故障关联及预测

基本步骤

故障预测模型可根据车辆运行信号、驾驶行为等预测未来一段时间内重要零部件的故障发生情况，同时通过后市场的数据反馈帮助主机厂在研发过程中调整策略。

数据探索

对原始数据进行数据探索，理解数据，获得数据初步趋势、数据质量，发现数据特征，指导下一步建模。

DPF再生预测模型

模型原理：基于数据分析结果，在训练集上标注 DPF 主动再生和重度再生进行标注。对标注好的数据集，利用神经网络进行监督学习，优化模型参数。

模型功能：模型通过车载终端采集的相关数据，输出未来三天 DPF 需要再生的概率 (0%~100%)。

对于预测结果使用：1、提前预警 DPF 是否需要重度再生，防止行驶过程中发生故障；2. 根据输出结果，调整 ECU 主动再生策略；

进气歧管漏气预测模型

模型原理：采集一段时间的车辆工况，形成时间序列，建立特征参数的物理计算模型。通过传感器数据与模型计算结果的残差分析，获得神经网络的输入，利用神经网络预测发生相关故障的可能性。

模型功能：通过车载终端采集的柴油车相关数据进行预测是否会发生进气歧管漏气故障。

对于预测结果使用：1、设置系统阈值，故障可能性超过某个阈值后，系统自动提醒司机及相关人员进行故障检测防范；2、预测结果的变化进行分析，帮助定位故障的原因和该故障可能引发的其他故障，对厂家优化工艺提供帮助。

SCR尿素结晶预测模型

SCR尿素结晶会吸附在SCR箱滤网表层，导致尿素反应效率降低，进而导致SCR催化箱堵塞甚至坏掉。

我们对正常车辆和故障车辆进行大数据分析，通过可采集特征量进行模型预测，为车主提前预测未来多久可能产生SCR结晶的情况，提醒车主及时检查或者去维修站进行清洗更换。