CN111624973A - 一种故障信号分级测试方法、装置及汽车 - Google Patents
一种故障信号分级测试方法、装置及汽车 Download PDFInfo
- Publication number
- CN111624973A CN111624973A CN201910151322.9A CN201910151322A CN111624973A CN 111624973 A CN111624973 A CN 111624973A CN 201910151322 A CN201910151322 A CN 201910151322A CN 111624973 A CN111624973 A CN 111624973A
- Authority
- CN
- China
- Prior art keywords
- fault
- calculation result
- test signal
- matrix
- signal
- 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
- 238000010998 test method Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 112
- 238000004364 calculation method Methods 0.000 claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 76
- 238000005094 computer simulation Methods 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种故障信号分级测试方法、装置及汽车,所述方法包括:获取故障测试信号;通过预先配置的神经网络计算模型,分析所述故障测试信号,获得所述故障测试信号的最高故障等级。本发明的实施例,解决了目前故障信号分级需要人工手写测试用例,工作量大且不可靠的问题。
Description
技术领域
本发明涉及故障信号处理的技术领域,尤其涉及一种故障信号分级测试方法、装置及汽车。
背景技术
随着自动驾驶技术和车联网技术越来越多的运用到汽车上,更多的传感器以及电子部件应用到了汽车上,整车控制器(VCU,Vehicle Control Unit)处理的信息量也相应的增加,运算负荷也是越来越大。同时,为了保证汽车的安全行驶,当有故障发生时,VCU必须在第一时间对故障给出处理方案。数据处理负荷越来越大以及要保证故障信息处理的及时性,就要求VCU必须对故障进行分级,对优先级(严重程度)高的故障优先处理,对优先级低(严重程度低)的故障后处理甚至是不处理,以保证VCU的硬件资源在发生重大的故障时不被占用。这就要求在对VCU故障处理策略进行测试的时候,得模拟多故障同时触发时,VCU是否是按照约定对故障进行分级,即按照严重程度划分故障等级(整车故障等级),但是,目前人工手写测试用例工作量大,而且容易发生漏测。
发明内容
为了解决上述技术问题,本发明提供了一种故障信号分级测试方法、装置及汽车,解决了目前人工手写测试用例工作量大不可靠的问题。
依据本发明的一个方面,提供了一种故障信号分级测试方法,所述方法包括:
获取故障测试信号;
通过预先配置的神经网络计算模型,分析所述故障测试信号,获得所述故障测试信号的最高故障等级。
可选的,所述通过预先配置的神经网络计算模型,分析所述故障测试信号的故障等级,包括:
所述神经网络计算模型的输入层根据所述故障测试信号中的故障信息和预先获取的故障等级记录表,生成故障排列矩阵;
所述神经网络计算模型的中间层对所述故障排列矩阵进行计算,获得所述故障测试信号的最高故障等级;
所述神经网络计算模型的输出层输出所述最高故障等级。
可选的,所述神经网络计算模型的输入层根据所述故障测试信号中的故障信息和预先获取的故障等级记录表,生成故障排列矩阵,包括:
所述输入层根据所述故障等级记录表所记录的对应每一故障信号的位置,确定所述故障测试信号中的故障信息的对应编号;
根据所述故障测试信号中的每一故障信息的对应编号,生成所述故障排列矩阵。
可选的,所述故障排列矩阵中,所记录每行所述对应编号的对应故障信息属于同一故障等级,并且从第一行至第N行,故障等级逐渐降低,其中N为大于1的整数。
可选的,所述神经网络计算模型的中间层对所述故障排列矩阵进行计算,获得所述故障测试信号的最高故障等级,包括:
所述中间层的过滤器获取与所述故障排列矩阵相对应的处理矩阵,并将所述故障排列矩阵中的行数据从第一行至第N行依次与所述处理矩阵进行乘积运算,并输出计算结果;
所述中间层的比较器根据所述过滤器输出的计算结果,判定所述过滤器是否结束运算,并在所述过滤器结束运算时,输出最终的所述计算结果,其中,若所述计算结果小于第一预设值,则所述过滤器继续运算,所述比较器继续对下一个计算结果进行比较,若所述计算结果大于所述第一预设值,则所述过滤器停止运算;
所述中间层的取整器获取所述比较器输出的计算结果,并获取所述计算结果的整数部分,输出至所述输出层。
依据本发明的另一个方面,提供了一种故障信号分级测试装置,所述装置包括:
获取模块,用于获取故障测试信号;
神经网络计算模型,用于分析所述故障测试信号,获得所述故障测试信号的最高故障等级。
可选的,所述神经网络计算模型包括:
输入层,用于根据所述故障测试信号中的故障信息和预先获取的故障等级记录表,生成故障排列矩阵;
中间层,用于对所述故障排列矩阵进行计算,获得所述故障测试信号的最高故障等级;
输出层,用于输出所述最高故障等级。
可选的,所述输入层具体用于:
根据所述故障等级记录表所记录的对应每一故障信号的位置,确定所述故障测试信号中的故障信息的对应编号;
根据所述故障测试信号中的每一故障信息的对应编号,生成所述故障排列矩阵。
可选的,所述故障排列矩阵中,所记录每行所述对应编号的对应故障信息属于同一故障等级,并且从第一行至第N行,故障等级逐渐降低,其中N为大于1的整数。
可选的,所述中间层,包括:
过滤器,用于获取与所述故障排列矩阵相对应的处理矩阵,并将所述故障排列矩阵中的行数据从第一行至第N行依次与所述处理矩阵进行乘积运算,并输出计算结果;
比较器,用于根据所述过滤器输出的计算结果,判定所述过滤器是否结束运算,并在所述过滤器结束运算时,输出最终的所述计算结果,其中,若所述计算结果小于第一预设值,则判定所述过滤器继续运算,所述比较器继续对下一个计算结果进行比较,若所述计算结果大于所述第一预设值,则判定所述过滤器停止运算;
取整器,用于获取所述比较器输出的计算结果,并获取所述计算结果的整数部分,输出至所述输出层。
依据本发明的另一个方面,提供了一种汽车,包括所述的故障信号分级测试装置。
本发明的实施例的有益效果是:
本发明提供了一种故障信号分级测试方法、装置及汽车,所述测试方法包括:获取故障测试信号;通过预先配置的神经网络计算模型,分析所述故障测试信号,获得所述故障测试信号的最高故障等级。本发明基于神经网络和深度学习的故障分级测试方式,可以快捷的生成大量的测试用例,满足测试的覆盖率要求,解决了目前故障信号分级测试需要人工手写测试用例,工作量大且不可靠的问题。
附图说明
图1表示本发明实施例的故障信号分级测试方法的流程图之一;
图2表示本发明实施例的故障信号分级测试方法的流程图之二;
图3表示本发明实施例的故障等级记录表的示意图;
图4表示本发明实施例的故障排列矩阵的示意图;
图5表示本发明实施例的故障信号分级测试装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
第一实施例
本实施例提供了一种故障信号分级测试方法,如图1所示,所述方法包括:
步骤11、获取故障测试信号;
步骤12、通过预先配置的神经网络计算模型,分析所述故障测试信号,获得所述故障测试信号的最高故障等级。
本实施例中,所述神经网络计算模型由3个层组成,分别为输入层,中间层和输出层。其中,输入层和输出层对外可见,分别对应所述故障测试信号的输入以及处理后所述最高故障等级的输出,中间层不对外可见,用于对所述故障测试信号进行处理,并得出所述最高故障等级。
具体的,如图2所示,步骤12包括:
步骤121、所述神经网络计算模型的输入层根据所述故障测试信号中的故障信息和预先获取的故障等级记录表,生成故障排列矩阵。
进一步的,步骤121,包括:
所述输入层根据所述故障等级记录表所记录的对应每一故障信号的位置,确定所述故障测试信号中的故障信息的对应编号;
根据所述故障测试信号中的每一故障信息的对应编号,生成所述故障排列矩阵。
本实施例中,根据功能定义确定故障信号一共分为几个故障等级,并且确定这几个故障等级的优先级。所述故障等级记录表,包括全部故障信号、其对应的故障等级和故障等级的优先级顺序。
请参照图3,图3为所述故障等级记录表的示意图。如图3所示,“Fault1-1、Fault1-2、Fault1-3、Fault2-1、Fault2-2、Fault2-3……”为所述故障信号,“1级故障、2级故障、3级故障……”为故障等级。所述故障等级记录表的A列注明故障等级,故障信号被分为几个等级,就写几行,每行从B列开始,写入相应故障等级的所有故障信号(即VCU认可的故障信号,此处以Fault1-1等名字代替)。在所述故障等级记录表中,按照故障等级的优先级从高到低,自上而下排列,其中,如图3所示,“1级故障”为优先级最高的故障等级,“5级故障”为优先级最低的故障等级。
本实施例可以通过所述故障等级记录表关联所有的故障信号,对每个所述故障信号进行赋值,即每一个故障信号都可根据其在所述故障等级记录表中的位置,被赋予一个固定的所述编号。本实施例中,所述编号的整数部分为相应故障信号的故障等级,所述编号的小数部分根据所述故障信号在所述故障等级记录表中的位置确定。比如,如图3所示,故障信号“Fault1-1”的编号为“1.01”、故障信号“Fault1-2”的编号为“1.02”、故障信号“Fault5-2”的值“5.02”。
本实施例中,所述输入层根据所述故障等级记录表,按照上述赋值规则,获取所述故障测试信号中的故障信息的对应编号,并将所述对应编号,生成所述故障排列矩阵。
优选的,所述故障排列矩阵中,所记录每行所述对应编号的对应故障信息属于同一故障等级,并且从第一行至第N行,故障等级逐渐降低,其中N为大于1的整数。
本实施例中,所述故障排列矩阵为NxM的可变矩阵,其排列规则,如图4所示,从上到下按照故障等级的优先级从高到低的排列(图4中故障等级为1的故障优先级最高),每行所述对应编号的对应故障信息属于同一故障等级,矩阵每行的所述对应编号的数量可以不同,矩阵的M维由输入所述对应编号数最多的那一行决定,0表示无所述对应编号,是占位符。
例如,在所述故障测试信号包括一个1级故障(Fault1-3)和2个3级故障(Fault3-1和Fault3-3)以及1个5级故障(Fault5-2)时,根据所述故障测试信号中的故障信息在所述故障等级记录表中的位置、以及上述赋值规则,我们可以生成如下的故障排列矩阵A(3x2矩阵):A=[0,1.03;3.01,3.03;0,5.03]。
步骤122、所述神经网络计算模型的中间层对所述故障排列矩阵进行计算,获得所述故障测试信号的最高故障等级。
具体的,步骤122包括:
所述中间层的过滤器获取与所述故障排列矩阵相对应的处理矩阵,并将所述故障排列矩阵中的行数据从第一行至第N行依次与所述处理矩阵进行乘积运算,并输出计算结果。
本实施例中,所述处理矩阵为K×J的矩阵,K与J由中间层和输入层的乘积维数来确定。并且,针对不同的所述故障排列矩阵,以及不同的测试对象,所述处理矩阵不相同。例如,所述故障测试信号中的故障等级中,第六级故障等级为最高故障等级,和所述故障测试信号中,第一级故障等级为最高故障等级,所述处理矩阵将会相应不同。此外,所述处理矩阵的参数可以在学习模式下通过经验值以及过去的测试结果进行自我学习,从而根据不同的项目要求而改变。所述处理矩阵参数初始值为[k1,k2,….kn,…j1,j2…jn],参数初始值可以根据不同的测试,进行不同的设置。
本实施例中,所述过滤器将所述故障排列矩阵中的行数据从第一行至第N行依次与所述处理矩阵进行乘积运算,并输出计算结果,其功能是在多个故障信息同时输入时,把优先级低的故障信息滤掉,保证测试预期结果是优先级高的故障信息。
具体的,步骤122还包括:
所述中间层的比较器根据所述过滤器输出的计算结果,判定所述过滤器是否结束运算,并在所述过滤器结束运算时,输出最终的所述计算结果,其中,若所述计算结果小于第一预设值,则所述过滤器继续运算,所述比较器继续对下一个计算结果进行比较,若所述计算结果大于所述第一预设值,则所述过滤器停止运算。
本实施例中,比较器决定着所述过滤器在什么时候结束运算。它实时比较由过滤器过滤出来的值(即所述计算结果),当这个值大于所述第一预设值时,模型结束运算,同时把这个大于第一预设值的值输出给取整器。当过滤器把输入层所有内容遍历的过滤了一遍后,得出的值依然为小于所述第一预设值,则模型停止运算,输出最终的所述计算结果,其中,所述第一预设值可以为0。
具体的,步骤122还包括:
所述中间层的取整器获取所述比较器输出的计算结果,并获取所述计算结果的整数部分,输出至所述输出层。
本实施例中,所述取整器的作用是把过滤后的结果(即所述比较器输出的计算结果)只保留整数部分,以匹配所神经网络计算模型的输出层要求的数据类型。
步骤123、所述神经网络计算模型的输出层输出所述最高故障等级。
本实施例中,输出层是一个1x1的矩阵,用于输出所述最高故障等级,例如,所述最高故障等级为一级故障,所述输出层输出的值就为1。
值得一提的是,在本实施例中,中间层有两种工作模式:学习模式以及工作模式。工作模式用于测试故障测试信号,学习模式则是通过自我学习,进行相关参数的调整。其中,所述学习模式包括参数校准,所述神经网络计算模型会在外部驱动软件的帮助下,对比其输出值Y与实际期望值(正确值)。如果其输出值Y与实际期望值不一致,就会开始校正过滤器的参数,方法是若Y值大于正确值,则处理矩阵中所有奇数行的值减去0.01;当Y值小于正确值时,则处理矩阵中所有偶数行加上0.01。然后再用同样的输入计算一次,再一次对比结果。不对,就继续校准;对了则进行下一轮学习。
下面将结合实例,具体说明所述神经网络计算模型获取所述最高故障等级的方式。
如上所述,所述故障测试信号包括一个1级故障(Fault1-3)和2个3级故障(Fault3-1和Fault3-3)以及1个5级故障(Fault5-2)。
首先,输入层根据所述故障测试信号的故障信息和所述故障等级记录表,结合上述赋值规则,生成故障排列矩阵A(3x2矩阵):A=[0,1.03;3.01,3.03;0,5.03]。
然后,中间层根据所述故障排列矩阵A、及故障测试信号中的故障信息所对应的故障等级定义情况(此处,1级故障为最高故障等级,故障级数值越小,故障等级越高),获取与其相关的处理矩阵G。
而后,过滤器将故障排列矩阵A中的元素A1,1和A2,1首先与处理矩阵G相乘,乘积为b1;这个结果b1再在比较器中和0(第一预设值)比较,若b1不大于0,则继续进行计算;元素A1,2和A2,2与G相乘,得到结果b2;这个结果b2再在比较器中和0比较,若b2不大于0,则继续进行计算,若b2大于0,停止计算,其中,所述过滤器过滤的顺序是从先左到右再从上到下。
当停止继续计算时,比较器把最终的计算结果输入到取整器,得出所述最高故障等级Y=[bn]=1,取整器再将Y输出至输出层,1即为所述最高故障等级。
本实施例提供的故障信号分级测试方法,通过预先配置的神经网络计算模型,分析所述故障测试信号,获得所述故障测试信号的最高故障等级,解决了目前故障信号分级测试需要人工手写测试用例,工作量大且不可靠的问题。
本实施例可以通过通用的测试软件以及编程语言,很方便的实现自动化运行,并可以快捷的生成大量的测试用例,满足测试的覆盖率要求。此外,本实施例采用直接的表格形式来表示需要测试的故障信息,使用者无需考虑复杂的逻辑变换,只要把想要测试的故障信息填在表中就可以了,这样使用者不必花大量的时间来学习神经网络等相关知识,就可以马上学会操作。
第二实施例
本实施例提供了一种故障信号分级测试装置,如图5所示,所述装置包括:
获取模块51,用于获取故障测试信号;
神经网络计算模型52,用于分析所述故障测试信号,获得所述故障测试信号的最高故障等级。
具体的,如图5所示,所述神经网络计算模型52包括:
输入层521,用于根据所述故障测试信号中的故障信息和预先获取的故障等级记录表,生成故障排列矩阵。
具体的,所述输入层521具体用于:
根据所述故障等级记录表所记录的对应每一故障信号的编号,确定所述故障测试信号中的故障信息的对应编号;
根据所述故障测试信号中的每一故障信息的对应编号,生成所述故障排列矩阵。
进一步的,所述故障排列矩阵中,所记录每行所述对应编号的对应故障信息属于同一故障等级,并且从第一行至第N行,故障等级逐渐降低,其中N为大于1的整数。
具体的,如图5所示,所述神经网络计算模型52还包括:
中间层522,用于对所述故障排列矩阵进行计算,获得所述故障测试信号的最高故障等级。
进一步的,所述中间层522,包括:
过滤器,用于获取与所述故障排列矩阵相对应的处理矩阵,并将所述故障排列矩阵中的行数据从第一行至第N行依次与所述处理矩阵进行乘积运算,并输出计算结果;
比较器,用于根据所述过滤器输出的计算结果,判定所述过滤器是否结束运算,并在所述过滤器结束运算时,输出最终的所述计算结果,其中,若所述计算结果小于第一预设值,则判定所述过滤器继续运算,所述比较器继续对下一个计算结果进行比较,若所述计算结果大于所述第一预设值,则判定所述过滤器停止运算;
取整器,用于获取所述比较器输出的计算结果,并获取所述计算结果的整数部分,输出至所述输出层。
具体的,如图5所示,所述神经网络计算模型52还包括:
输出层523,用于输出所述最高故障等级。
本实施例提供的故障信号分级测试装置,通过预先配置的神经网络计算模型,分析所述故障测试信号,获得所述故障测试信号的最高故障等级,解决了目前故障信号分级测试需要人工手写测试用例,工作量大且不可靠的问题。
本实施例可以通过通用的测试软件以及编程语言,很方便的实现自动化运行,并可以快捷的生成大量的测试用例,满足测试的覆盖率要求。此外,本实施例采用直接的表格形式来表示需要测试的故障信息,使用者无需考虑复杂的逻辑变换,只要把想要测试的故障信息填在表中就可以了,这样使用者不必花大量的时间来学习神经网络等相关知识,就可以马上学会操作。
第三实施例
本实施例提供了一种汽车,包括所述的故障信号分级测试装置。
本实施例提供的汽车,包括故障信号分级测试装置,应用于VCU,所述故障信号分级测试装置通过预先配置的神经网络计算模型,分析故障测试信号,获得所述故障测试信号的最高故障等级,解决了目前故障信号分级测试需要人工手写测试用例,工作量大且不可靠的问题。
以上所述的是本发明的优选实施方式,应当指出对于本技术领域的普通人员来说,在不脱离本发明所述的原理前提下还可以作出若干改进和润饰,这些改进和润饰也在本发明的保护范围内。
Claims (11)
1.一种故障信号分级测试方法,其特征在于,所述方法包括:
获取故障测试信号;
通过预先配置的神经网络计算模型,分析所述故障测试信号,获得所述故障测试信号的最高故障等级。
2.根据权利要求1所述的故障信号分级测试方法,其特征在于,所述通过预先配置的神经网络计算模型,分析所述故障测试信号的故障等级,包括:
所述神经网络计算模型的输入层根据所述故障测试信号中的故障信息和预先获取的故障等级记录表,生成故障排列矩阵;
所述神经网络计算模型的中间层对所述故障排列矩阵进行计算,获得所述故障测试信号的最高故障等级;
所述神经网络计算模型的输出层输出所述最高故障等级。
3.根据权利要求2所述的故障信号分级测试方法,其特征在于,所述神经网络计算模型的输入层根据所述故障测试信号中的故障信息和预先获取的故障等级记录表,生成故障排列矩阵,包括:
所述输入层根据所述故障等级记录表所记录的对应每一故障信号的位置,确定所述故障测试信号中的故障信息的对应编号;
根据所述故障测试信号中的每一故障信息的对应编号,生成所述故障排列矩阵。
4.根据权利要求3所述的故障信号分级测试方法,其特征在于,所述故障排列矩阵中,所记录每行所述对应编号的对应故障信息属于同一故障等级,并且从第一行至第N行,故障等级逐渐降低,其中N为大于1的整数。
5.根据权利要求4所述的故障信号分级测试方法,其特征在于,所述神经网络计算模型的中间层对所述故障排列矩阵进行计算,获得所述故障测试信号的最高故障等级,包括:
所述中间层的过滤器获取与所述故障排列矩阵相对应的处理矩阵,并将所述故障排列矩阵中的行数据从第一行至第N行依次与所述处理矩阵进行乘积运算,并输出计算结果;
所述中间层的比较器根据所述过滤器输出的计算结果,判定所述过滤器是否结束运算,并在所述过滤器结束运算时,输出最终的所述计算结果,其中,若所述计算结果小于第一预设值,则所述过滤器继续运算,所述比较器继续对下一个计算结果进行比较,若所述计算结果大于所述第一预设值,则所述过滤器停止运算;
所述中间层的取整器获取所述比较器输出的计算结果,并获取所述计算结果的整数部分,输出至所述输出层。
6.一种故障信号分级测试装置,其特征在于,所述装置包括:
获取模块,用于获取故障测试信号;
神经网络计算模型,用于分析所述故障测试信号,获得所述故障测试信号的最高故障等级。
7.根据权利要求6所述的故障信号分级测试装置,其特征在于,所述神经网络计算模型包括:
输入层,用于根据所述故障测试信号中的故障信息和预先获取的故障等级记录表,生成故障排列矩阵;
中间层,用于对所述故障排列矩阵进行计算,获得所述故障测试信号的最高故障等级;
输出层,用于输出所述最高故障等级。
8.根据权利要求7所述的故障信号分级测试装置,其特征在于,所述输入层具体用于:
根据所述故障等级记录表所记录的对应每一故障信号的位置,确定所述故障测试信号中的故障信息的对应编号;
根据所述故障测试信号中的每一故障信息的对应编号,生成所述故障排列矩阵。
9.根据权利要求8所述的故障信号分级测试装置,其特征在于,所述故障排列矩阵中,所记录每行所述对应编号的对应故障信息属于同一故障等级,并且从第一行至第N行,故障等级逐渐降低,其中N为大于1的整数。
10.根据权利要求9所述的故障信号分级测试装置,其特征在于,所述中间层,包括:
过滤器,用于获取与所述故障排列矩阵相对应的处理矩阵,并将所述故障排列矩阵中的行数据从第一行至第N行依次与所述处理矩阵进行乘积运算,并输出计算结果;
比较器,用于根据所述过滤器输出的计算结果,判定所述过滤器是否结束运算,并在所述过滤器结束运算时,输出最终的所述计算结果,其中,若所述计算结果小于第一预设值,则判定所述过滤器继续运算,所述比较器继续对下一个计算结果进行比较,若所述计算结果大于所述第一预设值,则判定所述过滤器停止运算;
取整器,用于获取所述比较器输出的计算结果,并获取所述计算结果的整数部分,输出至所述输出层。
11.一种汽车,其特征在于,包括如权利要求6至10任一项所述的故障信号分级测试装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910151322.9A CN111624973A (zh) | 2019-02-28 | 2019-02-28 | 一种故障信号分级测试方法、装置及汽车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910151322.9A CN111624973A (zh) | 2019-02-28 | 2019-02-28 | 一种故障信号分级测试方法、装置及汽车 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111624973A true CN111624973A (zh) | 2020-09-04 |
Family
ID=72271629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910151322.9A Pending CN111624973A (zh) | 2019-02-28 | 2019-02-28 | 一种故障信号分级测试方法、装置及汽车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111624973A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279553A (zh) * | 2015-09-29 | 2016-01-27 | 华北电力大学(保定) | 一种高加给水系统故障程度识别方法 |
US20160275416A1 (en) * | 2015-03-20 | 2016-09-22 | Nec Laboratories America, Inc. | Fast Distributed Nonnegative Matrix Factorization and Completion for Big Data Analytics |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
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 |
CN107272586A (zh) * | 2016-04-08 | 2017-10-20 | 发那科株式会社 | 机械学习装置、机械学习方法、故障预知装置及系统 |
CN107562034A (zh) * | 2017-07-14 | 2018-01-09 | 宝沃汽车(中国)有限公司 | 线上故障处理方法及处理系统 |
EP3336777A1 (en) * | 2016-12-19 | 2018-06-20 | Palantir Technologies Inc. | Determining maintenance for a machine |
CN108303264A (zh) * | 2017-01-13 | 2018-07-20 | 华为技术有限公司 | 一种基于云的车辆故障诊断方法、装置及其系统 |
CN108482296A (zh) * | 2018-02-23 | 2018-09-04 | 盐城师范学院 | 一种汽车安全气囊故障分级预警系统及预警方法 |
CN109283918A (zh) * | 2018-10-30 | 2019-01-29 | 北京友信宏科电子科技股份有限公司 | 故障处理方法和控制器 |
-
2019
- 2019-02-28 CN CN201910151322.9A patent/CN111624973A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160275416A1 (en) * | 2015-03-20 | 2016-09-22 | Nec Laboratories America, Inc. | Fast Distributed Nonnegative Matrix Factorization and Completion for Big Data Analytics |
CN105279553A (zh) * | 2015-09-29 | 2016-01-27 | 华北电力大学(保定) | 一种高加给水系统故障程度识别方法 |
CN107272586A (zh) * | 2016-04-08 | 2017-10-20 | 发那科株式会社 | 机械学习装置、机械学习方法、故障预知装置及系统 |
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 |
EP3336777A1 (en) * | 2016-12-19 | 2018-06-20 | Palantir Technologies Inc. | Determining maintenance for a machine |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN108303264A (zh) * | 2017-01-13 | 2018-07-20 | 华为技术有限公司 | 一种基于云的车辆故障诊断方法、装置及其系统 |
CN107562034A (zh) * | 2017-07-14 | 2018-01-09 | 宝沃汽车(中国)有限公司 | 线上故障处理方法及处理系统 |
CN108482296A (zh) * | 2018-02-23 | 2018-09-04 | 盐城师范学院 | 一种汽车安全气囊故障分级预警系统及预警方法 |
CN109283918A (zh) * | 2018-10-30 | 2019-01-29 | 北京友信宏科电子科技股份有限公司 | 故障处理方法和控制器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
US11756349B2 (en) | Electronic control unit testing optimization | |
CN108900546A (zh) | 基于lstm的时间序列网络异常检测的方法与装置 | |
US20180276527A1 (en) | Processing Method Using Convolutional Neural Network, Convolutional Neural Network Learning Method, and Processing Device Including Convolutional Neural Network | |
US11514308B2 (en) | Method and apparatus for machine learning | |
CN108965001B (zh) | 一种车辆报文数据模型的评估方法及装置 | |
US11593648B2 (en) | Methods and systems for detection and isolation of bias in predictive models | |
US20190080235A1 (en) | Method and apparatus for machine learning | |
CN112668809B (zh) | 建立自闭症儿童康复效果预测模型的方法 | |
CN112580807A (zh) | 一种基于效能评估的神经网络改进需求自动生成方法及装置 | |
CN111684367B (zh) | 控制装置、控制系统、控制方法以及计算机可读存储介质 | |
WO2020013726A1 (ru) | Способ интерпретации искусственных нейронных сетей | |
CN112147973A (zh) | 检验系统、选择真实测试和测试系统的方法和设备 | |
Mandal et al. | Using eye movement data visualization to enhance training of air traffic controllers: A dynamic network approach | |
CN109829471B (zh) | 随机森林的训练方法、装置、存储介质和电子设备 | |
CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
CN111624973A (zh) | 一种故障信号分级测试方法、装置及汽车 | |
US20190333294A1 (en) | Detecting fault states of an aircraft | |
Khemani et al. | Electronic circuit diagnosis with no data | |
JP7190047B2 (ja) | 検査装置、検査方法、および、検査プログラム、ならびに、学習装置、学習方法、および、学習プログラム | |
Choudhury | AProcess FOR COMPLETE AUTONOMOUS SOFTWARE DISPLAY VALIDATION AND TESTING (USING A CAR-CLUSTER) | |
CN111160454B (zh) | 一种速变信号检测方法和装置 | |
Strauss et al. | Macsum aggregation learning and missing values | |
US20230176957A1 (en) | Simulation method and modeling method | |
WO2023073967A1 (ja) | 精度判定プログラム、精度判定装置、および精度判定方法 |
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 |
Application publication date: 20200904 |
|
RJ01 | Rejection of invention patent application after publication |