CN113935400A - 一种车辆故障诊断方法、装置、系统及存储介质 - Google Patents
一种车辆故障诊断方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN113935400A CN113935400A CN202111063618.9A CN202111063618A CN113935400A CN 113935400 A CN113935400 A CN 113935400A CN 202111063618 A CN202111063618 A CN 202111063618A CN 113935400 A CN113935400 A CN 113935400A
- Authority
- CN
- China
- Prior art keywords
- model
- new
- parallel
- models
- sub
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 78
- 239000002131 composite material Substances 0.000 claims abstract description 63
- 150000001875 compounds Chemical class 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 10
- 239000000498 cooling water Substances 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种车辆故障诊断方法、装置、系统及存储介质,涉及车辆智能故障诊断技术领域,该冷却水泵诊断方法包括步骤:顺次采集多个时间段的车辆故障样本,分别训练形成多个子模型;将多个子模型并联形成并联模型后,串联一个结合层,形成复合模型;复合模型形成后,每训练一个新的子模型,则剔除并联模型中准确率最低的N个子模型,并将该新的子模型并联至并联模型,得到新的并联模型;基于新的并联模型,更新结合层的参数,得到新的复合模型;将车辆故障时的特征数据输入新的复合模型,输出该特征数据对应的类别概率。本申请,充分考虑了车辆内外部环境随着时间变化而造成的故障原因变化,并可快速得到准确度较高的诊断结果。
Description
技术领域
本申请涉及车辆智能故障诊断技术领域,具体涉及一种车辆故障诊断方法、装置、系统及存储介质。
背景技术
目前,随着汽车电子化、智能化水平的不断提高,使汽车电子结构日益完善,同时也日益复杂,让车辆故障诊断与排除更加困难,导致车辆故障诊断、维修调度服务都很困难。
相关技术中,将车辆故障信息进行远程发送、收集、分析,从而对车辆运行状态进行远程监测和故障诊断,保障运输安全。但是,上述故障诊断过程,不仅耗时较长,且准确度较低。
发明内容
针对现有技术中存在的缺陷之一,本申请的目的在于提供一种车辆故障诊断方法、装置、系统及存储介质,以解决相关技术中车辆故障诊断时耗时较长,且准确度较低的问题。
本申请第一方面提供一种车辆故障诊断方法,其包括步骤:
顺次采集多个时间段的车辆故障样本,分别训练形成多个子模型,其中,每个时间段的故障样本的特征数据作为一个训练数据集的输入数据,该故障样本的频度统计数据作为该训练数据集的真实输出;
将上述多个子模型并联形成并联模型后,串联一个结合层,形成复合模型;
上述复合模型形成后,每训练一个新的子模型,则剔除并联模型中准确率最低的N个子模型,并将该新的子模型并联至上述并联模型,得到新的并联模型;
基于新的并联模型,更新上述结合层的参数,得到新的复合模型;
将车辆故障时的特征数据输入上述新的复合模型,输出该特征数据对应的类别概率。
一些实施例中,上述训练一个新的子模型,具体包括:
采集最近的时间段的车辆故障样本,得到新的训练数据集,并基于上述新的训练数据集训练得到新的子模型。
一些实施例中,上述剔除并联模型中准确率最低的N个子模型,具体包括:
将上述新的训练数据集的输入数据输入至并联模型中,得到并联模型中各子模型的输出值;
基于上述各子模型的输出值与上述新的训练数据集的真实输出,计算各输出值的准确率;
以上述准确率从小到大进行排序,剔除前N个子模型,N大于或等于1。
一些实施例中,上述计算各输出值的准确率,具体包括:
分别计算各子模型的输出值与真实输出之间差值,作为输出标签的准确率。
一些实施例中,上述基于新的并联模型,更新上述结合层的参数,具体包括:
将上述训练数据集的输入数据输入至上述新的并联模型,并以上述新的并联网络模型的输出值与真实输出的交叉熵作为损失函数,利用优化器进行反向传播,更新上述结合层的参数,优化损失函数。
一些实施例中,上述子模型为神经网络模型。
一些实施例中,上述结合层为神经网络或softmax层。
本申请第二方面提供一种基于上述方法的车辆故障诊断装置,其包括:
模型生成模块,其用于顺次采集多个时间段的车辆故障样本,分别训练形成多个子模型,每个时间段的故障样本的特征数据作为一个训练数据集的输入数据,该故障样本的频度统计数据作为该训练数据集的真实输出;以及将上述多个子模型并联形成并联模型后,串联一个结合层,形成复合模型;
第一更新模块,其用于当上述复合模型形成后,每训练一个新的子模型时,剔除并联模型中准确率最低的N个子模型,并将该新的子模型并联至上述并联模型,得到新的并联模型;
第二更新模块,其用于基于上述新的并联模型,更新上述结合层的参数,得到新的复合模型;
上述新的复合模型用于输入车辆故障时的特征数据,输出该特征数据对应的类别概率。
本申请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,其特征在于,上述计算机程序在被处理器运行时执行下述的车辆故障诊断的步骤:
顺次采集多个时间段的车辆故障样本,分别训练形成多个子模型,其中,每个时间段的故障样本的特征数据作为一个训练数据集的输入数据,该故障样本的频度统计数据作为该训练数据集的真实输出;
将上述多个子模型并联形成并联模型后,串联一个结合层,形成复合模型;
上述复合模型形成后,每训练一个新的子模型,则剔除并联模型中准确率最低的N个子模型,并将该新的子模型并联至上述并联模型,得到新的并联模型;
基于新的并联模型,更新上述结合层的参数,得到新的复合模型;
将车辆故障时的特征数据输入上述新的复合模型,输出该特征数据对应的类别概率。
本申请第四方面提供一种车辆故障诊断系统,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行上述车辆故障诊断方法的步骤;或者该计算机设备的存储介质上存储有被编程或配置以执行上述车辆故障诊断方法的计算机程序。
本申请提供的技术方案带来的有益效果包括:
本申请的车辆故障诊断方法、装置、系统及存储介质,通过定期统计最新的车辆故障样本,以该时间段的故障样本的特征数据作为一个新的训练数据集的输入数据,以该故障样本的频度统计数据作为该新的训练数据集的真实输出,并基于该新的训练数据集剔除已有复合模型的并联模型中准确率最低的模型,并训练新的子模型并入,不仅充分考虑车辆内外部环境随着时间变化而造成的故障原因变化,且每次模型更新时,均最大限度地保留了原有并联模型的主体;通过将新的并联模型的输出以结合层汇聚成一个整体输出,并调整结合层参数以得到新的复合模型后,即可通过该新的复合模型进行车辆故障诊断,以快速得到准确度较高的诊断结果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例中车辆故障诊断方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请实施例提供一种车辆故障诊断方法,其能解决相关技术中车辆故障诊断时耗时较长,且准确度较低的问题。
如图1所示,本实施例的车辆故障诊断方法具体包括以下步骤:
S1.顺次采集多个时间段的车辆故障样本,分别训练形成多个子模型,其中,每个时间段的故障样本的特征数据作为一个训练数据集的输入数据,该故障样本的频度统计数据作为该训练数据集的真实输出。
本实施例中,将一个训练数据集的输入数据输入至一个基础模型进行训练,以得到一个车辆故障诊断的子模型。其中,顺次采集多个时间段的车辆故障样本包括依次采集相连的多个时间段的车辆故障样本,顺次采集的时间段数量,即为训练形成的子模型的数量。
S2.将上述多个子模型并联形成并联模型,然后在该并联模型之后串联一个结合层,以形成复合模型。
S3.上述复合模型形成后,每训练一个新的子模型,则剔除上述并联模型中准确率最低的N个子模型,并将该新的子模型并联至上述并联模型,得到新的并联模型。
其中,复合模型形成后,即可对车辆故障进行诊断;然后每过一个时间段,均以该时间段的车辆故障样本形成的训练数据集,并训练得到一个新的子模型,用于该复合模型的更新。
S4.基于新的并联模型,更新上述结合层的参数,得到新的复合模型。
S5.将车辆故障时的特征数据输入上述新的复合模型,输出该特征数据对应的类别概率。
本实施例的车辆故障诊断方法,通过定期统计最新的车辆故障样本,以该时间段的故障样本的特征数据作为一个新的训练数据集的输入数据,以该时间段的故障样本的频度统计数据作为该新的训练数据集的真实输出,并基于该新的训练数据集剔除已有复合模型的并联模型中准确率最低的模型,并训练新的子模型并入,不仅充分考虑车辆内外部环境随着时间变化而造成的故障原因变化,且每次模型更新时,均最大限度地保留了原有并联模型的主体;通过将新的并联模型的输出以结合层汇聚成一个整体输出,并调整结合层参数以得到新的复合模型后,即可通过该新的复合模型进行车辆故障诊断,以快速得到准确度较高的诊断结果。
在上述实施例的基础上,本实施例中,上述步骤S3中,训练一个新的子模型,具体包括以下步骤:
采集最近的时间段的车辆故障样本,得到新的训练数据集,并基于上述新的训练数据集训练得到新的子模型。
本实施例中,上述最近的时间段为:以上一个复合模型形成并用作车辆故障诊断以来的时间段,即以上一个复合模型形成并用作车辆故障诊断为开始,以需要更新该上一个复合模型的时间为结束。随后,即以该时间段的训练数据集更新上一个复合模型,得到当前的新的复合模型。
可选地,上述时间段可设置为一年、一个季度或者一个月等,该时间段的长度可根据实际情况进行设定。
该采集最近时间段的车辆故障样本,即采集最近时间段的已知的故障现象和原因的对应表,计算频度统计,并以实际频度代替实际概率,作为对特征数据的真实输出。
进一步地,上述步骤S3中,剔除并联模型中准确率最低的N个子模型,具体包括以下步骤:
首先,将上述新的训练数据集的输入数据输入至并联模型中,得到并联模型中各子模型的输出值。
然后,基于上述各子模型的输出值与上述新的训练数据集的真实输出,计算各输出值的准确率。
最后,以上述准确率从小到大进行排序,剔除前N个子模型,N大于或等于1,即至少剔除一个准确率最低的子模型。
本实施例中,剔除子模型的数量N可根据实际需求进行设置,即剔除最偏离最新数据的N个现有子模型。
在其他实施例中,可以上述准确率从大到小进行排序,剔除后N个子模型。
进一步地,上述计算各输出值的准确率,具体包括以下步骤:
分别计算各子模型的输出值与真实输出之间差值,作为输出标签的准确率。
本实施例中,通过多个子模型的并联,实现针对所有时间数据端数据的集成,即将每个子模型的输出彼此叠加,若某个子模型没有某一项的输出,则记该子模型的该项输出为0%。
具体叠加方式为:叠加后的输出集中某一项输出的取值,为所有子模型的该项输出值之和。
本实施例中,自得到该复合模型并用作车辆故障诊断计时,并在计时达到上述时间段的长度时,即可再次基于该最近时间段的车辆故障样本,训练新的子模型,以得到新的复合模型,用于车辆故障诊断。
可选地,上述步骤S4中,上述基于新的并联模型,更新上述结合层的参数,具体包括以下步骤:
将上述训练数据集的输入数据输入至上述新的并联模型,并以上述新的并联网络模型的输出值与真实输出的交叉熵作为损失函数,利用优化器进行反向传播,更新上述结合层的参数,优化损失函数。
本实施例中,上述新的并联网络模型的输出值覆盖了输出集的全集,即累加起来一般会超过百分之百,通过接上一个结合层,该结合层可重新分配概率,根据作用重新映射分布到[0,1]之间,使得每一个输出项的值的总和为百分之百。
可选地,上述结合层可以是一个神经网络,也可以是softmax层。本实施例中,采用一个单独的神经网络作为结合层,可传导反向传播算法的导数调整值,还可在输出中使得准确率高的子模型有更大的权重;基于softmax可导,采用softmax作为结合层也可传导反向传播算法的导数调整值,并作为子模型结果叠加映射到各类别的归一化概率分布。
本实施例中,上述子模型为神经网络模型,即以神经网络作为基本分类器或者回归器。
可选地,上述子模型还可为其他以定长数组作为输入输出,可以通过反向传播算法调整内部参数的一切算法模型。
基于在不同时间段,故障现象背后的故障原因是不同的,比如某种齿轮金属强度不够,出现传动打滑故障时,大概率是齿轮磨损,可是随着新一批次同种齿轮的质量改进,传动打滑故障的最大概率可能性已经不是齿轮磨损了,仍然使用原有算法模型进行故障诊断必然出错。因此随着时间推进,算法模型要随着时间演进,不仅是内部结构的演进,还包括输入输出的变化演进,但同时要避免对整个模型的重新训练,以避免整体重新训练的高昂成本。即充分考虑了智能车辆内外部环境随着时间而变化,比如现象A在以前最大可能是由故障a引起的,但现在由于新的产品对故障a的质量改进,最大可能不再是a引起,而是故障b引起。
本实施例中,复合模型的输入可变,虽然单个神经网络的输入结构是固定的,但是多个神经网络并联成的复合模型的输入是可变的,即通过新增子神经网络引入新的输入项来新增输入,删除原有子神经网络(以及它的输入项)来缩减输入。
进一步地,复合模型的输出可变,输出是复合模型中现有所有子神经网络的输出经过结合层后的叠加,因此可用类似输入的变化方法来变化。通过对输入输出结构的变更,避免了对整个模型重新训练,降低训练成本。
具体地,将多个子神经网络并联形成并联模型后,再串联一个结合层,形成复合模型。在获取最近的时间段的车辆故障样本,并得到新的训练数据集后,可基于上述新的训练数据集训练得到新的子神经网络;同时,还可基于上述新的训练数据集,对上述复合模型中每一个子神经网络均输入该新的训练数据集的特征部分,将得出的输出与该新的训练数据集的真实输出进行对比,以计算准确率,进而可根据准确率进行以小到大的排序,以删除前N个子神经网络。
然后,将训练得到的新的子神经网络并联至上述删除了N个子神经网络的并联模型中,得到新的并联模型。
本实施例中,若结合层是神经网络,则可作为权重调整器,对复合模型以新的训练数据集进行有限数量episode的训练,以调整结合层,使得对新加入的神经网络的输出在叠加输出中具有越大权重;若结合层使用的是softmax,则仅对子神经网络结果叠加映射到各类别的归一化概率分布,无法调整权重,本步骤可以省略。
随后,即可随着时间推进,重复训练得到新的子神经网络、以及删除准确率最差的N个子神经网络,并形成新的并联模型,以在调整结合层参数后,得到新的复合模型,用于车辆故障诊断。
本实施例中,使用子神经网络作为基本部件,将多个子神经网络并联起来,将它们的输出结果叠加后,用一个结合层计算得出最终的输出结果,即每种故障原因的概率,总和为1。另外,随着时间演进对复合模型进行更新,不断加进反映最新数据的神经网络,剔除反映以往数据规律的旧有神经网络,实现整体模型随时间演进,同时不必对整体模型做全面的重新训练。
本实施例中,多个并排神经网络可以训练,只要给没有连线的神经元之间加上联线,并且设权重为0,即可执行反向传播操作。
本实施例中,需要做出基本假设,即输入所有已知故障现象的表达要素和影响要素(可能变动),输出所有已知故障原因(可能变动)。
具体地,设输入集ABCDE,输出集abc,具体输入为所有输入集的全集的一组取值,输出为输出集全集的一组概率(总和为1),即输入集为故障现象的数据集合,输出集为故障原因的概率分布。
本实施例中,一组输入A=3.12,B=10,C=123.0,D=0.9,E=0.7,输出a为90%,b为8%,c为2%。表明该故障现象的原因最可能为a。
本实施例中,通过有效的增量训练机制,即每次复合模型更新时,最大限度地保留原有复合模型的主体,仅仅在复合模型中添加新的信息,即新的现象与故障对应关系,
本申请实施例还提供一种基于上述车辆故障诊断方法的车辆故障诊断装置,该车辆故障诊断装置包括模型生成模块、第一更新模块和第二更新模块。
上述模型生成模块用于顺次采集多个时间段的车辆故障样本,分别训练形成多个子模型,每个时间段的故障样本的特征数据作为一个训练数据集的输入数据,该故障样本的频度统计数据作为该训练数据集的真实输出;上述模型生成模块还用于将上述多个子模型并联形成并联模型,并在并联模型之后串联一个结合层,形成复合模型。
上述第一更新模块用于当上述复合模型形成后,每训练一个新的子模型时,剔除并联模型中准确率最低的N个子模型,并将该新的子模型并联至上述并联模型,得到新的并联模型。
上述第二更新模块用于基于上述新的并联模型,更新上述结合层的参数,得到新的复合模型。
上述新的复合模型用于输入车辆故障时的特征数据,输出该特征数据对应的类别概率。
进一步地,上述模型生成模块还用于采集最近的时间段的车辆故障样本,得到新的训练数据集,并基于上述新的训练数据集训练得到新的子模型,以便于第一更新模块将该新的子模型并联至上述剔除了准确率最低的N个子模型的并联模型,以反映最近的数据规律。
本实施例的车辆故障诊断装置,适用于上述各车辆故障诊断方法,通过定期统计最新的车辆故障样本,基于该训练数据集剔除已有复合模型的并联模型中准确率最低的模型,并训练新的子模型并入,以实现添加和淘汰作为部件的子模型,不仅无需对整个复合模型进行重新训练,还可改变输入输出结构;然后通过将新的并联模型的输出以结合层汇聚成一个整体输出,可以训练或者调节结合层,使得最终整体输出中新加入子模型的输出具有更大权重,从而使复合模型的输出更多偏向反映最新数据规律的新加入的子模型,更少偏向以往旧有的子模型,以增加输出的综合判断结果的可靠性。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,上述计算机程序在被处理器运行时执行下述的车辆故障诊断的步骤:
顺次采集多个时间段的车辆故障样本,分别训练形成多个子模型,每个时间段的故障样本的特征数据作为一个训练数据集的输入数据,该故障样本的频度统计数据作为该训练数据集的真实输出;
将上述多个子模型并联形成并联模型后,串联一个结合层,形成复合模型;
上述复合模型形成后,每训练一个新的子模型,则剔除并联模型中准确率最低的N个子模型,并将该新的子模型并联至上述并联模型,得到新的并联模型;
基于新的并联模型,更新上述结合层的参数,得到新的复合模型;
将车辆故障时的特征数据输入上述新的复合模型,输出该特征数据对应的类别概率。
可选地,上述计算机程序在被处理器运行时还可执行如下的车辆故障诊断的步骤:
采集最近的时间段的车辆故障样本,得到新的训练数据集,并基于上述新的训练数据集训练得到新的子模型。
其中,最近的时间段为:以上一个复合模型形成并用作车辆故障诊断以来的时间段,即以上一个复合模型形成并用作车辆故障诊断为开始,以需要更新该上一个复合模型的时间为结束。
可选地,上述计算机程序在被处理器运行时还可执行如下的车辆故障诊断的步骤:
将上述新的训练数据集的输入数据输入至并联模型中,得到并联模型中各子模型的输出值;
基于上述各子模型的输出值与上述新的训练数据集的真实输出,计算各输出值的准确率;
以上述准确率从小到大进行排序,剔除前N个子模型,即剔除并联模型中准确率最低的N个子模型,N大于或等于1。其中,剔除子模型的数量N可根据实际需求进行设置。
可选地,上述计算机程序在被处理器运行时还可执行如下的车辆故障诊断的步骤:
计算各输出值的准确率时,分别计算各子模型的输出值与真实输出之间差值,作为输出标签的准确率。
可选地,上述计算机程序在被处理器运行时还可执行如下的车辆故障诊断的步骤:
将上述训练数据集的输入数据输入至上述新的并联模型,并以上述新的并联网络模型的输出值与真实输出的交叉熵作为损失函数,利用优化器进行反向传播,更新上述结合层的参数,优化损失函数。
优选地,上述计算机程序在被处理器运行时还可执行前述的车辆故障诊断的其他步骤。
本申请实施例还进一步提供一种车辆故障诊断系统,该车辆故障诊断系统包括计算机设备,该计算机设备被编程或配置以执行上述车辆故障诊断方法的步骤;或者该计算机设备的存储介质上存储有被编程或配置以执行上述车辆故障诊断方法的计算机程序。
在本申请的描述中,需要说明的是,术语“上”、“下”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申请和简化描述,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申请的限制。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,可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是,在本申请中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种车辆故障诊断方法,其特征在于,其包括步骤:
顺次采集多个时间段的车辆故障样本,分别训练形成多个子模型,其中,每个时间段的故障样本的特征数据作为一个训练数据集的输入数据,该故障样本的频度统计数据作为该训练数据集的真实输出;
将所述多个子模型并联形成并联模型后,串联一个结合层,形成复合模型;
所述复合模型形成后,每训练一个新的子模型,则剔除并联模型中准确率最低的N个子模型,并将该新的子模型并联至所述并联模型,得到新的并联模型;
基于新的并联模型,更新所述结合层的参数,得到新的复合模型;
将车辆故障时的特征数据输入所述新的复合模型,输出该特征数据对应的类别概率。
2.如权利要求1所述的车辆故障诊断方法,其特征在于,所述训练一个新的子模型,具体包括:
采集最近的时间段的车辆故障样本,得到新的训练数据集,并基于所述新的训练数据集训练得到新的子模型。
3.如权利要求2所述的车辆故障诊断方法,其特征在于,所述剔除并联模型中准确率最低的N个子模型,具体包括:
将所述新的训练数据集的输入数据输入至并联模型中,得到并联模型中各子模型的输出值;
基于所述各子模型的输出值与所述新的训练数据集的真实输出,计算各输出值的准确率;
以所述准确率从小到大进行排序,剔除前N个子模型,N大于或等于1。
4.如权利要求3所述的车辆故障诊断方法,其特征在于,所述计算各输出值的准确率,具体包括:
分别计算各子模型的输出值与真实输出之间差值,作为输出标签的准确率。
5.如权利要求1所述的车辆故障诊断方法,其特征在于,所述基于新的并联模型,更新所述结合层的参数,具体包括:
将所述训练数据集的输入数据输入至所述新的并联模型,并以所述新的并联网络模型的输出值与真实输出的交叉熵作为损失函数,利用优化器进行反向传播,更新所述结合层的参数,优化损失函数。
6.如权利要求1所述的车辆故障诊断方法,其特征在于:所述子模型为神经网络模型。
7.如权利要求1所述的车辆故障诊断方法,其特征在于:所述结合层为神经网络或softmax层。
8.一种基于权利要求1所述方法的车辆故障诊断装置,其特征在于,其包括:
模型生成模块,其用于顺次采集多个时间段的车辆故障样本,分别训练形成多个子模型,每个时间段的故障样本的特征数据作为一个训练数据集的输入数据,该故障样本的频度统计数据作为该训练数据集的真实输出;以及将所述多个子模型并联形成并联模型后,串联一个结合层,形成复合模型;
第一更新模块,其用于当所述复合模型形成后,每训练一个新的子模型时,剔除并联模型中准确率最低的N个子模型,并将该新的子模型并联至所述并联模型,得到新的并联模型;
第二更新模块,其用于基于所述新的并联模型,更新所述结合层的参数,得到新的复合模型;
所述新的复合模型用于输入车辆故障时的特征数据,输出该特征数据对应的类别概率。
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,所述计算机程序在被处理器运行时执行权利要求1至7中任一项所述的车辆故障诊断的步骤。
10.一种车辆故障诊断系统,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行权利要求1至7中任一项所述车辆故障诊断方法的步骤;或者该计算机设备的存储介质上存储有被编程或配置以执行权利要求1至7中任一项所述车辆故障诊断方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063618.9A CN113935400A (zh) | 2021-09-10 | 2021-09-10 | 一种车辆故障诊断方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063618.9A CN113935400A (zh) | 2021-09-10 | 2021-09-10 | 一种车辆故障诊断方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935400A true CN113935400A (zh) | 2022-01-14 |
Family
ID=79275338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111063618.9A Pending CN113935400A (zh) | 2021-09-10 | 2021-09-10 | 一种车辆故障诊断方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935400A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997748A (zh) * | 2022-08-01 | 2022-09-02 | 中通客车股份有限公司 | 基于模型融合的新能源汽车运行安全风险预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985055A (zh) * | 2014-05-30 | 2014-08-13 | 西安交通大学 | 一种基于网络分析和多模型融合的股市投资决策方法 |
US20150019214A1 (en) * | 2013-07-10 | 2015-01-15 | Tencent Technology (Shenzhen) Company Limited | Method and device for parallel processing in model training |
CN109146076A (zh) * | 2018-08-13 | 2019-01-04 | 东软集团股份有限公司 | 模型生成方法及装置、数据处理方法及装置 |
WO2019169743A1 (zh) * | 2018-03-09 | 2019-09-12 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN111626098A (zh) * | 2020-04-09 | 2020-09-04 | 北京迈格威科技有限公司 | 模型的参数值更新方法、装置、设备及介质 |
CN111768096A (zh) * | 2020-06-24 | 2020-10-13 | 平安银行股份有限公司 | 基于算法模型的评级方法、装置、电子设备及存储介质 |
CN112214369A (zh) * | 2020-10-23 | 2021-01-12 | 华中科技大学 | 基于模型融合的硬盘故障预测模型建立方法及其应用 |
-
2021
- 2021-09-10 CN CN202111063618.9A patent/CN113935400A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150019214A1 (en) * | 2013-07-10 | 2015-01-15 | Tencent Technology (Shenzhen) Company Limited | Method and device for parallel processing in model training |
CN103985055A (zh) * | 2014-05-30 | 2014-08-13 | 西安交通大学 | 一种基于网络分析和多模型融合的股市投资决策方法 |
WO2019169743A1 (zh) * | 2018-03-09 | 2019-09-12 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN109146076A (zh) * | 2018-08-13 | 2019-01-04 | 东软集团股份有限公司 | 模型生成方法及装置、数据处理方法及装置 |
CN111626098A (zh) * | 2020-04-09 | 2020-09-04 | 北京迈格威科技有限公司 | 模型的参数值更新方法、装置、设备及介质 |
CN111768096A (zh) * | 2020-06-24 | 2020-10-13 | 平安银行股份有限公司 | 基于算法模型的评级方法、装置、电子设备及存储介质 |
CN112214369A (zh) * | 2020-10-23 | 2021-01-12 | 华中科技大学 | 基于模型融合的硬盘故障预测模型建立方法及其应用 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997748A (zh) * | 2022-08-01 | 2022-09-02 | 中通客车股份有限公司 | 基于模型融合的新能源汽车运行安全风险预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222371B (zh) | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 | |
CN112131782B (zh) | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 | |
CN108537382B (zh) | 一种电商价格趋势预测方法及系统 | |
JP5234085B2 (ja) | ニューラルネットワークの学習方法 | |
CN112232604B (zh) | 基于Prophet模型提取网络流量的预测方法 | |
CN109992608B (zh) | 一种基于频域的多模型融合预测方法和系统 | |
CN112699605B (zh) | 一种充电桩故障元件预测方法及系统 | |
CN112766550A (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 | |
CN112380630A (zh) | 基于车联网数据的新能源汽车电池热失控风险的预测方法 | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
CN113935400A (zh) | 一种车辆故障诊断方法、装置、系统及存储介质 | |
CN113157663A (zh) | 基于数据重建和混合预测的网络流量预测方法及装置 | |
CN113361195A (zh) | 一种基于lstm和相似日的配电网线路超短期负荷预测方法 | |
CN112650933A (zh) | 一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法 | |
CN112651534B (zh) | 一种预测资源供应链需求量的方法、装置及存储介质 | |
CN115760213A (zh) | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 | |
CN110794254A (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN114529067A (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN112861443B (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
CN114358362A (zh) | 一种数据缺乏下电动汽车负荷预测方法 | |
CN112232553B (zh) | 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法 | |
CN113505932A (zh) | 一种基于大数据技术评估的动力电池容量算法 | |
CN113448808A (zh) | 一种批处理任务中单任务时间的预测方法、系统及存储介质 | |
CN112232985A (zh) | 用于泛在电力物联网的配用电数据监测方法及装置 |
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 |