CN111259737B - 车辆方向盘故障的预测方法、装置、电子设备及存储介质 - Google Patents
车辆方向盘故障的预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111259737B CN111259737B CN202010018953.6A CN202010018953A CN111259737B CN 111259737 B CN111259737 B CN 111259737B CN 202010018953 A CN202010018953 A CN 202010018953A CN 111259737 B CN111259737 B CN 111259737B
- Authority
- CN
- China
- Prior art keywords
- steering wheel
- vehicle
- data
- layer
- prediction model
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明实施例公开了一种车辆方向盘故障的预测方法、装置、电子设备及存储介质,其预测方法包括:采集预设时间段内的车辆使用数据;将车辆使用数据输入至方向盘故障预测模型中,获得方向盘故障预测模型输出的方向盘抖动频率;根据方向盘抖动频率,对方向盘进行故障预测;其中,方向盘故障预测模型是以车辆使用样本数据作为样本,以与车辆使用样本数据对应的方向盘抖动频率作为标签,进行训练获得;本发明实施例基于方向盘故障预测模型对采集的车辆使用数据进行处理,通过获取的方向盘抖动频率对方向盘进行故障预测,实现了以量化方式预测方向盘故障,确保了预测结果的可靠性和准确性,有效降低了因方向盘故障导致的交通事故发生率。
Description
技术领域
本发明涉及车联网与大数据预测技术领域,特别是涉及一种车辆方向盘故障的预测方法、装置、电子设备及存储介质。
背景技术
当前,随着车联网技术应用发展地越趋深入,5G、云计算、高精度传感器逐步运用到智能汽车中,司乘人员对汽车的智能性、安全性要求越来越高。
车辆安全在行车过程中至关重要,方向盘作为汽车上最重要的安全部件之一,是确保汽车沿正确路线行驶的关键。方向盘抖动是很常见的一种故障,直接感觉是方向盘发抖、方向控制困难,及方向盘转动的自由行程变大。方向盘在出现这种情况时,如果不及时排除故障,任其发展,极可能出现转向失灵,甚至造成交通事故。
对于方向盘的故障而言,由于方向盘的轴体和轴承的磨损程度受诸多因素影响,如果单从物理属性方面来研究很难获得突破。经过调查得知,当前,主要依赖司机的经验对方向盘的故障进行判定,并根据车辆行驶中感受方向盘是否有抖动,及车辆在低速时方向盘是否发虚等情况来判定,其可靠性低,无法对方向盘的故障进行量化,从而无法获得准确的预测结果。
发明内容
本发明实施例提供一种车辆方向盘故障的预测方法、装置、电子设备及存储介质,用于至少解决当前依赖司机经验对方向盘故障的判定存在可靠性低,无法对方向盘的故障进行量化,无法获得准确预测结果的问题。
为了解决上述技术问题,本发明实施例在一方面提供了一种车辆方向盘故障的预测方法,包括:
采集预设时间段内的车辆使用数据;
将所述车辆使用数据输入至方向盘故障预测模型中,获得所述方向盘故障预测模型输出的方向盘抖动频率;
根据所述方向盘抖动频率,对方向盘进行故障预测;
其中,所述方向盘故障预测模型是以车辆使用样本数据作为样本,以与所述车辆使用样本数据对应的方向盘抖动频率作为标签,进行训练获得。
其中,所述方向盘故障预测模型包括:DNN层、LSTM层和attention层;所述将所述车辆使用数据输入至方向盘故障预测模型中,获得所述方向盘故障预测模型输出的方向盘抖动频率,包括:
根据预设的步长和滑动窗口,对所述车辆使用数据进行预处理,获得多个二维数据矩阵;
将所述多个二维数据矩阵输入至所述DNN层,获得所述DNN层输出的与用于表征方向盘空间特征的空间特征表达;
将所述多个二维数据矩阵和所述步长输入至所述LSTM层,获得所述LSTM层输出的与用于表征方向盘时间特征的时间特征表达;
将所述空间特征表达和所述时间特征表达输入至所述attention层,获得与所述车辆使用数据对应的、用于表征方向盘抖动频率的特征表达。
其中,所述将所述空间特征表达和所述时间特征表达输入至所述attention层,获得与所述车辆使用数据对应的、用于表征方向盘抖动频率的特征表达,包括:
将所述空间特征表达与所述时间特征表达进行特征融合,获得一组权重;
利用softmax激活函数对所述权重进行归一化;
将所述LSTM层不同时间点的隐含层输出向量与归一化后对应的权重相乘,并求和获得特征表达。
其中,所述方法还包括:在attention层融合之后,再通过一个全连接层,并施加dropout层,最后由输出维度为1的全连接层激活输出,激活函数为sigmoid。
其中,所述步长为1、3、6或9。
其中,训练所述方向盘故障预测模型的过程中,使用均方根对数误差函数作为损失函数。
其中,所述车辆使用数据包括:方向盘的基本信息数据、车辆的行驶信息数据、驾驶员的驾驶行为数据和路面信息数据。
本发明实施例在另一方面提供了一种车辆方向盘故障的预测装置,包括:
采集模块,用于采集预设时间段内的车辆使用数据;
处理模块,用于将所述车辆使用数据输入至方向盘故障预测模型中,获得所述方向盘故障预测模型输出的方向盘抖动频率;
预测模块,用于根据所述方向盘抖动频率,对方向盘进行故障预测;
其中,所述方向盘故障预测模型是以车辆使用样本数据作为样本,以与所述车辆使用样本数据对应的方向盘抖动频率作为标签,进行训练获得。
本发明实施例在另一方面提供了一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行如上所述的方法。
本发明实施例在另一方面还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上所述的方法。
本发明实施例提供的车辆方向盘故障的预测方法、装置、电子设备及存储介质,在对车辆方向盘故障进行预测时,通过建立方向盘故障预测模型,该模型在以车辆使用样本数据作为样本,以与车辆使用样本数据对应的方向盘抖动频率作为标签,并进行训练后,具备了对方向盘的故障进行预测的功能,从而在将预设时间段内的车辆使用数据输入该模型时,可输出方向盘抖动频率,从而通过对输出方向盘抖动频率进行阈值判断,即可实现对方向盘故障情况的预测,并及时提醒驾驶人员,该预测方法实现了以量化方式预测方向盘故障,确保了预测结果的可靠性和准确性,可对即将超出使用寿命范围的方向盘进行故障预测,并解决一般驾驶人员无法识别方向盘状态情况,对方向盘故障状态不了解的问题,有效降低了因方向盘故障导致的交通事故发生率。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例所示的车辆方向盘故障的预测方法的流程图;
图2为本发明实施例所示的方向盘故障预测模型组成的结构示意图;
图3为本发明实施例所示的S2进一步实施的流程图;
图4为本发明实施例所示的步骤S21中根据预设的步长和滑动窗口,对车辆使用数据进行预处理的示意图;
图5为本发明实施例所示的基于车辆方向盘故障的预测方法的预测装置的结构示意图;
图6为本发明实施例所示的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例所示的车辆方向盘故障的预测方法在应用时,建立方向盘故障预测模型,该方向盘故障预测模型以车辆使用样本数据作为样本,以与车辆使用样本数据对应的方向盘抖动频率作为标签,并进行训练。
具体的,综合考虑到车辆行驶中的多个因素对方向盘使用寿命的影响,具体可设置车辆使用样本数据包括方向盘的基本信息数据、车辆的行驶信息数据、驾驶员的驾驶行为数据和路面信息数据。例如,方向盘的基本信息数据包括方向盘是否有安全保护套B1、停车后方向盘是否回正B2、车辆的型号T(通过车辆型号表征方向盘型号);车辆的行驶信息数据包括车辆行驶中方向盘的转动角度θ1、车辆的速度V、加速度a;驾驶员的驾驶行为数据包括驾驶员的体重W,其中,驾驶员的体重不同可表征驾驶员给予方向盘的扭力不相同;路面信息数据包括路面的平整性。将通过传感器采集到的方向盘抖动频率作为描述方向盘状态的指标,与车辆使用样本数据相对应,并作为方向盘故障预测模型训练时的标签。在此可标记车辆使用样本数据的总维度为Ndata,其中,车辆使用样本数据中包含作为训练标签的方向盘抖动频率。
为了更好地训练方向盘故障预测模型,采用均方根对数误差(损失函数RMSLE)作为评价指标,损失函数RMSLE的公式如下:
其中,At为预测值;Ft为真实值。在训练的过程中,通过上述公式计算得到的损失函数RMSLE的值越小,则表明方向盘故障预测模型的性能越好,其特征的表达能力越强。
进一步的,参见图1,本实施例在经过训练获得方向盘故障预测模型后,对车辆方向盘故障进行预测,其预测方法包括:
S1,采集预设时间段内的车辆使用数据;
S2,将车辆使用数据输入至方向盘故障预测模型中,获得方向盘故障预测模型输出的方向盘抖动频率;
S3,根据方向盘抖动频率,对方向盘进行故障预测。
具体的,本实施例所示的预测方法在实施时,由于考虑到车辆行驶中随时间维度变化的相关因素对方向盘故障及其使用寿命的影响,从而在预设时间段内,正如车辆在使用的某一时间段内,进行车辆使用数据的采集,车辆使用数据可包含上述车辆使用样本数据中的全部或部分数据,其具体采集的方式如下表所示:
本实施例还包含对其它车辆使用数据的采集,在此不作一一列举,由此,当前在对方向盘进行故障预测时,考虑到通过最终获取的方向盘抖动频率来对方向盘故障进行预测,从而所采集的车辆使用数据的维度可记为Ndata-1。
基于上述采集的车辆使用数据,在将其输入至方向盘故障预测模型后,可获得方向盘故障预测模型输出的方向盘抖动频率。根据方向盘正常使用时的抖动频率,可设置相应的阈值,以对方向盘故障预测模型输出的方向盘抖动频率进行判定,从而可对方向盘故障进行预测,以便及时提醒驾驶人员,该预测方法实现了以量化的方式对方向盘故障进行预测,确保了预测结果的可靠性和准确性,可对即将超出使用寿命范围的方向盘进行故障预测,并解决一般驾驶人员无法识别方向盘状态情况,对方向盘故障状态不了解的问题,有效降低了因方向盘故障导致的交通事故发生率。
优选地,参见图2,本实施例中方向盘故障预测模型包括:DNN层、LSTM层和attention层;参见图3,将车辆使用数据输入至方向盘故障预测模型中,获得方向盘故障预测模型输出的方向盘抖动频率,包括:
S21,根据预设的步长和滑动窗口,对车辆使用数据进行预处理,获得多个二维数据矩阵;
S22,将多个二维数据矩阵输入至DNN层,获得DNN层输出的与用于表征方向盘空间特征的空间特征表达Dr;
S23,将多个二维数据矩阵和步长输入至LSTM层,获得LSTM层输出的与用于表征方向盘时间特征的时间特征表达Hc;
S24,将空间特征表达和时间特征表达输入至attention层,获得与车辆使用数据对应的、用于表征方向盘抖动频率的特征表达。
具体的,在步骤S21中,将采集到的车辆使用数据进行归一化处理,并按照时间进程依次排列,以滑动窗口截取的方式构造输入,以获得多个二维数据矩阵。
如图4所示,以样本1和样本2为例来对以滑动窗口截取的方式构造输入的方式进行具体说明。样本1和样本2分别表征以滑动窗口截取的方式构造的输入,样本1和样本2对应的T时刻之后预测值(方向盘抖动频率)记作y1和y2,其中,T为步长,考虑到该方向盘故障预测模型是一个时间序列任务,为保证预测参数在时间上的连续性,故选择步长为1;与此同时,为了便于DNN层进行卷积操作,选取滑动窗口的窗口大小与训练参数的个数相同,即窗口大小W=Ndata-1,从而通过滑动窗口截取的每个用于输入的样本都是一个(Ndata-1)*(Ndata-1)的二维数据矩阵。
为了进一步提升本实施例所示的方向盘故障预测模型的多步预测能力,本实施例可分别选取步长T为1、3、6或9,并按照上述滑动窗口截取的方式构造不同的输入。
在步骤S22中,将步骤S21中构造的二维数据矩阵分别输入至DNN层,DNN层为本领域所公知的DNN模型(深度神经网络)。DNN层包含有n个隐层,输入为xi,xi表示步骤S21中用于构造输入的二维数据矩阵中第i个维度的信息,设置DNN层的最后一层由n个神经元输出,得到1*n维向量,记为用于表征方向盘空间特征的空间特征表达Dr:
在此应指出的是,方向盘空间特征为在采集的车辆使用数据中,对方向盘在时间上影响较小的状态特征,如:方向盘是否有安全保护套B1,从而空间特征表达Dr为依据方向盘空间特征来对采集的车辆使用数据进行的特征提取。
如图2所示,获取空间特征表达Dr的具体过程为,将上述构造的二维数据矩阵先经过一维卷积层(conv1),激活函数为ReLu函数;然后经过一个窗口为2的最大池化层(maxpool1);然后再经过一次卷积层和最大池化层,最后由flatten层将数据压平,最终输出维度为n的全连接层。
在步骤S23中,将步骤S21中设定的步长和构造的二维数据矩阵输入LSTM层,LSTM层为本领域所公知的LSTM模型(长短期记忆模型),LSTM层的隐含层输出维度为m,因此得到n×m维特征向量Hc,
其中,n表示步长。
在此应指出的是,方向盘时间特征为在采集的车辆使用数据中,对方向盘在时间上影响较大的状态特征,如:方向盘的转动角度θ1、车辆的速度V、加速度a等,从而时间特征表达Hc为依据方向盘时间特征来对采集的车辆使用数据进行的特征提取,并充分兼顾到采集到的相关车辆使用数据在时间维度上的变化。
在步骤S24中,通过attention层对步骤S22获取的空间特征表达Dr和步骤S23获取的时间特征表达Hc进行特征融合,以此获得与车辆使用数据对应的、用于表征方向盘抖动频率的特征表达,并可进一步根据方向盘抖动频率的特征表达来对方向盘故障进行预测。
具体的,本实施例中将空间特征表达和时间特征表达输入至attention层,获得与车辆使用数据对应的、用于表征方向盘抖动频率的特征表达,包括:
将空间特征表达Dr与时间特征表达Hc进行特征融合,获得一组权重
利用softmax激活函数对权重进行归一化;
将LSTM层不同时间点的隐含层输出向量与归一化后对应的权重αi相乘,并求和获得特征表达fmap。
具体地,首先,应用如下公式进行特征融合计算:
其中,wa是m*n维的权值矩阵,m为LSTM层的隐含层输出维度,n为DNN层的输出维度;ba为偏置项,/>是Dr的转置,i为车辆使用数据中第i个维度的信息。在此应指出的是,权值矩阵wa和偏置项ba均是在方向盘故障预测模型在训练时通过学习获取,通过特征融合计算获取的/>为一组权重;
然后,利用softmax激活函数将权重归一化到0~1,结果记为αi;
最后,通过将LSTM层不同时间点的隐含层输出向量/>与对应的权重αi相乘,并求和获得特征表达fmap。
由此,在对采集的车辆使用数据进行特征提取时,综合兼顾到各个数据之间的空间联系,还考虑到各个数据在时间维度上的变化,从而通过上述特征融合计算获取的特征表达fmap具有较好的空间和时间表达能力,以表征方向盘在发生故障时状态的特征,大大提高对方向盘故障诊断的性能。
进一步的,如图2所示,对于本实施例所示的方向盘故障预测模型而言,在通过attention层进行特征融合之后,将获取的特征表达fmap通过一个全连接层,并施加dropout层,最后由输出维度为1的全连接层激活输出,激活函数为sigmoid,由此可获取最终输出的方向盘抖动频率,在此基础上,通过结合方向盘正常工作时的抖动频率,设置相应的抖动频率波动范围,对输出的方向盘抖动频率进行阈值判断,以此对方向盘进行故障预测,并预测方向盘故障发生的概率。
如图5所示,本发明实施例还提供了一种基于上述实施例所述的车辆方向盘故障的预测方法的预测装置,包括:采集模块510,用于采集预设时间段内的车辆使用数据;处理模块520,用于将车辆使用数据输入至方向盘故障预测模型中,获得方向盘故障预测模型输出的方向盘抖动频率;预测模块530,用于根据方向盘抖动频率,对方向盘进行故障预测;其中,方向盘故障预测模型是以车辆使用样本数据作为样本,以与车辆使用样本数据对应的方向盘抖动频率作为标签,进行训练获得。
具体的,本实施例中采集模块510、处理模块520和预测模块530依次连接。在采集预设时间段内的车辆使用数据时,所采用的采集模块510可包含车载的用于方向盘转动角度采集的角度传感器,用于车辆的速度、加速度采集的传感器及另行配置的用于对驾驶员的驾驶行为数据与路面信息数据采集的相应传感器。处理模块520可以为具有相应数据处理能力的处理器,该处理器可基于方向盘故障预测模型,对输入的当前车辆使用数据进行处理,并输出预设时间后的方向盘抖动频率;另外,预测模块530可以为设置有相应阈值判断模式的相应处理模块,根据方向盘抖动频率,对方向盘进行故障预测,输出方向盘故障发生的概率,其预测结果可以通过预先配置的有线或无线通讯网络进行通讯连接的多种终端进行展现,如手机端、电脑端及车机端,可在这些终端上设置相应的app软件,以将方向盘的状态情况及时通知驾驶人员,并提供驾驶建议和维修建议。
本发明实施例所示的方法是依托电子设备实现的,因此对相关的电子设备有必要做一下介绍。基于此目的,本发明实施例提供了一种电子设备,如图6所示,该电子设备包括:至少一个处理器(processor)610、通信接口(Communications Interface)640、至少一个存储器(memory)620和通信总线630,其中,处理器610、通信接口640和存储器620通过通信总线630完成相互间的通信。处理器610可以调用存储器620中的逻辑指令,以执行如下方法的操作:
采集预设时间段内的车辆使用数据;
将车辆使用数据输入至方向盘故障预测模型中,获得方向盘故障预测模型输出的方向盘抖动频率;
根据所述方向盘抖动频率,对方向盘进行故障预测;
其中,方向盘故障预测模型是以车辆使用样本数据作为样本,以与车辆使用样本数据对应的方向盘抖动频率作为标签,进行训练获得。
此外,上述存储器620中的逻辑指令可以通过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,可以存储在一个非暂态计算机可读取存储介质中。基于这样的理解,本发明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非暂态计算机可读存储介质中,包括若干指令用以使得一台非暂态计算机(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。例如包括:采集预设时间段内的车辆使用数据;将车辆使用数据输入至方向盘故障预测模型中,获得方向盘故障预测模型输出的方向盘抖动频率;根据方向盘抖动频率,对方向盘进行故障预测;其中,方向盘故障预测模型是以车辆使用样本数据作为样本,以与车辆使用样本数据对应的方向盘抖动频率作为标签,进行训练获得。
而前述的可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种车辆方向盘故障的预测方法,其特征在于,包括:
采集预设时间段内的车辆使用数据;
将所述车辆使用数据输入至方向盘故障预测模型中,获得所述方向盘故障预测模型输出的方向盘抖动频率;
根据所述方向盘抖动频率,对方向盘进行故障预测;
其中,所述方向盘故障预测模型是以车辆使用样本数据作为样本,以与所述车辆使用样本数据对应的方向盘抖动频率作为标签,进行训练获得;
所述方向盘故障预测模型包括:DNN层、LSTM层和attention层;相应地,所述将所述车辆使用数据输入至方向盘故障预测模型中,获得所述方向盘故障预测模型输出的方向盘抖动频率,包括:
根据预设的步长和滑动窗口,对所述车辆使用数据进行预处理,获得多个二维数据矩阵;
将所述多个二维数据矩阵输入至所述DNN层,获得所述DNN层输出的用于表征方向盘空间特征的空间特征表达;
将所述多个二维数据矩阵和所述步长输入至所述LSTM层,获得所述LSTM层输出的用于表征方向盘时间特征的时间特征表达;
将所述空间特征表达和所述时间特征表达输入至所述attention层,获得与所述车辆使用数据对应的、用于表征方向盘抖动频率的特征表达。
2.根据权利要求1所述的车辆方向盘故障的预测方法,其特征在于,所述将所述空间特征表达和所述时间特征表达输入至所述attention层,获得与所述车辆使用数据对应的、用于表征方向盘抖动频率的特征表达,包括:
将所述空间特征表达与所述时间特征表达进行特征融合,获得一组权重;
利用softmax激活函数对所述权重进行归一化;
将所述LSTM层不同时间点的隐含层输出向量与归一化后对应的权重相乘,并求和获得特征表达。
3.根据权利要求2所述的车辆方向盘故障的预测方法,其特征在于,所述方法还包括:
在attention层融合之后,再通过一个全连接层,并施加dropout层,最后由输出维度为1的全连接层激活输出,激活函数为sigmoid。
4.根据权利要求1所述的车辆方向盘故障的预测方法,其特征在于,所述步长为1、3、6或9。
5.根据权利要求1至4任一所述的车辆方向盘故障的预测方法,其特征在于,训练所述方向盘故障预测模型的过程中,使用均方根对数误差函数作为损失函数。
6.根据权利要求1至4任一所述的车辆方向盘故障的预测方法,其特征在于,所述车辆使用数据包括:方向盘的基本信息数据、车辆的行驶信息数据、驾驶员的驾驶行为数据和路面信息数据。
7.一种车辆方向盘故障的预测装置,其特征在于,包括:
采集模块,用于采集预设时间段内的车辆使用数据;
处理模块,用于将所述车辆使用数据输入至方向盘故障预测模型中,获得所述方向盘故障预测模型输出的方向盘抖动频率;
预测模块,用于根据所述方向盘抖动频率,对方向盘进行故障预测;
其中,所述方向盘故障预测模型是以车辆使用样本数据作为样本,以与所述车辆使用样本数据对应的方向盘抖动频率作为标签,进行训练获得;
所述方向盘故障预测模型包括:DNN层、LSTM层和attention层;相应地,所述将所述车辆使用数据输入至方向盘故障预测模型中,获得所述方向盘故障预测模型输出的方向盘抖动频率,包括:
根据预设的步长和滑动窗口,对所述车辆使用数据进行预处理,获得多个二维数据矩阵;
将所述多个二维数据矩阵输入至所述DNN层,获得所述DNN层输出的用于表征方向盘空间特征的空间特征表达;
将所述多个二维数据矩阵和所述步长输入至所述LSTM层,获得所述LSTM层输出的用于表征方向盘时间特征的时间特征表达;
将所述空间特征表达和所述时间特征表达输入至所述attention层,获得与所述车辆使用数据对应的、用于表征方向盘抖动频率的特征表达。
8.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行如权利要求1至6中任一项所述的车辆方向盘故障的预测方法。
9.一种非暂态计算机可读存储介质,其特征在于,
所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6中任一项所述的车辆方向盘故障的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018953.6A CN111259737B (zh) | 2020-01-08 | 2020-01-08 | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018953.6A CN111259737B (zh) | 2020-01-08 | 2020-01-08 | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259737A CN111259737A (zh) | 2020-06-09 |
CN111259737B true CN111259737B (zh) | 2023-07-25 |
Family
ID=70946834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010018953.6A Active CN111259737B (zh) | 2020-01-08 | 2020-01-08 | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259737B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888775A (zh) * | 2020-06-19 | 2022-01-04 | 比亚迪股份有限公司 | 车辆预警方法、服务器、存储介质、车辆预警系统和车辆 |
CN112124422A (zh) * | 2020-09-04 | 2020-12-25 | 宝能(广州)汽车研究院有限公司 | 车辆在高速行驶中方向盘抖动的检测方法 |
CN112363488A (zh) * | 2020-12-07 | 2021-02-12 | 东风柳州汽车有限公司 | 车辆故障处理系统及方法 |
CN112820111B (zh) * | 2021-02-03 | 2022-11-01 | 腾讯科技(深圳)有限公司 | 一种异常车辆识别方法、装置和电子设备 |
CN117114352B (zh) * | 2023-09-15 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102123177A (zh) * | 2011-03-22 | 2011-07-13 | 上海交通大学 | 基于网络实现的旋转机械故障检测系统及其在线检测方法 |
CN102706443A (zh) * | 2012-06-04 | 2012-10-03 | 广东工业大学 | 一种基于振动信号分析的变压器故障检测装置 |
CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
CN103514608A (zh) * | 2013-06-24 | 2014-01-15 | 西安理工大学 | 基于运动注意力融合模型的运动目标检测与提取方法 |
CN103886373A (zh) * | 2014-04-18 | 2014-06-25 | 天津理工大学 | 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法 |
CN104215453A (zh) * | 2014-09-16 | 2014-12-17 | 华北电力大学(保定) | 一种一级行星二级平行轴齿轮箱故障检测方法 |
CN106837707A (zh) * | 2016-12-13 | 2017-06-13 | 北京能高自动化技术股份有限公司 | 一种基于故障模型触发的自动故障诊断系统 |
CN106991216A (zh) * | 2017-03-16 | 2017-07-28 | 重庆长安汽车股份有限公司 | 汽车冷却模块引起方向盘抖动的稳健性预估及优化方法 |
CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
CN107194053A (zh) * | 2017-05-16 | 2017-09-22 | 歌拉瑞电梯股份有限公司 | 一种智能化电梯控制系统运行故障预测方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN107609460A (zh) * | 2017-05-24 | 2018-01-19 | 南京邮电大学 | 一种融合时空双重网络流和attention机制的人体行为识别方法 |
CN108009692A (zh) * | 2017-12-26 | 2018-05-08 | 东软集团股份有限公司 | 设备维修信息处理方法、装置、计算机设备和存储介质 |
CN109034368A (zh) * | 2018-06-22 | 2018-12-18 | 北京航空航天大学 | 一种基于dnn的复杂设备多重故障诊断方法 |
CN109323853A (zh) * | 2018-09-29 | 2019-02-12 | 浙江中烟工业有限责任公司 | 一种风机叶扇振动检测装置及故障检测预测方法 |
-
2020
- 2020-01-08 CN CN202010018953.6A patent/CN111259737B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102123177A (zh) * | 2011-03-22 | 2011-07-13 | 上海交通大学 | 基于网络实现的旋转机械故障检测系统及其在线检测方法 |
CN102706443A (zh) * | 2012-06-04 | 2012-10-03 | 广东工业大学 | 一种基于振动信号分析的变压器故障检测装置 |
CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
CN103514608A (zh) * | 2013-06-24 | 2014-01-15 | 西安理工大学 | 基于运动注意力融合模型的运动目标检测与提取方法 |
CN103886373A (zh) * | 2014-04-18 | 2014-06-25 | 天津理工大学 | 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法 |
CN104215453A (zh) * | 2014-09-16 | 2014-12-17 | 华北电力大学(保定) | 一种一级行星二级平行轴齿轮箱故障检测方法 |
CN106837707A (zh) * | 2016-12-13 | 2017-06-13 | 北京能高自动化技术股份有限公司 | 一种基于故障模型触发的自动故障诊断系统 |
CN106991216A (zh) * | 2017-03-16 | 2017-07-28 | 重庆长安汽车股份有限公司 | 汽车冷却模块引起方向盘抖动的稳健性预估及优化方法 |
CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
CN107194053A (zh) * | 2017-05-16 | 2017-09-22 | 歌拉瑞电梯股份有限公司 | 一种智能化电梯控制系统运行故障预测方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN107609460A (zh) * | 2017-05-24 | 2018-01-19 | 南京邮电大学 | 一种融合时空双重网络流和attention机制的人体行为识别方法 |
CN108009692A (zh) * | 2017-12-26 | 2018-05-08 | 东软集团股份有限公司 | 设备维修信息处理方法、装置、计算机设备和存储介质 |
CN109034368A (zh) * | 2018-06-22 | 2018-12-18 | 北京航空航天大学 | 一种基于dnn的复杂设备多重故障诊断方法 |
CN109323853A (zh) * | 2018-09-29 | 2019-02-12 | 浙江中烟工业有限责任公司 | 一种风机叶扇振动检测装置及故障检测预测方法 |
Non-Patent Citations (5)
Title |
---|
Bouchareb Ilhem等.Automatic fault diagnosis of fault tolerant power converter for switched reluctance motor based on time-frequency technique.《2014 16th International Power Electronics and Motion Control Conference and Exposition》.2014,1234-1240. * |
Xiaoxiao Miao等.A new time-frequency attention mechanism for TDNN and CNN-LSTM-TDNN,with application to language identification.《I2019 ISCA》.2019,4080-4084. * |
刘良峰.动车组机械传动系统轴承振动信号分析与故障诊断.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2015,第2015年卷(第3期),C033-326. * |
朱勇.基于时空关联混合模型的交通流预测方法研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2019,第2019年卷(第2期),C034-410. * |
邓书朝. 某皮卡车异常振动的故障分析与结构优化研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2017,第2017年卷(第2期),C035-697. * |
Also Published As
Publication number | Publication date |
---|---|
CN111259737A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259737B (zh) | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 | |
CN107680375B (zh) | 一种车辆载重计算方法、装置及存储介质 | |
Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
US20200066158A1 (en) | Electronic device, warning message providing method therefor, and non-transitory computer-readable recording medium | |
CN110386145B (zh) | 一种目标驾驶员驾驶行为实时预测系统 | |
CN108345875B (zh) | 可行驶区域检测模型训练方法、检测方法和装置 | |
US11465650B2 (en) | Model-free reinforcement learning | |
JP6918137B2 (ja) | 運転行為評価方法、装置及びコンピュータが読み取り可能な記憶媒体 | |
US20220204020A1 (en) | Toward simulation of driver behavior in driving automation | |
WO2022027894A1 (zh) | 驾驶员行为检测方法、装置、电子设备、存储介质和程序 | |
CN109754595A (zh) | 车辆风险的评估方法、装置及接口设备 | |
CN112639495A (zh) | 一种电池检测的方法和装置 | |
US20230289663A1 (en) | Vehicle resiliency, driving feedback and risk assessment using machine learning-based vehicle wear scoring | |
CN113516846A (zh) | 车辆换道行为预测模型构建、预测预警方法及系统 | |
Sadhu et al. | Deep multi-task learning for anomalous driving detection using CAN bus scalar sensor data | |
CN115690557A (zh) | 一种基于注意力机制神经网络的施工安全预警方法和装置 | |
CN110723152B (zh) | 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质 | |
CN107867295A (zh) | 基于车辆出险概率的事故预警方法、存储设备及车载终端 | |
CN112883843B (zh) | 驾驶员视觉显著区域检测方法、装置和计算机设备 | |
CN110766131A (zh) | 数据处理装置、方法和电子设备 | |
CN111027859B (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 | |
CN115771506B (zh) | 基于乘员风险认知的车辆行驶策略的确定方法和装置 | |
Vyas et al. | Federated learning based driver recommendation for next generation transportation system | |
CN111353644A (zh) | 基于强化学习的智能网联云平台的预测模型生成方法 | |
CN112729862B (zh) | 无人驾驶的驾驶行为安全评估方法、装置及电子设备 |
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 |