CN112132285A - 车辆故障诊断方法及装置 - Google Patents
车辆故障诊断方法及装置 Download PDFInfo
- Publication number
- CN112132285A CN112132285A CN202011045619.6A CN202011045619A CN112132285A CN 112132285 A CN112132285 A CN 112132285A CN 202011045619 A CN202011045619 A CN 202011045619A CN 112132285 A CN112132285 A CN 112132285A
- Authority
- CN
- China
- Prior art keywords
- information
- fault
- target
- vehicle
- neural network
- 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 88
- 238000003745 diagnosis Methods 0.000 title claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000013024 troubleshooting Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 24
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 239000003507 refrigerant Substances 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Abstract
本发明实施例提供了一种车辆故障诊断方法及装置,其中,在获取到车辆待诊断信息时;利用预先训练好的神经网络推理机模型预测出车辆待诊断信息对应的故障器件的标识信息;基于该标识信息确定目标故障解决信息,以使得用户和维修人员能够根据目标故障解决信息的故障诊断原因和故障解决方法对故障器件进行维修,大大缩减了用户或者维修人员查找故障问题所花费的时间和精力。
Description
技术领域
本发明涉及故障诊断技术领域,尤其是涉及一种车辆故障诊断方法及装置。
背景技术
随着汽车电子技术的不断发展,汽车系统也越来越复杂,当汽车出现故障时,用户或者维修人员无法对整个汽车系统可能产生的故障进行快速准确的诊断及提出有效的解决方法,且,在故障诊断的过程中,花费了用户或者维修人员大量的时间和精力来查找故障问题的所在。
发明内容
有鉴于此,本发明的目的在于提供一种车辆故障诊断方法及装置,以缓解上述技术问题。
第一方面,本发明实施例提供了一种车辆故障诊断方法,其中,该方法应用于电子设备,电子设备预先存储有训练好的神经网络推理机模型;上述方法包括:获取车辆待诊断信息;利用神经网络推理机模型预测出车辆待诊断信息对应的故障器件的标识信息;其中,神经网络推理机模型是基于故障样本训练神经网络模型得到的;基于标识信息确定目标故障解决信息,其中,目标故障解决信息包括故障诊断原因和故障解决方法。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,上述方法还包括:将标识信息和目标故障解决信息发送至与电子设备连接的显示器上进行显示。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,电子设备还与车辆信息采集传感器连接;获取车辆待诊断信息的步骤,包括:接收车辆信息采集传感器发送的采集信息,将采集信息确定为车辆待诊断信息。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,标识信息包括故障器件名称和故障器件编号;电子设备预先存储有故障解决方法表,故障解决方法表中存储有多个器件编号,以及与器件编号一一对应的故障解决信息;基于标识信息确定目标故障解决信息的步骤,包括:从多个器件编号中查找与故障器件编号匹配的目标器件编号;将目标器件编号对应的故障解决信息确定为故障器件编号对应的目标故障解决信息。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,电子设备还预先存储有器件电路原理信息表,器件电路原理信息表中存储有多个器件编号,以及与器件编号一一对应的器件电路原理信息;该方法还包括:在器件电路原理信息表中确定与故障器件编号匹配的目标器件电路原理信息;将目标器件电路原理信息发送至显示器进行显示。
结合第一方面的第四种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,在器件电路原理信息表中确定与故障器件编号匹配的目标器件电路原理信息的步骤,包括:从多个器件编号中查找与故障器件编号匹配的目标器件编号;将目标器件编号对应的器件电路原理信息确定为故障器件编号对应的目标器件电路原理信息。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,电子设备配置有知识库,知识库中预先存储有故障诊断知识信息;上述方法还包括:接收用户的管理操作管理指令;其中,管理指令包括以下指令中的一种或多种:增添指令、修改指令、删除指令;基于管理指令对知识库中的故障诊断知识信息进行管理处理。
结合第一方面的第六种可能的实施方式,本发明实施例提供了第一方面的第七种可能的实施方式,其中,上述方法还包括:将目标故障解决信息发送至知识库进行存储;按照预设时间间隔利用知识库中的故障诊断知识信息和目标故障解决信息对神经网络推理机模型进行更新训练,直至训练至神经网络推理机模型的损失函数收敛。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第八种可能的实施方式,其中,电子设备配置有器件数据库,器件数据库中存储有器件编号,以及与器件编号对应的器件变更信息;上述方法还包括:接收用户的查询指令;基于查询指令在器件数据库中查询与故障器件编号对应的目标器件变更信息;将目标器件变更信息发送至显示器进行显示,以指示用户当前器件库中存在替换故障器件的对应器件。
第二方面,本发明实施例还提供一种车辆故障诊断装置,其中,该装置应用于电子设备,电子设备预先存储有训练好的神经网络推理机模型;上述装置包括:获取模块,用于获取车辆待诊断信息;预测模块,用于利用神经网络推理机模型预测出车辆待诊断信息对应的故障器件的标识信息;其中,神经网络推理机模型是基于故障样本训练神经网络模型得到的;确定模块,用于基于标识信息确定目标故障解决信息,其中,目标故障解决信息包括故障诊断原因和故障解决方法。
本发明实施例带来了以下有益效果:
本发明实施例提供了一种车辆故障诊断方法及装置,其中,在获取到车辆待诊断信息时;利用预先训练好的神经网络推理机模型预测出车辆待诊断信息对应的故障器件的标识信息;基于该标识信息确定目标故障解决信息,以使得用户和维修人员能够根据目标故障解决信息的故障诊断原因和故障解决方法对故障器件进行维修,大大缩减了用户或者维修人员查找故障问题所花费的时间和精力。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,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为本发明实施例提供的一种车辆故障诊断方法的流程图;
图2为本发明实施例提供的另一种车辆故障诊断方法的流程图;
图3为本发明实施例提供的一种车辆故障诊断装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
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,下面将结合附图对本发明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,本领域技术人员在没有做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。
目前,维修人员无法对整个汽车系统可能产生的故障进行快速准确的诊断及提出有效的解决方法,基于此,本发明实施例提供的一种车辆故障诊断方法及装置,以缓解上述技术问题。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种车辆故障诊断方法进行详细介绍。
本实施例提供了一种车辆故障诊断方法,其中,该方法应用于电子设备,电子设备预先存储有训练好的神经网络推理机模型;参见图1所示的一种车辆故障诊断方法的流程图,该车辆故障诊断方法包括如下步骤:
步骤S102,获取车辆待诊断信息;
随着用户对生活品质的提高需求以及对汽车舒适性的提高,汽车空调的智能化显得越来越重要。现有的汽车空调中,压缩机故障、缺制冷剂、控制面板故障、电动水阀无法转换等故障都需要售后维修人员花费大量时间排查,且售后服务人员水平不一,给用户用车体验带来很大困扰。在本实施例中,以对车辆的空调故障进行诊断为例进行说明,因此,获取到的车辆待诊断信息为与空调有关的信息,比如,车辆待诊断信息包括:当前环境温度、空调控制面板设置温度、行车空调是否正常、钥匙是否处于ACC(不发动车可以给车内部分电器供电)档位、蓄电池电压是否正常、空调系统高低压压力以及故障描述信息(驻车空调不制冷、制冷效果差)等车辆待诊断信息。
步骤S104,利用神经网络推理机模型预测出车辆待诊断信息对应的故障器件的标识信息;其中,神经网络推理机模型是基于故障样本训练神经网络模型得到的;
神经网络推理机模型是专家系统中常用的网络模型,能够高效地推理求解复杂的问题,因此,可被广泛的用于预测问题中,在本实施例中,将获取到的车辆待诊断信息输入至预先利用故障样本训练好的神经网络推理机模型进行预测,得到车辆待诊断信息对应的故障器件的标识信息。
该标识信息可以包括故障器件名称和故障器件编号,或者为故障器件的图片信息,在此不进行限定;其中,故障器件编号可以为器件出厂编号或者为人为设置的编号,在此也不进行限定。
由于是对车辆空调故障进行诊断的,因此,预先训练好的神经网络推理机模型是基于空调故障样本训练得到的;在实际使用时,上述车辆故障诊断方法不仅限于对车辆空调故障进行诊断,在利用神经网络推理机模型对车辆哪种故障进行预测时,首先需要使用对应故障的故障样本训练神经网络推理机模型,以使得训练好的神经网络推理机模型能够准确快速的预测出车辆待诊断信息对应的故障器件的标识信息。
由于上述利用故障样本训练神经网络推理机模型的过程与现有训练神经网络推理机模型的过程相同,在此不进行赘述。
步骤S106,基于标识信息确定目标故障解决信息,其中,目标故障解决信息包括故障诊断原因和故障解决方法。
根据得到的标识信息确定出目标故障解决信息,以使得用户和维修人员参考得到的故障诊断原因和故障解决方法对故障器件进行维修,大大缩减了用户或维修人员查找故障问题花费的时间。
本发明实施例提供了一种车辆故障诊断方法,其中,在获取到车辆待诊断信息时;利用预先训练好的神经网络推理机模型预测出车辆待诊断信息对应的故障器件的标识信息;基于该标识信息确定目标故障解决信息,以使得用户和维修人员能够根据目标故障解决信息的故障诊断原因和故障解决方法对故障器件进行维修,大大缩减了用户或者维修人员查找故障问题所花费的时间和精力。
为了使得确定出的目标故障解决信息能够直观展示给用户或者维修人员,在本实施例中,将标识信息和目标故障解决信息发送至与电子设备连接的显示器上进行显示。
该显示器可以为车载显示器,或者为用户或者维修人员使用的智能终端的显示器,在此不进行限定。用户或者维修人员可通过显示器上显示出的故障器件的标识信息和目标故障解决信息,能够快速找到故障器件、故障原因以及解决该故障的方法。
继续以诊断空调故障为例进行说明,在基于标识信息得到的空调故障的故障诊断原因为:压缩机内部控制器三相接线柱压板密封不严导致漏氟;故障解决方法为:更换电动压缩机,抽真空、检漏并充注制冷剂;用户或者维修人员可以根据得到的故障解决方法解决驻车空调不制冷、制冷效果差的问题。
通常,为了能够准确获得车辆待诊断信息,在本实施例中,电子设备还与车辆信息采集传感器连接以获取车辆待诊断信息,具体地,如图2所示的另一种车辆故障诊断方法的流程图,该方法在上述实施例的基础上实现,本实施例重点描述获取车辆待诊断信息的具体实施方式。本实施例中的车辆故障诊断方法包括如下步骤:
步骤S202,接收车辆信息采集传感器发送的采集信息,将采集信息确定为车辆待诊断信息;
继续以汽车空调故障为例进行说明,上述与电子设备连接的车辆信息采集传感器为能够采集当前环境温度、空调控制面板设置温度、行车空调是否正常的、钥匙是否处于ACC档位、蓄电池电压是否正常等信息各自对应的传感器;在实际使用时,可以根据故障诊断时所需要采集的信息安装与电子设备连接的传感器,以实现车辆待诊断信息的获取。
通常,除了可以利用传感器的方式获取车辆待诊断信息之外,还可以利用与电子设备连接的具有信息输入功能的显示器进行车辆待诊断信息的录入,以使得电子设备能够获取该车辆待诊断信息,在本实施例中,不对车辆待诊断信息的获取方式进行限定。
步骤S204,利用神经网络推理机模型预测出车辆待诊断信息对应的故障器件的标识信息;其中,神经网络推理机模型是基于故障样本训练神经网络模型得到的;
步骤S206,基于标识信息确定目标故障解决信息,其中,目标故障解决信息包括故障诊断原因和故障解决方法。
在本实施例中,以标识信息包括故障器件名称和故障器件编号为例进行说明,通常,电子设备预先存储有故障解决方法表,故障解决方法表中存储有多个器件编号,以及与器件编号一一对应的故障解决信息。其中,该故障解决信息包括故障诊断原因和故障解决方法。
基于上述故障解决方法表,本实施例步骤S206的实现过程具体为:从多个器件编号中查找与故障器件编号匹配的目标器件编号;将目标器件编号对应的故障解决信息确定为故障器件编号对应的目标故障解决信息。
利用故障器件编号在故障解决方法表存储的多个器件编号中查找与故障器件编号相同的器件编号,将该器件编号确定为目标器件编号,之后,在将该目标器件编号对应的故障解决信息确定为故障器件编号对应的目标故障解决信息,该目标故障解决信息即为诊断出的故障的原因以及解决该故障的具体方法,从而提高了用户或维修人员维修汽车的工作效率。
在实际使用时,上述电子设备还预先存储有器件电路原理信息表,器件电路原理信息表中存储有多个器件编号,以及与器件编号一一对应的器件电路原理信息;该方法还包括:在器件电路原理信息表中确定与故障器件编号匹配的目标器件电路原理信息;将目标器件电路原理信息发送至显示器进行显示。
具体地,在器件电路原理信息表中确定与故障器件编号匹配的目标器件电路原理信息的实现过程为:从多个器件编号中查找与故障器件编号匹配的目标器件编号;将目标器件编号对应的器件电路原理信息确定为故障器件编号对应的目标器件电路原理信息。
利用故障器件编号在器件电路原理信息表存储的多个器件编号中查找与故障器件编号相同的器件编号,将该器件编号确定为目标器件编号,之后,在将该目标器件编号对应的器件电路原理信息确定为故障器件编号对应的目标器件电路原理信息,通常,上述器件电路原理信息不限于电路工作原理图、电路工作原理说明等内容,可以根据实际需要进行设置,在此不进行限定。
将查找到的目标器件电路原理信息发送至显示器进行显示以便于用户或维修人员快速定位出故障器件在汽车系统中具体位置,方便排查和维修。
具体地,上述电子设备配置有知识库,知识库中预先存储有故障诊断知识信息;上述方法还包括:接收用户的管理操作管理指令;其中,管理指令包括以下指令中的一种或多种:增添指令、修改指令、删除指令;基于管理指令对知识库中的故障诊断知识信息进行管理处理。
知识库中预先存储的故障诊断知识信息通常为现有已知故障诊断知识信息,通过用户的管理操作管理指令能够实现在该知识库中添加新的故障诊断知识信息、修改错误的故障诊断知识信息以及删除无用的故障诊断知识信息等操作,以保证知识库中信息的正确性和实效性。
具体实现时,上述方法还包括:将目标故障解决信息发送至知识库进行存储;按照预设时间间隔利用知识库中的故障诊断知识信息和目标故障解决信息对神经网络推理机模型进行更新训练,直至训练至神经网络推理机模型的损失函数收敛。
通常,在上述知识库中没有存储目标故障解决信息时,可将该目标故障解决信息发送至知识库进行存储以丰富知识库中的信息。在实际使用时,为了使得神经网络推理机模型能够更加准确的进行故障预测,得到故障器件的标识信息,在本实施例中,需要按照预设时间间隔利用知识库中的故障诊断知识信息和目标故障解决信息对神经网络推理机模型进行更新训练,直到训练至神经网络推理机模型的损失函数收敛或者训练的次数达到预设的训练次数为止,利用更新后的神经网络推理机模型对车辆待诊断信息进行预测以得到故障器件的标识信息。模型训练的更新能够实现故障诊断经验的自学习,每次将诊断经验存储至设定的知识库中,便于再次出现类似故障时提供诊断经验。
为了便于维修人员了解目前器件库中有无器件以替换故障器件,通常,电子设备配置有器件数据库,器件数据库中存储有器件编号,以及与器件编号对应的器件变更信息;上述方法还包括:接收用户的查询指令;基于查询指令在器件数据库中查询与故障器件编号对应的目标器件变更信息;将目标器件变更信息发送至显示器进行显示,以指示用户当前器件库中存在替换故障器件的对应器件。
该查询指令可以为用户点击显示器上显示出的故障器件编号的操作生成的指令,当电子设备接收到用户的查询指令时,则利用故障器件编号在器件数据库中查询与故障器件编号对应的目标器件变更信息,并将该变更信息发送至显示器进行显示;其中,该变更信息为器件状态的变更信息,如果显示出的变更信息为否时,说明器件库中与故障器件对应的器件存在,维修人员则可以利用该器件替换故障器件;如果显示出的变更信息为是时,说明器件库中与故障器件对应的器件不存在,则无法对故障器件进行替换。本实施例提供了故障件编码查询功能,以方便维修人员了解器件库当前存放的器件能否替换故障器件。
对应于上述方法实施例,本发明实施例提供了一种车辆故障诊断装置,该装置应用于电子设备,电子设备预先存储有训练好的神经网络推理机模型;如图3所示的一种车辆故障诊断装置的结构示意图,该车辆故障诊断装置包括:
获取模块302,用于获取车辆待诊断信息;
预测模块304,用于利用神经网络推理机模型预测出车辆待诊断信息对应的故障器件的标识信息;其中,神经网络推理机模型是基于故障样本训练神经网络模型得到的;
确定模块306,用于基于标识信息确定目标故障解决信息,其中,目标故障解决信息包括故障诊断原因和故障解决方法。
本发明实施例提供了一种车辆故障诊断装置,其中,在获取到车辆待诊断信息时;利用预先训练好的神经网络推理机模型预测出车辆待诊断信息对应的故障器件的标识信息;基于该标识信息确定目标故障解决信息,以使得用户和维修人员能够根据目标故障解决信息的故障诊断原因和故障解决方法对故障器件进行维修,大大缩减了用户或者维修人员查找故障问题所花费的时间和精力。
本发明实施例提供的车辆故障诊断装置,与上述实施例提供的车辆故障诊断方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本申请实施例还提供了一种电子设备,如图4所示,为该电子设备的结构示意图,其中,该电子设备包括处理器121和存储器120,该存储器120存储有能够被该处理器121执行的计算机可执行指令,该处理器121执行该计算机可执行指令以实现上述车辆故障诊断方法。
在图4示出的实施方式中,该电子设备还包括总线122和通信接口123,其中,处理器121、通信接口123和存储器120通过总线122连接。
其中,存储器120可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口123(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线122可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线122可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器121可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器121中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器121可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器121读取存储器中的信息,结合其硬件完成前述实施例的车辆故障诊断方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述车辆故障诊断方法,具体实现可参见前述方法实施例,在此不再赘述。
本发明实施例所提供的车辆故障诊断方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,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。
所述功能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)执行本发明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(ROM,Read-Only Memory)、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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车辆故障诊断方法,其特征在于,所述方法应用于电子设备,所述电子设备预先存储有训练好的神经网络推理机模型;所述方法包括:
获取车辆待诊断信息;
利用所述神经网络推理机模型预测出所述车辆待诊断信息对应的故障器件的标识信息;其中,所述神经网络推理机模型是基于故障样本训练神经网络模型得到的;
基于所述标识信息确定目标故障解决信息,其中,所述目标故障解决信息包括故障诊断原因和故障解决方法。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述标识信息和所述目标故障解决信息发送至与所述电子设备连接的显示器上进行显示。
3.根据权利要求1所述的方法,其特征在于,所述电子设备还与车辆信息采集传感器连接;
所述获取车辆待诊断信息的步骤,包括:
接收所述车辆信息采集传感器发送的采集信息,将所述采集信息确定为车辆待诊断信息。
4.根据权利要求2所述的方法,其特征在于,其中,所述标识信息包括故障器件名称和故障器件编号;
所述电子设备预先存储有故障解决方法表,所述故障解决方法表中存储有多个器件编号,以及与所述器件编号一一对应的故障解决信息;
基于所述标识信息确定目标故障解决信息的步骤,包括:
从多个所述器件编号中查找与所述故障器件编号匹配的目标器件编号;
将所述目标器件编号对应的故障解决信息确定为所述故障器件编号对应的目标故障解决信息。
5.根据权利要求4所述的方法,其特征在于,所述电子设备还预先存储有器件电路原理信息表,所述器件电路原理信息表中存储有多个器件编号,以及与所述器件编号一一对应的器件电路原理信息;
所述方法还包括:
在所述器件电路原理信息表中确定与所述故障器件编号匹配的目标器件电路原理信息;
将所述目标器件电路原理信息发送至所述显示器进行显示。
6.根据权利要求5所述的方法,其特征在于,在所述器件电路原理信息表中确定与所述故障器件编号匹配的目标器件电路原理信息的步骤,包括:
从多个所述器件编号中查找与所述故障器件编号匹配的目标器件编号;
将所述目标器件编号对应的器件电路原理信息确定为所述故障器件编号对应的目标器件电路原理信息。
7.根据权利要求1所述的方法,其特征在于,所述电子设备配置有知识库,所述知识库中预先存储有故障诊断知识信息;
所述方法还包括:
接收用户的管理操作管理指令;其中,所述管理指令包括以下指令中的一种或多种:增添指令、修改指令、删除指令;
基于所述管理指令对所述知识库中的故障诊断知识信息进行管理处理。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
将所述目标故障解决信息发送至所述知识库进行存储;
按照预设时间间隔利用所述知识库中的故障诊断知识信息和所述目标故障解决信息对所述神经网络推理机模型进行更新训练,直至训练至神经网络推理机模型的损失函数收敛。
9.根据权利要求4所述的方法,其特征在于,所述电子设备配置有器件数据库,所述器件数据库中存储有器件编号,以及与所述器件编号对应的器件变更信息;
所述方法还包括:
接收用户的查询指令;
基于所述查询指令在所述器件数据库中查询与所述故障器件编号对应的目标器件变更信息;
将所述目标器件变更信息发送至所述显示器进行显示,以指示用户当前器件库中存在替换所述故障器件的对应器件。
10.一种车辆故障诊断装置,其特征在于,所述装置应用于电子设备,所述电子设备预先存储有训练好的神经网络推理机模型;所述装置包括:
获取模块,用于获取车辆待诊断信息;
预测模块,用于利用所述神经网络推理机模型预测出所述车辆待诊断信息对应的故障器件的标识信息;其中,所述神经网络推理机模型是基于故障样本训练神经网络模型得到的;
确定模块,用于基于所述标识信息确定目标故障解决信息,其中,所述目标故障解决信息包括故障诊断原因和故障解决方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011045619.6A CN112132285A (zh) | 2020-09-28 | 2020-09-28 | 车辆故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011045619.6A CN112132285A (zh) | 2020-09-28 | 2020-09-28 | 车辆故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132285A true CN112132285A (zh) | 2020-12-25 |
Family
ID=73844439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011045619.6A Pending CN112132285A (zh) | 2020-09-28 | 2020-09-28 | 车辆故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132285A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076717A (zh) * | 2021-03-22 | 2021-07-06 | 深圳市道通科技股份有限公司 | 数据自动关联方法、装置及电子设备 |
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 |
CN115171242A (zh) * | 2022-07-04 | 2022-10-11 | 安徽一维新能源技术有限公司 | 工业车辆远程故障检测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020007237A1 (en) * | 2000-06-14 | 2002-01-17 | Phung Tam A. | Method and system for the diagnosis of vehicles |
CN107450525A (zh) * | 2017-09-15 | 2017-12-08 | 四川驹马企业管理有限公司 | 车辆故障检测装置与方法 |
CN108469802A (zh) * | 2018-01-31 | 2018-08-31 | 武汉华威专用汽车检测有限责任公司 | 一种车辆信息远程监控与故障诊断系统 |
CN109163913A (zh) * | 2018-09-30 | 2019-01-08 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
CN110032169A (zh) * | 2019-03-22 | 2019-07-19 | 深圳市朗仁科技有限公司 | 故障维修引导方法及装置 |
WO2019185657A1 (en) * | 2018-03-27 | 2019-10-03 | We Predict Limited | Predictive vehicle diagnostics method |
-
2020
- 2020-09-28 CN CN202011045619.6A patent/CN112132285A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020007237A1 (en) * | 2000-06-14 | 2002-01-17 | Phung Tam A. | Method and system for the diagnosis of vehicles |
CN107450525A (zh) * | 2017-09-15 | 2017-12-08 | 四川驹马企业管理有限公司 | 车辆故障检测装置与方法 |
CN108469802A (zh) * | 2018-01-31 | 2018-08-31 | 武汉华威专用汽车检测有限责任公司 | 一种车辆信息远程监控与故障诊断系统 |
WO2019185657A1 (en) * | 2018-03-27 | 2019-10-03 | We Predict Limited | Predictive vehicle diagnostics method |
CN109163913A (zh) * | 2018-09-30 | 2019-01-08 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
CN110032169A (zh) * | 2019-03-22 | 2019-07-19 | 深圳市朗仁科技有限公司 | 故障维修引导方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113076717A (zh) * | 2021-03-22 | 2021-07-06 | 深圳市道通科技股份有限公司 | 数据自动关联方法、装置及电子设备 |
CN115171242A (zh) * | 2022-07-04 | 2022-10-11 | 安徽一维新能源技术有限公司 | 工业车辆远程故障检测系统 |
CN115171242B (zh) * | 2022-07-04 | 2024-02-02 | 安徽一维新能源技术有限公司 | 工业车辆远程故障检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132285A (zh) | 车辆故障诊断方法及装置 | |
US8463485B2 (en) | Process for service diagnostic and service procedures enhancement | |
JP4928532B2 (ja) | 車両の故障診断装置 | |
US8509985B2 (en) | Detecting anomalies in fault code settings and enhancing service documents using analytical symptoms | |
CN109460010B (zh) | 基于知识图谱的车辆故障检测方法、装置及存储介质 | |
US9740993B2 (en) | Detecting anomalies in field failure data | |
CN112231493A (zh) | 基于知识图谱的机房故障诊断方法、装置、设备及介质 | |
US20060142907A1 (en) | Method and system for enhanced vehicle diagnostics using statistical feedback | |
US20120215491A1 (en) | Diagnostic Baselining | |
US20070226540A1 (en) | Knowledge-Based Diagnostic System for a Complex Technical System, Comprising Two Separate Knowledge Bases for Processing Technical System Data and Customer Complaints | |
CN104407603A (zh) | 家电自诊断方法和装置 | |
CN108829088B (zh) | 汽车诊断方法、装置及存储介质 | |
CN109885951A (zh) | 设备故障诊断方法及装置 | |
US10424137B2 (en) | Dynamic presentation of vehicular-reference information | |
CN112230621A (zh) | 基于obd的智能诊断系统及方法 | |
CN116010456A (zh) | 设备的处理方法、服务器和轨道交通系统 | |
CN113654186B (zh) | 空调检测方法、装置、电子设备和存储介质 | |
CN111311044A (zh) | 一种车辆定损方法及其系统 | |
US20220381848A1 (en) | Method and system for detecting vehicle battery cell imbalance | |
CN113294888B (zh) | 空调故障诊断方法及装置、工程故障诊断方法及系统、空调 | |
JP2007241598A (ja) | 現場保守支援システム、および現場保守支援方法 | |
US11794758B2 (en) | Selective health information reporting systems including integrated diagnostic models providing least and most possible cause information | |
CN115496386A (zh) | 设备巡检方法、系统及计算机可读存储介质 | |
JP4349185B2 (ja) | 車両監視装置 | |
CN116541442B (zh) | 一种新能源汽车日志分析方法及装置 |
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: 20201225 |