CN115328088B - 基于云边协同的汽车故障诊断方法、系统及智能汽车 - Google Patents

Abstract

本发明提供一种基于云边协同的车辆故障诊断方法、系统及智能汽车，针对传统故障诊断方式存在诊断预警精度低、查全率低及资源耗费大的问题，该车辆故障诊断方法通过获取相关车辆关于电力驱动模块的历史状态参数，结合数据预处理和深度学习技术，设计全新架构的长短时记忆堆叠自编码神经网络，以对车辆故障诊断模型开展建模，通过相应的模型评估算法筛选最优模型，提升了车辆电力驱动模块故障诊断精度，同时也杜绝了需要依赖于人员经验和实验测试验证等问题。

Description

基于云边协同的汽车故障诊断方法、系统及智能汽车

技术领域

本发明涉及大数据人工智能领域，尤其涉及基于云边协同的汽车故障诊断方法、系统及智能汽车。

背景技术

近年来，汽车产业开始逐步走向电动化、网联化与智能化，车辆运行数据采集与利用成为重要的科技发展方向。通过大数据分析挖掘与人工智能技术，车辆开始具有越来越多的智能化功能，例如车辆的半自动驾驶，自动泊车等技术，与此同时智能车辆的安全在线监测与故障预警系统也在逐步发展中。特别是电动汽车中动力电池与电机是故障监测与预警的重点。提前预警故障的发生可以有效降低甚至避免安全事故的发生和财产的损失。

传统的故障预警主要基于传统的数学物理原理模型来实现，这种方法往往需要理论假设及大量实验测试验证及丰富的专家经验知识，而且往往诊断预警模型较为理想化，面对复杂多变的工况往往效果不佳，同时车主在使用过程中需要车辆定期进行检测保养来确保车辆各个安全指标在较为正常的范围内。因而传统的故障诊断预警方式存在诊断预警精度低，工作量大且依赖于人员经验的缺点。

发明内容

本发明提供的基于云边协同的汽车故障诊断方法、系统及智能汽车，主要解决的技术问题是：传统的故障诊断预警方式诊断预警精度低。

为解决上述技术问题，本发明提供一种基于云边协同的汽车故障诊断方法，包括：

按照第一设定周期t获取待诊断车辆电力驱动模块的当前状态参数，将最近设定时段T内采集的m组状态参数，按照第一预设数据处理方法进行处理得到待诊断数据；将所述待诊断数据作为输入，导入车辆故障诊断模型，通过所述车辆故障诊断模型输出故障诊断结果；其中T/t＝m≥1；

所述车辆故障诊断模型通过如下方式建模得到：

获取车辆电力驱动模块的历史状态参数，按照第二预设数据处理方法生成训练样本，利用所述训练样本对长短时记忆堆叠自编码神经网络(Long Short Term MemoryNetwork-Stacked Auto-Encoder，简称LSTM-SAE)进行训练，通过预设模型评估算法筛选得到所述车辆故障诊断模型；所述长短时记忆堆叠自编码神经网络LSTM-SAE包括两层长短时记忆神经网络，其中一层作为编码层，另一层作为解码层，所述编码层的输出作为所述解码层的输入，所述解码层的输出为所述故障诊断结果。

可选的，所述车辆故障诊断模型通过服务器端建模得到，所述服务器端还用于通过空中下载技术将筛选得到的所述车辆故障诊断模型部署至车辆端边缘设备上；所述车辆端边缘设备用于实现所述待诊断数据的处理，以及利用部署在本地的所述故障诊断模型完成车辆故障诊断。

可选的，所述电力驱动模块包括电能储能模块和电机，所述电能储能模块用于存储电能，并为所述电机提供电能，以驱动电机转动。

可选的，其中状态参数包括电性参数和外部环境参数，其中电性参数包括电机输入电流、电机输入电压、电机电容电压、电能储能模块荷电状态SOC中的至少一种，所述外部环境参数包括电机温度、电机冷却液温度、电机逆变器温度、外部环境温度、电机转矩、车速中的至少一种。

可选的，所述第一预设数据处理方法包括：

设所获取状态参数类型数量为n，将所述m组状态参数进行归一化处理后，生成大小为m*n的状态参数时间序列矩阵；

将所述状态参数时间序列矩阵分解为第一酉矩阵、对角矩阵、第二酉矩阵的转置矩阵三者之间的乘积；

采用奇异值分解算法(Singular Value Decomposition，可简称SVD)求解得到所述状态参数时间序列矩阵的奇异值，并按照数值大小对各奇异值依次进行排序，得到奇异值向量，作为所述待诊断数据。

可选的，所述历史状态参数包括历史正常状态参数和历史故障状态参数，所述第二预设数据处理方法包括：

基于时间属性将所述历史正常状态参数和所述历史故障状态参数，划分为若干历史正常状态参数时间序列矩阵和若干历史故障状态参数时间序列矩阵；

将所述若干历史故障状态参数时间序列矩阵，采用稀有样本对抗神经网络进行样本数据扩展，以生成扩展故障状态参数时间序列矩阵；

分别针对所述若干历史正常状态参数时间序列矩阵、若干历史故障状态参数时间序列矩阵、和所述扩展故障状态参数时间序列矩阵；将状态参数时间序列矩阵分解为第一酉矩阵、对角矩阵、第二酉矩阵的转置矩阵三者之间的乘积；

分别采用奇异值分解算法求解得到对应状态参数时间序列矩阵的奇异值，并按照数值大小对各奇异值依次进行排序，得到奇异值向量，作为所述训练样本。

可选的，所述获取车辆电力驱动模块的历史状态参数包括：按照第二设定周期从汽车网联大数据平台获取车辆电力驱动模块的历史状态参数。

本发明还提供一种基于云边协同的汽车故障诊断系统，包括相互通讯连接的车辆端边缘设备和服务器端，所述车辆端边缘设备用于按照第一设定周期t获取待诊断车辆电力驱动模块的当前状态参数，将最近设定时段T内采集的m组状态参数，按照第一预设数据处理方法进行处理得到待诊断数据；将所述待诊断数据作为输入，导入车辆故障诊断模型，通过所述车辆故障诊断模型输出故障诊断结果；其中T/t＝m≥1；

所述服务器端用于通过如下方式构建所述车辆故障诊断模型：获取车辆电力驱动模块的历史状态参数，按照第二预设数据处理方法生成训练样本，利用所述训练样本对长短时记忆堆叠自编码神经网络LSTM-SAE进行训练，通过预设模型评估算法筛选得到所述车辆故障诊断模型；所述长短时记忆堆叠自编码神经网络LSTM-SAE包括两层长短时记忆神经网络，其中一层作为编码层，另一层作为解码层，所述编码层的输出作为所述解码层的输入，所述解码层的输出为所述故障诊断结果。

本发明还提供一种智能汽车，所述智能汽车部署于有如上所述的车辆端边缘设备。

本发明的有益效果是：

根据本发明提供的基于云边协同的汽车故障诊断方法、系统及智能汽车，针对传统故障诊断方式存在诊断预警精度低、查全率低及资源耗费大的问题，该车辆故障诊断方法通过获取相关车辆关于电力驱动模块的历史状态参数，结合数据预处理和深度学习技术，设计全新架构的长短时记忆堆叠自编码神经网络，以对车辆故障诊断模型开展建模，通过相应的模型评估算法筛选最优模型，提升了车辆电力驱动模块故障诊断精度，同时也杜绝了需要依赖于人员经验和实验测试验证等问题；基于最终筛选得到的最优模型，通过对当前待诊断车辆的状态参数进行实时采集以及预处理，输入模型即可实现待诊断车辆电力驱动模块的故障诊断预测，有利于保障故障预测的实时性，当预测可能存在相应故障时，可及时通知驾乘人员及时停车疏散，等待救援，减少因车辆故障造成的人身伤害与财产损失。

附图说明

图1为本发明实施例一的一种汽车故障诊断方法流程示意图；

图2为本发明实施例一的LSTM-SAE网络架构示意图；

图3为本发明实施例一的一种基于云边协同的汽车故障诊断方法流程示意图；

图4为本发明实施例二的基于云边协同的汽车故障诊断系统结构示意图；

图5为本发明实施例三的智能汽车结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一：

为了解决传统的故障诊断预警方式诊断预警精度低、工作量大且依赖于人员经验的问题，本实施例提供一种基于云边协同的汽车故障诊断方法，请参见图1，该车辆故障诊断方法主要包括如下步骤：

S102、数据采集与预处理：按照第一设定周期t获取待诊断车辆电力驱动模块的当前状态参数，将最近设定时段T内采集的m组状态参数，按照第一预设数据处理方法进行处理得到待诊断数据；其中T/t＝m≥1。

本实施例中，车辆主要指的是新能源车辆或者说是带有电力驱动模块的车辆，其中无论是新能源车辆，还是带有电力驱动模块的车辆，其至少具有电能储能模块和电机，其中电能储能模块主要用于存储电荷/电能，并驱动电机转动，主要形式可以是电池组、电池包、电瓶等；电机用于将电能转化为机械能，利用通电线圈(也就是定子绕组)产生旋转磁场并作用于转子形成磁电动力旋转扭矩；电机按使用电源不同分为直流电机和交流电机，按电机定子磁场转速与转子旋转转速是否保持同步，分为同步电机或者是异步电机。

通过获取待诊断车辆电力驱动模块的状态参数，进而对状态参数进行预处理，得到作为模型输入的待诊断数据，实现电力驱动模块的故障诊断。其中状态参数的获取可以按照第一设定周期t进行，即周期性获取。具体的，第一设定周期t可基于模型输入条件限制、以及本地终端设备算力情况灵活设置；例如t＝10毫秒，即每间隔10毫秒获取待诊断车辆的当前状态参数。

本实施例中，状态参数包括但不限于电性参数和外部环境参数两类，其中电性参数即为与“电”有关的参数，包括电机输入电流C_i、电机输入电压V_i、电机电容电压V_cv、电能储能模块荷电状态SOC值S_i；外部环境参数即电力驱动模块所表现出或所面临的外在状态参数，与“电”无关，具体包括电机温度Tm_i、电机冷却液温度Tc_i、电机逆变器温度Tv_i、外部环境温度Te_i、电机转矩τ_i、车速v_s。应当理解的是，在本发明的其他实施例中，可以有选择性的选取电性参数和外部环境参数的具体参数类型，也不限于上述具体所列举的参数类型。

在一个设定周期t内将采集得到一组当前状态参数，基于最近m个周期即可获取得到m组状态参数，也即是最近设定时段T内具有m个设定周期t，进一步的，按照第一预设数据处理方法对该m组状态参数进行处理得到待诊断数据，使得参与故障诊断预测的输入特征能够很好地体现数据在时间序列上的演化过程，而传统的故障诊断方案无法体现时序演化特征，该部分信息的遗漏将会导致预测精度的下降，本方案相对于传统的故障诊断方案因此可提高预测精度。

为了更好地理解，假设T＝1秒，t＝10毫秒，则在最近1秒内将采集100次状态参数，每一次采集的状态参数均包含上述电性参数和外部环境参数，例如电机输入电流C_i、电机输入电压V_i、电机电容电压V_cv、电能储能模块荷电状态SOC值S_i、电机温度Tm_i、电机冷却液温度Tc_i、电机逆变器温度Tv_i、电机转矩τ_i、车速v_s、外部环境温度Te_i，作为一组状态参数，即一个n维向量(这里n＝10，即参数类型数量为10)；基于最近1秒内100次的采集获取，则可得到100组状态参数，进而可生成一个m*n的状态参数时间序列矩阵，其中m＝T/t，这里即大小为100*10的状态参数时间序列矩阵。具体如下式所示：

式中，C_i表示在设定时段T内第一次采集的电机输入电流，即m＝1，C_i+(m-1)t表示在设定时段T内最近一次采集的电机输入电流。其他同理。

在本发明的其他可选实施例中，设定时段T和第一设定周期t可根据实际需求灵活选择，例如T取最近3分钟、最近1分钟；采集频率对应的第一设定周期t例如设置为10毫秒、100毫秒等。

在本发明的其他实施例中，在获取到m组状态参数之后，生成状态参数时间序列矩阵之前，还可对m组状态参数进行归一化处理，提高数据的处理效率。应当理解的是，归一化算法可以采用现有任意归一化算法，对此不作限制。

将状态参数时间序列矩阵分解为第一酉矩阵、对角矩阵、第二酉矩阵的转置矩阵三者之间的乘积；即：

x_i＝UΣV^T

采用奇异值分解算法SVD求解得到状态参数时间序列矩阵的奇异值，并按照数值大小对各奇异值依次进行排序，假设奇异值大小为σ₁≥σ₂≥σ₃≥...≥σ_n>0，并且其中每一项都是秩为1的m*n矩阵，则有： 得到奇异值向量，令奇异值向量x_f＝(σ₁,σ₂,...,σ_n)作为待诊断数据。

S104、故障诊断预测：将待诊断数据作为输入，导入车辆故障诊断模型，通过车辆故障诊断模型输出故障诊断结果。

其中故障诊断结果包括是否存在故障，以及当存在故障时，输出故障类型；可选的，故障类型包括但不限于电机故障、电机冷却系统故障、电机内部超级电容故障、电机内部逆变器故障、动力电池故障等。

在本发明其他可选实施例中，故障诊断结果可实时向驾驶员展示，以提示驾驶员做出最有利的选择，保证驾乘人员的人身安全和财产安全；具体可通过生成图标指示信息、文字指示信息、语音指示信息等方式，基于车载终端向驾驶员提示。

在本发明其他可选实施例中，当故障等级达到设定危险等级时，可直接向车辆服务商、救援中心、报警中心发送危险预警信号，并触发车载终端采集车辆现场信息，包括但不限于车内/车外视频/图像信息、位置信息、语音信息、车辆人员信息以及车辆运行状态信息，并发送给上述车辆服务商、救援中心、报警中心至少之一，提高救援效率。其中，车辆人员信息包括车辆乘坐人数、位置分布、人员身份等；车辆运行状态包括但不限于车辆速度、加速度、受力情况、车体变形情况、气囊状态、胎压、车体温度等。

S106、故障诊断模型的建模：

获取车辆电力驱动模块的历史状态参数，按照第二预设数据处理方法生成训练样本，利用训练样本对长短时记忆堆叠自编码神经网络LSTM-SAE进行训练，通过预设模型评估算法筛选得到车辆故障诊断模型；其中长短时记忆堆叠自编码神经网络LSTM-SAE包括两层长短时记忆神经网络，其中一层作为编码层，另一层作为解码层，编码层的输出作为解码层的输入，解码层的输出为故障诊断结果。

应当理解的是，步骤S102-S104的实施，依赖于步骤S106所构建的模型，即故障诊断预测之前需要事先完成故障诊断模型的构建。

模型训练时，历史状态参数包括历史正常状态参数和历史故障状态参数，第二预设数据处理方法包括：

基于时间属性将历史正常状态参数和历史故障状态参数，划分为若干历史正常状态参数时间序列矩阵和若干历史故障状态参数时间序列矩阵；应当理解的是，历史状态参数同样是按照相应的采集周期采集得到的，每个时间节点采集一次即可得到一组状态参数，例如每间隔100毫秒采集一次状态参数。应当理解的是，历史状态参数可能是同一车型的所有车辆的历史状态数据，当同一车型的所有车辆的历史状态数据量不足时，可以采用相同新能源类型的全部车辆的历史状态数据用于模型训练，例如纯电类型、增程式类型、油电混动类型等。以此在保证样本量的同时，保证样本数据的质量和有效性。其中，这些样本数据的获取可从汽车网联大数据平台获取得到。

由于在智能汽车数据采集中，相较于正常样本，故障样本一般较少，针对故障样本数据少的特点，将若干历史故障状态参数时间序列矩阵，采用稀有样本对抗神经网络(RareGAN)进行样本数据扩展，以生成扩展故障状态参数时间序列矩阵。RareGAN对条件GAN做了修改，同时使用了标记和未标记的数据，它使用主动学习来标记样本，不会对学习到的稀有类分布产生偏差。它使用有效的加权损失函数，有利于学习稀有类而不是普通类。初始的数据集是没有类别标记的，在训练中可以请求某些样本的类别标签，不过请求的数量存在上限。

分别针对若干历史正常状态参数时间序列矩阵、若干历史故障状态参数时间序列矩阵、和扩展故障状态参数时间序列矩阵；将状态参数时间序列矩阵分解为第一酉矩阵U′、对角矩阵Σ′、第二酉矩阵的转置矩阵V^T′三者之间的乘积；如下式所示：

x_j＝U′Σ′V^T′

然后分别采用奇异值分解算法求解得到对应状态参数时间序列矩阵的奇异值，并按照数值大小对各奇异值依次进行排序，假设奇异值大小为β₁≥β₂≥β₃≥...≥β_n>0，并且其中每一项的都是秩为1的m*n矩阵，则有：得到奇异值向量x_f′＝(β₁,β₂,...,β_n)，作为训练样本。

本实施例中，将故障样本数据、正常样本数据混合打乱后按7：3随机筛选出训练集和测试集，给训练集、测试集中每个样本打上故障类别标签。应当理解的是，基于训练样本实现模型训练的过程并非本发明重点，具体过程在此不再赘述。

请参见图2，本实施例中，车辆故障诊断模型采用长短时记忆堆叠自编码神经网络LSTM-SAE，LSTM-SAE模型包括两个LSTM层，其中一层作为编码层，另外一层作为解码层。每一层包含n个长短时记忆神经网络LSTM，且相互串联连接，样本向量中的每个特征依次输入到编码层中的各个LSTM网络中，每个LSTM网络的输出依次作为其相邻下一个LSTM网络的另一输入，每层中的第一个LSTM网络的另一个输入为初始化值S0(通过对该神经网络模型进行随机参数初始化得到)。通过模型训练，编码层将n维奇异值向量x_f(σ₁,σ₂,...,σ_n)编码为隐式特征f，解码层将隐式特征f作为输入，依次输入到解码层中的各个LSTM网络，解码层中前一LSTM网络的输出作为其相邻下一LSTM网络的另一输入，解码层中第一个LSTM网络的另一输入为初始化值S0。解码层将输入的时间序列重建为最后隐式特征f作为softmax函数的输入，作用是对LSTM-SAE网络中得到的隐式特征f映射为一个概率分布(y1,y2,...yn)，这个概率分布表示了这个输入向量x_f为各个故障类别的概率，从而实现对预测故障类别的分类，该模型的损失误差为原始输入序列与重建序列的交叉熵损失函数。

Softmax函数输出结果为输入向量在各个故障类别的概率分布，设有γ个故障类别，则输出向量为Y(y₁,y₂,...,y_γ)；

H_CrossEntropy(p,q)交叉熵损失函数，其中p作为正确结果的概率分布，q为Softmax函数输出得到的概率分布。

模型应用效果、预测精度的高低，不仅依赖于样本数据量、样本质量，还与模型架构的先进性有关，本方案通过设计全新的长短时记忆堆叠自编码神经网络LSTM-SAE，可有效提升模型预测精度，从而有利于改善传统车辆故障诊断方案预测精度低的问题。

在模型训练完成后，采用预设模型评估算法筛选出最优模型，并采用空中下载技术(Over-the-Air Technology，简称OTA)部署至车辆边缘设备上，车辆端通过对待诊断车辆进行实时数据采集处理后倒入模型获得故障诊断结果，并将预警结果发送至驾驶员，以便车辆驾驶员获取到预警信息，采取相应处理措施，降低车辆故障带来的人身伤害和财产损失。应当理解的是，预设模型评估算法可以采用现有任意模型评估算法，包括但不限于采用如下评估指标进行评估：错误率、精度、查准率、查全率等。

在本发明的其他实施例中，历史故障状态参数指的是处于故障时期内的状态参数，或者包含故障前后一定时段以及故障时段内的状态参数，例如故障发生前10分钟，故障解除后3分钟；或者故障发生前3分钟直到故障解除时；对应的，其他时段的状态参数即为历史正常状态参数。

另外，现有关于车辆故障诊断技术瓶颈其中之一是车端计算芯片算力不够，车端计算芯片还不能很好地适应算法模型，而车端链接到的云端服务器往往是高性能计算机，具有较为强大的算力。对此，请参见图3，本方案采用，车辆故障诊断模型通过服务器端建模得到，服务器端还用于通过空中下载技术将筛选得到的车辆故障诊断模型部署至车辆端边缘设备上；车辆端边缘设备主要用于实现待诊断数据的处理，以及利用部署在本地的故障诊断模型完成车辆故障诊断，这在一定程度上弥补了车端算力不足的劣势，使得本方案提供的车辆故障诊断方案更具实施性，有利于方案的落地使用，扩展了车辆故障诊断技术的使用场景。

随着时间的推移，车端存在的某些从未在数据库中出现过的故障样本，这些增量样本会影响诊断预警的精确度和查全率，对此，服务器端可按照第二设定周期从汽车网联大数据平台获取车辆电力驱动模块的历史状态参数，充分利用新增故障样本，然后重新进行训练模型优化，有助于模型学习到更多的特征输入，以此不断提高更新迭代提高模型的精确度和查全率。

本发明提供的基于云边协同的车辆故障诊断方法，该方法将边缘计算与云计算充分结合起来，边缘计算可以快速处理响应智能汽车车端实时小批量数据处理，云计算可以实时处理响应大规模数据，并进行机器学习模型等大规模复杂模型的计算。车辆边缘设备主要进行数据采集和较为简单的实时计算，云端主要进行数据清洗、特征分析筛选及机器学习模型训练和模型发布部署等工作，实现建模与预测的云边协同，保证车辆故障诊断预测的精度与实时性。由于在智能汽车数据采集中，相较于正常样本，故障样本一般较少，针对故障样本数据少的特点，本专利采用稀有样本生成对抗神经网络RareGAN算法生成更多的故障数据样本，提高有效样本数量，有利于提升模型训练效果。对故障样本与正常样本矩阵采用SVD奇异值分解算法提取出样本中有效信息，并过滤其中的噪声数据，有利于提高样本质量。采用LSTM-SAE训练学习数据，建立起车辆故障诊断模型，通过模型评估选择出最优模型并将模型分发部署至车辆边缘设备，实现智能汽车的电机故障预测，基于更先进的网络模型架构，提升了模型的预测效果。同时随着时间变化，故障样本的增多，本方案还通过周期性获取最新样本数据，训练优化模型，提高模型精度，并通过OTA技术部署至车端，有利于扩展模型预测能力。

实施例二：

在上述实施例一的基础上，本发明实施例提供一种基于云边协同的汽车故障诊断系统，主要用以实现上述实施例一中所述的基于云边协同的汽车故障诊断方法的至少部分步骤。

请参见图4，该汽车故障诊断系统包括：相互通讯连接的车辆端边缘设备41和服务器端42，车辆端边缘设备41用于按照第一设定周期t获取待诊断车辆电力驱动模块的当前状态参数，将最近设定时段T内采集的m组状态参数，按照第一预设数据处理方法进行处理得到待诊断数据；将待诊断数据作为输入，导入车辆故障诊断模型，通过车辆故障诊断模型输出故障诊断结果；其中T/t＝m≥1；

服务器端42用于通过如下方式构建车辆故障诊断模型：

获取车辆电力驱动模块的历史状态参数，按照第二预设数据处理方法生成训练样本，利用训练样本对LSTM-SAE进行训练，通过预设模型评估算法筛选得到车辆故障诊断模型；LSTM-SAE包括两层长短时记忆神经网络，其中一层作为编码层，另一层作为解码层，编码层的输出作为解码层的输入，解码层的输出为故障诊断结果。

在本发明的其他实施例中，车辆故障诊断系统还可实现如实施例一中关于车辆故障诊断方法的其他步骤，具体请参见实施例一中的描述，在此不再赘述。

实施例三：

在上述实施例一和/或实施例二的基础上，本发明实施例提供一种智能汽车，请参见图5，该智能汽车50部署有以上实施例一和/或实施例二中所述的车辆端边缘设备。该智能汽车还包括作为交通工具并不可少的其他结构/部件/装置/设备，包括但不限于车体悬架、座舱、安全系统、控制系统等；可选的，该智能汽车还包括用于提升驾驶体验的智能化系统，包括但不限于激光雷达、摄像头、智能驾驶控制算法构成的自动驾驶系统，或者由人脸识别、语音识别、触感识别、重量检测等至少部分构成的智能交互感应系统。

显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于云边协同的汽车故障诊断方法，其特征在于，包括：

按照第一设定周期t获取待诊断车辆电力驱动模块的当前状态参数，将最近设定时段T内采集的m组状态参数，按照第一预设数据处理方法进行处理得到待诊断数据；将所述待诊断数据作为输入，导入车辆故障诊断模型，通过所述车辆故障诊断模型输出故障诊断结果，所述第一预设数据处理方法包括：

设所获取状态参数类型数量为n，将所述m组状态参数进行归一化处理后，生成大小为m*n的状态参数时间序列矩阵；

将所述状态参数时间序列矩阵分解为第一酉矩阵、对角矩阵、第二酉矩阵的转置矩阵三者之间的乘积；

采用奇异值分解算法求解得到所述状态参数时间序列矩阵的奇异值，并按照数值大小对各奇异值依次进行排序，得到奇异值向量，作为所述待诊断数据；其中T/t＝m≥1；

所述车辆故障诊断模型通过如下方式建模得到：

获取车辆电力驱动模块的历史状态参数，按照第二预设数据处理方法生成训练样本，利用所述训练样本对长短时记忆堆叠自编码神经网络LSTM-SAE进行训练，通过预设模型评估算法筛选得到所述车辆故障诊断模型；所述长短时记忆堆叠自编码神经网络LSTM-SAE包括两层长短时记忆神经网络，其中一层作为编码层，另一层作为解码层，所述编码层的输出作为所述解码层的输入，所述解码层的输出为所述故障诊断结果；

所述历史状态参数包括历史正常状态参数和历史故障状态参数，所述第二预设数据处理方法包括：

基于时间属性将所述历史正常状态参数和所述历史故障状态参数，划分为若干历史正常状态参数时间序列矩阵和若干历史故障状态参数时间序列矩阵；

将所述若干历史故障状态参数时间序列矩阵，采用稀有样本对抗神经网络进行样本数据扩展，以生成扩展故障状态参数时间序列矩阵；

分别针对所述若干历史正常状态参数时间序列矩阵、若干历史故障状态参数时间序列矩阵、和所述扩展故障状态参数时间序列矩阵；将状态参数时间序列矩阵分解为第一酉矩阵、对角矩阵、第二酉矩阵的转置矩阵三者之间的乘积；

分别采用奇异值分解算法求解得到对应状态参数时间序列矩阵的奇异值，并按照数值大小对各奇异值依次进行排序，得到奇异值向量，作为所述训练样本。

2.如权利要求1所述的汽车故障诊断方法，其特征在于，所述车辆故障诊断模型通过服务器端建模得到，所述服务器端还用于通过空中下载技术将筛选得到的所述车辆故障诊断模型部署至车辆端边缘设备上；所述车辆端边缘设备用于实现所述待诊断数据的处理，以及利用部署在本地的所述故障诊断模型完成车辆故障诊断。

3.如权利要求2所述的汽车故障诊断方法，其特征在于，所述电力驱动模块包括电能储能模块和电机，所述电能储能模块用于存储电能，并为所述电机提供电能，以驱动电机转动。

4.如权利要求3所述的汽车故障诊断方法，其特征在于，其中状态参数包括电性参数和外部环境参数，其中电性参数包括电机输入电流、电机输入电压、电机电容电压、电能储能模块荷电状态SOC中的至少一种，所述外部环境参数包括电机温度、电机冷却液温度、电机逆变器温度、外部环境温度、电机转矩、车速中的至少一种。

5.如权利要求2所述的汽车故障诊断方法，其特征在于，所述获取车辆电力驱动模块的历史状态参数包括：按照第二设定周期从汽车网联大数据平台获取车辆电力驱动模块的历史状态参数。

6.一种基于云边协同的汽车故障诊断系统，其特征在于，包括相互通讯连接的车辆端边缘设备和服务器端，所述车辆端边缘设备用于按照第一设定周期t获取待诊断车辆电力驱动模块的当前状态参数，将最近设定时段T内采集的m组状态参数，按照第一预设数据处理方法进行处理得到待诊断数据；将所述待诊断数据作为输入，导入车辆故障诊断模型，通过所述车辆故障诊断模型输出故障诊断结果，所述第一预设数据处理方法包括：

设所获取状态参数类型数量为n，将所述m组状态参数进行归一化处理后，生成大小为m*n的状态参数时间序列矩阵；

将所述状态参数时间序列矩阵分解为第一酉矩阵、对角矩阵、第二酉矩阵的转置矩阵三者之间的乘积；

采用奇异值分解算法求解得到所述状态参数时间序列矩阵的奇异值，并按照数值大小对各奇异值依次进行排序，得到奇异值向量，作为所述待诊断数据；其中T/t＝m≥1；

所述服务器端用于通过如下方式构建所述车辆故障诊断模型：获取车辆电力驱动模块的历史状态参数，按照第二预设数据处理方法生成训练样本，利用所述训练样本对长短时记忆堆叠自编码神经网络LSTM-SAE进行训练，通过预设模型评估算法筛选得到所述车辆故障诊断模型；所述长短时记忆堆叠自编码神经网络LSTM-SAE包括两层长短时记忆神经网络，其中一层作为编码层，另一层作为解码层，所述编码层的输出作为所述解码层的输入，所述解码层的输出为所述故障诊断结果；

所述历史状态参数包括历史正常状态参数和历史故障状态参数，所述第二预设数据处理方法包括：

基于时间属性将所述历史正常状态参数和所述历史故障状态参数，划分为若干历史正常状态参数时间序列矩阵和若干历史故障状态参数时间序列矩阵；

将所述若干历史故障状态参数时间序列矩阵，采用稀有样本对抗神经网络进行样本数据扩展，以生成扩展故障状态参数时间序列矩阵；

分别针对所述若干历史正常状态参数时间序列矩阵、若干历史故障状态参数时间序列矩阵、和所述扩展故障状态参数时间序列矩阵；将状态参数时间序列矩阵分解为第一酉矩阵、对角矩阵、第二酉矩阵的转置矩阵三者之间的乘积；

分别采用奇异值分解算法求解得到对应状态参数时间序列矩阵的奇异值，并按照数值大小对各奇异值依次进行排序，得到奇异值向量，作为所述训练样本。

7.一种智能汽车，其特征在于，所述智能汽车部署于有如权利要求6中所述的基于云边协同的汽车故障诊断系统。