基于分擔式的數學模型測試方法及系統的制作方法
【專利摘要】基于分擔式的數學模型測試方法及系統，包括：對碰撞信號進行粗判斷的步驟、對碰撞信號進行細判斷的步驟、判斷碰撞信號所屬工況的步驟、車輛外觀零件損傷等級判定的步驟、整車判定特征因素確定的步驟、特征因素的預處理的步驟、整車判定模型確定的步驟。本發明在一定程度上將信號從先到后、從零到整進行判斷可以有效的避免一次性判斷而產生的誤差。
【專利說明】
基于分擔式的數學模型測試方法及系統
技術領域
[0001]本發明屬于數據處理及機器學習領域，具體說是一種基于分擔式的數學模型測試方法及系統。
【背景技術】
[0002]目前汽車的保有量每年在逐漸的增加，道路交通的不斷規劃使車輛的行駛速度有所提升，交通事故的發生率也在增加，但是在車輛低速行駛過程中所發生的事故對車輛所造成的損傷無法準確判斷，對用戶和保險公司都產生了一定危害，所以對車輛低速碰撞遠程定損具有重要的意義。在對低速行駛車輛遠程定損過程中，主要是對車輛攜帶設備所采集的加速度、角速度，以下簡稱車輛行駛信號，進行處理分析、學習判斷。
[0003]在實際車輛行駛過程中道路況狀復雜、駕駛員操作多樣等因素，對采集到的判斷信號產生了很多干擾，直接對采集的信號進行損傷等級檢測不但費時，而且在運算量和存儲上也造成一定程度的資源浪費。
【發明內容】
[0004]本發明提供了一種基于分擔式的數學模型測試方法及系統，在一定程度上將信號從先到后、從零到整進行判斷可以有效的避免一次性判斷而產生的誤差。
[0005]—方面，本發明提供了基于分擔式的數學模型測試方法，包括:對碰撞信號進行粗判斷的步驟、對碰撞信號進行細判斷的步驟、判斷碰撞信號所屬工況的步驟、車輛外觀零件損傷等級判定的步驟、整車判定特征因素確定的步驟、特征因素的預處理的步驟、整車判定模型確定的步驟。
[0006]具體的，對碰撞信號進行粗判斷的步驟具體為，在前端對車輛行駛信號進行實時采集并存儲N秒鐘的數據，根據閾值對當前時刻碰撞信號進行粗略判斷，若有疑似碰撞的信號產生，截取當前時刻的前后N/2秒鐘，即共財少鐘的數據通過云端上傳到后臺服務器。
[0007]具體的，對碰撞信號進行細判斷的步驟具體為:
[0008]S1:當有粗判斷為碰撞的信號傳來時，觸發碰撞信號細判斷模塊對新數據進行讀取；
[0009]S2:根據已經保存好的數據預處理方法對數據進行數據預處理;所述預處理，包括數據的濾波、特征提取、歸一化等操作；
[0010]S3:將處理好的特征輸入到事先已經訓練好的判別模型，通過模型的判斷后，確定是否為碰撞信號:
[0011 ]如果判斷為碰撞信號，則將提取后的特征傳遞給步驟3進行判斷；
[0012]如果判斷為非碰撞信號，則保存為類碰撞信號。
[0013]具體的，訓練好的判別模型為反向傳播神經網絡BPNN或支持向量機SVM。
[0014]具體的，判斷碰撞信號所屬工況的步驟具體為，將提取后的特征輸入到工況模型中進行工況判斷，工況模型將輸出屬于哪種工況并進行記錄，將信號所屬的工況結果輸出給損傷等級判斷模塊;所述工況包括剛性壁工況、柱狀體工況、護欄工況、路緣石工況和防撞桶工況。
[0015]更具體的，車輛外觀零件損傷等級判定的步驟具體為:根據工況結果，將提取的特征輸入到該工況下的每個外觀零件損傷等級判斷模型中，對每一個外觀零件的損傷等級進行判斷輸出，所述外觀零件包括:左前翼子板、右前翼子板、左后翼子板、右后翼子板、前保險杠皮、發動機罩、后備箱蓋、左前大燈、右前大燈。
[0016]更具體的，整車判定特征因素確定的步驟具體為:根據外觀零件的損傷等級，確定碰撞的角度、碰撞車輛的區域因素，再結合工況結果和碰撞時車輛行駛的速度，作為特征因素。
[0017]作為更具體的，特征因素的預處理的步驟具體為，對特征因素進行歸一化、標準化處理，并進行特征變換選擇;所述特征變換是在特征有冗余的情況下對特征進行降維處理。
[0018]作為更具體的，整車判定模型確定的步驟具體為，選擇SVM算法、隨機森林、BPNN算法進行對比分析，利用每種算法對特征進行訓練、測試，最終挑選測試準確率高的兩種或兩種以上算法在系統中使用。
[0019]另一方面，本發明還提供了一種基于分擔式的數學模型測試系統，包括:
[0020]碰撞信號粗判斷模塊，根據閾值對當前時刻碰撞信號進行粗略判斷，若有疑似碰撞的信號產生，截取當前時刻的前后N/2秒鐘，即共N秒鐘的數據通過云端上傳到后臺服務器；
[0021 ]碰撞信號細判斷模塊，對疑似碰撞的數據進行數據預處理；
[0022]判別模型，將處理好的特征輸入到該模型中，通過模型的判斷后，確定是否為碰撞信號:如果判斷為碰撞信號，則將提取后的特征傳遞給工況模型中；如果判斷為非碰撞信號，則保存為類碰撞信號；
[0023]工況模型，將信號所屬的工況結果輸出給損傷等級判斷模塊；
[0024]損傷等級判斷模塊，對每一個零件的損傷等級進行判斷輸出，最終將有損傷的零件反饋到手機終端；
[0025]整車判定特征因素模塊，確定碰撞的角度、碰撞車輛的區域、工況結果和碰撞時車輛行駛的速度。
[0026]特征因素的預處理模塊，對特征因素進行歸一化、標準化處理，并進行特征變換選擇；
[0027]整車判定模型確定模塊，選擇SVM算法、隨機森林、BPNN算法進行對比分析，利用每種算法對特征進行訓練、測試，最終挑選測試準確率高的兩種或兩種以上算法在系統中使用。
[0028]本發明由于采用以上技術方法，能夠取得如下的技術效果:通過分部式的信號處理，有效的避免了在信號傳輸過程中對資源的浪費，在后臺對信號先進行工況判斷可以避免不同工況下信號特征的干擾，提高在同一工況下判斷零件損傷等級的準確率;本發明在一定程度上將信號從先到后、從零到整進行判斷可以有效的避免一次性判斷而產生的誤差。
【附圖說明】
[0029]為了更清楚的說明本發明的實施例或現有技術的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖做一簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0030]圖1為基于分擔式的數學模型測試方法流程圖。
【具體實施方式】
[0031]為使本發明的實施例的目的、技術方案和優點更加清楚，下面結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚完整的描述:
[0032]實施例1
[0033]—方面，本發明提供了基于分擔式的數學模型測試方法，包括:
[0034]第一步，對碰撞信號進行粗判斷的步驟:
[0035]在前端對車輛行駛信號進行實時采集并存儲10秒鐘的數據，根據閾值對當前時刻碰撞信號進行粗略判斷，若有疑似碰撞的信號產生，截取當前時刻的前后5秒鐘，即共10秒鐘的數據通過云端上傳到后臺服務器。
[0036]第二步，對碰撞信號進行細判斷的步驟:
[0037]S1:當有粗判斷為碰撞的信號傳來時，觸發碰撞信號細判斷模塊對新數據進行讀取；
[0038]S2:根據已經保存好的數據預處理方法對數據進行數據預處理;所述預處理，包括數據的濾波、特征提取、歸一化等操作；
[0039]S3:將處理好的特征輸入到事先已經訓練好的判別模型，所述訓練好的判別模型為反向傳播神經網絡BPNN或支持向量機SVM，通過模型的判斷后，確定是否為碰撞信號:
[0040]如果判斷為碰撞信號，則將提取后的特征傳遞給步驟3進行判斷；
[0041]如果判斷為非碰撞信號，則保存為類碰撞信號。
[0042]第三步，判斷碰撞信號所屬工況的步驟:
[0043]將提取后的特征輸入到工況模型中進行工況判斷，工況模型將輸出屬于哪種工況并進行記錄，將信號所屬的工況結果輸出給損傷等級判斷模塊;所述工況包括剛性壁工況、柱狀體工況、護欄工況、路緣石工況和防撞桶工況等。
[0044]第四步，在汽車低速行駛過程中如果發生碰撞，大部分損傷的零件都是車輛的外觀件，車輛外觀零件損傷等級判定的步驟:
[0045]根據工況結果，將提取的特征輸入到該工況下的每個外觀零件損傷等級判斷模型中，對每一個外觀零件的損傷等級進行判斷輸出，所述外觀零件包括:左前翼子板、右前翼子板、左后翼子板、右后翼子板、前保險杠皮、發動機罩、后備箱蓋、左前大燈、右前大燈等。
[0046]另一方面，本發明還提供了一種基于分擔式的數學模型測試系統，包括:
[0047]碰撞信號粗判斷模塊，根據閾值對當前時刻碰撞信號進行粗略判斷，若有疑似碰撞的信號產生，截取當前時刻的前后N/2秒鐘，即共1N秒鐘的數據通過云端上傳到后臺服務器；
[0048]碰撞信號細判斷模塊，對疑似碰撞的數據進行數據預處理；
[0049]判別模型，將處理好的特征輸入到該模型中，通過模型的判斷后，確定是否為碰撞信號:如果判斷為碰撞信號，則將提取后的特征傳遞給工況模型中；如果判斷為非碰撞信號，則保存為類碰撞信號；
[0050]工況模型，將信號所屬的工況結果輸出給損傷等級判斷模塊；
[0051]損傷等級判斷模塊，對每一個零件的損傷等級進行判斷輸出，最終將有損傷的零件反饋到手機終端。
[0052]實施例2
[0053]一方面，本發明提供了基于分擔式的數學模型測試方法，包括:
[0054]第一步，對碰撞信號進行粗判斷的步驟:
[0055]在前端對車輛行駛信號進行實時采集并存儲10秒鐘的數據，根據閾值對當前時刻碰撞信號進行粗略判斷，若有疑似碰撞的信號產生，截取當前時刻的前后5秒鐘，即共10秒鐘的數據通過云端上傳到后臺服務器。
[0056]第二步，對碰撞信號進行細判斷的步驟:
[0057]S1:當有粗判斷為碰撞的信號傳來時，觸發碰撞信號細判斷模塊對新數據進行讀取；
[0058]S2:根據已經保存好的數據預處理方法對數據進行數據預處理;所述預處理，包括數據的濾波、特征提取、歸一化等操作；
[0059]S3:將處理好的特征輸入到事先已經訓練好的判別模型，所述訓練好的判別模型為反向傳播神經網絡BPNN或支持向量機SVM，通過模型的判斷后，確定是否為碰撞信號:
[0060]如果判斷為碰撞信號，則將提取后的特征傳遞給步驟3進行判斷；
[0061]如果判斷為非碰撞信號，則保存為類碰撞信號。
[0062]第三步，判斷碰撞信號所屬工況的步驟:
[0063]將提取后的特征輸入到工況模型中進行工況判斷，工況模型將輸出屬于哪種工況并進行記錄，將信號所屬的工況結果輸出給損傷等級判斷模塊;所述工況包括剛性壁工況、柱狀體工況、護欄工況、路緣石工況和防撞桶工況等。
[0064 ]第四步，車輛外觀零件損傷等級判定的步驟:
[0065]根據工況結果，將提取的特征輸入到該工況下的每個外觀零件損傷等級判斷模型中，對每一個外觀零件的損傷等級進行判斷輸出，所述外觀零件包括:左前翼子板、右前翼子板、左后翼子板、右后翼子板、前保險杠皮、發動機罩、后備箱蓋、左前大燈、右前大燈等。
[0066]第五步，整車判定特征因素確定的步驟:
[0067]根據外觀零件的損傷等級，確定碰撞的角度、碰撞車輛的區域等因素，再結合工況結果和碰撞時車輛行駛的速度，作為特征因素。
[0068]第六步，特征因素的預處理的步驟:
[0069]對特征因素進行歸一化、標準化處理，并進行特征變換選擇;所述特征變換是在特征有冗余的情況下對特征進行降維處理。在這里可以選擇進行特征降維和不進行特征降維，最終形成機器學習分類算法的輸入形式。
[0070]第七步，整車判定模型確定的步驟:
[0071 ]選擇SVM算法、隨機森林、BPNN算法等進行對比分析，利用每種算法對特征進行訓練、測試，最終挑選測試準確率高的兩種或兩種以上算法在系統中使用。
[0072]另一方面，本發明還提供了一種基于分擔式的數學模型測試系統，包括:
[0073]碰撞信號粗判斷模塊，根據閾值對當前時刻碰撞信號進行粗略判斷，若有疑似碰撞的信號產生，截取當前時刻的前后N/2秒鐘，即共1N秒鐘的數據通過云端上傳到后臺服務器；
[0074]碰撞信號細判斷模塊，對疑似碰撞的數據進行數據預處理；
[0075]判別模型，將處理好的特征輸入到該模型中，通過模型的判斷后，確定是否為碰撞信號:如果判斷為碰撞信號，則將提取后的特征傳遞給工況模型中；如果判斷為非碰撞信號，則保存為類碰撞信號；
[0076]工況模型，將信號所屬的工況結果輸出給損傷等級判斷模塊；
[0077]損傷等級判斷模塊，對每一個零件的損傷等級進行判斷輸出，最終將有損傷的零件反饋到手機終端；
[0078]整車判定特征因素模塊，確定碰撞的角度、碰撞車輛的區域、工況結果和碰撞時車輛行駛的速度；
[0079]特征因素的預處理模塊，對特征因素進行歸一化、標準化處理，并進行特征變換選擇；
[0080]整車判定模型確定模塊，選擇SVM算法、隨機森林、BPNN算法進行對比分析，利用每種算法對特征進行訓練、測試，最終挑選測試準確率高的兩種或兩種以上算法在系統中使用。
[0081]在實際車輛行駛過程中道路況狀復雜、駕駛員操作多樣等因素，對采集到的判斷信號產生了很多干擾，直接對采集的信號進行損傷等級檢測不但費時，而且在運算量和存儲上也造成一定程度的資源浪費，所以在一定程度上將信號從先到后、從零到整進行判斷可以有效的避免一次性判斷而產生的誤差。
[0082]以上所述，僅為本發明較佳的【具體實施方式】，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明披露的技術范圍內，根據本發明的技術方案及其發明構思加以等同替換或改變，都應涵蓋在本發明的保護范圍之內。
【主權項】
1.基于分擔式的數學模型測試方法，其特征在于，包括:對碰撞信號進行粗判斷的步驟、對碰撞信號進行細判斷的步驟、判斷碰撞信號所屬工況的步驟、車輛外觀零件損傷等級判定的步驟、整車判定特征因素確定的步驟、特征因素的預處理的步驟、整車判定模型確定的步驟。2.根據權利要求1所述的基于分擔式的數學模型測試方法，其特征在于，對碰撞信號進行粗判斷的步驟具體為，在前端對車輛行駛信號進行實時采集并存儲N秒鐘的數據，根據閾值對當前時刻碰撞信號進行粗略判斷，若有疑似碰撞的信號產生，截取當前時刻的前后N/2秒鐘，即共財少鐘的數據通過云端上傳到后臺服務器。3.根據權利要求1所述的基于分擔式的數學模型測試方法，其特征在于，對碰撞信號進行細判斷的步驟具體為: S1:當有粗判斷為碰撞的信號傳來時，觸發碰撞信號細判斷模塊對新數據進行讀取； S2:根據已經保存好的數據預處理方法對數據進行數據預處理;所述預處理，包括數據的濾波、特征提取、歸一化等操作； S3:將處理好的特征輸入到事先已經訓練好的判別模型，通過模型的判斷后，確定是否為碰撞信號: 如果判斷為碰撞信號，則將提取后的特征傳遞給步驟3進行判斷； 如果判斷為非碰撞信號，則保存為類碰撞信號。4.根據權利要求3所述的基于分擔式的數學模型測試方法，其特征在于，訓練好的判別模型為反向傳播神經網絡BPNN或支持向量機SVM。5.根據權利要求1所述的基于分擔式的數學模型測試方法，其特征在于，判斷碰撞信號所屬工況的步驟具體為，將提取后的特征輸入到工況模型中進行工況判斷，工況模型將輸出屬于哪種工況并進行記錄，將信號所屬的工況結果輸出給損傷等級判斷模塊;所述工況包括剛性壁工況、柱狀體工況、護欄工況、路緣石工況和防撞桶工況。6.根據權利要求1所述的基于分擔式的數學模型測試方法，其特征在于，車輛外觀零件損傷等級判定的步驟具體為:根據工況結果，將提取的特征輸入到該工況下的每個外觀零件損傷等級判斷模型中，對每一個外觀零件的損傷等級進行判斷輸出，所述外觀零件包括:左前翼子板、右前翼子板、左后翼子板、右后翼子板、前保險杠皮、發動機罩、后備箱蓋、左前大燈、右前大燈。7.根據權利要求1所述的基于分擔式的數學模型測試方法，其特征在于，整車判定特征因素確定的步驟具體為:根據外觀零件的損傷等級，確定碰撞的角度、碰撞車輛的區域因素，再結合工況結果和碰撞時車輛行駛的速度，作為特征因素。8.根據權利要求7所述的基于分擔式的數學模型測試方法，其特征在于，特征因素的預處理的步驟具體為，對特征因素進行歸一化、標準化處理，并進行特征變換選擇;所述特征變換是在特征有冗余的情況下對特征進行降維處理。9.根據權利要求1所述的基于分擔式的數學模型測試方法，其特征在于，整車判定模型確定的步驟具體為，選擇SVM算法、隨機森林、BPNN算法進行對比分析，利用每種算法對特征進行訓練、測試，最終挑選測試準確率高的兩種或兩種以上算法在系統中使用。10.一種基于分擔式的數學模型測試系統，其特征在于，包括: 碰撞信號粗判斷模塊，根據閾值對當前時刻碰撞信號進行粗略判斷，若有疑似碰撞的信號產生，截取當前時刻的前后N/2秒鐘，即共財少鐘的數據通過云端上傳到后臺服務器； 碰撞信號細判斷模塊，對疑似碰撞的數據進行數據預處理； 判別模型，將處理好的特征輸入到該模型中，通過模型的判斷后，確定是否為碰撞信號:如果判斷為碰撞信號，則將提取后的特征傳遞給工況模型中；如果判斷為非碰撞信號，則保存為類碰撞信號； 工況模型，將信號所屬的工況結果輸出給損傷等級判斷模塊； 損傷等級判斷模塊，對每一個零件的損傷等級進行判斷輸出，最終將有損傷的零件反饋到手機終端； 整車判定特征因素模塊，確定碰撞的角度、碰撞車輛的區域、工況結果和碰撞時車輛行駛的速度。 特征因素的預處理模塊，對特征因素進行歸一化、標準化處理，并進行特征變換選擇； 整車判定模型確定模塊，選擇SVM算法、隨機森林、BPNN算法進行對比分析，利用每種算法對特征進行訓練、測試，最終挑選測試準確率高的兩種或兩種以上算法在系統中使用。
【文檔編號】G06K9/00GK106092597SQ201610364189
【公開日】2016年11月9日
【申請日】2016年5月27日
【發明人】田雨農, 鄒秋霞
【申請人】大連樓蘭科技股份有限公司