CN116304620A - 基于深度学习和数据挖掘的电子电器故障预测方法及系统 - Google Patents
基于深度学习和数据挖掘的电子电器故障预测方法及系统 Download PDFInfo
- Publication number
- CN116304620A CN116304620A CN202310171321.7A CN202310171321A CN116304620A CN 116304620 A CN116304620 A CN 116304620A CN 202310171321 A CN202310171321 A CN 202310171321A CN 116304620 A CN116304620 A CN 116304620A
- Authority
- CN
- China
- Prior art keywords
- fault
- electronic appliance
- electronic
- data
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于深度学习和数据挖掘的电子电器故障预测方法及系统，方法包括构建电子电器故障数据库；将电子电器故障数据导入，基于历史电子电器故障维修数据，以及监控的电子电器信号数据，通过机器学习技术对电子电器故障信号变化模式进行识别；构建电子电器故障智能诊断模型；对模型参数进行优化并调整其精度，使其满足使用需求；根据电子电器实车/台架数据输入的电子电器故障信号，对电子电器故障进行预测；判断预测结果是否准确，若不准确需更新电子电器故障数据库；若准确，对故障原因、故障元器件、以及维修措施给出建议。本发明电子电器故障预测方法及系统给维修人员提供故障分析参考，节省维修人员的维修时间和维修成本。
Description
技术领域
本发明属于整车电器技术领域，具体涉及一种基于深度学习和数据挖掘的电子电器故障预测方法及系统。
背景技术
汽车智能化发展至今，面对未来整车电器领域技术的不断发展，生准及制造过程发展遇到的困难主要体现在以下几个方面：
1、整车功能复杂化：随着开发文件不断增多，电器生准范围及内容不断增多整车电器诊断不断复杂化，车辆电器故障解析的排查点将由两位数攀升至三位数；
2、电器测试数据不断增多：整车电器测试数据由100MB级向GB升级甚至TB级增长数据解析工作不断复杂化，车辆故障解析面临更多的电控唤醒机制、标定自学习机制等，报文解析和逻辑判断技术提出更高的能力要求；
3、整车总线数据几何式增长：整车监听数据由1GB-5GB向TB级甚至PB级增长数据解析工作不断复杂化，类似于高压互锁故障，在借助总线监听、CANoe解析总线故障时，数据收录、转译和分析周期将由1月长至2月。
然而，传统的返修方案主要是借助原理图、线束图及DTC，这些传统方式很难解析大规模数据，且没有足够的能力进行报文解析和逻辑判断。在此背景下企业需借助车载网络通信信号、唤醒睡眠机制、传感器&执行器硬线信号等复杂数据文件进行诊断分析。
综上，由于整车电器技术的不断发展，生准及制造过程将会先后面临测试故障数据激增，整车电器诊断复杂化攀升，报文解析和逻辑判断技术要求增加等一系列问题。因此，有必要在已有电器故障预测模型的基础上构建一种电子电器台架实验数据分析平台及数据分析方法，以此给维修人员作为故障分析参考利用，节省维修人员的维修时间和维修成本。
发明内容
本发明的目的就在于提供一种基于深度学习和数据挖掘的电子电器故障预测方法，还提供一种基于深度学习和数据挖掘的电子电器故障预测系统，以解决传统车辆电子电器故障返修方案难以解析大规模电子电器数据的问题。
本发明的目的是通过以下技术方案实现的：
一种基于深度学习和数据挖掘的电子电器故障预测方法，其特征在于，包括以下步骤：
A、构建电子电器故障数据库；
B、将电子电器故障数据导入，基于历史电子电器故障维修数据，以及监控的电子电器信号数据，通过机器学习技术对电子电器故障信号变化模式进行识别；
C、构建电子电器故障智能诊断模型；
D、对模型参数进行优化并调整其精度，使其满足使用需求；
E、根据电子电器实车/台架数据输入的电子电器故障信号，对电子电器故障进行预测；
F、判断预测结果是否准确，若不准确需更新电子电器故障数据库；若准确，对故障原因、故障元器件、以及维修措施给出建议。
进一步地，步骤A，所述电子电器故障数据库含有历史电子电器故障维修数据信息，该数据库可随电子电器故障预测结构准确性进行及时更新与优化。
进一步地，步骤B，导入电子电器故障数据后，系统会启动电器故障智能诊断模型，基于电子电器故障信号监控数据，提取电子电器故障信号特征，并与已有电子电器故障故障信号进行匹配，并结合历史电子电器故障库信息，给出所有可能的电子电器故障类型、故障原因、故障元器件、以及对应的维修措施和对于的概率值，最后给到电子电器故障诊断工程师进行故障排查和诊断。
进一步地，步骤C，所述电子电器故障智能诊断模型是基于历史电子电器故障数据，利用机器学习技术构建实现的。
更进一步地，所述电子电器故障智能诊断模型为电子电器故障信号特征与故障现象、故障原因、故障元器件、以及故障维修措施之间的预测模型。
更进一步地，所述机器学习技术，包括支持向量机算法模型，随机森林算法模型，高斯混合隐马尔可夫算法，贝叶斯算法，朴素贝叶斯算法，以及深度学习算法和融合算法等。
更进一步地，所述电子电器故障智能诊断模型，通过对电子电器故障监控信号进行处理，并与利用机器学习技术构建的历史电子电器故障信号特征进行匹配和比较，找出相似或类似的故障信号特征，再结合NLP技术构建出电子电器故障信号特征与电子电器故障现象、电子电器故障原因、电子电器故障控制器、电子电器故障维修措施之间的预测模型，给出电子电器故障排查建议。
进一步地，步骤F，所述电子电器故障智能预测模型给出的故障排查建议不正确时，系统自动将电子电器故障诊断工程师的排查过程和排查结果返回给预测模型构建系统，并触发模型迭代优化计算，优化训练故障智能诊断模型，并自动发布新模型，历史模型自动存档。
一种基于深度学习和数据挖掘的电子电器故障预测系统，包括电子电器故障智能诊断模块，用于辅助电子电器故障诊断工程师进行电器故障排查，给出电子电器故障排查建议和维修决策。
与现有技术相比，本发明的有益效果是：
本发明在已有电器故障预测模型的基础上构建出一种电子电器台架实验数据分析平台及数据分析方法，解决了传统车辆电子电器故障返修方案以解析大规模电子电器数据困难的问题；给维修人员提供故障分析参考，节省维修人员的维修时间和维修成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1基于深度学习和数据挖掘的电子电器故障预测方法步骤流程图。
具体实施方式
下面结合实施例对本发明作进一步说明：
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，本发明基于深度学习和数据挖掘的电子电器故障预测方法，基于历史电子电器故障维修数据，以及监控的电子电器信号数据，通过机器学习技术对电子电器故障信号变化模式进行识别，并构建电子电器故障信号特征与故障现象、故障原因、故障元器件、以及故障维修措施之间的预测模型，能够根据输入的电子电器故障信号对故障原因、故障元器件、以及维修措施给出建议。
具体包括以步骤：
1、构建电子电器故障数据库
所述电子电器故障数据库含有历史电子电器故障维修数据信息，该数据库可随电子电器故障预测结构准确性进行及时更新与优化。
2、将电子电器故障数据导入，基于历史电子电器故障维修数据，以及监控的电子电器信号数据，通过机器学习技术对电子电器故障信号变化模式进行识别。
3、构建电子电器故障信号特征与故障现象、故障原因、故障元器件、以及故障维修措施之间的预测模型。
4、对模型参数进行优化并调整其精度，使其满足使用需求。
5、根据电子电器实车/台架数据输入的电子电器故障信号，对电子电器故障进行预测。
6、判断预测结果是否准确，若不准确需更新电子电器故障数据库；若准确，对故障原因、故障元器件、以及维修措施给出建议。
本发明中，在导入电子电器故障数据后，系统会启动电器故障智能诊断模型，基于电子电器故障信号监控数据，提取电子电器故障信号特征，并与已有电子电器故障故障信号进行匹配，并结合历史电子电器故障库信息，给出所有可能的电子电器故障类型、故障原因、故障元器件、以及对应的维修措施和对于的概率值，最后给到电子电器故障诊断工程师进行故障排查和诊断。
所述电子电器故障智能诊断模型是基于历史电子电器故障数据，利用机器学习技术构建实现的。
所述机器学习技术，包括支持向量机算法模型，随机森林算法模型，高斯混合隐马尔可夫算法，贝叶斯算法，朴素贝叶斯算法，以及深度学习算法和融合算法等。
所述电子电器故障智能诊断模型，通过对电子电器故障监控信号进行处理，并与利用机器学习技术构建的历史电子电器故障信号特征进行匹配和比较，找出相似或类似的故障信号特征，再结合NLP技术构建出电子电器故障信号特征与电子电器故障现象、电子电器故障原因、电子电器故障控制器、电子电器故障维修措施之间的预测模型，给出电子电器故障排查建议。
所述电子电器故障智能预测模型给出的故障排查建议不正确时，系统自动将电子电器故障诊断工程师的排查过程和排查结果返回给预测模型构建系统，并触发模型迭代优化计算，优化训练故障智能诊断模型，并自动发布新模型，历史模型自动存档。
本发明基于深度学习和数据挖掘的电子电器故障预测系统，包括电子电器故障智能诊断模块，用于辅助电子电器故障诊断工程师进行电器故障排查，给出电子电器故障排查建议和维修决策。
实施例1
如图1所示，为本发明实施例提供的一种基于深度学习和数据挖掘的电子电器故障预测方法，基于历史电子电器故障维修数据，以及监控的电子电器信号数据，通过机器学习技术对电子电器故障信号变化模式进行识别，并构建电子电器故障信号特征与故障现象、故障原因、故障元器件、以及故障维修措施之间的预测模型，能够根据输入的电子电器故障信号对故障原因、故障元器件、以及维修措施给出建议。
在本实施例中，所述的机器学习技术，包括支持向量机算法模型，随机森林算法模型，高斯混合隐马尔可夫算法，贝叶斯算法，朴素贝叶斯算法，以及深度学习算法和融合算法等；
在本实施例中，所述的电子电器故障智能诊断模型，需要根据车辆类型、车辆控制器分别构建不同的电子电器故障智能诊断预测模型；
在本实施例中，所述的电子电器故障智能诊断模型，通过对电子电器故障监控信号进行处理，并与利用机器学习技术构建的历史电子电器故障信号特征进行匹配和比较，找出相似或类似的故障信号特征，再结合NLP技术构建出电子电器故障信号特征与电子电器故障现象、电子电器故障原因、电子电器故障控制器、电子电器故障维修措施之间的预测模型，给出电子电器故障排查建议。
在本实施中，所述的电子电器故障智能预测模型给出的故障排查建议不正确时，系统自动将电子电器故障诊断工程师的排查过程和排查结果返回给预测模型构建系统，并触发模型迭代优化计算，优化训练故障智能诊断模型，并自动发布新模型，历史模型自动存档。
实施例2
一种基于深度学习和数据挖掘的电子电器故障预测系统，包括电子电器故障智能诊断模块，所述电子电器故障智能诊断模块用于辅助电子电器故障诊断工程师进行电器故障排查，给出电子电器故障排查建议和维修决策。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种基于深度学习和数据挖掘的电子电器故障预测方法，其特征在于，包括以步骤：
A、构建电子电器故障数据库；
B、将电子电器故障数据导入，基于历史电子电器故障维修数据，以及监控的电子电器信号数据，通过机器学习技术对电子电器故障信号变化模式进行识别；
C、构建电子电器故障智能诊断模型；
D、对模型参数进行优化并调整其精度，使其满足使用需求；
E、根据电子电器实车/台架数据输入的电子电器故障信号，对电子电器故障进行预测；
F、判断预测结果是否准确，若不准确需更新电子电器故障数据库；若准确，对故障原因、故障元器件、以及维修措施给出建议。
2.根据权利要求1所述的一种基于深度学习和数据挖掘的电子电器故障预测方法，其特征在于：步骤A，所述电子电器故障数据库含有历史电子电器故障维修数据信息，该数据库可随电子电器故障预测结构准确性进行及时更新与优化。
3.根据权利要求1所述的一种基于深度学习和数据挖掘的电子电器故障预测方法，其特征在于：步骤B，导入电子电器故障数据后，系统会启动电器故障智能诊断模型，基于电子电器故障信号监控数据，提取电子电器故障信号特征，并与已有电子电器故障故障信号进行匹配，并结合历史电子电器故障库信息，给出所有可能的电子电器故障类型、故障原因、故障元器件、以及对应的维修措施和对于的概率值，最后给到电子电器故障诊断工程师进行故障排查和诊断。
4.根据权利要求1所述的一种基于深度学习和数据挖掘的电子电器故障预测方法，其特征在于：步骤C，所述电子电器故障智能诊断模型是基于历史电子电器故障数据，利用机器学习技术构建实现的。
5.根据权利要求4所述的一种基于深度学习和数据挖掘的电子电器故障预测方法，其特征在于：所述电子电器故障智能诊断模型为电子电器故障信号特征与故障现象、故障原因、故障元器件、以及故障维修措施之间的预测模型。
6.根据权利要求4所述的一种基于深度学习和数据挖掘的电子电器故障预测方法，其特征在于：所述机器学习技术，包括支持向量机算法模型，随机森林算法模型，高斯混合隐马尔可夫算法，贝叶斯算法，朴素贝叶斯算法，以及深度学习算法和融合算法等。
7.根据权利要求4所述的一种基于深度学习和数据挖掘的电子电器故障预测方法，其特征在于：所述电子电器故障智能诊断模型，通过对电子电器故障监控信号进行处理，并与利用机器学习技术构建的历史电子电器故障信号特征进行匹配和比较，找出相似或类似的故障信号特征，再结合NLP技术构建出电子电器故障信号特征与电子电器故障现象、电子电器故障原因、电子电器故障控制器、电子电器故障维修措施之间的预测模型，给出电子电器故障排查建议。
8.根据权利要求1所述的一种基于深度学习和数据挖掘的电子电器故障预测方法，其特征在于：步骤F，所述电子电器故障智能预测模型给出的故障排查建议不正确时，系统自动将电子电器故障诊断工程师的排查过程和排查结果返回给预测模型构建系统，并触发模型迭代优化计算，优化训练故障智能诊断模型，并自动发布新模型，历史模型自动存档。
9.一种基于深度学习和数据挖掘的电子电器故障预测系统，其特征在于：包括电子电器故障智能诊断模块，用于辅助电子电器故障诊断工程师进行电器故障排查，给出电子电器故障排查建议和维修决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310171321.7A CN116304620A (zh) | 2023-02-27 | 2023-02-27 | 基于深度学习和数据挖掘的电子电器故障预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310171321.7A CN116304620A (zh) | 2023-02-27 | 2023-02-27 | 基于深度学习和数据挖掘的电子电器故障预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116304620A true CN116304620A (zh) | 2023-06-23 |
Family
ID=86831733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310171321.7A Pending CN116304620A (zh) | 2023-02-27 | 2023-02-27 | 基于深度学习和数据挖掘的电子电器故障预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304620A (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
- 2023-02-27 CN CN202310171321.7A patent/CN116304620A/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 |
|---|---|---|
| US7260501B2 (en) | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance | |
| CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
| CN102062619B (zh) | 用于通过预测推理来分析复杂系统的方法系统和装置 | |
| CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
| CN105955233B (zh) | 一种基于数据挖掘的车辆故障诊断方法及系统 | |
| Cui et al. | A novel fault measure and early warning system for air compressor | |
| CN102765643A (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
| CN115617628A (zh) | 一种数字孪生系统、研发方法、设备和存储介质 | |
| CN112082639A (zh) | 发动机状态的诊断方法及其诊断建模方法 | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| CN116304620A (zh) | 基于深度学习和数据挖掘的电子电器故障预测方法及系统 | |
| Wang et al. | Prognostics and health management system for electric vehicles with a hierarchy fusion framework: concepts, architectures, and methods | |
| CN107037770A (zh) | 用于对技术系统进行建模的方法 | |
| Luo et al. | Intelligent model-based diagnostics for vehicle health management | |
| Gopalakrishnan et al. | IIoT Framework Based ML Model to Improve Automobile Industry Product. | |
| CN116384961A (zh) | 基于车辆电子电器故障预测模型的预测应用方法及系统 | |
| Li et al. | A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage | |
| CN115016428A (zh) | 一种应用于特种车辆的立体化多级诊断系统及方法 | |
| CN115099464A (zh) | 一种基于油嘴模型流量系数预测的油井产量预测方法 | |
| Feng et al. | Energy consumption prediction strategy for electric vehicle based on LSTM-transformer framework | |
| Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
| Hiwase et al. | Predictive maintenance of automotive component using digital twin model | |
| Zhang et al. | Research on Designing an Industrial Product‐Service System with Uncertain Customer Demands | |
| Meckel et al. | Optimized automotive fault-diagnosis based on knowledge extraction from web resources | |
| CN115373366A (zh) | 一种交互式诊断系统、诊断方法及存储介质 |
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 |