CN109163913A - 一种汽车故障诊断方法及相关设备 - Google Patents
一种汽车故障诊断方法及相关设备 Download PDFInfo
- Publication number
- CN109163913A CN109163913A CN201811157529.9A CN201811157529A CN109163913A CN 109163913 A CN109163913 A CN 109163913A CN 201811157529 A CN201811157529 A CN 201811157529A CN 109163913 A CN109163913 A CN 109163913A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- tested
- failure
- failure number
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Abstract
本申请提供了一种汽车故障诊断方法及相关设备,所述方法包括:获取待检测数据,所述待检测数据为汽车故障数据;对所述待检测数据进行预处理,得到预处理数据;将所述预处理数据输入故障诊断模型以得到故障编号,其中,所述故障诊断模型为深度卷积神经网络CNN;根据所述故障编号获得诊断结果。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种汽车故障诊断方法及相关设备。
背景技术
随着汽车工业的不断发展,微型计算机控制系统已经越来越多的应用到汽车电子模块中,这对汽车的安全、可靠、动力、经济和环保等性能都有极大的提高。同时,随着各类传感器、执行器的应用,使得汽车电子结构日益复杂,也使汽车故障诊断排除越发困难,使得汽车故障诊断装置的应用越来越广泛。
汽车故障的诊断方法一般是维修人员通过各种数据传感器获取的值与标准值比较,以得到某个或某几个传感器的值不在正常值。而对于汽车这样的复杂系统,显示不正常的传感器可能不是该传感器指定的模块发生故障,维修人员往往需要通过经验判断是哪个模块发生故障,这个过程耗费大量时间,汽车维修人员维修的准确率和效率都无法得到保障。
发明内容
本申请提供了一种汽车故障诊断方法和相关设备,能够快速地定位汽车故障的位置以及故障原因。
第一方面,提供了一种汽车故障诊断方法,包括以下步骤:
获取待检测数据,所述待检测数据为汽车故障数据;
对所述待检测数据进行预处理,得到预处理数据;
将所述预处理数据输入故障诊断模型以得到故障编号,其中,所述故障诊断模型为深度卷积神经网络CNN;
根据所述故障编号获得诊断结果。
可选地,在获取待检测数据之前,所述方法还包括:
获取样本数据,所述样本数据包括样本输入数据以及样本故障编号,其中,样本输入数据与样本故障编号存在对应关系;
对所述样本输入数据进行预处理,得到预处理样本输入数据;
将所述预处理样本输入数据输入预设模型得到预测故障编号,其中,所述预设模型为深度卷积神经网络CNN;
将所述预测故障编号与样本故障编号进行对比分析,根据所述对比分析结果调整所述预设模型参数;
重复上述步骤,直至预测故障编号与样本故障编号误差为最小值,将所述预测故障编号与样本故障编号误差为最小值的预设模型确定为故障诊断模型。
可选地,所述获取待检测数据包括:以固定时间间隔获取所述待检测数据。
可选地,根据所述故障编号获得诊断结果后,所述方法还包括:
在接收到所述诊断结果为正确的情况下,存储所述待检测数据与故障编号为样本增量数据;
使用所述样本增量数据对所述故障诊断模型进行训练。
可选地,根据所述故障编号获得诊断结果后,所述方法还包括:根据所述诊断结果获取相关维修方案或维修人员的联系方式。
第二方面,提供了一种汽车故障诊断装置,包括获取单元、处理单元、匹配单元以及诊断单元:
所述获取单元用于获取待检测数据,所述待检测数据为汽车故障数据;
所述处理单元用于对所述待检测数据进行预处理,得到预处理数据;
所述匹配单元用于将所述预处理数据输入故障诊断模型以得到故障编号,其中,所述故障诊断模型为深度卷积神经网络CNN;
所述诊断单元用于根据所述故障编号获得诊断结果。
可选地,所述获取单元具体用于:以固定时间间隔获取所述待检测数据。
可选地,所述诊断单元还用于:根据所述诊断结果获取相关维修方案或维修人员的联系方式。
第三方面,提供了一种服务器,包括处理器、输入设备、输出设备和存储器,其中,所述存储器用于存储支持终端执行上述方法的计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
第四方面,提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
上述方法中,通过获取待检测数据,对所述待检测数据进行预处理,得到预处理数据,将所述预处理数据输入故障诊断模型以得到故障编号,从而根据所述故障编号获得诊断结果。通过上述方案,将汽车故障数据输入故障诊断模型得到诊断结果,从而达到实时、精准的诊断汽车故障的目的,提高了汽车维修人员维修的效率和准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的一种汽车故障诊断方法的流程示意图。
图2是本申请提供的一种汽车故障诊断方法中卷积神经网络模型的一种结构示意图;
图3是本申请提供的一种汽车故障诊断方法中卷积神经网络的卷积层卷积过程示意图;
图4是本申请提供的卷积神经网络模型中下采样层进行下采样的过程示意图;
图5是本申请提供的一种汽车故障诊断装置的结构示意图;
图6是本申请提供的一种设备的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本申请作进一步详细说明。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或描述,这是为了避免本申请的核心部分被过多的描述所淹没。对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
需要说明的是,在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
本申请实施例的汽车故障诊断方法及装置可以应用在多个领域,例如,汽车修理厂、汽车租赁公司等涉及汽车修理业务的公司,也可以作为教学辅导用具应用在汽车修理学校、培训中心等等,还可以安装在私家车中作为私人的汽车修理指导助手等等,此处不作具体限定。
图1是本申请实施例提供的一种汽车故障诊断方法的流程示意图。由图1可知,本实施例的汽车故障诊断方法包括以下步骤:
S101:获取待检测数据。
在本申请实施例中,所述待检测数据可以是汽车故障数据。其中,所述汽车故障数据可以是故障码,应理解,所述故障码是指在发动机或变速箱等车载电控系统发生故障时,系统控制单元(Electronic Control Unit,ECU)、脉冲编码调制单元(pulse codemodulation,PCM)或制动防抱死系统(Antilock Brake System,ABS)中的自诊断模块检测到系统部件故障后,存储在模块内部的专门区域如随机存取存储器(Random AccessMmemory,RAM)或者保持电流存储器(Keep Alive Memory,KAM)中的数字代码形式的故障信息;所述待检测数据还可以是从车载诊断系统(On-Board Diagnostic,OBD)获取的数据,所述OBD系统可以随时监控发动机的运行状况和尾气后处理系统的工作状态,一旦发现有可能引起排放超标的情况,会马上发出警示。当系统出现故障时,故障灯(MalfunctionIndicator Lamp,MIL)或检查发动机(Check Engine)警示灯亮,同时OBD系统会将故障信息存入存储器;所述待检测还可以是控制器局域网络(Controller Area Network,CAN)总线获取的数据。例如:车辆品牌、车型、耗油量等等,应理解,上述举例仅仅作为说明,此处不作具体限定。
在本申请实施例中,所述待检测数据是以固定时间间隔获取的,例如,每隔1秒或2秒获取待检测数据,从而达到实时获取汽车各个数据流,实时诊断汽车故障的目的。
S102:对所述待检测数据进行预处理,得到预处理数据;
在本申请实施例中,所述预处理可以是数据编码、数据采样以及数据归一化,所述数据编码可以是将待检测数据按照不同系统分类编码为数字码,其中,所述数字码可以分成三部分,分别是故障码、OBD数据以及CAN总线数据,例如:每个待检测数据为1000维数据,前100维是故障码,中间500维是OBD数据,后400维是CAN总线数据。其中,故障码是按模块分类的,例如,按照刹车系统、冷却系统、发动机系统等系统对故障码进行分类,其中,刹车系统包括n个故障码、冷却系统包括m个故障码、发动机系统包括k个故障码。刹车系统中的其中一个故障码可以编码成a=(a1,a2,…,an)的向量,其中a1代表刹车系统;a2至an可表示该刹车系统中的零部件或子系统,其中,a1至an可分别用1表示故障,用0表示正常。同理,对于冷却系统的故障码和发动机系统的故障码可参考上述刹车系统故障码的编码方式,在此不再详述。应理解,上述故障码的编码方式仅仅作为举例,并不能构成具体限定。
在本申请实施例中,所述数据采样可以是将编码后的待检测数据进行分批次采样获得多个批次的分段信号,其中,每批次采样点数保持一致。所述数据归一化可以是将每个分段信号进行归一化处理。
在本申请实施例中,所述归一化处理是指将数据映射到0-1范围内处理,也就是说,将有量纲表达式变为无量纲表达式,从而达到简化计算的目的,例如:对所述分段信号进行[0,1]归一化,即每个维度的数据做如下操作:
其中,b是归一化前的值,a是为归一化后的值,min是该维度的最小值,max是该维度的最大值。
S103:将所述预处理数据输入故障诊断模型以得到故障编号,其中,所述故障诊断模型为深度卷积神经网络CNN;
在本申请实施例中,所述故障诊断模型是预先训练好的模型,也就是说在获取待检测数据之前,就已训练好的模型,其中,所述故障诊断模型的训练步骤如下:获取样本数据,所述样本数据包括样本输入数据以及样本故障编号,其中,样本输入数据与样本故障编号存在对应关系;对所述样本输入数据进行预处理,得到预处理样本输入数据;将所述预处理样本输入数据输入预设模型得到预测故障编号,其中,所述预设模型为深度卷积神经网络CNN;将所述预测故障编号与样本故障编号进行对比分析,根据所述对比分析结果调整所述预设模型参数;重复上述步骤,直至预测故障编号与样本故障编号误差为最小值,将所述预测故障编号与样本故障编号误差为最小值的预设模型确定为故障诊断模型。可以理解的是,所述误差为最小值可以是指预测故障编号与样本故障编号完全一致,也可以是误差率小于或等于预设阈值,例如:1万个预测故障编号与样本故障编号误差率为0.1%时,此时的预设模型可以确定为故障诊断模型。
可选地,可以采用反向传播算法对上述卷积神经网络故障诊断模型进行训练,得到训练后的卷积神经网络故障诊断模型。可以理解的是,反向传播算法是神经网络有监督学习中的一种常用方法,其目标是根据训练样本的输出来估计网络参数。主要的优化参数有:卷基层中卷积核参数k、下采样层中权重系数β、全连接层中的权重系数ω以及各层的偏置值b等。通过计算实际输出与理想输出的差异,推导出一个网络参数的学习规则,使得网络中的实际输出值更加接近理想输出值。
在本申请实施例中,样本数据可以是预先存储的故障诊断样本库中的数据,所述样本库是根据人为验证过的汽车故障诊断知识建立的,所述样本库包含多种故障编号的故障,每种编号的故障对应至少一个故障码。每一个故障码对应权值均为1,使用样本数据对CNN进行不断的训练,使得每个故障码对应的权重变为不同的权重值,所述权重值反映车辆在该故障类别下的故障严重程度。当在某一故障类别中没有出现故障现象时,权重值为0。例如,在发动机启动困难这类故障中,假设有4种故障现象:现象一,发动机不转,此时获得的故障码为P0001;现象二,发动机转动但不着火,此时获得的故障码为P0002;现象三,发动机能启动但立即熄火,此时获得的故障码为P0004;现象四,正常启动,此时获得的故障码为P0005,则这四种故障码对应的权重值依次分别为1、0.8、0.3和0。应理解,上述举例仅仅用于说明,并不能构成具体限定。
在本申请实施例中,样本数据在采集过程中,为了使得样本数据能够适应不同噪声环境,对采集到的样本数据随机添加高斯噪声,在增加样本量的同时提高了样本的多样性。
在本申请实施例中,CNN模型可以包括输入层、n个卷积层、n个下采样层、全连接层和输出层。其中,n为不小于1的整数,n的具体数值可以根据需要进行设定。第一个卷积层分别与输入层和第一个下采样层相连,第i个卷积层分别与第i-1个下采样层和第i个下采样层相连,第n个下采样层与全连接层相连,全连接层与输出层相连,其中,i为大于1且不大于n的整数。例如,图2是本申请提供的一种汽车故障诊断方法的卷积神经网络模型结构图,图2所述的CNN模型包括两个卷积层和两个下采样层。应理解,图2所示的CNN故障诊断模型仅仅作为举例说明,并不能构成具体限定。
在本申请实施例中,卷积层卷积过程可以如图3所示,前一层的输入特征矩阵(n×n)与可学习的卷积核(k×k)进行二维卷积,卷积后的数据经激活函数后得到本层的输出特征矩阵(m×m),步长为t,前三者矩阵之间的维度满足输出矩阵的个数根据卷积核的个数决定。应理解,图3所示的卷积层卷积过程示意图仅仅作为举例说明,并不能构成具体限定。
在本申请实施例中,下采样层进行下采样的过程可以如图4所示,下采样层一般使用池化(polling)技术将小邻域内进行下采样得到新的特征。可以理解的是,通过对上层使用池化技术得到新的特征效果可以使得权值减少、特征维度降低,但是最后的特征效果仍保持了某些不变性,例如旋转、平移、伸缩等等均会保持不变。其中,池化方法可以是均值池化(Meanpooling)、最大池化(Max-pooling)和随机池化(Stochastic-pooling)等等,此处不作具体限定。其中,均值池化是对领域内特征点求平均值,最大池化是对领域内特征点取最大值,随机池化是对特征矩阵中得到元素按照其概率值大小随机选择,即元素值大的被选中的概率也大。应理解,图4所示的下采样层进行下采样的过程示意图仅仅作为举例说明,并不能构成具体限定。
在本申请实施例中,CNN模型可以表示为y=f(x),其中,x为预处理数据,y为故障编号,f为预处理数据和故障编号之间的映射关系,其中,映射关系f可以使用大量的样本输入数据和样本故障编号的对应关系进行训练得到。可以理解的是,CNN作为一种特殊的深层网络模型,具有局部感受野(receptive field)和权值共享(Weight sharing)两大网络特性,能够减少权值的数量,降低网络模型的复杂度,因此利用CNN故障诊断模型对汽车故障进行诊断,能够一定程度上降低故障诊断的计算复杂度。
S104:根据所述故障编号获得诊断结果。
在本申请实施例中,根据所述故障编号获得诊断结果后,在接收到所述诊断结果为正确的情况下,存储所述待检测数据与故障编号为样本增量数据;使用所述样本增量数据对所述故障诊断模型进行训练。也就是说,所述故障诊断模型是不断更新的。应理解,所述神经网络的每个训练学习阶段可以是定期进行的,也可以是不定期进行的。当样本增量数据达到预定数量时,使用样本增量数据对所述神经网络进行训练;或者,当接收到样本增量数据时,使用样本增量数据对所述神经网络进行训练。
在本申请实施例中,根据所述故障编号获得诊断结果后,根据所述诊断结果可以获取相关维修方案或维修人员的联系方式。例如,根据所述故障编号获得诊断结果为发动机故障后,设备联网获得发动机故障的相关维修方案,其中,所述方案可以是一个或者多个,或者,推荐附近的一个或者多个维修站点地址以及相关维修人员的联系方式等等,此处不作具体限定。
上述方法中,通过获取待检测数据,对所述待检测数据进行预处理,得到预处理数据,将所述预处理数据输入故障诊断模型以得到故障编号,从而根据所述故障编号获得诊断结果。通过上述方案,将汽车故障数据输入故障诊断模型得到诊断结果,从而达到实时、精准的诊断汽车故障的目的,提高了汽车维修人员维修的效率和准确率。
图5是本申请实施例提供的一种汽车故障诊断装置,所述装置包括获取单元510、处理单元520、匹配单元530以及诊断单元540。
所述获取单元510用于获取待检测数据。
在本申请实施例中,获取单元510获取的待检测数据为汽车故障数据。其中,所述汽车故障数据可以是故障码,应理解,所述故障码是指在发动机或变速箱等车载电控系统发生故障时,系统控制单元(Electronic Control Unit,ECU)、脉冲编码调制单元(pulsecode modulation,PCM)或制动防抱死系统(Antilock Brake System,ABS)中的自诊断模块检测到系统部件故障后,存储在模块内部的专门区域如随机存取存储器(Random AccessMmemory,RAM)或者保持电流存储器(Keep Alive Memory,KAM)中的数字代码形式的故障信息;所述故障码可以是从车载诊断系统(On-Board Diagnostic,OBD)获取的,所述OBD系统可以随时监控发动机的运行状况和尾气后处理系统的工作状态,一旦发现有可能引起排放超标的情况,会马上发出警示。当系统出现故障时,故障灯(Malfunction Indicator Lamp,MIL)或检查发动机(Check Engine)警示灯亮,同时OBD系统会将故障信息存入存储器;所述故障码还可以是控制器局域网络(Controller Area Network,CAN)总线获取,应理解,上述举例仅仅作为说明,此处不作具体限定。
在本申请实施例中,获取单元510获取的所述待检测数据是以固定时间间隔获取的,例如,每隔1秒或2秒获取待检测数据,从而达到实时获取汽车各个数据流,实时诊断汽车故障的目的。
所述处理单元520用于对所述待检测数据进行预处理,得预处理数据;
在本申请实施例中,所述预处理可以是数据编码、数据采样以及数据归一化,所述数据编码可以是将待检测数据按照不同系统分类编码为数字码,其中,待检测数据编码后的数字码可以分成三部分,分别是故障码、OBD数据以及CAN总线数据,例如:每个待检测数据编码后的数字码为1000维数字码,前100维是故障码,中间500维是OBD数字码,后400维是CAN总线数字码。其中,故障码是按模块分类的,例如,按照刹车系统、冷却系统、发动机系统等系统对故障码进行分类,其中,刹车系统包括n个故障码、冷却系统包括m个故障码、发动机系统包括k个故障码。刹车系统中的其中一个故障码可以编码成a=(a1,a2,…,an)的向量,其中a1代表刹车系统;a2至an可表示该刹车系统中的零部件或子系统,其中,a1至an可分别用1表示故障,用0表示正常。同理,对于冷却系统的故障码和发动机系统的故障码可参考上述刹车系统故障码的编码方式,在此不再详述。应理解,上述故障码的编码方式仅仅作为举例,并不能构成具体限定。
在本申请实施例中,所述数据采样可以是将编码后的待检测数据进行分批次采样获得多个批次的分段信号,其中,每批次采样点数保持一致。所述数据归一化可以是将每个分段信号进行归一化处理。
在本申请实施例中,所述归一化处理是指将数据映射到0-1范围内处理,也就是说,将有量纲表达式变为无量纲表达式,从而达到简化计算的目的,例如:对所述分段信号进行[0,1]归一化,即每个维度的数据做如下操作:
其中,b是归一化前的值,a是为归一化后的值,min是该维度的最小值,max是该维度的最大值。
所述匹配单元530用于将所述预处理数据输入故障诊断模型以得到故障编号,其中,所述故障诊断模型为深度卷积神经网络(Convolutional Neural Network,CNN);
在本申请实施例中,所述匹配单元530使用的故障诊断模型是预先训练好的模型,也就是说在获取待检测数据之前,就已训练好的模型,其中,所述故障诊断模型的训练步骤如下:获取样本数据,所述样本数据包括样本输入数据以及样本故障编号,其中,样本输入数据与样本故障编号存在对应关系;对所述样本输入数据进行预处理,得到预处理样本输入数据;将所述预处理样本输入数据输入预设模型得到预测故障编号,其中,所述预设模型为CNN模型;将所述预测故障编号与样本故障编号进行对比分析,根据所述对比分析结果调整所述预设模型参数;重复上述步骤,直至预测故障编号与样本故障编号误差为最小值,将所述预测故障编号与样本故障编号误差为最小值的预设模型确定为故障诊断模型。可以理解的是,所述误差为最小值可以是指预测故障编号与样本故障编号完全一致,也可以是误差率小于或等于预设阈值,例如:1万个预测故障编号与样本故障编号误差率为0.1%时,此时的预设模型可以确定为故障诊断模型。
可选地,可以采用反向传播算法对上述卷积神经网络故障诊断模型进行训练,得到训练后的卷积神经网络故障诊断模型。可以理解的是,反向传播算法是神经网络有监督学习中的一种常用方法,其目标是根据训练样本的输出来估计网络参数。主要的优化参数有:卷基层中卷积核参数k、下采样层中权重系数β、全连接层中的权重系数ω以及各层的偏倚向量b等。通过计算实际输出与理想输出的差异,推导出一个网络参数的学习规则,使得网络中的实际输出值更加接近理想输出值。
在本申请实施例中,样本数据可以是预先存储的故障诊断样本库中的数据,所述样本库是根据人为验证过的汽车故障诊断知识建立的,所述样本库包含多种故障编号的故障,每种编号的故障对应至少一个故障码。每一个故障码对应权值均为1,使用样本数据对CNN进行不断的训练,使得每个故障码对应的权重变为不同的权重值,所述权重值反映车辆在该故障类别下的故障严重程度。当在某一故障类别中没有出现故障现象时,权重值为0。例如,在发动机启动困难这类故障中,假设有4种故障现象:现象一,发动机不转,此时获得的故障码为P0001;现象二,发动机转动但不着火,此时获得的故障码为P0002;现象三,发动机能启动但立即熄火,此时获得的故障码为P0003;现象四,正常启动,此时获得的故障码为P0004,则这四种故障码对应的权重值依次分别为1、0.8、0.3和0。应理解,上述举例仅仅用于说明,并不能构成具体限定。
在本申请实施例中,样本数据在采集过程中,为了使得样本数据能够适应不同噪声环境,对采集到的样本数据随机添加高斯噪声,在增加样本量的同时提高了样本的多样性。
在本申请实施例中,所述匹配单元530使用的CNN模型可以包括输入层、n个卷积层、n个下采样层、全连接层和输出层。其中,n为不小于1的整数,n的具体数值可以根据需要进行设定。第一个卷积层分别于输入层和第一个下采样层相连,第i个卷积层分别于第i-1个下采样层和第i个下采样层相连,第n个下采样层与全连接层相连,全连接层与输出层相连,其中,i为大于1且不大于n的整数。
在本申请实施例中,CNN模型可以表示为y=f(x),其中,x为预处理数据,y为故障编号,f为预处理数据和故障编号之间的映射关系,其中,映射关系f可以使用大量的样本输入数据和样本故障编号的对应关系进行训练得到。可以理解的是,CNN作为一种特殊的深层网络模型,具有局部感受野和权值共享两大网络特性,能够减少权值的数量,降低网络模型的复杂度,因此利用CNN故障诊断模型对汽车故障进行诊断,能够一定程度上降低故障诊断的计算复杂度。
所述诊断单元540用于根据所述故障编号获得诊断结果。
在本申请实施例中,诊断单元540根据所述故障编号获得诊断结果后,在接收到所述诊断结果为正确的情况下,存储所述待检测数据与故障编号为样本增量数据;使用所述样本增量数据对所述故障诊断模型进行训练。也就是说,所述故障诊断模型是不断更新的。应理解,所述神经网络的每个训练学习阶段可以是定期进行的,也可以是不定期进行的。当样本增量数据达到预定数量时,使用样本增量数据对所述神经网络进行训练;或者,当接收到样本增量数据时,使用样本增量数据对所述神经网络进行训练。
在本申请实施例中,诊断单元540根据所述故障编号获得诊断结果后,根据所述诊断结果可以获取相关维修方案或维修人员的联系方式。例如,根据所述故障编号获得诊断结果为发动机故障后,设备联网获得发动机故障的相关维修方案,其中,所述方案可以是一个或者多个,或者,推荐附近的一个或者多个维修站点地址以及相关维修人员的联系方式等等,此处不作具体限定。
上述方法中,通过获取单元获取待检测数据,处理单元对所述待检测数据进行预处理,得到预处理数据,匹配单元将所述预处理数据输入故障诊断模型以得到故障编号,诊断单元从而根据所述故障编号获得诊断结果。通过上述方案,将汽车故障数据输入故障诊断模型得到诊断结果,从而达到实时、精准的诊断汽车故障的目的,提高了汽车维修人员维修的效率和准确率。
图6是本申请实施例提供的一种服务器示意框图。如图6所示,本实施例中的服务器可以包括:一个或多个处理器601;一个或多个输入设备602,一个或多个输出设备603和存储器604。上述处理器601、输入设备602、输出设备603和存储器604通过总线605连接。存储器602用于存储计算机程序,所述计算机程序包括程序指令,处理器601用于执行存储器602存储的程序指令。
在本申请实施例中,所称处理器601可以是中央处理单元(Central ProcessingUnit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备602可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备603可以包括显示器(LCD等)、扬声器等。
存储器604可以包括易失性存储器,例如随机存取存储器(Random AccessMmemory,RAM);存储器也可以包括非易失性存储器,例如只读存储器(Read-Only Memory,ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-StateDrive,SSD),存储器还可以包括上述种类的存储器的组合。存储器604可以采用集中式存储,也可以采用分布式存储,此处不作具体限定。可以理解的是,存储器604用于存储计算机程序,例如:计算机程序指令等。在本申请实施例中,存储器604可以向处理器601提供指令和数据。
具体实现中,本申请实施例中所描述的处理器601、输入设备602、输出设备603、存储器604、总线605可执行本申请实施例提供的汽车故障诊断方法的第一实施例和第二实施例中所描述的实现方式,在此不再赘述。
在本申请的另一实施例中提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:接收用户的匹配需求,所述匹配需求包括基本信息和需求类型;根据所述需求类型获取待匹配信息;根据所述匹配需求和所述待匹配信息,利用匹配模型进行计算得到匹配结果;将所述匹配结果发送至所述用户;接收用户确定的目标匹配结果;将所述目标匹配结果发送至对应的目标匹配信息提供方,以使所述目标匹配信息提供方和所述用户达成匹配合作意向。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的服务器、设备和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的服务器、设备和方法,可以通过其它的方式实现。例如,以上所描述的服务器实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种汽车故障诊断方法,其特征在于,包括:
获取待检测数据,所述待检测数据为汽车故障数据;
对所述待检测数据进行预处理,得到预处理数据;
将所述预处理数据输入故障诊断模型以得到故障编号,其中,所述故障诊断模型为深度卷积神经网络CNN;
根据所述故障编号获得诊断结果。
2.根据权利要求1所述的方法,其特征在于,在获取待检测数据之前,所述方法还包括:
获取样本数据,所述样本数据包括样本输入数据以及样本故障编号,其中,样本输入数据与样本故障编号存在对应关系;
对所述样本输入数据进行预处理,得到预处理样本输入数据;
将所述预处理样本输入数据输入预设模型得到预测故障编号,其中,所述预设模型为深度卷积神经网络CNN;
将所述预测故障编号与样本故障编号进行对比分析,根据所述对比分析结果调整所述预设模型参数;
重复上述步骤,直至预测故障编号与样本故障编号误差为最小值,将所述预测故障编号与样本故障编号误差为最小值的预设模型确定为故障诊断模型。
3.根据权利要求1或2所述的方法,其特征在于,所述获取待检测数据包括:
以固定时间间隔获取所述待检测数据。
4.根据权利要求1所述的方法,其特征在于,根据所述故障编号获得诊断结果后,所述方法还包括:
在接收到所述诊断结果为正确的情况下,存储所述待检测数据与故障编号为样本增量数据;
使用所述样本增量数据对所述故障诊断模型进行训练。
5.根据权利要求1所述的方法,其特征在于,根据所述故障编号获得诊断结果后,所述方法还包括:
根据所述诊断结果获取相关维修方案或维修人员的联系方式。
6.一种汽车故障诊断装置,其特征在于,包括获取单元、处理单元、匹配单元以及诊断单元:
所述获取单元用于获取待检测数据,所述待检测数据为汽车故障数据;
所述处理单元用于对所述待检测数据进行预处理,得到预处理数据;
所述匹配单元用于将所述预处理数据输入故障诊断模型以得到故障编号,其中,所述故障诊断模型为深度卷积神经网络CNN;
所述诊断单元用于根据所述故障编号获得诊断结果。
7.根据权利要求6所述的装置,其特征在于,所述获取单元具体用于:
以固定时间间隔获取所述待检测数据。
8.根据权利要求6所述的装置,其特征在于,所述诊断单元还用于:
根据所述诊断结果获取相关维修方案或维修人员的联系方式。
9.一种汽车故障诊断装置,其特征在于,包括:处理器和存储器,所述处理器与所述存储器通过线路互联,所述存储器中存储有程序指令;所述程序指令被所述处理器执行时,使所述处理器执行如权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被所述汽车故障诊断装置的处理器执行时,使所述处理器执行权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811157529.9A CN109163913B (zh) | 2018-09-30 | 2018-09-30 | 一种汽车故障诊断方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811157529.9A CN109163913B (zh) | 2018-09-30 | 2018-09-30 | 一种汽车故障诊断方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109163913A true CN109163913A (zh) | 2019-01-08 |
CN109163913B CN109163913B (zh) | 2021-02-09 |
Family
ID=64877509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811157529.9A Active CN109163913B (zh) | 2018-09-30 | 2018-09-30 | 一种汽车故障诊断方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109163913B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919776A (zh) * | 2018-06-19 | 2018-11-30 | 深圳市元征科技股份有限公司 | 一种故障评估方法及终端 |
CN109934358A (zh) * | 2019-01-30 | 2019-06-25 | 中国人民解放军32181部队 | 装备故障预测和健康评估方法、系统及终端设备 |
CN111045875A (zh) * | 2019-11-08 | 2020-04-21 | 深圳市元征科技股份有限公司 | 车辆事故检测方法及相关设备 |
CN111123087A (zh) * | 2019-12-24 | 2020-05-08 | 深圳供电局有限公司 | 配电网开关设备故障检测方法、装置和计算机设备 |
CN111310825A (zh) * | 2020-02-14 | 2020-06-19 | 逸驾智能科技有限公司 | 用于分析汽车故障的方法和装置 |
CN111325257A (zh) * | 2020-02-14 | 2020-06-23 | 逸驾智能科技有限公司 | 用于分析汽车故障的方法和装置 |
CN111325262A (zh) * | 2020-02-14 | 2020-06-23 | 逸驾智能科技有限公司 | 用于分析汽车故障的方法和装置 |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111795835A (zh) * | 2020-06-30 | 2020-10-20 | 北京汽车研究总院有限公司 | 车辆的监测方法、装置及车载设备 |
CN111860184A (zh) * | 2020-06-23 | 2020-10-30 | 广东省特种设备检测研究院珠海检测院 | 一种自动扶梯机械故障诊断方法和系统 |
CN112132285A (zh) * | 2020-09-28 | 2020-12-25 | 湖南行必达网联科技有限公司 | 车辆故障诊断方法及装置 |
WO2021023097A1 (zh) * | 2019-08-02 | 2021-02-11 | 深圳市道通科技股份有限公司 | 一种汽车维修方法、装置及其系统 |
CN112463422A (zh) * | 2020-11-04 | 2021-03-09 | 鸬鹚科技(苏州)有限公司 | 物联网故障运维方法、装置、计算机设备及存储介质 |
CN112797157A (zh) * | 2021-04-14 | 2021-05-14 | 盛瑞传动股份有限公司 | 一种变速箱故障诊断系统及其构建方法和存储介质 |
CN114326659A (zh) * | 2021-12-10 | 2022-04-12 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种汽车电子控制单元故障诊断系统及方法 |
CN114740815A (zh) * | 2021-01-07 | 2022-07-12 | 长沙中车智驭新能源科技有限公司 | 基于神经网络的客车故障诊断方法、装置和电子设备 |
CN115234371A (zh) * | 2021-06-01 | 2022-10-25 | 广州汽车集团股份有限公司 | 车辆发动机热管理诊断方法、装置、设备及存储介质 |
CN115796636A (zh) * | 2022-10-19 | 2023-03-14 | 江苏领悟信息技术有限公司 | 一种用于检测检查的双随机抽取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3624390B2 (ja) * | 1996-03-29 | 2005-03-02 | 西日本旅客鉄道株式会社 | 鉄道用軌道の異常検知方法および異常検知装置 |
CN104502126A (zh) * | 2014-12-28 | 2015-04-08 | 华东交通大学 | 一种基于模态区间的高速列车转向架故障诊断方法 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN108197014A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 故障诊断方法、装置及计算机设备 |
CN108323189A (zh) * | 2017-07-14 | 2018-07-24 | 深圳市元征科技股份有限公司 | 车辆诊断方法、终端设备及计算机可读存储介质 |
-
2018
- 2018-09-30 CN CN201811157529.9A patent/CN109163913B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3624390B2 (ja) * | 1996-03-29 | 2005-03-02 | 西日本旅客鉄道株式会社 | 鉄道用軌道の異常検知方法および異常検知装置 |
CN104502126A (zh) * | 2014-12-28 | 2015-04-08 | 华东交通大学 | 一种基于模态区间的高速列车转向架故障诊断方法 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN108323189A (zh) * | 2017-07-14 | 2018-07-24 | 深圳市元征科技股份有限公司 | 车辆诊断方法、终端设备及计算机可读存储介质 |
CN108197014A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 故障诊断方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
陈如清等: "基于递归神经网络的旋转机械故障诊断方法", 《振动、测试与诊断》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919776B (zh) * | 2018-06-19 | 2021-04-09 | 深圳市元征科技股份有限公司 | 一种故障评估方法及终端 |
CN108919776A (zh) * | 2018-06-19 | 2018-11-30 | 深圳市元征科技股份有限公司 | 一种故障评估方法及终端 |
CN109934358A (zh) * | 2019-01-30 | 2019-06-25 | 中国人民解放军32181部队 | 装备故障预测和健康评估方法、系统及终端设备 |
WO2021023097A1 (zh) * | 2019-08-02 | 2021-02-11 | 深圳市道通科技股份有限公司 | 一种汽车维修方法、装置及其系统 |
CN111045875A (zh) * | 2019-11-08 | 2020-04-21 | 深圳市元征科技股份有限公司 | 车辆事故检测方法及相关设备 |
CN111045875B (zh) * | 2019-11-08 | 2023-06-02 | 深圳市元征科技股份有限公司 | 车辆事故检测方法及相关设备 |
CN111123087A (zh) * | 2019-12-24 | 2020-05-08 | 深圳供电局有限公司 | 配电网开关设备故障检测方法、装置和计算机设备 |
CN111310825A (zh) * | 2020-02-14 | 2020-06-19 | 逸驾智能科技有限公司 | 用于分析汽车故障的方法和装置 |
CN111325262A (zh) * | 2020-02-14 | 2020-06-23 | 逸驾智能科技有限公司 | 用于分析汽车故障的方法和装置 |
CN111325257A (zh) * | 2020-02-14 | 2020-06-23 | 逸驾智能科技有限公司 | 用于分析汽车故障的方法和装置 |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111414477B (zh) * | 2020-03-11 | 2024-02-13 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111860184A (zh) * | 2020-06-23 | 2020-10-30 | 广东省特种设备检测研究院珠海检测院 | 一种自动扶梯机械故障诊断方法和系统 |
CN111860184B (zh) * | 2020-06-23 | 2024-04-16 | 广东省特种设备检测研究院珠海检测院 | 一种自动扶梯机械故障诊断方法和系统 |
CN111795835A (zh) * | 2020-06-30 | 2020-10-20 | 北京汽车研究总院有限公司 | 车辆的监测方法、装置及车载设备 |
CN112132285A (zh) * | 2020-09-28 | 2020-12-25 | 湖南行必达网联科技有限公司 | 车辆故障诊断方法及装置 |
CN112463422A (zh) * | 2020-11-04 | 2021-03-09 | 鸬鹚科技(苏州)有限公司 | 物联网故障运维方法、装置、计算机设备及存储介质 |
CN114740815A (zh) * | 2021-01-07 | 2022-07-12 | 长沙中车智驭新能源科技有限公司 | 基于神经网络的客车故障诊断方法、装置和电子设备 |
CN112797157B (zh) * | 2021-04-14 | 2021-07-30 | 盛瑞传动股份有限公司 | 一种变速箱故障诊断系统及其构建方法和存储介质 |
CN112797157A (zh) * | 2021-04-14 | 2021-05-14 | 盛瑞传动股份有限公司 | 一种变速箱故障诊断系统及其构建方法和存储介质 |
CN115234371A (zh) * | 2021-06-01 | 2022-10-25 | 广州汽车集团股份有限公司 | 车辆发动机热管理诊断方法、装置、设备及存储介质 |
CN115234371B (zh) * | 2021-06-01 | 2023-09-05 | 广州汽车集团股份有限公司 | 车辆发动机热管理诊断方法、装置、设备及存储介质 |
CN114326659A (zh) * | 2021-12-10 | 2022-04-12 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种汽车电子控制单元故障诊断系统及方法 |
CN115796636A (zh) * | 2022-10-19 | 2023-03-14 | 江苏领悟信息技术有限公司 | 一种用于检测检查的双随机抽取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109163913B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109163913A (zh) | 一种汽车故障诊断方法及相关设备 | |
JP7167009B2 (ja) | 自動車保証の不正の予測のためのシステム及び方法 | |
CN107918382B (zh) | 一种汽车故障诊断方法、汽车故障诊断装置及电子设备 | |
CN106843190B (zh) | 分布式车辆健康管理系统 | |
CN109581871B (zh) | 免疫对抗样本的工业控制系统入侵检测方法 | |
CN102245437B (zh) | 车辆的故障诊断装置 | |
US6950782B2 (en) | Model-based intelligent diagnostic agent | |
CN111414477A (zh) | 车辆故障自动诊断方法、装置以及设备 | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
CN106650505A (zh) | 一种车辆攻击检测方法和装置 | |
US20230013544A1 (en) | Method, Apparatus and System for Detecting Abnormal Operating States of a Device | |
US20170024943A1 (en) | System and Method for Service Assessment | |
CN109101010A (zh) | 一种汽车故障诊断方法及相关设备 | |
CN102262404A (zh) | 整车下线配置系统及其配置方法 | |
US11210870B2 (en) | On-board diagnostic monitor planning and execution | |
US20200066062A1 (en) | Method and system for vehicle analysis | |
CN109724812A (zh) | 车辆故障预警的方法、装置、存储介质和终端设备 | |
CN108919776A (zh) | 一种故障评估方法及终端 | |
CN114900331A (zh) | 基于can报文特征的车载can总线入侵检测方法 | |
CN115079663A (zh) | 一种基于数字孪生技术的车辆动力系统的监控方法及装置 | |
CN108376288B (zh) | 基于大数据技术的电动汽车维护方法及设备 | |
CN116048055A (zh) | 车辆故障检测方法、装置和存储介质 | |
Kang et al. | A transfer learning based abnormal can bus message detection system | |
US11810409B2 (en) | Automotive network vehicle bus diagnostics | |
KR101505975B1 (ko) | 엔진 고장 진단 방법 및 고장 진단 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |