基于售后大数据的预见性质量问题预防发生方法

摘要

本发明公开了一种基于售后大数据的预见性质量问题预防发生方法，包括如下步骤：S1，通过网联模块T‑BOX获取整车工况数据，并将其上传到大数据平台进行存储；S2，通过大数据平台海量数据分析，筛选出特征信息，并且通过特征数据搭建故障样本模型；S3，通过云平台收集车辆数据，依据建立的预警分析模型，对售后车辆数据进行匹配确认，从而确认售后车辆是否具有该故障风险；S4，通过批次确认与循环监控，确认实际风险，再通过搭建好的预警机制，通知售后市场进行提前围堵，确保车辆的稳定运行。本发明通过网联设备抓取售后车辆数据信号，通过这些信号提取出特征信息，与对应的预警模型进行匹配，使用数据分析模型对车辆早期风险进行预警。

说明书

技术领域

本发明涉及一种汽车智能网联技术、大数据分析以及预警模型建立，尤其是涉及一种基于T-BOX抓取的售后大数据--预见性平台质量预防发生方法。

背景技术

在大数据时代，信息技术与汽车诊断分析的融合越来越密切，大数据分析与预见性模型已成为主流趋势，无论在提高车辆诊断效率,还是提供优质的客户服务方面，均发挥了不可忽视的重要作用。在现实情况下，很多汽车电子元器件问题在爆发初期，就已经具有很明显的模型特征：如馈电、联网异常、胎压丢失等问题。以往对于这些问题，往往是故障发生之后，顾客再进站进行检修，并且需要多次往返维修站才能解决问题。

而如果能在这些问题给客户造成实际影响前，进行提前预警与防护解决，防止问题扩大化与严重化，无论是对企业以及用户都是最好的解决方案。

发明内容

本发明针对现有技术不足，提出一种基于售后大数据的预见性质量问题预防发生方法，通过网联设备抓取售后车辆数据信号，通过这些信号提取出特征信息，与对应的预警模型进行匹配，使用数据分析模型对车辆早期风险进行预警。

本发明采用的技术方案：

本发明基于售后大数据的预见性质量问题预防发生方法，通过网联模块T-BOX获取整车工况数据，并将其上传到大数据平台进行存储；通过大数据平台海量数据分析，筛选出特征信息，并且通过特征数据搭建故障样本模型。

同时通过网联设备抓取售后车辆数据信号，通过这些信号提取出特征信息，与对应的预警模型进行匹配。根据符合度进行车辆状态的预警。

可以提前对车辆故障进行风险预警，在发生实际故障前通知经销商与客户对问题进行围堵解决，确保车辆稳定安全的运行。

本发明采用基于云端大数据搭建的模型，通过云平台收集车辆数据，针对海量的数据设定筛选条件。通过海量数据分析，筛选出特征数据，并且通过特征数据搭建故障样本模型。

在搭建好故障风险模型之后，对售后车辆数据进行匹配确认，从而确认售后车辆是否具有该故障风险；通过批次确认与循环监控，确认实际风险，再通过搭建好的预警机制，通知售后市场进行提前围堵，确保车辆的稳定运行。

如图1、图2所示，其工作原理：通过大数据平台海量数据分析，筛选出特征信息，并且通过特征数据搭建故障样本模型。而后依据建立的预警分析模型，对数据进行规整分类，初步筛选出存在故障风险的车辆数据；筛选出风险批次数据后，再对具体数据进行车辆状态分析；通过和故障模型进行类似度匹配，确认是否存在故障还是客户操作问题等其他情况；并同步分析存在故障车辆的问题根本原因，针对可能性的原因制定围堵措施与解决方案；在围堵措施完善后反馈给售后经销商，在问题发生前对问题进行围堵，从而形成一个完整的闭环控制链，达到提前预防与稳定管控的效果。

发明有益效果：

1、本发明基于售后大数据的预见性质量问题预防发生方法，采用汽车网联技术，通过T-BOX抓取的售后大数据，进行大数据分析提取特征信息，建立预警模型，通过网联设备抓取售后车辆数据信号，通过这些信号提取出特征信息，与对应的预警模型进行匹配。根据符合度进行车辆状态的预警。提前对车辆故障进行风险预警，在发生实际故障前通知经销商与客户对问题进行围堵解决，确保车辆稳定安全的运行。

2、本发明基于售后大数据的预见性质量问题预防发生方法，依据建立的预警分析模型，对数据进行规整分类，初步筛选出存在故障风险的车辆数据；筛选出风险批次数据后，再对具体数据进行车辆状态分析；通过和故障模型进行类似度匹配，确认是否存在故障还是客户操作问题等其他情况；并同步分析存在故障车辆的问题根本原因，针对可能性的原因制定围堵措施与解决方案；在围堵措施完善后反馈给售后经销商，在问题发生前对问题进行围堵，从而形成一个完整的闭环控制链，达到提前预防与稳定管控的效果。

附图说明

图1所示为本发明预见性质量问题预防发生的方法流程图；

图2所示为本发明预见性质量问题预防发生的方法具体实现流程；

图3所示为本发明预见性质量问题预防发生的方法预警性平台架构；

图4所示为本发明预见性质量问题预防发生的方法大数据平台主页；

图5所示为本发明大数据平台主页特定故障码筛选页面；

图6所示为本发明大数据平台导出符合特定SOC值的车辆批次数据；

图7所示为单台车辆不休眠馈电数据流；

图8所示为本发明大数据平台主页数据流信号筛选界面；

图9所示为典型使用问题导致不休眠数据流。

具体实施方式

为了使发明创造实现其发明目的的技术构思及优点更加清楚明白，下面结合附图对本发明的技术方案作进一步的详细描述。应当理解的是，以下各实施例仅用以解释和说明本发明的优选实施方式，不应当构成对本发明要求专利保护的范围的限定。

实施例1

参见图1、图2，本发明基于售后大数据的预见性质量问题预防发生方法，包括步骤：

步骤S1，通过网联模块T-BOX获取整车工况数据，并将其上传到大数据平台进行存储；

步骤S2，通过大数据平台海量数据分析，筛选出特征信息，并且通过特征数据搭建故障样本模型；

步骤S3，通过云平台收集车辆数据，依据建立的预警分析模型，对售后车辆数据进行匹配确认，从而确认售后车辆是否具有该故障风险；

步骤S4，通过批次确认与循环监控，确认实际风险，再通过搭建好的预警机制，通知售后市场进行提前围堵，确保车辆的稳定运行。

实施例2

本实施例的基于售后大数据的预见性质量问题预防发生方法，和实施例1的不同之处在于：进一步的，步骤S3中，对数据进行规整分类，初步筛选出存在故障风险的车辆数据；筛选出风险批次数据后，再对具体数据进行车辆状态分析；通过和故障模型进行类似度匹配，确认是否存在故障还是客户操作问题；并同步分析存在故障车辆的问题根本原因。

实施例3

本实施例的基于售后大数据的预见性质量问题预防发生方法，和实施例1及实施例2的不同之处在于：进一步的，步骤S4中，针对可能性的原因制定围堵措施与解决方案；在围堵措施完善后反馈给售后经销商，在问题发生前对问题进行围堵，从而形成一个完整的闭环控制链，达到提前预防与稳定管控的效果。

实施例4

参见图1、图2，本发明基于售后大数据的预见性质量问题预防发生方法，通过网联模块T-BOX获取整车工况数据，并将其上传到大数据平台进行存储；通过大数据平台海量数据分析，筛选出特征信息，并且通过特征数据搭建故障样本模型。而后依据建立的预警分析模型，对数据进行规整分类，初步筛选出存在故障风险的车辆数据；筛选出风险批次数据后，再对具体数据进行车辆状态分析；通过和故障模型进行类似度匹配，确认是否存在故障还是客户操作问题等其他情况；并同步分析存在故障车辆的问题根本原因，针对可能性的原因制定围堵措施与解决方案；在围堵措施完善后反馈给售后经销商，在问题发生前对问题进行围堵，从而形成一个完整的闭环控制链，达到提前预防与稳定管控的效果。

实施例5

本发明基于售后大数据的预见性质量问题预防发生方法，基于云端大数据搭建的模型，通过云平台收集车辆数据，针对海量的数据设定筛选条件。通过海量数据分析，筛选出特征数据，并且通过特征数据搭建故障样本模型。

在搭建好故障风险模型之后，对售后车辆数据进行匹配确认，从而确认售后车辆是否具有该故障风险；通过批次确认与循环监控，确认实际风险，再通过搭建好的预警机制，通知售后市场进行提前围堵，确保车辆的稳定运行，其过程如图1、图2所示。

具体实现过程如下：

1、本发明基于实现的预警性平台架构如图3所示，所述平台架构主要由云端、管端和终端三大部分组成：云端是指云服务，对采集到的车辆数据进行分析、展示、运营，为车联网服务提供管理平台；管端为云平台与远程终端通信管道，车厂与运营商合作，由运营商提供通信通道服务；而终端指的是车载通信终端，即T-BOX，负责收集数据上传至云端并执行从云端下发指令等操作；

2、大数据抓取

大数据平台主页（图4）以云端数据库为基础构建，利用大数据基础平台提供的计算和存储资源，根据业务需求和业务建模，可视化的展现了云平台所存储的海量信息。大数据平台页面主要包括基础信息统计，能耗分析，质量分析与工况分析四大块。而提前预警分析模型主要是依靠工况分析模块的车辆实时数据流进行搭建，归纳出主要故障模型特征。

3、特征模型归纳

分析工程师通过特定数据或DTC故障码（图5）智能筛选出车辆批次信息与故障时间，对具体数据进行分析，提取出特征信息，根据特征信息与数据规律，建立特定的预警数据模型。就比如馈电预警模型：通过设定整车SOC值(蓄电池电量)35为馈电阀值，导出曾经报出电量为35的车辆批次（图6）。

针对导出的底盘号信息，批次导出单台车辆的车况运行信息；并根据最近一月车辆历史数据进行模型分析，从而得出馈电模型具备的典型特征：一、在限定持续时间段内，SOC值有效且稳定下降；二、未启动状态下存在自然唤醒的报文持续上传；

根据馈电的典型数据特征，搭建出对应的馈电模型。以该模型为样本，在分析类似风险时，进行数据的对比，从而确认车辆是否存在该类型故障风险，若的确存在异常因素，则提起通知经销商对客户车辆进行检修，防止真正出现故障。

4、数据模型对比，分析确认

以图7所示的单台车辆不休眠馈电数据流为例：根据导出数据流，车辆在4月18日持续上报蓄电池电量低的信号，从20:13开始持续到20:23仅10分钟，蓄电池电量由63降低到60，期间没有掺杂其他异常电量数值，且电池电压稳定为12V。以上数据满足馈电风险模型第一个特征；并且该车在已锁车的情况下，晚上8点一直在上传数据，但数据内容中并没有相应的动作指令，如开关车门或引擎盖等动作。此类数据说明车辆在下电后，存在整车电子模块不休眠的问题隐患，同时满足馈电模型第二个特征。

5、进行预警

因此对该类型车辆，建立起馈电预警提醒机制，利用云平台导出该类车辆识别码。提前通知经销商对邀约车主回站检修，以防止深度馈电损坏蓄电池，导致无法启动。

同时根据数据模型分析出的结论，可以直接定位出问题隐患在于整车电子模块不休眠；而在以往传统的维修方式上，维修站往往是单纯地给蓄电池补充电或者给客户更换蓄电池，并不能解决实际的风险点。

本方案更多着重于馈电预警模型进行说明，实际可根据不同信息流与故障模型进行扩展完善，因此该方案存在可改善空间。

图6是实际发生的故障预警案例：在以低于12V电压值为限定阀值，车辆未启动的限定条件下进行模型筛选发现，售后市场存在多起该类型的风险失效。

以某743车型为例：通过远程终端存储的数据调取，选择所需要的数据信息流与时间段，进行批量数据导出，如图8所示；

导出信息流数据后，对主要数据进行主要特征分析与归纳，辅助信息对结论进行支持和佐证；

以图9所示的典型使用问题导致不休眠数据流为例：主要特征数据为SOC值，整车电源状态，门状态以及电池电压；辅助信息为整车其他报文动作；以这些特征数据抓取整车馈电信息；并与构建的模型进行匹配；

通过详细解读可发现：该车在2021/4/18日的10点，15点进行了开启右前门动作，但未启动车辆（整车电源状态为0），而后在2021/4/19日的6点，7点以及9点依旧做了同样的动作。通过后续的数据发现，在一周内频繁的开启右前门唤醒了整车，但均未上电启动，导致整车CAN总线被频繁唤醒而得不到及时的补充电，蓄电池电压逐渐逼近无法正常启动的阀值（11V）。

通过该车数据的特征类型抓取，并与特征模型进行匹配比对：确认该串数据流符合馈电的特征模型之一：（1）车辆电压低于11.5V，稳定下降；（2）整车长期未启动>10天；（3）期间有多次唤醒报文上传；

在确认该车符合馈电模型后，针对性的对同批次符合模型的车辆发出预警：对于该类型车辆，建立统一的宣贯机制；在客户进店保修时进行操作指导，规范用车行为，从根源上断绝后续出现问题的风险。

通过类似的大数据分析模型，售后质量问题与客户满意度得到了明显的改善，以CX743车型为例，在2019年生产了48188台CX743，在建立预警模型之前，售后通过更换蓄电池（809元/台）来解决馈电类问题。2019年生产车辆共计更换了1241个蓄电池，故障率2.575%。通过对售后进行预警管控及同步采取其他措施后，2020年度生产的41764台车仅更换了37个蓄电池（故障率0.088%），售后维修成本直接节约了105万元。

以上所述仅为本发明的较佳实施方式，并不构成对本发明的限定。本领域技术人员在现有技术的指引下，无需进行创造性劳动即可对本发明的实施情况进行其他修改，凡在本发明的精神和原则之内所作的任何修改或者采用本领域惯用技术手段进行的简单置换或等同替换，均应包含在本发明的保护范围之内。