CN115031994B - 一种车辆耐久试验方法和系统 - Google Patents

一种车辆耐久试验方法和系统 Download PDF

Info

Publication number
CN115031994B
CN115031994B CN202210638866.XA CN202210638866A CN115031994B CN 115031994 B CN115031994 B CN 115031994B CN 202210638866 A CN202210638866 A CN 202210638866A CN 115031994 B CN115031994 B CN 115031994B
Authority
CN
China
Prior art keywords
engine
tested
fault information
audio data
vehicle
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
CN202210638866.XA
Other languages
English (en)
Other versions
CN115031994A (zh
Inventor
高兢
朱国冬
戴晨洁
杨晓锋
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.)
Kunshan Yitai Automobile Technology Co ltd
Original Assignee
Kunshan Yitai Automobile 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 Kunshan Yitai Automobile Technology Co ltd filed Critical Kunshan Yitai Automobile Technology Co ltd
Priority to CN202210638866.XA priority Critical patent/CN115031994B/zh
Publication of CN115031994A publication Critical patent/CN115031994A/zh
Application granted granted Critical
Publication of CN115031994B publication Critical patent/CN115031994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本说明书实施例提供一种车辆耐久试验方法和系统，该方法包括：获取待测试车辆的待测试发动机在多个车辆状态参数下的第一音频数据，其中，车辆状态参数至少包括待测试车辆的行驶时间、行驶环境以及发动机参数；针对每一车辆状态参数下的第一音频数据，基于第一音频数据，通过第一判断模型确定待测试发动机的目标故障信息，其中，第一判断模型为训练好的机器学习模型；以及基于目标故障信息，确定是否需要向目标终端发送提醒信息。

Description

一种车辆耐久试验方法和系统
技术领域
本说明书涉及汽车测试领域，特别涉及一种车辆耐久试验方法和系统。
背景技术
随着汽车的普及，对汽车动力总成的耐久性要求越来越高。动力总成的耐久性是指动力总成在达到极限磨损或不堪使用之前的工作期限，动力总成的耐久性取决于零件的耐磨性和抵抗疲劳的能力。汽车动力总成包括发动机等，发动机在出厂前需要进行耐久测试，车辆发动机的耐久性试验是通过恶劣的循环耐久试验，对车辆的发动机进行耐久考核，主要为研发性能测试和寿命测试。通常齿轮磨损会降低发动机耐久性，发动机耐久性受发动机齿轮耐久性影响较大。
因此，希望提供一种车辆耐久试验方法和系统，通过获取待测试车辆发动机的音频数据，基于机器学习模型确定待测试发动机的障碍信息，从而能够准确、可靠的验证待测试车辆发动机的耐久性，提高用户的驾乘体验和驾驶安全。
发明内容
本说明书一个或多个实施例提供一种车辆耐久试验方法。所述方法包括：获取待测试车辆的待测试发动机在多个车辆状态参数下的第一音频数据，其中，车辆状态参数至少包括待测试车辆的行驶时间、行驶环境以及发动机参数；针对每一车辆状态参数下的第一音频数据，基于第一音频数据，通过第一判断模型确定待测试发动机的目标故障信息，其中，第一判断模型为训练好的机器学习模型；以及基于目标故障信息，确定是否需要向目标终端发送提醒信息。
本说明书一个或多个实施例提供一种车辆耐久试验系统，所述系统包括：获取模块，用于获取待测试车辆的待测试发动机在多个车辆状态参数下的第一音频数据，其中，车辆状态参数至少包括待测试车辆的行驶时间、行驶环境以及发动机参数；第一确定模块，用于针对每一车辆状态参数下的第一音频数据，基于第一音频数据，通过第一判断模型确定待测试发动机的目标故障信息，其中，第一判断模型为训练好的机器学习模型；以及提醒模块，用于基于目标故障信息，确定是否需要向目标终端发送提醒信息。
本说明书一个或多个实施例提供一种车辆耐久试验装置，包括处理器，所述处理器用于执行车辆耐久试验方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行车辆耐久试验方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的车辆耐久试验系统的应用场景示意图；
图2是根据本说明书一些实施例所示的车辆耐久试验系统的示例性模块图；
图3是根据本说明书一些实施例所示的车辆耐久试验方法的示例性流程图；
图4是根据本说明书一些实施例所示的又一车辆耐久试验方法的示例性流程图；
图5是根据本说明书一些实施例所示的第一判断模型的示意图；
图6是根据本说明书一些实施例所示的第二判断模型的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的车辆耐久试验系统的应用场景示意图。
在一些实施例中，车辆耐久试验系统的应用场景100可以包括处理设备110、网络120、存储设备130、终端140、测试台150以及待测试车辆160以及待测试发动机160-1。在一些实施例中，应用场景100中的组件可以经由网络120(例如无线连接、有线连接或其组合)，以实现彼此连接和/或通信。例如，处理设备110可以通过网络120连接到存储设备130。
处理设备110可以处理与车辆耐久试验系统的应用场景100有关的信息和/或数据，以执行本说明书中描述的一个或以上功能。例如，处理设备110可以基于待测试发动机160的第一音频数据，确定待测试发动机的目标故障信息。在一些实施例中，处理设备110可以包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为示例，处理设备110可以包括中央处理单元(CPU)。处理设备110可以处理从其他设备或系统组成部分中获得的数据、信息和/或处理结果，并基于这些数据、信息和/或处理结果执行程序指令，以执行本说明书中描述的一个或以上功能。
网络120可以包括提供能够促进应用场景100的信息和/或数据交换的任何合适的网络。车辆耐久试验系统的一个或多个组件(例如，存储设备130、处理设备110、终端140)之间可以通过网络120交换信息和/或数据。例如，网络120可以将获取到的待测试发动机的第一音频数据以及待测试车辆的车辆状态参数发送给处理设备110。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。
存储设备130可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备130可以存储从处理设备110、终端140等获得的数据和/或信息。例如，存储设备130可以存储第一音频数据、车辆状态参数等。在一些实施例中，存储设备130可以设置在处理设备110中。在一些实施例中，存储设备130可包括大容量存储器、可移除存储器等或其任意组合。
终端140可以是与车辆耐久试验直接相关的设备或其他实体。终端140可以是车辆耐久试验的操作者所使用的终端，如，进行车辆耐久试验的测试人员所使用的终端。在一些实施例中，终端140可以包括移动设备、平板电脑、笔记本电脑、膝上电脑等或其任意组合。终端140可以通过网络120与应用场景100中的其他组件交互。例如，终端140可以收到处理设备110发送的提醒信息(如，待测试车辆故障概率为20％)。在一些实施例中，终端140可以包括其他智能终端，如可穿戴智能终端等。
测试台150是指用于进行车辆性能试验的台架。待测试车辆160可以在测试台150进行车辆耐久试验。在一些实施例中，可以通过安装在测试台150上的数据采集装置(如，音频采集装置)获取车辆耐久试验所需要的数据，例如，待测试发动机的第一音频数据、待测试车辆的车辆状态参数等。
待测试车辆160可以指等待进行耐久试验的车辆。待测试发动机160-1可以指待测试车辆160的动力装置。
应当注意的是，应用场景100仅仅是为了说明的目的而提供的，并不意图限制本申请的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，车辆耐久试验系统的应用场景100可以在其它设备上实现类似或不同的功能。然而，这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的车辆耐久试验系统的示例性模块图。
在一些实施例中，车辆耐久试验系统200可以包括获取模块210、第一确定模块220和提醒模块230。
在一些实施例中，获取模块210用于获取待测试车辆的待测试发动机在多个车辆状态参数下的第一音频数据，其中，车辆状态参数至少包括待测试车辆的行驶时间、行驶环境以及发动机参数。关于待测试车辆、待测试发动机、第一音频数据、车辆的行驶时间、行驶环境、发动机参数的更多内容参见图3及其相关描述。
在一些实施例中，第一确定模块220用于针对每一车辆状态参数下的第一音频数据，基于第一音频数据，通过第一判断模型确定待测试发动机的目标故障信息，其中，第一判断模型为训练好的机器学习模型。关于目标故障信息的更多内容参见图3及其相关描述。在一些实施例中，第一确定模块220进一步用于基于去噪模型对第一音频数据进行处理，确定待测试发动机的第二音频数据，其中，第二音频数据为不包含有环境噪音的待测试发动机的音频数据；基于第一判断模型对第二音频数据进行处理，确定待测试发动机的目标故障信息。关于去噪模型、第一判断模型的更多内容参见图5及其相关描述。在一些实施例中，第一确定模块220进一步用于获取与车辆状态参数对应的无异常的待测试发动机的参考音频数据；基于第一提取层提取第一音频数据的音频特征，获取第一音频特征；基于第二提取层提取参考音频数据的音频特征，获取参考音频特征；基于第一预测层对第一音频特征和参考音频特征进行处理，确定待测试发动机的第一故障信息；基于第一故障信息，确定目标故障信息。关于第一提取层、第二提取层、第一预测层的更多内容参见图5及其相关描述。在一些实施例中，所述第一判断模型还包括第二预测层以及融合层，第一确定模块220进一步用于基于所述第二预测层对所述第一音频特征以及所述车辆状态参数进行处理，确定所述待测试发动机的第二故障信息；基于所述融合层融合所述第一故障信息以及所述第二故障信息，获得所述待测试发动机的所述目标故障信息。关于第二预测层、融合层、第二故障信息的更多内容参见图5及其相关描述。
在一些实施例中，提醒模块230用于基于目标故障信息，确定是否需要向目标终端发送提醒信息。关于提醒信息的更多内容参见图3及其相关描述。
在一些实施例中，车辆耐久试验系统200还可以包括第二确定模块240。第二确定模块240用于基于所述第一判断模型，确定第二判断模型的参数，其中，所述第二判断模型用于确定车辆的发动机在实际行驶中的故障信息。关于第二判断模型的更多内容参见图6及其相关描述。
应当理解，图2所示的系统及其模块可以利用各种方式来实现。
需要注意的是，以上对于车辆耐久试验系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的获取模块210、第一确定模块220和提醒模块230可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的车辆耐久试验方法的示例性流程图。在一些实施例中，流程300可以由处理设备110执行。如图3所示，流程300包括下述步骤：
步骤310，获取待测试车辆的待测试发动机在多个车辆状态参数下的第一音频数据，其中，车辆状态参数至少包括待测试车辆的行驶时间、行驶环境以及发动机参数。
待测试车辆是指需要进行耐久性试验的车辆。例如，刚出厂的车辆、刚维修的车辆、需要进行测试的车辆等。
待测试发动机是指待测试车辆中需要进行耐久性试验的发动机。
车辆状态参数是指可以反映待测试车辆状态的相关参数。在一些实施例中，车辆状态参数可以至少包括待测试车辆的行驶时间、行驶环境以及发动机参数。车辆状态参数还可以包括待测试车辆的时速以及总里程。车辆状态参数可以由测试人员预先设置确定。例如，测试人员可以预先设置待测试车辆的车辆状态参数需为行驶时间为6000h，行驶环境为高速路，发动机启动时间为6000h、转速为850rpm等。
行驶时间是指待测试车辆的已经行驶的时间。发动机参数是指待测试发动机的参数。发动机参数可以包括但不限于待检测发动机的启动时长、转速等。可以根据预设的车辆状态参数调整前述待测试车辆的相关参数，从而使得待测试车辆符合上述车辆状态参数。行驶环境可以指待测试车辆行驶时的环境的相关信息。行驶环境可以包括但不限于待检测车辆行驶的环境的环境温度、行驶道路条件等。测试人员在测试台上预先设置待测试车辆的行驶环境。
第一音频数据是指待测试车辆的待测试发动机在某一车辆状态参数下的音频数据。应当理解的是，第一音频数据可以包括待测试发动机的正常运作时的音频数据，还可以包括当待测试发动机存在故障时进行运作时带来的噪音数据。处理设备可以通过分析第一音频数据中是否存在当待测试发动机存在故障时进行运作时带来的噪音数据，以确定待测试发动机的目标故障信息。第一音频数据还可以包括待测试发动机的环境噪音等。例如，待测试发动机的环境噪音可以包括行驶环境噪音(如，空气噪声)、其他装置环境噪音(如，动力噪声)等。第一音频数据与待测试发动机的类型以及车辆状态参数相关。即使是同一待测试发动机，在不同车辆状态参数下对应的第一音频数据也不同。
在一些实施例中，可以根据车辆状态参数，确定测试台与待测试车辆的相关参数设置，从而可以通过音频采集装置获取待测试发动机在对应车辆状态参数下的第一音频数据。其中，音频采集装置可以包括声音传感器、声音采集器、数字拾音器等。音频采集装置可以安装在待测试车辆上，也可以安装在测试台上。
步骤320，针对每一车辆状态参数下的第一音频数据，基于第一音频数据，通过第一判断模型确定待测试发动机的目标故障信息，其中，第一判断模型为训练好的机器学习模型。
目标故障信息是指待测试发动机发生故障的相关信息。例如，目标故障信息可以为待测试发动机是否存在故障。再例如，目标故障信息还可以为待测试发动机的故障概率。
在一些实施例中，对每一车辆状态参数下的第一音频数据，可以通过第一判断模型确定待测试发动机的目标故障信息，其中，所述第一判断模型可以为训练好的机器学习模型。
在一些实施例中，可以基于去噪模型对第一音频数据进行处理，确定待测试发动机的第二音频数据，其中，第二音频数据为不包含有环境噪音的待测试发动机的音频数据。关于上述实施例的更多内容可以参见图4及其相关描述。
在一些实施例中，第一判断模型可以包括第一提取层、第二提取层以及第一预测层，基于第一音频数据，通过第一判断模型确定待测试发动机的目标故障信息包括：获取与车辆状态参数对应的无异常的待测试发动机的参考音频数据；基于第一提取层提取第一音频数据的音频特征，获取第一音频特征；基于第二提取层提取参考音频数据的音频特征，获取参考音频特征；基于第一预测层对第一音频特征和参考音频特征进行处理，确定待测试发动机的第一故障信息；基于第一故障信息，确定待测试发动机的目标故障信。关于上述实施例的更多内容参见图5及其相关描述。
步骤330，基于各个车辆状态参数下的第一音频数据对应的目标故障信息，确定是否需要向目标终端发送提醒信息。
提醒信息是指可以用于提醒待测试车辆的耐久性的相关信息。提醒信息的内容可以基于待测试车辆的车辆状态参数以及目标故障信息确定。例如，某一待测试车辆的目标故障信息可以为出现故障，目标故障信息对应的车辆状态参数可以包括行驶时间为6000h，行驶环境为高速路，发动机启动时间为6000h、转速为850rpm。提醒信息可以为该待测试车辆的待测试发动机在高速路上以850rpm行驶超过6000h后出现损坏。目标终端可以指测试人员所使用的终端。
在一些实施例中，可以基于各个车辆状态参数下的第一音频数据对应的目标故障信息，根据预设条件，确定是否需要向目标终端发送提醒信息。预设条件可以通过测试人员预先设置确定。例如，预设条件可以为某一车辆状态参数下的第一音频数据对应的故障概率大于85％，可以确定该待测试发动机在该车辆状态参数下存在损坏，需要向目标终端发送提醒信息。当某一待测试车辆在某一车辆状态参数下的第一音频数据对应的目标故障信息为故障概率为95％时，可以向目标终端发送提醒信息。
测试人员可以通过调整同一款待测试车辆的车辆状态参数，确定出各个车辆状态参数对应的目标故障信息，从而确定该款待测试车辆的各项耐久性数据。
在本说明书的一些实施例中通过获取待测试车辆发动机的第一音频数据，基于机器学习模型判断待测试发动机的故障信息，从而能够快速、准确、可靠的测试待测试发动机的耐久性，避免在对待测试车辆进行测试时需反复拆开待测试发动机以确认其是否出现损坏，同时也降低了测试人员的测试风险。
图4是根据本说明书一些实施例所示的又一车辆耐久试验方法的示例性流程图。在一些实施例中，流程400可以由处理设备110执行。如图4所示，流程400包括下述步骤：
步骤410，基于去噪模型对第一音频数据进行处理，确定待测试发动机的第二音频数据，其中，第二音频数据为不包含有环境噪音的待测试发动机的音频数据。
第二音频数据可以指不包含环境噪音的待测试发动机的音频数据。环境噪音可以包括但不限于待测试车辆内其他装置运作的声音以及行驶环境的声音。例如，环境噪音可以包括变速箱运作所带来的声音。再例如，环境噪音还可以包括待测试车辆在雨中行驶时的雨声。
去噪模型可以用于确定待测试发动机的第二音频数据。去噪模型可以为包括但不限于卷积神经网络模型、深度神经网络模型等。
在一些实施例中，去噪模型的输入可以是待测试发动机的第一音频数据，输出可以是待测试发动机的第二音频数据。
在一些实施例中，去噪模型可以通过多个带有标签的训练样本训练得到。训练样本可以包括混合有环境噪音的发动机音频，前述发动机音频可以包括但不限于发动机耐久性不良情况下的音频、发动机耐久性无损失时的音频以及发动机出现故障时的音频等。训练样本的标签可以对应的去除环境噪音后的发动机音频等。可以基于发动机的历史音频数据获取训练样本的标签，再获取环境噪音，并将环境噪音叠加至前述发动机的历史音频数据，从而获取训练样本。可以将多个带有标签的训练样本输入初始去噪模型，通过标签和初始去噪模型的输出构建损失函数，基于损失函数迭代更新初始去噪模型的参数。当初始去噪模型的损失函数满足预设条件时模型训练完成，得到训练好的去噪模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
步骤420，基于第一判断模型对第二音频数据进行处理，确定待测试发动机的目标故障信息。
在一些实施例中，可以基于第一判断模型对第二音频数据，确定待测试发动机的目标故障信息。
第一判断模型可以用于确定待测试发动机的目标故障信息。第一判断模型可以为包括但不限于卷积神经网络模型、深度神经网络模型等。
在一些实施例中，第一判断模型的输入可以包括待测试发动机的第二音频数据，输出可以是待测试发动机的目标故障信息。
在一些实施例中，第一判断模型可以通过多个带有标签的训练样本训练得到。训练样本可以包括样本发动机的第二音频数据，训练样本的标签可以为该待样本发动机的故障信息。应当理解的是，样本发动机与待测试发动机应当为同一型号车辆中的同一型号的发动机。训练样本可以基于训练好的去噪模型对样本发动机的第一音频数据进行处理后获取，训练样本的标签可以通过对发出前述第一音频数据的待测试发动机进行检测后获取。将多个带有标签的训练样本输入初始第一判断模型通过标签和初始第一判断模型的输出构建损失函数，基于损失函数迭代更新第一判断模型的参数。当初始第一判断模型的损失函数满足预设条件时模型训练完成，得到训练好的第一判断模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
本说明书的一些实施例可以通过去噪模型排除第一音频数据中环境噪音的干扰，提高第一判断模型预测的准确性。
图5是根据本说明书一些实施例所示第一判断模型的示意图。
第一判断模型可以用于确定待测试发动机的目标故障信息。第一判断模型可以包括但不限于卷积神经网络、深度神经网络等一种或多种的组合。
在一些实施例中，针对每一车辆状态参数下的第一音频数据，可以基于第一音频数据通过第一判断模型可以确定待测试发动机的目标故障信息550，其中，所述第一判断模型为训练好的机器学习模型。
第一判断模型的输入可以包括第一音频数据，第一判断模型的输出可以包括待测试发动机的目标故障信息。例如，第一判断模型的输入可以包括车辆状态参数A下的第一音频数据A1，输出的目标故障信息可以包括待测试发动机的故障概率为85％。
在一些实施例中，第一判断模型的参数可以通过训练得到。可以基于大多组带有标签的训练样本对初始第一判断模型进行训练，训练样本可以是样本发动机的历史第一音频数据，训练样本的标签可以是该样本发动机的故障信息，当样本发动机存在故障时标签可以为1，当样本发动机不存在故障时标签可以为0。应当理解的是，样本发动机与待测试发动机应当为同一型号车辆中的同一型号的发动机。处理设备可以采集历史一段时间(如一天、一周、一个月等)内的多个样本发动机的第一音频数据作为训练样本，该时间段内样本发动机的故障信息作为训练样本的标签，样本发动机的故障信息可以根据在该时间段内对样本发动机进行检测获取。将多个训练样本输入初始第一判断模型，基于初始第一判断模型的输出和标签构建损失函数，并基于损失函数迭代更新初始第一判断模型的参数，当训练的模型满足预设条件时，训练结束，获取训练好的第一判断模型。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值等。
如图5所示，第一判断模型540可以包括第一提取层540-1、第二提取层540-2以及第一预测层540-3。
第一提取层可以提取第一音频数据的音频特征，获取第一音频特征。第一提取层可以是卷积神经网络。如图5所示，第一提取层540-1的输入可以是第一音频数据510，第一提取层540-1的输出可以是第一音频特征541。第一音频特征可以指对第一音频数据进行特征提取后获得的音频特征。其中，第一音频特征可以包括：能量特征、时域特征、频域特征、乐理特征以及感知特征等。其中，能量特征是指音频的能量特点，如，均方根能量。时域特征是指音频在时间域的特点，如，起音时间、过零率、自相关等。频域特征是指音频在频率域的特点，如，谱质心、频谱平坦度、频谱能量等。乐理特征可以是指音准特征，如，基音频率、失谐度等。感知特征是指人耳的主观感受特点，响度、尖锐度等。
在一些实施例中，可以获取与车辆状态参数对应的无异常的待测试发动机的参考音频数据参考音频数据可以指待测试发动机在对应车辆状态参数在无异常时的音频数据。可以在测试台上设置对应的车辆状态参数，通过音频采集装置获取无异常的待测试发动机的参考音频数据。
第二提取层可以提取参考音频数据的音频特征，获取参考音频特征。第二提取层可以是卷积神经网络。如图5所示，第二提取层540-2的输入可以是参考音频数据520，第二提取层的输出可以是参考音频特征542。参考音频特征可以指对参考音频数据进行特征提取后获得的音频特征。与第一音频特征相似地，参考音频特征也可以包括能量特征、时域特征、频域特征、乐理特征以及感知特征等。
第一预测层可以对第一音频特征和参考音频特征进行处理，确定待测试发动机的第一故障信息。第一预测层可以是深度神经网络。第一故障信息可以指基于第一音频特征和参考音频特征确定的待测试发动机的故障信息。如图5所示，第一预测层540-3的输入可以包括第一音频特征541和参考音频特征542，第一预测层540-3的输出可以是待测试发动机的第一故障信息543。
在一些实施例中，第一判断模型540可以将前述第一故障信息543确定为目标故障信息550。
在一些实施例中，第一提取层、第二提取层以及第一预测层可以通过联合训练得到。训练样本包括样本发动机的历史第一音频数据和对应的历史参考音频数据，标签可以为该样本发动机的故障信息。应当理解的是，样本发动机与待测试发动机应当为同一型号车辆中的同一型号的发动机。将训练样本中的历史第一音频数据输入初始第一提取层，将训练样本中的历史参考音频数据输入初始第二提取层。然后将初始第一提取层的输出和初始第二提取层的输出一起输入至初始第一预测层中，并基于初始第一预测层的输出和标签构建损失函数。基于损失函数迭代更新初始第一判断模型中各层的参数，直至满足预设条件，得到训练好的第一判断模型。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值。
在一些实施例中，第一提取层和第二提取层可以共享参数。共享参数可以指第一提取层和第二提取层使用相同的参数。例如，第一提取层和第二提取层可以包括参数相同的短时傅里叶变换、离散余弦变换、梅尔频谱和梅尔倒谱等参层，以对对应音频数据进行处理。
如图5所示，第一判断模型540还可以包括第二预测层540-4以及融合层540-5。
第二预测层可以对第一音频特征以及车辆状态参数进行处理，确定待测试发动机的第二故障信息。第二故障信息可以指基于第一音频特征和车辆状态参数确定的待测试发动机的故障信息。如图5所示，第二预测层540-4的输入可以是第一音频特征541和车辆状态参数530，第二预测层540-4的输出可以是待测试发动机的第二故障信息544。
融合层可以融合第一故障信息以及第二故障信息，获得待测试发动机的目标故障信息。如图5所示，融合层的输入可以是第一故障信息543和第二故障信息544，融合层的输出可以是目标故障信息550。例如，融合层可以对第一故障信息和第二故障信息进行加权处理，得到目标故障信息。仅作为示例地，目标故障信息＝p*第一故障信息+q*第二故障信息。p、q可以是和为1的值，可以由测试人员自行设置。例如，第一故障信息中的故障概率为50％，第二故障信息中的故障概率为60％，设置p＝0.4，q＝0.6，则输出目标故障信息为待测试发动机的故障概率为56％。
在一些实施例中，第一提取层、第二提取层、第一预测层、第二预测层以及融合层可以通过联合训练得到。训练样本包括样本发动机的历史第一音频数据、对应的历史参考音频数据以及历史第一音频数据对应的历史车辆状态参数，标签可以为该样本发动机的故障信息。应当理解的是，样本发动机与待测试发动机应当为同一型号车辆中的同一型号的发动机。将训练样本中的历史第一音频数据输入初始第一提取层，将训练样本中的历史参考音频数据输入初始第二提取层。然后，将初始第一提取层的输出和初始第二提取层的输出一起输入至初始第一预测层中，将初始第一提取层的输出和训练样本中的历史第一音频数据对应的历史车辆状态参数输入至初始第二预测层中。接着，将初始第一预测层的输出和初始第二预测层的输出一起输入至初始融合层，基于初始融合层的输出和标签构建损失函数。基于损失函数迭代更新初始第一判断模型中各层的参数，以使模型的损失函数满足预设条件，得到训练好的第一判断模型。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值。
在一些实施例中，在对第一判断模型进行前述联合训练时，第一判断模型的损失函数可以至少包括第一损失项、第二损失项和误差项，其中，第一损失项可以基于初始第一故障信息和标签确定，初始第一故障信息为对第一判断模型进行训练时初始第一预测层的输出。第二损失项基于初始第二故障信息和标签确定，初始第二故障信息为对第一判断模型进行训练时初始第二预测层的输出。误差项可以基于初始第一故障信息和初始第二故障信息的差值确定。示例性地，损失函数的计算公式如下：
Lm＝λL1*L1+λL2*L2+qe*Le
其中，Lm为损失函数，L1为第一损失项，L2为第二损失项，Le为误差项。λL1和λL2分别为第一损失项和第二损失项的权重，qe为误差项的系数。
在一些实施例中，第一损失项和第二损失项的权重可以基于初始第一故障信息和初始第二故障信息的差值确定，其中，前述差值越大，第一损失项和第二损失项的权重越小。仅作为示例地，可以设置初始第一故障信息和初始第二故障信息的故障概率差值与各自权重对应。当故障概率差值在0～20％之间时，第一损失项和第二损失项的权重分别为0.45和0.35。当故障概率差值在20～40％之间时，第一损失项和第二损失项的权重分别为0.35和0.25。当故障概率差值大于40％时，第一损失项和第二损失项的权重分别为0.2和0.1。例如，当初始第一故障信息的故障概率为60％，初始第二故障信息的故障概率为39％，差值为21％时，根据对应关系，可以确定出第一损失项的权重为0.35，第二损失项的权重为0.25。
应当理解的是，当初始第一故障信息和初始第二故障信息的差值越大，说明二者差异越大，则与实际情况的差距越大，因此需要减小初始第一故障信息和初始第二故障信息对最终结果的影响，即减小第一损失项和第二损失项的权重。在一些实施例中，误差项的系数可以为固定的预设系数，如，0.3、0.5等。
本说明书的一些实施例，能够根据基于待测试发动机不同运行情况下所确定的故障信息和基于不同车辆状态情况所确定的故障信息的差异大小，确定不同权重，减小了误差，从而能够更加准确地目标故障信息。
在一些实施例中，第一损失项、第二损失项以及误差项的权重可以根据初始第一判断模型的训练轮次的变化而变化。
在对初始第一判断模型进行第i训练轮次的训练时，第一损失项的权重可以大于对第一判断模型进行第j训练轮次的训练时第一损失项的权重，第二损失项的权重可以小于对初始第一判断模型进行第j训练轮次的训练时第二损失项的权重，误差项的权重可以大于对初始第一判断模型进行第j训练轮次的训练时误差项的权重。其中，i与j均为正整数且i小于j，对应的，第i次训练轮次早于第j次训练轮次。
值得说明的是，设置第一损失项的权重先大后小可以使模型对待测试发动机在不同情况下(如，故障或未故障)运作时所产生的不同第一音频数据的差异进行学习。设置第二损失项的权重先小后大可以使模型优化基于不同车辆状态参数影响下进行故障预测的能力。设置误差项的权重先大后小，是因为模型在训练过程中输出的结果会越来越准确，因此误差项对最终结果的影响需要逐渐减小。
本说明书的一些实施例，通过不同损失项的权重的变化，从待测试发动机在不同情况下(如，故障或未故障)运作时所产生的不同第一音频数据的差异开始学习，再强化对单独预测的调优，加快了训练进程，减少训练过程中的震荡。
本说明书的一些实施例，通过设置多个损失项，并根据在不同情况下待测试发动机运作时所产生的不同第一音频数据的差异确定权重，更好地适应在不同种类的第一音频数据的影响下的音频检测，准确地预测故障情况。
本说明书的一些实施例，由于汽车发动机异常时的第一音频数据通常与故障有关，可以通过大量参考音频数据与故障情况下的第一音频数据组合，使得模型可以更好地学习正常情况与故障情况下的音频数据的差异，能够利用待检测发动机的第一音频数据准确地判断待检测发动机的故障情况。
本说明书的一些实施例，使得模型可以更好地学习不同车辆驾驶参数下的第一音频数据的差异，更准确地判断故障出现情况。
图6是根据本说明书一些实施例所示的第二判断模型的示意图。
在一些实施例中，可以基于第一判断模型，确定第二判断模型的参数。第二判断模型可以用于确定车辆的发动机在实际行驶中的故障信息。
如图6所示，第二判断模型620可以包括依次连接的第一提取层540-1和第二预测层540-4。
第一提取层可以提取第三音频数据的音频特征，获取第三音频特征。如图6所示，第一提取层540-1的输入可以是实际行驶中的车辆的发动机第三音频数据610，输出为第三音频特征621。第三音频数据可以指实际行驶中的车辆在某一车辆状态参数下的音频数据。第三音频特征可以指对第三音频数据进行特征提取后获得的音频特征。可以通过在实际行驶中的车辆中的发动机周围设置音频采集装置，以获取第三音频数据。
应当理解的是，第三音频数据为车辆在实际行驶中的发动机的音频数据，第一音频数据与第三音频数据类似，仅数据来源不同，故可以对第一音频数据进行处理的第一判断模型中的第一提取层，应当也可以对第三音频数据进行处理。
第二预测层可以对第三音频特征以及实际行驶中的车辆的车辆状态参数进行处理，确定实际行驶中的车辆的发动机的故障信息。如图6所示，第二预测层540-4的输入可以包括第三音频特征621以及实际行驶中的车辆的车辆状态参数630，输出可以是实际行驶中的车辆的发动机的故障信息640。实际行驶中的车辆的车辆状态参数630可以通过安装在实际行驶中的车辆中的相关传感器或网络获取。例如，可以通过网络获取实际行驶中的车辆的行驶环境，可以通过安装在实际行驶中的车辆中的传感器获取实际行驶中的车辆的发动机参数。实际行驶中的车辆的发动机的故障信息可以指基于第二判断模型确定的实际行驶中的车辆的发动机的故障信息。
应当理解的是，第一判断模型中的第二预测层可以对车辆状态参数以及第一音频特征进行处理，确定第二故障信息。而车辆状态参数与实际行驶中的车辆的车辆状态参数仅数据来源不同，第三音频特征与第一音频特征同样仅数据来源不同，故第一判断模型中的第二预测层应当也可以对第三音频特征以及实际行驶中的车辆的车辆状态参数进行处理，确定实际行驶中的车辆的发动机的故障信息。
在一些实施例中，第二判断模型可以基于训练好的第一判断模型进行构建。可以将从第一提取层和第二预测层第一判断模型中提取出来，并对第一提取层和第二预测层依次进行组合，形成新的机器学习模型。在一些实施例中，处理设备可以将前述新的机器学习模型确定为第二判断模型。
在一些实施例中，还可以对前述新的机器学习模型再次进行训练，从而获得训练好的第二判断模型。针对每一组在对第一判断模型进行训练时所使用的训练样本，可以基于训练好的第一判断模型对训练样本进行处理，确定对应第一故障信息以及第二故障信息。确定第一故障信息与标签的第一差值以及第二故障信息与标签的第二差值。当第一差值和/或第二差值大于阈值时，基于该组在对第一判断模型进行训练时所使用的训练样本，再次对新的机器学习模型进行训练。可以将该组在对第一判断模型进行训练时所使用的训练样本输入前述新的机器学习模型，并基于前述新的机器学习模型的输出与标签构建损失函数，基于损失函数迭代更新前述新的机器学习模型的参数，直至满足预设条件，获得训练好的第二判断模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
应当理解的是，当训练效果理想时，基于训练好的第一判断模型中确定的第一故障信息以及第二故障信息应当是近似的。当第一差值和/或第二差值大于阈值时，表征训练好的第一判断模型中的第一预测层和/或第二预测层存在误差，使得两者的输出与标签之间的差异较大。本说明书的一些实施例，通过将对第一判断模型进行训练时所使用的训练样本再次输入训练好的第一判断模型，可以第一差值和/或第二差值判断出第一预测层和第二预测层的训练效果，当某一组对第一判断模型进行训练时所使用的训练样本对应的第一差值和/或第二差值大于阈值时，表征第一预测层和/或第二预测层的训练效果不理想，可以基于前述对第一判断模型进行训练时所使用的训练样本再次对新的机器学习模型进行训练，以保证第二判断模型的准确度。
在一些实施例中，可以通过车辆的发动机在实际行驶中的故障信息判断是否需要向目标终端发送故障预警信息。故障预警信息可以指提醒实际行驶中的车辆可能存在故障的信息。目标终端可以包括但不限于实际行驶中的车辆的显示屏以及实际行驶中的车辆的驾驶人员所使用的移动终端等。处理设备可以根据车辆的发动机在实际行驶中的故障信息与预设条件确定是否要向目标终端发送故障预警信息。例如，预设条件可以为故障概率大于85％，当车辆的发动机在实际行驶中的故障概率为95％，可以向实际行驶中的车辆的显示屏发送故障预警提醒，故障预警提醒可以在前述显示屏上以弹窗的形式体现。
本说明书的一些实施例中可以通过测试阶段的相关数据可以训练获取第一判断模型的参数。基于第一判断模型的参数，确定用于确定车辆的发动机在实际行驶中的故障信息的第二判断模型参数，提高耐久性测试得到的数据的利用率，节约成本。
本说明书实施例还提供了一种车辆耐久试验装置，包括至少一个处理器以及至少一个存储器；至少一个存储器用于存储计算机指令；至少一个处理器用于执行计算机指令中的至少部分指令以实现本说明书中任一实施例所述的车辆耐久试验方法。
本说明书实施例还提供了一种计算机可读存储介质，存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行本说明书中任一实施例所述的车辆耐久试验方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (8)

1.一种车辆耐久试验方法，其特征在于，所述方法包括：
获取待测试车辆的待测试发动机在多个车辆状态参数下的第一音频数据，其中，所述车辆状态参数至少包括所述待测试车辆的行驶时间、行驶环境以及发动机参数；
针对每一所述车辆状态参数下的第一音频数据，基于所述第一音频数据，通过第一判断模型确定所述待测试发动机的目标故障信息，其中，所述第一判断模型为训练好的机器学习模型；
所述第一判断模型包括第一提取层、第二提取层、第一预测层、第二预测层以及融合层，所述第一提取层与所述第二提取层共享参数；
其中，所述基于所述第一音频数据，通过第一判断模型确定所述待测试发动机的目标故障信息包括：
获取与所述车辆状态参数对应的无异常的待测试发动机的参考音频数据；
基于所述第一提取层提取所述第一音频数据的音频特征，获取第一音频特征；
基于所述第二提取层提取所述参考音频数据的音频特征，获取参考音频特征；
基于所述第一预测层对所述第一音频特征和所述参考音频特征进行处理，确定所述待测试发动机的第一故障信息；
基于所述第二预测层对所述第一音频特征以及所述车辆状态参数进行处理，确定所述待测试发动机的第二故障信息；
基于所述融合层融合所述第一故障信息以及所述第二故障信息，获得所述待测试发动机的所述目标故障信息；
其中，所述第一判断模型中的所述第一提取层、所述第二提取层、所述第一预测层、所述第二预测层以及所述融合层通过联合训练得到；所述第一判断模型的损失函数至少包括第一损失项、第二损失项和误差项；所述第一损失项基于训练时初始第一预测层输出的初始第一故障信息和标签构建，所述第二损失项基于初始第二预测层输出的初始第二故障信息和标签构建，所述误差项基于所述初始第一故障信息和所述初始第二故障信息的差构建，所述第一损失项和所述第二损失项的权重基于所述初始第一故障信息和所述初始第二故障信息的差值确定，所述第一损失项和所述第二损失项的权重与所述差值负相关；以及
基于所述目标故障信息，确定是否需要向目标终端发送提醒信息。
2.如权利要求1所述的方法，其特征在于，所述基于所述第一音频数据，通过第一判断模型确定所述待测试发动机的目标故障信息包括：
基于去噪模型对所述第一音频数据进行处理，确定所述待测试发动机的第二音频数据，其中，所述第二音频数据为不包含有环境噪音的所述待测试发动机的音频数据；
基于所述第一判断模型对所述第二音频数据进行处理，确定所述待测试发动机的目标故障信息。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述第一判断模型，确定第二判断模型的参数，其中，所述第二判断模型用于确定车辆的发动机在实际行驶中的故障信息。
4.一种车辆耐久试验系统，其特征在于，所述系统包括：
获取模块，用于获取待测试车辆的待测试发动机在多个车辆状态参数下的第一音频数据，其中，所述车辆状态参数至少包括所述待测试车辆的行驶时间、行驶环境以及发动机参数；
第一确定模块，用于针对每一所述车辆状态参数下的第一音频数据，基于所述第一音频数据，通过第一判断模型确定所述待测试发动机的目标故障信息，其中，所述第一判断模型为训练好的机器学习模型；所述第一判断模型包括第一提取层、第二提取层、第一预测层、第二预测层以及融合层，所述第一提取层与所述第二提取层共享参数；
其中，所述第一确定模块进一步用于：
获取与所述车辆状态参数对应的无异常的待测试发动机的参考音频数据；
基于所述第一提取层提取所述第一音频数据的音频特征，获取第一音频特征；
基于所述第二提取层提取所述参考音频数据的音频特征，获取参考音频特征；
基于所述第一预测层对所述第一音频特征和所述参考音频特征进行处理，确定所述待测试发动机的第一故障信息；
基于所述第二预测层对所述第一音频特征以及所述车辆状态参数进行处理，确定所述待测试发动机的第二故障信息；
基于所述融合层融合所述第一故障信息以及所述第二故障信息，获得所述待测试发动机的所述目标故障信息；
其中，所述第一判断模型中的所述第一提取层、所述第二提取层、所述第一预测层、所述第二预测层以及所述融合层通过联合训练得到；所述第一判断模型的损失函数至少包括第一损失项、第二损失项和误差项；所述第一损失项基于训练时初始第一预测层输出的初始第一故障信息和标签构建，所述第二损失项基于初始第二预测层输出的初始第二故障信息和标签构建，所述误差项基于所述初始第一故障信息和所述初始第二故障信息的差构建，所述第一损失项和所述第二损失项的权重基于所述初始第一故障信息和所述初始第二故障信息的差值确定，所述第一损失项和所述第二损失项的权重与所述差值负相关；以及
提醒模块，用于基于所述目标故障信息，确定是否需要向目标终端发送提醒信息。
5.如权利要求4所述的系统，其特征在于，所述第一确定模块进一步用于：
基于去噪模型对所述第一音频数据进行处理，确定所述待测试发动机的第二音频数据，其中，所述第二音频数据为不包含有环境噪音的所述待测试发动机的音频数据；
基于所述第一判断模型对所述第二音频数据进行处理，确定所述待测试发动机的目标故障信息。
6.如权利要求4所述的系统，其特征在于，所述系统还包括：
第二确定模块，用于基于所述第一判断模型，确定第二判断模型的参数，其中，所述第二判断模型用于确定车辆的发动机在实际行驶中的故障信息。
7.一种车辆耐久试验装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～3中任一项所述的车辆耐久试验方法。
8.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～3任一项所述的车辆耐久试验方法。
CN202210638866.XA 2022-06-08 2022-06-08 一种车辆耐久试验方法和系统 Active CN115031994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210638866.XA CN115031994B (zh) 2022-06-08 2022-06-08 一种车辆耐久试验方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210638866.XA CN115031994B (zh) 2022-06-08 2022-06-08 一种车辆耐久试验方法和系统

Publications (2)

Publication Number Publication Date
CN115031994A CN115031994A (zh) 2022-09-09
CN115031994B true CN115031994B (zh) 2023-05-02

Family

ID=83123298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210638866.XA Active CN115031994B (zh) 2022-06-08 2022-06-08 一种车辆耐久试验方法和系统

Country Status (1)

Country Link
CN (1) CN115031994B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304863B (zh) * 2023-02-08 2024-06-11 北京北明数科信息技术有限公司 一种多数据融合的车辆故障监测预警方法、设备及介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107458383B (zh) * 2016-06-03 2020-07-10 法拉第未来公司 使用音频信号的车辆故障自动检测
CN107945507B (zh) * 2016-10-13 2020-08-11 腾讯科技（深圳）有限公司 行程时间预测方法及装置
CN106596123B (zh) * 2016-11-22 2020-03-27 东软集团股份有限公司 设备故障诊断的方法、装置及系统
KR20200041098A (ko) * 2018-10-11 2020-04-21 현대자동차주식회사 파워 트레인 부품 고장 진단 방법
MX2021008847A (es) * 2019-01-22 2021-11-12 Acv Auctions Inc Captura y diagnostico de audio de vehiculo.
CN111366375A (zh) * 2020-03-05 2020-07-03 三一汽车起重机械有限公司 基于音频和图像处理的车辆噪声和振动诊断方法和系统
CN113071497B (zh) * 2021-04-28 2022-05-24 中国第一汽车股份有限公司 一种驾驶场景判断方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115031994A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
US8676432B2 (en) Fault prediction framework using temporal data mining
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CA2746543C (fr) Identification de defaillances dans un moteur d'aeronef
AU2013245998B2 (en) Efficient health management, diagnosis and prognosis of a machine
US20170178311A1 (en) Machine fault detection based on a combination of sound capture and on spot feedback
JP2013186899A (ja) 構造物を監視するための方法及びシステム
US20220334573A1 (en) Sensor-agnostic mechanical machine fault identification
CN115031994B (zh) 一种车辆耐久试验方法和系统
CN116415126A (zh) 用于造纸机的刮刀的异常检测的方法、装置和计算设备
CN114692926A (zh) 车用电池的安全评估方法、系统、设备及可读存储介质
CN116880454A (zh) 车辆故障智能诊断系统与方法
CN113762344A (zh) 机床主轴的故障识别方法、故障识别模型训练方法及装置
CN114048787B (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN110266774B (zh) 车联网数据质量的检验方法、装置、设备及存储介质
CN116012681A (zh) 基于声振信号融合的管道机器人电机故障诊断方法及系统
CN113744888B (zh) 区域流行病趋势预测预警方法及系统
CN111680407A (zh) 一种基于高斯混合模型的卫星健康评估方法
Irgat et al. An IoT-Based Monitoring System for Induction Motor Faults Utilizing Deep Learning Models
US11339763B2 (en) Method for windmill farm monitoring
KR102470520B1 (ko) 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법
US11436069B2 (en) Method and apparatus for predicting hard drive failure
CN118514703B (zh) 故障检测方法、系统、云服务端、车辆及存储介质
CN113627088B (zh) 基于基因编程和数据融合的机器性能退化评估方法及系统
CN117874905B (zh) 飞机风挡的损伤预测方法、系统、设备及存储介质
CN118793531A (zh) 一种基于工况画像的发动机故障诊断优化方法及相关装置

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
GR01 Patent grant
GR01 Patent grant