CN113743482B - 一种基于车联网obd数据的车辆安全检测方法 - Google Patents

一种基于车联网obd数据的车辆安全检测方法 Download PDF

Info

Publication number
CN113743482B
CN113743482B CN202110958384.8A CN202110958384A CN113743482B CN 113743482 B CN113743482 B CN 113743482B CN 202110958384 A CN202110958384 A CN 202110958384A CN 113743482 B CN113743482 B CN 113743482B
Authority
CN
China
Prior art keywords
obd data
encoder
sequence
data sequence
loss
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
Application number
CN202110958384.8A
Other languages
English (en)
Other versions
CN113743482A (zh
Inventor
杨杰
冯金龙
石帅委
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou Yunzhi Xin'an Security Technology Co ltd
Original Assignee
Zhengzhou Yunzhi Xin'an Security Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou Yunzhi Xin'an Security Technology Co ltd filed Critical Zhengzhou Yunzhi Xin'an Security Technology Co ltd
Priority to CN202110958384.8A priority Critical patent/CN113743482B/zh
Publication of CN113743482A publication Critical patent/CN113743482A/zh
Application granted granted Critical
Publication of CN113743482B publication Critical patent/CN113743482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于车联网OBD数据的车辆安全检测方法，包括：在实时OBD数据序列存在数据缺失的情况下，利用第一变分自编码器，可以获取该实时OBD数据对应的序列隐空间分布；根据实时OBD数据对应的序列隐空间分布上的采样点，并利用映射网络，获取实时OBD数据对应的完整采样点；根据实时OBD数据对应的完整采样点，并利用第二变分自编码器，获取该实时OBD数据的补全后的OBD数据序列，进而进行车辆安全检测判断，以确定车辆是否出现故障。由于本发明可以根据存在数据缺失的实时OBD数据序列，准确获取其对应的补全后的OBD数据序列，克服了OBD数据序列缺失对车辆安全检测判断造成的不利影响，提高了辆安全检测判断的准确性。

Description

一种基于车联网OBD数据的车辆安全检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于车联网OBD数据的车辆安全检测方法。
背景技术
车联网场景下，车辆上部署若干传感器，包括如油量统计传感器、胎压监测传感器、加速度监测传感器等，传感器由ECU电控单元控制，并将数据通过CAN总线传输至OBD数据采集模块，再上传至应用端用于车辆安全检测分析。其中，现有的车辆安全检测分析方法，基本都是基于连续时序的OBD数据，例如公开号为CN111695618A的中国专利文件就公开了一种基于OBD数据的电动汽车电机故障检测方法。
但是，在OBD数据的传输过程中，会存在数据包丢包的情况，而现有的车辆安全检测分析方法并未考虑到这种情况，这就可能会导致未能及时发现车辆故障，车辆安全检测结果不准确，车辆行车安全性较差。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于车联网obd数据的车辆安全检测方法，所采用的技术方案具体如下：
本发明提供了一种基于车联网OBD数据的车辆安全检测方法，该方法包括以下步骤：
获取实时OBD数据序列，并判断该实时OBD数据序列是否存在数据缺失，若存在数据缺失，则获取预先构建和训练好的第一变分自编码器、第二变分自编码器和映射网络；
将获取的实时OBD数据序列输入到第一变分自编码器中，获取实时OBD数据对应的序列隐空间分布；
获取实时OBD数据对应的序列隐空间分布上的采样点，并将实时OBD数据对应的序列隐空间分布上的采样点输入到映射网络中，获取实时OBD数据对应的完整OBD数据序列的采样点；
将实时OBD数据对应的完整OBD数据序列的采样点输入到第二变分自编码器中，获取该实时OBD数据的补全后的OBD数据序列；
根据该实时OBD数据的补全后的OBD数据序列，进行车辆安全检测判断，以确定车辆是否出现故障。
进一步的，第一变分自编码器的构建和训练的过程包括：
构建第一变分自编码器，所述第一变分自编码器包括相连接的第一编码器和第一解码器，所述第一解码器还连接有判别器；
从历史OBD数据中获取多段完整OBD数据序列，对各段完整OBD数据序列进行数据缺失处理，进而得到各段完整OBD数据序列对应的生成OBD数据序列；
从历史OBD数据中获取多段真实OBD数据序列，所述真实OBD数据序列是指存在数据缺失的OBD数据序列，将各段生成OBD数据序列和真实OBD数据序列作为第一变分自编码器的训练数据集；
根据第一编码器构建的序列隐空间分布损失、第一解码器重构的OBD数据序列损失以及判别器的分类损失，构建第一变分自编码器的损失函数；
根据构建的第一变分自编码器的损失函数，利用第一变分自编码器的训练数据集对第一变分自编码器进行训练，从而使第一编码器根据生成OBD数据序列构建的序列隐空间分布与根据真实OBD数据序列构建的序列隐空间分布一致。
进一步的，第一变分自编码器的损失函数的计算公式为：
其中，L为第一变分自编码器的损失函数，为真实OBD数据序列X1对应的第一编码器构建的序列隐空间分布损失，/>为生成OBD数据序列X2对应的第一编码器构建的序列隐空间分布损失，/>为真实OBD数据序列X1对应的第一解码器重构的OBD数据序列损失，为生成OBD数据序列X2对应的第一解码器重构的OBD数据序列损失，Lc为判别器的分类损失。
进一步的，第二变分自编码器的构建和训练的过程包括：
构建第二变分自编码器，所述第二变分自编码器包括相连接的第二编码器和第二解码器；
从历史OBD数据中获取多个完整OBD数据序列，并将各个完整OBD数据序列作为第二变分自编码器的训练数据集；
根据第二编码器构建的序列隐空间分布损失、第二解码器重构的OBD数据序列损失，构建第二变分自编码器的损失函数；
根据构建的第二变分自编码器的损失函数，利用第二变分自编码器的训练数据集对第二变分自编码器进行训练，以获取第二编码器根据完整OBD数据序列构建的序列隐空间分布。
进一步的，映射网络的构建和训练的过程包括：
构建映射网络，所述映射网络包括相连接的第三编码器和第三解码器；
获取第一编码器根据生成OBD数据序列构建的序列隐空间分布以及第二编码器根据完整OBD数据序列构建的序列隐空间分布；
将第一编码器根据生成OBD数据序列构建的序列隐空间分布作为映射网络的训练数据集，将第二编码器根据完整OBD数据序列构建的序列隐空间分布作为映射网络的标签；
根据映射网络的映射分布损失和特征相似度损失，构建映射网络的损失函数；
根据构建的映射网络的损失函数，利用映射网络的训练数据集和标签对映射网络进行训练，以得到生成OBD数据序列对应的序列隐空间分布与完整OBD数据序列对应的序列隐空间分布之间的关联关系。
进一步的，映射网络的映射分布损失的计算公式为：
其中，Ld为映射网络的映射分布损失，为生成OBD数据序列X2对应的序列隐空间分布，G(*)为映射网络，ZY为完整OBD数据序列Y对应的序列隐空间分布，||*||1为L1范数距离。
进一步的，特征相似度损失的计算公式为：
其中，Lf为特征相似度损失，M为映射网络的第三编码器包含的层数，为生成OBD数据序列X2输入到映射网络中第m层的特征张量，/>为完整OBD数据序列Y输入到映射网络中第m层的特征张量，||*||1为L1范数距离，εm为映射网络的第三编码器的第m层的调整系数。
进一步的，调整函数的计算公式为：
其中，εm为映射网络的第三编码器的第m层的调整系数。
本发明具有如下有益效果：本发明通过利用预先构建和训练好的第一变分自编码器、第二变分自编码器和映射网络，其中第一变分自编码器通过预先训练，可以获取存在数据缺失的输入OBD数据对应的序列隐空间分布；第二变分自编码器通过预先训练，可以获取完整OBD数据对应的序列隐空间分布，并通过对完整OBD数据对应的序列隐空间分布上的采样点，可以重构出完整OBD数据序列；映射网络通过预先训练，可以获取第一变分自编码器输出的存在数据缺失的序列隐空间分布到完整OBD数据对应的序列隐空间分布的映射关系。本发明将存在数据缺失的实时OBD数据序列输入到第一变分自编码器中，可以得到该实时OBD数据序列对应的序列隐空间分布，该实时OBD数据对应的序列隐空间分布通过映射网络，可以得到对应完整的OBD数据序列对应的序列隐空间分布，对应完整的OBD数据对应的序列隐空间分布通过第二变分自编码器可以得到补全后的OBD数据序列，进而实现车辆安全检测判断。由于本发明可以根据实时OBD数据序列，可以准确获取其对应的补全后的OBD数据序列，克服了OBD数据序列缺失对车辆安全检测判断造成的不利影响，提高了车辆安全检测判断的准确性。
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和优点，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的介绍，显而易见地，下面描述中的附图仅仅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它附图。
图1为本发明的第一变分自编码器、第二变分自编码器和映射网络的连接示意图；
图2为本发明的基于车联网OBD数据的车辆安全检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种基于车联网OBD数据的车辆安全检测方法，该检测方法的应用场景为：OBD数据采集模块将接收到OBD数据传输至应用端过程中存在数据丢包现象，进而导致根据OBD数据进行车辆安全检测结果不准确。
其中，该基于车联网OBD数据的车辆安全检测方法的主要思路为：通过构建第一变分自编码器，用于获取真实OBD数据序列对应的序列隐空间分布和生成OBD数据序列对应的序列隐空间分布，并使真实OBD数据序列对应的序列隐空间分布和生成OBD数据序列对应的序列隐空间分布足够靠近，有利于后续对实时OBD数据序列缺失进行补全；通过构建第二变分自编码器，用于获取完整OBD数据序列对应的序列隐空间分布，有利于提高实时OBD数据序列缺失补全的准确性；通过映射方式建立真实OBD数据序列对应的序列隐空间分布和完整OBD数据序列对应的序列隐空间分布的关联，进而准确进行实时OBD数据序列补全，并根据补全后的实时OBD数据序列，进行车辆安全检测分析。下面结合图1和图2，对该基于车联网OBD数据的车辆安全检测方法进行详细介绍：
首先，由于该基于车联网OBD数据的车辆安全检测方法中需要应用到预先构建和训练好的第一变分自编码器、第二变分自编码器和映射网络，因此，这里先对一变分自编码器、第二变分自编码器和映射网络的构建和训练过程进行详细介绍。
步骤S1，第一变分自编码器的构建和训练。
其中，该步骤S1的目的在于，将真实OBD数据序列和生成OBD数据序列作为训练数据集，进行第一变分自编码器的训练，进而获取真实OBD数据序列对应的序列隐空间分布和生成OBD数据序列对应的序列隐空间分布，这里的序列隐空间分布也就是变分自编码器的后验分布，并使两序列隐空间分布尽可能一致，这有利于后续对实时OBD数据序列缺失进行补全。
如图1所示，该第一变分自编码器的构建和训练过程如下：
(1-1)构建第一变分自编码器，第一变分自编码器包括相连接的第一编码器和第一解码器，第一解码器还连接有判别器。
其中，如图1所示，该第一变分自编码器为编码器-解码器结构，解码器的后面还连接有一个判别器，该判别器包括判别编码器和全连接层。为了便于区分，这里将第一变分自编码器的编码器和解码器分别称为第一编码器和第一解码器。由于变分自编码器和判别器的结构和构建过程均属于现有技术，此处不再赘述。
(1-2)从历史OBD数据中获取多段完整OBD数据序列，完整OBD数据序列即为没有数据缺失的OBD数据序列，对各段完整OBD数据序列进行数据缺失处理，进而得到各段完整OBD数据序列对应的生成OBD数据序列。从历史OBD数据中获取多个真实OBD数据序列，真实OBD数据序列是指存在数据缺失的OBD数据序列，将各个生成OBD数据序列和真实OBD数据序列作为第一变分自编码器的训练数据集。
其中，从现有历史OBD数据中选取若干段完整OBD数据序列，对各段完整OBD数据序列随机选取固定时间间隔的数据点进行置0操作，获取各段完整OBD数据序列对应的生成OBD数据序列，以模拟数据丢失情况。同时，从历史OBD数据获取若干段真实OBD数据序列，这里的真实OBD数据序列是指实际存在数据丢失情况的OBD数据序列。将各个生成OBD数据序列和真实OBD数据序列同时作为第一变分自编码器的训练数据集。
这里将各个生成OBD数据序列和真实OBD数据序列同时作为第一变分自编码器的训练数据集的原因在于，真实OBD数据序列无法获取对应的完整OBD数据序列，无法对变分自编码器进行有效监督，因此该步骤通过对现有完整OBD数据序列进行模拟，获取生成OBD数据序列，生成OBD数据序列和完整OBD数据序列可一一对应，便于进行第一变分自编码器的训练。
(1-3)根据第一编码器构建的序列隐空间分布损失、第一解码器重构的OBD数据序列损失以及判别器的分类损失，构建第一变分自编码器的损失函数：
L1＝Lkl+Lre+Lc
其中，L1为第一变分自编码器的损失函数，Lkl为第一编码器构建的序列隐空间分布损失，也即KL散度，具体地，Lkl＝KL(p(z|x)||N(0,1))，该KL散度用于使第一编码器构建的序列隐空间分布p(z|x)靠近标准正态分布N(0,1)，Lre为重建损失，将输入到第一变分自编码器的OBD数据序列简称为输入OBD数据序列，Lre即为输入OBD数据序列对应的第一解码器重构的OBD数据序列损失，该损失为输入OBD数据序列和对应第一解码器重构的OBD数据序列之间的L2范数距离；Lc为判别器的分类损失，采用交叉熵作为该分类损失。
需要说明的是，在上述的第一变分自编码器的损失函数中，第一编码器构建的序列隐空间分布损失Lkl、重建损失Lre以及判别器的分类损失均为现有技术，本方案的重点在于在第一变分自编码器的第一解码器的后面连接一个判别器，并将该判别器对应的分类损失与序列隐空间分布损失Lkl和重建损失Lre一起作为第一变分自编码器的损失函数，以便于通过对第一变分自编码器进行训练，使第一编码器根据生成OBD数据序列构建的序列隐空间分布与根据真实OBD数据序列构建的序列隐空间分布一致。
由于第一变分自编码器是以真实OBD数据序列和生成OBD数据序列作为训练数据集，将真实OBD数据序列标记为X1，将生成OBD数据序列标记为X2，则此时最终的第一变分自编码器的损失函数为：
其中，为真实OBD数据序列X1对应的第一编码器构建的序列隐空间分布损失，为生成OBD数据序列X2对应的第一编码器构建的序列隐空间分布损失，/>为真实OBD数据序列X1对应的第一解码器重构的OBD数据序列损失，/>为生成OBD数据序列X2对应的第一解码器重构的OBD数据序列损失，Lc为判别器的分类损失。
(1-4)根据构建的第一变分自编码器的损失函数，利用第一变分自编码器的训练数据集对第一变分自编码器进行训练，从而使第一编码器根据生成OBD数据序列构建的序列隐空间分布与根据真实OBD数据序列构建的序列隐空间分布一致。
其中，在对第一变分自编码器进行训练时，将训练数据集中的生成OBD数据序列和实OBD数据序列，也就是训练样本，输入到第一变分自编码器的第一编码器中，第一编码器输出为样本专属的序列隐空间分布，对序列隐空间分布采样后将采样点送入第一解码器中，获取重构OBD数据序列。此处将真实OBD数据序列和生成OBD数据序列一同训练的目的是实现真实OBD数据序列和生成OBD数据序列对应序列隐空间分布的一致性。而为了提高两序列隐空间分布的一致性，本实施例采用GAN网络思想，在解码器后添加判别器，该判别器通过重构OBD数据序列类别用于判断输入OBD数据序列是否为生成OBD数据序列，当判别器无法判断出输入OBD数据序列是否为生成OBD数据序列时，则说明真实OBD数据序列和生成OBD数据序列对应序列隐空间分布达到了高度一致。
通过上述步骤S1，完成了第一变分自编码器的构建和训练，获得了真实OBD数据序列对应的序列隐空间分布和生成OBD数据序列对应的序列隐空间分布，并使两序列隐空间分布尽可能一致，这就便于后续能够通过对生成OBD数据序列对应的完整OBD数据序列的序列隐空间分布进行采样点映射，进而恢复出实时OBD数据序列的完整OBD数据序列。
步骤S2，第二变分自编码器的构建和训练。
其中，该步骤S2的目的在于，将完整OBD数据序列作为训练数据集，进行第二变分自编码器构建处理，进而获取完整OBD数据序列对应的序列隐空间分布，以便于后续提高实时OBD数据序列缺失补全的准确性。
如图1所示，该第二变分自编码器的构建和训练过程如下：
(2-1)构建第二变分自编码器，该第二变分自编码器包括互连接的第二编码器和第二解码器。
其中，该第二变分自编码器仍为编码器-解码器结构，与第一变分自编码器区别在于无需添加判别器。为了便于区分，这里将第二变分自编码器的编码器和解码器分别称为第二编码器和第二解码器。
(2-2)从历史OBD数据中获取多个完整OBD数据序列，并将各个完整OBD数据序列作为第二变分自编码器的训练数据集。
(2-3)根据第二编码器构建的序列隐空间分布损失、第二解码器重构的OBD数据序列损失，构建第二变分自编码器的损失函数。
其中，由于第二变分自编码器是以生成OBD数据序列对应的完整OBD数据序列作为训练数据集，将完整OBD数据序列标记为Y，则此时第二变分自编码器的损失函数为：
其中，L2为第二变分自编码器的损失函数，为完整OBD数据序列Y对应的第二编码器构建的序列隐空间分布损失，也即KL散度，/>为重建损失，即完整OBD数据序列Y对应的第二解码器重构的OBD数据序列损失，该损失为完整OBD数据序列和对应第二解码器重构的OBD数据序列之间的L2范数距离。
需要说明的是，在上述的第二变分自编码器的损失函数中，完整OBD数据序列Y对应的第二编码器构建的序列隐空间分布损失以及重建损失/>均可以参考上述步骤S1中的第一编码器构建的序列隐空间分布损失Lkl、重建损失Lre，此处不再赘述。
(2-4)根据构建的第二变分自编码器的损失函数，利用第二变分自编码器的训练数据集对第二变分自编码器进行训练，以获取第二编码器根据完整OBD数据序列构建的完整序列隐空间分布。
其中，在对第二变分自编码器进行训练时，将训练数据集中的完整OBD数据序列，也就是训练样本，输入到第二变分自编码器的第二编码器中，第二编码器输出为样本专属的序列隐空间分布，对序列隐空间分布采样后将采样点送入第二解码器中，获取重构OBD数据序列。
通过上述步骤S2，完成了第二变分自编码器的构建和训练，获得了完整OBD数据序列对应的隐空间分布，这就便于后续能够通过对生成OBD数据序列对应的完整OBD数据序列的序列隐空间分布进行采样点映射，进而恢复出实时OBD数据序列的完整OBD数据序列。
步骤S3，映射网络的构建和训练。
其中，该步骤S3的目的在于，将各个生成OBD数据序列对应的序列隐空间分布作为映射网络的训练数据集，将各个完整OBD数据序列对应的序列隐空间分布作为映射网络的标签，进行映射网络构建处理，进而获取两序列隐空间分布之间的映射关系。由于真实OBD数据序列与生成OBD数据对应的序列隐空间分布近似，因此真实OBD数据序列根据映射网络映射获取的采样点也可以通过第二变分自编码器的解码器恢复出较好的真实完整OBD数据序列，这就便于后续实现真实OBD数据序列缺失补全。
如图1所示，该映射网络的构建和训练过程如下：
(3-1)构建映射网络，该映射网络包括互连接的第三编码器和第三解码器。
其中，该映射网络为编码器-解码器结构，为了便于区分，这里将映射网络的编码器和解码器分别称为第三编码器和第三解码器。由于该映射网络的结构以及具体构建过程属于现有技术，此处不再赘述。
(3-2)获取根据生成OBD数据序列构建的序列隐空间分布以及根据完整OBD数据序列构建的序列隐空间分布。将根据生成OBD数据序列构建的序列隐空间分布作为映射网络的训练数据集，将根据完整OBD数据序列构建的序列隐空间分布作为映射网络的标签。
其中，通过步骤S1，可以获取第一变分自编码器的第一编码器根据生成OBD数据序列构建的序列隐空间分布，通过步骤S2，可以获取第二变分自编码器的第二编码器根据完整OBD数据序列构建的序列隐空间分布，进而可以得到映射网络的训练数据集和标签。
(3-3)根据映射网络的映射分布损失和特征相似度损失，构建映射网络的损失函数：
L3＝Ld+Lf
其中，L3为映射网络的损失函数，Ld为映射分布损失，Lf为特征相似度损失，该映射分布损失Ld的计算公式为：
其中，为生成OBD数据序列X2对应的序列隐空间分布，G(*)为映射网络，ZY为完整OBD数据序列Y对应的序列隐空间分布，||*||1为L1范数距离。
该为特征相似度损失Lf的计算公式为：
其中，M为映射网络的第三编码器包含的层数，为生成OBD数据序列X2输入到映射网络中第m层的特征张量，/>为完整OBD数据序列Y输入到映射网络中第m层的特征张量，||*||1为L1范数距离，εm为映射网络的第三编码器的第m层的调整系数，用于调整不同层特征张量差异对于损失的影响，其关系应为层数越深，特征张量越一致，此时方可进行有效的映射，因此，层数越深，对于特征张量差异越敏感，该映射网络的第三编码器的第m层的调整系数εm的计算表达式为：
根据调整系数εm的计算表达式可知，该调整系数εm形如S型函数，符合上述要求且不会出现无限制增大进而导致在层数较深情况下损失函数难以降低的情况。
(3-4)根据构建的映射网络的损失函数，利用映射网络的训练数据集和标签对映射网络进行训练，以得到生成OBD数据序列对应的生成序列隐空间分布与完整OBD数据序列对应的完整序列隐空间分布之间的关联关系。
通过上述步骤S3，完成了映射网络的构建和训练，获得了生成OBD数据序列对应的序列隐空间分布与完整OBD数据序列对应的序列隐空间分布之间的映射关系。由于生成OBD数据序列和真实OBD数据序列对应的序列隐空间分布一致，因此利用训练好的映射网络，就可以将真实OBD数据序列隐空间分布上的采样点通过映射网络获取对应完整采样点，再通过第二解码器进行恢复，即可获取补全后的OBD数据序列。
基于上述预先构建和训练好的第一变分自编码器、第二变分自编码器和映射网络，如图2所示，本实施例所提出的基于车联网OBD数据的车辆安全检测方法包括以下步骤：
(1)获取实时OBD数据序列，并判断该实时OBD数据序列是否存在数据缺失，若存在数据缺失，则获取预先构建和训练好的第一变分自编码器、第二变分自编码器和映射网络。
其中，在获取实时OBD数据序列后，首先对该实时OBD数据序列是否存在数据缺失情况进行判断，具体判断方法可以采用现有技术中所公开的技术，此处不再赘述。若判断出存在数据缺失，则获取预先构建和训练好的第一变分自编码器、第二变分自编码器和映射网络，以便于后续获取该存在数据缺失的实时OBD数据序列对应的补全后的OBD数据序列，也即完整OBD数据序列，然后根据补全后的OBD数据序列，再进行车辆安全检测判断；若判断出不存在数据缺失，则直接根据该不存在数据缺失的实时OBD数据序列，进行车辆安全检测判断。
(2)将获取的实时OBD数据序列输入到第一变分自编码器中，获取实时OBD数据对应的序列隐空间分布。
其中，将存在数据缺失的实时OBD数据序列输入到已经训练好的第一变分自编码器中的第一编码器中，由第一编码器输出实时OBD数据对应的序列隐空间分布。
(3)获取实时OBD数据对应的序列隐空间分布上的采样点，并将实时OBD数据对应的序列隐空间分布上的采样点输入到映射网络中，获取实时OBD数据对应的完整OBD数据序列的采样点。
其中，在获得由第一编码器输出的实时OBD数据对应的序列隐空间分布后，对该序列隐空间分布进行采样，并将采样点输入到训练好的映射网络的第三编码器中，由映射网络的第三编码器的第三解码器输出该实时OBD数据序列对应的完整OBD数据序列的采样点。
(4)将实时OBD数据序列对应的完整采样点输入到第二变分自编码器中，获取该实时OBD数据的补全后的OBD数据序列。
其中，将实时OBD数据对应的完整OBD数据序列的采样点输入到已经训练好的第二变分自编码器的第二解码器中，该第二解码器通过对OBD数据序列进行重构，得到该实时OBD数据的补全后的OBD数据序列。
(5)根据该实时OBD数据的补全后的OBD数据序列，进行车辆安全检测判断，以确定车辆是否出现故障。
其中，对补全后的OBD数据序列进行分析，具体分析方法可基于不同的检测系统采用现有分析方法来实现。例如，补全的OBD数据序列为电机的电压和电流数据序列，此时则可以根据公开号为CN111695618A的中国专利文件所公开的基于OBD数据的电动汽车电机故障检测方法进行安全检测分析。
需要说明的是，根据补全的OBD数据序列，进行车辆安全检测判断的具体实现方式并不是本方案的重点，本方案旨在提供完整补全的OBD数据序列，以提高基于OBD数据序列进行车辆安全检测分析的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于车联网OBD数据的车辆安全检测方法，其特征在于，包括以下步骤：
获取实时OBD数据序列，并判断该实时OBD数据序列是否存在数据缺失，若存在数据缺失，则获取预先构建和训练好的第一变分自编码器、第二变分自编码器和映射网络；
将获取的实时OBD数据序列输入到第一变分自编码器中，获取实时OBD数据对应的序列隐空间分布；
获取实时OBD数据对应的序列隐空间分布上的采样点，并将实时OBD数据对应的序列隐空间分布上的采样点输入到映射网络中，获取实时OBD数据对应的完整OBD数据序列的采样点；
将实时OBD数据对应的完整OBD数据序列的采样点输入到第二变分自编码器中，获取该实时OBD数据的补全后的OBD数据序列；
根据该实时OBD数据的补全后的OBD数据序列，进行车辆安全检测判断，以确定车辆是否出现故障；
第一变分自编码器的构建和训练的过程包括：
构建第一变分自编码器，所述第一变分自编码器包括相连接的第一编码器和第一解码器，所述第一解码器还连接有判别器；
从历史OBD数据中获取多段完整OBD数据序列，对各段完整OBD数据序列进行数据缺失处理，进而得到各段完整OBD数据序列对应的生成OBD数据序列；
从历史OBD数据中获取多段真实OBD数据序列，所述真实OBD数据序列是指存在数据缺失的OBD数据序列，将各段生成OBD数据序列和真实OBD数据序列作为第一变分自编码器的训练数据集；
根据第一编码器构建的序列隐空间分布损失、第一解码器重构的OBD数据序列损失以及判别器的分类损失，构建第一变分自编码器的损失函数；
根据构建的第一变分自编码器的损失函数，利用第一变分自编码器的训练数据集对第一变分自编码器进行训练，从而使第一编码器根据生成OBD数据序列构建的序列隐空间分布与根据真实OBD数据序列构建的序列隐空间分布一致；
第一变分自编码器的损失函数的计算公式为：
其中，L为第一变分自编码器的损失函数，为真实OBD数据序列X1对应的第一编码器构建的序列隐空间分布损失，/>为生成OBD数据序列X2对应的第一编码器构建的序列隐空间分布损失，/>为真实OBD数据序列X1对应的第一解码器重构的OBD数据序列损失，/>为生成OBD数据序列X2对应的第一解码器重构的OBD数据序列损失，Lc为判别器的分类损失；
第二变分自编码器的构建和训练的过程包括：
构建第二变分自编码器，所述第二变分自编码器包括相连接的第二编码器和第二解码器；
从历史OBD数据中获取多个完整OBD数据序列，并将各个完整OBD数据序列作为第二变分自编码器的训练数据集；
根据第二编码器构建的序列隐空间分布损失、第二解码器重构的OBD数据序列损失，构建第二变分自编码器的损失函数；
根据构建的第二变分自编码器的损失函数，利用第二变分自编码器的训练数据集对第二变分自编码器进行训练，以获取第二编码器根据完整OBD数据序列构建的序列隐空间分布；
映射网络的构建和训练的过程包括：
构建映射网络，所述映射网络包括相连接的第三编码器和第三解码器；
获取第一编码器根据生成OBD数据序列构建的序列隐空间分布以及第二编码器根据完整OBD数据序列构建的序列隐空间分布；
将第一编码器根据生成OBD数据序列构建的序列隐空间分布作为映射网络的训练数据集，将第二编码器根据完整OBD数据序列构建的序列隐空间分布作为映射网络的标签；
根据映射网络的映射分布损失和特征相似度损失，构建映射网络的损失函数；
根据构建的映射网络的损失函数，利用映射网络的训练数据集和标签对映射网络进行训练，以得到生成OBD数据序列对应的序列隐空间分布与完整OBD数据序列对应的序列隐空间分布之间的关联关系。
2.根据权利要求1所述的基于车联网OBD数据的车辆安全检测方法，其特征在于，映射网络的映射分布损失的计算公式为：
其中，Ld为映射网络的映射分布损失，为生成OBD数据序列X2对应的序列隐空间分布，G(*)为映射网络，ZY为完整OBD数据序列Y对应的序列隐空间分布，||*||1为L1范数距离。
3.根据权利要求1所述的基于车联网OBD数据的车辆安全检测方法，其特征在于，特征相似度损失的计算公式为：
其中，Lf为特征相似度损失，M为映射网络的第三编码器包含的层数，为生成OBD数据序列X2输入到映射网络中第m层的特征张量，/>为完整OBD数据序列Y输入到映射网络中第m层的特征张量，||*||1为L1范数距离，εm为映射网络的第三编码器的第m层的调整系数。
4.根据权利要求3所述的基于车联网OBD数据的车辆安全检测方法，其特征在于，调整函数的计算公式为：
其中，εm为映射网络的第三编码器的第m层的调整系数。
CN202110958384.8A 2021-08-20 2021-08-20 一种基于车联网obd数据的车辆安全检测方法 Active CN113743482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110958384.8A CN113743482B (zh) 2021-08-20 2021-08-20 一种基于车联网obd数据的车辆安全检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110958384.8A CN113743482B (zh) 2021-08-20 2021-08-20 一种基于车联网obd数据的车辆安全检测方法

Publications (2)

Publication Number Publication Date
CN113743482A CN113743482A (zh) 2021-12-03
CN113743482B true CN113743482B (zh) 2023-09-12

Family

ID=78731936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110958384.8A Active CN113743482B (zh) 2021-08-20 2021-08-20 一种基于车联网obd数据的车辆安全检测方法

Country Status (1)

Country Link
CN (1) CN113743482B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581189A (zh) * 2020-03-27 2020-08-25 浙江大学 一种空气质量检测数据缺失的补全方法及补全装置
CN111695598A (zh) * 2020-05-11 2020-09-22 东南大学 一种基于生成对抗网络的监测数据异常诊断方法
CN112597831A (zh) * 2021-02-22 2021-04-02 杭州安脉盛智能技术有限公司 一种基于变分自编码器和对抗网络的信号异常检测方法
CN113255733A (zh) * 2021-04-29 2021-08-13 西安交通大学 多模态数据缺失下的无监督异常检测方法
CN113269675A (zh) * 2021-05-18 2021-08-17 东北师范大学 基于深度学习模型的时变体数据时间超分辨率可视化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9443360B1 (en) * 2015-02-27 2016-09-13 TrueLite Trace, Inc. Unknown on-board diagnostics (OBD) protocol interpreter and conversion system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581189A (zh) * 2020-03-27 2020-08-25 浙江大学 一种空气质量检测数据缺失的补全方法及补全装置
CN111695598A (zh) * 2020-05-11 2020-09-22 东南大学 一种基于生成对抗网络的监测数据异常诊断方法
CN112597831A (zh) * 2021-02-22 2021-04-02 杭州安脉盛智能技术有限公司 一种基于变分自编码器和对抗网络的信号异常检测方法
CN113255733A (zh) * 2021-04-29 2021-08-13 西安交通大学 多模态数据缺失下的无监督异常检测方法
CN113269675A (zh) * 2021-05-18 2021-08-17 东北师范大学 基于深度学习模型的时变体数据时间超分辨率可视化方法

Also Published As

Publication number Publication date
CN113743482A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN108921013B (zh) 一种基于深度神经网络的视觉场景识别系统及方法
CN106017876A (zh) 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
CN105955233B (zh) 一种基于数据挖掘的车辆故障诊断方法及系统
CN106338385A (zh) 一种基于奇异谱分解的旋转机械故障诊断方法
CN112200244A (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN114818774A (zh) 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法
CN110161343A (zh) 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN109187023A (zh) 一种汽车发电机轴承故障诊断方法
CN113284046B (zh) 基于无高分辨率参考图的遥感图像增强和复原方法及网络
CN110297041A (zh) 一种基于fcn与gru的3d编织复合材料缺陷检测方法
CN113793263B (zh) 多尺度空洞卷积的并行残差网络高分辨率图像重建方法
CN111795819B (zh) 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
CN111797891A (zh) 基于生成对抗网络的非成对异质人脸图像生成方法、装置
CN115054270B (zh) 基于gcn提取睡眠频谱图特征的睡眠分期方法及系统
CN116127354A (zh) 基于深度学习的高压电缆局部放电故障定位方法及系统
CN114640695B (zh) 一种智能工厂基于长序列双预测和informer的高频时序数据有效传输方法
CN106919925A (zh) 一种基于小波熵与人工神经网络的福特汽车检测方法
CN113743482B (zh) 一种基于车联网obd数据的车辆安全检测方法
CN117689960B (zh) 一种岩性场景分类模型构建方法及分类方法
CN116703769A (zh) 一种卫星遥感图像全色锐化系统
CN103152298B (zh) 一种基于分布式压缩感知系统的盲信号重构方法
CN113156913B (zh) 一种abs故障诊断系统及方法
CN110689510B (zh) 一种引入字典信息基于稀疏表示的图像融合方法
CN116229284A (zh) 一种基于多视角和多尺度的遥感图像时空融合方法
CN114383845B (zh) 一种基于嵌入式零样本学习模型的轴承复合故障诊断方法

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
GR01 Patent grant
GR01 Patent grant