面向连接车辆的 AI 驱动预测性维护：环境上下文集成、仿真、基准测试与现场验证

连接车辆的预测性维护可降低意外故障并提高车队可靠性，但大多数现有系统仅依赖内部诊断信号，且在模拟或工业基准数据上进行验证。本文提出了一种上下文数据融合框架，将车辆内部传感器流与外部环境信号集成——包括道路质量、天气、交通密度和驾驶行为——通过 V2X 通信和第三方 API 获取，在车辆边缘端进行推理。该框架在四个层面上进行评估。在基于物理信息的合成数据集上进行的特征组消融研究显示，上下文特征带来 2.6 分的 F1 改进；移除所有上下文特征后，macro F1 从 0.855 降至 0.807。在 AI4I 2020 基准测试（10,000 个样本）上，LightGBM 在 5 折分层交叉验证下实现 AUC-ROC 0.973（SMOTE 仅限于训练折）。噪声敏感性分析显示，macro F1 在低噪声时保持在 0.88 以上，在高噪声时降至 0.74。最关键的是，该管道在来自印度、德国、巴西五辆车辆的真实遥测数据中进行验证，包含 992 次行程和 11 项可评估服务事件（从组件磨损重置在行程日志中识别）。在跨越四辆车辆的六项磨损驱动事件中，模型实现 100% 检测，平均 MAE 为 12.2 天。微调消融研究显示，基础合成模型已实现 6/6 二元检测；按车辆适应后，磨损驱动的 MAE 从 25.9 天降至 12.2 天。SHAP 分析确认，上下文特征和交互特征在预测器中排名前 15 位。基于边缘的推理将延迟从 3.5 秒降至 1.0 秒以下（相对于仅云端处理）。