CN117150388B - 汽车底盘的异常状态检测方法及系统 - Google Patents
汽车底盘的异常状态检测方法及系统 Download PDFInfo
- Publication number
- CN117150388B CN117150388B CN202311438635.5A CN202311438635A CN117150388B CN 117150388 B CN117150388 B CN 117150388B CN 202311438635 A CN202311438635 A CN 202311438635A CN 117150388 B CN117150388 B CN 117150388B
- Authority
- CN
- China
- Prior art keywords
- chassis
- abnormal
- matrix
- target
- automobile
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 365
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 239000011159 matrix material Substances 0.000 claims abstract description 198
- 238000004458 analytical method Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000005457 optimization Methods 0.000 claims abstract description 67
- 230000005856 abnormality Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000000712 assembly Effects 0.000 claims description 11
- 238000000429 assembly Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 11
- 241000283153 Cetacea Species 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013433 optimization analysis Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 2
- 239000000725 suspension Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 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
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F18/24—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及异常检测领域,公开了一种汽车底盘的异常状态检测方法及系统,用于提高汽车底盘的异常状态检测准确率。方法包括:确定目标汽车底盘的多个底盘寿命影响因素并构建目标寿命包线;根据目标寿命包线对多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵;通过层次分析法对多个底盘组件进行异常演化链分析,得到异常关联关系和异常传播路径;根据异常关联关系和异常传播路径进行矩阵优化,得到目标底盘异常矩阵;将目标底盘异常矩阵输入异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果;根据汽车底盘异常预测结果对目标汽车底盘进行底盘异常状态处理,生成目标底盘异常处理策略。
Description
技术领域
本发明涉及异常检测领域,尤其涉及一种汽车底盘的异常状态检测方法及系统。
背景技术
在当前汽车产业的背景下,随着汽车数量的不断增加,人们对汽车安全性的关注不断提高。底盘作为汽车的核心组成部分,其状态的稳定性和可靠性直接关系到驾驶员和乘客的安全。因此,高效且准确的汽车底盘异常状态检测成为汽车安全性研究的重要方向之一。
底盘系统由多个组件构成,它们之间存在复杂的相互关系。传统的底盘状态检测方法受多种因素交叉影响,包括工作参数、使用环境、零部件材料等。现有研究往往难以综合考虑这些因素,导致检测准确性不高。
发明内容
本发明提供了一种汽车底盘的异常状态检测方法及系统,用于提高汽车底盘的异常状态检测准确率。
本发明第一方面提供了一种汽车底盘的异常状态检测方法,所述汽车底盘的异常状态检测方法包括:
对目标汽车底盘进行异常状态检测,确定对应的多个底盘寿命影响因素,并根据所述多个底盘寿命影响因素构建所述目标汽车底盘的目标寿命包线;
根据所述目标寿命包线,对所述目标汽车底盘中的多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵;
通过层次分析法对所述多个底盘组件进行异常演化链分析,得到每个底盘组件的异常关联关系和异常传播路径;
根据所述异常关联关系和所述异常传播路径,对所述初始底盘异常矩阵进行矩阵优化,得到目标底盘异常矩阵;
将所述目标底盘异常矩阵输入预置的异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果;
根据所述汽车底盘异常预测结果对所述目标汽车底盘进行底盘异常状态处理,生成对应的目标底盘异常处理策略。
结合第一方面,在本发明第一方面的第一种实现方式中,所述对目标汽车底盘进行异常状态检测,确定对应的多个底盘寿命影响因素,并根据所述多个底盘寿命影响因素构建所述目标汽车底盘的目标寿命包线,包括:
对目标汽车底盘进行异常状态检测,得到所述目标汽车底盘的运行状态检测数据,并对所述运行状态检测数据进行数据集分类,得到所述目标汽车底盘中每个底盘组件的工作参数数据、使用环境数据及行驶历史数据;
对所述工作参数数据、所述使用环境数据及所述行驶历史数据进行寿命影响因素提取,确定所述目标汽车底盘的多个底盘寿命影响因素;
对所述多个底盘寿命影响因素进行影响权重分析,得到每个底盘寿命影响因素的影响权重数据;
根据所述影响权重数据,对所述多个底盘寿命影响因素进行寿命包线生成,得到初始寿命包线;
根据所述运行状态检测数据,对所述初始寿命包线进行校验,得到目标校验结果,并根据所述目标校验结果对所述初始寿命包线进行调整,生成对应的目标寿命包线。
结合第一方面,在本发明第一方面的第二种实现方式中,所述根据所述目标寿命包线,对所述目标汽车底盘中的多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵,包括:
通过预置的自编码器对每个底盘组件的工作参数数据、使用环境数据及行驶历史数据进行特征提取,得到每个底盘组件的特征数据集;
根据所述目标寿命包线,对每个底盘组件的特征数据集进行异常概率运算,得到每个底盘组件的异常概率值;
对所述多个底盘组件进行异常路径分析,得到所述目标汽车底盘中多个底盘组件对应的第一异常网络;
通过预置的图神经网络,对所述第一异常网络以及每个底盘组件的异常概率值进行矩阵转换,得到初始底盘异常矩阵。
结合第一方面,在本发明第一方面的第三种实现方式中,所述通过层次分析法对所述多个底盘组件进行异常演化链分析,得到每个底盘组件的异常关联关系和异常传播路径,包括:
通过层次分析法确定所述多个底盘组件的层次结构,其中,所述层次结构中第一层是所述多个底盘组件,第一层表示最底层的要素,第二层是异常关联关系和异常传播路径,表示对应于每个底盘组件的异常演化链;
构建所述层次结构中第一层对应的第一判断矩阵,以及构建所述层次结构中第二层对应的第二判断矩阵;
分别计算每个底盘组件在异常演化链中的权重向量,所述权重向量表示每个组件在异常演化链中的重要度;
根据所述权重向量,对所述第一判断矩阵进行一致性校验,得到一致性校验结果;
根据所述一致性校验结果,对所述第二判断矩阵进行异常演化链分析,生成第二异常网络;
对所述第二异常网络进行底盘组件节点解析,得到每个底盘组件的异常关联关系和异常传播路径。
结合第一方面,在本发明第一方面的第四种实现方式中,所述根据所述异常关联关系和所述异常传播路径,对所述初始底盘异常矩阵进行矩阵优化,得到目标底盘异常矩阵,包括:
根据所述异常关联关系,对所述初始底盘异常矩阵中的多个矩阵元素进行位置关系调整,得到所述多个矩阵元素的位置优化结果;
根据所述异常传播路径,对所述初始底盘异常矩阵中的多个矩阵元素进行权重调整,得到所述多个矩阵元素的权重优化结果;
根据所述位置优化结果以及所述权重优化结果,对所述多个矩阵元素进行矩阵重构优化,得到目标底盘异常矩阵。
结合第一方面,在本发明第一方面的第五种实现方式中,所述将所述目标底盘异常矩阵输入预置的异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果,包括:
将所述目标底盘异常矩阵输入预置的异常状态检测模型,其中,所述异常状态检测模型包括多个卷积长短时网络以及全连接层;
分别通过所述多个卷积长短时网络对所述目标底盘异常矩阵进行异常特征提取,得到每个卷积长短时网络的初始异常特征矩阵;
对每个卷积长短时网络的初始异常特征矩阵进行矩阵融合,生成对应的融合异常特征矩阵;
将所述融合异常特征矩阵输入所述全连接层进行汽车底盘异常决策分析,得到汽车底盘异常预测结果。
结合第一方面,在本发明第一方面的第六种实现方式中,所述根据所述汽车底盘异常预测结果对所述目标汽车底盘进行底盘异常状态处理,生成对应的目标底盘异常处理策略,包括:
根据所述汽车底盘异常预测结果创建所述目标汽车底盘的初始底盘异常处理策略;
通过预置的鲸鱼优化算法,对所述初始底盘异常处理策略进行策略初始化,生成多个候选底盘异常处理策略;
对所述多个候选底盘异常处理策略进行适应度计算,得到每个候选底盘异常处理策略的适应度数据;
根据所述适应度数据对所述多个候选底盘异常处理策略进行策略最优化分析,得到对应的目标底盘异常处理策略。
本发明第二方面提供了一种汽车底盘的异常状态检测系统,所述汽车底盘的异常状态检测系统包括:
检测模块,用于对目标汽车底盘进行异常状态检测,确定对应的多个底盘寿命影响因素,并根据所述多个底盘寿命影响因素构建所述目标汽车底盘的目标寿命包线;
分析模块,用于根据所述目标寿命包线,对所述目标汽车底盘中的多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵;
处理模块,用于通过层次分析法对所述多个底盘组件进行异常演化链分析,得到每个底盘组件的异常关联关系和异常传播路径;
优化模块,用于根据所述异常关联关系和所述异常传播路径,对所述初始底盘异常矩阵进行矩阵优化,得到目标底盘异常矩阵;
预测模块,用于将所述目标底盘异常矩阵输入预置的异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果;
生成模块,用于根据所述汽车底盘异常预测结果对所述目标汽车底盘进行底盘异常状态处理,生成对应的目标底盘异常处理策略。
本发明第三方面提供了一种汽车底盘的异常状态检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述汽车底盘的异常状态检测设备执行上述的汽车底盘的异常状态检测方法。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的汽车底盘的异常状态检测方法。
本发明提供的技术方案中,确定目标汽车底盘的多个底盘寿命影响因素并构建目标寿命包线;根据目标寿命包线对多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵;通过层次分析法对多个底盘组件进行异常演化链分析,得到异常关联关系和异常传播路径;根据异常关联关系和异常传播路径进行矩阵优化,得到目标底盘异常矩阵;将目标底盘异常矩阵输入异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果;根据汽车底盘异常预测结果对目标汽车底盘进行底盘异常状态处理,生成目标底盘异常处理策略,本发明通过采用寿命包线构建、异常概率分析及层次分析法,能够全面且精确地评估汽车底盘的异常状态,有助于准确捕捉潜在问题,提高检测的全面性。通过对目标汽车底盘的实时数据进行分析,能够实现对底盘状态的实时监测和预测。这使得在问题发生之前,就能够采取相应的预防和处理措施,提高汽车底盘的可靠性和安全性。采用自编码器和优化算法技术,能够自适应地调整底盘异常状态检测模型和处理策略。通过层次分析法和异常演化链分析,对汽车底盘的异常状态进行多层次、多维度的分析,有助于深入理解不同组件之间的关系,通过矩阵优化方法,可以不断调整和提升异常状态检测的准确性和性能。结合神经网络和优化算法,能够生成智能化的异常处理策略,通过提前发现潜在问题、实现精准维护,进而提高了汽车底盘的异常状态检测准确率。
附图说明
图1为本发明实施例中汽车底盘的异常状态检测方法的一个实施例示意图;
图2为本发明实施例中异常概率和异常路径分析的流程图;
图3为本发明实施例中异常演化链分析的流程图;
图4为本发明实施例中矩阵优化的流程图;
图5为本发明实施例中汽车底盘的异常状态检测系统的一个实施例示意图;
图6为本发明实施例中汽车底盘的异常状态检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种汽车底盘的异常状态检测方法及系统,用于提高汽车底盘的异常状态检测准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中汽车底盘的异常状态检测方法的一个实施例包括:
S101、对目标汽车底盘进行异常状态检测,确定对应的多个底盘寿命影响因素,并根据多个底盘寿命影响因素构建目标汽车底盘的目标寿命包线;
可以理解的是,本发明的执行主体可以为汽车底盘的异常状态检测系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,对目标汽车底盘进行异常状态检测,以获取底盘的运行状态检测数据。这些数据包括各个底盘组件的性能参数、使用环境信息以及行驶历史数据。这提供了底盘的基本信息,使服务器能够深入了解底盘在不同情况下的表现。例如,通过传感器获得了底盘组件的加速度、温度、湿度、速度、里程等数据。这些数据记录了底盘在不同驾驶条件下的状态。对这些运行状态检测数据进行分类,以提取出底盘组件的工作参数数据、使用环境数据以及行驶历史数据。这有助于将数据集细化,为后续分析做好准备。例如,根据分类,服务器将数据划分为工作参数数据(例如,刹车盘温度、轮胎胎压)、使用环境数据(例如,气温、湿度)和行驶历史数据(例如,路况、驾驶方式)。根据提取出的工作参数数据、使用环境数据以及行驶历史数据,进行寿命影响因素的提取。这个步骤涉及分析数据,以确定哪些因素对底盘寿命产生影响。例如,通过数据分析,服务器发现高温环境下刹车盘温度升高、频繁驾驶在崎岖路况下、超载驾驶等因素会影响底盘寿命。对这些多个底盘寿命影响因素进行影响权重分析。服务器确定每个因素对底盘寿命的相对重要性,以建立寿命包线。例如,在分析后,服务器确定高温环境下的刹车盘温度对底盘寿命的影响较大,而其他因素的影响较小。因此,刹车盘温度将获得更高的权重。根据影响权重数据,服务器生成初始的寿命包线。这个包线表示在考虑各种因素的情况下,底盘的寿命范围。例如,基于刹车盘温度的高权重,初始寿命包线会对高温环境下的刹车盘温度进行更为严格的控制。根据运行状态检测数据,对初始寿命包线进行校验。这一步骤旨在验证寿命包线的准确性,以便调整并生成目标寿命包线。例如,通过对实际数据的校验,服务器发现初始寿命包线在某些情况下过于保守,或者在其他情况下过于激进。因此,校验后,服务器调整寿命包线,以更好地反映底盘在不同情况下的寿命需求。
S102、根据目标寿命包线,对目标汽车底盘中的多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵;
具体的,服务器对每个底盘组件的工作参数数据、使用环境数据以及行驶历史数据进行特征提取。这可以通过使用预置的自编码器来实现,自编码器可以将原始数据压缩成更具代表性的特征数据集。例如,使用自编码器,服务器将制动系统的各种传感器数据(例如,刹车盘温度、刹车压力、速度)转化为一个紧凑的特征数据集。根据目标寿命包线,对每个底盘组件的特征数据集进行异常概率运算。这涉及将特征数据与寿命包线进行比较,以确定每个底盘组件的异常概率值。这可以帮助识别哪些底盘组件存在异常。例如,如果特定制动系统的特征数据表明刹车盘温度远高于目标寿命包线中的阈值,那么该制动系统的异常概率会升高。对多个底盘组件进行异常路径分析,以获取底盘中多个底盘组件之间的异常关联关系和异常传播路径。这有助于理解异常如何在底盘组件之间传播。例如,假设制动系统的异常概率增加,异常路径分析会显示它与悬挂系统之间存在一定的异常传播路径,因为制动过热导致悬挂系统的负荷增加。通过预置的图神经网络,对第一异常网络以及每个底盘组件的异常概率值进行矩阵转换,以生成初始底盘异常矩阵。这一步骤将汇总所有异常信息,为进一步的分析和处理提供了一个综合的异常矩阵。例如,将异常概率值和异常路径信息输入到图神经网络中,可以生成一个矩阵,其中每行代表底盘组件,每列代表异常概率值和异常路径信息。这个矩阵可以更全面地反映底盘组件之间的异常关联。
S103、通过层次分析法对多个底盘组件进行异常演化链分析,得到每个底盘组件的异常关联关系和异常传播路径;
需要说明的是,通过层次分析法确定多个底盘组件的层次结构,其中第一层表示底盘组件,而第二层表示异常关联关系和异常传播路径。这有助于建立异常演化链。例如,考虑底盘的多个组件,如制动系统、悬挂系统和转向系统。这些组件构成第一层,而异常关联关系和异常传播路径构成第二层。构建第一层对应的第一判断矩阵,以及第二层对应的第二判断矩阵。这些判断矩阵用于比较组件之间的重要性和异常传播路径的权重。例如,构建第一判断矩阵来比较不同底盘组件的重要性,构建第二判断矩阵来比较异常传播路径的权重。分别计算每个底盘组件在异常演化链中的权重向量,这些权重向量表示每个组件在异常演化链中的相对重要性。这是通过层次分析法中的一系列比较和计算来实现的。根据计算得到的权重向量,对第一判断矩阵进行一致性校验,以获得一致性校验结果。这有助于确保层次分析的准确性和合理性。一致性校验可帮助确保所得权重向量的合理性,以便后续分析更加可信。根据一致性校验的结果,对第二判断矩阵进行异常演化链分析,生成第二异常网络。这一步骤将为底盘组件之间的异常传播路径提供信息。例如,根据一致性校验结果,构建异常演化链并生成第二异常网络,以显示底盘组件之间的异常传播路径。对第二异常网络进行底盘组件节点解析,以获得每个底盘组件的异常关联关系和异常传播路径。这有助于理解异常如何在底盘组件之间传播以及它们之间的相互关系。例如,通过分析第二异常网络,可以确定不同底盘组件之间的异常传播路径,例如,刹车系统异常对悬挂系统造成负面影响。
S104、根据异常关联关系和异常传播路径,对初始底盘异常矩阵进行矩阵优化,得到目标底盘异常矩阵;
具体的,根据异常关联关系,对初始底盘异常矩阵中的多个矩阵元素进行位置关系调整。将异常关联的底盘组件的位置进行调整,以更好地反映它们之间的关系。例如,考虑两个底盘组件,制动系统和悬挂系统,它们之间有异常关联。通过位置关系调整,可以将它们的相关矩阵元素相互靠近,以更清晰地显示它们之间的关系。根据异常传播路径,对初始底盘异常矩阵中的多个矩阵元素进行权重调整。这涉及调整元素的权重,以更好地反映异常如何在底盘组件之间传播。例如,如果异常传播路径显示刹车系统的异常会对其他底盘组件产生更大的影响,那么可以通过权重调整来增加与刹车系统相关的矩阵元素的权重。根据位置优化结果和权重优化结果,对多个矩阵元素进行矩阵重构优化。重新构建异常矩阵,以综合考虑位置关系和权重调整。例如,通过位置和权重的优化结果,重新构建异常矩阵,以确保底盘组件之间的异常关联和传播得到更好的反映。本实施例中,服务器获得目标底盘异常矩阵,这个矩阵更准确地反映了底盘组件之间的异常关系和异常传播路径。这将有助于提高底盘异常状态检测的准确性,使异常检测更具可信度。
S105、将目标底盘异常矩阵输入预置的异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果;
具体的,将目标底盘异常矩阵输入预置的异常状态检测模型。这个模型包括多个卷积长短时网络以及全连接层,用于处理底盘异常的特征提取和决策分析。通过多个卷积长短时网络对目标底盘异常矩阵进行异常特征提取。每个卷积长短时网络会生成初始的异常特征矩阵,捕捉底盘异常的不同方面。例如,每个卷积长短时网络可以负责提取不同的异常特征,例如温度异常、振动异常、或压力异常。对每个卷积长短时网络的初始异常特征矩阵进行矩阵融合。这个步骤旨在将来自不同网络的特征融合在一起,以获得更全面的异常特征信息。例如,通过矩阵融合,可以将温度异常、振动异常和压力异常的特征合并为一个融合异常特征矩阵。接着,将融合异常特征矩阵输入全连接层进行汽车底盘异常决策分析。全连接层负责综合考虑各个异常特征,以生成汽车底盘异常预测结果。例如,全连接层可以根据融合的异常特征进行决策分析,例如,判断底盘是否处于正常状态或存在异常情况。
S106、根据汽车底盘异常预测结果对目标汽车底盘进行底盘异常状态处理,生成对应的目标底盘异常处理策略。
具体的,根据汽车底盘异常预测结果,创建目标汽车底盘的初始底盘异常处理策略。这一策略可以包括规则、指导方针或决策流程,用于处理不同类型的底盘异常情况。例如,如果异常预测结果表明制动系统存在问题,初始处理策略可以包括暂停车辆使用,进行紧急检查和维修。使用预置的鲸鱼优化算法,对初始底盘异常处理策略进行策略初始化,生成多个候选底盘异常处理策略。这一步骤有助于探索不同的底盘处理方案,以寻找最佳的异常处理策略。例如,通过鲸鱼优化算法,可以生成多个不同的底盘异常处理策略,如更换零部件、进行临时修复、或者将车辆送往专业维修中心。对多个候选底盘异常处理策略进行适应度计算,得到每个策略的适应度数据。适应度数据可用于评估每个策略的效果,以便进一步的优化。例如,适应度计算可以考虑底盘处理策略的成本、可行性和安全性等因素,以确定哪个策略在特定情况下最为合适。根据适应度数据对多个候选底盘异常处理策略进行策略最优化分析。这一分析旨在确定哪个策略最适合处理特定的底盘异常情况,以生成最佳的目标底盘异常处理策略。例如,通过策略最优化分析,可以确定在给定底盘异常情况下,哪个策略具有最高的适应度,从而成为最终的目标底盘异常处理策略。
本发明实施例中,确定目标汽车底盘的多个底盘寿命影响因素并构建目标寿命包线;根据目标寿命包线对多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵;通过层次分析法对多个底盘组件进行异常演化链分析,得到异常关联关系和异常传播路径;根据异常关联关系和异常传播路径进行矩阵优化,得到目标底盘异常矩阵;将目标底盘异常矩阵输入异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果;根据汽车底盘异常预测结果对目标汽车底盘进行底盘异常状态处理,生成目标底盘异常处理策略,本发明通过采用寿命包线构建、异常概率分析及层次分析法,能够全面且精确地评估汽车底盘的异常状态,有助于准确捕捉潜在问题,提高检测的全面性。通过对目标汽车底盘的实时数据进行分析,能够实现对底盘状态的实时监测和预测。这使得在问题发生之前,就能够采取相应的预防和处理措施,提高汽车底盘的可靠性和安全性。采用自编码器和优化算法技术,能够自适应地调整底盘异常状态检测模型和处理策略。通过层次分析法和异常演化链分析,对汽车底盘的异常状态进行多层次、多维度的分析,有助于深入理解不同组件之间的关系,通过矩阵优化方法,可以不断调整和提升异常状态检测的准确性和性能。结合神经网络和优化算法,能够生成智能化的异常处理策略,通过提前发现潜在问题、实现精准维护,进而提高了汽车底盘的异常状态检测准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)对目标汽车底盘进行异常状态检测,得到目标汽车底盘的运行状态检测数据,并对运行状态检测数据进行数据集分类,得到目标汽车底盘中每个底盘组件的工作参数数据、使用环境数据及行驶历史数据;
(2)对工作参数数据、使用环境数据及行驶历史数据进行寿命影响因素提取,确定目标汽车底盘的多个底盘寿命影响因素;
(3)对多个底盘寿命影响因素进行影响权重分析,得到每个底盘寿命影响因素的影响权重数据;
(4)根据影响权重数据,对多个底盘寿命影响因素进行寿命包线生成,得到初始寿命包线;
(5)根据运行状态检测数据,对初始寿命包线进行校验,得到目标校验结果,并根据目标校验结果对初始寿命包线进行调整,生成对应的目标寿命包线。
具体的,对目标汽车底盘进行异常状态检测,得到运行状态检测数据。这些数据包括底盘各组件的传感器数据、工作参数、使用环境数据以及行驶历史数据。这些数据可以被分类,以区分底盘的不同方面。例如,对于制动系统,运行状态检测数据包括制动盘温度、刹车片磨损度、路面情况、车速等。针对工作参数数据、使用环境数据和行驶历史数据,进行寿命影响因素的提取。这些因素是对底盘寿命产生重要影响的因素,如温度、振动、湿度等。例如,如果湿度和振动是制动系统寿命的重要因素,这些因素将被提取并纳入考虑。对多个底盘寿命影响因素进行影响权重分析。这一步骤有助于确定每个因素对底盘寿命的相对重要性,为后续的寿命包线生成提供依据。例如,通过分析,确定湿度对底盘寿命的影响权重较高,振动的权重较低。接着,根据影响权重数据,对多个底盘寿命影响因素进行寿命包线生成。这一过程将考虑每个因素的重要性,以确定底盘的寿命包线,即各组件的预期寿命范围。例如,如果湿度对制动系统的寿命影响较大,寿命包线将考虑湿度因素,并确保制动系统的预期寿命在适当湿度条件下。根据运行状态检测数据,对初始寿命包线进行校验。这一步骤将根据实际运行情况,检查寿命包线是否适用,并得到目标校验结果。根据这一结果,对初始寿命包线进行调整,生成对应的目标寿命包线。例如,如果实际运行中的数据显示制动系统的温度较低,可以通过校验和调整来优化寿命包线,以更好地适应实际情况。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、通过预置的自编码器对每个底盘组件的工作参数数据、使用环境数据及行驶历史数据进行特征提取,得到每个底盘组件的特征数据集;
S202、根据目标寿命包线,对每个底盘组件的特征数据集进行异常概率运算,得到每个底盘组件的异常概率值;
S203、对多个底盘组件进行异常路径分析,得到目标汽车底盘中多个底盘组件对应的第一异常网络;
S204、通过预置的图神经网络,对第一异常网络以及每个底盘组件的异常概率值进行矩阵转换,得到初始底盘异常矩阵。
具体的,通过预置的自编码器对每个底盘组件的工作参数数据、使用环境数据以及行驶历史数据进行特征提取,以获得每个底盘组件的特征数据集。自编码器是一种用于降维和特征提取的神经网络模型,可以帮助提取最重要的特征。例如,对于制动系统,自编码器可以从温度、刹车片磨损度、车速等数据中提取关键特征,如温度变化趋势和刹车片磨损速度。根据目标寿命包线,对每个底盘组件的特征数据集进行异常概率运算。这一步骤旨在确定每个组件是否处于异常状态,计算得到每个底盘组件的异常概率值。例如,如果制动系统的温度特征数据超出了目标寿命包线中规定的范围,那么制动系统的异常概率值较高。接着,对多个底盘组件进行异常路径分析,以得到目标汽车底盘中多个底盘组件之间的异常关系和路径。这有助于理解异常如何在不同组件之间传播。例如,异常路径分析可以揭示如果制动系统发生异常,如何会影响悬挂系统或其他相关底盘组件。通过预置的图神经网络,对第一异常网络以及每个底盘组件的异常概率值进行矩阵转换,以得到初始底盘异常矩阵。图神经网络是一种适用于图数据的神经网络,用于分析异常传播路径和关联关系。例如,图神经网络可以将制动系统异常的传播路径以及各组件的异常概率转化为一个初始底盘异常矩阵,其中每个元素表示组件之间的异常关联程度。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、通过层次分析法确定多个底盘组件的层次结构,其中,层次结构中第一层是多个底盘组件,第一层表示最底层的要素,第二层是异常关联关系和异常传播路径,表示对应于每个底盘组件的异常演化链;
S302、构建层次结构中第一层对应的第一判断矩阵,以及构建层次结构中第二层对应的第二判断矩阵;
S303、分别计算每个底盘组件在异常演化链中的权重向量,权重向量表示每个组件在异常演化链中的重要度;
S304、根据权重向量,对第一判断矩阵进行一致性校验,得到一致性校验结果;
S305、根据一致性校验结果,对第二判断矩阵进行异常演化链分析,生成第二异常网络;
S306、对第二异常网络进行底盘组件节点解析,得到每个底盘组件的异常关联关系和异常传播路径。
具体的,通过层次分析法确定多个底盘组件的层次结构。在这个结构中,第一层表示不同底盘组件,即最底层的要素。第二层表示异常关联关系和异常传播路径,对应于每个底盘组件的异常演化链。例如,对于底盘系统,第一层可以包括制动系统、悬挂系统、转向系统等,第二层则描述不同组件之间的异常传播关系。构建层次结构中第一层对应的第一判断矩阵,以及第二层对应的第二判断矩阵。这些判断矩阵用于比较不同组件之间的相对重要性和关联度。例如,通过数据分析,构建第一判断矩阵来确定不同底盘组件的相对重要性,构建第二判断矩阵来描述异常传播路径的强度。接着,分别计算每个底盘组件在异常演化链中的权重向量。这些权重向量表示每个组件在异常演化链中的重要度,即其在异常传播过程中的贡献程度。例如,如果制动系统在异常传播链中起主导作用,其权重向量将高于其他组件。再根据权重向量,对第一判断矩阵进行一致性校验。一致性校验有助于确保判断矩阵的合理性和可靠性,以避免不一致的判断。例如,一致性校验可确保所得权重向量与判断矩阵相符,以保持判断矩阵的可信度。接着,根据一致性校验结果,对第二判断矩阵进行异常演化链分析,生成第二异常网络。这一网络描述了异常传播路径和组件之间的关联关系。例如,异常演化链分析可揭示制动系统的异常如何传播到悬挂系统,以及这两者之间的关联关系。对第二异常网络进行解析,以得到每个底盘组件的异常关联关系和异常传播路径。这有助于理解底盘组件之间的相互影响和异常传播方式。例如,解析结果表明,制动系统的异常会影响到悬挂系统,并且这种影响会在一定条件下发生。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、根据异常关联关系,对初始底盘异常矩阵中的多个矩阵元素进行位置关系调整,得到多个矩阵元素的位置优化结果;
S402、根据异常传播路径,对初始底盘异常矩阵中的多个矩阵元素进行权重调整,得到多个矩阵元素的权重优化结果;
S403、根据位置优化结果以及权重优化结果,对多个矩阵元素进行矩阵重构优化,得到目标底盘异常矩阵。
具体的,根据异常关联关系,对初始底盘异常矩阵中的多个矩阵元素进行位置关系调整,以获得多个矩阵元素的位置优化结果。异常关联关系反映了不同组件之间的相互影响和传播路径,因此,通过调整位置关系,可以更好地反映异常的传播方式。例如,假设制动系统的异常与悬挂系统的异常有关,初始底盘异常矩阵中这两个组件的元素可以被调整到更接近的位置,以反映它们之间的紧密关联。根据异常传播路径,对初始底盘异常矩阵中的多个矩阵元素进行权重调整,以得到多个矩阵元素的权重优化结果。异常传播路径描述了异常如何从一个组件传播到另一个组件,因此,通过权重调整,可以更准确地反映异常的传播强度。例如,如果异常传播路径显示制动系统异常的传播到悬挂系统异常的路径更强,那么制动系统和悬挂系统的异常元素的权重可以被相应地增加。根据位置优化结果以及权重优化结果,对多个矩阵元素进行矩阵重构优化,以得到目标底盘异常矩阵。这一步骤旨在综合考虑异常关联关系和异常传播路径,以生成更准确的异常矩阵。例如,通过综合位置优化和权重优化结果,制动系统和悬挂系统的异常元素可以在最终的底盘异常矩阵中被重新构建,以反映它们之间的关联和传播路径。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将目标底盘异常矩阵输入预置的异常状态检测模型,其中,异常状态检测模型包括多个卷积长短时网络以及全连接层;
(2)分别通过多个卷积长短时网络对目标底盘异常矩阵进行异常特征提取,得到每个卷积长短时网络的初始异常特征矩阵;
(3)对每个卷积长短时网络的初始异常特征矩阵进行矩阵融合,生成对应的融合异常特征矩阵;
(4)将融合异常特征矩阵输入全连接层进行汽车底盘异常决策分析,得到汽车底盘异常预测结果。
具体的,将目标底盘异常矩阵输入预置的异常状态检测模型。这个模型包括多个卷积长短时网络和全连接层,用于处理输入数据并生成异常预测结果。例如,异常状态检测模型可以是一个深度学习模型,如卷积神经网络(CNN)结合长短时记忆网络(LSTM)的组合。通过多个卷积长短时网络对目标底盘异常矩阵进行异常特征提取。每个卷积长短时网络负责从输入数据中提取与异常相关的特征。例如,假设有三个卷积长短时网络,每个网络专注于提取不同类型的异常特征,如频谱特征、时序特征和空间特征。对于每个卷积长短时网络,可以得到初始异常特征矩阵。这些矩阵包含了从输入数据中提取的特征信息。例如,对于频谱特征的卷积长短时网络,初始异常特征矩阵包括频谱图像中异常模式的表示。对这些初始异常特征矩阵进行矩阵融合,生成对应的融合异常特征矩阵。融合过程可以将不同类型的特征融合在一起,以综合考虑多个异常特征来源。例如,将频谱特征、时序特征和空间特征的异常特征矩阵融合在一起,以生成全面的融合异常特征矩阵。将融合异常特征矩阵输入全连接层进行汽车底盘异常决策分析,得到汽车底盘异常预测结果。全连接层用于将融合特征转化为最终的异常状态预测。例如,全连接层可以将融合的异常特征转化为异常概率分布,以确定底盘的异常状态及其严重程度。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据汽车底盘异常预测结果创建目标汽车底盘的初始底盘异常处理策略;
(2)通过预置的鲸鱼优化算法,对初始底盘异常处理策略进行策略初始化,生成多个候选底盘异常处理策略;
(3)对多个候选底盘异常处理策略进行适应度计算,得到每个候选底盘异常处理策略的适应度数据;
(4)根据适应度数据对多个候选底盘异常处理策略进行策略最优化分析,得到对应的目标底盘异常处理策略。
具体的,根据汽车底盘的异常预测结果创建目标汽车底盘的初始底盘异常处理策略。这个初始策略可以是一个基本的处理方案,以应对已预测的异常情况。例如,假设异常预测结果指出制动系统存在问题,初始处理策略包括检查制动系统并进行必要的维修或更换部件。使用预置的鲸鱼优化算法对初始底盘异常处理策略进行策略初始化。鲸鱼优化算法是一种进化算法,可以生成多个候选策略来解决特定问题。例如,鲸鱼优化算法可以创建一组不同的底盘异常处理策略,其中包括的维修方法、部件更换方案和检测步骤。随后,对多个候选底盘异常处理策略进行适应度计算。适应度计算评估每个策略在解决异常问题上的效果,可以考虑因素如成本、时间、可行性等。例如,如果一种候选策略可以以较低的成本和短时间内解决制动系统异常,并且可行性高,那么它的适应度会较高。根据适应度数据对多个候选底盘异常处理策略进行策略最优化分析,以选择最佳策略。这个过程可以使用鲸鱼优化算法或其他优化方法来确定最适合解决异常问题的策略。例如,在众多候选策略中,鲸鱼优化算法可以帮助找到一种具有最佳平衡成本、时间和可行性的底盘异常处理策略。本实施例中,服务器实现了一种自动化的异常处理策略生成和选择方法。这有助于确保底盘异常能够得到及时和有效的处理,以提高汽车的可靠性和安全性。
上面对本发明实施例中汽车底盘的异常状态检测方法进行了描述,下面对本发明实施例中汽车底盘的异常状态检测系统进行描述,请参阅图5,本发明实施例中汽车底盘的异常状态检测系统一个实施例包括:
检测模块501,用于对目标汽车底盘进行异常状态检测,确定对应的多个底盘寿命影响因素,并根据所述多个底盘寿命影响因素构建所述目标汽车底盘的目标寿命包线;
分析模块502,用于根据所述目标寿命包线,对所述目标汽车底盘中的多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵;
处理模块503,用于通过层次分析法对所述多个底盘组件进行异常演化链分析,得到每个底盘组件的异常关联关系和异常传播路径;
优化模块504,用于根据所述异常关联关系和所述异常传播路径,对所述初始底盘异常矩阵进行矩阵优化,得到目标底盘异常矩阵;
预测模块505,用于将所述目标底盘异常矩阵输入预置的异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果;
生成模块506,用于根据所述汽车底盘异常预测结果对所述目标汽车底盘进行底盘异常状态处理,生成对应的目标底盘异常处理策略。
通过上述各个组成部分的协同合作,确定目标汽车底盘的多个底盘寿命影响因素并构建目标寿命包线;根据目标寿命包线对多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵;通过层次分析法对多个底盘组件进行异常演化链分析,得到异常关联关系和异常传播路径;根据异常关联关系和异常传播路径进行矩阵优化,得到目标底盘异常矩阵;将目标底盘异常矩阵输入异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果;根据汽车底盘异常预测结果对目标汽车底盘进行底盘异常状态处理,生成目标底盘异常处理策略,本发明通过采用寿命包线构建、异常概率分析及层次分析法,能够全面且精确地评估汽车底盘的异常状态,有助于准确捕捉潜在问题,提高检测的全面性。通过对目标汽车底盘的实时数据进行分析,能够实现对底盘状态的实时监测和预测。这使得在问题发生之前,就能够采取相应的预防和处理措施,提高汽车底盘的可靠性和安全性。采用自编码器和优化算法技术,能够自适应地调整底盘异常状态检测模型和处理策略。通过层次分析法和异常演化链分析,对汽车底盘的异常状态进行多层次、多维度的分析,有助于深入理解不同组件之间的关系,通过矩阵优化方法,可以不断调整和提升异常状态检测的准确性和性能。结合神经网络和优化算法,能够生成智能化的异常处理策略,通过提前发现潜在问题、实现精准维护,进而提高了汽车底盘的异常状态检测准确率。
上面图5从模块化功能实体的角度对本发明实施例中的汽车底盘的异常状态检测系统进行详细描述,下面从硬件处理的角度对本发明实施例中汽车底盘的异常状态检测设备进行详细描述。
图6是本发明实施例提供的一种汽车底盘的异常状态检测设备的结构示意图,该汽车底盘的异常状态检测设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对汽车底盘的异常状态检测设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在汽车底盘的异常状态检测设备600上执行存储介质630中的一系列指令操作。
汽车底盘的异常状态检测设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的汽车底盘的异常状态检测设备结构并不构成对汽车底盘的异常状态检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种汽车底盘的异常状态检测设备,所述汽车底盘的异常状态检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述汽车底盘的异常状态检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述汽车底盘的异常状态检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (6)
1.一种汽车底盘的异常状态检测方法,其特征在于,所述汽车底盘的异常状态检测方法包括:
对目标汽车底盘进行异常状态检测,确定对应的多个底盘寿命影响因素,并根据所述多个底盘寿命影响因素构建所述目标汽车底盘的目标寿命包线;具体包括:对目标汽车底盘进行异常状态检测,得到所述目标汽车底盘的运行状态检测数据,并对所述运行状态检测数据进行数据集分类,得到所述目标汽车底盘中每个底盘组件的工作参数数据、使用环境数据及行驶历史数据;对所述工作参数数据、所述使用环境数据及所述行驶历史数据进行寿命影响因素提取,确定所述目标汽车底盘的多个底盘寿命影响因素;对所述多个底盘寿命影响因素进行影响权重分析,得到每个底盘寿命影响因素的影响权重数据;根据所述影响权重数据,对所述多个底盘寿命影响因素进行寿命包线生成,得到初始寿命包线;根据所述运行状态检测数据,对所述初始寿命包线进行校验,得到目标校验结果,并根据所述目标校验结果对所述初始寿命包线进行调整,生成对应的目标寿命包线;
根据所述目标寿命包线,对所述目标汽车底盘中的多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵;具体包括:通过预置的自编码器对每个底盘组件的工作参数数据、使用环境数据及行驶历史数据进行特征提取,得到每个底盘组件的特征数据集;根据所述目标寿命包线,对每个底盘组件的特征数据集进行异常概率运算,得到每个底盘组件的异常概率值;对所述多个底盘组件进行异常路径分析,得到所述目标汽车底盘中多个底盘组件对应的第一异常网络;通过预置的图神经网络,对所述第一异常网络以及每个底盘组件的异常概率值进行矩阵转换,得到初始底盘异常矩阵;
通过层次分析法对所述多个底盘组件进行异常演化链分析,得到每个底盘组件的异常关联关系和异常传播路径;具体包括:通过层次分析法确定所述多个底盘组件的层次结构,其中,所述层次结构中第一层是所述多个底盘组件,第一层表示最底层的要素,第二层是异常关联关系和异常传播路径,表示对应于每个底盘组件的异常演化链;构建所述层次结构中第一层对应的第一判断矩阵,以及构建所述层次结构中第二层对应的第二判断矩阵;分别计算每个底盘组件在异常演化链中的权重向量,所述权重向量表示每个组件在异常演化链中的重要度;根据所述权重向量,对所述第一判断矩阵进行一致性校验,得到一致性校验结果;根据所述一致性校验结果,对所述第二判断矩阵进行异常演化链分析,生成第二异常网络;对所述第二异常网络进行底盘组件节点解析,得到每个底盘组件的异常关联关系和异常传播路径;
根据所述异常关联关系和所述异常传播路径,对所述初始底盘异常矩阵进行矩阵优化,得到目标底盘异常矩阵;具体包括:根据所述异常关联关系,对所述初始底盘异常矩阵中的多个矩阵元素进行位置关系调整,得到所述多个矩阵元素的位置优化结果;根据所述异常传播路径,对所述初始底盘异常矩阵中的多个矩阵元素进行权重调整,得到所述多个矩阵元素的权重优化结果;根据所述位置优化结果以及所述权重优化结果,对所述多个矩阵元素进行矩阵重构优化,得到目标底盘异常矩阵;
将所述目标底盘异常矩阵输入预置的异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果;
根据所述汽车底盘异常预测结果对所述目标汽车底盘进行底盘异常状态处理,生成对应的目标底盘异常处理策略。
2.根据权利要求1所述的汽车底盘的异常状态检测方法,其特征在于,所述将所述目标底盘异常矩阵输入预置的异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果,包括:
将所述目标底盘异常矩阵输入预置的异常状态检测模型,其中,所述异常状态检测模型包括多个卷积长短时网络以及全连接层;
分别通过所述多个卷积长短时网络对所述目标底盘异常矩阵进行异常特征提取,得到每个卷积长短时网络的初始异常特征矩阵;
对每个卷积长短时网络的初始异常特征矩阵进行矩阵融合,生成对应的融合异常特征矩阵;
将所述融合异常特征矩阵输入所述全连接层进行汽车底盘异常决策分析,得到汽车底盘异常预测结果。
3.根据权利要求1所述的汽车底盘的异常状态检测方法,其特征在于,所述根据所述汽车底盘异常预测结果对所述目标汽车底盘进行底盘异常状态处理,生成对应的目标底盘异常处理策略,包括:
根据所述汽车底盘异常预测结果创建所述目标汽车底盘的初始底盘异常处理策略;
通过预置的鲸鱼优化算法,对所述初始底盘异常处理策略进行策略初始化,生成多个候选底盘异常处理策略;
对所述多个候选底盘异常处理策略进行适应度计算,得到每个候选底盘异常处理策略的适应度数据;
根据所述适应度数据对所述多个候选底盘异常处理策略进行策略最优化分析,得到对应的目标底盘异常处理策略。
4.一种汽车底盘的异常状态检测系统,其特征在于,所述汽车底盘的异常状态检测系统包括:
检测模块,用于对目标汽车底盘进行异常状态检测,确定对应的多个底盘寿命影响因素,并根据所述多个底盘寿命影响因素构建所述目标汽车底盘的目标寿命包线;具体包括:对目标汽车底盘进行异常状态检测,得到所述目标汽车底盘的运行状态检测数据,并对所述运行状态检测数据进行数据集分类,得到所述目标汽车底盘中每个底盘组件的工作参数数据、使用环境数据及行驶历史数据;对所述工作参数数据、所述使用环境数据及所述行驶历史数据进行寿命影响因素提取,确定所述目标汽车底盘的多个底盘寿命影响因素;对所述多个底盘寿命影响因素进行影响权重分析,得到每个底盘寿命影响因素的影响权重数据;根据所述影响权重数据,对所述多个底盘寿命影响因素进行寿命包线生成,得到初始寿命包线;根据所述运行状态检测数据,对所述初始寿命包线进行校验,得到目标校验结果,并根据所述目标校验结果对所述初始寿命包线进行调整,生成对应的目标寿命包线;
分析模块,用于根据所述目标寿命包线,对所述目标汽车底盘中的多个底盘组件进行异常概率和异常路径分析,得到初始底盘异常矩阵;具体包括:通过预置的自编码器对每个底盘组件的工作参数数据、使用环境数据及行驶历史数据进行特征提取,得到每个底盘组件的特征数据集;根据所述目标寿命包线,对每个底盘组件的特征数据集进行异常概率运算,得到每个底盘组件的异常概率值;对所述多个底盘组件进行异常路径分析,得到所述目标汽车底盘中多个底盘组件对应的第一异常网络;通过预置的图神经网络,对所述第一异常网络以及每个底盘组件的异常概率值进行矩阵转换,得到初始底盘异常矩阵;
处理模块,用于通过层次分析法对所述多个底盘组件进行异常演化链分析,得到每个底盘组件的异常关联关系和异常传播路径;具体包括:通过层次分析法确定所述多个底盘组件的层次结构,其中,所述层次结构中第一层是所述多个底盘组件,第一层表示最底层的要素,第二层是异常关联关系和异常传播路径,表示对应于每个底盘组件的异常演化链;构建所述层次结构中第一层对应的第一判断矩阵,以及构建所述层次结构中第二层对应的第二判断矩阵;分别计算每个底盘组件在异常演化链中的权重向量,所述权重向量表示每个组件在异常演化链中的重要度;根据所述权重向量,对所述第一判断矩阵进行一致性校验,得到一致性校验结果;根据所述一致性校验结果,对所述第二判断矩阵进行异常演化链分析,生成第二异常网络;对所述第二异常网络进行底盘组件节点解析,得到每个底盘组件的异常关联关系和异常传播路径;
优化模块,用于根据所述异常关联关系和所述异常传播路径,对所述初始底盘异常矩阵进行矩阵优化,得到目标底盘异常矩阵;具体包括:根据所述异常关联关系,对所述初始底盘异常矩阵中的多个矩阵元素进行位置关系调整,得到所述多个矩阵元素的位置优化结果;根据所述异常传播路径,对所述初始底盘异常矩阵中的多个矩阵元素进行权重调整,得到所述多个矩阵元素的权重优化结果;根据所述位置优化结果以及所述权重优化结果,对所述多个矩阵元素进行矩阵重构优化,得到目标底盘异常矩阵;
预测模块,用于将所述目标底盘异常矩阵输入预置的异常状态检测模型进行汽车底盘异常预测,得到汽车底盘异常预测结果;
生成模块,用于根据所述汽车底盘异常预测结果对所述目标汽车底盘进行底盘异常状态处理,生成对应的目标底盘异常处理策略。
5.一种汽车底盘的异常状态检测设备,其特征在于,所述汽车底盘的异常状态检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述汽车底盘的异常状态检测设备执行如权利要求1-3中任一项所述的汽车底盘的异常状态检测方法。
6.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-3中任一项所述的汽车底盘的异常状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438635.5A CN117150388B (zh) | 2023-11-01 | 2023-11-01 | 汽车底盘的异常状态检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438635.5A CN117150388B (zh) | 2023-11-01 | 2023-11-01 | 汽车底盘的异常状态检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150388A CN117150388A (zh) | 2023-12-01 |
CN117150388B true CN117150388B (zh) | 2024-01-26 |
Family
ID=88912519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311438635.5A Active CN117150388B (zh) | 2023-11-01 | 2023-11-01 | 汽车底盘的异常状态检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150388B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101571485B1 (ko) * | 2014-05-27 | 2015-11-25 | 주식회사 글로비즈 | 자동차 샤시 부품 상태 모니터링 진단 분석 방법 및 시스템 |
CN109374044A (zh) * | 2018-09-30 | 2019-02-22 | 北京英视睿达科技有限公司 | 一种多参环境监测设备智能自动修复方法及装置 |
CN112035334A (zh) * | 2020-09-15 | 2020-12-04 | 深圳市欢太科技有限公司 | 异常设备检测方法、装置、存储介质与电子设备 |
CN112987687A (zh) * | 2021-02-08 | 2021-06-18 | 南京航空航天大学 | 一种云-端融合的智能线控底盘健康监测系统及方法 |
CN113627625A (zh) * | 2021-07-08 | 2021-11-09 | 广东电网有限责任公司广州供电局 | 一种基于层次分析法和模糊综合评价法的电源车零部件维修重要度评价方法 |
CN114399135A (zh) * | 2021-11-29 | 2022-04-26 | 国网江苏省电力有限公司 | 基于层次分析法的电网运行异常指标朔因关联度确定方法 |
CN115018021A (zh) * | 2022-08-08 | 2022-09-06 | 广东电网有限责任公司肇庆供电局 | 基于图结构与异常注意力机制的机房异常检测方法及装置 |
CN116542916A (zh) * | 2023-04-23 | 2023-08-04 | 五邑大学 | 列车车辆底盘零件异常检测方法和装置、电子设备及介质 |
CN116701033A (zh) * | 2023-06-07 | 2023-09-05 | 中国工商银行股份有限公司 | 主机切换异常检测方法、装置、计算机设备和存储介质 |
WO2023201904A1 (zh) * | 2022-04-19 | 2023-10-26 | 五邑大学 | 车辆异常行驶检测方法、电子设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11410048B2 (en) * | 2019-05-17 | 2022-08-09 | Honda Motor Co., Ltd. | Systems and methods for anomalous event detection |
-
2023
- 2023-11-01 CN CN202311438635.5A patent/CN117150388B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101571485B1 (ko) * | 2014-05-27 | 2015-11-25 | 주식회사 글로비즈 | 자동차 샤시 부품 상태 모니터링 진단 분석 방법 및 시스템 |
CN109374044A (zh) * | 2018-09-30 | 2019-02-22 | 北京英视睿达科技有限公司 | 一种多参环境监测设备智能自动修复方法及装置 |
CN112035334A (zh) * | 2020-09-15 | 2020-12-04 | 深圳市欢太科技有限公司 | 异常设备检测方法、装置、存储介质与电子设备 |
CN112987687A (zh) * | 2021-02-08 | 2021-06-18 | 南京航空航天大学 | 一种云-端融合的智能线控底盘健康监测系统及方法 |
CN113627625A (zh) * | 2021-07-08 | 2021-11-09 | 广东电网有限责任公司广州供电局 | 一种基于层次分析法和模糊综合评价法的电源车零部件维修重要度评价方法 |
CN114399135A (zh) * | 2021-11-29 | 2022-04-26 | 国网江苏省电力有限公司 | 基于层次分析法的电网运行异常指标朔因关联度确定方法 |
WO2023201904A1 (zh) * | 2022-04-19 | 2023-10-26 | 五邑大学 | 车辆异常行驶检测方法、电子设备、存储介质 |
CN115018021A (zh) * | 2022-08-08 | 2022-09-06 | 广东电网有限责任公司肇庆供电局 | 基于图结构与异常注意力机制的机房异常检测方法及装置 |
CN116542916A (zh) * | 2023-04-23 | 2023-08-04 | 五邑大学 | 列车车辆底盘零件异常检测方法和装置、电子设备及介质 |
CN116701033A (zh) * | 2023-06-07 | 2023-09-05 | 中国工商银行股份有限公司 | 主机切换异常检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
chassis assembly detection and identification based on deep learning component instance segmentation;Guixiong Liu et al.;《symmetry》;1-18 * |
基于海量运行数据的主动配电网运行健康水平综合评价方法;朱凯 等;《电器与能效管理技术》;46-53 * |
汽车液压制动系统的故障诊断及维修探讨;林宁;《内燃机与配件》;150-151 * |
Also Published As
Publication number | Publication date |
---|---|
CN117150388A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113965404B (zh) | 一种网络安全态势自适应主动防御系统及方法 | |
US11720821B2 (en) | Automated and customized post-production release review of a model | |
Li et al. | Hard drive failure prediction using decision trees | |
KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
CN111382546B (zh) | 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 | |
CN113687972B (zh) | 业务系统异常数据的处理方法、装置、设备及存储介质 | |
KR20220086386A (ko) | 머신 러닝을 이용한 타이어 마모 예측 방법 및 장치 | |
CN113822421A (zh) | 基于神经网络的异常定位方法、系统、设备及存储介质 | |
CN113761649A (zh) | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
CN117150388B (zh) | 汽车底盘的异常状态检测方法及系统 | |
CN115563503A (zh) | 基于车辆历史数据的故障预测方法、系统和存储介质 | |
CN117671818B (zh) | 一种车辆数据的管理系统 | |
Gopalakrishnan et al. | IIoT Framework Based ML Model to Improve Automobile Industry Product. | |
CN114429249A (zh) | 钢管束生产设备的寿命预测方法、系统、设备及存储介质 | |
CN116448954A (zh) | 基于多维度监测参数融合评估桥梁健康状况的方法及系统 | |
CN110243598B (zh) | 列车轴承温度的处理方法、装置及存储介质 | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
CN117272805A (zh) | 一种混凝土结构耐久性全寿命分析方法和系统 | |
CN116643178A (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
CN112287586A (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 | |
US11970178B2 (en) | Computer-implemented method for machine learning for operating a vehicle component, and method for operating a vehicle component | |
Derse et al. | An anomaly detection study on automotive sensor data time series for vehicle applications | |
CN113887885A (zh) | 一种设备维修策略的效益评估方法和计算机终端 |
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 |