CN115718862A - 车辆发动机故障预警方法、装置、设备及介质 - Google Patents
车辆发动机故障预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115718862A CN115718862A CN202211129330.1A CN202211129330A CN115718862A CN 115718862 A CN115718862 A CN 115718862A CN 202211129330 A CN202211129330 A CN 202211129330A CN 115718862 A CN115718862 A CN 115718862A
- Authority
- CN
- China
- Prior art keywords
- engine
- data
- state type
- hidden markov
- markov model
- 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
Images
Classifications
-
- 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
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供一种车辆发动机故障预警方法,包括:获取训练数据,所述训练数据包括第一时间段内的发动机状态类型以及第一时间段内的发动机相关信号的信号数据;利用所述训练数据对初始隐马尔可夫模型进行训练,得到训练好的隐马尔可夫模型,所述隐马尔可夫模型以所述发动机相关信号的信号数据作为输入,以所述发动机状态类型作为输出;获取预测数据,所述预测数据包括当前时刻以及当前时刻往前一段时间的发动机相关信号的信号数据,并将所述预测数据输入至训练好的隐马尔可夫模型中,得到隐马尔可夫模型输出的预测发动机状态类型,所述预测发动机状态类型包括当前时刻的发动机状态类型以及当前时刻往后一段时间的发动机状态类型。
Description
技术领域
本申请涉及车辆诊断技术领域,具体涉及一种车辆发动机故障预警方法、装置、设备及介质。
背景技术
在传统的车辆故障诊断中,当故障发生后,需要向车端发送DoIP报文,到指定的ECU(电子控制单元)获取故障数据进行诊断,无法做到快速诊断,更无法做到事先预警的效果。
近年来,车辆故障的诊断和预警逐渐向着远程在线方向发展。随着车联网技术的发展,越来越多的车辆数据上传云端和后台,这给远程诊断和预警提供了数据支撑。利用远程故障诊断,可以有机地将生产和维修结合起来。
在汽车中,发动机无疑是最重要的部件之一,实现对发动机状态的远程诊断和预警,也应该是优先考虑的工作。因此,如何利用车辆上传的发动机相关数据,实现对发动机状态的远程诊断和预警,是一项具有实际意义的工作。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种车辆发动机故障预警方法、装置、设备及介质,以解决上述技术问题中的至少一个。
本发明提供的一种车辆发动机故障预警方法,所述方法包括:
获取训练数据,所述训练数据包括第一时间段内的发动机状态类型以及第一时间段内的发动机相关信号的信号数据;
利用所述训练数据对初始隐马尔可夫模型进行训练,得到训练好的隐马尔可夫模型,所述隐马尔可夫模型以所述发动机相关信号的信号数据作为输入,以所述发动机状态类型作为输出;
获取预测数据,所述预测数据包括当前时刻以及当前时刻往前一段时间的发动机相关信号的信号数据,并将所述预测数据输入至训练好的隐马尔可夫模型中,得到隐马尔可夫模型输出的预测发动机状态类型,所述预测发动机状态类型包括当前时刻的发动机状态类型以及当前时刻往后一段时间的发动机状态类型。
于本发明一实施例中,在预测出发动机状态类型后,所述方法还包括:
设置预设条件,判断所述预测发动机状态类型是否满足预设条件;
当所述预测发动机状态类型满足预设条件时,生成预警提示以及对应所述预测发动机状态类型的故障码。
于本发明一实施例中,所述发动机相关信号包括以下至少之一:发动机转速、发动机冷却液温度、发动机扭矩、环境温度、变速器档位、离合器状态、加速踏板位置、制动开关信号。
于本发明一实施例中,所述获取训练数据,包括:
收集车辆发动机在第一时间段内的发动机状态类型,以及从数据仓库获取对应车辆在第一时间段内发动机相关信号的信号数据;
将发动机在第一时间段内的发动机状态类型和在第一时间段内发动机相关信号的信号数据转换为可观测状态的样本数据;
对所述样本数据进行抽样,得到训练数据。
于本发明一实施例中,在将训练数据输入至隐马尔可夫模型前,所述方法还包括:
将所述训练数据进行格式转换,得到符合隐马尔可夫模型的输入数据格式的训练数据。
于本发明一实施例中,在对样本数据进行抽取时,按照设定时间长度对样本数据进行抽取,并对抽取的数据进行分段离散化处理。
于本发明一实施例中,在对所述隐马尔可夫模型进行训练时,当隐马尔可夫模型的预测准确率达到预设条件时,停止训练。
本发明提供的一种车辆发动机故障预警装置,所述装置包括:
数据获取模块,用于获取训练数据,所述训练数据包括第一时间段内的发动机状态类型以及第一时间段内的发动机相关信号的信号数据;
训练模块,用于利用所述训练数据对初始隐马尔可夫模型进行训练,得到训练好的隐马尔可夫模型,所述隐马尔可夫模型以所述发动机相关信号的信号数据作为输入,以所述发动机状态类型作为输出;
预测模块,用于获取预测数据,所述预测数据包括当前时刻以及当前时刻往前一段时间的发动机相关信号的信号数据,并将所述预测数据输入至训练好的隐马尔可夫模型中,得到隐马尔可夫模型输出的预测发动机状态类型,所述预测发动机状态类型包括当前时刻的发动机状态类型以及当前时刻往后一段时间的发动机状态类型。
本发明提供的一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述的车辆发动机故障预警方法的步骤。
本发明提供的一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行上述车辆发动机故障预警方法的步骤。
本发明的有益效果:本发明中的一种车辆发动机故障预警方法,包括:获取训练数据,所述训练数据包括第一时间段内的发动机状态类型以及第一时间段内的发动机相关信号的信号数据;利用所述训练数据对初始隐马尔可夫模型进行训练,得到训练好的隐马尔可夫模型,所述隐马尔可夫模型以所述发动机相关信号的信号数据作为输入,以所述发动机状态类型作为输出;获取预测数据,所述预测数据包括当前时刻以及当前时刻往前一段时间的发动机相关信号的信号数据,并将所述预测数据输入至训练好的隐马尔可夫模型中,得到隐马尔可夫模型输出的预测发动机状态类型,所述预测发动机状态类型包括当前时刻的发动机状态类型以及当前时刻往后一段时间的发动机状态类型。本发明的车辆发动机故障预警方法实现了对发动机的可能状态类型的预测预警,有利于行驶中的车辆提前规避因发动机导致的可能风险。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,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。在附图中:
图1是本申请的一示例性实施例示出的车辆发动机故障预警方法的实施环境示意图;
图2是本申请的一示例性实施例示出的车辆发动机故障预警方法的流程图;
图3为本申请一示例性实施例中获取训练数据的流程图;
图4是本申请的一示例性实施例示出的车辆发动机故障预警装置的框图;
图5示出了适于用来实现本申请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
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
图1是本申请一种示例性车辆发动机故障预警方法实施环境的示意图。请参阅图1,该实施环境中包括终端设备101和服务器102,终端设备101和服务器102之间通过有线或者无线网络进行通信。终端设备获取训练数据,所述训练数据包括第一时间段内的发动机状态类型以及第一时间段内的发动机相关信号的信号数据;利用所述训练数据对初始隐马尔可夫模型进行训练,得到训练好的隐马尔可夫模型,所述隐马尔可夫模型以所述发动机相关信号的信号数据作为输入,以所述发动机状态类型作为输出;获取预测数据,所述预测数据包括当前时刻以及当前时刻往前一段时间的发动机相关信号的信号数据,并将所述预测数据输入至训练好的隐马尔可夫模型中,得到隐马尔可夫模型输出的预测发动机状态类型,所述预测发动机状态类型包括当前时刻的发动机状态类型以及当前时刻往后一段时间的发动机状态类型。本发明的车辆发动机故障预警方法实现了对发动机的可能状态类型的预测预警,有利于行驶中的车辆提前规避因发动机导致的可能风险。
应该理解,图1中的终端设备101和服务器102的数目仅仅是示意性的。根据实际需要,可以具有任意数目的终端设备101和服务器102。
其中,终端设备101对应客户端,其可以是任意具有用户输入接口的电子设备,包括但不限于智能手机、平板、笔记本电脑、计算机、车载电脑等等,其中,用户输入接口包括但不限于触摸屏、键盘、物理按键、音频拾取装置等。
其中,服务器102对应服务端,其可以是提供各种服务的服务器,其可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器,本处不对此进行限制。
终端设备101可以通过3G(第三代的移动信息技术)、4G(第四代的移动信息技术)、5G(第五代的移动信息技术)等无线网络与服务端102进行通信,本处也不对此进行限制。
为了解决现有技术的问题,本申请的实施例分提出一种车辆发动机故障预警方法、一种车辆发动机故障预警装置、一种电子设备、一种计算机可读存储介质,以下将对这些实施例进行详细描述。
请参阅图2,图2是本申请的一示例性实施例示出的车辆发动机故障预警方法的流程图。该方法可以应用于图1所示的实施环境,并由该实施环境中的终端设备101具体执行。应理解的是,该方法也可以适用于其它的示例性实施环境,并由其它实施环境中的设备具体执行,本实施例不对该方法所适用的实施环境进行限制。
请参阅图2,图2为本申请一示例性的一种车辆发动机故障预警方法的流程图,该车辆发动机故障预警方法至少包括步骤S210至步骤S230,详细介绍如下:
步骤S210,获取训练数据,所述训练数据包括第一时间段内的发动机状态类型以及第一时间段内的发动机相关信号的信号数据;
步骤S220,利用所述训练数据对初始隐马尔可夫模型进行训练,得到训练好的隐马尔可夫模型,所述隐马尔可夫模型以所述发动机相关信号的信号数据作为输入,以所述发动机状态类型作为输出;
步骤S230,获取预测数据,所述预测数据包括当前时刻以及当前时刻往前一段时间的发动机相关信号的信号数据,并将所述预测数据输入至训练好的隐马尔可夫模型中,得到隐马尔可夫模型输出的预测发动机状态类型,所述预测发动机状态类型包括当前时刻的发动机状态类型以及当前时刻往后一段时间的发动机状态类型。
本发明的车辆发动机故障预警方法实现了对发动机的可能状态类型的预测预警,有利于行驶中的车辆提前规避因发动机导致的可能风险。
以下对各个步骤进行详细说明。
在步骤S210中,获取训练数据,所述训练数据包括第一时间段内的发动机状态类型以及第一时间段内的发动机相关信号的信号数据。
收集车辆发动机相关的历史诊断数据,以及从数据仓库获取对应车辆对应时间段的发动机相关信号的信号数据。需要说明的是,发动机相关信号的信号数据可以通过车辆中的各类传感器进行采集。
针对同一车型,可收集车辆发动机相关的历史诊断数据,在这些数据中,包含有车辆vin码、发动机状态类型、故障码、事件时间(event_time)等,获取到相关诊断历史诊断数据后,可以通过vin码和事件时间,在数仓中获取诊断数据事件时间向过去一段时间段(比如60秒)内的发动机相关信号的信号数据。
除了以上数据外,还需要从数仓中随机抽取适量的发动机处于正常运行状态的相关数据。
在一实施例中,所述发动机相关信号包括以下至少之一:发动机转速、发动机冷却液温度、发动机扭矩、环境温度、变速器档位、离合器状态、加速踏板位置、制动开关信号。
在一实施例中,图3为本申请一示例性实施例中获取训练数据的流程图,如图3所示,所述获取训练数据,包括:
S310收集车辆发动机在第一时间段内的发动机状态类型,以及从数据仓库获取对应车辆在第一时间段内发动机相关信号的信号数据;
S320将发动机在第一时间段内的发动机状态类型和在第一时间段内发动机相关信号的信号数据转换为可观测状态的样本数据;
由于训练数据是用于训练隐马尔可夫模型的,因此,需要将样本数据的格式转换为符合隐马尔可夫模型的输入数据的格式的可观测状态数据。
S330对所述样本数据进行抽样,得到训练数据。
训练数据是用于训练模型的,而为了避免计算量过大以及模型过拟合的情况,可以按照指定的时间长度对采集的数据进行分段处理,然后对上述取值连续数值的发动机相关信号的信号数据进行分段离散化处理,得到样本数据,然后对样本数据进行抽样,得到训练集和测试集,训练集中的数据用于训练模型,而测试集数据用于训练模型,训练集和测试集结合起来对模型进行训练,从而得到满足条件的模型。
例如,在按照指定的时间长度进行分段处理时,可以每一秒钟只保留一组观测数据。该时间长度可根据测试准确率进行相应调整。
还例如,在对连续数值的发动机相关信号的信号数据进行分段离散化处理时。对发动机冷却液温度取值范围-50℃至140℃,可每隔10℃划分为一级,-50℃~-40℃为1级,-40℃~-30℃为2级,以此类推,总共划分为19级。
在一实施例中,在对隐马尔可夫模型训练时,当隐马尔可夫模型的预测准确率达到预设条件时,停止训练,从而得到最终的隐马尔可夫模型。
针对步骤S210中收集的训练数据,以各发动机类故障状态以及发动机正常状态作为隐状态,统一标识为发动机状态。为了后续诊断预警时给出可参考的故障码,需维护发动机状态类型和可能故障码的对应关系表。
在步骤S220中,利用所述训练数据对初始隐马尔可夫模型进行训练,得到训练好的隐马尔可夫模型,所述隐马尔可夫模型以所述发动机相关信号的信号数据作为输入,以所述发动机状态类型作为输出。
由于发动机状态类型包括了多个类型,每一种类型对应的数据是不一样的,因此可以设置多个初始隐马尔可夫模型,每一个隐马尔可夫模型对应一种发动机状态类型。所以基于训练数据的不同类型构建发动机对应状态类型的隐马尔可夫模型。
隐马尔可夫模型(Hidden Markov Model,HMM)用来描述一个含有隐含未知参数的马尔可夫过程,可以用五个元素来描述,包括2个状态集合和3个概率矩阵:隐含状态S、可观测状态O、初始状态概率矩阵π、隐含状态到隐含状态的概率转移矩阵A、隐含状态到观测状态的概率发射矩阵B。通常用λ=(π,A,B)三元组来表示一个隐马尔可夫模型。
该模型涉及三类基本问题:
1)评估问题:在给定模型λ=(π,A,B)和观测序列O的情况下,求λ=(π,A,B)下观测序列O出现的概率P(O|λ)。通常使用前向算法解决。
2)解码问题:已知模型λ=(π,A,B)和观测序列O,求使条件概率P(S|O)最大的隐含状态S,即给定观测序列,求最有可能的隐含状态序列。通常使用Viterbi算法解决。
3)学习问题:在观测序列O已知情况下,求模型λ=(π,A,B)参数,使得在该模型下观测序列概率P(O|λ)最大。通常使用Baum-Welch算法解决。
在本发明中,隐含状态S为发动机状态,可观测状态O为选取的与发动机相关的信号。
在利用训练集对隐马尔可夫模型进行训练时,可以在训练后的隐马尔可夫模型对测试集的预测准确率达到预设条件时,确定历史发动机状态类型对应的隐马尔可夫模型的模型参数。
训练就是利用训练集数据,通过步骤S220中的学习过程,实现求解模型λ=(π,A,B)的参数。为了使模型的预测准确率达到需求,可采取交叉训练的方式。
在步骤S230中,获取预测数据,所述预测数据包括当前时刻以及当前时刻往前一段时间的发动机相关信号的信号数据,并将所述预测数据输入至训练好的隐马尔可夫模型中,得到隐马尔可夫模型输出的预测发动机状态类型,所述预测发动机状态类型包括当前时刻的发动机状态类型以及当前时刻往后一段时间的发动机状态类型。
需要说明的是,获取发动机相关信号的当前数据,以及当前时间往前一段时间的数据,处理为符合隐马尔可夫模型输入格式的输入参数。
同时需要将获取到的发动机相关信号数据进行按照指定的时间长度进行分段处理,以及对连续数值进行分段离散化处理。
根据观测序列求解当前的隐含状态概率(当前时刻的发动机状态类型)分布,这是一个过滤问题,即已知1到t时刻的观测序列{o1,o2,…,ot},求解t时刻为各隐含状态的概率P(St|O1,O2,…,Ot)。在本实施例中,该过滤问题通过前向算法解决。
根据观测序列求解下一时刻的隐含状态概率(当前时刻往后一段时间的发动机状态类型)分布,这是一个预测问题,即已知1到t时刻的观测序列{o1,o2,…,ot},求解t+1时刻为各隐含状态的概率P(St+1|O1,O2,…,Ot)。在本实施例中,该预测问题通过前向算法解决。
隐马尔可夫模型输出的是一个概率值,一般情况下,将概率最大值对应的状态认为是诊断状态或预测状态。但根据实际情况的不同,在计算所得概率的基础上设定相应规则,来判定当前发动机状态类型或者当前时刻往后一段时间的发动机状态类型。
在一实施例中,所述方法还包括:设置预设条件,判断所述预测发动机状态类型是否满足预设条件;当所述预测发动机状态类型满足预设条件时,生成预警提示以及对应所述预测发动机状态类型的故障码。
图4是本申请的一示例性实施例示出的车辆发动机故障预警装置的框图。该装置可以应用于图1所示的实施环境,并具体配置在终端设备中。该装置也可以适用于其它的示例性实施环境,并具体配置在其它设备中,本实施例不对该装置所适用的实施环境进行限制。
如图4所示,本申请提供一种车辆发动机故障预警装置,该装置包括:
数据获取模块410,用于获取训练数据,所述训练数据包括第一时间段内的发动机状态类型以及第一时间段内的发动机相关信号的信号数据;
训练模块420,用于利用所述训练数据对初始隐马尔可夫模型进行训练,得到训练好的隐马尔可夫模型,所述隐马尔可夫模型以所述发动机相关信号的信号数据作为输入,以所述发动机状态类型作为输出;
预测模块430,用于获取预测数据,所述预测数据包括当前时刻以及当前时刻往前一段时间的发动机相关信号的信号数据,并将所述预测数据输入至训练好的隐马尔可夫模型中,得到隐马尔可夫模型输出的预测发动机状态类型,所述预测发动机状态类型包括当前时刻的发动机状态类型以及当前时刻往后一段时间的发动机状态类型。
需要说明的是,上述实施例所提供的车辆发动机故障预警装置与上述实施例所提供的车辆发动机故障预警方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。上述实施例所提供的车辆发动机故障预警装置在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能,本处也不对此进行限制。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述各个实施例中提供的车辆发动机故障预警方法。
图5示出了适于用来实现本申请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5示出的电子设备的计算机系统仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统包括中央处理单元(Central Processing Unit,CPU),其可以根据存储在只读存储器(Read-Only Memory,ROM)中的程序或者从储存部分加载到随机访问存储器(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM中,还存储有系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(Input/Output,I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分;包括硬盘等的储存部分;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,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上,以便于从其上读出的计算机程序根据需要被安装入储存部分。
特别地,根据本申请的实施例,上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,本申请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计算机程序。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。其中,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。
描述于本申请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。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机的处理器执行时,使计算机执行如前所述的车辆发动机故障预警方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的车辆发动机故障预警方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种车辆发动机故障预警方法,其特征在于,所述方法包括:
获取训练数据,所述训练数据包括第一时间段内的发动机状态类型以及第一时间段内的发动机相关信号的信号数据;
利用所述训练数据对初始隐马尔可夫模型进行训练,得到训练好的隐马尔可夫模型,所述隐马尔可夫模型以所述发动机相关信号的信号数据作为输入,以所述发动机状态类型作为输出;
获取预测数据,所述预测数据包括当前时刻以及当前时刻往前一段时间的发动机相关信号的信号数据,并将所述预测数据输入至训练好的隐马尔可夫模型中,得到隐马尔可夫模型输出的预测发动机状态类型,所述预测发动机状态类型包括当前时刻的发动机状态类型以及当前时刻往后一段时间的发动机状态类型。
2.根据权利要求1所述的车辆发动机故障预警方法,其特征在于,在预测出发动机状态类型后,所述方法还包括:
设置预设条件,判断所述预测发动机状态类型是否满足预设条件;
当所述预测发动机状态类型满足预设条件时,生成预警提示以及对应所述预测发动机状态类型的故障码。
3.根据权利要求1所述的车辆发动机故障预警方法,其特征在于,所述发动机相关信号包括以下至少之一:发动机转速、发动机冷却液温度、发动机扭矩、环境温度、变速器档位、离合器状态、加速踏板位置、制动开关信号。
4.根据权利要求1所述的车辆发动机故障预警方法,其特征在于,所述获取训练数据,包括:
收集车辆发动机在第一时间段内的发动机状态类型,以及从数据仓库获取对应车辆在第一时间段内发动机相关信号的信号数据;
将发动机在第一时间段内的发动机状态类型和在第一时间段内发动机相关信号的信号数据转换为可观测状态的样本数据;
对所述样本数据进行抽样,得到训练数据。
5.根据权利要求4所述的车辆发动机故障预警方法,其特征在于,在对样本数据进行抽取时,按照设定时间长度对样本数据进行抽取,并对抽取的数据进行分段离散化处理。
6.根据权利要求1所述的车辆发动机故障预警方法,其特征在于,在对所述隐马尔可夫模型进行训练时,当隐马尔可夫模型的预测准确率达到预设条件时,停止训练。
7.一种车辆发动机故障预警装置,其特征在于,所述装置包括:
数据获取模块,用于获取训练数据,所述训练数据包括第一时间段内的发动机状态类型以及第一时间段内的发动机相关信号的信号数据;
训练模块,用于利用所述训练数据对初始隐马尔可夫模型进行训练,得到训练好的隐马尔可夫模型,所述隐马尔可夫模型以所述发动机相关信号的信号数据作为输入,以所述发动机状态类型作为输出;
预测模块,用于获取预测数据,所述预测数据包括当前时刻以及当前时刻往前一段时间的发动机相关信号的信号数据,并将所述预测数据输入至训练好的隐马尔可夫模型中,得到隐马尔可夫模型输出的预测发动机状态类型,所述预测发动机状态类型包括当前时刻的发动机状态类型以及当前时刻往后一段时间的发动机状态类型。
8.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至6中任一项所述的车辆发动机故障预警方法的步骤。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行权利要求1至6中任一项所述的车辆发动机故障预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211129330.1A CN115718862A (zh) | 2022-09-16 | 2022-09-16 | 车辆发动机故障预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211129330.1A CN115718862A (zh) | 2022-09-16 | 2022-09-16 | 车辆发动机故障预警方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115718862A true CN115718862A (zh) | 2023-02-28 |
Family
ID=85254065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211129330.1A Pending CN115718862A (zh) | 2022-09-16 | 2022-09-16 | 车辆发动机故障预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115718862A (zh) |
-
2022
- 2022-09-16 CN CN202211129330.1A patent/CN115718862A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560253B (zh) | 驾驶场景的重构方法、装置、设备及存储介质 | |
CN112509173B (zh) | 一种车辆监控方法、装置、设备及存储介质 | |
CN113886181B (zh) | 应用于AIOps故障预警的动态阈值预测方法、设备及介质 | |
CN116186270A (zh) | 一种车辆故障原因诊断方法、装置、设备及存储介质 | |
CN111582589A (zh) | 一种租车出险预测方法、装置、设备及存储介质 | |
de Hoog et al. | Online reverse engineering of CAN data | |
CN111965383B (zh) | 车速信息生成方法、装置、电子设备和计算可读介质 | |
CN115718862A (zh) | 车辆发动机故障预警方法、装置、设备及介质 | |
CN115700548A (zh) | 用户行为预测的方法、设备和计算机程序产品 | |
CN115730004A (zh) | 一种汽车行驶工况曲线构建方法、装置、设备及存储介质 | |
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 | |
CN115563734A (zh) | 故障容错时间间隔计算方法及装置、电子设备、存储介质 | |
CN116383766A (zh) | 基于多模态数据的辅诊方法、装置、设备及存储介质 | |
CN111798591A (zh) | 车辆总里程数的确定方法、装置、计算机设备和存储介质 | |
CN110533203A (zh) | 驾驶行为的处理方法、装置、设备及介质 | |
CN115689005A (zh) | 基于实际道路阻力劣化系数的续驶里程预测方法、装置、设备及介质 | |
CN115509785A (zh) | 一种自动驾驶评估报告的生成方法、装置、设备及介质 | |
CN116880442B (zh) | 故障诊断方法、装置、电子设备及存储介质 | |
CN118245341A (zh) | 业务模型的切换方法、装置、电子设备和计算机可读介质 | |
CN111338318B (zh) | 用于检测异常的方法和装置 | |
CN117253286B (zh) | 人体动作预测方法及相关产品 | |
CN115563184A (zh) | 一种自动驾驶应用数据的处理方法、装置、设备及介质 | |
CN116609081A (zh) | 电驱动桥车端和云端诊断的方法、装置、设备和存储介质 | |
CN116055485A (zh) | 整车健康管理方法、装置、设备及介质 | |
CN116302832A (zh) | 一种座舱软件监测方法、装置、设备及存储介质 |
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 |