CN116415154B - 一种基于gpt的车辆故障解决方案生成方法及装置 - Google Patents
一种基于gpt的车辆故障解决方案生成方法及装置 Download PDFInfo
- Publication number
- CN116415154B CN116415154B CN202310686577.1A CN202310686577A CN116415154B CN 116415154 B CN116415154 B CN 116415154B CN 202310686577 A CN202310686577 A CN 202310686577A CN 116415154 B CN116415154 B CN 116415154B
- Authority
- CN
- China
- Prior art keywords
- fault
- solution generation
- fault solution
- model
- gpt
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 17
- 238000002372 labelling Methods 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GPT的车辆故障解决方案生成方法及装置,该方法包括:采集车辆历史故障案例以及对应的解决方案,根据历史故障案例以及对应的解决方案构建无标注文本数据组成的语料库,利用GPT技术对语料库进行自监督学习的预训练,从而学习语料库中的语言规律和知识,以得到故障解决方案生成模型;获取不同类型的车辆对故障解决方案生成模型的生成结果的反馈信息,并根据反馈信息对故障解决方案生成模型进行微调,以生成定制化故障解决方案生成模型;当检测到车辆发生故障时,并将故障信息输入至与类型对应的定制化故障解决方案生成模型当中以得到对应的解决方案。本发明解决了现有技术中故障解决方案生成的效率低及可靠性低的问题。
Description
技术领域
本发明涉及车辆技术领域,特别涉及一种基于GPT的车辆故障解决方案生成方法及装置。
背景技术
新能源汽车是指使用清洁能源或可再生能源作为动力来源的汽车,如电动汽车、混合动力汽车、氢燃料电池汽车等。新能源汽车具有节能减排、环保低碳、提高能源安全等优点,是未来汽车发展的重要方向。
故障诊断并提出解决方案是车辆的一个重要组成部分,基于传统规则或专家系统的新能源汽车故障诊断方法。这类方法通过预先设定一系列故障规则或专家知识,对新能源汽车故障进行判断和分类,并给出相应的解决方案。这类方法的优点是简单易实现,适用于一些常见或简单的故障场景;基于机器学习或深度学习的新能源汽车故障诊断方法。这类方法通过利用机器学习或深度学习算法,对新能源汽车故障进行特征提取、分类、回归等操作,并给出相应的解决方案。
然而,这两种方法均有缺点,第一种方法需要人工编写大量的故障规则或专家知识,耗时耗力,且难以覆盖所有可能的故障情况;第二种方法需要大量的标注数据进行训练和测试,对数据质量和数量要求较高,此两种方法均存在效率低下,亦不能保证故障诊断解决方案可靠性的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于GPT的车辆故障解决方案生成方法及装置,旨在解决现有技术中故障解决方案生成的效率低及可靠性低的问题。
本发明实施例是这样实现的:
一种基于GPT的车辆故障解决方案生成方法,所述方法包括:
采集车辆历史故障案例以及对应的解决方案,根据所述历史故障案例以及对应的解决方案构建无标注文本数据组成的语料库,其中,所述语料库至少包含了历史故障案例、解决方案以及其他与车辆相关的文本信息;
利用GPT技术对所述语料库进行自监督学习的预训练,从而学习所述语料库中的语言规律和知识,以得到故障解决方案生成模型;
获取不同类型的车辆对所述故障解决方案生成模型的生成结果的反馈信息,并根据所述反馈信息对所述故障解决方案生成模型进行微调,以生成定制化故障解决方案生成模型;
当检测到所述车辆发生故障时,获取当前车辆的类型以及故障信息,并将所述故障信息输入至与所述类型对应的所述定制化故障解决方案生成模型当中以得到对应的解决方案。
进一步的,上述基于GPT的车辆故障解决方案生成方法,其中,所述获取不同类型的车辆对所述故障解决方案生成模型的生成结果的反馈信息,并根据所述反馈信息对所述故障解决方案生成模型进行微调,以生成定制化故障解决方案生成模型的步骤包括:
根据所述反馈信息确定对应的反馈数据集,并根据所述反馈数据集构建奖励模型,以根据所述反馈信息、奖励模型确定对应的奖励值;
通过所述奖励值对所述故障解决方案生成模型进行奖励或惩罚,以调整所述解决方案生成模型的参数得到所述定制化故障解决方案生成模型。
进一步的,上述基于GPT的车辆故障解决方案生成方法,其中,所述根据所述反馈信息确定对应的反馈数据集的步骤包括:
获取AI培训师针对所述故障解决方案生成模型对故障信息对应的生成的故障解决方案的质量评分;或
获取所述AI培训师从所述故障解决方案生成模型生成的多个候选结果中选择最佳的结果,并根据最佳的结果给出多个候选结果相应的排名以构建对应的反馈数据集;
其中,所述最佳的结果为所述AI培训师针对多个候选结果中主观选取的候选结果。
进一步的,上述基于GPT的车辆故障解决方案生成方法,其中,所述解决方案生成模型的参数调整包括输出维度调整、激活函数、损失函数以及优化器调整中的一种或多种。
进一步的,上述基于GPT的车辆故障解决方案生成方法,其中,所述利用GPT技术对所述语料库进行自监督学习的预训练,从而学习所述语料库中的语言规律和知识,以得到故障解决方案生成模型的步骤之前还包括:
对所述语料库中的历史故障案例、解决方案以及其他与车辆相关的文本信息以及反馈信息分别进行清洗、去重以及分词预处理。
进一步的,上述基于GPT的车辆故障解决方案生成方法,其中,所述故障解决方案生成模型采用最大似然估计作为目标函数、交叉熵作为损失函数,以及Adam作为优化器。
进一步的,上述基于GPT的车辆故障解决方案生成方法,其中,所述当检测到所述车辆发生故障时,获取当前车辆的类型以及故障信息,并将所述故障信息输入至与所述类型对应的所述定制化故障解决方案生成模型当中以得到对应的解决方案的步骤包括:
获取当前车辆的类型以及故障信息,利用所述定制化故障解决方案生成模型对所述故障信息进行自然语言理解提取出故障相关的关键信息;
利用所述定制化故障解决方案生成模型对所述关键信息进行自然语言生成,生成相应的解决方案,并以自然语言的形式输出。
本发明的另一个目的在于提供一种基于GPT的车辆故障解决方案生成装置,所述装置包括:
采集模块,用于采集车辆历史故障案例以及对应的解决方案,根据所述历史故障案例以及对应的解决方案构建无标注文本数据组成的语料库,其中,所述语料库至少包含了历史故障案例、解决方案以及其他与车辆相关的文本信息;
生成模块,用于利用GPT技术对所述语料库进行自监督学习的预训练,从而学习所述语料库中的语言规律和知识,以得到故障解决方案生成模型;
微调模块,用于获取不同类型的车辆对所述故障解决方案生成模型的生成结果的反馈信息,并根据所述反馈信息对所述故障解决方案生成模型进行微调,以生成定制化故障解决方案生成模型;
检测模块,用于当检测到所述车辆发生故障时,获取当前车辆的类型以及故障信息,并将所述故障信息输入至与所述类型对应的所述定制化故障解决方案生成模型当中以得到对应的解决方案。
本发明的另一个目的在于提供一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任意一项所述的方法的步骤。
本发明的另一个目的是提供一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法的步骤。
本发明通过采集车辆历史故障案例以及对应的解决方案,根据历史故障案例以及对应的解决方案构建无标注文本数据组成的语料库,利用GPT技术对语料库进行自监督学习的预训练,得到故障解决方案生成模型;并根据不同类型的车辆对解决方案生成模型进行微调,以生成定制化故障解决方案生成模型;当检测到车辆发生故障时,通过对应的定制化故障解决方案生成模型当中以得到对应的解决方案,整个模型的建立和生成不需要人工收集数据以及大量的标注数据,提升了故障解决方案生成的效率,并且,利用GPT技术,将新能源汽车的故障解决方案输出作为一种自然语言生成的任务,能够自动理解和响应不同的故障信息,提高了故障诊断解决方案生成的可靠性,解决了现有技术中车辆故障解决方案生成时的效率以及故障诊断解决方案可靠性低的问题。
附图说明
图1为本发明一实施例提供的基于GPT的车辆故障解决方案生成的流程图;
图2为本发明第三实施例中基于GPT的车辆故障解决方案生成装置的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
以下将结合具体实施例和附图来详细说明如何提高车辆故障解决方案生成时的效率以及保证故障诊断解决方案可靠性的问题。
实施例一
请参阅图1,所示为本发明第一实施例中的基于GPT的车辆故障解决方案生成方法,所述方法包括步骤S10~S13。
步骤S10,采集车辆历史故障案例以及对应的解决方案,根据所述历史故障案例以及对应的解决方案构建无标注文本数据组成的语料库,其中,所述语料库至少包含了历史故障案例、解决方案以及其他与车辆相关的文本信息。
其中,语料库是预训练的数据来源,它包含了大量的已经出现过的历史的新能源汽车故障案例和解决方案,以及其他与新能源汽车相关的文本信息。具体的,可以从互联网、专业书籍、期刊、报告等渠道收集了这些数据,并对这些数据建立语料库,例如,可以构建一个规模约为10TB的语料库。
步骤S11,利用GPT技术对所述语料库进行自监督学习的预训练,从而学习所述语料库中的语言规律和知识,以得到故障解决方案生成模型。
其中,预训练的目的是利用大量的无标注文本数据来训练一个通用的语言模型,使其能够学习语言的统计规律和知识,从而为后续的微调和应用提供一个良好的初始状态。预训练的方法是使用GPT技术,它是一种生成式预训练变换模型,它可以在大规模的无标注文本上进行自监督学习,从而学习语言的统计规律和知识。GPT技术的核心是一个多层的Transformer网络,它可以对输入的文本序列进行编码,并根据编码结果生成输出的文本序列。
具体的,预训练的过程是使用自回归(AR)的方式来训练模型,即给定一个文本序列作为输入,模型需要预测下一个单词或符号。可以通过使用最大似然估计(MLE)作为目标函数,即最大化输入序列和输出序列之间的联合概率。使用交叉熵(CE)作为损失函数,即最小化输入序列和输出序列之间的信息差异。以及使用Adam作为优化器,它是一种自适应的梯度下降算法,可以动态调整学习率和梯度衰减率。
进一步的,在本发明一些可选的实施例当中,为了进一步的提升故障诊断的准确性,在预训练阶段,可以使用不同的预训练目标或策略,如掩码语言建模(Masked LanguageModeling),下一句预测(Next Sentence Prediction),多任务学习(Multi-TaskLearning)等,以提高模型的语言能力和专业知识。
步骤S12,获取不同类型的车辆对所述故障解决方案生成模型的生成结果的反馈信息,并根据所述反馈信息对所述故障解决方案生成模型进行微调,以生成定制化故障解决方案生成模型。
其中,微调的目的是根据不同类型或品牌的新能源汽车,对预训练模型进行微调,使其适应不同的故障场景和需求,微调的数据来源是一些特定类型或品牌的新能源汽车的故障信息和反馈信息,它们可以从车辆的VCU、OBD、CAN等设备中获取,也可以从用户或维修人员的反馈中获取。
进一步的,在本发明一些可选的实施例当中,为了进一步的提升解决方案生成的准确性,所述利用GPT技术对所述语料库进行自监督学习的预训练,从而学习所述语料库中的语言规律和知识,以得到故障解决方案生成模型的步骤之前还包括:
对所述语料库中的历史故障案例、解决方案以及其他与车辆相关的文本信息以及反馈信息分别进行清洗、去重以及分词预处理。
具体的,通过对语料库中的历史故障案例、解决方案以及其他与车辆相关的文本信息以及反馈信息分别进行清洗、去重以及分词预处理,保证数据的准确性,从而提升解决方案生成的准确性。
步骤S13,当检测到所述车辆发生故障时,获取当前车辆的类型以及故障信息,并将所述故障信息输入至与所述类型对应的所述定制化故障解决方案生成模型当中以得到对应的解决方案。
其中,解决方案可以使用不同的输出格式或方式,如文本、图表、图像、视频等,以提高模型的交互性和用户体验,在具体实施时,可以将定制化的故障解决方案生成模型部署在新能源汽车的VCU中,当VCU检测到整车发生故障时,将故障信息作为输入传递给模型,模型根据输入信息自动生成相应的故障定位和解决方案,并以自然语言的形式输出给驾驶员或维修人员,也即获取当前车辆的类型以及故障信息,利用定制化故障解决方案生成模型对故障信息进行自然语言理解提取出故障相关的关键信息;利用定制化故障解决方案生成模型对关键信息进行自然语言生成,生成相应的解决方案,并以自然语言的形式输出。
综上,本发明上述实施例中的基于GPT的车辆故障解决方案生成方法,通过采集车辆历史故障案例以及对应的解决方案,根据历史故障案例以及对应的解决方案构建无标注文本数据组成的语料库,利用GPT技术对语料库进行自监督学习的预训练,得到故障解决方案生成模型;并根据不同类型的车辆对解决方案生成模型进行微调,以生成定制化故障解决方案生成模型;当检测到车辆发生故障时,通过对应的定制化故障解决方案生成模型当中以得到对应的解决方案,整个模型的建立和生成不需要人工收集数据以及大量的标注数据,提升了故障解决方案生成的效率,并且,利用GPT技术,将新能源汽车的故障解决方案输出作为一种自然语言生成的任务,能够自动理解和响应不同的故障信息,提高了故障诊断解决方案生成的可靠性,解决了现有技术中车辆故障解决方案生成时的效率以及故障诊断解决方案可靠性低的问题。
实施例二
本实施例也提出一种基于GPT的车辆故障解决方案生成方法,本实施例当中的基于GPT的车辆故障解决方案生成方法与实施例一当中的基于GPT的车辆故障解决方案生成方法的不同之处在于:
步骤S12包括:
根据所述反馈信息确定对应的反馈数据集,并根据所述反馈数据集构建奖励模型,以根据所述反馈信息、奖励模型确定对应的奖励值;
通过所述奖励值对所述故障解决方案生成模型进行奖励或惩罚,以调整所述解决方案生成模型的参数得到所述定制化故障解决方案生成模型。
其中,微调的方法是使用强化学习(RL)来进行微调,它是一种基于反馈机制的学习方法,可以使模型根据环境给出的奖励或惩罚来调整自身行为。具体的,使用近端策略优化(PPO)作为RL算法,它是一种基于策略梯度(PG)的算法,可以在每个迭代步骤中更新模型参数,并保证更新后的策略不会偏离更新前太远。
在本发明实施例具体实施时,使用了人类反馈(HF)作为奖励或惩罚的来源,它是一种基于人类评价或偏好来给予模型反馈的方法。具体的:
获取AI培训师针对所述故障解决方案生成模型对故障信息对应的生成的故障解决方案的质量评分;或
获取所述AI培训师从所述故障解决方案生成模型生成的多个候选结果中选择最佳的结果,并根据最佳的结果给出多个候选结果相应的排名以构建对应的反馈数据集;
其中,所述最佳的结果为所述AI培训师针对多个候选结果中主观选取的候选结果。
在本实施例具体实施时,使用多个人工智能培训师(AI trainers)来提供人类反馈,他们是经过专业培训和考核的人员,可以根据一定的标准和规则来评价或排名模型生成的不同回答。在本实施例当中,使用了两种方式来收集人类反馈:
(1) 监督式方式:AI培训师提供完整的对话示例,其中包括用户和AI助理双方的发言,并给出每句发言的质量评分;
(2) 比较式方式:AI培训师从模型生成的多个候选回答中选择最佳或最差回答,并给出相应的排名或偏好。我们使用了这些人类反馈数据来构建奖励模型(rewardmodel),它是一个神经网络模型,可以根据输入输出序列之间的匹配程度来给出一个奖励值。
需要说明的是,微调的结果是生成一个定制化的故障解决方案生成模型,该模型能够根据具体的车型特点和用户偏好,生成更加精准、个性化、实用的故障定位和解决方案,并以自然语言的形式输出。该模型与预训练模型相比,有以下几个区别:
输出维度:根据不同类型或品牌的新能源汽车,调整输出层的维度,使其与目标任务的输出格式相匹配。例如,如果目标任务是生成表格形式的故障定位和解决方案,那么输出层的维度应该与表格中的单元格数量相等。
激活函数、损失函数:根据不同类型或品牌的新能源汽车,选择合适的激活函数和损失函数,使其与目标任务的评价指标相一致。例如,如果目标任务是生成文本形式的故障定位和解决方案,那么激活函数可以选择softmax或sigmoid等,损失函数可以选择交叉熵或KL散度等。
优化器:根据不同类型或品牌的新能源汽车,选择合适的优化器,使其能够有效地更新模型参数,并避免过拟合或欠拟合等问题。例如,如果目标任务是生成文本形式的故障定位和解决方案,那么优化器可以选择Adam或RMSprop等。
其中,在预训练后根据实际情况选择具体的输出维度、激活函数等继续进行训练的过程,也就是微调的过程。微调的目的是使模型能够适应不同类型或品牌的新能源汽车的故障场景和需求,从而生成更加精准、个性化、实用的故障定位和解决方案。微调后的模型可以直接应用于新能源汽车的故障诊断服务,也可以根据不同的用户反馈或数据变化进行进一步的优化或更新。
综上,本发明上述实施例中的基于GPT的车辆故障解决方案生成方法,通过采集车辆历史故障案例以及对应的解决方案,根据历史故障案例以及对应的解决方案构建无标注文本数据组成的语料库,利用GPT技术对语料库进行自监督学习的预训练,得到故障解决方案生成模型;并根据不同类型的车辆对解决方案生成模型进行微调,以生成定制化故障解决方案生成模型;当检测到车辆发生故障时,通过对应的定制化故障解决方案生成模型当中以得到对应的解决方案,整个模型的建立和生成不需要人工收集数据以及大量的标注数据,提升了故障解决方案生成的效率,并且,利用GPT技术,将新能源汽车的故障解决方案输出作为一种自然语言生成的任务,能够自动理解和响应不同的故障信息,提高了故障诊断解决方案生成的可靠性,解决了现有技术中车辆故障解决方案生成时的效率以及故障诊断解决方案可靠性低的问题。
另外,为了更加直观的清楚的表述本发明的实施过程,以某品牌的新能源汽车进行故障诊断和解决方案输出为例:
1)预训练阶段,使用GPT技术对一个包含大量新能源汽车故障案例和解决方案的语料库进行预训练,生成一个通用的整车故障诊断和解决方案生成模型。例如,语料库中可能包含以下内容:
故障信息:车辆在行驶中突然出现动力下降的情况,仪表盘上显示电池故障的警告灯;
AI助理(故障解决方案生成):根据您提供的信息,可能是您的车辆发生了动力电池系统的故障。动力电池系统是新能源汽车的核心部件,它为车辆提供动力和能量。动力电池系统的故障可能由多种原因导致,例如电池老化、温度过高或过低、充放电不当、短路或开路等。建议您尽快到最近的服务中心进行检测和维修。
2)微调阶段,根据该品牌的车型特点和用户偏好,对预训练模型进行微调,生成一个定制化的整车故障诊断和解决方案生成模型。例如,我们可以使用以下数据来进行微调:
车辆在充电时出现了异常,充电速度很慢,而且充电桩上显示了错误代码;
AI助理(故障解决方案生成):根据您提供的信息,可能是您的车辆发生了充电系统的故障。充电系统是新能源汽车的重要部件,它负责将外部电源转换为动力电池所需的电流和电压。充电系统的故障可能由多种原因导致,例如充电桩或充电线缆损坏、充电接口或充电控制器故障、兼容性或通信问题等。建议您检查一下您使用的充电桩或充电线缆是否正常,并尝试更换其他兼容的充电设备。如果问题仍然存在,请拨打客服电话或使用App进行在线预约,我们将尽快为您安排专业人员进行检测和维修;
3)应用阶段,我们将定制化的整车故障诊断和解决方案生成模型部署在车辆的VCU中,当VCU检测到整车发生故障时,将故障信息作为输入传递给模型,模型根据输入信息自动生成相应的故障定位和解决方案,并以自然语言的形式输出给驾驶员或维修人员。例如,当VCU检测到动力总成系统发生故障时,可能会输出以下内容:
AI助理(故障解决方案生成)抱歉,您的车辆发生了动力总成系统的故障。动力总成系统是新能源汽车的关键部件,它由驱动电机、变速箱、差速器等组成,负责将动力电池提供的能量转换为驱动轮胎旋转的力量。动力总成系统的故障可能由多种原因导致,例如驱动电机过热、变速箱卡顿、差速器失效等。建议您立即停车并关闭车辆,并拨打道路救援电话或使用App进行在线预约,我们将尽快为您安排专业人员进行拖车和维修。
实施例三
请参阅图2,所示为本发明第三实施例中提出的基于GPT的车辆故障解决方案生成装置,所述装置包括:
采集模块100,用于采集车辆历史故障案例以及对应的解决方案,根据所述历史故障案例以及对应的解决方案构建无标注文本数据组成的语料库,其中,所述语料库至少包含了历史故障案例、解决方案以及其他与车辆相关的文本信息;
生成模块200,用于利用GPT技术对所述语料库进行自监督学习的预训练,从而学习所述语料库中的语言规律和知识,以得到故障解决方案生成模型;
微调模块300,用于获取不同类型的车辆对所述故障解决方案生成模型的生成结果的反馈信息,并根据所述反馈信息对所述故障解决方案生成模型进行微调,以生成定制化故障解决方案生成模型;
检测模块400,用于当检测到所述车辆发生故障时,获取当前车辆的类型以及故障信息,并将所述故障信息输入至与所述类型对应的所述定制化故障解决方案生成模型当中以得到对应的解决方案。
进一步的,上述基于GPT的车辆故障解决方案生成装置,其特征在于,所述微调模块包括:
反馈单元,用于根据所述反馈信息确定对应的反馈数据集,并根据所述反馈数据集构建奖励模型,以根据所述反馈信息、奖励模型确定对应的奖励值;
奖励单元,用于通过所述奖励值对所述故障解决方案生成模型进行奖励或惩罚,以调整所述解决方案生成模型的参数得到所述定制化故障解决方案生成模型。
进一步的,上述基于GPT的车辆故障解决方案生成装置,其中,所述反馈单元具体用于:
获取AI培训师针对所述故障解决方案生成模型对故障信息对应的生成的故障解决方案的质量评分;或
获取所述AI培训师从所述故障解决方案生成模型生成的多个候选结果中选择最佳的结果,并根据最佳的结果给出多个候选结果相应的排名以构建对应的反馈数据集;
其中,所述最佳的结果为所述AI培训师针对多个候选结果中主观选取的候选结果。
进一步的,上述基于GPT的车辆故障解决方案生成装置,其中,所述解决方案生成模型的参数调整包括输出维度调整、激活函数、损失函数以及优化器调整中的一种或多种。
进一步的,上述基于GPT的车辆故障解决方案生成装置,其中,所述装置还包括:
预处理模块,用于对所述语料库中的历史故障案例、解决方案以及其他与车辆相关的文本信息以及反馈信息分别进行清洗、去重以及分词预处理。
进一步的,在本发明一些可选的实施例当中,其中,所述故障解决方案生成模型采用最大似然估计作为目标函数、交叉熵作为损失函数,以及Adam作为优化器。
进一步的,上述基于GPT的车辆故障解决方案生成装置,其中,所述检测模块具体用于:
获取当前车辆的类型以及故障信息,利用所述定制化故障解决方案生成模型对所述故障信息进行自然语言理解提取出故障相关的关键信息;
利用所述定制化故障解决方案生成模型对所述关键信息进行自然语言生成,生成相应的解决方案,并以自然语言的形式输出。
上述各模块被执行时所实现的功能或操作步骤与上述方法实施例大体相同,在此不再赘述。
实施例四
本发明另一方面还提供一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述实施例一至二中任意一个所述的方法的步骤。
实施例五
本发明另一方面还提供一种电子设备,所述电子设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例一至二中任意一个所述的方法的步骤。
以上各个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。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读存储介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于GPT的车辆故障解决方案生成方法,其特征在于,所述方法包括:
采集车辆历史故障案例以及对应的解决方案,根据所述历史故障案例以及对应的解决方案构建无标注文本数据组成的语料库,其中,所述语料库至少包含了历史故障案例、解决方案以及其他与车辆相关的文本信息;
利用GPT技术对所述语料库进行自监督学习的预训练,从而学习所述语料库中的语言规律和知识,以得到故障解决方案生成模型;
获取不同类型的车辆对所述故障解决方案生成模型的生成结果的反馈信息,并根据所述反馈信息对所述故障解决方案生成模型进行微调,以生成定制化故障解决方案生成模型;
当检测到所述车辆发生故障时,获取当前车辆的类型以及故障信息,并将所述故障信息输入至与所述类型对应的所述定制化故障解决方案生成模型当中以得到对应的解决方案。
2.根据权利要求1所述的基于GPT的车辆故障解决方案生成方法,其特征在于,所述获取不同类型的车辆对所述故障解决方案生成模型的生成结果的反馈信息,并根据所述反馈信息对所述故障解决方案生成模型进行微调,以生成定制化故障解决方案生成模型的步骤包括:
根据所述反馈信息确定对应的反馈数据集,并根据所述反馈数据集构建奖励模型,以根据所述反馈信息、奖励模型确定对应的奖励值;
通过所述奖励值对所述故障解决方案生成模型进行奖励或惩罚,以调整所述解决方案生成模型的参数得到所述定制化故障解决方案生成模型。
3. 根据权利要求2所述的基于GPT的车辆故障解决方案生成方法,其特征在于,所述根据所述反馈信息确定对应的反馈数据集的步骤包括:
获取AI培训师针对所述故障解决方案生成模型对故障信息对应的生成的故障解决方案的质量评分;或
获取所述AI培训师从所述故障解决方案生成模型生成的多个候选结果中选择最佳的结果,并根据最佳的结果给出多个候选结果相应的排名以构建对应的反馈数据集;
其中,所述最佳的结果为所述AI培训师针对多个候选结果中主观选取的候选结果。
4.根据权利要求2所述的基于GPT的车辆故障解决方案生成方法,其特征在于,所述解决方案生成模型的参数调整包括输出维度调整、激活函数、损失函数以及优化器调整中的一种或多种。
5.根据权利要求1所述的基于GPT的车辆故障解决方案生成方法,其特征在于,所述利用GPT技术对所述语料库进行自监督学习的预训练,从而学习所述语料库中的语言规律和知识,以得到故障解决方案生成模型的步骤之前还包括:
对所述语料库中的历史故障案例、解决方案以及其他与车辆相关的文本信息以及反馈信息分别进行清洗、去重以及分词预处理。
6.根据权利要求1所述的基于GPT的车辆故障解决方案生成方法,其特征在于,所述故障解决方案生成模型采用最大似然估计作为目标函数、交叉熵作为损失函数,以及Adam作为优化器。
7.根据权利要求1至6中任一项所述的基于GPT的车辆故障解决方案生成方法,其特征在于,所述当检测到所述车辆发生故障时,获取当前车辆的类型以及故障信息,并将所述故障信息输入至与所述类型对应的所述定制化故障解决方案生成模型当中以得到对应的解决方案的步骤包括:
获取当前车辆的类型以及故障信息,利用所述定制化故障解决方案生成模型对所述故障信息进行自然语言理解提取出故障相关的关键信息;
利用所述定制化故障解决方案生成模型对所述关键信息进行自然语言生成,生成相应的解决方案,并以自然语言的形式输出。
8.一种基于GPT的车辆故障解决方案生成装置,其特征在于,所述装置包括:
采集模块,用于采集车辆历史故障案例以及对应的解决方案,根据所述历史故障案例以及对应的解决方案构建无标注文本数据组成的语料库,其中,所述语料库至少包含了历史故障案例、解决方案以及其他与车辆相关的文本信息;
生成模块,用于利用GPT技术对所述语料库进行自监督学习的预训练,从而学习所述语料库中的语言规律和知识,以得到故障解决方案生成模型;
微调模块,用于获取不同类型的车辆对所述故障解决方案生成模型的生成结果的反馈信息,并根据所述反馈信息对所述故障解决方案生成模型进行微调,以生成定制化故障解决方案生成模型;
检测模块,用于当检测到所述车辆发生故障时,获取当前车辆的类型以及故障信息,并将所述故障信息输入至与所述类型对应的所述定制化故障解决方案生成模型当中以得到对应的解决方案。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任意一项所述的方法的步骤。
10.一种电子设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686577.1A CN116415154B (zh) | 2023-06-12 | 2023-06-12 | 一种基于gpt的车辆故障解决方案生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686577.1A CN116415154B (zh) | 2023-06-12 | 2023-06-12 | 一种基于gpt的车辆故障解决方案生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116415154A CN116415154A (zh) | 2023-07-11 |
CN116415154B true CN116415154B (zh) | 2023-08-22 |
Family
ID=87049654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310686577.1A Active CN116415154B (zh) | 2023-06-12 | 2023-06-12 | 一种基于gpt的车辆故障解决方案生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415154B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756047B (zh) * | 2023-08-16 | 2023-12-29 | 江西五十铃汽车有限公司 | 一种基于gpt的车辆控制器的软件开发方法及系统 |
CN116827764B (zh) * | 2023-08-23 | 2023-11-03 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及系统 |
CN117350304B (zh) * | 2023-12-04 | 2024-02-02 | 知呱呱(天津)大数据技术有限公司 | 一种多轮对话上下文向量增强方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679583A (zh) * | 2017-10-24 | 2018-02-09 | 四川长虹电器股份有限公司 | 基于大数据获取故障解决方案的方法 |
WO2022032684A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | A method, device, system and storage medium for fault diagnosis and solution recommendation |
CN114740815A (zh) * | 2021-01-07 | 2022-07-12 | 长沙中车智驭新能源科技有限公司 | 基于神经网络的客车故障诊断方法、装置和电子设备 |
CN115357788A (zh) * | 2022-08-12 | 2022-11-18 | 星河智联汽车科技有限公司 | 一种车辆故障解决方案的个性化推送方法及系统 |
WO2023278070A1 (en) * | 2021-06-29 | 2023-01-05 | Microsoft Technology Licensing, Llc | Automatic labeling of text data |
-
2023
- 2023-06-12 CN CN202310686577.1A patent/CN116415154B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679583A (zh) * | 2017-10-24 | 2018-02-09 | 四川长虹电器股份有限公司 | 基于大数据获取故障解决方案的方法 |
WO2022032684A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | A method, device, system and storage medium for fault diagnosis and solution recommendation |
CN114740815A (zh) * | 2021-01-07 | 2022-07-12 | 长沙中车智驭新能源科技有限公司 | 基于神经网络的客车故障诊断方法、装置和电子设备 |
WO2023278070A1 (en) * | 2021-06-29 | 2023-01-05 | Microsoft Technology Licensing, Llc | Automatic labeling of text data |
CN115357788A (zh) * | 2022-08-12 | 2022-11-18 | 星河智联汽车科技有限公司 | 一种车辆故障解决方案的个性化推送方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于规则与案例推理的汽轮发电机组故障诊断专家系统;张强;剡昌锋;王慧滨;栗宇;;电力科学与工程(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116415154A (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116415154B (zh) | 一种基于gpt的车辆故障解决方案生成方法及装置 | |
EP1674958B1 (en) | A diagnostic method and system | |
CN111414477A (zh) | 车辆故障自动诊断方法、装置以及设备 | |
CN102765643B (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
CN112925287B (zh) | 一种汽车故障精确诊断的大数据智能化系统 | |
CN106154182A (zh) | 一种基于改进d‑s证据理论的锂电池故障诊断方法 | |
MXPA04006254A (es) | Metodo, sistema y producto de computo para estimar la vida restante de un equipo. | |
CN104021238A (zh) | 一种铅酸动力电池系统故障诊断方法 | |
US8645019B2 (en) | Graph matching system for comparing and merging fault models | |
CN111284426B (zh) | 车辆故障根本原因诊断 | |
CN109270921A (zh) | 一种故障诊断方法及装置 | |
CN112101597A (zh) | 电动汽车租赁运营平台车辆故障预判系统、方法及装置 | |
CN113095367B (zh) | 一种基于深度强化学习的压缩机故障诊断方法 | |
CN114582043B (zh) | 提供最不可能和最有可能的原因信息的包括集成诊断模型的选择性健康信息报告系统 | |
CN118311437A (zh) | 一种动力电池剩余寿命预测方法 | |
CN117522372A (zh) | 基于深度学习的汽车故障模型的维修建议生成方法及系统 | |
CN118211045A (zh) | 用于换电站的电池选取方法、装置、存储介质及设备 | |
Kizito et al. | A Fuzzy Logic-Based Automobile Fault Detection System Using Mamdani Algorithm | |
Zhang et al. | Defect diagnosis method of main transformer based on operation and maintenance text mining | |
CN114707037A (zh) | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 | |
CN111476374B (zh) | 基于神经网络的纯电动汽车电器故障诊断训练方法与装置 | |
CN113920812A (zh) | 一种新能源汽车故障诊断培训考核与方案推送系统 | |
CN117533137A (zh) | 一种电驱动系统故障预警方法及系统 | |
CN116923100B (zh) | 一种动力电池包修复方法及系统 | |
CN116502156B (zh) | 一种换流站光ct异常状态智能辨识方法及系统 |
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 |