一种车辆指标异常的图示方法、装置、设备及存储介质与流程

阅读：评论：0

1.本发明涉及大数据分析，尤其涉及一种车辆指标异常的图示方法、装置、设备及存储介质。

背景技术：

2.在车辆的行驶过程中，通过分析车辆相关的数据能反映出车辆的行驶状况，由于车辆监控指标之间的存在随动关系，例如，发动机扭矩和瞬时油耗、发动机进气歧管压力和进气歧管温度、gps车速和轮速等。当车辆监控指标之间的相互关系突然放大或者缩小时，往往反映出车辆潜在故障。但是这些监控指标数量众多，无法方便鲜明的反映给驾驶员，从而无法达对车辆异常状态进行监控。

技术实现要素：

3.本发明主要目的在于提供一种车辆指标异常的图示方法、装置、设备及存储介质，能够通过车辆监控指标之间的相互关系，将众多监控指标以图示的方式展现给驾驶员，驾驶员根据图示上的极亮点和极暗点，对车辆的异常状态进行监控，从而快速的识别车辆是否存在异常，并且将车辆潜在故障鲜明的反应给驾驶员。
4.第一方面，本技术提供了一种车辆指标异常的图示方法，该车辆指标异常的图示方法包括步骤：
5.计算车辆指标序列中任意两个指标的差值在预设时长内的方差，并根据所述方差形成车辆指标间差异矩阵；
6.对所述车辆指标间差异矩阵的差矩阵进行激活化，以构成灰度图；
7.当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常。
8.一种可能的实施方式中，在时间段[t1,t2]内，获取指标xi的采样值{xi1，xi2，xi3}和指标xj的采样值{xj1，xj2，xj3}；
[0009]
将指标xi的采样值{xi1，xi2，xi3}和指标xj的采样值{xj1， xj2，xj3}进行量纲归一化，得到量纲归一化的采样值{xi1’，xi2’， xi3’}和{xj1’，xj2’，xj3’}；
[0010]
计算{xi1
’‑
xj1’，xi2
’‑
xj2’，xi3
’‑
xj3’}的方差，以形成车辆指标间差异矩阵。
[0011]
一种可能的实施方式中，根据神经网络的激活函数，将所述差异矩阵的差矩阵中的元素值映射到灰度值区间内，以构成灰度图。
[0012]
一种可能的实施方式中，通过肉眼直接识别所述灰度图上的极亮点或极暗点，以判断车辆是否存在故障。
[0013]
一种可能的实施方式中，将灰度图作为神经网络算法的输入，通过神经网络算法识别所述灰度图上的极亮点或极暗点，以判断车辆是否存在故障。
[0014]
一种可能的实施方式中，通过构建亮点暗点与车辆故障的对应关系，以确定车辆故障的类型。
[0015]
第二方面，本技术提供了一种车辆指标异常的图示装置，该车辆指标异常的图示
装置包括：
[0016]
计算单元，用于计算车辆指标序列中任意两个指标的差值在预设时长内的方差，并根据所述方差形成车辆指标间差异矩阵；
[0017]
激活单元，用于对所述车辆指标间差异矩阵的差矩阵进行激活化，以构成灰度图；
[0018]
判断单元，用于当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常。
[0019]
一种可能的实施方式中，所述计算单元还用于：
[0020]
在时间段[t1,t2]内，获取指标xi的采样值{xi1，xi2，xi3} 和指标xj的采样值{xj1，xj2，xj3}；
[0021]
将指标xi的采样值{xi1，xi2，xi3}和指标xj的采样值{xj1， xj2，xj3}进行量纲归一化，得到量纲归一化的采样值{xi1’，xi2’， xi3’}和{xj1’，xj2’，xj3’}；
[0022]
计算{xi1
’‑
xj1’，xi2
’‑
xj2’，xi3
’‑
xj3’}的方差，以形成车辆指标间差异矩阵。
[0023]
第三方面，本技术还提供了一种电子设备，所述电子设备包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现第一方面任一项所述的方法。
[0024]
第四方面，本技术还提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行第一方面任一项所述的方法。
[0025]
本技术提供的一种车辆指标异常的图示方法、装置、设备及存储介质，计算车辆指标序列中任意两个指标的差值在预设时长内的方差，并根据所述方差形成车辆指标间差异矩阵；对所述车辆指标间差异矩阵的差矩阵进行激活化，以构成灰度图；当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常，能够通过车辆监控指标之间的相互关系，将众多监控指标以图示的方式展现给驾驶员，驾驶员根据图示上的极亮点和极暗点，对车辆的异常状态进行监控，从而快速的识别车辆是否存在异常，并且将车辆潜在故障鲜明的反应给驾驶员。
[0026]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
[0027]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
[0028]
图1为本实施例中提供的一种车辆指标异常的图示方法流程图；
[0029]
图2为本实施例中提供的一种车辆指标异常的图示装置示意图；
[0030]
图3为本技术实施例中提供的电子设备示意图；
[0031]
图4为本技术实施例中提供的计算机存储介质示意图。
具体实施方式
[0032]
这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附
权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
[0033]
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。附图所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
[0034]
参照图1，图1所示为本发明提供的一种车辆指标异常的图示方法流程图，如图1所示，一种车辆指标异常的图示方法流程图包括：
[0035]
步骤s101：计算车辆指标序列中任意两个指标的差值在预设时长内的方差，并根据所述方差形成车辆指标间差异矩阵。
[0036]
具体而言，车辆运行过程中除了累计性指标，累计里程，累计油耗外，其它监控指标之间的相对关系是比较稳定的，是存在随动关系的，比如发动机扭矩和瞬时油耗，二者存在随动关系。比如发动机进气歧管压力和进气歧管温度也存在随动关系，比如gps车速和轮速也存在随动关系，当这些有比较稳定的相互关系的监控指标之间的相互关系突然放大或者缩小时，往往反映出车辆潜在故障，通过计算车辆指标序列中任意两个指标之间的差值在预设时长内的方差，根据计算车辆指标序列中任意两个指标之间的差值在预设时长内的方差形成车辆指标间的差异矩阵。
[0037]
一实施例中，在时间段[t1,t2]内，获取指标xi的采样值{xi1， xi2，xi3}和指标xj的采样值{xj1，xj2，xj3}；将指标xi的采样值{xi1，xi2，xi3}和指标xj的采样值{xj1，xj2，xj3}进行量纲归一化，得到量纲归一化的采样值{xi1’，xi2’，xi3’}和{xj1’， xj2’，xj3’}；计算{xi1
’‑
xj1’，xi2
’‑
xj2’，xi3
’‑
xj3’}的方差，以形成车辆指标间差异矩阵。
[0038]
具体而言，在预设时长内，对车辆指标序列{x1，x2，x3，。。。， xn}中任意两个指标xi和指标xj进行计算，获得预设时间长内 xi-xj的方差，将所有的任意指标xi和xj对应的xi-xj的方差构成差异矩阵，其中该差异矩阵的第i和j个元素放置是预设时长内xi-xj的方差，其中xi是随机变量，xj是随机变量，xi-xj也是随机变量。
[0039]
一实施例中，车辆指标序列中任意指标xi在时间段[t1,t2] 内的采样取值为{xi1，xi2，xi3}，车辆指标序列中任意指标xj在时间段[t1,t2]内的采样取值为{xj1，xj2，xj3}，将[t1,t2]时间段内对车辆指标序列中任意指标xi的采样值{xi1，xi2，xi3}和车辆指标序列中任意指标xj的采样值{xj1，xj2，xj3}进行量纲归一化，得到量纲归一化的采样值{xi1’，xi2’，xi3’}和{xj1’，xj2’， xj3’}，其中’表示归一化之后的值，通过计算{xi1
’‑
xj1’，xi2
’ꢀ‑
xj2’，xi3
’‑
xj3’}的方差，以形成车辆指标间差异矩阵。
[0040]
可选的，当车辆指标间差异矩阵在第i时间段和第i+1时间段之差始终变化不大，则可以认为车辆的任意一对指标之间的随动关系保持稳定，车辆运行正常。当车辆指标间差异矩阵在第i时间段和第i+1时间段之差变化很大，则可以认为车辆的任意一对指标之间的随动关系不稳定，车辆运行异常。
[0041]
步骤s102:对所述车辆指标间差异矩阵的差矩阵进行激活化，以构成灰度图。
[0042]
具体而言，由于各个指标的量纲不同，差矩阵的每个元素值的数量级可能差别很大，如果直接作为灰度图灰度化也就是每个元素作为一个像素点，意味着像素点之间的明暗差会很大，在明暗差很大的图形中，有众多的亮点和暗点，人眼难于识别某个像素点从暗变亮或者从亮变暗。
[0043]
通过神经网络中的激活函数，将[t1,t2]时间段内对车辆指标序列中任意指标xi的采样值{xi1，xi2，xi3}和车辆指标序列中任意指标xj的采样值{xj1，xj2，xj3}进行量纲
归一化，得到量纲归一化的采样值{xi1’，xi2’，xi3’}和{xj1’，xj2’，xj3’}，通过计算{xi1
’‑
xj1’，xi2
’‑
xj2’，xi3
’‑
xj3’}的方差，以形成车辆指标间差异矩阵的差矩阵，对差矩阵进行激活化，将激活化后的差矩阵构成灰度图。
[0044]
一实施例中，根据神经网络的激活函数，将所述差异矩阵的差矩阵中的元素值映射到灰度值区间内，以构成灰度图。
[0045]
具体而言，利用神经网络中的激活函数，对差矩阵中的元素的值接近0的不激活，而对差矩阵中的元素的值显著大于0的激活，而对于差矩阵中的元素的值显著小于0的激活。
[0046]
可选的，激活化之后的差矩阵的图像化，即灰度图或者彩图化，通过神经网络激活tanh会把差矩阵中的元素的值映射到(-1，+1) 之间，随后进一步把值映射到(-1，+1)的差矩阵元素值再次映射得到[0，2]后，再次映射到灰度值为[0,256]区间内，以使通过神经网络激活化之后的差矩阵构成灰度图。
[0047]
可优选的，车辆指标序列中任意指标xi在时间段[t1,t2]内的采样取值为{xi1，xi2，xi3}，车辆指标序列中任意指标xj在时间段[t1,t2]内的采样取值为{xj1，xj2，xj3}，将[t1,t2]时间段内对车辆指标序列中任意指标xi的采样值{xi1，xi2，xi3}和车辆指标序列中任意指标xj的采样值{xj1，xj2，xj3}进行量纲归一化，得到量纲归一化的采样值{xi1’，xi2’，xi3’}和{xj1’，xj2’， xj3’}，通过计算{xi1
’‑
xj1’，xi2
’‑
xj2’，xi3
’‑
xj3’}的方差，以形成车辆指标间差异矩阵时，还可计算多种差异，每种差异构成一种颜通道，利用神经网络将差矩阵进行激活化，并将激活化后的差矩阵构成灰度图，从激活化之后的差矩阵从灰度图可以扩展为多通道或者叫多图层的彩图。
[0048]
步骤s103:当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常。
[0049]
具体而言，通过车辆监控指标之间的相互关系，将众多监控指标以图示的方式展现给驾驶员，其中具体展示方式为：将车辆指标序列中任意指标xi在时间段[t1,t2]内的采样取值为{xi1，xi2， xi3}，车辆指标序列中任意指标xj在时间段[t1,t2]内的采样取值为{xj1，xj2，xj3}，将[t1,t2]时间段内对车辆指标序列中任意指标xi的采样值{xi1，xi2，xi3}和车辆指标序列中任意指标xj 的采样值{xj1，xj2，xj3}进行量纲归一化，得到量纲归一化的采样值{xi1’，xi2’，xi3’}和{xj1’，xj2’，xj3’}，通过计算{xi1
’ꢀ‑
xj1’，xi2
’‑
xj2’，xi3
’‑
xj3’}的方差，以形成车辆指标间差异矩阵，随后根据形成的车辆指标间差异矩阵，通过神经网络中的激活函数，将[t1,t2]时间段内对车辆指标序列中任意指标xi的采样值和车辆指标序列中任意指标xj采样值进行量纲归一化，得到量纲归一化的采样值，通过计算[t1,t2]时间段内量纲归一化的 xi和xj采样值的方差，以形成车辆指标间差异矩阵的差矩阵，对差矩阵进行激活化，将激活化后的差矩阵构成灰度图。
[0050]
驾驶员根据灰度图上的极亮点和极暗点，对车辆的异常状态进行监控，从而快速的识别车辆是否存在异常，其中将车辆众多监控指标转换成灰度图能够将车辆存在故障的可能以及车辆的潜在故障鲜明的反映给驾驶员，以供驾驶员做出判断。
[0051]
一实施例中，通过肉眼直接识别所述灰度图上的极亮点或极暗点，以判断车辆是否存在故障。
[0052]
具体而言，当将车辆指标序列中任意指标xi在时间段[t1,t2] 内的采样取值和车辆指标序列中任意指标xj在时间段[t1,t2]内的采样取值，通过[t1,t2]时间段内对车辆指
标序列中任意指标xi 的采样值和车辆指标序列中任意指标xj的采样值进行量纲归一化，得到量纲归一化的采样值，通过计算量纲归一化的xi和xj采样值的方差，以形成车辆指标间差异矩阵，随后根据形成的车辆指标间差异矩阵，通过神经网络中的激活函数，将[t1,t2]时间段内对车辆指标序列中任意指标xi和车辆指标序列中任意指标xj的方差，形成车辆指标间差异矩阵的差矩阵，对差矩阵进行激活化，将激活化后的差矩阵构成灰度图。驾驶员通过肉眼直接轻松识别灰度图上的极亮点或者极暗点，根据识别灰度图上的极亮点或者极暗点判断车辆是否存在异常或故障可能。
[0053]
一实施例中，将灰度图作为神经网络算法的输入，通过神经网络算法识别所述灰度图上的极亮点或极暗点，以判断车辆是否存在故障。
[0054]
具体而言，将车辆指标序列中任意指标xi和车辆指标序列中任意指标xj在时间段[t1,t2]内的采样取值，通过[t1,t2]时间段内对车辆指标序列中任意指标xi的采样值和车辆指标序列中任意指标xj的采样值进行量纲归一化，得到量纲归一化的采样值，通过计算量纲归一化的xi和xj采样值的方差，以形成车辆指标间差异矩阵，随后根据形成的车辆指标间差异矩阵，通过神经网络中的激活函数，将[t1,t2]时间段内对车辆指标序列中任意指标xi和车辆指标序列中任意指标xj的方差，形成车辆指标间差异矩阵的差矩阵，对差矩阵进行激活化，将激活化后的差矩阵构成灰度图。将构成的灰度图作为神经网络算法的输入，通过算法来识别灰度图上极亮点和极暗点，判断车辆是否存在异常或故障可能。
[0055]
可选的，驾驶员可以根据肉眼直接识别灰度图上极亮点和极暗点的方式和通过神经网络算法识别灰度图上极亮点和极暗点的方式，识别车辆故障或可能存在故障的可能。
[0056]
一实施例中，通过构建亮点暗点与车辆故障的对应关系，以确定车辆故障的类型。
[0057]
参照图2，图2所示为本发明提供的一种车辆指标异常的图示装置示意图，如图2所示，一种车辆指标异常的图示装置包括：
[0058]
计算单元201，用于计算车辆指标序列中任意两个指标的差值在预设时长内的方差，并根据所述方差形成车辆指标间差异矩阵；
[0059]
激活单元202，用于对所述车辆指标间差异矩阵的差矩阵进行激活化，以构成灰度图；
[0060]
判断单元203，用于当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常。
[0061]
一实施例中，进一步地，计算单元201其还用于，在时间段 [t1,t2]内，获取指标xi的采样值{xi1，xi2，xi3}和指标xj的采样值{xj1，xj2，xj3}；将指标xi的采样值{xi1，xi2，xi3}和指标xj的采样值{xj1，xj2，xj3}进行量纲归一化，得到量纲归一化的采样值{xi1’，xi2’，xi3’}和{xj1’，xj2’，xj3’}；计算{xi1
’ꢀ‑
xj1’，xi2
’‑
xj2’，xi3
’‑
xj3’}的方差，以形成车辆指标间差异矩阵。
[0062]
一实施例中，进一步地，激活单元202其还用于，根据神经网络的激活函数，将所述差异矩阵的差矩阵中的元素值映射到灰度值区间内，以构成灰度图。
[0063]
一实施例中，进一步地，判断单元203其还用于，通过肉眼直接识别所述灰度图上的极亮点或极暗点，以判断车辆是否存在故障。
[0064]
一实施例中，进一步地，判断单元203其还用于，将灰度图作为神经网络算法的输入，通过神经网络算法识别所述灰度图上的极亮点或极暗点，以判断车辆是否存在故障。
[0065]
下面参照图3来描述根据本发明的这种实施方式的电子设备 300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0066]
如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320 和处理单元310)的总线330。
[0067]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
[0068]
存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)321和/或高速缓存存储单元322，还可以进一步包括只读存储单元(rom)323。
[0069]
存储单元320还可以包括具有一组(至少一个)程序模块325 的程序/实用工具324，这样的程序模块325包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0070]
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0071]
电子设备300也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口350 进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器360通过总线330与电子设备300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0072]
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，根据本公开实施方式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、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
[0073]
根据本公开的方案，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。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本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
[0074]
参考图4所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品400，其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，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
[0075]
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。
[0076]
计算机可读信号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。可读信号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。
[0077]
可读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。
[0078]
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发明操作的程序代码，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)。
[0079]
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0080]
综上所述，本技术提供的一种车辆指标异常的图示方法、装置、设备及存储介质，计算车辆指标序列中任意两个指标的差值在预设时长内的方差，并根据所述方差形成车辆指标间差异矩阵；对所述车辆指标间差异矩阵的差矩阵进行激活化，以构成灰度图；当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常，能够通过车辆监控指标之间的相互关系，将众多监控指标以图示的方式展现给驾驶员，驾驶员根据图示上的极亮点和极暗点，对车辆的异常状态进行监控，从而快速的识别车辆是否存在异常，并且将车辆潜在故障鲜明的反应给驾驶员。
[0081]
以上所述的仅是本技术的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本技术给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本技术的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作
出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

技术特征：

1.一种车辆指标异常的图示方法，其特征在于，包括：计算车辆指标序列中任意两个指标的差值在预设时长内的方差，并根据所述方差形成车辆指标间差异矩阵；对所述车辆指标间差异矩阵的差矩阵进行激活化，以构成灰度图；当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常。2.根据权利要求1所述的一种车辆指标异常的图示方法，其特征在于，所述计算车辆指标序列中任意两个指标的差值在预设时长内的方差，并根据所述方差形成车辆指标间差异矩阵，包括：在时间段[t1,t2]内，获取指标xi的采样值{xi1，xi2，xi3}和指标xj的采样值{xj1，xj2，xj3}；将指标xi的采样值{xi1，xi2，xi3}和指标xj的采样值{xj1，xj2，xj3}进行量纲归一化，得到量纲归一化的采样值{xi1’，xi2’，xi3’}和{xj1’，xj2’，xj3’}；计算{xi1
’‑
xj1’，xi2
’‑
xj2’，xi3
’‑
xj3’}的方差，以形成车辆指标间差异矩阵。3.根据权利要求1所述的一种车辆指标异常的图示方法，其特征在于，所述对所述车辆指标间差异矩阵的差矩阵进行激活化，以构成灰度图，包括：根据神经网络的激活函数，将所述差异矩阵的差矩阵中的元素值映射到灰度值区间内，以构成灰度图。4.根据权利要求1所述的一种车辆指标异常的图示方法，其特征在于，所述当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常，包括：通过肉眼直接识别所述灰度图上的极亮点或极暗点，以判断车辆是否存在故障。5.根据权利要求1所述的一种车辆指标异常的图示方法，其特征在于，所述当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常，还包括：将灰度图作为神经网络算法的输入，通过神经网络算法识别所述灰度图上的极亮点或极暗点，以判断车辆是否存在故障。6.根据权利要求1所述的一种车辆指标异常的图示方法，其特征在于：通过构建亮点暗点与车辆故障的对应关系，以确定车辆故障的类型。7.一种车辆指标异常的图示装置，其特征在于，包括：计算单元，用于计算车辆指标序列中任意两个指标的差值在预设时长内的方差，并根据所述方差形成车辆指标间差异矩阵；激活单元，用于对所述车辆指标间差异矩阵的差矩阵进行激活化，以构成灰度图；判断单元，用于当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常。8.根据权利要求7所述的一种车辆指标异常的图示装置，其特征在于，所述计算单元还用于：在时间段[t1,t2]内，获取指标xi的采样值{xi1，xi2，xi3}和指标xj的采样值{xj1，xj2，xj3}；将指标xi的采样值{xi1，xi2，xi3}和指标xj的采样值{xj1，xj2，xj3}进行量纲归一化，得到量纲归一化的采样值{xi1’，xi2’，xi3’}和{xj1’，xj2’，xj3’}；计算{xi1
’‑
xj1’，xi2
’‑
xj2’，xi3
’‑
xj3’}的方差，以形成车辆指标间差异矩阵。9.一种电子设备，其特征在于，所述电子设备，包括：
处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至6任一项所述的方法。10.一种计算机存储介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至6中任一项所述的方法。

技术总结

本发明公开了一种车辆指标异常的图示方法、装置、设备及存储介质，其中方法包括：计算车辆指标序列中任意两个指标的差值在预设时长内的方差，并根据所述方差形成车辆指标间差异矩阵；对所述车辆指标间差异矩阵的差矩阵进行激活化，以构成灰度图；当识别到所述灰度图上存在极亮点或者极暗点时，判断车辆存在异常，本申请能够通过车辆监控指标之间的相互关系，将众多监控指标以图示的方式展现给驾驶员，驾驶员根据图示上的极亮点和极暗点，对车辆的异常状态进行监控，从而快速的识别车辆是否存在异常，并且将车辆潜在故障鲜明的反应给驾驶员。驾驶员。驾驶员。