CN114997285A - 车辆故障诊断方法和设备、计算机可读存储介质 - Google Patents
车辆故障诊断方法和设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN114997285A CN114997285A CN202210543427.0A CN202210543427A CN114997285A CN 114997285 A CN114997285 A CN 114997285A CN 202210543427 A CN202210543427 A CN 202210543427A CN 114997285 A CN114997285 A CN 114997285A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- classification result
- vehicle
- attention
- 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 56
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 14
- 230000000007 visual effect Effects 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及车辆故障诊断方法和设备、计算机可读存储介质。所述车辆故障诊断方法包括：接收灰度图像，其中所述灰度图像表征用于车辆诊断的诊断数据；利用卷积神经网络提取所述灰度图像的特征从而生成特征图；对所述特征图进行基于自注意力的处理以得到分类结果，其中所述分类结果指示车辆故障情况；以及基于所述分类结果进行相关度传播分析以得到贡献度热力图，其中所述贡献度热力图指示所述灰度图像中各个像素对所述分类结果的贡献程度。
Description
技术领域
本申请涉及车辆故障诊断，具体而言，涉及车辆故障诊断方法、车辆故障诊断设备以及计算机可读存储介质。
背景技术
在新能源汽车大数据分析中，对于多元（即，多个来源）时间序列数据分析，传统方法局限于依赖专家经验，因而可能无法发现经验领域之外的信息。此外，传统方法的分类结果也无法得到很好的解释，从而一方面造成机器学习迭代更新速度较慢，另一方也导致在数据样本分布发生偏移后不够鲁棒。
有鉴于此，需要一种能够提高车辆故障诊断的改进机制。
发明内容
本申请的实施例提供了车辆故障诊断方法、车辆故障诊断设备以及计算机可读存储介质，用于提高车辆故障诊断的效率和准确性。
根据本申请的一方面，提供一种车辆故障诊断方法。所述车辆故障诊断方法包括如下步骤：接收灰度图像，其中所述灰度图像表征用于车辆诊断的诊断数据；利用卷积神经网络提取所述灰度图像的特征从而生成特征图；对所述特征图进行基于自注意力的处理以得到分类结果，其中所述分类结果指示车辆故障情况；以及基于所述分类结果进行相关度传播分析以得到贡献度热力图，其中所述贡献度热力图指示所述灰度图像中各个像素对所述分类结果的贡献程度。
在本申请的一些实施例中，可选地，基于自注意力的处理包括如下步骤：将所述特征图输入到自注意力神经网络的多头注意力层以提取特征矩阵；将所述特征矩阵输入到所述自注意力神经网络的稠密层以生成稀疏化矩阵；以及将所述稀疏化矩阵输入到所述自注意力神经网络的全连接及softmax层以得到所述分类结果。
在本申请的一些实施例中，可选地，通过以下步骤产生所述灰度图像：提取所述诊断数据，其中所述诊断数据包括车辆内的至少一个来源在多个时点上产生的数据；从所述诊断数据中过滤出预定时段内的有效数据； 将所述有效数据中的各个值作归一化处理；将所述有效数据中的各个归一化值映射到所述灰度图像的灰度等级上；以及根据所述有效数据中的各个归一化值的对应灰度等级构建所述灰度图，其中所述灰度图具有对应所述来源的第一维度和对应所述时点的第二维度。
在本申请的一些实施例中，可选地，产生所述灰度图像还包括如下步骤：在归一化处理后补充各个来源在断电期间的归一化值；以及对所述有效数据中的各个归一化值进行过滤。
在本申请的一些实施例中，可选地，所述方法还包括如下步骤：接收样本灰度图像及其对应的样本分类结果，其中所述样本灰度图像表征用于车辆诊断的样本数据，并且所述样本分类结果指示车辆故障情况；以及以所述样本灰度图像为所述卷积神经网络的输入，并且以所述样本分类结果为所述自注意力神经网络的目标输出，对所述卷积神经网络和所述自注意力神经网络进行训练。
在本申请的一些实施例中，可选地，所述样本数据为根据经验规则判断出现故障的时点为终点的预定时段内的数据，并且所述样本分类结果为根据所述经验规则确定的车辆故障情况。
在本申请的一些实施例中，可选地，基于所述分类结果进行相关度传播分析以得到贡献度热力图包括：利用相关度分析神经网络基于所述分类结果进行所述相关度传播分析；其中，所述相关度分析神经网络包括与所述卷积神经网络中的每一层、所述自注意力神经网络中的每一层分别耦合的对应各层。
在本申请的一些实施例中，可选地，所述诊断数据基于车辆的传感器数据生成。
根据本申请的另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令。当所述指令由处理器执行时，使得所述处理器执行如上文所述的任意一种车辆故障诊断方法。
根据本申请的另一方面，提供一种车辆诊断设备。所述车辆诊断设备包括：存储器，其配置成存储指令；处理器，其配置成执行所述指令，使得执行如上文所述的任意一种车辆故障诊断方法。
附图说明
从结合附图的以下详细说明中，将会使本申请的上述和其他目的及优点更加完整清楚，其中，相同或相似的要素采用相同的标号表示。
图1示出了根据本申请的一个实施例的车辆故障诊断方法。
图2示出了根据本申请的一个实施例的车辆诊断设备。
图3示出了根据本申请的一个实施例的灰度图像。
图4示出了根据本申请的一个实施例的神经网络架构。
具体实施方式
出于简洁和说明性目的，本文主要参考其示范实施例来描述本申请的原理。但是，本领域技术人员将容易地认识到相同的原理可等效地应用于所有类型的车辆故障诊断方法、车辆故障诊断设备以及计算机可读存储介质，并且可以在其中实施这些相同或相似的原理，任何此类变化不背离本申请的真实精神和范围。
在本申请的上下文中，除非特别区分加以说明，车辆故障诊断既可以指代对已经发生故障的车辆进行诊断，也可以指代对尚未发生故障的车辆进行预测诊断。
本申请的一方面提供一种车辆故障诊断方法。如图1所示，所述车辆故障诊断方法10包括以下步骤：在步骤S102中接收灰度图像；在步骤S104中利用卷积神经网络提取灰度图像的特征从而生成特征图；在步骤S106中对特征图进行基于自注意力的处理以得到分类结果；以及在步骤S108中基于分类结果进行相关度传播分析以得到贡献度热力图。图1中以箭头示出的执行顺序主要意在描述各个步骤的产物的信息流向，尽管图1中示出了各个步骤的执行顺序，但这只是示意性质的，在一些实施例中这些步骤可以几乎同时被执行。在另外一些实施例中，这些步骤则可以是穿插进行的。
此外，图4示出了根据本申请的一个实施例的神经网络架构40，其可以用于执行图1中所示的车辆故障诊断方法10。下文中的一些实施例将结合图1和图4来展开说明，以便尽可能详尽地介绍本申请的原理。需要说明的是，车辆故障诊断方法10并不一定依赖神经网络架构40，在一些情况下还可以利用其他形式的神经网络架构来执行图1中所示的车辆故障诊断方法10。
车辆故障诊断方法10在步骤S102中接收灰度图像。本申请中记载的灰度图像可以表征用于车辆诊断的诊断数据，诊断数据则可以表现为体现一定环境下的物理量的数值。换言之，灰度图像是诊断数据的视觉呈现形式，也可以作为诸如图4所示的神经网络架构40中的卷积神经网络402的输入。此时，卷积神经网络402将执行基于视觉的神经网络处理过程。
由于车辆的实际故障与特定环境下的各种物理量是关联的，因而诊断数据与车辆故障之间存在客观的关联，也因此可以用于分析车辆故障的情况。例如，诊断数据可以包括转向机的偏转角度，这一数据可以用于分析转向故障。由于诊断数据与车辆故障之间存在关联，因而根据诊断数据产生的灰度图像与车辆故障之间也存在关联。对灰度图像的分析为判断车辆故障提供了数据上的可能性。
在本申请的一些实施例中，诊断数据是基于车辆的传感器数据生成的。继续上面的示例，转向机的偏转角度可以通过例如角偏转传感器采集。在其他一些示例中还可以通过例如位置传感器、加速度传感器、温度传感器等来收集诊断数据。当然，诊断数据还可以从其他来源获得。例如，电机扭矩可以根据扭矩指令产生，因而扭矩指令也可用于生成表示电机扭矩的诊断数据。
值得一提的是，车辆的传感器数据可能包括很多种，但是并不是每一种都需要被纳入考虑作为诊断数据。本领域技术人员在阅读本申请之后可以根据例如经验、因果关系等选取必要的传感器数据作为诊断数据的依据。例如，在确定是否存在转向故障时可能并不需要考虑天窗开启与否，因而可以不将天窗传感器的数据纳入确定是否存在转向故障的诊断数据。
如前文所记载的，灰度图像可以表征诊断数据。例如，图3示出了灰度图像的一个示例，其中每个方格表示一个像素，方格中的数字表示当前像素的灰度值（例如，在八阶灰度的情况下灰度值的取值将介于0和255之间）。图示的灰度图像30具有18个行、N个列，其中，18个行对应于诊断数据的18个来源，N个列表示采集诊断数据的N个时点。
在其他一些示例中，还可以对图3所示的灰度图像30进一步处理。例如，将灰度图像30的N个列拆分成多个组，并将拆分出的组以新的行呈现在灰度图像上。作为示例的，设N为3的倍数，那么可以将N列分为3组，每组包括(N/3)个列。将拆分出来的组排列在行的方向上，那么变形后的灰度图像将包括(18*3)个行。这种拆分方式将有利于诊断数据的视觉呈现。
在本申请的一些实施例中，步骤S102中接收到的灰度图像可以通过以下步骤产生。首先，可以从诸如车辆的OBD（On Board Diagnostics）接口提取诊断数据。如上文结合图3的示例所描述的，诊断数据可以包括车辆内的至少一个来源在多个时点上产生的数据。就图3所示的灰度图像30具体而言，其对应的诊断数据包括了车辆的18个来源在N个时点上产生的数据。
其次，可以从诊断数据中过滤出预定时段内的有效数据。继续图3的示例，若在时刻TN提取诊断数据，那么可以过滤出前N个时刻内的数据作为有效数据，并且舍弃N个时刻之前的数据。这是因为越早的数据与时刻TN可能出现的故障的关联程度越弱。另一方面，故障出现之后的诊断数据一般是作为故障的结果而存在的，因而在一些示例中也可以不用于分析故障产生的原因。
再次，可以将有效数据中的各个值作归一化处理。一般而言，来自各个来源的数据有其特定的取值范围。为了便利地将数据可视化，可以将这些有效数据的取值映射到例如[0, 1]的区间内。映射的方法可以为诸如线性映射、指数型映射、对数型映射、三角函数映射等等。针对不同来源的数据进行归一化也为后续将数据映射为像素灰度值提供了可能性，从而使得每一种来源的数据都可以表现为从0到255整个范围内的灰度值。
紧接着，可以将有效数据中的各个归一化值映射到灰度图像的灰度等级上。例如，可以将区间[0, 1]内的取值均匀地映射到0到255的灰度上（八阶灰度）。在其他一些实施例中从归一化值到灰度值的映射也可以是不均匀的。
最后，可以根据有效数据中的各个归一化值的对应灰度等级构建灰度图。如此，灰度图具有对应来源的第一维度（图3中所示的18个行）和对应时点的第二维度（图3中所示的N个列）。
在本申请的一些实施例中，产生灰度图像的过程还包括如下步骤：在归一化处理后补充各个来源在断电期间的归一化值；以及对有效数据中的各个归一化值进行过滤，例如，可以过滤掉明显不合理的值。如此可以实现对诊断数据的补充和过滤，使得产生的灰度图像更能如实地反映物理环境的变化，而不是仅仅局限于传感器反馈的可能包括若干瑕疵的数据。
继续图3的示例，例如，灰度图像30中时点T5-T8之间处于车辆的断电期间。此时可以将向时点T5-T8这个区间中填充属于区间[0, 1]内的归一化值，从而保证数据的连贯性。图3中示出了为来源1-18填充0作为补充的归一化值，从而使得数据连贯。此外，还可以根据连续出现的0表征车辆处于断电停车的状态。在其他一些示例中，填充方式还可以为填充典型值（例如，填充出现频率最高的值以使得数据连贯并且表征车辆处于断电停车的状态）、线性插值填充等等。
继续参见图1，车辆故障诊断方法10在步骤S104中利用卷积神经网络提取灰度图像的特征从而生成特征图。如图4所示，神经网络架构40中的卷积神经网络402以灰度图像401为输入，并对其进行处理以产生特征图403。卷积神经网络402适于处理图像信息（例如，灰度图像401），其可以为多种现成的结构，还可以为特别定制的架构。卷积神经网络402的基本原理已经为大多数本领域技术人员所知悉，本申请不在此赘述。
继续参见图1，车辆故障诊断方法10在步骤S106中对特征图进行基于自注意力的处理以得到分类结果，其中分类结果指示车辆故障情况。具体而言，在步骤S106中可以利用诸如图4中所示的神经网络架构40中的多个层404、405和406实现基于自注意力的分类处理，并得到分类结果407。根据需要实现的故障判断的类型，分类结果407的数目可以有所不同。
在本申请的一些实施例中，在步骤S106中基于自注意力的处理过程可以通过包括了多头注意力层404、稠密层405和全连接及softmax层406的自注意力神经网络来完成，并且处理过程可以包括如下几个步骤。
首先，将特征图输入到自注意力神经网络的多头注意力层404中以提取特征矩阵，其中特征矩阵作为多头注意力层404的输出。多头注意力层404可以不改变特征图的规模，亦即，产生的特征矩阵可以具有与特征图一样的维度。
随后，将特征矩阵输入到自注意力神经网络的稠密层405以生成稀疏化矩阵，其中稀疏化矩阵作为稠密层405的输出。稠密层405将使得原先的特征矩阵稀疏化和抽象化，从而降低了特征矩阵的维度。
最后，再将稀疏化矩阵输入到自注意力神经网络的全连接及softmax层406以得到分类结果407。例如，为实现一个特定故障的二分类，分类结果407可以是一个概率值。若概率值大于等于0.5则可以判断出现了该特定故障（车辆故障诊断方法10用于归因），或者将要出现该特定故障（车辆故障诊断方法10用于预测）。
需要说明的是，通过多头注意力层404、稠密层405和全连接及softmax层406这种架构来实现基于自注意力的处理过程仅是一种示例，在其他实施例中还可以通过其他架构实现这一目的。
继续参见图1，车辆故障诊断方法10在步骤S108中基于分类结果进行相关度传播分析以得到贡献度热力图。热力图呈现数据的方式已被广泛应用于地图热点呈现、相关性呈现等，其基本原来已经为本领域技术人员所熟知。如图4所示出的，贡献度热力图409可以指示灰度图像中各个像素对分类结果的贡献程度。贡献度分析有利于找到车辆故障的原因所在，例如，若针对某故障的分类结果显示存在这种故障，并且根据贡献度热力图409指示来源17所示的时点T7的贡献度较大，那么可以推测来源17所对应的硬件在时点T7的对应操作导致了这一故障。由此，技术人员可以根据推测的结果进一步分析车辆故障诊断方法10给出的贡献度归因是否合理。
在本申请的一些实施例中，在步骤S108中基于分类结果进行相关度传播分析可以利用如图4所示的相关度分析神经网络408进行。例如，相关度分析神经网络408可以包括与卷积神经网络402中的每一层（未具体示出）、自注意力神经网络中的每一层（多头注意力层404、稠密层405和全连接及softmax层406中的每一层）分别耦合的对应各层。
在一些示例中，相关度分析神经网络408中对应的各层可以与卷积神经网络402中的每一层（未具体示出）、自注意力神经网络中的每一层（多头注意力层404、稠密层405和全连接及softmax层406中的每一层）具有相同的结构，并且附加了额外的回传方法，以便将这些层中的中间变量等传送至相关度分析神经网络408中对应的各层。
在本申请的一些实施例中，车辆故障诊断方法10还可以包括训练诸如图4中所示的卷积神经网络402和自注意力神经网络（包括多头注意力层404、稠密层405和全连接及softmax层406）的过程（图1中未示出）。训练过程包括接收样本灰度图像及其对应的样本分类结果，其中样本灰度图像表征用于车辆诊断的样本数据，并且样本分类结果指示车辆故障情况。在本申请的一些实施例中，样本数据为根据经验规则判断出现故障的时点为终点的预定时段内的数据，并且样本分类结果为根据经验规则确定的车辆故障情况。在本领域中，根据经验规则确定的车辆故障情况也可以成为为样本数据“打标”。
然后，训练过程再以样本灰度图像为卷积神经网络的输入，并且以样本分类结果为自注意力神经网络的目标输出，对卷积神经网络和自注意力神经网络进行训练。经过样本灰度图像和样本分类结果的训练，最终神经网络架构40将趋于收敛，并且训练而得的各个参数可以固化、复制以便在依托于类似硬件的神经网络架构上分发。
本申请的另一方面提供了一种计算机可读存储介质，其中存储有指令，当所述指令由处理器执行时，使得所述处理器执行如上文所述的任意一种车辆故障诊断方法。本申请中所称的计算机可读介质包括各种类型的计算机存储介质，可以是通用或专用计算机能够存取的任何可用介质。举例而言，计算机可读介质可以包括RAM、ROM、EPROM、E2PROM、寄存器、硬盘、可移动盘、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码单元并能够由通用或专用计算机、或者通用或专用处理器进行存取的任何其他临时性或者非临时性介质。如本文所使用的盘通常磁性地复制数据，而碟则用激光来光学地复制数据。上述的组合也应当包括在计算机可读介质的保护范围之内。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读写信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
本申请的另一方面提供了一种车辆诊断设备。如图2所示，车辆诊断设备20包括存储器202和处理器204。其中，如图2中的箭头所示，处理器204可以读取存储器202中的数据，并且还可以向存储器202中写入数据。车辆诊断设备20还可以包括其他软硬件模块，出于清晰描述本申请原理的缘故，这里略去了对这些模块的介绍。车辆诊断设备20的存储器202被配置成存储指令，处理器204被配置成执行这些指令，从而使得处理器204执行如上文所述的任意一种车辆故障诊断方法。
本申请融合了卷积神经网络（视觉处理）、注意力神经网络（语义处理）以及基于分层优化的相关度传播的可解性机制，实现了针对多元时序信号的分类预测/归因。此外，还把得到的预测结果进行贡献度可视化展示，为诸如新能源汽车大数据挖掘提供了便利性，可应用在新能源汽车售后问题定位以及预警系统等。以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此。本领域的技术人员可以根据本申请所披露的技术范围想到其他可行的变化或替换，此等变化或替换皆涵盖于本申请的保护范围之中。在不冲突的情况下，本申请的实施方式及实施方式中的特征还可以相互组合。本申请的保护范围以权利要求的记载为准。
Claims (10)
1.一种车辆故障诊断方法，其特征在于，所述方法包括：
接收灰度图像，其中所述灰度图像表征用于车辆诊断的诊断数据；
利用卷积神经网络提取所述灰度图像的特征从而生成特征图；
对所述特征图进行基于自注意力的处理以得到分类结果，其中所述分类结果指示车辆故障情况；以及
基于所述分类结果进行相关度传播分析以得到贡献度热力图，其中所述贡献度热力图指示所述灰度图像中各个像素对所述分类结果的贡献程度。
2.根据权利要求1所述的方法，其中基于自注意力的处理包括：
将所述特征图输入到自注意力神经网络的多头注意力层以提取特征矩阵；
将所述特征矩阵输入到所述自注意力神经网络的稠密层以生成稀疏化矩阵；以及
将所述稀疏化矩阵输入到所述自注意力神经网络的全连接及softmax层以得到所述分类结果。
3.根据权利要求1所述的方法，其中通过以下步骤产生所述灰度图像：
提取所述诊断数据，其中所述诊断数据包括车辆内的至少一个来源在多个时点上产生的数据；
从所述诊断数据中过滤出预定时段内的有效数据；
将所述有效数据中的各个值作归一化处理；
将所述有效数据中的各个归一化值映射到所述灰度图像的灰度等级上；以及
根据所述有效数据中的各个归一化值的对应灰度等级构建所述灰度图，其中所述灰度图具有对应所述来源的第一维度和对应所述时点的第二维度。
4. 根据权利要求3所述的方法，其中产生所述灰度图像还包括如下步骤：
在归一化处理后补充各个来源在断电期间的归一化值；以及
对所述有效数据中的各个归一化值进行过滤。
5. 根据权利要求2所述的方法，所述方法还包括：
接收样本灰度图像及其对应的样本分类结果，其中所述样本灰度图像表征用于车辆诊断的样本数据，并且所述样本分类结果指示车辆故障情况；以及
以所述样本灰度图像为所述卷积神经网络的输入，并且以所述样本分类结果为所述自注意力神经网络的目标输出，对所述卷积神经网络和所述自注意力神经网络进行训练。
6.根据权利要求5所述的方法，其中所述样本数据为根据经验规则判断出现故障的时点为终点的预定时段内的数据，并且所述样本分类结果为根据所述经验规则确定的车辆故障情况。
7.根据权利要求2所述的方法，其中，基于所述分类结果进行相关度传播分析以得到贡献度热力图包括：
利用相关度分析神经网络基于所述分类结果进行所述相关度传播分析；其中，
所述相关度分析神经网络包括与所述卷积神经网络中的每一层、所述自注意力神经网络中的每一层分别耦合的对应各层。
8.根据权利要求1所述的方法，其中所述诊断数据基于车辆的传感器数据生成。
9.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令由处理器执行时，使得所述处理器执行如权利要求1-8中任一项所述的方法。
10.一种车辆诊断设备，其特征在于，所述诊断设备包括：
存储器，其配置成存储指令；
处理器，其配置成执行所述指令，使得执行权利要求1-8中任一项所述的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210543427.0A CN114997285A (zh) | 2022-05-19 | 2022-05-19 | 车辆故障诊断方法和设备、计算机可读存储介质 |
| EP23174290.9A EP4280172A1 (en) | 2022-05-19 | 2023-05-19 | Vehicle fault diagnosis method, device, and computer-readable storage medium |
| US18/320,269 US20230410572A1 (en) | 2022-05-19 | 2023-05-19 | Vehicle fault diagnosis method, device, and computer-readable storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210543427.0A CN114997285A (zh) | 2022-05-19 | 2022-05-19 | 车辆故障诊断方法和设备、计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114997285A true CN114997285A (zh) | 2022-09-02 |
Family
ID=83028014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210543427.0A Pending CN114997285A (zh) | 2022-05-19 | 2022-05-19 | 车辆故障诊断方法和设备、计算机可读存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230410572A1 (zh) |
| EP (1) | EP4280172A1 (zh) |
| CN (1) | CN114997285A (zh) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8301333B2 (en) * | 2010-03-24 | 2012-10-30 | GM Global Technology Operations LLC | Event-driven fault diagnosis framework for automotive systems |
-
2022
- 2022-05-19 CN CN202210543427.0A patent/CN114997285A/zh active Pending
-
2023
- 2023-05-19 US US18/320,269 patent/US20230410572A1/en active Pending
- 2023-05-19 EP EP23174290.9A patent/EP4280172A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4280172A1 (en) | 2023-11-22 |
| US20230410572A1 (en) | 2023-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816032B (zh) | 基于生成式对抗网络的无偏映射零样本分类方法和装置 | |
| CN107784322B (zh) | 异常数据检测方法、装置、存储介质以及程序产品 | |
| CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
| CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
| CN116610092A (zh) | 用于车辆分析的方法和系统 | |
| US20240135145A1 (en) | Generation of Realistic Data for Training Of Artificial Neural Networks | |
| CN114612902A (zh) | 图像语义分割方法、装置、设备、存储介质及程序产品 | |
| CN118013289B (zh) | 一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品 | |
| CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
| CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
| CN115393818A (zh) | 驾驶场景识别方法、装置、计算机设备和存储介质 | |
| CN115630334A (zh) | 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用 | |
| CN115761599A (zh) | 一种视频异常检测方法及系统 | |
| CN111598844A (zh) | 一种图像分割方法、装置、电子设备和可读存储介质 | |
| KR102552699B1 (ko) | 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템 | |
| US20210390802A1 (en) | Method, Computer Program And Device For Processing Signals | |
| CN116756881B (zh) | 一种轴承剩余使用寿命预测方法、装置及存储介质 | |
| CN116630286B (zh) | 一种图像异常检测与定位的方法、装置、设备及存储介质 | |
| CN110750876B (zh) | 一种轴承数据模型训练及使用方法 | |
| CN114997285A (zh) | 车辆故障诊断方法和设备、计算机可读存储介质 | |
| CN115861305A (zh) | 柔性电路板检测方法、装置、计算机设备及存储介质 | |
| CN113496228B (zh) | 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法 | |
| Hao et al. | Research on Fault Diagnosis Method Based on Improved CNN | |
| CN115565115A (zh) | 一种舾装件智能识别方法、计算机设备 |
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 |