些第一车辆的后台监控参数的数据，通过机器学习构建出后台监控参数与堵塞参数的相关性模型。然后，针对诸多实际运行的第二车辆，可基于其后台监控参数的数据和根据这些数据由所述相关性模型得出的堵塞参数的数据，借助于机器学习来构建对空气滤清器的剩余寿命进行预测的预测模型。进而，将目标车辆的后台监控参数的数据和根据这些数据由所述相关性模型得出的堵塞参数的数据输入至所述预测模型，从而预测出目标车辆的剩余寿命。

根据本发明的方法和系统能够低成本且便捷快速地实现对空气滤清器的剩余寿命的实时监控，从而预估空气滤清器的最佳更换时间，进而最大化空气滤清器的寿命，并减少工程机械的非必要停机时间，提高生产效率。对于工程机械的生产商来说，可以基于空气滤清器的剩余寿命的预测结果及时获知其使用状况并据此提前做好备件管理和售后服务安排，提升售后服务的质量和效率。

本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本发明的其它实施方案。本公开旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本文未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

Claims (9)

1.一种用于预测空气滤清器的剩余寿命的方法，包括以下步骤：

利用安装在至少一台第一车辆上的堵塞参数传感器获取所述第一车辆的空气滤清器的堵塞参数的数据，所述堵塞参数至少包括空气滤清器的压差；

针对所述第一车辆，基于其多个后台监控参数的数据和所获取的堵塞参数的数据，借助于机器学习来构建分析所述后台监控参数与所述堵塞参数之间的相关性的相关性模型；

针对至少一台第二车辆，基于其所述多个后台监控参数的数据和根据这些数据由所述相关性模型得出的堵塞参数的数据，借助于机器学习来构建对空气滤清器的剩余寿命进行预测的预测模型；以及

将目标车辆的所述多个后台监控参数的数据和根据这些数据由所述相关性模型得出的堵塞参数的数据输入至所述预测模型，以预测所述目标车辆的剩余寿命。

2.根据权利要求1所述的方法，其特征在于，

所述堵塞参数还包括空气滤清器的出口空气流量。

3.根据权利要求2所述的方法，其特征在于，

所述后台监控参数包括车辆的发动机转速、工作时长和地理位置信息。

4.根据权利要求1至3中任一项所述的方法，其特征在于，

所述预测模型是基于指数加权移动平均算法的机器学习模型。

5.根据权利要求4所述的方法，其特征在于，

预测所述目标车辆的剩余寿命包括通过长回溯周期来获得空气滤清器的剩余寿命的预测值，以及通过短回溯周期来获得空气滤清器的更换标志。

6.根据权利要求1至3中任一项所述的方法，其特征在于，

所述第二车辆至少部分地包括所述第一车辆。

7.一种计算机可读存储介质，其上存储有计算机程序，该计算机程序包括可执行指令，当所述可执行指令被处理器执行时，实施根据权利要求1至6中任一项所述的方法。

8.一种电子设备(400)，包括：

处理器(410)；以及

存储器(420)，用于存储所述处理器的可执行指令；

其中，所述处理器(410)被配置为执行所述可执行指令以实施根据权利要求1至6中任一项所述的方法。

9.一种用于预测空气滤清器的剩余寿命的系统，包括：

堵塞参数传感器，所述堵塞参数传感器安装在至少一台第一车辆上以获取所述第一车辆的空气滤清器的堵塞参数的数据；

后台监控参数传感器，所述后台监控参数传感器安装在所述第一车辆和至少一台第二车辆上以获取所述第一车辆和第二车辆的后台监控参数的数据；以及

根据权利要求8所述的电子设备(400)，所述电子设备与所述堵塞参数传感器和后台监控参数传感器直接或间接地通信连接。