CN116451122A - 一种故障确定方法、装置、电子设备及存储介质 - Google Patents
一种故障确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116451122A CN116451122A CN202310442198.8A CN202310442198A CN116451122A CN 116451122 A CN116451122 A CN 116451122A CN 202310442198 A CN202310442198 A CN 202310442198A CN 116451122 A CN116451122 A CN 116451122A
- Authority
- CN
- China
- Prior art keywords
- fault
- component
- components
- target vehicle
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 109
- 238000012423 maintenance Methods 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims description 172
- 238000012360 testing method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005339 levitation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本申请涉及一种故障确定方法、装置、电子设备及存储介质，其方法包括获取目标车辆的监测数据，监测数据包括目标车辆内多个组件各自对应的运行状态信息；将监测数据输入训练好的故障识别模型，确定异常信息，异常信息包括若干个故障类型以及每个故障类型对应的至少一个异常组件的名称、位置和维修方式，其中故障识别模型通过使用目标车辆的历史台账数据以及基本信息对初始网络模型训练得到。本申请具有提升城市轨道交通故障识别的准确率的效果。
Description
技术领域
本申请涉及故障检测的领域，尤其是涉及一种故障确定方法、装置、电子设备及存储介质。
背景技术
随着经济的发展，人们生活水平的不断提高，对于出行的要求也有了更高的要求。城市轨道交通为采用轨道结构进行承重和导向的车辆运输系统，依据城市交通总体规划的要求，设置全封闭或部分封闭的专用轨道线路，以列车或单车形式，运送相当规模客流量的公共交通方式。城市轨道交通包括地铁系统、轻轨系统、单轨系统、有轨电车、磁浮系统、自动导向轨道系统、市域快速轨道系统等。
城市轨道交通作为出行的主要公共交通方式，因其时效性和安全性较高，广受人们的欢迎。为了能够保证城市轨道交通的安全性和时效性，就需要及时对可能存在的故障进行排查。相关技术中，通过检修人员对轨道、车辆进行定期的安全检查，但是这种故障排查的准确度受到排查人员自身专业能力和主观判断的影响较大，因此如何提高城市轨道交通故障识别的准确率是亟待解决的问题。
发明内容
为了提升轨道交通故障识别的准确率，本申请提供了一种故障确定方法、装置、电子设备及存储介质。
第一方面，本申请提供一种故障确定方法，采用如下的技术方案：
一种故障确定方法，包括：
获取目标车辆的监测数据，所述监测数据包括目标车辆内多个组件各自对应的运行状态信息；
将所述监测数据输入训练好的故障识别模型中，得到异常信息，所述异常信息包括若干个故障类型以及每个所述故障类型对应的至少一个异常组件的名称、位置和维修方式；
所述故障识别模型是基于样本数据对初始网络模型训练得到的，所述样本数据包括所述目标车辆的历史台账数据，所述历史台账数据包括多条历史检修记录和多条历史维修记录，每一所述历史检修记录包括检修时间、检修内容和检修结果，每一所述历史维修记录包括维修时间、维修内容、更换组件和维修结果，所述初始网络模型的超参数组合基于目标车辆的基本信息确定， 所述基本信息包括目标车辆内多个组件各自对应的名称、材质、使用次数和位置。
通过采用上述技术方案，根据目标车辆的历史台账信息对初始网络模型进行训练，得到故障识别模型；将当前目标车辆内各个组件分别对应的运行状态输入故障识别模型，确定出目标车辆可能存在的若干个故障，以及每个故障类型对应的异常组件的名称、位置以及维修方式。通过目标车辆自身历史中的维修和检修数据对预测模型进行训练，能够提升故障识别模型识别故障的准确度。
在一种可能实现的方式中，基于所述样本数据对初始网络模型进行训练，得到故障识别模型，包括：
基于所述目标车辆的基本信息，在仿真环境中创建仿真车辆；
获取所述仿真环境中所述仿真车辆的多个仿真使用数据，每个所述仿真使用数据包括所述仿真车辆的使用状态，以及仿真车辆内每个仿真组件各自对应的使用参数；
基于所述历史台账数据以及所述多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型。
通过采用上述技术方案，根据目标车辆的基本信息在仿真环境中创建仿真车辆，并使仿真车辆在仿真环境中运行使用，获取仿真车辆在仿真环境中的多个仿真使用数据；根据历史台账数据以及多个仿真使用数据对初始网络模型进行训练，进而得到训练好的故障识别模型。通过多个仿真使用数据丰富模型训练的样本量，能够提升故障识别模型的精度。
在一种可能实现的方式中，在获取所述仿真环境中所述仿真车辆的多个仿真使用数据之前，还包括：
基于所述历史台账数据，确定至少一个故障成因，每个所述故障成因包括故障名称、至少一个故障组件以及每个所述故障组件对应的参数；
对于每个所述故障成因，基于所述故障名称，确定若干个关联组件，所述关联组件为与对应的故障成因在结构上和/或功能上关联的组件；
为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重；
基于所述若干个关联组件对应的预设权重以及所述至少一个故障组件对应的预设权重，进行仿真训练，生成仿真使用数据。
通过采用上述技术方案，根据历史台账数据，确定至少一个故障成因，其中故障成因中包括故障的名称，导致该故障的故障组件以及故障组件的参数；对于每个故障成因，根据故障名称，确定出可能导致该故障的若干个关联组件；并为每个关联组件以及每个故障组件分别设置预设权重，预设权重用于表征对应的组件导致故障的可能性的大小；进而通过每个关联组件以及每个故障组件分别对应预设权重，确定在预设权重条件下的仿真车辆的仿真使用数据。导致故障的原因可能是一个或多个，因此可以通过对每个可能导致故障的组件设置不同比例的权重，确定出尽可能多的导致故障的可能，尽可能多的覆盖所有可能导致故障的原因。
在一种可能实现的方式中，所述为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重，包括：
对所述若干个关联组件以及所述至少一个故障组件进行去重，确定至少一个影响组件；
获取所述目标车辆内各个组件之间的相关信息，所述相关信息包括对应的组件之间的结构相关度、功能相关度以及性能相关度；
基于所述目标车辆内各个组件之间的相关信息，确定所述至少一个影响组件对应的影响系数 ，所述影响系数用于表征对应的影响组件发生故障时其余组件发生故障的概率；
基于所述至少一个影响组件的影响系数，为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重。
通过采用上述技术方案，根据目标车辆的结构信息，确定出目标车辆内各个组件之间的结构关系，进而根据目标车辆的结构关系确定出每个影响组件的影响系数，影响系数用于表征对应的影响组件发生故障时其余组件发生故障的概率，影响系数越大则对应的影响组件的预设权重越大。通过结构上的关系确定每个影响组件在出现异常时可能导致其牵连的组件出现异常，进而对应组件导致故障的可能性越大，使得确定出的预设权重更符合对应组件实际使用情况。
在一种可能实现的方式中，所述基于所述目标车辆内各个组件之间的相关信息，确定所述至少一个影响组件对应的影响系数，对于任一影响组件，包括：
基于所述目标车辆内各个组件之间的相关信息，确定所述任一影响组件对应的若干个单因素组件、若干个双因素组件以及若干个多因素组件；
基于所述若干个单因素组件分别与所述任一影响组件对应的相关信息，确定单因素影响系数；
获取预设的多因素相关度和多个预设的双因素相关度；
基于所述若干个双因素组件分别与所述任一影响组件对应的相关信息以及所述多个预设的双因素相关度，确定双因素影响系数；
基于所述若干个多因素组件分别与所述任一影响组件对应的相关信息以及所述预设的多因素相关度，确定多因素影响系数；
将所述单因素影响系数、双因素影响系数以及多因素影响系数进行求和，确定所述任一影响组件的影响系数。
通过采用上述技术方案，根据目标车辆内各个组件之间的相关信息，确定任一影响组件对应的单因素组件、双因素组件以及多因素组件；对于不用影响关系的组件，采用对应的方式计算影响系数，能够更准确地确定出在影响组件发生故障时其余组件可能受到的影响程度，提示影响系数的准确度。
在一种可能实现的方式中，所述基于所述历史台账数据以及所述多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型，包括：
基于所述目标车辆内每个组件的使用次数，确定所述多个仿真使用数据各自对应的参考权重；
基于所述多个仿真使用数据各自对应的参考权重，将所述历史台账数据以及所述多个仿真使用数据分为多个子集，每个所述子集中包括至少一条历史维修记录和至少一条历史检修记录；
确定多个训练组合，每个所述训练组合包括所有所述子集，确定任一子集为测试集，并确定非测试集的所有子集为训练集，每个所述训练组合的测试集不同；
基于所述多个训练组合，对初始网络模型进行训练，得到故障识别模型。
通过采用上述技术方案，根据目标车辆内每个组件的使用次数，确定出每条仿真运行数据中对应的组件的运行次数与目标车辆的使用次数的临近程度，其中对于同一组件，若该组件在仿真运行数据中的运行次数与其在目标车辆内的使用次数越接近，则对应的参考权重越大；基于多个仿真使用数据各自对应的参考权重，将历史台账数据以及多个仿真使用数据分为多个子集，进而确定多个训练组合，每个训练组合包括所有子集，确定任一子集为测试集，并确定非测试集的所有子集为训练集，每个训练组合的测试集不同，基于多个训练组合对初始网络模型进行训练，得到故障识别模型，能够提升故障识别模型识别故障的准确度，且故障识别模型识别故障更符合目标车辆实际使用情况。
在一种可能实现的方式中，所述将所述监测数据输入故障识别模型，确定异常信息，包括：
基于所述目标车辆内每个组件的位置和材质，将所述监测数据进行分类，确定多组待测数据，每组待测数据中包括功能相同的至少两个组件的运行状态信息；
基于所述监测数据，确定所述目标车辆的运行状态，所述运行状态包括静止、加速、平稳行驶和制动；
基于所述运行状态，将所述多组待测数据分别输入故障识别模型中，确定异常信息。
通过采用上述技术方案，根据目标车辆的监测数据，确定出获取监测数据时目标车辆的运行状态；将目标车辆的监测数据进行分类，确定多组待测数据，其中每组待测数据内包含至少两个组件的运行状态信息，且每组待测数据中包含的组件可能导致的故障类型相同，进而分别将每一组待测数据分别输入故障模型中，并结合目标车辆的运行状态，能够降低故障识别的范围，并降低非故障因素对故障识别准确度的影响，提升故障识别的速度。
第二方面，本申请提供一种故障确定装置，采用如下的技术方案：
一种故障确定装置，包括：
监测数据获取模块，用于获取目标车辆的监测数据，所述监测数据包括目标车辆内多个组件各自对应的运行状态信息；
异常信息确定模块，用于将所述监测数据输入训练好的故障识别模型中，得到异常信息，所述异常信息包括若干个故障类型以及每个所述故障类型对应的至少一个异常组件的名称、位置和维修方式；
所述故障识别模型是基于样本数据对初始网络模型训练得到的，所述样本数据包括所述目标车辆的历史台账数据，所述历史台账数据包括多条历史检修记录和多条历史维修记录，每一所述历史检修记录包括检修时间、检修内容和检修结果，每一所述历史维修记录包括维修时间、维修内容、更换组件和维修结果，所述初始网络模型的超参数组合基于目标车辆的基本信息确定， 所述基本信息包括目标车辆内多个组件各自对应的名称、材质、使用次数和位置。
通过采用上述技术方案，根据目标车辆的历史台账信息对初始网络模型进行训练，得到故障识别模型；将当前目标车辆内各个组件分别对应的运行状态输入故障识别模型，确定出目标车辆可能存在的若干个故障，以及每个故障类型对应的异常组件的名称、位置以及维修方式。通过目标车辆自身历史中的维修和检修数据对预测模型进行训练，能够提升故障识别模型识别故障的准确度。
在一种可能实现的方式中，所述故障确定装置还包括模型训练模块，所述模型训练模块用于基于所述样本数据对初始网络模型进行训练得到故障识别模型，其中，所述模型训练模块在基于所述样本数据对初始网络模型进行训练，得到故障识别模型时，具体用于：
基于所述目标车辆的基本信息，在仿真环境中创建仿真车辆；
获取所述仿真环境中所述仿真车辆的多个仿真使用数据，每个所述仿真使用数据包括所述仿真车辆的使用状态，以及仿真车辆内每个仿真组件各自对应的使用参数；
基于所述历史台账数据以及所述多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型。
在一种可能实现的方式中，所述模型训练模块在获取所述仿真环境中所述仿真车辆的多个仿真使用数据之前，还包括：
故障成因确定模块，用于基于所述历史台账数据，确定至少一个故障成因，每个所述故障成因包括故障名称、至少一个故障组件以及每个所述故障组件对应的参数；
关联组件确定模块，用于对于每个所述故障成因，基于所述故障名称，确定若干个关联组件，所述关联组件为与对应的故障成因在结构上和/或功能上关联的组件；
预设权重设置模块，用于为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重；
仿真使用数据生成模块，用于基于所述若干个关联组件对应的预设权重以及所述至少一个故障组件对应的预设权重，进行仿真训练，生成仿真使用数据。
在一种可能实现的方式中，所述预设权重设置模块在为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重时，具体用于：
对所述若干个关联组件以及所述至少一个故障组件进行去重，确定至少一个影响组件；
获取所述目标车辆内各个组件之间的相关信息，所述相关信息包括对应的组件之间的结构相关度、功能相关度以及性能相关度；
基于所述目标车辆内各个组件之间的相关信息，确定所述至少一个影响组件对应的影响系数 ，所述影响系数用于表征对应的影响组件发生故障时其余组件发生故障的概率；
基于所述至少一个影响组件的影响系数，为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重。
在一种可能实现的方式中，所述预设权重设置模块在基于所述目标车辆内各个组件之间的相关信息，确定所述至少一个影响组件对应的影响系数时，对于任一影响组件，具体用于：
基于所述目标车辆内各个组件之间的相关信息，确定所述任一影响组件对应的若干个单因素组件、若干个双因素组件以及若干个多因素组件；
基于所述若干个单因素组件分别与所述任一影响组件对应的相关信息，确定单因素影响系数；
获取预设的多因素相关度和多个预设的双因素相关度；
基于所述若干个双因素组件分别与所述任一影响组件对应的相关信息以及所述多个预设的双因素相关度，确定双因素影响系数；
基于所述若干个多因素组件分别与所述任一影响组件对应的相关信息以及所述预设的多因素相关度，确定多因素影响系数；
将所述单因素影响系数、双因素影响系数以及多因素影响系数进行求和，确定所述任一影响组件的影响系数。
在一种可能实现的方式中，所述模型训练模块在基于所述历史台账数据以及所述多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型时，具体用于：
基于所述目标车辆内每个组件的使用次数，确定所述多个仿真使用数据各自对应的参考权重；
基于所述多个仿真使用数据各自对应的参考权重，将所述历史台账数据以及所述多个仿真使用数据分为多个子集，每个所述子集中包括至少一条历史维修记录和至少一条历史检修记录；
确定多个训练组合，每个所述训练组合包括所有所述子集，确定任一子集为测试集，并确定非测试集的所有子集为训练集，每个所述训练组合的测试集不同；
基于所述多个训练组合，对初始网络模型进行训练，得到故障识别模型。
在一种可能实现的方式中，所述异常信息确定模块在将所述监测数据输入故障识别模型，确定异常信息时，具体用于：
基于所述目标车辆内每个组件的位置和材质，将所述监测数据进行分类，确定多组待测数据，每组待测数据中包括功能相同的至少两个组件的运行状态信息；
基于所述监测数据，确定所述目标车辆的运行状态，所述运行状态包括静止、加速、平稳行驶和制动；
基于所述运行状态，将所述多组待测数据分别输入故障识别模型中，确定异常信息。
第三方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，该电子设备包括：
至少一个处理器；
存储器；
至少一个应用程序，其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行上述故障确定方法。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，包括：存储有能够被处理器加载并执行上述故障确定方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
根据目标车辆的历史台账信息对初始网络模型进行训练，得到故障识别模型；将当前目标车辆内各个组件分别对应的运行状态输入故障识别模型，确定出目标车辆可能存在的若干个故障，以及每个故障类型对应的异常组件的名称、位置以及维修方式。通过目标车辆自身历史中的维修和检修数据对预测模型进行训练，能够提升故障识别模型识别故障的准确度。
根据目标车辆的基本信息在仿真环境中创建仿真车辆，并使仿真车辆在仿真环境中运行使用，获取仿真车辆在仿真环境中的多个仿真使用数据；根据历史台账数据以及多个仿真使用数据对初始网络模型进行训练，进而得到训练好的故障识别模型。通过多个仿真使用数据丰富模型训练的样本量，能够提升故障识别模型的精度。
根据历史台账数据，确定至少一个故障成因，其中故障成因中包括故障的名称，导致该故障的故障组件以及故障组件的参数；对于每个故障成因，根据故障名称，确定出可能导致该故障的若干个关联组件；并为每个关联组件以及每个故障组件分别设置预设权重，预设权重用于表征对应的组件导致故障的可能性的大小；进而通过每个关联组件以及每个故障组件分别对应预设权重，确定在预设权重条件下的仿真车辆的仿真使用数据。导致故障的原因可能是一个或多个，因此可以通过对每个可能导致故障的组件设置不同比例的权重，确定出尽可能多的导致故障的可能，尽可能多的覆盖所有可能导致故障的原因。
附图说明
图1是本申请实施例中一种故障确定方法的流程示意图；
图2是本申请实施例中一种故障确定装置的结构示意图；
图3是本申请实施例中电子设备的结构示意图。
实施方式
以下结合图1-图3对本申请作进一步详细说明。
本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
本申请实施例提供了一种故障确定方法，由电子设备执行，参照图1,该方法包括步骤S101-步骤S102，其中：
步骤S101、获取目标车辆的监测数据，监测数据包括目标车辆内多个组件各自对应的运行状态信息。
对于本申请实施例，获取目标车辆在预设时段内的监测数据，其中，监测数据包括目标车辆内多个组件各自对应的运行状态信息，可以通过安装在目标车辆组件上的传感器、图像采集装置等获取目标车辆的监测数据。车辆的运行状态信息根据目标车辆的运行情况不同，其包含的内容可能存在一定的差异。当目标车辆处于静态时，运行状态信息可以包括目标车辆内各个组件是否完整齐全，每个组件的破损、腐蚀、裂纹情况以及每个组件之间的连接状态等。当目标车辆处于运动状态时，运行状态信息可以包括组件的运转速度、温度、声音和震动等情况。
进一步地，对于不同位置或不同作用的组件，其对应的运行状态信息也可能存在差异，例如，对于离合器组件，运行状态信息包括离合器分合是否正常；对于发动机内的组件，运行状态信息包括运转速度、温度、震动以及操作系统灵活度等信息；对于与轨道接触的组件，运行状态信息包括目标车辆与轨道之间接触面积内产生的垂直力等。
步骤S102、将监测数据输入训练好的故障识别模型，得到异常信息，异常信息包括若干个故障类型以及每个故障类型对应的至少一个异常组件的名称、位置和维修方式。
对于本申请实施例，将目标车辆的监测数据输入训练好的故障识别模型中，故障识别模型通过分析监测数据识别目标车辆中可能存在的故障，进而确定出异常信息，其中，异常信息可以包括目标车辆当前可能存在的若干个故障类型，以及每个故障类型对应的至少一个异常组件对应的名称、位置和维修方式。其中一个故障类型的故障情况对应至少一个异常组件，一个异常组件可以对应一个或多个故障类型。
进一步地，在将监测数据输入训练好的故障识别模型之前，需要对模型进行训练，其中，故障识别模型是基于样本数据对初始网络模型训练得到的，样本数据可以包括目标车辆的历史台账数据，历史台账数据包括多条历史检修记录和多条历史维修记录，每一条历史检修记录包括检修时间、检修内容和检修结果，每一条历史维修记录包括维修时间、维修内容、更换组件和维修结果，初始网络模型的超参数组合基于目标车辆的基本信息确定，基本信息包括目标车辆内多个组件各自对应的名称、材质、使用次数和位置。
目标车辆每次进行检修或维修时都会进行检修或维修的记录，即历史检修记录和历史维修记录，其中维修内容和检修内容中包括被维修或检修的组件，以及被维修或检修的组件的运行状态和参数。进而根据目标车辆的多条历史检修记录和多条历史维修记录对初始网络模型进行训练，其中初始网络模型的超参数组合根据目标车辆的基本信息确定，通过目标车辆内各个组件的材质、使用次数和位置等信息，设置合适目标车辆的超参数组合。
根据目标车辆的历史台账信息对初始网络模型进行训练，得到故障识别模型；将当前目标车辆内各个组件分别对应的运行状态输入故障识别模型，确定出目标车辆可能存在的若干个故障，以及每个故障类型对应的异常组件的名称、位置以及维修方式。通过目标车辆自身历史中的维修和检修数据对预测模型进行训练，能够提升故障识别模型识别故障的准确度。
进一步地，基于样本数据对初始网络模型进行训练，得到故障识别模型，样本数据包括所述目标车辆的历史台账数据，包括步骤SA（图中未示出）-步骤SC（图中未示出），其中：
步骤SA、基于目标车辆的基本信息，在仿真环境中创建仿真车辆。
具体地，根据目标车辆的基本信息，在仿真环境中等比例创建仿真车辆，其中目标车辆内每个组件的名称、材质、使用次数和位置与仿真环境中的仿真车辆内的仿真组件的一致。使得创建出的仿真车辆更符合目标车辆的实际使用情况。
步骤SB、获取仿真环境中仿真车辆的多个仿真使用数据，每个仿真使用数据包括仿真车辆的使用状态 ，以及仿真车辆内每个仿真组件各自对应的使用参数。
具体地，使仿真车辆在仿真环境中进行仿真实验，仿真车辆在仿真环境中模仿目标车辆在多种运行状态下运行，进而获取仿真车辆的多个仿真使用数据，仿真使用数据包括对应进行仿真实验时仿真车辆的使用状态，使用状态包括仿真车辆的正常行驶状态、正常静止状态以及多个故障类型和多个故障级别各自对应的故障状态。故障级别可以通过故障对车辆正常行驶的影响程度的大小进行划分，例如，故障级别可以分为1级、2级和3级，其中1级对仿真车辆的行驶速度没有影响；2级对仿真车辆的行驶速度产生一定的影响，但仿真车辆仍可行驶；3级的故障导致仿真车辆无法行驶。
步骤SC、基于历史台账数据以及多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型。
具体地，对历史台账数据和多个仿真使用数据进行清洗和规范化整合，并从中提取出多条训练数据，训练数据用于模型训练，将训练数据输入初始网络模型中进行训练，进而得到训练好的故障识别模型。
根据目标车辆的基本信息在仿真环境中创建仿真车辆，并使仿真车辆在仿真环境中运行使用，获取仿真车辆在仿真环境中的多个仿真使用数据；根据历史台账数据以及多个仿真使用数据对初始网络模型进行训练，进而得到训练好的故障识别模型。通过多个仿真使用数据丰富模型训练的样本量，能够提升故障识别模型的精度。
进一步地，在获取仿真环境中仿真车辆的多个仿真使用数据之前，还包括步骤S001（图中未示出）-步骤S004（图中未示出），其中：
步骤S001、基于历史台账数据，确定至少一个故障成因，每个故障成因包括故障名称、至少一个故障组件以及每个故障组件对应的参数。
对于本申请实施例，对历史台账数据中每条历史维修记录的维修内容和每条历史检修记录的检修内容进行语义分析，确定出目标车辆在历史使用中出现过的至少一个故障成因，其中故障成因中包括故障名称、导致该故障的至少一个故障组件以及每个故障组件在处于故障时的参数。故障组件的参数可以为文字描述的形式，也可以以特定的符号表示对应的参数，对于故障组件的参数的表现形式，本申请实施例中不进行具体限定。
步骤S002、对于每个故障成因，基于故障名称，确定若干个关联组件，关联组件为与对应的故障成因在结构上和/或功能上关联的组件。
对于本申请实施例，对于每个故障成因，根据该故障成因的故障名称确定出可能导致该故障的若干个关联组件，其中，可以从数据库中根据故障名称匹配出若干个关联组件，数据库中存储有故障名称与组件的结构和功能之间的对应关系表。还可以根据故障名称确定出目标车辆内故障的区域，根据该区域的功能和所处位置，结合目标车辆内每个组件的位置和名称，确定出若干个关联组件，其中关联组件所处的位置在目标区域的故障区域内。
步骤S003、为若干个关联组件以及至少一个故障组件分别设置的预设权重。
对于本申请实施例，为每个关联组件以及每个故障组件设置预设权重，预设权重可以为根据关联组件以及故障组件的不同分别进行设置，例如，预设权重根据每个关联组件和每个故障组件分别对故障成因的影响程度进行分配。预设权重也可以根据故障成因对应的若干个关联组件与至少一个故障组件的总个数，进而将权重均分至每个关联组件与每个故障组件。任意一个关联组件或故障组件可以对应一个或多个预设权重，在不同的故障成因下对应的预设权重可能相同也可能不同。
步骤S004、基于若干个关联组件对应的预设权重以及至少一个故障组件对应的预设权重，进行仿真训练，生成仿真使用数据。
对于本申请实施例，使仿真车辆在仿真环境内进行仿真训练，确定出仿真车辆每次进行仿真训练时每个仿真组件的使用参数，进而对于每个故障成因，根据该故障成因对应的每个关联组件的预设权重和使用参数以及每个故障组件对应的预设权重和使用参数，确定出该仿真车辆是否出现故障，进而生成仿真使用数据。
根据历史台账数据，确定至少一个故障成因，其中故障成因中包括故障的名称，导致该故障的故障组件以及故障组件的参数；对于每个故障成因，根据故障名称，确定出可能导致该故障的若干个关联组件；并为每个关联组件以及每个故障组件分别设置预设权重，预设权重用于表征对应的组件导致故障的可能性的大小；进而通过每个关联组件以及每个故障组件分别对应预设权重，确定在预设权重条件下的仿真车辆的仿真使用数据。导致故障的原因可能是一个或多个，因此可以通过对每个可能导致故障的组件设置不同比例的权重，确定出尽可能多的导致故障的可能，尽可能多的覆盖所有可能导致故障的原因。
进一步地，为若干个关联组件以及至少一个故障组件分别设置的预设权重，包括步骤0031（图中未示出）-步骤S0034（图中未示出），其中：
步骤0031、对若干个关联组件以及至少一个故障组件进行去重，确定至少一个影响组件。
具体地，对若干个关联组件以及至少一个故障组件进行去重处理，确定出可能导致异常的至少一个影响组件。例如，关联组件包括A、B和C，故障组件包括B和D，则影响组件包括A、B、C和D。
步骤0032、获取目标车辆内各个组件之间的相关信息，相关信息包括对应的组件之间的结构相关度、功能相关度以及性能相关度。
具体地，可以从数据库中获取目标车辆内各个组件之间的相关信息，也可以根据目标车辆的基本信息以及对目标车辆内各个组件进行运行试验，获取目标车辆内各个组件之间的结构相关度、功能相关度以及性能相关度。
步骤0033、基于目标车辆内各个组件之间的相关信息，确定至少一个影响组件对应的影响系数 ，影响系数用于表征对应的影响组件发生故障时其余组件发生故障的概率；
具体地，可以根据目标车辆内各个组件之间的相关信息，确定出每个影响组件在结构、功能和性能上直接或间接相关的若干个组件。进而可以根据影响组件直接或间接相关的组件的数量，确定出该影响组件对应的影响系数，与其相关的组件的数量越多对应的影响系数越大。还可以根据各个组件之间的相关信息，确定出每个组件对影像组件影响目标车辆正常行驶的程度，进而根据影响程度的大小，确定出对应的影响组件的影响系数，例如，在目标车辆发动机内的影响组件的影响系数为0.9，在目标车辆空调机内的影响组件的影响系数为0.3。
步骤0034、基于至少一个影响组件的影响系数，为若干个关联组件以及至少一个故障组件分别设置的预设权重。
具体地，对于同一故障成因对应的若干个关联组件和至少一个故障组件，根据每个影响组件对应的影响系数，为对应的关联组件或故障组件设置对应的权重。例如，故障成因对应有影响组件A、B和C，影响组件A、B和C的影响系数分别为0.8、0.6和0.6，则关联组件A的预设权重为0.4，关联组件B的预设权重为0.3，故障组件的预设权重为0.3。
根据目标车辆的结构信息，确定出目标车辆内各个组件之间的结构关系，进而根据目标车辆的结构关系确定出每个影响组件的影响系数，影响系数用于表征对应的影响组件发生故障时其余组件发生故障的概率，影响系数越大则对应的影响组件的预设权重越大。通过结构上的关系确定每个影响组件在出现异常时可能导致其牵连的组件出现异常，进而对应组件导致故障的可能性越大，使得确定出的预设权重更符合对应组件实际使用情况。
进一步地，为了更准确的确定影响组件的影响系数，在本申请实施例中，基于目标车辆内各个组件之间的相关信息，确定至少一个影响组件对应的影响系数，对于任一影响组件，包括：基于目标车辆内各个组件之间的相关信息，确定任一影响组件对应的若干个单因素组件、若干个双因素组件以及若干个多因素组件；
基于若干个单因素组件分别与任一影响组件对应的相关信息，确定单因素影响系数；
获取预设的多因素相关度和多个预设的双因素相关度；
基于若干个双因素组件分别与任一影响组件对应的相关信息以及多个预设的双因素相关度，确定双因素影响系数；
基于若干个多因素组件分别与任一影响组件对应的相关信息以及预设的多因素相关度，确定多因素影响系数；
将单因素影响系数、双因素影响系数以及多因素影响系数进行求和，确定任一影响组件的影响系数。
具体地，对于任一影响组件X，根据目标车辆内各个组件之间的相关信息，从目标车辆中的组件中确定出与影响组件X在结构、功能和性能上至少一方面存在关联的组件。其中判断组件之间是否存在关联根据组件之间的结构相关度、功能相关度和性能相关度确定，其中可以当在结构、功能或性能对应的相关度大于0时，确定对应的组件之间存在关联；可以当在结构、功能或性能对应的相关度大于预设值时，确定对应的组件之间存在关联。对于判断组件之间关联的方式，本申请实施例中不进行具体限定。
进一步地，影响组件X的影响系数的可以表示为：E=E1+E2+E3，其中，E为影响组件X的影响系数，E1为单因素影响系数，E2为双因素影响系数，E3为多因素影响系数。
单因素组件为仅在结构、功能和性能中任意一方面对应影响组件X存在关联的组件，单因素影响系数为若干个单因素组件对影响组件X的影响系数。从目标车辆包含的所有组件中确定出若干个单因素组件，进而根据每个单因素组件与影响组件在结构或功能或性能上的相关度，计算出影响组件X的单因素影响系数，单因素影响系数的计算公式可以表示为：E1=（S1+……+Si）/i+（F1+……+Fj）/j+（P1+……+Pk）/k，其中，Si为单因素组件i对影响组件X的结构相关度，i为结构上与影响组件X关联的单因素组件的数量；Fj为单因素组件j对影响组件X的功能相关度，j为功能上与影响组件X关联的单因素组件的数量；Pk为单因素组件k对影响组件X的性能相关度，k为性能上与影响组件X关联的单因素组件的数量。
若某一组件在两个或三个方面对影响组件X的都存在较大的影响，则可以确定对应组件为双因素组件或多因素组件，进而确定出影响组件X的对应的双因素影响系数和多因素影响系数。例如，在结构上结构相关度大于第一预设相关度，在功能上功能相关度大于第二预设相关度，在性能上性能相关度大于第三预设相关度。
双因素组件为在结构、功能和性能中任意两方面对应影响组件X存在关联的组件，双因素影响系数为若干个双因素组件对影响组件X的影响系数。根据每个双因素组件与影响组件的相关信息以及预设的双因素相关度，计算确定双因素影响系数，双因素影响系数的计算公式可以表示为：E2=（sf1+……+sfn1）/n1+（sp1+……+spn2）/n2+（pf1+……+pfn3）/n3，其中，sfn1为双因素组件n1对影响组件X在结构和功能上的相关度，sfn1=（Sn1+Fn1-Δsf），Δsf为预设的结构和功能对应双因素相关度，n1为结构和功能上与影响组件X关联的双因素组件的数量。spn2为双因素组件n2对影响组件X在结构和性能上的相关度，spn2=（Sn2+Pn2-Δsp），Δsp为预设的结构和性能对应双因素相关度，n2为结构和性能上与影响组件X关联的双因素组件的数量。pfn3为双因素组件n3对影响组件X在功能和性能上的相关度，pfn3=（Pn3+Fn3-Δpf），Δpf为预设的功能和性能对应双因素相关度，n3为功能和性能上与影响组件X关联的双因素组件的数量。
多因素组件为在结构、功能和性能均对应影响组件X存在关联的组件，多因素影响系数为若干个多因素组件对影响组件X的影响系数。多因素影响系数的计算公式可以表示为：E3=（sfp1+……+sfpn）/n，其中sfpn为多因素组件n对影响组件X在结构、功能和性能上的相关度，sfpn=（Sn+Fn+Pn-Δsfp），Δsfp为预设的结构、功能和性能对应多因素相关度，n为结构、功能和性能上均与影响组件X关联的多因素组件的数量。
根据目标车辆内各个组件之间的相关信息，确定任一影响组件对应的单因素组件、双因素组件以及多因素组件；对于不用影响关系的组件，采用对应的方式计算影响系数，能够更准确地确定出在影响组件发生故障时其余组件可能受到的影响程度，提示影响系数的准确度。
进一步地，基于历史台账数据以及多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型，包括步骤SC1（图中未示出）-步骤SC4（图中未示出），其中：
步骤SC1、基于目标车辆内每个组件的使用次数，确定多个仿真使用数据各自对应的参考权重。
具体地，仿真车辆在仿真环境中进行多次仿真实验，进而在每次仿真实验之后仿真车辆内的仿真部件会产生对应的运行次数，进而根据目标车辆内每个组件的使用次数，确定出每个仿真使用数据与目标车辆当前使用情况的相似程度。对于任一仿真使用数据，若该仿真使用数据中每个仿真组件的运行次数与目标车辆内组件的使用次数越接近，则对应的仿真使用数据的参考权重越大，即该条仿真使用数据的参考意义越大。
步骤SC2、基于多个仿真使用数据各自对应的参考权重，将历史台账数据以及多个仿真使用数据分为多个子集，每个子集中包括至少一条历史维修记录和至少一条历史检修记录。
具体地，根据每个仿真使用数据的参考权重，将多条历史检修记录、多条历史维修记录以及多个仿真使用数据进行分组，确定出多个子集，其中每个自己中包括至少一条历史维修记录和一条历史检修记录，且每个子集包含的多个仿真使用数据的权重之和在预设的区间内。
步骤SC3、确定多个训练组合，每个训练组合包括所有子集，确定任一子集为测试集，并确定非测试集的所有子集为训练集，每个训练组合的测试集不同。
具体地，若一共存在N个子集，则对应的确定出N个训练组合，其中每个训练组合中包括一个测试集以及N-1个训练集。例如，存在子集A1、A2和A3，那么一共可以确定出3个训练组合，分别包括：子集A1和A2作为训练集，子集A3作为测试集；子集A1和A3作为训练集，子集A2作为测试集；子集A2和A3作为训练集，子集A1作为测试集。
步骤SC4、基于多个训练组合，对初始网络模型进行训练，得到故障识别模型。
具体地，计算多个训练组合的误差，并在不同的参数条件下使用多个训练组合对初始网络模型进行训练，得到故障识别模型。
进一步地，还可以将历史台账数据以及仿真使用数据进行数据清洗和规范化整合后，确定出多条可以进行模型训练的训练数据。对于历史台账数据对应的训练数据，根据历史台账数据对应的时间，分别设置对应的权重；对于仿真使用数据对应训练数据，根据每个仿真使用数据对应的参考权重；权重越大的训练数据对模型训练的影响程度越大，进而进行模型训练，生成故障识别模型。
根据目标车辆内每个组件的使用次数，确定出每条仿真运行数据中对应的组件的运行次数与目标车辆的使用次数的临近程度，其中对于同一组件，若该组件在仿真运行数据中的运行次数与其在目标车辆内的使用次数越接近，则对应的参考权重越大；基于多个仿真使用数据各自对应的参考权重，将历史台账数据以及多个仿真使用数据分为多个子集，进而确定多个训练组合，每个训练组合包括所有子集，确定任一子集为测试集，并确定非测试集的所有子集为训练集，每个训练组合的测试集不同，基于多个训练组合对初始网络模型进行训练，得到故障识别模型，能够提升故障识别模型识别故障的准确度，且故障识别模型识别故障更符合目标车辆实际使用情况。
进一步地，将监测数据输入故障模型中，确定出异常信息，包括步骤S1021（图中未示出）-步骤S1023（图中未示出），其中：
步骤S1021、基于目标车辆内每个组件的位置和材质，将监测数据进行分类，确定多组待测数据，每组待测数据中包括功能相同的至少两个组件的运行状态信息。
具体地，根据目标车辆内每个组件的位置和材质，将监测数据进行分类，确定出多组待测数据，其中，每组待测数据包含的至少两个组件可能导致同一故障，即统一组待测数据内包含的组件在目标车辆运行中所起到的功能相同。
步骤S1022、基于监测数据，确定目标车辆的运行状态，运行状态包括静止、加速、平稳行驶和制动。
具体地，对目标车辆的监测数据进行分析，确定出目标车辆的运行状态，其中可以从监测数据中获取目标车辆制动系统和发动机对应的多个组件在检测数据中对应的信息，确定出目标车辆的运行状态，其中运行状态包括静止、加速、平稳行驶和制动。
步骤S1023、基于运行状态，将多组待测数据分别输入故障识别模型中，确定异常信息。
具体地，根据目标车辆的运行状态，确定出该运行状态下目标车辆对应的故障识别模型，其中对应的故障识别模型的训练数据的运行状态与目标车辆当前的运行状态一致。进而将每一组待测数据分别输入故障识别模型中进行故障识别，确定出该运行状态下目标车辆的异常信息。
根据目标车辆的监测数据，确定出获取监测数据时目标车辆的运行状态；将目标车辆的监测数据进行分类，确定多组待测数据，其中每组待测数据内包含至少两个组件的运行状态信息，且每组待测数据中包含的组件可能导致的故障类型相同，进而分别将每一组待测数据分别输入故障模型中，并结合目标车辆的运行状态，能够降低故障识别的范围，并降低非故障因素对故障识别准确度的影响，提升故障识别的速度。
进一步地，目标车辆内的组件在运行时存在一定的使用寿命，当临近或超过对应组件的使用寿命时，组件出现故障的概率较高，因此，一种故障确定方法，还包括步骤S103-步骤S105，其中：
步骤S103、获取基础损耗信息，基础损耗信息包括目标车辆内每个组件在损耗程度与运行次数之间的对应关系；
步骤S104、基于基础损耗信息以及历史台账数据，确定目标车辆内每个组件的生命周期。
对于本申请实施例，从数据库中获取目标车辆对应的基础损耗信息，基础损耗信息包括目标车辆内每个组件在使用过程中损耗程度与时间的对应关系。进而根据目标车辆内每个组件对应的基础损耗信息，以及目标车辆的历史台账信息中每个组件进行维修或检修时的参数，确定出目标车辆内每个组件可以使用的生命周期。
步骤S105、基于目标车辆内每个组件的生命周期以及基本信息，确定组件检修信息，组件检修信息包括若干个需要检修的组件。
对于本申请实施例，对于任一组件，通过该组件的生命周期以及该组件的使用次数，判断该组件是否需要进行检修，若该组件的使用次数与其生命周期之间的差值小于或等于预设值时，则确定该组件需要进行检修。减少因组件老化对目标车辆正常行驶可能产生的影响。
上述实施例从方法流程的角度介绍一种故障识别的方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种故障识别的装置，具体详见下述实施例。
本申请实施例提供一种故障识别的装置，如图2所示，该故障识别的装置具体可以包括监测数据获取模块201和异常信息确定模块202，其中：
监测数据获取模块201，用于获取目标车辆的监测数据，监测数据包括目标车辆内多个组件各自对应的运行状态信息；
异常信息确定模块202，用于将监测数据输入训练好的故障识别模型中，得到异常信息，异常信息包括若干个故障类型以及每个故障类型对应的至少一个异常组件的名称、位置和维修方式；
故障识别模型是基于样本数据对初始网络模型训练得到的，样本数据包括目标车辆的历史台账数据，历史台账数据包括多条历史检修记录和多条历史维修记录，每一历史检修记录包括检修时间、检修内容和检修结果，每一历史维修记录包括维修时间、维修内容、更换组件和维修结果，初始网络模型的超参数组合基于目标车辆的基本信息确定，基本信息包括目标车辆内多个组件各自对应的名称、材质、使用次数和位置。
通过采用上述技术方案，根据目标车辆的历史台账信息对初始网络模型进行训练，得到故障识别模型；将当前目标车辆内各个组件分别对应的运行状态输入故障识别模型，确定出目标车辆可能存在的若干个故障，以及每个故障类型对应的异常组件的名称、位置以及维修方式。通过目标车辆自身历史中的维修和检修数据对预测模型进行训练，能够提升故障识别模型识别故障的准确度。
在一种可能实现的方式中，故障确定装置还包括模型训练模块，模型训练模块在基于样本数据对初始网络模型进行训练，得到故障识别模型时，具体用于：
基于目标车辆的基本信息，在仿真环境中创建仿真车辆；
获取仿真环境中仿真车辆的多个仿真使用数据，每个仿真使用数据包括仿真车辆的使用状态，以及仿真车辆内每个仿真组件各自对应的使用参数；
基于历史台账数据以及多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型。
在一种可能实现的方式中，模型训练模块在获取仿真环境中仿真车辆的多个仿真使用数据之前，还包括：
故障成因确定模块，用于基于历史台账数据，确定至少一个故障成因，每个故障成因包括故障名称、至少一个故障组件以及每个故障组件对应的参数；
关联组件确定模块，用于对于每个故障成因，基于故障名称，确定若干个关联组件，关联组件为与对应的故障成因在结构上和/或功能上关联的组件；
预设权重设置模块，用于为若干个关联组件以及至少一个故障组件分别设置的预设权重；
仿真使用数据生成模块，用于基于若干个关联组件对应的预设权重以及至少一个故障组件对应的预设权重，进行仿真训练，生成仿真使用数据。
在一种可能实现的方式中，预设权重设置模块在为若干个关联组件以及至少一个故障组件分别设置的预设权重时，具体用于：
对若干个关联组件以及至少一个故障组件进行去重，确定至少一个影响组件；
获取目标车辆内各个组件之间的相关信息，相关信息包括对应的组件之间的结构相关度、功能相关度以及性能相关度；
基于目标车辆内各个组件之间的相关信息，确定至少一个影响组件对应的影响系数 ，影响系数用于表征对应的影响组件发生故障时其余组件发生故障的概率；
基于至少一个影响组件的影响系数，为若干个关联组件以及至少一个故障组件分别设置的预设权重。
在一种可能实现的方式中，预设权重设置模块在基于目标车辆内各个组件之间的相关信息，确定至少一个影响组件对应的影响系数时，对于任一影响组件，具体用于：
基于目标车辆内各个组件之间的相关信息，确定任一影响组件对应的若干个单因素组件、若干个双因素组件以及若干个多因素组件；
基于若干个单因素组件分别与任一影响组件对应的相关信息，确定单因素影响系数；
获取预设的多因素相关度和多个预设的双因素相关度；
基于若干个双因素组件分别与任一影响组件对应的相关信息以及多个预设的双因素相关度，确定双因素影响系数；
基于若干个多因素组件分别与任一影响组件对应的相关信息以及预设的多因素相关度，确定多因素影响系数；
将单因素影响系数、双因素影响系数以及多因素影响系数进行求和，确定任一影响组件的影响系数。
在一种可能实现的方式中，模型训练模块在基于历史台账数据以及多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型时，具体用于：
基于目标车辆内每个组件的使用次数，确定多个仿真使用数据各自对应的参考权重；
基于多个仿真使用数据各自对应的参考权重，将历史台账数据以及多个仿真使用数据分为多个子集，每个子集中包括至少一条历史维修记录和至少一条历史检修记录；
确定多个训练组合，每个训练组合包括所有子集，确定任一子集为测试集，并确定非测试集的所有子集为训练集，每个训练组合的测试集不同；
基于多个训练组合，对初始网络模型进行训练，得到故障识别模型。
在一种可能实现的方式中，异常信息确定模块202在将监测数据输入故障识别模型，确定异常信息时，具体用于：
基于目标车辆内每个组件的位置和材质，将监测数据进行分类，确定多组待测数据，每组待测数据中包括功能相同的至少两个组件的运行状态信息；
基于监测数据，确定目标车辆的运行状态，运行状态包括静止、加速、平稳行驶和制动；
基于运行状态，将多组待测数据分别输入故障识别模型中，确定异常信息。
本申请实施例中提供了一种电子设备，如图3所示，图3所示的电子设备300包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种故障确定方法，其特征在于，包括：
获取目标车辆的监测数据，所述监测数据包括目标车辆内多个组件各自对应的运行状态信息；
将所述监测数据输入训练好的故障识别模型中，得到异常信息，所述异常信息包括若干个故障类型以及每个所述故障类型对应的至少一个异常组件的名称、位置和维修方式；
所述故障识别模型是基于样本数据对初始网络模型训练得到的，所述样本数据包括所述目标车辆的历史台账数据，所述历史台账数据包括多条历史检修记录和多条历史维修记录，每一所述历史检修记录包括检修时间、检修内容和检修结果，每一所述历史维修记录包括维修时间、维修内容、更换组件和维修结果，所述初始网络模型的超参数组合基于目标车辆的基本信息确定，所述基本信息包括目标车辆内多个组件各自对应的名称、材质、使用次数和位置。
2.根据权利要求1所述的一种故障确定方法，其特征在于，基于所述样本数据对初始网络模型进行训练，得到故障识别模型，包括：
基于所述目标车辆的基本信息，在仿真环境中创建仿真车辆；
获取所述仿真环境中所述仿真车辆的多个仿真使用数据，每个所述仿真使用数据包括所述仿真车辆的使用状态，以及仿真车辆内每个仿真组件各自对应的使用参数；
基于所述历史台账数据以及所述多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型。
3.根据权利要求2所述的一种故障确定方法，其特征在于，在获取所述仿真环境中所述仿真车辆的多个仿真使用数据之前，还包括：
基于所述历史台账数据，确定至少一个故障成因，每个所述故障成因包括故障名称、至少一个故障组件以及每个所述故障组件对应的参数；
对于每个所述故障成因，基于所述故障名称，确定若干个关联组件，所述关联组件为与对应的故障成因在结构上和/或功能上关联的组件；
为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重；
基于所述若干个关联组件对应的预设权重以及所述至少一个故障组件对应的预设权重，进行仿真训练，生成仿真使用数据。
4.根据权利要求3所述的一种故障确定方法，其特征在于，所述为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重，包括：
对所述若干个关联组件以及所述至少一个故障组件进行去重，确定至少一个影响组件；
获取所述目标车辆内各个组件之间的相关信息，所述相关信息包括对应的组件之间的结构相关度、功能相关度以及性能相关度；
基于所述目标车辆内各个组件之间的相关信息，确定所述至少一个影响组件对应的影响系数 ，所述影响系数用于表征对应的影响组件发生故障时其余组件发生故障的概率；
基于所述至少一个影响组件的影响系数，为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重。
5.根据权利要求4所述的一种故障确定方法，其特征在于，所述基于所述目标车辆内各个组件之间的相关信息，确定所述至少一个影响组件对应的影响系数，对于任一影响组件，包括：
基于所述目标车辆内各个组件之间的相关信息，确定所述任一影响组件对应的若干个单因素组件、若干个双因素组件以及若干个多因素组件；
基于所述若干个单因素组件分别与所述任一影响组件对应的相关信息，确定单因素影响系数；
获取预设的多因素相关度和多个预设的双因素相关度；
基于所述若干个双因素组件分别与所述任一影响组件对应的相关信息以及所述多个预设的双因素相关度，确定双因素影响系数；
基于所述若干个多因素组件分别与所述任一影响组件对应的相关信息以及所述预设的多因素相关度，确定多因素影响系数；
将所述单因素影响系数、双因素影响系数以及多因素影响系数进行求和，确定所述任一影响组件的影响系数。
6.根据权利要求2所述的一种故障确定方法，其特征在于，所述基于所述历史台账数据以及所述多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型，包括：
基于所述目标车辆内每个组件的使用次数，确定所述多个仿真使用数据各自对应的参考权重；
基于所述多个仿真使用数据各自对应的参考权重，将所述历史台账数据以及所述多个仿真使用数据分为多个子集，每个所述子集中包括至少一条历史维修记录和至少一条历史检修记录；
确定多个训练组合，每个所述训练组合包括所有所述子集，确定任一子集为测试集，并确定非测试集的所有子集为训练集，每个所述训练组合的测试集不同；
基于所述多个训练组合，对初始网络模型进行训练，得到故障识别模型。
7.根据权利要求1所述的一种故障确定方法，其特征在于，所述将所述监测数据输入故障识别模型，确定异常信息，包括：
基于所述目标车辆内每个组件的位置和材质，将所述监测数据进行分类，确定多组待测数据，每组待测数据中包括功能相同的至少两个组件的运行状态信息；
基于所述监测数据，确定所述目标车辆的运行状态，所述运行状态包括静止、加速、平稳行驶和制动；
基于所述运行状态，将所述多组待测数据分别输入故障识别模型中，确定异常信息。
8.故障确定方法一种故障确定装置，其特征在于，包括：
监测数据获取模块，用于获取目标车辆的监测数据，所述监测数据包括目标车辆内多个组件各自对应的运行状态信息；
异常信息确定模块，用于将所述监测数据输入训练好的故障识别模型中，得到异常信息，所述异常信息包括若干个故障类型以及每个所述故障类型对应的至少一个异常组件的名称、位置和维修方式；
所述故障识别模型是基于样本数据对初始网络模型训练得到的，所述样本数据包括所述目标车辆的历史台账数据，所述历史台账数据包括多条历史检修记录和多条历史维修记录，每一所述历史检修记录包括检修时间、检修内容和检修结果，每一所述历史维修记录包括维修时间、维修内容、更换组件和维修结果，所述初始网络模型的超参数组合基于目标车辆的基本信息确定， 所述基本信息包括目标车辆内多个组件各自对应的名称、材质、使用次数和位置。
9.一种电子设备，其特征在于，该电子设备包括：
至少一个处理器；
存储器；
至少一个应用程序，其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行权利要求1-7中任一项所述的一种故障确定方法。
10.一种计算机可读存储介质，其特征在于，包括：存储有能够被处理器加载并执行如权利要求1-7中任一项所述的一种故障确定方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310442198.8A CN116451122B (zh) | 2023-04-23 | 2023-04-23 | 一种故障确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310442198.8A CN116451122B (zh) | 2023-04-23 | 2023-04-23 | 一种故障确定方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116451122A true CN116451122A (zh) | 2023-07-18 |
| CN116451122B CN116451122B (zh) | 2024-03-05 |
Family
ID=87135488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310442198.8A Active CN116451122B (zh) | 2023-04-23 | 2023-04-23 | 一种故障确定方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116451122B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217740A (zh) * | 2023-11-09 | 2023-12-12 | 江苏德琛常工新能源科技创新有限公司 | 一种基于人工智能的氢能设备故障数据传输系统及方法 |
| CN117671818A (zh) * | 2024-02-01 | 2024-03-08 | 新汽有限公司 | 一种车辆数据的管理系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110172879A1 (en) * | 2008-09-11 | 2011-07-14 | Toyota Jidosha Kabushiki Kaisha | Vehicle repair/replacement information management system, and vehicle abnormality cause information management system |
| US20160093119A1 (en) * | 2014-09-26 | 2016-03-31 | International Business Machines Corporation | Monitoring and Planning for Failures of Vehicular Components |
| CN107633114A (zh) * | 2017-08-21 | 2018-01-26 | 江苏省电力试验研究院有限公司 | 一种高压断路器潜伏性机械故障振动信号仿真方法及装置 |
| US20200327412A1 (en) * | 2019-04-15 | 2020-10-15 | SigOpt, Inc. | Systems and methods for tuning hyperparameters of a model and advanced curtailment of a training of the model |
| US20210350636A1 (en) * | 2020-05-07 | 2021-11-11 | Nec Laboratories America, Inc. | Deep learning of fault detection in onboard automobile systems |
| CN113723632A (zh) * | 2021-08-27 | 2021-11-30 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
| CN114743099A (zh) * | 2022-03-29 | 2022-07-12 | 北京京天威科技发展有限公司 | 列车关键部件故障识别方法、装置 |
| KR20220150696A (ko) * | 2021-05-04 | 2022-11-11 | 한국남동발전 주식회사 | 고장예측모델을 기반으로 하는 고장 예측 시스템 |
| CN115359585A (zh) * | 2022-08-24 | 2022-11-18 | 奇瑞汽车股份有限公司 | 车辆提前排查故障的方法、装置、车辆及存储介质 |
| CN115660640A (zh) * | 2022-10-21 | 2023-01-31 | 重庆长安汽车股份有限公司 | 一种智能的汽车零部件故障诊断建模方法、电子设备及程序产品 |
| CN115858311A (zh) * | 2023-03-04 | 2023-03-28 | 北京神州光大科技有限公司 | 运维监控的方法、装置、电子设备及可读存储介质 |
| CN115981984A (zh) * | 2023-01-06 | 2023-04-18 | 郑州云海信息技术有限公司 | 一种设备故障检测方法、装置、设备及存储介质 |
-
2023
- 2023-04-23 CN CN202310442198.8A patent/CN116451122B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110172879A1 (en) * | 2008-09-11 | 2011-07-14 | Toyota Jidosha Kabushiki Kaisha | Vehicle repair/replacement information management system, and vehicle abnormality cause information management system |
| US20160093119A1 (en) * | 2014-09-26 | 2016-03-31 | International Business Machines Corporation | Monitoring and Planning for Failures of Vehicular Components |
| CN107633114A (zh) * | 2017-08-21 | 2018-01-26 | 江苏省电力试验研究院有限公司 | 一种高压断路器潜伏性机械故障振动信号仿真方法及装置 |
| US20200327412A1 (en) * | 2019-04-15 | 2020-10-15 | SigOpt, Inc. | Systems and methods for tuning hyperparameters of a model and advanced curtailment of a training of the model |
| US20210350636A1 (en) * | 2020-05-07 | 2021-11-11 | Nec Laboratories America, Inc. | Deep learning of fault detection in onboard automobile systems |
| KR20220150696A (ko) * | 2021-05-04 | 2022-11-11 | 한국남동발전 주식회사 | 고장예측모델을 기반으로 하는 고장 예측 시스템 |
| CN113723632A (zh) * | 2021-08-27 | 2021-11-30 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
| CN114743099A (zh) * | 2022-03-29 | 2022-07-12 | 北京京天威科技发展有限公司 | 列车关键部件故障识别方法、装置 |
| CN115359585A (zh) * | 2022-08-24 | 2022-11-18 | 奇瑞汽车股份有限公司 | 车辆提前排查故障的方法、装置、车辆及存储介质 |
| CN115660640A (zh) * | 2022-10-21 | 2023-01-31 | 重庆长安汽车股份有限公司 | 一种智能的汽车零部件故障诊断建模方法、电子设备及程序产品 |
| CN115981984A (zh) * | 2023-01-06 | 2023-04-18 | 郑州云海信息技术有限公司 | 一种设备故障检测方法、装置、设备及存储介质 |
| CN115858311A (zh) * | 2023-03-04 | 2023-03-28 | 北京神州光大科技有限公司 | 运维监控的方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| W. XIAO 等: "Lithium-ion batteries fault diagnosis based on multi-dimensional indicator", 《2021 ANNUAL MEETING OF CSEE STUDY COMMITTEE OF HVDC AND POWER ELECTRONICS (HVDC 2021)》, pages 96 - 101 * |
| 杨雯迪: "基于数据空间故障文本处理的维修知识服务技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, pages 035 - 485 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217740A (zh) * | 2023-11-09 | 2023-12-12 | 江苏德琛常工新能源科技创新有限公司 | 一种基于人工智能的氢能设备故障数据传输系统及方法 |
| CN117217740B (zh) * | 2023-11-09 | 2024-02-06 | 江苏德琛常工新能源科技创新有限公司 | 一种基于人工智能的氢能设备故障数据传输系统及方法 |
| CN117671818A (zh) * | 2024-02-01 | 2024-03-08 | 新汽有限公司 | 一种车辆数据的管理系统 |
| CN117671818B (zh) * | 2024-02-01 | 2024-04-16 | 新汽有限公司 | 一种车辆数据的管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116451122B (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116451122B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| KR102527319B1 (ko) | 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법 | |
| CN110377682B (zh) | 轨迹类型确定方法、装置、计算设备和存储介质 | |
| Iyer et al. | Automatic recognition of intermittent failures: An experimental study of field data | |
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| Klyatis | Successful prediction of product performance | |
| CN109784630A (zh) | 自动驾驶水平评估方法、装置、计算机设备及存储介质 | |
| CN103676659A (zh) | 一种具智能记录的诊断仪及其记录方法 | |
| Jung et al. | A study of big data-based machine learning techniques for wheel and bearing fault diagnosis | |
| CN103218277A (zh) | 服务器环境的自动检测方法与装置 | |
| CN110143217B (zh) | 轨道状态测量方法、系统及装置 | |
| Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
| CN115204260A (zh) | 预测模型的训练、预测方法、装置、电子设备及存储介质 | |
| CN115480944A (zh) | 车载娱乐终端的黑屏故障分析方法、装置、车辆及介质 | |
| He et al. | Probabilistic model based algorithms for prognostics | |
| CN109783597A (zh) | 确定司机固定位置的方法、装置、电子设备、存储介质 | |
| CN116594828B (zh) | 一种端智能的质量评测方法及装置 | |
| CN116340046B (zh) | 一种芯粒故障检测方法和装置 | |
| Klyatis | About Trends in the Strategy of Development Accelerated Reliability and Durability Testing Technology | |
| CN116520816B (zh) | 伺服控制驱动器测试方法、装置、测试设备及存储介质 | |
| CN110745164B (zh) | 一种列车超速防护在线实验方法及系统 | |
| Shippey et al. | Code cleaning for software defect prediction: A cautionary tale | |
| Elberzhager et al. | Inspection and test process integration based on explicit test prioritization strategies | |
| Xu et al. | Fault Prediction of On-board Train Control System: An Data Balance-enhanced AdaBoost Approach | |
| KR20230014333A (ko) | 차량 제어기 테스트 장치 및 그 방법 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240130 Address after: Room 1227-1, 12th floor, Haitai building, No. 229, Middle North Fourth Ring Road, Haidian District, Beijing 100089 Applicant after: Beijing maglev Co.,Ltd. Country or region after: China Address before: Room 408, 1-14, 4 / F, Hengxiang building, No.15 Tuanjie hunanli, Chaoyang District, Beijing 100020 Applicant before: Beijing thinking Shichuang Technology Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |