CN114740815A - 基于神经网络的客车故障诊断方法、装置和电子设备 - Google Patents
基于神经网络的客车故障诊断方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114740815A CN114740815A CN202110020526.6A CN202110020526A CN114740815A CN 114740815 A CN114740815 A CN 114740815A CN 202110020526 A CN202110020526 A CN 202110020526A CN 114740815 A CN114740815 A CN 114740815A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- preset
- vehicle
- information
- 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 104
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明示例性实施例提供一种基于神经网络的客车故障诊断方法、装置和电子设备，其中的方法包括：获取车载终端发送的车辆数据，对所述车辆数据进行解析以得到所述车辆终端的故障信息以及所述故障信息时间发生点前后预设天数的非故障数据；将所述故障信息时间发生点前后预设天数的非故障数据输入预设的故障诊断模型中，以得到与所述故障信息对应的故障码以及故障原因；结合所述故障码和故障原因，通过所述预设的故障诊断模型输出解决方案。本发明能够减少汽车故障误判及降低隐形故障发生概率。
Description
技术领域
本发明示例性实施例涉及深度学习技术领域，尤其涉及一种基于神经网络的客车故障诊断方法、装置和电子设备。
背景技术
基于神经网络的汽车故障智能诊断系统研究中提出的采用人工神经网络搭建包含两个隐含层的模型进行训练，针对汽车发动机故障进行特征提出诊断，达到了90％以上的准确度。
但是其主要诊断的是汽车的发动机故障，面对复杂的汽车维度信息无法提取有效的故障特征，进行准确的故障诊断。现有的方式之一采用深度卷积神经网络对待检测数据进行特征提取，最后给出故障编号，但采用全连接的方式输出增加了模型复杂度；现有的方式还有通过OBD接口获取汽车原始诊断数据，加入主观不确定性故障判断方式，这种方式容易出现误判或者不准确等情况；以及通过蓝牙技术与下位机取得通信，通过人工智能诊断进行故障诊断，其人工智能诊断采用的是BP神经网络，对特征提取等方面没有达到最优，其采用蓝牙技术能够实现近端故障诊断，在远程诊断方面有所欠缺。
对于全维度的车辆故障信息智能诊断方式，目前还没有较好的方法或装置出现。
发明内容
有鉴于此，本发明示例性实施例的目的在于提出一种基于神经网络的客车故障诊断方法、装置和电子设备，以解决目前的神经网络模型复杂且无法全维度对故障信息进行诊断的问题。
基于上述目的，本发明示例性实施例提供了一种基于神经网络的客车故障诊断方法，包括：
获取车载终端发送的车辆数据，对所述车辆数据进行解析以得到所述车辆终端的故障信息以及所述故障信息时间发生点前后预设天数的非故障数据；
将所述故障信息时间发生点前后预设天数的非故障数据输入预设的故障诊断模型中，以得到与所述故障信息对应的故障码以及故障原因；
结合所述故障码和故障原因，通过所述预设的故障诊断模型输出解决方案。
结合上述说明，在本发明实施例另一种可能的实施方式中，所述预设的故障诊断模型为：
以历史故障信息为样本数据，根据所述历史故障信息发生点前后预设天数的车辆数据为输入数据，故障原因及故障码对应的解决方案为标签将数据划分为训练集及测试集，按照预设的算法进行训练和测试得到。
结合上述说明，在本发明实施例另一种可能的实施方式中，所述获取车载终端发送的车辆数据，包括：
对所述车辆数据进行切片，以每小时为一个节点对所述车辆数据取平均值及方差。
结合上述说明，在本发明实施例另一种可能的实施方式中，所述结合所述故障码和故障原因，通过所述预设的故障诊断模型输出解决方案，包括：
根据所述故障码和故障原因，在故障诊断数据库进行匹配，得到所述故障的解决方案。
结合上述说明，在本发明实施例另一种可能的实施方式中，所述方法还包括：
采集新的故障信息，结合所述历史故障信息形成新的样本数据，根据所述历史故障信息和新的故障信息发生点前后预设天数的车辆数据为输入数据，按照预设的算法进行迭代训练。
结合上述说明，在本发明实施例另一种可能的实施方式中，所述方法还包括：
构建神经网络，其中，神经网络的构建包括：
其中Relu是激活函数，N为卷积核个数，yl、
表示第l层卷积的输入输出，
表示第l层第n个卷积核，Conv表示对
和
进行卷积操作，bn表示偏置；
神经网络的池化层采用的是最大池化；
神经网络的softmax根据类别的频率构造霍夫曼树，以将softmax的复杂度从N降低到logN。
第二方面，本发明示例性实施例还提供了一种基于神经网络的客车故障诊断装置，包括：
获取模块，用于获取车载终端发送的车辆数据，对所述车辆数据进行解析以得到所述车辆终端的故障信息以及所述故障信息时间发生点前后预设天数的非故障数据；
输入模块，用于将所述故障信息时间发生点前后预设天数的非故障数据输入预设的故障诊断模型中，以得到与所述故障信息对应的故障码以及故障原因；
输出模块，用于结合所述故障码和故障原因，通过所述预设的故障诊断模型输出解决方案。
上述的装置，所述输出模块还用于：
以历史故障信息为样本数据，根据所述历史故障信息发生点前后预设天数的车辆数据为输入数据，故障原因及故障码对应的解决方案为标签将数据划分为训练集及测试集，按照预设的算法进行训练和测试得到。
上述的装置，所述获取模块还用于：
对所述车辆数据进行切片，以每小时为一个节点对所述车辆数据取平均值及方差。
第三方面，本发明示例性实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于神经网络的客车故障诊断方法。
从上面所述可以看出，本发明示例性实施例提供的基于神经网络的客车故障诊断方法、装置和电子设备，能够实现对汽车近端及远程两种方式进行故障诊断，方便快捷的实现对汽车现存故障的实时查询以及隐性故障的智能排除和诊断，同时提供针对性的解决办法和方案。同时，结合云平台提供智能诊断模型，进一步减少汽车故障误判及隐形故障诊断等隐患。极大提高诊断效率，降低了车辆运营维护的人力物力成本。
附图说明
为了更清楚地说明本发明示例性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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明示例性实施例，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为本发明示例性实施例的系统框架示意图；
图2为本发明示例性实施例的系统架构示意图；
图3为本发明示例性实施例的数据智能诊断模块结构示意图；
图4为本发明示例性实施例的方法基本流程示意图；
图5为本发明示例性实施例的神经网络结构示意图；
图6为本发明示例性实施例的装置结构示意图；
图7为本发明示例性实施例的电子设备示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本发明示例性实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本发明示例性实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
本发明涉及一种基于神经网络的客车故障诊断方法、装置和电子设备，其主要运用于对新能源客车的故障信息智能诊断的场景中，其基本思想是：获取车载终端的车辆数据、故障信息以及故障信息预设天数的非故障信息，输入预设的故障诊断模型进行诊断，以得到故障的解决方案，并且还能够对该预设的故障诊断模型进行迭代自训练，进一步提高故障信息的识别精度以及输出解决方法的准确率。
本发明示例性实施例的方法，一般可通过一种新能源客车的智能故障诊断系统实现，结合图1所示的系统架构，所述的新能源客车的智能故障诊断系统主要包括移动端、T-BOX终端(车载终端)、云平台三个主要部分。其中的移动端包括：蓝牙连接模块，汽车故障诊断原始数据请求模块，数据预处理模块，故障码解析模块，故障诊断信息显示模块；车载终端包括：汽车故障诊断原始数据获取模块，数据预处理模块，数据通信接口模块；云平台包括：数据智能诊断分析模块，TCP通信模块，信息交互模块。
结合图2所示，为本发明示例性实施例的系统结构示意图，其中移动端主要指的是手机、笔记本电脑等移动设备。一般地，在手机端的表现形式为安装一个特定类型的APP软件。蓝牙连接模块主要是用于近端通信所采用的连接方式，当移动设备接近新能源客车一定范围时，通过移动设备能够搜索到车载终端的蓝牙配置信息，用户可以选择搜索到的蓝牙MAC地址与车载终端绑定。实现移动设备与汽车的终端近距离无线连接，实现近端人机交互。
移动端的汽车故障诊断原始数据请求模块主要是在移动端与汽车建立连接之后，用户可以通过界面刷新的方式触发诊断原始数据请求命令。获取ECU(Electronic ControlUnit，车载电子控制单元)提供的故障诊断信息。
移动端的数据预处理模块主要是针对终端发送的故障信息流通过协议进行解析。获取到相应的故障码以及故障状态等故障信息。
移动端的故障码解析模块是在数据预处理模块得到故障码的基础上通过故障码，请求APP软件后台接口获取相对应的故障原因信息以及系统提供的相应解决方案。同时终端将会向云平台传输该故障码前后三天的数据流信息，交给云平台进行智能诊断分析。当无故障码信息时，终端将传输最近三天的车辆数据信息给云平台。
故障诊断信息显示模块主要对数据解析模块所获取得故障解析结果以及云平台智能分析的结果进行处理，做相应的结果展示，并将相应的解决方案展示给工作处理人员。
T-BOX终端主要为新能源客车的车载终端，其中汽车故障诊断原始数据获取模块主要采用的是CAN通信的方式与汽车的ECU固件建立通信，获取汽车的部件的故障信息以及车体的数据信息。
T-BOX终端的数据预处理模块主要是按照既定的协议对ECU提供的系统故障原始数据进行封包处理。添加相应的包头包尾信息。便于传输给终端及云平台。
数据通信接口模块主要包括TCP通信以及近端的蓝牙通信方式。
云平台主要包括TCP服务器，APP软件接口后台以及FTP服务器，其中TCP通信模块主要是建立平台与终端的远程连接。信息交互模块是平台与终端建立连接后，以及移动端与平台建立连接后进行数据交互。软件下载模块主要是针对FTP服务器，进行软件及数据升级包的下载上传管理。
数据智能诊断分析模块主要是终端将故障码以及故障的原始车辆数据传输到平台后，该模块获取到服务器上数据库中故障码对应的故障原因以及对原始车辆数据进行特征提取，然后进行智能分析，智能推断出故障最有可能的故障原因，根据故障原因获取网络上或者服务器上故障数据库中最优的解决方案，并将解决方案推送给移动端的用户。
本发明示例性实施例的一种实施方式中，所述数据智能诊断分析模块主要采用的是深度学习相关的预设算法进行智能诊断处理的。智能诊断分析模块主要为卷积神经网络(CNN)模型。
卷积神经网络主要是对终端传输上来的数据流(流式数据，包括故障信息以及在故障信息发生时间前后预设天数如三天的非故障数据)进行处理，数据流数据主要是针对故障发生点前后三天的数据信息进行处理输入，然后通过卷积神经网络对数据信息进行处理，最后通过层次SoftMax得到模型给出的预测结果。当有故障码的时候，获取故障码对应的故障信息，判断模型结果与系统故障码对应的故障信息准确度，当准确度高的时候，给出故障码对应的故障诊断结果及解决方案。当准确度低的时候，分别给出模型检测的故障诊断结果及系统给出的故障诊断结果反馈给用户。用户根据诊断结果对汽车进行故障处理及维修，给出最终的处理结果及意见。
模型自训练模块是将用户处理的最终结果以及相应的原始数据通过样本数据采集模块形成新的数据集，对现有模型参数进行训练，其包括：采集新的故障信息，结合所述历史故障信息形成新的样本数据，根据所述历史故障信息和新的故障信息发生点前后预设天数的车辆数据为输入数据，按照预设的算法进行迭代训练，具体地，当训练结果的准确度达到要求时，数据智能诊断分析模块将更新为新的模型参数进行分析。样本采集模块将对每次获取的数据进行数据预处理，实现整个系统的自动更新和迭代，能够获得更准确的算法模型。
其系统架构图如图3所示，为本发明示例性实施例的数据智能诊断模块架构示意图。
本实施例可适用于带有深度学习模块的智能型终端中以进行基于神经网络的客车故障诊断的情况中，该方法可以由深度学习的神经网络所属的数据智能诊断分析模块来执行，其中该模块可以由软件和/或硬件来实现，一般地可集成于智能终端中，或者终端中的中心控制模块来控制，如图4所示，为本发明示例性实施例的基于神经网络的客车故障诊断方法流程示意图，所述方法具体包括如下步骤：
在步骤410中，获取车载终端发送的车辆数据，对所述车辆数据进行解析以得到所述车辆终端的故障信息以及所述故障信息时间发生点前后预设天数的非故障数据；
所述车辆数据可为通过与车载终端连接的移动终端获取的数据流，包括故障信息以及非故障信息，故障信息时间发生点前后预设天数的非故障数据，例如故障信息时间发生点前后共3天72个小时的所有车载相关的数据。
在步骤420中，将所述故障信息时间发生点前后预设天数的非故障数据输入预设的故障诊断模型中，以得到与所述故障信息对应的故障码以及故障原因；
所述预设的故障诊断模型，为以历史故障信息为样本数据，根据所述历史故障信息发生点前后预设天数的车辆数据为输入数据，故障原因及故障码对应的解决方案为标签将数据划分为训练集及测试集，按照预设的算法进行训练和测试得到。
具体地，结合图5所示的卷积神经网络一共有七层，主要包括卷积层1、MaxPooling1、卷积层2、MaxPooling2、卷积层3、卷积层4、卷积层5、MaxPooling5以及一层全连接层和一个层次Softmax层作为输出。
卷积神经网络模型主要是对卷积层、池化层、全连接层及层次softmax层的构建。
其中卷积层Conv构建如下：
其中Relu是激活函数，N为卷积核个数，yl、
表示第l层卷积的输入输出。
表示第l层第n个卷积核，Conv表示对
和
进行卷积操作，bn表示偏置。
池化层采用的是最大池化(MaxPooling)。
层次softmax降低了原有的softmax的计算复杂度，主要是根据类别的频率构造霍夫曼树代替。可以将softmax的复杂度从N降低到logN。
在步骤430中，结合所述故障码和故障原因，通过所述预设的故障诊断模型输出解决方案。
本发明的方法，能够实现对汽车近端及远程两种方式进行故障诊断，方便快捷的实现对汽车现存故障的实时查询以及隐性故障的智能排除和诊断，同时提供针对性的解决办法和方案。同时，结合云平台提供智能诊断模型，进一步减少汽车故障误判及隐形故障诊断等隐患。极大提高诊断效率，降低了车辆运营维护的人力物力成本。
本发明示例性实施例的整个模型的训练流程如下：
1、数据集的制作
采集车辆以往的故障信息数据为样本数据，根据历史故障发生点前后共三天的车辆数据为输入数据，故障结果及故障码对应的结果为标签将数据划分为训练集及测试集。
针对数据集的制作方式，将故障发生点前后三天的数据作为输入，为更好的提取数据特征，对数据进行切片操作，以每小时为一个节点进行数据取平均值及方差等方式处理，以时间轴为行，以获取到的车辆电压、SOC、绝缘电阻、车速、电流、单体电压电流等24个维度特征数据为列形成24*24的二维数据，并且同时以每一天的数据为一个通道，形成24*24*3的输入数据。
2、数据预处理
对所述的样本数据进行归一化处理。将数据映射为(0,1)之间的数便于处理。
模型训练
将处理好的24*24*3的数据输入到模型中，模型处理过程如图5所示，最后得到一个1*N的输出，故障更加现有数据的样本故障数量来定，目前只针对整车故障，所以样本数据采集到的故障大概有20个故障类型，这里训练为20分类的模型输出。
4、结果处理
模型输出的为对应的故障码及故障原因，根据故障码及故障原因与故障诊断数据库进行匹配，所述故障诊断数据库为保存了故障信息与解决方案的关系的数据库，以得到该故障的解决方案及方法。最终将满足要求的模型训练参数应用到整个系统当中。
本发明的有益效果包括：
本发明解决了故障诊断的地域限制，实现了近端人机交互及远程访问的故障诊断方式，极大降低了车辆维护成本。
本发明采用神经网络模型，提供智能诊断方式，降低了系统故障误诊断或隐性故障漏诊断的可能性，极大提高了工作效率。
本发明提供模型自训练模块，实现模型自动训练，参数自动更新，提高模型准确性的同时也减少了系统维护的成本。
本发明智能诊断模块采用权值贡献及层次SoftMax的结构，降低了模型的复杂度，同时模型运行在云平台，不会对终端及移动端增加运行负荷，也不会降低处理速度。
本发明数据的特征提取方式，截取车辆三天的数据，采用N*N*3的数据输入格式，能够提高模型对数据的特征提取。提高系统的智能诊断的准确度。
可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
基于同一发明构思，图6为本发明实施例提供的一种基于神经网络的客车故障诊断装置的结构示意图，该装置可由软件和/或硬件实现，一般地集成于智能终端中，可通过基于神经网络的客车故障诊断方法来实现。如图所示，本实施例以上述任意的方法实施例相对应地，提供了一种基于神经网络的客车故障诊断装置，其主要包括：获取模块610，用于获取车载终端发送的车辆数据，对所述车辆数据进行解析以得到所述车辆终端的故障信息以及所述故障信息时间发生点前后预设天数的非故障数据；
输入模块620，用于将所述故障信息时间发生点前后预设天数的非故障数据输入预设的故障诊断模型中，以得到与所述故障信息对应的故障码以及故障原因；
输出模块630，用于结合所述故障码和故障原因，通过所述预设的故障诊断模型输出解决方案。
本发明示例性实施例的一种实施方式中，所述输出模块630还用于：
以历史故障信息为样本数据，根据所述历史故障信息发生点前后预设天数的车辆数据为输入数据，故障原因及故障码对应的解决方案为标签将数据划分为训练集及测试集，按照预设的算法进行训练和测试得到。
本发明示例性实施例的一种实施方式中，所述获取模块610还用于：
对所述车辆数据进行切片，以每小时为一个节点对所述车辆数据取平均值及方差。
为了描述的方便，上述装置分别以功能分为各类模块进行分别描述，当然，本发明示例性实施例实施时可以将各模块的功能在同一个软件和/或硬件实现，且，上述实施例中提供的装置可执行本发明中任意实施例中所提供的方法，具备执行该方法相应的功能模块和有益效果，未在上述实施例中详细描述的技术细节，可参见本发明任意实施例中所提供的方法，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于神经网络的客车故障诊断方法。
本说明书实施例中涉及的技术载体，例如可以包括近场通信(Near FieldCommunication，NFC)、WIFI、3G/4G/5G、POS机刷卡技术、二维码扫码技术、条形码扫码技术、蓝牙、红外、短消息(Short Message Service，SMS)、多媒体消息(Multimedia MessageService，MMS)等。
需要说明的是，本发明示例性实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本发明示例性实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的基于神经网络的客车故障诊断方法。
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。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本发明示例性实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行本发明实施例的基于神经网络的客车故障诊断方法。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的基于神经网络的客车故障诊断，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与本发明任意示例性实施例的方法相对应的，本发明示例性实施例还提供了一种非暂态计算机可读存储介质，包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序及程序本身的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息，以用于执行本发明示例性实施例所述的基于神经网络的客车故障诊断。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明示例性实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明示例性实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明示例性实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明示例性实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明示例性实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明示例性实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明示例性实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于神经网络的客车故障诊断方法，其特征在于，包括：
获取车载终端发送的车辆数据，对所述车辆数据进行解析以得到所述车辆终端的故障信息以及所述故障信息时间发生点前后预设天数的非故障数据；
将所述故障信息时间发生点前后预设天数的非故障数据输入预设的故障诊断模型中，以得到与所述故障信息对应的故障码以及故障原因；
结合所述故障码和故障原因，通过所述预设的故障诊断模型输出解决方案。
2.根据权利要求1所述的方法，其特征在于，所述预设的故障诊断模型为：
以历史故障信息为样本数据，根据所述历史故障信息发生点前后预设天数的车辆数据为输入数据，故障原因及故障码对应的解决方案为标签将数据划分为训练集及测试集，按照预设的算法进行训练和测试得到。
3.根据权利要求1所述的方法，其特征在于，所述获取车载终端发送的车辆数据，包括：
对所述车辆数据进行切片，以每小时为一个节点对所述车辆数据取平均值及方差。
4.根据权利要求1所述的方法，其特征在于，所述结合所述故障码和故障原因，通过所述预设的故障诊断模型输出解决方案，包括：
根据所述故障码和故障原因，在故障诊断数据库进行匹配，得到所述故障的解决方案。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
采集新的故障信息，结合所述历史故障信息形成新的样本数据，根据所述历史故障信息和新的故障信息发生点前后预设天数的车辆数据为输入数据，按照预设的算法进行迭代训练。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建神经网络，其中，神经网络的构建包括：
其中Relu是激活函数，N为卷积核个数，yl、
表示第l层卷积的输入输出，
表示第l层第n个卷积核，Conv表示对
和
进行卷积操作，bn表示偏置；
神经网络的池化层采用的是最大池化；
神经网络的softmax根据类别的频率构造霍夫曼树，以将softmax的复杂度从N降低到logN。
7.一种基于神经网络的客车故障诊断装置，其特征在于，包括：
获取模块，用于获取车载终端发送的车辆数据，对所述车辆数据进行解析以得到所述车辆终端的故障信息以及所述故障信息时间发生点前后预设天数的非故障数据；
输入模块，用于将所述故障信息时间发生点前后预设天数的非故障数据输入预设的故障诊断模型中，以得到与所述故障信息对应的故障码以及故障原因；
输出模块，用于结合所述故障码和故障原因，通过所述预设的故障诊断模型输出解决方案。
8.根据权利要求1所述的装置，其特征在于，所述输出模块还用于：
以历史故障信息为样本数据，根据所述历史故障信息发生点前后预设天数的车辆数据为输入数据，故障原因及故障码对应的解决方案为标签将数据划分为训练集及测试集，按照预设的算法进行训练和测试得到。
9.根据权利要求1所述的装置，其特征在于，所述获取模块还用于：
对所述车辆数据进行切片，以每小时为一个节点对所述车辆数据取平均值及方差。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任意一项所述的基于神经网络的客车故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110020526.6A CN114740815A (zh) | 2021-01-07 | 2021-01-07 | 基于神经网络的客车故障诊断方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110020526.6A CN114740815A (zh) | 2021-01-07 | 2021-01-07 | 基于神经网络的客车故障诊断方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114740815A true CN114740815A (zh) | 2022-07-12 |
Family
ID=82274193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110020526.6A Pending CN114740815A (zh) | 2021-01-07 | 2021-01-07 | 基于神经网络的客车故障诊断方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114740815A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116415154A (zh) * | 2023-06-12 | 2023-07-11 | 江西五十铃汽车有限公司 | 一种基于gpt的车辆故障解决方案生成方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106292618A (zh) * | 2015-06-08 | 2017-01-04 | 上海通用汽车有限公司 | 车辆故障快速定位分析系统及车辆故障快速定位分析方法 |
| KR20180105850A (ko) * | 2017-03-16 | 2018-10-01 | 주식회사 만도 | 차량 고장 진단 시스템 및 그 진단방법 |
| 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 |
| KR20200052461A (ko) * | 2018-10-31 | 2020-05-15 | 한국철도기술연구원 | 열차 고장 예측 장치 및 방법 |
| CN111983992A (zh) * | 2019-05-24 | 2020-11-24 | 江铃汽车股份有限公司 | 汽车故障远程诊断方法、装置及系统 |
| CN112132285A (zh) * | 2020-09-28 | 2020-12-25 | 湖南行必达网联科技有限公司 | 车辆故障诊断方法及装置 |
-
2021
- 2021-01-07 CN CN202110020526.6A patent/CN114740815A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106292618A (zh) * | 2015-06-08 | 2017-01-04 | 上海通用汽车有限公司 | 车辆故障快速定位分析系统及车辆故障快速定位分析方法 |
| KR20180105850A (ko) * | 2017-03-16 | 2018-10-01 | 주식회사 만도 | 차량 고장 진단 시스템 및 그 진단방법 |
| 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 |
| KR20200052461A (ko) * | 2018-10-31 | 2020-05-15 | 한국철도기술연구원 | 열차 고장 예측 장치 및 방법 |
| 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 |
| CN111983992A (zh) * | 2019-05-24 | 2020-11-24 | 江铃汽车股份有限公司 | 汽车故障远程诊断方法、装置及系统 |
| CN112132285A (zh) * | 2020-09-28 | 2020-12-25 | 湖南行必达网联科技有限公司 | 车辆故障诊断方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 辛梅;王英宇;: "基于神经网络的发动机故障诊断研究", 小型内燃机与车辆技术, no. 04, 25 August 2018 (2018-08-25), pages 43 - 46 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116415154A (zh) * | 2023-06-12 | 2023-07-11 | 江西五十铃汽车有限公司 | 一种基于gpt的车辆故障解决方案生成方法及装置 |
| CN116415154B (zh) * | 2023-06-12 | 2023-08-22 | 江西五十铃汽车有限公司 | 一种基于gpt的车辆故障解决方案生成方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110926782B (zh) | 断路器故障类型判断方法、装置、电子设备及存储介质 | |
| CN106960219B (zh) | 图片识别方法及装置、计算机设备及计算机可读介质 | |
| EP4145308A1 (en) | Search recommendation model training method, and search result sorting method and device | |
| CN108563739B (zh) | 天气数据获取方法及装置、计算机装置及可读存储介质 | |
| CN107330731B (zh) | 一种识别广告位点击异常的方法和装置 | |
| CN114611705A (zh) | 数据处理方法、机器学习的训练方法及相关装置、设备 | |
| CN110263916B (zh) | 数据处理方法和装置、存储介质及电子装置 | |
| CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN112114986A (zh) | 数据异常识别方法、装置、服务器和存储介质 | |
| CN112329816A (zh) | 数据分类方法、装置、电子设备和可读存储介质 | |
| CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
| CN116451594B (zh) | 覆冰预测模型的训练方法、预测方法、装置和电子设备 | |
| CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
| CN113468432A (zh) | 基于移动互联网的用户行为大数据分析方法及系统 | |
| CN116432522A (zh) | 一种用于电力走廊的导线模型的结构化建模方法和装置 | |
| CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
| CN114740815A (zh) | 基于神经网络的客车故障诊断方法、装置和电子设备 | |
| CN114151293A (zh) | 风机变桨系统的故障预警方法、系统、设备及存储介质 | |
| CN114358216A (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
| CN115374927A (zh) | 一种神经网络模型训练的方法、异常检测的方法及设备 | |
| CN115982965A (zh) | 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置 | |
| CN113782014B (zh) | 语音识别方法及装置 | |
| CN113569879B (zh) | 异常识别模型的训练方法、异常账号识别方法及相关装置 | |
| US11681920B2 (en) | Method and apparatus for compressing deep learning model | |
| CN113837977A (zh) | 对象跟踪方法、多目标跟踪模型训练方法及相关设备 |
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 |