CN115599077B - 车辆故障定界方法、装置、电子设备及存储介质 - Google Patents

车辆故障定界方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115599077B
CN115599077B CN202211487689.6A CN202211487689A CN115599077B CN 115599077 B CN115599077 B CN 115599077B CN 202211487689 A CN202211487689 A CN 202211487689A CN 115599077 B CN115599077 B CN 115599077B
Authority
CN
China
Prior art keywords
subsystem
data
vehicle
target
fault
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
CN202211487689.6A
Other languages
English (en)
Other versions
CN115599077A (zh
Inventor
韩雨青
张卫华
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.)
Zejing Xi'an Automotive Electronics Co ltd
Original Assignee
Zejing Xi'an Automotive Electronics 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 Zejing Xi'an Automotive Electronics Co ltd filed Critical Zejing Xi'an Automotive Electronics Co ltd
Priority to CN202211487689.6A priority Critical patent/CN115599077B/zh
Publication of CN115599077A publication Critical patent/CN115599077A/zh
Application granted granted Critical
Publication of CN115599077B publication Critical patent/CN115599077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开涉及智能驾驶技术领域，具体提供一种车辆故障定界方法、车辆故障定界装置、电子设备及存储介质，车辆故障定界方法包括：在检测到多种车辆故障信号时，在车辆系统中确认触发每种车辆故障信号所对应的候选子系统；其中，车辆故障信号用于指示由车辆系统中至少一个子系统运行数据异常；获取候选子系统的当前运行数据；根据候选子系统的当前运行数据，在数据库中查找导致触发多种车辆故障信号的概率大于预设值的目标子系统；其中，数据库中至少包括子系统的运行数据与多种车辆故障信号之间的关联关系。本公开通过提供一种车辆故障定界方法，解决了车辆故障定界因分析不够全面而不准确的问题。

Description

车辆故障定界方法、装置、电子设备及存储介质
技术领域
本公开涉及智能驾驶技术领域，具体而言，涉及一种车辆故障定界方法、车辆故障定界装置、电子设备及存储介质。
背景技术
在车辆的运行过程中，难免会出现故障。因此故障定位在车辆安全性和可靠性方面影响重大，故障定位的目的是准确定位故障产生的原因。随着智能驾驶汽车产业的迅速发展，车辆驾驶安全也越来越受到各界关注，故障定位也成为智能驾驶技术领域的一项重要课题。
现有技术中，车辆故障定界方法主要是对单个故障现象的故障码进行解析以获取故障原因，但是在实践过程中，这种解析单点故障码的方法无法适用于同时出现多个故障现象的场景，其泛用性存在提升空间，同时，在出现多个故障现象时，这种解析单点故障码的方法无法准确定界故障原因，定位故障的准确性还有提升空间。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种车辆故障定界方法、装置、电子设备及存储介质，可以全面地分析故障，准确定位故障位置并给出解决方法。
根据本公开的一个方面，提供一种车辆故障定界方法，包括：在检测到多种车辆故障信号时，在车辆系统中确认触发每种车辆故障信号所对应的候选子系统；其中，车辆故障信号用于指示车辆系统中至少一个子系统运行数据异常；获取候选子系统的当前运行数据；根据候选子系统的当前运行数据，在数据库中查找导致触发多种车辆故障信号的概率大于预设值的目标子系统；其中，数据库中至少包括子系统的运行数据与多种车辆故障信号之间的关联关系。
在本公开的一个示例性实施例中，在获取候选子系统的当前运行数据之前，方法还包括：在检测到车辆系统中的任一子系统触发车辆故障信号时，获取任一子系统的运行数据；根据车辆故障信号，将任一子系统的运行数据按最大信息增益方向切割，得到第一子数据与第二子数据；其中，最大信息增益方向为切割后子数据的信息量与运行数据的信息量的差值最大的方向；获取第一子数据的信息量与第二子数据的信息量；其中，第一子数据的信息量小于第二子数据的信息量；将第一子数据按最大信息增益方向进行迭代处理，以使得目标子数据的信息量小于预设阈值；在数据库中获取各个子系统的目标子数据对应的故障原因，以建立目标子数据和故障原因的对应关系，以及，建立运行数据与故障原因的关联关系。
在本公开的一个示例性实施例中，获取候选子系统的当前运行数据，包括：获取预设过滤规则；其中，预设过滤规则用于从初始运行数据中获取运行数据，预设过滤规则包括非空检查、重复剔除、格式不对放弃、关联验证、逻辑错误放弃中的至少一种，初始运行数据包括车辆的硬件设备的运行数据、软件模块的运行数据中的至少一种；在检测到车辆故障信号时，获取各候选子系统的初始运行数据；根据预设过滤规则对候选子系统的初始运行数据进行过滤，得到候选子系统的运行数据。
在本公开的一个示例性实施例中，根据候选子系统的当前运行数据，在数据库中查找导致触发多种车辆故障信号的概率大于预设值的目标子系统，包括：获取车辆系统中至少一个子系统的当前运行数据；在当前运行数据的数值在运行数据对应的预设阈值范围外时，触发目标故障信号；检测到目标故障信号，在数据库中查找到触发目标故障信号的至少一个子系统；计算查找到的各子系统运行数据异常时，触发目标故障信号的概率，从中获取候选子系统触发目标故障信号的概率；在候选子系统的当前运行数据异常且触发目标故障信号的概率大于预设值时，确定候选子系统为触发目标故障信号的目标子系统。
在本公开的一个示例性实施例中，方法还包括：根据目标故障信号所匹配的目标子系统，获取目标子系统的历史数据；其中，历史数据为目标子系统正常运行时的运行数据，历史数据的数值在所述运行数据对应的预设阈值范围之内；根据目标子系统与历史数据，获取解除目标故障信号的指示信息。
在本公开的一个示例性实施例中，方法还包括：根据车辆系统中各子系统的运行数据，获取各子系统的分数指标；其中，子系统的分数指标用于表示子系统的正常运行的程度；根据各子系统的分数指标的平均值、加权平均值中的至少一种，确定车辆系统的分数指标。
在本公开的一个示例性实施例中，根据车辆系统中各子系统的运行数据，获取各所述子系统的分数指标，包括：获取各子系统的历史数据；根据各子系统的历史数据获取各子系统对应的剩余使用时长；其中，剩余使用时长为子系统从当前时刻到无法正常工作的时长；计算各子系统的故障率，以使得根据剩余使用时长与故障率计算各子系统的分数指标。
根据本公开的一个方面，提供一种车辆故障定界装置，包括候选子系统确认模块，用于在检测到多种车辆故障信号时，在车辆系统中确认触发每种车辆故障信号所对应的候选子系统；其中，所述车辆故障信号用于指示所述车辆系统中至少一个子系统运行数据异常；运行数据获取模块，用于获取所述候选子系统的当前运行数据；运行数据用于指示多个子系统的运行状态，车辆系统包括多个子系统；目标子系统确认模块，用于根据所述候选子系统的当前运行数据，在数据库中查找导致触发所述多种车辆故障信号的概率大于预设值的目标子系统；其中，所述数据库中至少包括子系统的运行数据与多种车辆故障信号之间的关联关系。
根据本公开的一个方面，提供一种电子设备，包括：
处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来在执行以上任意一项实施例的车辆故障定界方法。
根据本公开的一个方面，提供一种计算机可读存储介质，当存储介质中的指令有电子设备处理器执行时，使得电子设备能够执行以上任意一项实施例的车辆故障定界方法。
本公开示例性实施例可以具有以下部分或全部有益效果：
在本公开示例实施方式所提供的车辆故障定界方法中，在检测到多种车辆故障信号时，在车辆系统中确认触发每种车辆故障信号所对应的候选子系统，获取候选子系统的当前运行数据，根据候选子系统的当前运行数据，在数据库中查找导致触发多种车辆故障信号的概率大于预设值的目标子系统。一方面，数据库中包括子系统的运行数据与多种车辆故障信号之间的关联关系，利用该关联关系有利于全面分析故障现象对应的故障原因，适用于同时出现多个故障现象的场景，提高故障定位的泛用性与准确性，另一方面，在检测到故障信号时，通过数据库查找目标子系统，可以在出现故障现象时快速进行故障定位，提高效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出了根据本公开一个实施例中车辆故障定界方法的系统架构的示意图。
图2示意性示出了根据本公开一个实施例中车辆故障定界方法的流程图。
图3示意性示出了根据本公开一个实施例中建立关联关系的流程图。
图4示意性示出了根据本公开一个实施例中获取候选子系统的运行数据的流程图。
图5示意性示出了根据本公开一个实施例中确定目标子系统的流程图。
图6示意性示出了根据本公开一个实施例中获取指示信息的流程图。
图7示意性示出了根据本公开一个实施例中获取分数指标的流程图。
图8示意性示出了根据本公开一个实施例中获取多个子系统的分数指标的流程图。
图9示意性示出了根据本公开一个实施例中车辆系统的故障树示意图。
图10示意性示出了根据本公开一个实施例中车辆故障定界设备示意图。
图11示意性示出了根据本公开一个实施例中车辆故障定界与健康监控预测方法的流程图。
图12示意性示出了根据本公开一个实施例中部署车辆定位装置的示意图。
图13示意性示出了根据本公开一个实施例中部署车辆定位装置的示意图。
图14示意性示出了根据本公开的一个实施例的车辆故障定界装置的框图。
图15示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应该被理解为先于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面与完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对于本公开的实施方式的充分理解。然而，本领域的技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其他方法、组元、装置、步骤等。在其他情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
图1示出了可以应用本公开实施例的一种车辆故障定界方法及装置的示例性应用环境的系统架构的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、车载电脑、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
本公开实施例提供的车辆故障定界方法可以在服务器105执行，具体的，在检测到多种车辆故障信号时，在车辆系统中确认触发每种车辆故障信号所对应的候选子系统，获取候选子系统的当前运行数据，根据候选子系统的当前运行数据，在数据库中查找导致触发多种车辆故障信号的概率大于预设值的目标子系统。本公开实施例所提供的车辆故障定界方法也可以由终端设备101、102、103执行，本公开实施例所提供的车辆故障定界方法还可以由终端设备101、102、103与服务器105共同执行，本示例性实施例中对此不做特殊限定。
在车辆的运行过程中，难免会出现故障。因此故障定位在车辆安全性和可靠性方面影响重大，故障定位的目的是准确定位故障产生的原因。随着智能驾驶汽车产业的迅速发展，车辆驾驶安全也越来越受到各界关注，故障定位也成为智能驾驶技术领域的一项重要课题。现有技术中，车辆故障定界方法主要是对单个故障现象的故障码进行解析以获取故障原因，但同时出现多个故障现象时，这种解析单点故障码的方法无法将所有的故障进行全面的关联分析，定位故障的准确性还有提升空间。
在本公开的一种示例实施例中提供了一种车辆故障定界方法，参考图2所示，该车辆故障定界方法可以包括以下步骤：
步骤S210，在检测到多种车辆故障信号时，在车辆系统中确认触发每种车辆故障信号所对应的候选子系统；其中，车辆故障信号用于指示车辆系统中至少一个子系统运行数据异常；
步骤S220，获取候选子系统的当前运行数据；
步骤S230，根据候选子系统的当前运行数据，在数据库中查找导致触发多种车辆故障信号的概率大于预设值的目标子系统；其中，数据库中至少包括子系统的运行数据与多种车辆故障信号之间的关联关系。
下面，再对上述步骤进行更加详细的说明。
在步骤S210中，车辆系统包括多个子系统。举例而言，多个子系统可以为车辆的多个域，域为多个电子控制单元组成的集成模块，例如动力总成域、底盘控制域、车身控制域、智能驾驶域与娱乐系统域，车辆系统检测到多种故障信号，每种故障信号的来源可能有多个域，将每种可能产生故障信号的域作为候选子系统。
在步骤S220中，运行数据用于指示当前子系统的运行状态。举例而言，运行数据可以包括各候选子系统内CPU，内存，外部存储，传输总线的状态数据。
具体而言，在确认候选子系统之后，通过部署在各候选子系统中的数据收集装置或数据收集软件，收集各候选子系统的运行数据。
举例而言，候选子系统为智能驾驶域，在确认智能驾驶域为候选子系统之后，通过部署在智能驾驶域控制器中各个层级的数据收集装置或数据收集软件，收集对应的层级数据，例如在操作系统层，通过数据收集装置收集智能驾驶域控制器内所有传感器、CPU、内存、传输总线的运行数据，在应用层，通过数据收集软件收集各软件的日志与运行状态。
在步骤S230中，数据库中至少包括子系统的运行数据与多种车辆故障信号之间的关联关系，关联关系可以是故障树。举例而言，数据库可以是故障库，故障库中有预先收集的车辆的不同运行节点在发生不同故障时，其运行状态参数对应的参数阈值以及类型编号的映射表，映射表用于存储车辆的不同运行节点的类型编号与运行节点在发生故障的对应关系，每个类型编号还对应有正常范围内的参数阈值和故障代码。
具体而言，在收集到各候选子系统的当前运行数据后，在数据库中通过运行数据与多种车辆故障信号之间的关联关系，获取各候选子系统导致触发多种车辆故障信号的概率，将概率大于预设值的候选子系统作为目标子系统。
举例而言，故障信号为发动机异常信号，数据库为包含故障树的故障库，候选子系统为动力总成域、底盘控制域、车身控制域、智能驾驶域与娱乐系统域，运行数据为上述各子系统的各层级数据，在收集到各候选子系统的当前运行数据之后，在数据库中通过运行数据与多种车辆故障信号之间的关联关系，获取各候选子系统导致触发多种车辆故障信号的概率，将概率大于预设值的候选子系统作为目标子系统。
本示例性实施例中，关联关系可以为故障树，故障树分析法是以故障树作为模型对系统进行可靠性分析的一种方法，是系统安全分析方法中应用最广泛的一种自上而下逐层展开的图形演绎的分析方法。在系统设计过程中通过对可能造成系统失效的各种因素（包括硬件、软件、环境、人为因素）进行分析，画出逻辑框图（失效树），从而确定系统失效原因的各种可能组合方式或其发生概率，以计算的系统失效概率，采取相应的纠正措施，以提高系统可靠性的一种设计分析方法。
深度学习是让机器学习样本数据的内在规律和表示层次，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
在本公开的一种示例实施例中，在检测到车辆系统中的任一子系统触发车辆故障信号时，获取任一子系统的运行数据，根据车辆故障信号，将任一子系统的运行数据按最大信息增益方向切割，得到第一子数据与第二子数据，获取第一子数据的信息量与第二子数据的信息量，将第一子数据按最大信息增益方向进行迭代处理，以使得目标子数据的信息量小于预设阈值，在数据库中获取各个子系统的目标子数据对应的故障原因，以建立目标子数据和故障原因的对应关系，以及，建立运行数据与故障原因的关联关系。具体的，参考图3所示，建立关联关系，可以包括以下步骤S310~S350：
步骤S310，在检测到车辆系统中的任一子系统触发车辆故障信号时，获取任一子系统的运行数据。
举例而言，子系统为智能驾驶域，在检测到智能驾驶域触发车辆故障信号时，通过部署在智能驾驶域控制器中各个层级的数据收集装置或数据收集软件，收集对应的层级数据，例如在操作系统层，通过数据收集装置收集智能驾驶域控制器内所有传感器、CPU、内存、传输总线的运行数据，在应用层，通过数据收集软件收集各软件的日志与运行状态。
步骤S320，根据所述车辆故障信号，将所述任一子系统的运行数据按最大信息增益方向切割，得到第一子数据与第二子数据。
其中，最大信息增益方向为切割后子数据的信息量与运行数据的信息量的差值最大的方向。
具体而言，将运行数据的数据集切割为第一子数据与第二子数据，使得切割后信息量较小的子数据的信息量与切割前样本运行数据的信息量的差值最大，即最大信息增益方向。
举例而言，运行数据为车载所有域控中各层级的数据，计算数据的信息量，并确定最大信息增益方向，例如运行数据的信息量为100比特，现有三种切割方式，分别使得切割后子数据的信息量为99比特与1比特、98比特与2比特、97比特与3比特，可以看出信息量为1比特的子数据与信息量为100比特的运行数据的信息量差值最大，则确定将100比特的运行数据切割为信息量为1比特的子数据与99比特子数据的切割方式为最大信息增益方向。
步骤S330，获取第一子数据的信息量与第二子数据的信息量。
其中，第一子数据的信息量小于第二子数据的信息量。
具体而言，在按照最大信息增益方向切割运行数据后，运行数据被分为第一子数据与第二子数据，分别获取两组子数据的信息量，两组子数据中信息量较小的一组子数据为第一子数据，信息量较大的子数据为第二子数据。
举例而言，计算信息量可以用计算Gini系数（不纯度系数）来实现，Gini系数是用于度量数据集纯度的指标，Gini系数越小，代表着该数据集中越多的数据属于同类。例如，A j （j=1，2）为运行数据切割后的两部分子数据，j（j=1，2）为用于指示切割后子数据个数的数据集，w j 为这两部分子数据各自在运行数据中的占比，p i 为子数据属于第i种切割方向的概率，i（i=1，...，n）为用于指示切割方向种类的数据集，n为总共分割方向的个数，Gini (A j )为节点A切割后子数据的Gini系数，那么节点A的Gini系数Gini(A)可以表示为：
Figure 637295DEST_PATH_IMAGE001
在运行数据按最大增益方向切割后，在切割得到的两部分子数据中，将Gini系数较小的子数据作为第一子数据，将Gini系数较大的子数据作为第二子数据。
步骤S340，将第一子数据按最大信息增益方向进行迭代处理，以使得目标子数据的信息量小于预设阈值。
其中，目标子数据为由第一子数据迭代处理得到的，信息量小于预设阈值的子数据。
具体而言，继续将第一子数据按照最大信息增益方向切割，得到两部分第一子数据的子数据，选择信息量较小的第一子数据的子数据进行迭代处理，直到最终的子数据的信息量小于预设阈值，停止迭代过程。
举例而言，计算信息量可以用计算Gini系数来实现，在得到第一子数据之后，重复上述操作直到最终获得的目标子数据的Gini系数小于预设阈值。
步骤S350，在数据库中获取各个子系统的目标子数据对应的故障原因，以建立目标子数据和故障原因的对应关系，以及，建立运行数据与故障原因的关联关系。
举例而言，目标子数据可以为车载域控中某一单元的运行数据例如蓄电池的运行数据，故障为该单元对应的故障，例如蓄电池电压过低。
具体而言，将运行数据按最大信息增益方向进行迭代切割后，得到多个目标子数据，通过数据库获取目标子数据对应的故障原因，以建立这些目标子数据与故障原因的对应关系，由于目标子数据是由运行数据通过最大信息增益方向切割而来，进一步建立了运行数据与故障原因的关联关系。
举例而言，目标子数据为车辆在发生某无法启动故障时发动机参数数据、制动系统参数数据与转向机构参数数据，故障原因为发动机故障，在将运行数据按最大信息增益方向进行迭代切割后，通过故障库（数据库）获取目标子数据对应的故障原因为发动机故障，以此建立车辆在发生某无法启动故障时发动机参数数据、制动系统参数数据与转向机构参数数据与发动机故障的对应关系，由于上述目标子数据都是由运行数据通过最大信息增益方向切割而来，因此进一步建立了运行数据与故障原因的关联关系。
通过上述步骤S310~S350，在检测到车辆系统中的任一子系统触发车辆故障信号时，获取任一子系统的运行数据，根据车辆故障信号，将任一子系统的运行数据按最大信息增益方向切割，得到第一子数据与第二子数据，获取第一子数据的信息量与第二子数据的信息量，将第一子数据按最大信息增益方向进行迭代处理，以使得目标子数据的信息量小于预设阈值，在数据库中获取各个子系统的目标子数据对应的故障原因，以建立目标子数据和故障原因的对应关系，以及，建立运行数据与故障原因的关联关系。通过建立运行数据与故障原因的关联关系，有利于全面分析故障现象。
在本公开的一种示例实施例中，获取预设过滤规则，在检测到车辆故障信号时，获取各候选子系统的初始运行数据，根据预设过滤规则对候选子系统的初始运行数据进行过滤，得到候选子系统的运行数据。具体的，参考图4所示，获取候选子系统的运行数据，可以包括以下步骤S410~S430：
步骤S410，获取预设过滤规则。
其中，预设过滤规则用于从初始运行数据中获取所述运行数据。举例而言，预设过滤规则可以包括非空检查，重复剔除，格式不对放弃，关联验证，逻辑错误放弃等规则中的至少一种。
具体而言，预设过滤规则是服务器端下发的采集数据规则，过滤初始运行数据前需要首先获取预设过滤规则。
举例而言，获取运行数据前，车辆端向服务器端发出获取预设过滤规则请求，并接收服务器端下发的预设过滤规则。
步骤S420，在检测到车辆故障信号时，获取各候选子系统的初始运行数据。
其中，初始运行数据包括车辆的硬件设备的运行数据、软件模块的运行数据中的至少一种。举例而言，初始运行数据可以是多个子系统数据的集合，这些数据中包含重复数据、空白数据、逻辑错误数据、格式错误数据与运行数据的数据。
具体而言，在车辆运行时，通过部署在车辆各候选子系统中的数据收集装置或数据收集软件，收集各子系统的初始运行数据。
举例而言，候选子系统为智能驾驶域控制器，在车辆运行时，通过部署在智能驾驶域控制器中各个层级的数据收集装置或数据收集软件，收集对应的层级所有数据（初始运行数据），由于这些数据从多个业务系统中抽取而来且包含运行数据和历史数据，这样就避免不了有的数据是错误数据、有的数据相互之间有冲突。
步骤S430，根据预设过滤规则对候选子系统的初始运行数据进行过滤，得到候选子系统的运行数据。
在本公开的一种示例实施例中，根据预设过滤规则对候选子系统的初始运行数据进行过滤，得到候选子系统的运行数据。其中，根据预设过滤规则对初始运行数据进行过滤为对数据进行审查、校验、筛选、剔除的过程。举例而言，可以首先对数据进行一致性检查，确定每个数据的合理取值范围和相互关系，检查数据是否符合要求，并对不符合要求的数据进行删除或修正操作。
举例而言，预设过滤规则为数据一致性规则，数据一致性规则为保证当不同的用户访问同一数据库时，不同用户的相同事务操作调用相同的数据，初始运行数据为从车辆智能驾驶域控制器中各个层级收集的所有数据，过滤为重复数据删除操作，根据预设过滤规则，可以对收集到的数据进行一致性检查操作，获取初始运行数据的数据记录，在检测到初始运行数据之中的部分数据记录对应的属性值相同时，将相同的数据记录进行删除或合并，得到经过重复数据删除的运行数据。
通过上述步骤S410~S430，获取预设过滤规则，在检测到车辆故障信号时，获取各候选子系统的初始运行数据，根据预设过滤规则对候选子系统的初始运行数据进行过滤，得到候选子系统的运行数据。过滤了大量对车辆故障定界无用的数据，有利于提高算法效率和故障定位准确性。
在本公开的一种示例实施例中，获取车辆系统中至少一个子系统的当前运行数据，在当前运行数据的数值在运行数据对应的预设阈值范围外时，触发目标故障信号，检测到目标故障信号，在数据库中查找到触发目标故障信号的至少一个子系统，计算查找到的各子系统运行数据异常时，触发目标故障信号的概率，从中获取候选子系统触发目标故障信号的概率，在候选子系统的当前运行数据异常且触发目标故障信号的概率大于预设值时，确定候选子系统为触发目标故障信号的目标子系统。具体的，参考图5所示，确定目标子系统，可以包括以下步骤S510~S550：
步骤S510，获取车辆系统中至少一个子系统的当前运行数据。
举例而言，子系统为智能驾驶域，通过部署在智能驾驶域控制器中各个层级的数据收集装置或数据收集软件，收集对应的层级数据，例如在操作系统层，通过数据收集装置收集智能驾驶域控制器内所有传感器、CPU、内存、传输总线的运行数据，在应用层，通过数据收集软件收集各软件的日志与运行状态。
步骤S520，在当前运行数据的数值在运行数据对应的预设阈值范围外时，触发目标故障信号。
其中，预设阈值范围为车辆正常工作时运行数据的数值范围。具体而言，在获取当前运行数据后，将运行数据的数值与车辆正常工作时的运行数据的数值范围对比，超出或低于该范围时，触发目标故障信号。
举例而言，获取的车载蓄电池电压为10V，车辆正常工作无故障现象时蓄电池的电压范围为10.5-14V，此时车载蓄电池电压低于车辆正常工作无故障现象时蓄电池的电压范围，触发目标故障信号。
步骤S530，检测到目标故障信号，在数据库中查找到触发所述目标故障信号的至少一个子系统。
举例而言，对于车载蓄电池电压过低这一目标故障信号，触发该故障信号的子系统可以是动力总成域、底盘控制域、车身控制域、智能驾驶域与娱乐系统域中的一个或多个。在检测到该目标故障信号之后，在数据库中查找所有可能导致触发车载蓄电池电压过低的信号的子系统。
步骤S540，计算查找到的各子系统运行数据异常时，触发目标故障信号的概率，从中获取候选子系统触发目标故障信号的概率。
举例而言，通过贝叶斯模型计算每一种候选子系统触发目标故障信号的概率。贝叶斯模型基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练集合，首先基于特征条件独立的学习输入、输出的联合概率分布，然后基于学到的，对给定的输入，利用贝叶斯定理求出后验概率最大的输出的模型。贝叶斯定理P可以用以下公式表示，其中，A、B为存在关联性的两个事件，A1，...，An为完备事件组，即A1，...，An的集合构成了事件A，i（i=1，...，n）为用于事件A完备事件组个数的数据集，j（j=1，...，n）为用于事件A完备事件组个数的数据集，完备事件组中的各项子事件两两互斥，
Figure 960960DEST_PATH_IMAGE002
为事件B的全概率，P（A∣B）为条件概率，P（A，B）为联合概率，P（B）为B事件的边际概率。
Figure 740697DEST_PATH_IMAGE003
步骤S550，在候选子系统的当前运行数据异常且触发目标故障信号的概率大于预设值时，确定候选子系统为触发目标故障信号的目标子系统。
具体而言，在至少一个候选子系统中，确定当前运行数据异常且触发目标故障信号的概率大于预设值的候选子系统作为目标子系统。
举例而言，目标故障信号为车载蓄电池电压过低的信号，在动力总成域、底盘控制域、车身控制域、智能驾驶域与娱乐系统域五个候选子系统中，智能驾驶域的当前运行数据的数值不在正常工作的预设阈值范围内，且通过数据库得知智能驾驶域导致触发车载蓄电池电压过低的信号的概率最高，则确定智能驾驶域为目标子系统。
通过上述步骤S510~S550，获取车辆系统中至少一个子系统的当前运行数据，在当前运行数据的数值在运行数据对应的预设阈值范围外时，触发目标故障信号，检测到目标故障信号，在数据库中查找到触发目标故障信号的至少一个子系统，计算查找到的各子系统运行数据异常时，触发目标故障信号的概率，从中获取候选子系统触发目标故障信号的概率，在候选子系统的当前运行数据异常且触发目标故障信号的概率大于预设值时，确定候选子系统为触发目标故障信号的目标子系统。关联分析多个候选子系统并从候选子系统之中确定最大概率的目标子系统，提高了故障定位的准确性。
在本公开的一种示例实施例中，根据目标故障信号所匹配的目标子系统，获取目标子系统的历史数据，根据目标子系统与历史数据，获取解除目标故障信号的指示信息。具体的，参考图6所示，获取指示信息，可以包括以下步骤S610~S620：
步骤S610，根据目标故障信号所匹配的目标子系统，获取目标子系统的历史数据。
其中，历史数据为目标子系统正常运行时的运行数据。举例而言，目标子系统可以为动力总成域控制器、底盘控制域控制器、车身控制域控制器、智能驾驶域控制器与娱乐系统域控制器中的一个或多个。
具体而言，在获取目标子系统之后，获取目标子系统在正常运行时的历史数据。举例而言，故障信号为蓄电池电量低的信号，目标子系统为车身控制域控制器，采集车身控制域控制器中电瓶模块在正常工作时的历史性能参数与历史状态参数。
步骤S620，根据目标子系统与历史数据，获取解除目标故障信号的指示信息。
其中，一个目标故障信号可能对应有多个解除目标故障信号的指示信息，可以通过历史数据从多个解除目标故障信号的指示信息中确定最合适的指示信息。举例而言，目标故障信号为蓄电池电量低的信号，解除蓄电池电量低对应的指示信息可以是通过第三方电源给电瓶充电的信息，也可以是更换蓄电池或维修蓄电池的信息，历史数据为在检测到蓄电池发生故障前蓄电池的运行数据。
具体而言，一种目标故障信号可能对应有多种解除目标故障信号的指示信息，可以根据历史数据与目标子系统确定最合适的指示信息。
举例而言，目标故障信号为蓄电池电量低的信号，解除蓄电池电量低对应的指示信息可以是通过第三方电源给电瓶充电的信息，根据采集的车身控制域控制器中电瓶模块在正常工作时的历史性能参数与历史状态参数，若在蓄电池电量低之前，电瓶模块的性能参数与电瓶模块的状态参数正常，获取的指示信息为通过第三方电源给电瓶充电，若在蓄电池电量低之前，电瓶模块的性能参数与状态参数异常，则获取的指示信息为更换蓄电池或维修蓄电池。
通过上述步骤S610~S620，根据目标故障信号所匹配的目标子系统，获取目标子系统的历史数据，根据目标子系统与历史数据，获取解除目标故障信号的指示信息。可以快速给出解除目标故障信号的指示信息，节约人力成本。
在本公开的一种示例实施例中，根据车辆系统中各子系统的运行数据，获取各子系统的分数指标，根据各子系统的分数指标的平均值、加权平均值中的至少一种，确定车辆系统的分数指标。具体的，参考图7所示，获取分数指标，可以包括以下步骤S710~S720：
步骤S710，根据车辆系统中各子系统的运行数据，获取各子系统的分数指标。
其中，子系统的分数指标用于表示子系统的正常运行的程度。举例而言，分数指标可以是高、中、低这三个健康程度由高到低的健康等级，也可以是具体量化的数值。
在获取各子系统的实时运行数据之后，对实时运行数据进行评估，产生当前各子系统的分数指标，用以判断当前各子系统的健康状态。
举例而言，子系统可以为车载空调系统，分数指标为高、中、低这三个健康程度由高到低的健康等级，运行数据可以为车载空调的输入电流，压缩比，风扇转数，回气温度，排气温度，送风温度，回风温度等参数，根据这些参数目前工作数值与历史正常工作数值范围获取空调系统的分数指标，例如当全部参数的目前工作数值均位于全部参数对应的历史正常工作数值范围之内时，健康等级为高，当有一项参数的目前工作数值位于对应的历史正常工作数值范围之外，其余参数的目前工作数值均位于对应的历史正常工作数值范围之内时，健康等级为中，当有两项或两项以上参数的目前工作数值均位于对应的历史正常工作数值范围之外时，健康等级为低。
进一步的，分数指标可以为数值化的健康分数，举例而言，运行数据可以为车载空调的输入电流，压缩比，风扇转数，回气温度，排气温度，送风温度，回风温度等参数，根据这些参数目前工作数值与历史正常工作数值计算空调系统的健康分数，每项参数对应一个子健康分数，当某个参数的目前工作数值位于对应的历史正常工作数值之内时，该项参数对应的子健康分数为100分，该参数的当前工作数值每超出历史正常工作数值范围之外一个单位，该参数对应的子健康分数减少10分。根据每项参数对应的子健康分数，加权计算得到空调系统的健康分数。
步骤S720，根据各子系统的分数指标的平均值、加权平均值中的至少一种，确定车辆系统的分数指标。
其中，车辆系统的分数指标用于评估车辆系统的健康状态。举例而言，车辆系统的分数指标可以是高、中、低这三个健康程度由高到低的健康等级，也可以是具体量化的数值。
具体而言，在获取各子系统的分数指标之后，对各子系统的分数指标进行分析，通过各子系统的分数指标的平均值、加权平均值中的至少一种产生当前车辆系统的分数指标，用以判断当前车辆系统的健康状态。
举例而言，车辆系统包括总成域、底盘控制域、车身控制域、智能驾驶域与娱乐系统域五个子系统，当所有子系统均为正常工作健康等级时，车辆系统为高健康等级，当至少有一个子系统为中健康等级，且其余子系统不为低健康等级时，车辆系统为中健康等级，当所有子系统中至少有一个为低健康等级时，车辆系统为低健康等级。
举例而言，车辆系统的分数指标可以为数值化的健康分数，在获取多个子系统的健康分数之后，将各子系统的健康分数通过数学方法例如加权取平均等方法计算得到车辆系统的健康分数，100分为满分，80-100分为高健康等级，60分-80分为中健康等级，60分以下为低健康等级。
通过上述步骤S710~S720，根据车辆系统中各子系统的运行数据，获取各子系统的分数指标，根据各子系统的分数指标的平均值、加权平均值中的至少一种，确定车辆系统的分数指标。可以根据车辆系统的分数指标快速找到分数指标不达标的子系统，提高车辆故障定界的效率。
在本公开的一种示例实施例中，获取各个子系统的历史数据，根据各个子系统的历史数据获取各个子系统对应的剩余使用时长，计算各子系统的故障率，以使得根据剩余使用时长与故障率计算各个子系统的分数指标。具体的，参考图8所示，获取各个子系统的分数指标，可以包括以下步骤S810~S830：
步骤S810，获取各个子系统的历史数据。
其中，历史数据为子系统正常运行时的运行数据。举例而言，子系统为蓄电池系统，通过部署在蓄电池系统的数据收集装置采集电瓶模块在正常工作时的历史性能参数与历史状态参数。
步骤S820，根据各个子系统的历史数据获取各个子系统对应的剩余使用时长。
其中，剩余使用时长为子系统从当前时刻到无法正常工作的时长。
具体而言，利用子系统的历史数据与子系统的运行数据对子系统的剩余使用时长进行预测。举例而言，通过统计回归的方法，建立历史数据、运行数据与子系统运行时间的函数关系，通过该函数关系预测子系统的剩余使用时长。
举例而言，子系统为蓄电池系统，获取蓄电池系统的历史数据与运行数据，通过统计回归的方法，建立蓄电池系统的历史数据、蓄电池系统的运行数据与蓄电池系统运行时间的函数关系，通过该函数关系预测蓄电池系统的剩余使用时长。
步骤S830，计算各子系统的故障率，以使得根据剩余使用时长与故障率计算各个子系统的分数指标。
举例而言，车辆系统含有制动系统、转向机构与发动机三个子系统，子系统的故障率为在车辆系统故障的前提下，子系统故障的条件概率，构建车辆系统的故障树如图9所示，其中制动系统910的故障概率为P（X1）=0.04，转向机构920的故障概率P（X2）=0.02，发动机930的故障概率P（X3）=0.01，则车辆系统的故障率P（t）=1-（0.04×0.02）×（1-0.01）=0.010792，检测到故障发生后，此时制动系统故障的条件概率P（X1|t）=0.115，转向机构故障的条件概率P（X2|t）=0.0926，发动机故障的条件概率P（X3|t）=0.9259。将上述各子系统的故障率与各子系统的剩余使用时长通过综合量化生成一个分数指标，即健康分数。
进一步的，可以根据多个子系统的故障率计算车辆系统的故障率，根据车辆系统的故障率与各子系统的剩余使用时长计算车辆系统的分数指标。举例而言，分数指标可以为数值化的健康分数，车辆系统含有制动系统、转向机构与发动机三个子系统，车辆系统的故障率为在车辆转向机构故障的前提下，车辆系统故障的条件概率，构建车辆系统的故障树如图9所示，其中制动系统910的故障概率为P（X1）=0.04，转向机构920的故障概率P（X2）=0.02，发动机930的故障概率P（X3）=0.01，则车辆系统的故障概率P（t）=1-（0.04×0.02）×（1-0.01）=0.010792，则在转向机构故障的前提下，车辆系统故障的条件概率P（t|X2）=0.05，即车辆系统的故障率为0.05，可以将车辆系统的故障率与各子系统的剩余使用时长综合量化为一个健康分数，以100分为满分，80分-100分为正常工作状态，60分-80为故障工作状态，60分以下为故障状态。
通过上述步骤S810~S830，获取多个子系统的历史数据，根据多个子系统的历史数据获取多个子系统对应的剩余使用时长，计算多个子系统的故障率，以使得根据剩余使用时长与故障率计算多个子系统的分数指标。
在本公开的一种示例实施例中，可以通过以下设备实现上述实施例。数据收集设备1010，部署在各子系统中用于收集各子系统的初始运行数据；数据筛选设备1020，用于获取预设过滤规则并根据预设过滤规则筛选初始运行数据，获取运行数据；数据存储设备1030，用于将数据存储到数据湖1040中，数据湖为以原格式存储数据的数据存储区域；故障定位设备1050，用于进行故障定位找出故障原因，并输出故障解决方法；健康监控设备1060，用于对运行数据进行实时评估，获取车辆系统的健康状态；数据同步设备1070，用于将运行数据同步到云端1090；显示设备1080，用于将故障定位结果或健康状态评估结果显示在显示屏上；深度故障定位设备1091，用于在得到大量且类型多样的运行数据时，根据云端的算力对大量运行数据与大量故障标签进行训练，并将产生的车辆故障定界模型下发到车辆端；故障定位健康监控预测模型训练1092，用于在得到大量且类型多样的运行数据时，根据云端的算力对大量运行数据训练健康模型；数据同步端1093，用于接收从车辆端收到的运行数据。
图11为本公开的一种示例性实施例提出的一种车辆故障定界与车辆健康监控流程图，包括以下步骤1110~1190。
步骤1110，收集各子系统的初始运行数据。
步骤1120，获取预设过滤规则并对初始运行数据进行过滤，得到各子系统的运行数据。
步骤1130，响应于用户端发出的信号，判断是否执行故障定位操作。
若判定执行故障定位操作，则执行步骤1140；若判定不执行故障定位操作，则执行步骤1170。
步骤1140，获取样本运行数据与故障标签，训练生成样本运行数据与故障标签的关联关系，通过对各子系统的运行数据与当前故障现象进行关联分析，运用训练生成的关联关系找出故障原因。
步骤1150，根据1140中的故障原因，获取故障子系统历史数据，并根据故障原因与故障子系统的历史数据给出故障解决方法。
步骤1160，将故障关联分析过程、故障原因与故障解决方法汇总形成故障定位报告并发送至客户端。
步骤1170，获取各子系统的剩余使用时长与故障率，并根据剩余使用时长与故障率进行健康程度评估。
步骤1180，根据1170中获取的剩余使用时长与故障率，量化形成各子系统的健康分数，并进一步根据各子系统的健康分数得到车辆系统的健康分数。
步骤1190，将健康监控过程中的步骤与健康分数结果汇总为健康监控报告并发送至客户端。
在本公开的一种示例性实施例中，当车辆各子系统为车辆域控制器（第一域控、第二域控、第三域控）时，本公开涉及的车辆故障定界装置不能安装在车辆域控制器中，否则车辆域控制器出现故障时车辆故障定界装置将无法适用，失去意义，车辆定位装置在涉及车辆域控制器时部署如图12与图13所示。
在本公开示例实施方式所提供的车辆故障定界方法中，在检测到多种车辆故障信号时，在车辆系统中确认触发每种车辆故障信号所对应的候选子系统，获取候选子系统的当前运行数据，根据候选子系统的当前运行数据，在数据库中查找导致触发多种车辆故障信号的概率大于预设值的目标子系统。一方面，数据库中包括子系统的运行数据与多种车辆故障信号之间的关联关系，利用该关联关系有利于全面分析故障现象对应的故障原因，适用于同时出现多个故障现象的场景，提高故障定位的泛用性与准确性，另一方面，在检测到故障信号时，通过数据库查找目标子系统，可以在出现故障现象时快速进行故障定位，提高效率。
图14是根据一示例性实施例示出的一种车辆故障定位装置框图，该车辆故障定位装置用于执行本公开提供的车辆故障定界方法。参照图14，该车辆故障定位装置1400包括候选子系统确认模块1410，运行数据获取模块1420，目标子系统确认模块1430。其中：
候选子系统确认模块1410用于在检测到多种车辆故障信号时，在车辆系统中确认触发每种车辆故障信号所对应的候选子系统；其中，车辆故障信号用于指示车辆系统中至少一个子系统运行数据异常；运行数据获取模块1420用于获取候选子系统的当前运行数据；目标子系统确认模块1430用于根据候选子系统的当前运行数据，在数据库中查找导致触发多种车辆故障信号的概率大于预设值的目标子系统；其中，数据库中至少包括子系统的运行数据与多种车辆故障信号之间的关联关系。
在本公开的一种示例性实施例中，基于前述方案，在获取候选子系统的当前运行数据之前，装置还包括：运行数据获取单元，用于在检测到车辆系统中的任一子系统触发车辆故障信号时，获取任一子系统的运行数据；数据切割单元，用于根据车辆故障信号，将任一子系统的运行数据按最大信息增益方向切割，得到第一子数据与第二子数据；其中，最大信息增益方向为切割后子数据的信息量与运行数据的信息量的差值最大的方向；信息量获取单元，用于获取第一子数据的信息量与第二子数据的信息量；其中，第一子数据的信息量小于第二子数据的信息量；迭代单元，用于将第一子数据按最大信息增益方向进行迭代处理，以使得目标子数据的信息量小于预设阈值；关系建立单元，在数据库中获取各个子系统的目标子数据对应的故障原因，以建立目标子数据和故障原因的对应关系，以及，建立运行数据与故障原因的关联关系。
在本公开的一种示例性实施例中，基于前述方案，获取候选子系统的当前运行数据，装置还包括：规则获取单元，用于获取预设过滤规则；其中，预设过滤规则用于从初始运行数据中获取运行数据，预设过滤规则包括非空检查、重复剔除、格式不对放弃、关联验证、逻辑错误放弃中的至少一种，初始运行数据包括车辆的硬件设备的运行数据、软件模块的运行数据中的至少一种；初始运行数据获取单元，用于在检测到车辆故障信号时，获取各候选子系统的初始运行数据；过滤单元，用于根据预设过滤规则对候选子系统的初始运行数据进行过滤，得到候选子系统的运行数据。
在本公开的一种示例性实施例中，基于前述方案，根据候选子系统的当前运行数据，在数据库中查找导致触发多种车辆故障信号的概率大于预设值的目标子系统，装置还包括：运行数据获取单元，获取车辆系统中至少一个子系统的当前运行数据；信号触发单元，用于在当前运行数据的数值在运行数据对应的预设阈值范围外时，触发目标故障信号；查找单元，用于在检测到目标故障信号时，在数据库中查找到触发目标故障信号的至少一个子系统；概率计算单元，用于计算查找到的各子系统运行数据异常时，触发目标故障信号的概率，从中获取候选子系统触发目标故障信号的概率；目标子系统确定单元，用于在候选子系统的当前运行数据异常且触发目标故障信号的概率大于预设值时，确定候选子系统为触发目标故障信号的目标子系统。
在本公开的一种示例性实施例中，基于前述方案，装置还包括：历史数据获取单元，用于根据目标故障信号所匹配的目标子系统，获取目标子系统的历史数据；其中，历史数据为目标子系统正常运行时的运行数据，历史数据的数值在所述运行数据对应的预设阈值范围之内；指示信息获取单元，用于根据目标子系统与历史数据，获取解除目标故障信号的指示信息。
在本公开的一种示例性实施例中，基于前述方案，装置还包括：第一分数指标获取单元，用于根据车辆系统中各子系统的运行数据，获取各子系统的分数指标；其中，子系统的分数指标用于表示子系统的正常运行的程度；第二分数指标获取单元，用于根据各子系统的分数指标的平均值、加权平均值中的至少一种，确定车辆系统的分数指标。
在本公开的一种示例性实施例中，基于前述方案，根据车辆系统中各子系统的运行数据，获取各所述子系统的分数指标，装置还包括：历史数据获取单元，用于获取各个子系统的历史数据；剩余使用时长获取单元，用于根据各个子系统的历史数据获取各个子系统对应的剩余使用时长；其中，剩余使用时长为子系统从当前时刻到无法正常工作的时长；故障率计算单元，用于计算各子系统的故障率，以使得根据剩余使用时长与故障率计算各个子系统的分数指标。
由于本公开的示例实施例的车辆故障定界装置的各个功能模块与上述车辆故障定界方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的车辆故障定界方法的实施例。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
图15示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图15示出的电子设备的计算机系统1500仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图15所示，计算机系统1500包括中央处理单元（CPU）1501，其可以根据存储在只读存储器（ROM）1502中的程序或者从存储部分1508加载到随机访问存储器（RAM）1503中的程序而执行各种适当的动作和处理。在RAM1503中，还存储有系统操作所需的各种程序和数据。CPU1501、ROM1502以及RAM1503通过总线1504彼此相连。I/O接口1505也连接至总线1504。
以下部件连接至I/O接口1505：包括键盘、鼠标等的输入部分1506；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分1507；包括硬盘等的存储部分1508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1510上，以便于从其上读出的计算机程序根据需要被安装入存储部分1508。
特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1509从网络上被下载和安装，和/或从可拆卸介质1511被安装。在该计算机程序被中央处理单元（CPU）1501执行时，执行本申请的方法和装置中限定的各种功能。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其中包括程序代码，当程序产品在终端上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式和步骤。
根据本公开的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器（CD-ROM）并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，可读存储介质可以是任何包含或存储程序的有型介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质任一组合。可读介质可以是可读信号介质或者可读存储介质。可读介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上组合。可读存储介质的更具体例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适组合。
计算机可读信号介质可以包括在基带中或者作为载波的一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以此采用多种形式，包括但不限于电磁信号、光信号或上述任意的合适的组合。可读信号介质还可以是可读存储介质以外的任何可读质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质包含的程序代码可以用于任何适当的介质传输，包括但不限于无线、有线、光缆、RF等待，或者上述任意合适的组合。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，很容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变形、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或者惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (9)

1.一种车辆故障定界方法，其特征在于，所述方法包括：
在检测到多种车辆故障信号时，在车辆系统中确认触发每种车辆故障信号所对应的候选子系统；其中，所述车辆故障信号用于指示所述车辆系统中至少一个子系统运行数据异常；以及，
在检测到所述车辆系统中的任一子系统触发车辆故障信号时，获取所述任一子系统的运行数据；根据所述车辆故障信号，将所述任一子系统的运行数据按最大信息增益方向切割，得到第一子数据与第二子数据；其中，最大信息增益方向为切割后子数据的信息量与所述运行数据的信息量的差值最大的方向；其中，计算信息量用计算Gini系数来实现；获取所述第一子数据的信息量与所述第二子数据的信息量；其中，所述第一子数据的信息量小于所述第二子数据的信息量；将所述第一子数据按最大信息增益方向进行迭代处理，以使得目标子数据的信息量小于预设阈值；在数据库中获取各个子系统的目标子数据对应的故障原因，以建立所述目标子数据和故障原因的对应关系，以及，建立所述运行数据与所述故障原因的关联关系；
获取所述候选子系统的当前运行数据；
根据所述候选子系统的当前运行数据，在数据库中查找导致触发所述多种车辆故障信号的概率大于预设值的目标子系统；其中，所述数据库中至少包括子系统的运行数据与多种车辆故障信号之间的关联关系。
2.根据权利要求1所述的方法，其特征在于，所述获取所述候选子系统的当前运行数据，包括：
获取预设过滤规则；其中，所述预设过滤规则用于从初始运行数据中获取所述运行数据，所述预设过滤规则包括非空检查、重复剔除、格式不对放弃、关联验证、逻辑错误放弃中的至少一种，所述初始运行数据包括车辆的硬件设备的运行数据、软件模块的运行数据中的至少一种；
在检测到车辆故障信号时，获取各所述候选子系统的初始运行数据；
根据所述预设过滤规则对所述候选子系统的初始运行数据进行过滤，得到所述候选子系统的运行数据。
3.根据权利要求1所述的方法，其特征在于，所述根据所述候选子系统的当前运行数据，在数据库中查找导致触发所述多种车辆故障信号的概率大于预设值的目标子系统，包括：
获取所述车辆系统中至少一个子系统的当前运行数据；
在所述当前运行数据的数值在所述运行数据对应的预设阈值范围外时，触发目标故障信号；
检测到所述目标故障信号，在数据库中查找到触发所述目标故障信号的至少一个子系统；
计算查找到的各所述子系统运行数据异常时，触发所述目标故障信号的概率，从中获取所述候选子系统触发所述目标故障信号的概率；
在所述候选子系统的当前运行数据异常且触发所述目标故障信号的概率大于预设值时，确定所述候选子系统为触发目标故障信号的目标子系统。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述目标故障信号所匹配的目标子系统，获取所述目标子系统的历史数据；其中，所述历史数据为所述目标子系统正常运行时的运行数据，所述历史数据的数值在所述运行数据对应的预设阈值范围之内；
根据所述目标子系统与所述历史数据，获取解除所述目标故障信号的指示信息。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据车辆系统中各子系统的运行数据，获取各所述子系统的分数指标；其中，所述子系统的分数指标用于表示所述子系统的正常运行的程度；
根据各所述子系统的分数指标的平均值、加权平均值中的至少一种，确定所述车辆系统的分数指标。
6.根据权利要求5所述的方法，其特征在于，所述根据车辆系统中各子系统的运行数据，获取各所述子系统的分数指标，包括：
获取各所述子系统的历史数据；
根据各所述子系统的历史数据获取各所述子系统对应的剩余使用时长；其中，所述剩余使用时长为所述子系统从当前时刻到无法正常工作的时长；
计算各所述子系统的故障率，以使得根据所述剩余使用时长与所述故障率计算各所述子系统的分数指标。
7.一种车辆故障定界装置，其特征在于，包括：
候选子系统确认模块，用于在检测到多种车辆故障信号时，在车辆系统中确认触发每种车辆故障信号所对应的候选子系统；其中，所述车辆故障信号用于指示所述车辆系统中至少一个子系统运行数据异常；
运行数据获取单元，用于在检测到车辆系统中的任一子系统触发车辆故障信号时，获取任一子系统的运行数据；数据切割单元，用于根据车辆故障信号，将任一子系统的运行数据按最大信息增益方向切割，得到第一子数据与第二子数据；其中，最大信息增益方向为切割后子数据的信息量与运行数据的信息量的差值最大的方向；其中，计算信息量用计算Gini系数来实现；信息量获取单元，用于获取第一子数据的信息量与第二子数据的信息量；其中，第一子数据的信息量小于第二子数据的信息量；迭代单元，用于将第一子数据按最大信息增益方向进行迭代处理，以使得目标子数据的信息量小于预设阈值；关系建立单元，在数据库中获取各个子系统的目标子数据对应的故障原因，以建立目标子数据和故障原因的对应关系，以及，建立运行数据与故障原因的关联关系；
运行数据获取模块，用于获取所述候选子系统的当前运行数据；
目标子系统确认模块，用于根据所述候选子系统的当前运行数据，在数据库中查找导致触发所述多种车辆故障信号的概率大于预设值的目标子系统；其中，所述数据库中至少包括子系统的运行数据与多种车辆故障信号之间的关联关系。
8.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-6任一项所述的车辆故障定界方法。
9.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行权利要求1-6任一项所述的车辆故障定界方法。
CN202211487689.6A 2022-11-25 2022-11-25 车辆故障定界方法、装置、电子设备及存储介质 Active CN115599077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211487689.6A CN115599077B (zh) 2022-11-25 2022-11-25 车辆故障定界方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211487689.6A CN115599077B (zh) 2022-11-25 2022-11-25 车辆故障定界方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115599077A CN115599077A (zh) 2023-01-13
CN115599077B true CN115599077B (zh) 2023-03-10

Family

ID=84852814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211487689.6A Active CN115599077B (zh) 2022-11-25 2022-11-25 车辆故障定界方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115599077B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4980855A (en) * 1986-08-29 1990-12-25 Brother Kogyo Kabushiki Kaisha Information processing system with device for checking spelling of selected words extracted from mixed character data streams from electronic typewriter
CN101034959A (zh) * 2006-03-10 2007-09-12 华为技术有限公司 混合自动重传方法及其装置和系统
CN103164490A (zh) * 2011-12-19 2013-06-19 北京新媒传信科技有限公司 一种不固定长度数据的高效存储实现方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414477B (zh) * 2020-03-11 2024-02-13 科大讯飞股份有限公司 车辆故障自动诊断方法、装置以及设备
CN111753261B (zh) * 2020-06-29 2023-07-04 北京百度网讯科技有限公司 车辆安全检测方法、装置、设备及存储介质
CN112801525A (zh) * 2021-02-04 2021-05-14 三一重工股份有限公司 机械设备的健康状态评估方法及装置
CN114022973B (zh) * 2021-11-02 2024-03-01 阿波罗智联(北京)科技有限公司 一种车辆故障的处理方法、装置、设备以及存储介质
CN114296105A (zh) * 2021-12-27 2022-04-08 中国第一汽车股份有限公司 一种定位故障原因确定方法、装置、设备以及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4980855A (en) * 1986-08-29 1990-12-25 Brother Kogyo Kabushiki Kaisha Information processing system with device for checking spelling of selected words extracted from mixed character data streams from electronic typewriter
CN101034959A (zh) * 2006-03-10 2007-09-12 华为技术有限公司 混合自动重传方法及其装置和系统
CN103164490A (zh) * 2011-12-19 2013-06-19 北京新媒传信科技有限公司 一种不固定长度数据的高效存储实现方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
上官伟 等.基于 GNSS 的列车定位单元设计与性能评估方法.2016,第第38卷卷(第第38卷期),第64-73页. *
郝卓然.高铁列控系统故障诊断与健康评估的研究.2019,(第undefined期),第C033-282页. *

Also Published As

Publication number Publication date
CN115599077A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
US11748227B2 (en) Proactive information technology infrastructure management
CN112436968B (zh) 一种网络流量的监测方法、装置、设备及存储介质
CN103513983B (zh) 用于预测性警报阈值确定工具的方法和系统
Chen et al. How incidental are the incidents? characterizing and prioritizing incidents for large-scale online service systems
KR101948634B1 (ko) 스마트 컴퓨팅을 위한 시스템 자원의 장애 예측 방법
CN113852603B (zh) 网络流量的异常检测方法、装置、电子设备和可读介质
CN110826648A (zh) 一种利用时序聚类算法实现故障检测的方法
CN111585799A (zh) 网络故障预测模型建立方法及装置
CN111506048B (zh) 车辆故障预警方法及相关设备
CN113505044B (zh) 数据库告警方法、装置、设备和存储介质
CN114239734B (zh) 一种分布式车载健康管理系统
CN113837596A (zh) 一种故障确定方法、装置、电子设备及存储介质
CN112783682A (zh) 一种基于云手机服务的异常自动修复方法
CN112951311A (zh) 一种基于变权重随机森林的硬盘故障预测方法及系统
CN117041029A (zh) 网络设备故障处理方法、装置、电子设备及存储介质
CN114462897B (zh) 高速公路机电系统综合性能评估方法、装置及存储介质
CN115599077B (zh) 车辆故障定界方法、装置、电子设备及存储介质
CN115114124A (zh) 主机风险的评估方法及评估装置
CN112990329B (zh) 一种系统异常诊断方法和装置
CN113590484A (zh) 算法模型服务测试方法、系统、设备及存储介质
CN115373369B (zh) 车辆故障诊断系统及方法
CN116149971B (zh) 设备故障预测方法、装置、电子设备及存储介质
CN116996403B (zh) 应用ai模型的网络流量诊断方法及系统
Cheng et al. Application of System Operation and Maintenance Knowledge Base based on Machine Learning in Automobile Industry
Wang et al. A Two-Layer Architecture for Failure Prediction Based on High-Dimension Monitoring Sequences

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