CN116128133A - 车辆故障的预测方法、装置、计算机设备和存储介质 - Google Patents
车辆故障的预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116128133A CN116128133A CN202310079715.XA CN202310079715A CN116128133A CN 116128133 A CN116128133 A CN 116128133A CN 202310079715 A CN202310079715 A CN 202310079715A CN 116128133 A CN116128133 A CN 116128133A
- Authority
- CN
- China
- Prior art keywords
- prediction
- fault
- data
- type
- probability
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本申请涉及一种车辆故障的预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取目标车辆的行驶数据;通过故障预测模型对行驶数据进行故障预测,得到预测类型和对应的预测概率;在预测类型和预测概率达到维修条件的情况下,获取目标车辆对应的故障维修知识图谱;依据故障维修知识图谱确定预测类型的维修建议信息。采用本方法能够提高故障预测的准确度。
Description
技术领域
本申请涉及车辆检测技术领域,特别是涉及一种车辆故障的预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
车辆是一种结构复杂的机械产品,包括发动机、底盘、车身和电器设备四大部分,车辆涉及传动系统、行驶系统、转向系统、控制系统、制动系统、操纵系统和燃料供给系统等组成,导致难以实现车辆的故障预测。
相关技术中,通过车辆复杂的机械机构和故障产生机理,结合物理与数据等方法建立故障预测模型,需要在理想状态下进行故障预测,导致实际使用时,故障预测的准确度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种车辆故障的预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,能够提高故障预测的准确度。
第一方面,本申请提供了一种车辆故障的预测方法。所述方法包括:
获取目标车辆的行驶数据;
通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率;
在所述预测类型和所述预测概率达到维修条件的情况下,获取所述目标车辆对应的故障维修知识图谱;
依据所述故障维修知识图谱确定所述预测类型的维修建议信息。
在其中一个实施例中,所述通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率,包括:
对所述行驶数据进行数据清洗,得到待处理数据;
按照预设驾驶时长对所述待处理数据进行分割,得到各待处理数据段;
通过故障预测模型对各所述待处理数据段进行故障预测,得到预测类型和对应的预测概率。
在其中一个实施例中,所述通过故障预测模型对各所述待处理数据段进行故障预测,得到预测类型和对应的预测概率,包括:
将各所述待处理数据段输入至所述故障预测模型,得到各所述待处理数据段各自属于各预设类型的候选概率;所述各预设类型包括:无故障类型、发动机故障类型、变速故障类型、离合器故障类型和轮胎故障类型;
基于各所述待处理数据段各自属于各预设类型的候选概率,确定各所述数据段各自对应的目标类型和目标概率;
将满足故障条件的所述目标概率作为预测概率,将所述预测概率对应的目标类型作为预测类型。
在其中一个实施例中,所述方法还包括:
获取历史行驶数据,依据所述历史行驶数据确定行驶数据样本,以及所述行驶数据样本对应的类型标签;
通过所述行驶数据样本和对应的所述类型标签,调整训练前的故障预测模型的参数,直至所述训练前的故障预测模型收敛,得到所述故障预测模型。
在其中一个实施例中,所述依据所述历史行驶数据确定行驶数据样本,包括:
对所述历史行驶数据进行数据清洗,得到清洗后历史行驶数据;
按照预设驾驶时长对所述清洗后历史行驶数据进行分割,得到各行驶数据样本。
在其中一个实施例中,所述方法还包括:
获取所述目标车辆对应的维修数据;
对所述维修数据进行实体抽取、关系抽取和属性抽取,得到实体信息、关系信息和属性信息;
基于所述实体信息、所述关系信息和所述属性信息构建所述目标车辆对应的故障维修知识图谱。
第二方面,本申请还提供了一种车辆故障的预测装置。所述装置包括:
行驶数据获取模块,用于获取目标车辆的行驶数据;
预测类型和预测概率确定模块,用于通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率;
故障维修知识图谱获取模块,用于在所述预测类型和所述预测概率达到维修条件的情况下,获取所述目标车辆对应的故障维修知识图谱;
维修建议信息确定模块,用于依据所述故障维修知识图谱确定所述预测类型的维修建议信息。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标车辆的行驶数据;
通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率;
在所述预测类型和所述预测概率达到维修条件的情况下,获取所述目标车辆对应的故障维修知识图谱;
依据所述故障维修知识图谱确定所述预测类型的维修建议信息。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标车辆的行驶数据;
通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率;
在所述预测类型和所述预测概率达到维修条件的情况下,获取所述目标车辆对应的故障维修知识图谱;
依据所述故障维修知识图谱确定所述预测类型的维修建议信息。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标车辆的行驶数据;
通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率;
在所述预测类型和所述预测概率达到维修条件的情况下,获取所述目标车辆对应的故障维修知识图谱;
依据所述故障维修知识图谱确定所述预测类型的维修建议信息。
上述车辆故障的预测方法,通过故障预测模型对目标车辆的行驶数据进行故障预测,得到预测类型和对应的预测概率,在预测概率达到维修条件的情况下,获取目标车辆的故障维修知识图谱,依据故障维修知识图谱确定预测类型的维修建议信息;通过故障预测模型对行驶数据进行故障预测,故障预测模型是通过深度学习训练得到的,行驶数据是目标车辆的实际行驶数据,进而提高了预测类型的准确度,减少了车辆驾驶风险,提高了车辆的安全性;此外,还结合故障维修知识图谱,为驾驶人员提供了可参考的维修建议信息,丰富了驾驶人员获取维修建议信息的途径。
附图说明
图1为一个实施例中车辆故障的预测方法的应用环境图;
图2为一个实施例中车辆故障的预测方法的流程示意图;
图3为一个实施例中故障预测模型训练的流程示意图;
图4为另一个实施例中车辆故障的预测方法的流程示意图;
图5为一个实施例中车辆故障的预测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的车辆故障的预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
终端102从服务器104获取目标车辆的行驶数据,通过故障预测模型对行驶数据进行故障预测,得到故障类型和对应的预测概率;在预测概率达到维修条件的情况下,终端102从服务器104获取目标车辆对应的故障维修知识图谱,终端102依据故障维修知识图谱确定故障类型和预测概率的维修建议信息。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种车辆故障的预测方法,该方法可以通过终端或服务器单独执行,也可以通过终端和服务器协同执行,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取目标车辆的行驶数据。
其中,目标车辆可以是但不限于:采用常规的车用燃料(比如汽油和柴油)作为动力来源的汽车和新能源汽车。
其中,行驶数据包括但不限于:胎压、冷却液温度、进气压力、油压、油温、发动机转速和油门踏板开度。
在一些实施例中,终端可以从服务器获取目标车辆的行驶数据。示例性地,车载设备实时获取目标车辆的行驶数据,并将目标车辆的行驶数据同步至服务器,终端每间隔故障预测时长,获取该故障预测时长内的行驶数据,用于进行故障预测。
在一些实施例中,终端可以是车载设备,车载设备实时获取目标车辆的行驶数据,每间隔故障预测时长,获取该故障预测时长内的行驶数据,用于进行故障预测。
需要说明的是故障预测时长可以是目标车辆出厂时设定的,也可以根据驾驶人员的需求设定,示例性地,故障预测时长可以为3天;本申请实施例对故障预测时长的具体数值不进行限定。
步骤204,通过故障预测模型对行驶数据进行故障预测,得到预测类型和对应的预测概率。
其中,故障预测模型是通过深度学习训练得到的,用于进行故障预测的模型。预测类型用于反映目标车辆可能出现故障的部位,以及可能不存在故障,在实际应用中,预测类型包括但不限于:无故障类型、发动机故障类型、变速故障类型、离合器故障类型和轮胎故障类型;预测概率用于反映目标车辆属于预测类型的故障的概率,预测概率为0到1之间的数值。
在一些实施例中,终端对行驶数据进行预处理,得到待处理数据,通过故障预测模型对待处理数据进行故障预测,得到预测类型和对应的预测概率。
示例性地,通过故障预测模型对待处理数据进行故障预测,得到预测类型为发动故障类型,且发动机故障类型对应的预测概率为80%,表示故障预测模型预测目标车辆的发动机出现故障的概率为80%。
在一些实施例中,对行驶数据进行预处理得到待处理数据,可以是对行驶数据进行清洗,以剔除行驶数据中的异常数据和空值数据,得到待处理数据。
在一些实施例中,对行驶数据进行预处理得到待处理数据,还可以是对行驶数据进行清洗得到待处理数据后,获取待处理数据中的起步数据、制动数据和普通数据,按照预设权重集对起步数据、制动数据和普通数据进行处理,以增强起步数据、制动数据或普通数据中的至多两个;其中,起步数据可以是车辆起步阶段产生的数据、制动数据可以是车辆制动阶段产生的数据,普通数据指的是非起步阶段和制动阶段产生的数据;按照预设权重集对起步数据、制动数据和普通数据进行处理,可以突出针对起步阶段、制动阶段、或非起步阶段和制动阶段进行故障预测。
步骤S206,在预测类型和预测概率达到维修条件的情况下,获取目标车辆对应的故障维修知识图谱。
其中,维修条件包括:预测类型不属于无故障类型,并且预测概率大于或等于维修概率阈值。知识图谱是一种结构化的语义知识库,用于描述物理世界中的概念及其相互关系,实现快速响应和推理,故障维修知识图谱,是故障维修应用领域的知识图谱。
目标车辆对应的故障维修知识图谱,可以是目标车辆所属车型的知识图谱,即同一车型的车辆可以使用同一故障维修知识图谱;目标车辆所属车型,是车辆产商推出的同一系列的车型,比如A1系列的车型使用同一故障维修知识图谱,A2系列的车型使用同一故障维修知识图谱;也可以是按照使用场景划分的车型,比如,轿车车型使用同一故障维修知识图谱、货车车型使用同一故障维修知识图谱。
在一些实施例中,当预测概率大于或等于维修条件的情况下,表示驾驶人员可能有查看维修建议信息的需要,进而获取目标车辆对应的故障维修知识图谱。
步骤S208,依据故障维修知识图谱确定预测类型的维修建议信息。
其中,维修建议信息包括但不限于:图文信息和视频信息,用于展示预测类型对应的故障部位,依据针对预测类型的维修建议。
在一些实施例中,终端通过目标车辆的预测类型,在目标车辆对应的故障维修知识图谱中,确定维修建议信息。
在一些实施例中,在确定维修建议信息后,在终端上显示该维修建议信息,还可以展示预测类型对应的预测概率。比如,在预测类型为发动机故障类型是,依据维修建议信息,展示发动机的图像、针对发动机故障的维修建议文本、以及预测发动机故障类型的预测概率为80%。
上述车辆故障的预测方法,通过故障预测模型对目标车辆的行驶数据进行故障预测,得到预测类型和对应的预测概率,在预测概率达到维修条件的情况下,获取目标车辆的故障维修知识图谱,依据故障维修知识图谱确定预测类型的维修建议信息;通过故障预测模型对行驶数据进行故障预测,故障预测模型是通过深度学习训练得到的,行驶数据是目标车辆的实际行驶数据,进而提高了预测类型的准确度,减少了车辆驾驶风险,提高了车辆的安全性;此外,还结合故障维修知识图谱,为驾驶人员提供了可参考的维修建议信息,丰富了驾驶人员获取维修建议信息的途径。
在一些实施例中,通过故障预测模型对行驶数据进行故障预测,得到预测类型和对应的预测概率,包括:对行驶数据进行数据清洗,得到待处理数据;按照预设驾驶时长对待处理数据进行分割,得到各待处理数据段;通过故障预测模型对各待处理数据段进行故障预测,得到预测类型和对应的预测概率。
其中,预设驾驶时长可以根据实际需求设定,本申请实施例对预设驾驶时长的具体数值不进行限定。各待处理数据段的时长均为预设驾驶时长;待处理数据段中的数据按照从时间上早到晚的顺序排列。
在一些实施例中,终端对行驶数据进行数据清洗,将行驶数据中的空值与异常值剔除,得到待处理数据,将待处理数据分割为各时长为预设驾驶时长的待处理数据段,将各待处理数据段输入至故障预测模型,通过故障预测模型确定预测概率。
在一些实施例中,将待处理数据分割为各时长为预设驾驶时长的待处理数据段时,在待处理数据的时长不是预设驾驶时长的整数倍,导致无法完全分割的情况下,可以剔除不足以构成待处理数据段的部分待处理数据。
在上述实施例中,对行驶数据进行数据清洗,得到待处理数据,避免行驶数据中的异常值和空值影响预测概率,提升了待处理数据的质量,进而提高了故障预测的准确度。
在一些实施例中,通过故障预测模型对各待处理数据段进行故障预测,得到预测类型和对应的预测概率,包括:将各待处理数据段输入至故障预测模型,得到各待处理数据段各自属于各预设类型的候选概率;各预设类型包括:无故障类型、发动机故障类型、变速故障类型、离合器故障类型和轮胎故障类型;基于各待处理数据段各自属于各预设类型的候选概率,确定所述目标车辆对应各所述预设类型的目标概率;将满足故障条件的目标概率作为预测概率,将预测概率对应的目标类型作为预测类型。
其中,各待处理数据段各自属于各预设类型的候选概率,包括每个待处理数据段属于各预设类型的候选概率。比如,各待处理数据段分别为d1,d2和d3,各待处理数据段各自属于各预设类型的候选概率,包括:d1属于无故障类型的概率、d1属于发动机故障类型的概率、d1属于变速故障类型的概率、d1属于离合器故障类型的概率、d1属于轮胎故障类型的概率;d2属于无故障类型的概率、d2属于发动机故障类型的概率、d2属于变速故障类型的概率、d2属于离合器故障类型的概率、d2属于轮胎故障类型的概率;d3属于无故障类型的概率、d3属于发动机故障类型的概率、d3属于变速故障类型的概率、d3属于离合器故障类型的概率、d3属于轮胎故障类型的概率。
其中,故障条件可以是,目标概率大于或等于预设概率阈值。
在一些实施例中,对于每个待处理数据段,终端将该待处理数据段输入至故障预测模型,得到该待处理数据段属于各预设类型的候选概率,对于每个预设类型,终端确定各待处理数据段分别属于该预设类型的候选概率,得到目标车辆对应该预设类型的目标概率。
示例性地,各待处理数据段分别为d1,d2和d3,各待处理数据段各自属于各预设类型的候选概率,包括:d1属于发动机故障类型的概率f11、d1属于变速故障类型的概率f12、d1属于离合器故障类型的概率f13、d1属于轮胎故障类型的概率f14、d1属于无故障类型的概率为f15;d2属于发动机故障类型的概率f21、d2属于变速故障类型的概率f22、d2属于离合器故障类型的概率f23、d2属于轮胎故障类型的概率f24、d2属于无故障类型的概率为f25;d3属于发动机故障类型的概率f31、d3属于变速故障类型的概率f32、d3属于离合器故障类型的概率f33、d3属于轮胎故障类型的概率f34、d3属于无故障类型的概率为f35;将f11、f21和f31的平均值,作为目标车辆对应发动机故障类型的目标概率;将f12、f22和f32的平均值,作为目标车辆对应变速故障类型的目标概率;将f13、f23和f33的平均值,作为目标车辆对应离合器故障类型的目标概率;将f14、f24和f34的平均值,作为目标车辆对应轮胎故障类型的目标概率;将f15、f25和f35的平均值,作为目标车辆对应无故障类型的目标概率。
终端将大于或等于预设概率阈值的目标概率作为预测概率,将该预测概率对应的目标类型作为预测类型。需要说明的是,目标概率可以是一个,也可以是至少两个。在存在至少两个大于或等于预设概率阈值的目标概率时,得到至少两个预测概率,进而确定至少两个预测类型。
在上述实施例中,通过各待处理数据段各自属于各预设类型的候选概率,确定所述目标车辆对应各所述预设类型的目标概率,对行驶数据进行更细的划分,综合考虑每个待处理数据段属于各预设类型的候选概率,提升了预测概率和预测类型的准确度。
在一些实施例中,车辆故障的预测方法还包括:获取历史行驶数据,依据历史行驶数据确定行驶数据样本,以及行驶数据样本对应的类型标签;通过行驶数据样本和对应的类型标签,调整训练前的故障预测模型的参数,直至训练前的故障预测模型收敛,得到故障预测模型。
其中,历史行驶数据可以是目标车辆对应的历史行驶数据,也可以是,与目标车辆属于同一车型的车辆的历史行驶数据,在实际应用中,目标车辆,或与目标车辆属于同一车型的车辆,将行驶数据上传至服务器,终端从服务器获取历史行驶数据。
在一些实施例中,终端按照预设驾驶时长对历史行驶数据进行分割,得到各行驶数据样本,各行驶数据样本的样本均为预设驾驶时长,确定各预设驾驶时长各自对应的类型标签,类型标签包括:无故障标签、发动机故障标签、变速箱故障标签、离合器故障标签和轮胎故障标签。
将行驶数据样本输入至训练前的故障预测模型,得到训练概率向量,训练概率向量包括该行驶数据样本属于各预设类型的训练概率;通过训练概率向量和类型标签确定损失值,采用损失值调整训练前的故障预测模型的参数,经过多次迭代训练,直至训练前的故障预测模型收敛,得到所述故障预测模型。
在一些实施例中,终端按照预设驾驶时长对历史行驶数据进行分割,得到各行驶数据样本后,采用一部分行驶数据样本作为训练集,采用另一部分行驶数据样本作为测试集,通过训练集对训练前的故障预测模型进行训练,通过测试集对训练前的故障预测模型进行测试。
在实际应用中,训练前的故障预测模型可以是支持向量机模型(SVM),通过交叉验证方法对SVM的参数进行调整。
在一些实施例中,依据历史行驶数据确定行驶数据样本,包括:对历史行驶数据进行数据清洗,得到清洗后历史行驶数据;按照预设驾驶时长对清洗后历史行驶数据进行分割,得到各行驶数据样本。
在一些实施例中,对历史行驶数据进行数据清洗,可以是剔除历史行驶数据中的空白值和异常值,得到清洗后历史行驶数据,按照预设驾驶时长对清洗后历史行驶数据进行分割,得到各行驶数据样本。
在实际应用中,可以将完成训练的故障预测模型配置在目标车辆的车载终端上,通过配置有故障预测模型的车载终端进行故障预测。
在上述实施例中,采用目标车辆,或与目标车辆属于同一车型的车辆的实际历史行驶数据对训练前的故障预测模型收敛,使得训练后的故障预测模型适用于真实环境中目标车辆的故障预测,提升了故障预测的准确度。
在一些实施例中,如图3所示,车辆故障的预测方法还包括:
S301,获取目标车辆对应的维修数据;
S302,对维修数据进行实体抽取、关系抽取和属性抽取,得到实体信息、关系信息和属性信息;
S303,基于实体信息、关系信息和属性信息构建目标车辆对应的故障维修知识图谱。
在一些实施例中,终端获取目标车辆,或与目标车辆属于同一车型的车辆的维修手册和保养手册,通过维修手册和保养手册获取目标车辆对应的维修数据,针对维修数据的结构化、半结构化和非结构化的数据,进行实体抽取、关系抽取和属性抽取,得到实体信息、关系信息和属性信息,并针对实体信息、关系信息和属性信息进行语义关系和时空关系融合,通过实体链接、知识抽取、知识融合和加工,形成目标车辆对应的故障维修知识图谱,以完成对故障维修数据的统一描述,进而可以反馈故障维修的建议。
在实际应用中,可以目标车辆对应的故障维修知识图谱配置在目标车辆的车载终端上,在预测类型和预测概率达到维修条件的情况下,通过配置有故障维修知识图谱的车载终端输出预测类型对应的维修建议信息。
在一些实施例中,如图4所示,车辆故障的预测方法,包括:
S401,获取历史行驶数据,依据历史行驶数据确定行驶数据样本,以及行驶数据样本对应的类型标签;通过行驶数据样本和对应的类型标签,调整训练前的故障预测模型的参数,直至训练前的故障预测模型收敛,得到故障预测模型。获取目标车辆对应的维修数据;
S402,对维修数据进行实体抽取、关系抽取和属性抽取,得到实体信息、关系信息和属性信息;基于实体信息、关系信息和属性信息构建目标车辆对应的故障维修知识图谱;
S403,获取目标车辆的行驶数据;对行驶数据进行数据清洗,得到待处理数据;
S404,按照预设驾驶时长对待处理数据进行分割,得到各待处理数据段;
S405,将各待处理数据段输入至故障预测模型,得到各待处理数据段各自属于各预设类型的候选概率;各预设类型包括:无故障类型、发动机故障类型、变速故障类型、离合器故障类型和轮胎故障类型;
S406,基于各待处理数据段各自属于各预设类型的候选概率,确定各数据段各自对应的目标类型和目标概率;
S407,将满足故障条件的目标概率作为预测概率,将预测概率对应的目标类型作为预测类型;
S408,在预测类型和预测概率达到维修条件的情况下,获取目标车辆对应的故障维修知识图谱;
S409,依据故障维修知识图谱确定预测类型的维修建议信息。
上述车辆故障的预测方法,通过故障预测模型对目标车辆的行驶数据进行故障预测,得到预测类型和对应的预测概率,在预测概率达到维修条件的情况下,获取目标车辆的故障维修知识图谱,依据故障维修知识图谱确定预测类型的维修建议信息;通过故障预测模型对行驶数据进行故障预测,故障预测模型是通过深度学习训练得到的,行驶数据是目标车辆的实际行驶数据,进而提高了预测类型的准确度,减少了车辆驾驶风险,提高了车辆的安全性;此外,还结合故障维修知识图谱,为驾驶人员提供了可参考的维修建议信息,丰富了驾驶人员获取维修建议信息的途径。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的车辆故障的预测方法的车辆故障的预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个车辆故障的预测装置实施例中的具体限定可以参见上文中对于车辆故障的预测方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种车辆故障的预测装置,包括行驶数据获取模块501、预测类型和预测概率确定模块502和故障维修知识图谱获取模块503、和维修建议信息确定模块504,其中:
行驶数据获取模块501,用于获取目标车辆的行驶数据;
预测类型和预测概率确定模块502,用于通过故障预测模型对行驶数据进行故障预测,得到预测类型和对应的预测概率;
故障维修知识图谱获取模块503,用于在预测类型和预测概率达到维修条件的情况下,获取目标车辆对应的故障维修知识图谱;
维修建议信息确定模块504,用于依据故障维修知识图谱确定预测类型的维修建议信息。
在一些实施例中,预测类型和预测概率确定模块502包括:
待处理数据确定单元,用于对行驶数据进行数据清洗,得到待处理数据;
待处理数据段确定单元,用于按照预设驾驶时长对待处理数据进行分割,得到各待处理数据段;
预测类型和预测概率确定单元,用于通过故障预测模型对各待处理数据段进行故障预测,得到预测类型和对应的预测概率。
在一些实施例中,预测类型和预测概率确定单元,具体用于将各待处理数据段输入至故障预测模型,得到各待处理数据段各自属于各预设类型的候选概率;各预设类型包括:无故障类型、发动机故障类型、变速故障类型、离合器故障类型和轮胎故障类型;基于各待处理数据段各自属于各预设类型的候选概率,确定各数据段各自对应的目标类型和目标概率;将满足故障条件的目标概率作为预测概率,将预测概率对应的目标类型作为预测类型。
在一些实施例中,车辆故障的预测装置包括:
故障预测模型训练模块,用于获取历史行驶数据,依据历史行驶数据确定行驶数据样本,以及行驶数据样本对应的类型标签;通过行驶数据样本和对应的类型标签,调整训练前的故障预测模型的参数,直至训练前的故障预测模型收敛,得到故障预测模型。
在一些实施例中,故障预测模型训练模块,具体用于对历史行驶数据进行数据清洗,得到清洗后历史行驶数据;按照预设驾驶时长对清洗后历史行驶数据进行分割,得到各行驶数据样本。
在一些实施例中,车辆故障的预测装置包括:
故障维修知识图谱,用于获取目标车辆对应的维修数据;对维修数据进行实体抽取、关系抽取和属性抽取,得到实体信息、关系信息和属性信息;基于实体信息、关系信息和属性信息构建目标车辆对应的故障维修知识图谱。
上述车辆故障的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆故障的预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标车辆的行驶数据;
通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率;
在所述预测类型和所述预测概率达到维修条件的情况下,获取所述目标车辆对应的故障维修知识图谱;
依据所述故障维修知识图谱确定所述预测类型的维修建议信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标车辆的行驶数据;
通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率;
在所述预测类型和所述预测概率达到维修条件的情况下,获取所述目标车辆对应的故障维修知识图谱;
依据所述故障维修知识图谱确定所述预测类型的维修建议信息。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标车辆的行驶数据;
通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率;
在所述预测类型和所述预测概率达到维修条件的情况下,获取所述目标车辆对应的故障维修知识图谱;
依据所述故障维修知识图谱确定所述预测类型的维修建议信息。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆故障的预测方法,其特征在于,所述方法包括:
获取目标车辆的行驶数据;
通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率;
在所述预测类型和所述预测概率达到维修条件的情况下,获取所述目标车辆对应的故障维修知识图谱;
依据所述故障维修知识图谱确定所述预测类型的维修建议信息。
2.根据权利要求1所述的方法,其特征在于,所述通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率,包括:
对所述行驶数据进行数据清洗,得到待处理数据;
按照预设驾驶时长对所述待处理数据进行分割,得到各待处理数据段;
通过故障预测模型对各所述待处理数据段进行故障预测,得到预测类型和对应的预测概率。
3.根据权利要求2所述的方法,其特征在于,所述通过故障预测模型对各所述待处理数据段进行故障预测,得到预测类型和对应的预测概率,包括:
将各所述待处理数据段输入至所述故障预测模型,得到各所述待处理数据段各自属于各预设类型的候选概率;所述各预设类型包括:无故障类型、发动机故障类型、变速故障类型、离合器故障类型和轮胎故障类型;
基于各所述待处理数据段各自属于各预设类型的候选概率,确定各所述数据段各自对应的目标类型和目标概率;
将满足故障条件的所述目标概率作为预测概率,将所述预测概率对应的目标类型作为预测类型。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取历史行驶数据,依据所述历史行驶数据确定行驶数据样本,以及所述行驶数据样本对应的类型标签;
通过所述行驶数据样本和对应的所述类型标签,调整训练前的故障预测模型的参数,直至所述训练前的故障预测模型收敛,得到所述故障预测模型。
5.根据权利要求4所述的方法,其特征在于,所述依据所述历史行驶数据确定行驶数据样本,包括:
对所述历史行驶数据进行数据清洗,得到清洗后历史行驶数据;
按照预设驾驶时长对所述清洗后历史行驶数据进行分割,得到各行驶数据样本。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括:
获取所述目标车辆对应的维修数据;
对所述维修数据进行实体抽取、关系抽取和属性抽取,得到实体信息、关系信息和属性信息;
基于所述实体信息、所述关系信息和所述属性信息构建所述目标车辆对应的故障维修知识图谱。
7.一种车辆故障的预测装置,其特征在于,所述装置包括:
行驶数据获取模块,用于获取目标车辆的行驶数据;
预测类型和预测概率确定模块,用于通过故障预测模型对所述行驶数据进行故障预测,得到预测类型和对应的预测概率;
故障维修知识图谱获取模块,用于在所述预测类型和所述预测概率达到维修条件的情况下,获取所述目标车辆对应的故障维修知识图谱;
维修建议信息确定模块,用于依据所述故障维修知识图谱确定所述预测类型的维修建议信息。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310079715.XA CN116128133A (zh) | 2023-02-01 | 2023-02-01 | 车辆故障的预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310079715.XA CN116128133A (zh) | 2023-02-01 | 2023-02-01 | 车辆故障的预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128133A true CN116128133A (zh) | 2023-05-16 |
Family
ID=86311401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310079715.XA Pending CN116128133A (zh) | 2023-02-01 | 2023-02-01 | 车辆故障的预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128133A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114352A (zh) * | 2023-09-15 | 2023-11-24 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
-
2023
- 2023-02-01 CN CN202310079715.XA patent/CN116128133A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114352A (zh) * | 2023-09-15 | 2023-11-24 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
CN117114352B (zh) * | 2023-09-15 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11354899B2 (en) | Visual inspection support using extended reality | |
JP7203021B2 (ja) | 車内予測不具合検出のシステム及び方法 | |
EP3188040B1 (en) | Retrieval of outcomes of precomputed models | |
KR20190123339A (ko) | 이종 제품 라이프사이클 데이터의 동종 모델 | |
CN116128133A (zh) | 车辆故障的预测方法、装置、计算机设备和存储介质 | |
US20230289663A1 (en) | Vehicle resiliency, driving feedback and risk assessment using machine learning-based vehicle wear scoring | |
Zaccardi et al. | Analysis and choice of representative drive cycles for light duty vehicles–case study for electric vehicles | |
CN110447039A (zh) | 预测对象类别的系统和方法 | |
CN116310656B (zh) | 训练样本确定方法、装置和计算机设备 | |
WO2021121206A1 (zh) | 一种用于判定服务事故的责任的方法和系统 | |
CN117894093A (zh) | 车辆清洗提示方法、装置、计算机设备和存储介质 | |
CN116152637A (zh) | 自动驾驶感知模型的评测方法、计算机设备和存储介质 | |
CN112164225A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN113127710A (zh) | 信息呈现方法、装置、服务器及介质 | |
Fu et al. | Exploring the Impact of Interpretable Information Types on Driver's Situational Awareness and Performance During Driving Take-Over | |
Lin et al. | Progress and summary of reinforcement learning on energy management of MPS-EV | |
Zhou et al. | A cooperative car-following control model combining deep optical flow estimation and deep reinforcement learning for hybrid electric vehicles | |
CN115967580B (zh) | 车辆服务消息推送方法、装置、计算机设备和存储介质 | |
US12073320B2 (en) | Efficient incremental learning through probabilistic training set selection | |
US20220114435A1 (en) | Efficient incremental learning through probabilistic training set selection | |
CN115392391A (zh) | 道路类型识别模型的训练方法以及道路类型识别方法 | |
Beutenmüller et al. | OPTIMALIS®–An AI Framework Tailor-Made for the Needs of the Automotive Industry | |
CN116880886A (zh) | 产品推荐模型的更新方法和装置 | |
CN118468960A (zh) | 策略预测模型的训练方法、策略预测方法以及电子设备 | |
Zhao et al. | Construction and optimization of representative actual driving cycles based on the improved autoencoder |
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 |