CN109948812A - 确定故障原因的方法、装置、存储介质及电子设备 - Google Patents
确定故障原因的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109948812A CN109948812A CN201910146877.4A CN201910146877A CN109948812A CN 109948812 A CN109948812 A CN 109948812A CN 201910146877 A CN201910146877 A CN 201910146877A CN 109948812 A CN109948812 A CN 109948812A
- Authority
- CN
- China
- Prior art keywords
- fault
- target
- determining
- size data
- measuring point
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 4
- 230000002427 irreversible effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229930091051 Arenine Natural products 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及一种确定故障原因的方法、装置、存储介质及电子设备，可以获取车辆多个故障测点的时间序列尺寸数据，所述时间序列尺寸数据包括每个所述故障测点在不同时间的车身尺寸数据；根据所述时间序列尺寸数据通过预设聚类算法对多个所述故障测点进行聚类；根据聚类结果确定每个类别分别对应的目标故障测点；从所述时间序列尺寸数据中确定每个所述目标故障测点分别对应的目标时间序列尺寸数据，并根据所述目标时间序列尺寸数据确定每个所述目标故障测点分别对应的故障原因。
Description
技术领域
本公开涉及车辆生产领域，具体地，涉及一种确定故障原因的方法、装置、存储介质及电子设备。
背景技术
在车辆生产的过程中，车身生产环节众多，工序复杂，环环相扣，车身尺寸精度的好坏直接影响车辆最终的装配结果，在测量车辆尺寸时，可以在车身上预先设置多个测点，然后利用三坐标测量仪在每个预设测点测量车辆尺寸，但考虑到车身上布置的测点数目众多，通常会超过1000个，若再考虑每个测点在不同方向上的偏差，则尺寸特征数量更大，如果对每个故障测点都进行故障分析和跟踪处理，不仅会增加工作量，也会降低工作效率。
发明内容
本公开提供一种确定故障原因的方法、装置、存储介质及电子设备。
第一方面，提供一种确定故障原因的方法，所述方法包括：获取车辆多个故障测点的时间序列尺寸数据，所述时间序列尺寸数据包括每个所述故障测点在不同时间的车身尺寸数据；根据所述时间序列尺寸数据通过预设聚类算法对多个所述故障测点进行聚类；根据聚类结果确定每个类别分别对应的目标故障测点；从所述时间序列尺寸数据中确定每个所述目标故障测点分别对应的目标时间序列尺寸数据，并根据所述目标时间序列尺寸数据确定每个所述目标故障测点分别对应的故障原因。
可选地，所述根据所述时间序列尺寸数据通过预设聚类算法对多个所述故障测点进行聚类包括：计算每个所述故障测点分别对应的所述时间序列尺寸数据的特征参数；根据所述特征参数通过所述预设聚类算法对多个所述故障测点进行聚类。
可选地，所述根据聚类结果确定每个类别分别对应的目标故障测点包括：将每个类别的聚类中心点确定为所述目标故障测点。
可选地，所述根据所述目标时间序列尺寸数据确定每个所述目标故障测点分别对应的故障原因包括：根据所述目标时间序列尺寸数据确定每个所述目标故障测点的目标尺寸变化曲线，所述目标尺寸变化曲线包括所述目标故障测点的尺寸数据与时间的对应关系；获取预设故障原因对应关系，所述预设故障原因对应关系包括尺寸变化曲线的曲线形状与故障原因的对应关系；根据所述目标尺寸变化曲线的曲线形状通过所述预设故障原因对应关系确定每个所述目标故障测点分别对应的故障原因。
第二方面，提供一种确定故障原因的装置，所述装置包括：获取模块，用于获取车辆多个故障测点的时间序列尺寸数据，所述时间序列尺寸数据包括每个所述故障测点在不同时间的车身尺寸数据；聚类模块，用于根据所述时间序列尺寸数据通过预设聚类算法对多个所述故障测点进行聚类；目标故障测点确定模块，用于根据聚类结果确定每个类别分别对应的目标故障测点；故障原因确定模块，用于从所述时间序列尺寸数据中确定每个所述目标故障测点分别对应的目标时间序列尺寸数据，并根据所述目标时间序列尺寸数据确定每个所述目标故障测点分别对应的故障原因。
可选地，所述聚类模块，用于计算每个所述故障测点分别对应的所述时间序列尺寸数据的特征参数；根据所述特征参数通过所述预设聚类算法对多个所述故障测点进行聚类。
可选地，所述目标故障测点确定模块，用于将每个类别的聚类中心点确定为所述目标故障测点。
可选地，所述故障原因确定模块，用于根据所述目标时间序列尺寸数据确定每个所述目标故障测点的目标尺寸变化曲线，所述目标尺寸变化曲线包括所述目标故障测点的尺寸数据与时间的对应关系；获取预设故障原因对应关系，所述预设故障原因对应关系包括尺寸变化曲线的曲线形状与故障原因的对应关系；根据所述目标尺寸变化曲线的曲线形状通过所述预设故障原因对应关系确定每个所述目标故障测点分别对应的故障原因。
第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面所述方法的步骤。
第四方面，提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，获取车辆多个故障测点的时间序列尺寸数据，所述时间序列尺寸数据包括每个所述故障测点在不同时间的车身尺寸数据；根据所述时间序列尺寸数据通过预设聚类算法对多个所述故障测点进行聚类；根据聚类结果确定每个类别分别对应的目标故障测点；从所述时间序列尺寸数据中确定每个所述目标故障测点分别对应的目标时间序列尺寸数据，并根据所述目标时间序列尺寸数据确定每个所述目标故障测点分别对应的故障原因，又因为同一类别的故障测点所对应的故障原因相同，因此，采用本公开提供的确定故障原因的方法，可以仅通过对每个类别中的该目标故障测点进行故障分析即可确定全部故障测点的故障原因，从而避免了对每个故障测点都进行故障跟踪处理的复杂过程，降低工作量的同时，也可以提高工作效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的第一种确定故障原因的方法的流程图；
图2是根据一示例性实施例示出的第二种确定故障原因的方法的流程图；
图3是根据一示例性实施例示出的一种确定故障原因的装置的框图；
图4是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
本公开提供一种确定故障原因的方法、装置、存储介质及电子设备，由于同一故障原因的故障测点，所对应的车身尺寸数据变化曲线的形状是相似的，以这种相似性为基础，同一故障原因的故障测点可以形成一个簇，因此，在本公开中，可以首先获取车辆多个故障测点的时间序列尺寸数据，然后根据该时间序列尺寸数据通过预设聚类算法对多个故障测点进行聚类，并根据聚类结果确定每个类别对应的目标故障测点，该目标故障测点可以视为同一故障原因的故障中心点，这样可以根据每个该目标故障测点分别对应的目标时间序列尺寸数据确定每个该目标故障测点分别对应的故障原因，又因为同一簇类的故障测点所对应的故障原因相同，因此，采用本公开提供的确定故障原因的方法，可以仅通过对每个簇类中的该目标故障测点进行故障分析即可确定全部故障测点的故障原因，从而避免了对每个故障测点都进行故障跟踪处理的复杂过程，降低工作量的同时，也可以提高工作效率。
图1是根据一示例性实施例示出的一种识别车辆尺寸故障根源的方法的流程图，如图1所示，该方法包括以下步骤：
在步骤101中，获取车辆多个故障测点的时间序列尺寸数据，该时间序列尺寸数据包括每个该故障测点在不同时间的车身尺寸数据。
在测量车辆尺寸时，可以在车身上预先设置多个测点，然后利用三坐标测量仪在每个预设测点测量车辆尺寸，得到多个尺寸数据，该故障测点可以包括多个预设测点中尺寸偏差超差的测点，该时间序列尺寸数据可以包括按照预设周期采集的车辆在该多个故障测点的车身尺寸数据，例如，该预设周期可以为一天，另外，该时间序列尺寸数据也可以包括预测得出的故障测点在不同时间的车身尺寸数据。
示例地，假设在测量车辆尺寸时，在车身上设置了1000个测点，其中有100个测点的尺寸数据的偏差属于超差，则该尺寸数据的偏差属于超差的该100个测点即为该故障测点，当该预设周期为一天时，可以获取历史时间内最近365天内每天采集的该100个测点的车身尺寸数据作为该时间序列尺寸数据，在本示例中，该时间序列尺寸数据可以用下述矩阵Data表示，并且矩阵Data中，每一行的车身尺寸数据分别对应一个故障测点的时间序列尺寸数据，矩阵元素ai_j表示在第j天采集的第i个故障测点的车身尺寸数据，在本示例中，i的取值范围为1到100，j的取值范围为1到365，另外，考虑到实际的应用场景中，一天内在同一个测点一般会测量多次车辆尺寸，通常情况下，一组尺寸数据的平均值可以表示该组尺寸数据的整体质量水平，因此，ai_j可以是在第j天在第i个故障测点测量的多次车辆尺寸的平均值，上述示例也只是举例说明，本公开对此不作限定。
其中，
在步骤102中，根据该时间序列尺寸数据通过预设聚类算法对多个该故障测点进行聚类。
其中，该预设聚类算法可以包括K中心点算法(K-mediods)、K均值算法(K-means)等聚类算法，另外，在预先设置该聚类算法时，需要预先设置该聚类算法中的聚类簇数(该聚类簇数即为类别数，可以用K表示)，并且需要对聚类中心点进行初始化，例如，可以在多个故障测点中随机选择K个故障测点作为初始化的该聚类中心点。
在一种可能的实现方式中，可以根据尺寸故障经验预设设置该聚类簇数，具体地，可以根据该尺寸故障经验确定导致车辆尺寸故障的故障原因，获取该故障原因的种类数，并根据该种类数预先设置该聚类簇数，例如，根据该尺寸故障经验可以确定通常情况下该故障原因可以包括定位销松动、偶发缺陷碰撞、不可逆设备故障、不同班次操作差异这四种故障原因，此时，该聚类簇数可以设置为4，当根据该尺寸故障经验确定上述四种故障原因中，偶发缺陷碰撞这种原因属于偶发状况时，可以将该原因排除，此时，该聚类簇数可以设置为3，也就是说，可以根据尺寸故障经验确定该聚类簇数的多个备选值(如K＝3或者K＝4)，在设置该聚类簇数时，可以获取不同应用场景下的样本数据，然后采用聚类的算法对该样本数据进行聚类，并根据聚类结果计算每个备选值分别对应的轮廓系数，由于轮廓系数的值域为[-1,1]，并且，该轮廓系数越趋近于1，表明该聚类后的聚类结果越准确，因此，可以将更接近1的轮廓系数对应的备选值作为该预设聚类簇数，其中，计算该轮廓系数的具体实现方式可以参考现有技术中的相关描述，在此不再赘述。
在本步骤中，可以计算每个该故障测点分别对应的该时间序列尺寸数据的特征参数，然后根据该特征参数通过该预设聚类算法对多个该故障测点进行聚类。
其中，该特征参数可以包括方差、标准差、最大值、最小值、极差、偏度、峰度、截断均值、变异系数等参数，这里，方差和标准差可以用于表示每个故障测点的车身尺寸数据与本故障测点的平均车身尺寸数据之间的差异，极差为最大值和最小值之差，可以用于表示一组车身尺寸数据的离散程度，偏度可以用于表示车身尺寸数据分布的非对称程度，峰度可以用于表征概率密度分布曲线在平均值处峰值高低的特征数，变异系数也可以用于表示一组车身尺寸数据的离散程度，也就是说，上述特征参数可以更好的描述每个故障测点对应的一组车身尺寸数据分布特征，这样，在根据该特征参数对多个该故障测点进行聚类时，可以提高聚类的准确性，另外，在本步骤中，可以根据现有技术中的相关计算方法计算上述特征参数，在此不作赘述。
下面以该预设聚类算法为K中心点算法为例对根据该特征参数通过该预设聚类算法对多个该故障测点进行聚类的具体实现过程进行说明：
在步骤1021中，获取预先设置的聚类簇数，该聚类簇数可以用K表示。
在步骤1022中，在多个该故障测点中随机选取K个故障测点作为每个类别分别对应的聚类中心点。
在步骤1023中，将多个该故障测点中除该聚类中心点外的其它故障测点确定为第一故障测点，并计算待聚类故障测点(该待聚类故障测点为该第一故障测点中的任一故障测点)与每个聚类中心点的第一距离(如欧式距离)，并将该待聚类故障测点放入该第一距离最近的聚类中心点所在的类别。
在步骤1024中，根据当前的聚类结果计算每个类别新的聚类中心点。
在步骤1025中，确定该新的聚类中心点与原聚类中心点是否相同，并记录当前的循环次数。
在确定该新的聚类中心点与原聚类中心点不相同时，并且当前的循环次数未达到预设循环次数阈值(例如可以设置为1000次)时，将每个类别分别对应的聚类中心点更新为新的聚类中心点，并重新执行步骤1022至1025，直至确定该新的聚类中心点与原聚类中心点相同或者当前的循环次数达到该预设循环次数阈值，这样，按照上述聚类方法可以将每个故障测点全部划分至对应的类别中。
示例地，假设在执行步骤101后，获取到的该时间序列尺寸数据为在历史时间的最近365天内每天采集的车辆100个故障测点的车身尺寸数据，为便于描述，该时间序列尺寸数据可以用矩阵Data表示(如公式1所示)，假设该特征参数为方差、标准差、最大值、最小值、极差、偏度、峰度、截断均值、变异系数九个参数，在执行步骤102后，可以计算得到该100个故障测点中每个故障测点分别对应的该时间序列尺寸数据的特征参数，具体地，第一个故障测点的时间序列尺寸数据为D1＝[a1_1,a1_2,......,a1_365]，计算D1对应的该特征参数为[X1，X2，X3，X4，X5，X6，X7，X8，X9]，其中，X1表示方差，X2表示标准差，X3表示最大值，X4表示最小值，X5表示极差，X6表示偏度，X7表示峰度，X8表示截断均值，X9表示变异系数，同理，可以计算得到第二个故障测点的时间序列尺寸数据D2对应的上述九个该特征参数，其中，D2＝[a2_1,a2_2,......,a2_365]，以此类推，可以计算上述100个故障测点中每个故障测点分别对应的上述九个特征参数，在本示例中为便于描述，对应该时间序列尺寸数据Data的特征参数可以表示为矩阵Feature(如公式2)，并且矩阵Feature中，每一行分别对应同一故障测点的上述九个特征参数，矩阵元素fi_j表示在第i个故障测点的第j个特征参数，在本示例中，i的取值范围为1到100，j的取值范围为1到9。
其中，
这样，在计算得到该100个故障测点分别对应的该时间序列尺寸数据的特征参数后，可以根据该特征参数通过该K中心点算法对该100个故障测点进行聚类，具体地，假设预先设置的聚类簇数为4(即为K＝4)，首先可以在该100个故障测点中随机选择4个故障测点为每个类别分别对应的该聚类中心点，假设随机选择了第1个故障测点、第9个故障测点、第25个故障测点以及第80个故障测点为该四个聚类中心点，此时，将该100个故障测点中除上述4个故障测点外的其它故障测点确定为该第一故障测点(在本示例中有96个该第一故障测点)，并计算待聚类故障测点(该待聚类故障测点为该第一故障测点中的任一故障测点)与每个聚类中心点的该第一距离(如欧式距离)，并将该待聚类故障测点放入该第一距离最近的聚类中心点所在的类别，以该待聚类故障测点为第2个故障测点为例，该待聚类故障测点对应的特征参数为[f2_1,f2_2,......,f2_9]，上述四个聚类中心点中，第1个故障测点(可以用O1表示)的特征参数为[f1_1,f1_2,......,f1_9]，第9个故障测点(可以用O9表示)的特征参数为[f9_1,f9_2,......,f9_9]，第25个故障测点(可以用O25表示)的特征参数为[f25_1,f25_2,......,f25_9]，第80个故障测点(可以用O80表示)的特征参数为[f80_1,f80_2,......,f80_9]，分别计算该第2个故障测点与上述四个聚类中心点的欧式距离，其计算过程如下：
其中，Li_j表示第i个故障测点与第j个故障测点的欧式距离，假设上述四个距离中L2_1值最小，则可以将该第2个故障测点划分至聚类中心点为第1个故障测点所在的类别，同理，可以将其它第一故障测点全部划分至对应的类别中，然后，根据当前的聚类结果计算每个类别中新的聚类中心点，并在确定新的聚类中心点与原聚类中心点不同，并且当前的循环次数未达到预设循环次数阈值时按照上述方法重新进行聚类，直至确定该新的聚类中心点与原聚类中心点相同或者当前的循环次数达到该预设循环次数阈值，这样，按照上述聚类方法可以该100个故障测点全部划分至对应的类别中，上述示例也只是举例说明，本公开对此不作限定。
在根据当前的聚类结果计算每个类别中新的聚类中心点时，可以按照以下步骤进行：首先，根据特征参数分别计算每个类别中的故障测点的均值点，然后计算同类别中的每个故障测点与该均值点的第二距离(如欧式距离)，将该第二距离最小的该故障测点作为对应类别的新的聚类中心点，例如，原聚类中心点为(O1，O9，O25，O80)，并且执行第一次循环后，对应的聚类结果为：原聚类中心点为O1所在的类别的故障测点为(O1，O2，O3)；原聚类中心点为O9所在的类别的故障测点为(O8，O9，O10)；原聚类中心点为O25所在的类别的故障测点为(O23，O24，O25)；原聚类中心点为O80所在的类别的故障测点为(O78，O79，O80)，在计算O1所在的类别的新的聚类中心点时，可以根据O1，O2，O3三个故障测点的特征参数计算O1，O2，O3三个故障测点的均值点(例如，O1的特征参数为[f1_1,f1_2,......,f1_9]，O2的特征参数为[f2_1,f2_2,......,f2_9]，O3的特征参数为[f3_1,f3_2,......,f3_9]，则O1，O2，O3三个故障测点的均值点为O0，其中O0的特征参数为[f0_1,f0_2,......,f0_9]，并且，
然后分别计算O1，O2，O3三个故障测点与均值点O0的该第二距离，将该第二距离最小的故障测点作为原聚类中心点O1所在的类别的新的聚类中心点，上述示例只是举例说明，本公开对此不作限定。
在步骤103中，根据聚类结果确定每个类别分别对应的目标故障测点。
其中，该目标故障测点可以包括与同类别的故障测点故障原因相同的故障测点，在本步骤中，可以将每个类别的聚类中心点确定为该目标故障测点，该聚类中心点为同类别的故障测点中的其中一点。
考虑到同一故障原因产生的故障测点的尺寸数据变化曲线的形状是相似的，以这种相似性为基础，因同一故障原因产生的故障测点尺寸数据变化曲线形状相互接近从而形成一个簇，可视为以聚类中心点为中心的一个聚类，此时，仅需对该聚类中心点对应的故障测点做故障分析和处理，即可得出同类别的故障测点的故障原因，从而大量减少工作量，提升工作效率。
在步骤104中，从该时间序列尺寸数据中确定每个该目标故障测点分别对应的目标时间序列尺寸数据，并根据该目标时间序列尺寸数据确定每个该目标故障测点分别对应的故障原因。
在本步骤中，可以根据该目标时间序列尺寸数据确定每个该目标故障测点的目标尺寸变化曲线，该目标尺寸变化曲线包括该目标故障测点的尺寸数据与时间的对应关系；获取预设故障原因对应关系，该预设故障原因对应关系包括尺寸变化曲线的曲线形状与故障原因的对应关系；根据该目标尺寸变化曲线的曲线形状通过该预设故障原因对应关系确定每个该目标故障测点分别对应的故障原因。
其中，该故障原因可以包括定位销松动、偶发缺陷碰撞、不可逆设备故障、不同班次操作差异等原因，在一种可能的实现方式中，该预设故障原因对应关系可以为：曲线形状为线性波形时对应的故障原因为定位销松动，此种故障原因下对应的处理措施为加强夹具；曲线形状为单点突变类波形时对应的故障原因为偶发缺陷碰撞，此种故障原因下对应的处理措施为更换定位销；曲线形状为阶跃波形时对应的故障原因为不可逆设备故障，此种故障原因下对应的处理措施为检查零件来源；曲线形状为锯齿波形时对应的故障原因为不同班次操作差异，此种故障原因下对应的处理措施为加强标准化作业，这样，可以根据该目标尺寸变化曲线的曲线形状和该预设故障原因对应关系确定每个该目标故障测点分别对应的故障原因，进而可以确定每个类别中的各故障测点分别对应的该故障原因，并根据对应的处理措施进行故障处理，以便减小故障率，提高工作效率的同时也能减少生产成本。
采用上述方法，可以仅通过对每个类别中的该目标故障测点进行故障分析即可确定全部故障测点的故障原因，从而避免了对每个故障测点都进行故障跟踪处理的复杂过程，降低工作量的同时，也可以提高工作效率。
图2是根据一示例性实施例示出的一种确定故障原因的方法的流程图，如图2所示，该方法包括以下步骤：
在步骤201中，获取车辆多个故障测点的时间序列尺寸数据，该时间序列尺寸数据包括每个该故障测点在不同时间的车身尺寸数据。
在测量车辆尺寸时，可以在车身上预先设置多个测点，然后利用三坐标测量仪在每个预设测点测量车辆尺寸，得到多个尺寸数据，该故障测点可以包括多个预设测点中尺寸偏差超差的测点，该时间序列尺寸数据可以包括按照预设周期采集的车辆在该多个故障测点的车身尺寸数据，例如，该预设周期可以为一天，另外，该时间序列尺寸数据也可以包括预测得出的故障测点在不同时间的车身尺寸数据，本步骤的具体示例可以参考实施例一中步骤101中的相关描述，在此不再赘述。
在本实施例中，可以通过执行步骤202和步骤203，根据该时间序列尺寸数据通过预设聚类算法对多个该故障测点进行聚类，其中，该预设聚类算法可以包括K中心点算法(K-mediods)、K均值算法(K-means)等聚类算法。
在步骤202中，计算每个该故障测点分别对应的该时间序列尺寸数据的特征参数。
其中，该特征参数可以包括方差、标准差、最大值、最小值、极差、偏度、峰度、截断均值、变异系数等参数，这里，方差和标准差可以用于表示每个故障测点的车身尺寸数据与本故障测点的平均车身尺寸数据之间的差异，极差为最大值和最小值之差，可以用于表示一组车身尺寸数据的离散程度，偏度可以用于表示车身尺寸数据分布的非对称程度，峰度可以用于表征概率密度分布曲线在平均值处峰值高低的特征数，变异系数也可以用于表示一组车身尺寸数据的离散程度，也就是说，上述特征参数可以更好的描述每个故障测点对应的一组车身尺寸数据分布特征，这样，在根据该特征参数对多个该故障测点进行聚类时，可以提高聚类的准确性，另外，在本步骤中，可以根据现有技术中的相关计算方法计算上述特征参数，在此不作赘述。
在步骤203中，根据该特征参数通过该预设聚类算法对多个该故障测点进行聚类。
其中，步骤202至步骤203的具体实现方式可以参考实施例一中步骤102中的相关描述，在此不再赘述。
在步骤204中，将每个类别的聚类中心点确定为目标故障测点。
其中，该目标故障测点可以包括与同类别的故障测点故障原因相同的故障测点，该聚类中心点为同类别的故障测点中的其中一点。
考虑到同一故障原因产生的故障测点的尺寸数据变化曲线的形状是相似的，以这种相似性为基础，因同一故障原因产生的故障测点尺寸数据变化曲线形状相互接近从而形成一个簇，可视为以聚类中心点为中心的一个聚类，此时，仅需对该聚类中心点对应的故障测点做故障分析和处理，即可得出同类别的故障测点的故障原因，从而大量减少工作量，提升工作效率。
在本实施例中，可以通过执行步骤205至步骤207从该时间序列尺寸数据中确定每个该目标故障测点分别对应的目标时间序列尺寸数据，并根据该目标时间序列尺寸数据确定每个该目标故障测点分别对应的故障原因，其中，该故障原因可以包括定位销松动、偶发缺陷碰撞、不可逆设备故障、不同班次操作差异等原因。
在步骤205中，根据该目标时间序列尺寸数据确定每个该目标故障测点的目标尺寸变化曲线，该目标尺寸变化曲线包括该目标故障测点的尺寸数据与时间的对应关系。
在步骤206中，获取预设故障原因对应关系，该预设故障原因对应关系包括尺寸变化曲线的曲线形状与故障原因的对应关系。
在步骤207中，根据该目标尺寸变化曲线的曲线形状通过该预设故障原因对应关系确定每个该目标故障测点分别对应的故障原因。
其中，步骤205至步骤207的具体实现方式，可以参考实施例一中步骤104的相关描述，在此不再赘述。
采用上述方法，可以仅通过对每个类别中的该目标故障测点进行故障分析即可确定全部故障测点的故障原因，从而避免了对每个故障测点都进行故障跟踪处理的复杂过程，降低工作量的同时，也可以提高工作效率。
图3是根据一示例性实施例示出的一种确定故障原因的装置的框图，如图3所示，该装置包括：
获取模块301，用于获取车辆多个故障测点的时间序列尺寸数据，该时间序列尺寸数据包括每个该故障测点在不同时间的车身尺寸数据；
聚类模块302，用于根据该时间序列尺寸数据通过预设聚类算法对多个该故障测点进行聚类；
目标故障测点确定模块303，用于根据聚类结果确定每个类别分别对应的目标故障测点；
故障原因确定模块304，用于从该时间序列尺寸数据中确定每个该目标故障测点分别对应的目标时间序列尺寸数据，并根据该目标时间序列尺寸数据确定每个该目标故障测点分别对应的故障原因。
可选地，该聚类模块302，用于计算每个该故障测点分别对应的该时间序列尺寸数据的特征参数；根据该特征参数通过该预设聚类算法对多个该故障测点进行聚类。
可选地，该目标故障测点确定模块303，用于将每个类别的聚类中心点确定为该目标故障测点。
可选地，该故障原因确定模块304，用于根据该目标时间序列尺寸数据确定每个该目标故障测点的目标尺寸变化曲线，该目标尺寸变化曲线包括该目标故障测点的尺寸数据与时间的对应关系；获取预设故障原因对应关系，该预设故障原因对应关系包括尺寸变化曲线的曲线形状与故障原因的对应关系；根据该目标尺寸变化曲线的曲线形状通过该预设故障原因对应关系确定每个该目标故障测点分别对应的故障原因。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
采用上述装置，可以仅通过对每个类别中的该目标故障测点进行故障分析即可确定全部故障测点的故障原因，从而避免了对每个故障测点都进行故障跟踪处理的复杂过程，降低工作量的同时，也可以提高工作效率。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述确定故障原因的方法的步骤。
图4是根据一示例性实施例示出的一种电子设备400的框图。如图4所示，该电子设备400可以包括：处理器401，存储器402。该电子设备400还可以包括多媒体组件403，输入/输出(I/O)接口404，以及通信组件405中的一者或多者。
其中，处理器401用于控制该电子设备400的整体操作，以完成上述的确定故障原因的方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作，这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件405可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的确定故障原因的方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的确定故障原因的方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器402，上述程序指令可由电子设备400的处理器401执行以完成上述的确定故障原因的方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (10)
1.一种确定故障原因的方法，其特征在于，所述方法包括：
获取车辆多个故障测点的时间序列尺寸数据，所述时间序列尺寸数据包括每个所述故障测点在不同时间的车身尺寸数据；
根据所述时间序列尺寸数据通过预设聚类算法对多个所述故障测点进行聚类；
根据聚类结果确定每个类别分别对应的目标故障测点；
从所述时间序列尺寸数据中确定每个所述目标故障测点分别对应的目标时间序列尺寸数据，并根据所述目标时间序列尺寸数据确定每个所述目标故障测点分别对应的故障原因。
2.根据权利要求1所述的方法，其特征在于，所述根据所述时间序列尺寸数据通过预设聚类算法对多个所述故障测点进行聚类包括：
计算每个所述故障测点分别对应的所述时间序列尺寸数据的特征参数；
根据所述特征参数通过所述预设聚类算法对多个所述故障测点进行聚类。
3.根据权利要求1所述的方法，其特征在于，所述根据聚类结果确定每个类别分别对应的目标故障测点包括：
将每个类别的聚类中心点确定为所述目标故障测点。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述目标时间序列尺寸数据确定每个所述目标故障测点分别对应的故障原因包括：
根据所述目标时间序列尺寸数据确定每个所述目标故障测点的目标尺寸变化曲线，所述目标尺寸变化曲线包括所述目标故障测点的尺寸数据与时间的对应关系；
获取预设故障原因对应关系，所述预设故障原因对应关系包括尺寸变化曲线的曲线形状与故障原因的对应关系；
根据所述目标尺寸变化曲线的曲线形状通过所述预设故障原因对应关系确定每个所述目标故障测点分别对应的故障原因。
5.一种确定故障原因的装置，其特征在于，所述装置包括：
获取模块，用于获取车辆多个故障测点的时间序列尺寸数据，所述时间序列尺寸数据包括每个所述故障测点在不同时间的车身尺寸数据；
聚类模块，用于根据所述时间序列尺寸数据通过预设聚类算法对多个所述故障测点进行聚类；
目标故障测点确定模块，用于根据聚类结果确定每个类别分别对应的目标故障测点；
故障原因确定模块，用于从所述时间序列尺寸数据中确定每个所述目标故障测点分别对应的目标时间序列尺寸数据，并根据所述目标时间序列尺寸数据确定每个所述目标故障测点分别对应的故障原因。
6.根据权利要求5所述的装置，其特征在于，所述聚类模块，用于计算每个所述故障测点分别对应的所述时间序列尺寸数据的特征参数；根据所述特征参数通过所述预设聚类算法对多个所述故障测点进行聚类。
7.根据权利要求5所述的装置，其特征在于，所述目标故障测点确定模块，用于将每个类别的聚类中心点确定为所述目标故障测点。
8.根据权利要求5至7任一项所述的装置，其特征在于，所述故障原因确定模块，用于根据所述目标时间序列尺寸数据确定每个所述目标故障测点的目标尺寸变化曲线，所述目标尺寸变化曲线包括所述目标故障测点的尺寸数据与时间的对应关系；获取预设故障原因对应关系，所述预设故障原因对应关系包括尺寸变化曲线的曲线形状与故障原因的对应关系；根据所述目标尺寸变化曲线的曲线形状通过所述预设故障原因对应关系确定每个所述目标故障测点分别对应的故障原因。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910146877.4A CN109948812A (zh) | 2019-02-27 | 2019-02-27 | 确定故障原因的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910146877.4A CN109948812A (zh) | 2019-02-27 | 2019-02-27 | 确定故障原因的方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109948812A true CN109948812A (zh) | 2019-06-28 |
Family
ID=67007830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910146877.4A Pending CN109948812A (zh) | 2019-02-27 | 2019-02-27 | 确定故障原因的方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948812A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539478A (zh) * | 2020-04-26 | 2020-08-14 | 成都见田科技有限公司 | 升降机故障智能诊断方法、系统及诊断设备 |
| CN113658273A (zh) * | 2021-08-19 | 2021-11-16 | 上海新氦类脑智能科技有限公司 | 一种基于空间感知的场景自适应目标定位方法和系统 |
| CN114779747A (zh) * | 2022-05-11 | 2022-07-22 | 中国第一汽车股份有限公司 | 车辆故障原因确定系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102564568A (zh) * | 2011-12-29 | 2012-07-11 | 华北电力大学 | 大型旋转机械复杂工况下的早期故障搜索方法 |
| CN104091070A (zh) * | 2014-07-07 | 2014-10-08 | 北京泰乐德信息技术有限公司 | 一种基于时间序列分析的轨道交通故障诊断方法和系统 |
-
2019
- 2019-02-27 CN CN201910146877.4A patent/CN109948812A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102564568A (zh) * | 2011-12-29 | 2012-07-11 | 华北电力大学 | 大型旋转机械复杂工况下的早期故障搜索方法 |
| CN104091070A (zh) * | 2014-07-07 | 2014-10-08 | 北京泰乐德信息技术有限公司 | 一种基于时间序列分析的轨道交通故障诊断方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 郭艳平，颜文俊: "《基于EMD和优化K-均值聚类算法诊断滚动轴承故障》", 《计算机应用研究》 * |
| 陶学堂，朱平等: "《基于时间序列分析的白车身检测数据处理技术》", 《汽车工程》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539478A (zh) * | 2020-04-26 | 2020-08-14 | 成都见田科技有限公司 | 升降机故障智能诊断方法、系统及诊断设备 |
| CN113658273A (zh) * | 2021-08-19 | 2021-11-16 | 上海新氦类脑智能科技有限公司 | 一种基于空间感知的场景自适应目标定位方法和系统 |
| CN113658273B (zh) * | 2021-08-19 | 2024-04-26 | 上海新氦类脑智能科技有限公司 | 一种基于空间感知的场景自适应目标定位方法和系统 |
| CN114779747A (zh) * | 2022-05-11 | 2022-07-22 | 中国第一汽车股份有限公司 | 车辆故障原因确定系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948812A (zh) | 确定故障原因的方法、装置、存储介质及电子设备 | |
| JP6869347B2 (ja) | リスク制御イベント自動処理の方法および装置 | |
| CN114201350A (zh) | 一种晶圆芯片的测试方法、装置、电子设备及存储介质 | |
| CN112182508A (zh) | 一种合规业务指标的异常监测方法及装置 | |
| CN114065693B (zh) | 超大规模集成电路结构布局的优化方法、系统和电子设备 | |
| CN111080477A (zh) | 一种家庭电力负荷预测方法及系统 | |
| US20160357886A1 (en) | System for analytic model development | |
| CN108885719B (zh) | 基于立体视觉的随机地图生成和贝叶斯更新 | |
| US20190339683A1 (en) | Information-processing method, information-processing device, program, and information-processing system | |
| CN109426655A (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
| CN108180935B (zh) | 传感器的故障检测方法及装置 | |
| CN109597745B (zh) | 异常数据处理方法及装置 | |
| CN115128438A (zh) | 一种芯片内部故障监测方法及其装置 | |
| CN112637888A (zh) | 覆盖空洞区域识别方法、装置、设备及可读存储介质 | |
| CN111368464A (zh) | 一种功率半导体器件的芯片筛选方法及装置 | |
| US20210051438A1 (en) | Method and determining unit for identifying optimal location(s) | |
| CN109840246A (zh) | 一种用于计算目标特征的历史数据的方法及装置 | |
| CN115423159A (zh) | 光伏发电预测方法、装置及终端设备 | |
| CN116486063A (zh) | 检测框标定方法、装置、设备及计算机可读存储介质 | |
| CN114511076A (zh) | 配置成处理用于训练人工智能系统的图像数据的电子设备 | |
| CN109754115B (zh) | 数据预测的方法、装置、存储介质及电子设备 | |
| CN114004276A (zh) | 时间特征的处理方法、处理装置 | |
| CN112598041A (zh) | 一种基于k-means算法的配电网云平台数据校验方法 | |
| US20140163917A1 (en) | Multi-sensing-elements calibration system, multi-sensing-elements calibration method and recording medium | |
| CN114399788B (zh) | 对象检测方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |