CN116910552A - 一种车辆故障的检测方法、装置、车载终端及存储介质 - Google Patents

一种车辆故障的检测方法、装置、车载终端及存储介质 Download PDF

Info

Publication number
CN116910552A
CN116910552A CN202310895017.7A CN202310895017A CN116910552A CN 116910552 A CN116910552 A CN 116910552A CN 202310895017 A CN202310895017 A CN 202310895017A CN 116910552 A CN116910552 A CN 116910552A
Authority
CN
China
Prior art keywords
vehicle
sample
vehicle information
fault detection
cluster
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
Application number
CN202310895017.7A
Other languages
English (en)
Inventor
张凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Great Wall Motor Co Ltd
Original Assignee
Great Wall Motor Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Great Wall Motor Co Ltd filed Critical Great Wall Motor Co Ltd
Priority to CN202310895017.7A priority Critical patent/CN116910552A/zh
Publication of CN116910552A publication Critical patent/CN116910552A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请适用于汽车技术领域，提供了一种车辆故障的检测方法、装置、车载终端及存储介质，所述方法包括：获取待检测车辆的目标车辆信息；将目标车辆信息输入至已训练的故障检测模型进行处理，得到待检测车辆的故障检测结果；故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；样本数据集包括正样本集合和负样本集合；正样本集合和负样本集合基于聚类算法对样本车辆信息集合进行聚类处理得到。与现有技术使用的检测模型相比，本申请中的故障检测模型是对孤立森林模型进行训练得到的，且样本数据集是对基于聚类算法对样本车辆信息集合进行聚类处理后得到，提高了故障检测模型的检测精度，进而提高了对车辆故障的检测准确率。

Description

一种车辆故障的检测方法、装置、车载终端及存储介质
技术领域
本申请属于汽车技术领域，尤其涉及一种车辆故障的检测方法、装置、车载终端及存储介质。
背景技术
电子制动力分配(Electric Brakeforce Dis-tribution，EBD)是现代汽车中常用的安全技术之一。它是一种制动系统，用于在汽车刹车时自动调整每个轮子的制动力，以提高刹车性能和稳定性。在EBD出现故障时，会对驾驶员造成潜在的危险，因此，需要实时检测车辆的EBD是否发生故障。
然而，现有技术通常需要使用大量的已标记的历史异常样本训练检测模型，当检测模型采集的异常样本缺失或较少时，无法对车辆的EBD系统是否发生故障进行准确的判断。由此可见，现有技术存在对车辆的EBD系统的故障检测准确率较低的问题。
发明内容
本申请实施例提供了一种车辆故障的检测方法、装置、车载终端及存储介质，提高了对车辆故障的检测准确率。
第一方面，本申请实施例提供了一种车辆故障的检测方法，包括：
获取待检测车辆的目标车辆信息；
将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果；其中，所述故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；所述样本数据集包括正样本集合和负样本集合；所述正样本集合和所述负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。
可选的，所述样本车辆信息集合通过以下方式获取：
获取由在历史时间段内发生过故障的所有车辆组成的历史车辆集合；
根据预设策略从所述历史车辆集合中选取样本车辆；
将所述样本车辆在所述历史时间段内的所有车辆信息确定为所述样本车辆信息集合。
可选的，所述故障检测模型通过以下方式训练获得：
对所述样本车辆信息集合中的每个样本车辆信息进行数据清洗处理和特征工程处理，得到标准样本信息集合；
将所述标准样本信息集合输入至所述孤立森林模型进行优化训练，得到所述故障检测模型。
可选的，所述故障检测模型通过以下方式训练获得：
将所述样本车辆信息集合输入至所述孤立森林模型进行处理，得到所述样本车辆信息集合中每个样本车辆信息对应的异常分数；
根据所述每个样本车辆信息对应的异常分数，对所述每个样本车辆信息进行聚类处理，得到所述样本车辆信息集合对应的多个簇；
确定每个簇中，第一数量与所述簇中样本车辆信息的总数量之间的比值；其中，第一数量指所述每个簇中，所述异常分数小于第一阈值的第一样本车辆信息的数量；
根据所述比值对所述多个簇进行划分，得到所述正样本集合和所述负样本集合；
根据所述正样本集合和所述负样本集合，对所述孤立森林模型进行优化训练，得到所述故障检测模型。
可选的，所述确定每个簇中，第一数量与所述簇中样本车辆信息的总数量之间的比值，包括：
计算所述多个簇的簇间平方和；
若所述簇间平方和大于或等于第二阈值，则确定所述每个簇的所述比值。
可选的，所述根据所述比值对所述多个簇进行划分，得到所述正样本集合和所述负样本集合，包括：
若目标簇对应的比值小于第三阈值，则将所述目标簇划分至所述正样本集合；所述目标簇用于表示所述多个簇中的任意一个簇；
若所述目标簇对应的比值大于第四阈值，则将所述目标簇划分至所述负样本集合；所述第四阈值大于所述第三阈值。
可选的，所述将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果，包括：
将历史车辆信息输入至所述故障检测模型进行处理，得到当前检测结果；
若所述当前检测结果与所述历史车辆信息对应的基准检测结果相符，则将所述目标车辆信息输入至所述故障检测模型进行处理，得到所述待检测车辆的故障检测结果。
第二方面，本申请实施例提供了一种车辆故障的检测装置，包括：
第一获取单元，用于获取待检测车辆的目标车辆信息；
第一处理单元，用于将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果；其中，所述故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；所述样本数据集包括正样本集合和负样本集合；所述正样本集合和所述负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。
第三方面，本申请实施例提供了一种车载终端，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的车辆故障的检测方法。
第四方面，本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的车辆故障的检测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在车载终端上运行时，使得车载终端可执行上述第一方面中任一项所述的车辆故障的检测方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例提供的一种车辆故障的检测方法，通过获取待检测车辆的目标车辆信息；将目标车辆信息输入至已训练的故障检测模型进行处理，得到待检测车辆的故障检测结果；其中，故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；样本数据集包括正样本集合和负样本集合；正样本集合和负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。与现有技术使用的检测模型相比，本申请中的故障检测模型是对孤立森林模型进行训练得到的，因此在异常样本缺失或较少时，不会对该故障检测模型的检测精度造成影响，且该故障检测模型的样本数据集是对基于聚类算法对样本车辆信息集合进行聚类处理后得到，从而保证了正样本集合和负样本集合的准确性，从而提高了故障检测模型的检测精度，进而提高了对车辆故障的检测准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1是本申请一实施例提供的车辆故障的检测方法的实现流程图；
图2是本申请另一实施例提供的车辆故障的检测方法的实现流程图；
图3是本申请再一实施例提供的车辆故障的检测方法的实现流程图；
图4是本申请一实施例提供的车辆故障的检测装置的结构示意图；
图5是本申请一实施例提供的车载终端的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
需要说明的是，在本申请所有实施例中，车辆故障指车辆的电子制动力分配(Electric Brakeforce Dis-tribution，EBD)系统产生的故障。
请参阅图1，图1是本申请一实施例提供的一种车辆故障的检测方法的实现流程图。本申请实施例中，该车辆故障的检测方法的执行主体为车载终端。
如图1所示，本申请一实施例提供的车辆故障的检测方法可以包括S101～S102，详述如下：
在S101中，获取待检测车辆的目标车辆信息。
在实际应用中，为了及时检测车辆是否产生故障，避免发生危险，车辆的使用人员可以触发针对车载终端的故障检测请求。
本申请实施例中，车载终端检测到使用人员发送的故障检测请求可以是：检测到针对车载终端的预设操作。其中，预设操作可以根据实际需要设置，此处不作限制，示例性的，预设操作可以是：点击车辆中的预设控件。基于此，车载终端在检测到车辆中的预设控件被点击时，说明检测到针对车载终端的预设操作，即检测到使用人员发送的故障检测请求。
车载终端在检测到上述故障检测请求后，可以实时获取待检测车辆的目标车辆信息。
在一些可能的实施例中，为了及时检测待检测车辆是否产生故障，车载终端可以在待检测车辆运行时持续获取待检测车辆的目标车辆信息。其中，目标车辆信息包括但不限于：车速、横向加速度、纵向加速度、刹车踏板位置、制动踏板位置、左前轮速度、右前轮速度、左后轮速度、右后轮速度等。
当车辆故障为车辆的电子制动力分配(Electric Brakeforce Dis-tribution，EBD)系统产生的故障时，由于EBD系统是一种制动系统，用于在汽车刹车是自动调整每个轮子的制动力，以提高刹车性能的稳定性，也就是说，EBD系统可以控制车辆的车速、各个车轮的轮速以及制动踏板位置，因此，此时，待检测车辆的目标车辆信息可以是：车速、制动踏板位置、左前轮速度、右前轮速度、左后轮速度及右后轮速度等。
在本申请实施例的一种实现方式中，车载终端可以通过与其无线通信连接的传感器实时获取到上述目标车辆信息。
其中，传感器包括但不限于：速度传感器和制动踏板传感器。
在S102中，将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果；其中，所述故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；所述样本数据集包括正样本集合和负样本集合；所述正样本集合和所述负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。
本申请实施例中，车载终端在得到目标车辆信息后，可以将该目标车辆信息输入至已训练的故障检测模型进行处理，从而得到待检测车辆的故障检测结果。
其中，故障检测结果包括但不限于：有故障和无故障。
在实际应用中，孤立森林(Isolation Forests)是一种异常检测算法，可以处理大规模的多维数据。同时，孤立森林无需大量异常样本，因此，为了提高对车辆故障的检测准确率，故障检测模型可以是基于样本数据集对孤立森林模型进行训练得到。
在本申请的一个实施例中，为了提高样本数据集的数据质量和故障检测模型的拟合优度，以提高故障检测模型的检测精度，车载终端可以通过以下步骤对孤立森林模型进行训练，详述如下：
对所述样本车辆信息集合中的每个样本车辆信息进行数据清洗处理和特征工程处理，得到标准样本信息集合；
将所述标准样本信息集合输入至所述孤立森林模型进行优化训练，得到所述故障检测模型。
在实际应用中，数据清洗(Data cleaning)是对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。
特征工程包括数据预处理、特征抽取、特征构造及特征选择等。
本实施例中，车载终端对样本车辆信息集合中的每个样本车辆信息进行数据清洗处理和特征工程处理，即完成对样本车辆信息集合的异常数据清洗、特征整合、特征转换及数据标准化等操作，从而得到标准样本信息集合。
基于此，车载终端可以将标准样本信息集合输入至孤立森林模型进行优化训练，以得到故障检测模型。
需要说明的是，为了提高故障检测模型的检测精度，以进一步提高对车辆故障的检测准确率，上述样本数据集包括正样本集合和负样本集合，且正样本集合和负样本集合可以基于聚类算法对样本车辆信息集合进行聚类处理后得到。其中，聚类算法包括但不限于：K-Means算法和FCM聚类算法等。
在本申请的另一个实施例中，样本车辆信息集合可以通过以下步骤得到，详述如下：
获取由在历史时间段内发生过故障的所有车辆组成的历史车辆集合；
根据预设策略从所述历史车辆集合中选取样本车辆；
将所述样本车辆在所述历史时间段内的所有车辆信息确定为所述样本车辆信息集合。
本实施例中，由于从车辆开始产生第一个故障的时间至今包含的数据量过大，且时间久远的数据不具有参考性，因此，车载终端可以获取由在历史时间段内发生过故障的所有车辆组成的历史车辆集合。其中，历史时间段可以根据实际需要设置，此处不作限制。
在一些可能的实施例中，预设策略可以是：根据车辆故障发生频率和车辆出厂日期选取样本车辆。
基于此，车载终端可以根据车辆故障发生频率和车辆出厂日期，从历史车辆集合中选取样本车辆。
之后，车载终端可以将样本车辆在历史时间段内的所有车辆信息确定为样本车辆信息集合。
以上可以看出，本申请实施例提供的一种车辆故障的检测方法，通过获取待检测车辆的目标车辆信息；将目标车辆信息输入至已训练的故障检测模型进行处理，得到待检测车辆的故障检测结果；其中，故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；样本数据集包括正样本集合和负样本集合；正样本集合和负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。与现有技术使用的检测模型相比，本申请中的故障检测模型是对孤立森林模型进行训练得到的，因此在异常样本缺失或较少时，不会对该故障检测模型的检测精度造成影响，且该故障检测模型的样本数据集是对基于聚类算法对样本车辆信息集合进行聚类处理后得到，从而保证了正样本集合和负样本集合的准确性，从而提高了故障检测模型的检测精度，进而提高了对车辆故障的检测准确率。
请参阅图2，图2是本申请另一实施例提供的车辆故障的检测方法。相对于图1对应的实施例，本实施例在S102之前，故障检测模型还可以通过不在S201～S205构建得到，详述如下：
在S201中，将所述样本车辆信息集合输入至所述孤立森林模型进行处理，得到所述样本车辆信息集合中每个样本车辆信息对应的异常分数。
本实施例中，车载终端可以将样本车辆信息集合输入至孤立森林模型后，可以根据现有的孤立森林算法对数据的处理过程对该样本车辆信息集合进行处理，从而得到本车辆信息集合中每个样本车辆信息对应的异常分数。
在S202中，根据所述每个样本车辆信息对应的异常分数，对所述每个样本车辆信息进行聚类处理，得到所述样本车辆信息集合对应的多个簇。
本实施例中，车载终端可以根据每个样本车辆信息对应的异常分数，对每个样本车辆信息进行聚类处理，得到样本车辆信息集合对应的多个簇。
具体地，车载终端可以随机从每个样本车辆信息对应的异常分数中选取多个初始聚类中心。其中，初始聚类中心即为异常分数。
需要说明的是，在实际应用中，一个聚类中心对应一个簇，且一个样本车辆信息只能处于一个簇中。
车载终端在确定多个初始聚类中心后，针对除多个初始聚类中心对应的样本车辆信息外的每个剩余样本车辆信息，需要计算每个剩余样本车辆信息的剩余异常分数分别与多个初始聚类中心之间的初始距离。其中，初始距离指欧氏距离。
车载终端在计算得到某个剩余异常分数分别与多个初始聚类中心之间的初始距离后，需要确定初始距离中的最小初始距离，并将该剩余异常分数对应的剩余样本车辆信息聚类至该最小初始距离对应的初始聚类中心对应的簇中。
本实施例中，为了提高聚类准确率和聚类效果，终端设备在将多个剩余异常分数各自对应的剩余样本车辆信息聚类至相应的簇中后，需要根据每个簇包含的至少一个异常分数计算每个簇的目标聚类中心。
示例性的，车载终端可以利用每簇中包含的至少一个异常分数的平均值重新计算该簇的目标聚类中心。
基于此，车载终端可以得到样本车辆信息集合对应的多个簇。
在S203中，确定每个簇中，第一数量与所述簇中样本车辆信息的总数量之间的比值；其中，第一数量指所述每个簇中，所述异常分数小于第一阈值的第一样本车辆信息的数量。
本实施例中，针对每个簇，车载终端可以统计该簇中，异常分数小于第一阈值的第一样本车辆信息的占比，即确定该簇中，第一数量与该簇中样本车辆信息的总数量之间的比值。
在本申请的一个实施例中，车载终端可以通过如图3所示的步骤S301～S302实现步骤S203，详述如下：
在S301中，计算所述多个簇的簇间平方和。
本实施例中，为了评估对每个样本车辆信息进行聚类处理的聚类效果，以提高聚类准确率，车载终端可以计算多个簇的簇间平方和。
在实际应用中，簇间平方和是一种用来评价聚类结果的指标，它用来衡量不同簇间的距离。其中，簇间平方和越大，表示不同簇之间的距离越远，聚类效果越好。
基于此，车载终端在计算得到多个簇的簇间平方和后，可以将该簇间平方和与第二阈值进行比较。其中，第二阈值可以根据实际需要确定，此处不作限制，示例性的，第二阈值可以为0.8。
在本申请的一个实施例中，车载终端在检测到多个簇的簇间平方和大于或等于第二阈值时，可以执行步骤S302。
在本申请的另一个实施例中，车载终端在检测到多个簇的簇间平方和小于第二阈值时，说明多个簇之间的距离较近，即对样本车辆信息集合的聚类效果较差，因此，车载终端可以继续对样本车辆信息集合进行聚类处理，直至最新的样本车辆信息的多个簇的簇间平方和大于或等于第二阈值。
在S302中，若所述簇间平方和大于或等于第二阈值，则确定所述每个簇的所述比值。
本实施例中，车载终端在检测到多个簇的簇间平方和大于或等于第二阈值时，说明多个簇之间的距离，即对样本车辆信息集合的聚类效果好，因此，车载终端可以确定每个簇中，第一数量与该簇中样本车辆信息的总数量之间的比值。
在S204中，根据所述比值对所述多个簇进行划分，得到所述正样本集合和所述负样本集合。
在S205中，根据所述正样本集合和所述负样本集合，对所述孤立森林模型进行优化训练，得到所述故障检测模型。
本实施例中，针对每个簇，车载终端可以根据该簇对应的比值对该簇进行划分，从而得到正样本集合和负样本集合。
具体地，车载终端可以将目标簇对应的比值分别与第三阈值和第四阈值进行比较。其中，目标簇用于表示多个簇中的任意一个簇。第三阈值和第四阈值均可以根据实际需要设置，此处不作限制，且第三阈值小于第四阈值。示例性的，第三阈值可以设置为0.08，第四阈值可以设置为0.9。
基于此，车载终端在检测到目标簇对应的比值小于第三阈值时，说明第一数量较少，即目标簇中异常分数小于第一阈值的第一样本车辆信息的数量较少，因此，车载终端可以确定目标簇正常，基于此，车载终端可以将目标簇划分至正样本集合。
车载终端在检测到目标簇对应的比值大于第四阈值时，说明第一数量过大，即目标簇中异常分数小于第一阈值的第一样本车辆信息的数量过多，因此，车载终端可以确定目标簇异常，基于此，车载终端可以将目标簇划分至负样本集合。
之后，车载终端可以根据正样本集合和负样本集合，对孤立森林模型进行优化训练，以得到故障检测模型。
以上可以看出，本实施例提供的车辆故障的检测方法，将样本车辆信息集合输入至孤立森林模型进行处理，得到样本车辆信息集合中每个样本车辆信息对应的异常分数；根据每个样本车辆信息对应的异常分数，对每个样本车辆信息进行聚类处理，得到样本车辆信息集合对应的多个簇；确定每个簇中，第一数量与簇中样本车辆信息的总数量之间的比值；其中，第一数量指每个簇中，异常分数小于第一阈值的第一样本车辆信息的数量；根据比值对多个簇进行划分，得到正样本集合和负样本集合；根据正样本集合和负样本集合，对孤立森林模型进行优化训练，得到故障检测模型。本实施例提供的检测方法，提高了故障检测模型的检测精度，进而提高了对车辆故障的检测准确率。
在本申请的一个实施例中，为了进一步提高对车辆故障的检测准确率，车载终端可以通过以下步骤执行S102，详述如下：
将历史车辆信息输入至所述故障检测模型进行处理，得到当前检测结果；
若所述当前检测结果与所述历史车辆信息对应的基准检测结果相符，则将所述目标车辆信息输入至所述故障检测模型进行处理，得到所述待检测车辆的故障检测结果。
本实施例中，车载终端在将目标车辆信息输入至故障检测模型进行处理之前，可以先将历史车辆信息输入至故障检测模型进行处理，从而得到历史车辆信息对应的当前检测结果，并将该当前检测结果与历史车辆信息对应的基准检测结果进行比较，以评估故障检测模型的检测效果。其中，历史车辆信息对应的基准检测结果用于描述历史车辆信息的实际故障检测结果。
基于此，车载终端在检测到当前检测结果与历史车辆信息对应的基准检测结果相符时，说明故障检测模型的检测效果较好，因此，车载终端可以将车辆信息输入至故障检测模型进行处理，以得到待检测车辆的故障检测结果。
车载终端在检测到当前检测结果与历史车辆信息对应的基准检测结果不相符时，说明故障检测模型的检测效果较差，因此，车载终端可以继续对故障检测模型进行优化训练，以提高故障检测模型的检测准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种车辆故障的检测方法，图4示出了本申请实施例提供的一种车辆故障的检测装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。参照图4，该车辆故障的检测装置400包括：第一获取单元41和第一处理单元42。其中：
第一获取单元41用于获取待检测车辆的目标车辆信息。
第一处理单元42用于将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果；其中，所述故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；所述样本数据集包括正样本集合和负样本集合；所述正样本集合和所述负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。
在本申请的一个实施例中，车辆故障的检测装置400还包括：第二获取单元、选取单元及第一确定单元。其中：
第二获取单元用于获取由在历史时间段内发生过故障的所有车辆组成的历史车辆集合。
选取单元用于根据预设策略从所述历史车辆集合中选取样本车辆。
第一确定单元用于将所述样本车辆在所述历史时间段内的所有车辆信息确定为所述样本车辆信息集合。
在本申请的一个实施例中，车辆故障的检测装置400还包括：第二处理单元和第一训练单元。其中：
第二处理单元用于对所述样本车辆信息集合中的每个样本车辆信息进行数据清洗处理和特征工程处理，得到标准样本信息集合。
第一训练单元用于将所述标准样本信息集合输入至所述孤立森林模型进行优化训练，得到所述故障检测模型。
在本申请的一个实施例中，车辆故障的检测装置400还包括：输入单元、聚类单元、第二确定单元、第一划分单元及第二训练单元。其中：
输入单元用于将所述样本车辆信息集合输入至所述孤立森林模型进行处理，得到所述样本车辆信息集合中每个样本车辆信息对应的异常分数。
聚类单元用于根据所述每个样本车辆信息对应的异常分数，对所述每个样本车辆信息进行聚类处理，得到所述样本车辆信息集合对应的多个簇。
第二确定单元用于确定每个簇中，第一数量与所述簇中样本车辆信息的总数量之间的比值；其中，第一数量指所述每个簇中，所述异常分数小于第一阈值的第一样本车辆信息的数量。
第一划分单元用于根据所述比值对所述多个簇进行划分，得到所述正样本集合和所述负样本集合。
第二训练单元用于根据所述正样本集合和所述负样本集合，对所述孤立森林模型进行优化训练，得到所述故障检测模型。
在本申请的一个实施例中，所述第二确定单元具体包括：计算单元和第三确定单元。其中：
计算单元用于计算所述多个簇的簇间平方和。
第三确定单元用于若所述簇间平方和大于或等于第二阈值，则确定所述每个簇的所述比值。
在本申请的一个实施例中，所述第一划分单元具体包括：第二划分单元和第三划分单元。其中：
第二划分单元用于若目标簇对应的比值小于第三阈值，则将所述目标簇划分至所述正样本集合；所述目标簇用于表示所述多个簇中的任意一个簇。
第三划分单元用于若所述目标簇对应的比值大于第四阈值，则将所述目标簇划分至所述负样本集合；所述第四阈值大于所述第三阈值。
在本申请的一个实施例中，第一处理单元42具体包括：第三处理单元和第四处理单元。其中：
第三处理单元用于将历史车辆信息输入至所述故障检测模型进行处理，得到当前检测结果。
第四处理单元用于若所述当前检测结果与所述历史车辆信息对应的基准检测结果相符，则将所述目标车辆信息输入至所述故障检测模型进行处理，得到所述待检测车辆的故障检测结果。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5为本申请一实施例提供的车载终端的结构示意图。如图5所示，该实施例的车载终端5包括：至少一个处理器50(图5中仅示出一个)处理器、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意各个车辆故障的检测方法实施例中的步骤。
该车载终端可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是车载终端5的举例，并不构成对车载终端5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51在一些实施例中可以是所述车载终端5的内部存储单元，例如车载终端5的内存。所述存储器51在另一些实施例中也可以是所述车载终端5的外部存储设备，例如所述车载终端5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述车载终端5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在车载终端上运行时，使得车载终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到车载终端的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种车辆故障的检测方法，其特征在于，包括：
获取待检测车辆的目标车辆信息；
将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果；其中，所述故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；所述样本数据集包括正样本集合和负样本集合；所述正样本集合和所述负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。
2.如权利要求1所述的车辆故障的检测方法，其特征在于，所述样本车辆信息集合通过以下方式获取：
获取由在历史时间段内发生过故障的所有车辆组成的历史车辆集合；
根据预设策略从所述历史车辆集合中选取样本车辆；
将所述样本车辆在所述历史时间段内的所有车辆信息确定为所述样本车辆信息集合。
3.如权利要求1所述的车辆故障的检测方法，其特征在于，所述故障检测模型通过以下方式训练获得：
对所述样本车辆信息集合中的每个样本车辆信息进行数据清洗处理和特征工程处理，得到标准样本信息集合；
将所述标准样本信息集合输入至所述孤立森林模型进行优化训练，得到所述故障检测模型。
4.如权利要求1所述的车辆故障的检测方法，其特征在于，所述故障检测模型通过以下方式训练获得：
将所述样本车辆信息集合输入至所述孤立森林模型进行处理，得到所述样本车辆信息集合中每个样本车辆信息对应的异常分数；
根据所述每个样本车辆信息对应的异常分数，对所述每个样本车辆信息进行聚类处理，得到所述样本车辆信息集合对应的多个簇；
确定每个簇中，第一数量与所述簇中样本车辆信息的总数量之间的比值；其中，第一数量指所述每个簇中，所述异常分数小于第一阈值的第一样本车辆信息的数量；
根据所述比值对所述多个簇进行划分，得到所述正样本集合和所述负样本集合；
根据所述正样本集合和所述负样本集合，对所述孤立森林模型进行优化训练，得到所述故障检测模型。
5.如权利要求4所述的车辆故障的检测方法，其特征在于，所述确定每个簇中，第一数量与所述簇中样本车辆信息的总数量之间的比值，包括：
计算所述多个簇的簇间平方和；
若所述簇间平方和大于或等于第二阈值，则确定所述每个簇的所述比值。
6.如权利要求4所述的车辆故障的检测方法，其特征在于，所述根据所述比值对所述多个簇进行划分，得到所述正样本集合和所述负样本集合，包括：
若目标簇对应的比值小于第三阈值，则将所述目标簇划分至所述正样本集合；所述目标簇用于表示所述多个簇中的任意一个簇；
若所述目标簇对应的比值大于第四阈值，则将所述目标簇划分至所述负样本集合；所述第四阈值大于所述第三阈值。
7.如权利要求1-6任一项所述的车辆故障的检测方法，其特征在于，所述将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果，包括：
将历史车辆信息输入至所述故障检测模型进行处理，得到当前检测结果；
若所述当前检测结果与所述历史车辆信息对应的基准检测结果相符，则将所述目标车辆信息输入至所述故障检测模型进行处理，得到所述待检测车辆的故障检测结果。
8.一种车辆故障的检测装置，其特征在于，包括：
第一获取单元，用于获取待检测车辆的目标车辆信息；
第一处理单元，用于将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果；其中，所述故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；所述样本数据集包括正样本集合和负样本集合；所述正样本集合和所述负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。
9.一种车载终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的车辆故障的检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的车辆故障的检测方法。
CN202310895017.7A 2023-07-20 2023-07-20 一种车辆故障的检测方法、装置、车载终端及存储介质 Pending CN116910552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310895017.7A CN116910552A (zh) 2023-07-20 2023-07-20 一种车辆故障的检测方法、装置、车载终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310895017.7A CN116910552A (zh) 2023-07-20 2023-07-20 一种车辆故障的检测方法、装置、车载终端及存储介质

Publications (1)

Publication Number Publication Date
CN116910552A true CN116910552A (zh) 2023-10-20

Family

ID=88352711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310895017.7A Pending CN116910552A (zh) 2023-07-20 2023-07-20 一种车辆故障的检测方法、装置、车载终端及存储介质

Country Status (1)

Country Link
CN (1) CN116910552A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117873839A (zh) * 2024-03-12 2024-04-12 苏州元脑智能科技有限公司 复杂算力系统的故障检测方法、装置、设备和存储介质
CN117873839B (zh) * 2024-03-12 2024-06-04 苏州元脑智能科技有限公司 复杂算力系统的故障检测方法、装置、设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117873839A (zh) * 2024-03-12 2024-04-12 苏州元脑智能科技有限公司 复杂算力系统的故障检测方法、装置、设备和存储介质
CN117873839B (zh) * 2024-03-12 2024-06-04 苏州元脑智能科技有限公司 复杂算力系统的故障检测方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
WO2012128256A1 (ja) 車両データ解析装置、車両データ解析方法、及び故障診断装置
CN109934954B (zh) 无人车运行场景确定方法及设备
CN111506048B (zh) 车辆故障预警方法及相关设备
CN115221218A (zh) 车辆数据的质量评估方法、装置、计算机设备和存储介质
CN113588984B (zh) 列车测速测距方法、装置、电子设备及存储介质
CN112463564B (zh) 确定影响主机状态的关联指标的方法及装置
CN116910552A (zh) 一种车辆故障的检测方法、装置、车载终端及存储介质
CN113052892A (zh) 一种车辆货物体积计算方法、装置及存储介质
CN115655740B (zh) 车辆制动性能的检测方法、装置、电子设备及存储介质
CN113658426B (zh) 一种车辆事故识别方法及装置
CN111325869B (zh) 一种车辆疲劳驾驶精确判断方法、终端设备及存储介质
CN112874528B (zh) 车速确定方法、车速确定装置、车载终端及存储介质
CN112858725B (zh) 一种车速一致性检测方法、终端设备及存储介质
CN112699563A (zh) 一种速度分段方法、装置、电子设备及存储介质
CN111045875B (zh) 车辆事故检测方法及相关设备
CN111143225B (zh) 一种汽车诊断软件的漏洞处理方法和相关产品
CN117555322B (zh) 一种edr数据提取方法、装置、设备及存储介质
CN112498324B (zh) 一种车辆刹车状态的确定方法和装置
WO2023087153A1 (zh) 一种标定方法、装置及系统
CN115303280B (zh) 冗余低延迟的车辆行驶道路的识别方法和装置
CN114531312B (zh) 车辆数据分析装置及其车辆数据分析方法
CN115718680B (zh) 数据读取方法、系统、计算机及可读存储介质
CN113918891B (zh) 驾驶系统评估方法、装置、计算机设备和存储介质
CN116501018A (zh) 一种确定车辆故障的方法、装置、设备及存储介质
CN110816298A (zh) 一种电动汽车安全监控方法、装置、存储介质及汽车

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