CN117590837B - 基于树型结构的电动车控制器故障诊断方法 - Google Patents
基于树型结构的电动车控制器故障诊断方法 Download PDFInfo
- Publication number
- CN117590837B CN117590837B CN202410076180.5A CN202410076180A CN117590837B CN 117590837 B CN117590837 B CN 117590837B CN 202410076180 A CN202410076180 A CN 202410076180A CN 117590837 B CN117590837 B CN 117590837B
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosis
- data
- target
- failure
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 334
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 230000020169 heat generation Effects 0.000 claims abstract description 23
- 230000000977 initiatory effect Effects 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims description 44
- 238000000605 extraction Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 239000000306 component Substances 0.000 description 46
- 238000003860 storage Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域，揭露了一种基于树型结构的电动车控制器故障诊断方法，包括：获取历史诊断集，优化历史诊断集得到优化诊断集，分类所述优化诊断集，利用分类后的优化诊断集构建优化树型结构，基于优化树型结构获取故障现象标签集，构建内部生热关系式，利用内部生热关系式计算内部热量，根据内部热量确认动力电池处于安全工作状态后，发送故障现象标签集至故障诊断指令的发起端，接收来自用户基于故障现象标签集所选的目标故障现象，利用优化后的故障分析树型结构及目标故障现象获取故障诊断序列，发送故障诊断序列至故障诊断指令的发起端。本发明主要目的在于实现对电动车控制器执行快速及准确的故障诊断。
Description
技术领域
本发明涉及一种基于树型结构的电动车控制器故障诊断方法，属于数据处理技术领域。
背景技术
随着环保意识的日益增强以及科技水平的不断进步，电动车已成为现代交通工具的重要组成部分。电动车控制器作为电动车的核心部件，其性能直接影响着电动车的运行效果。然而，由于使用环境、使用年限、人为操作等多种因素的影响，电动车控制器容易出现各种故障，与之相对应的是，快速及准确的对电动车控制器执行故障诊断越来越重要。
目前，电动车控制器故障诊断方法主要依赖于人工检测和经验判断。
虽然上述方法能够实现对电动车控制器的故障诊断，但是上述方法仍然存在效率低下，容易受到人为因素影响的问题，因此，如何实现电动车控制器的快速、准确故障诊断成为了一个亟待解决的问题。
发明内容
本发明提供一种基于树型结构的电动车控制器故障诊断方法、装置及计算机可读存储介质，其主要目的在于实现对电动车控制器执行快速及准确的故障诊断。
为实现上述目的，本发明提供的一种基于树型结构的电动车控制器故障诊断方法，包括：
接收故障诊断指令，基于故障诊断指令确定故障诊断环境，其中，故障诊断环境包括：故障诊断系统及待诊断的电动车，待诊断的电动车由电动车控制器、动力电池及多个零部件所构成，故障诊断系统包括：故障标签输入单元、控制器型号确认单元、历史故障收集单元及故障零部件反馈单元；
利用所述控制器型号确认单元获取目标控制器型号，利用历史故障收集单元获取历史诊断集，其中，历史诊断集中包括多个诊断数据，基于目标控制器型号优化所述历史诊断集，得到优化诊断集；
基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，其中控制器故障种类集包括：电源故障、执行器故障、运行器械故障、连接线路故障及其他故障，5个不同的分类故障集包括电源故障集、执行器故障集、运行器械故障集、连接线路故障集及其他故障集；
其中，所述基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，包括：
根据控制器故障种类集获取控制器分类种类集，其中，控制器分类种类集由电源故障、执行器故障、运行器械故障及连接线路故障所构成；
从控制器分类种类集中依次提取控制器故障种类，并对所提取的控制器故障种类执行如下操作：
从所述优化诊断集中依次提取目标诊断数据，并对目标诊断数据执行如下操作：
利用预训练的故障分类模型及目标诊断数据所对应故障的零部件划分所述目标诊断数据，得到分类诊断数据，并在优化诊断集中剔除分类诊断数据，直至优化诊断集中的诊断数据均与控制器分类种类集中的控制器故障类型执行划分操作后，分别汇总所述分类诊断数据，得到电源故障集、执行器故障集、运行器械故障集及连接线路故障集；
汇总优化诊断集中所保留的分类诊断数据，得到剩余诊断集，利用其他故障标识所述剩余诊断集中的分类诊断数据，得到其他故障集；
利用所述5个不同的分类故障集构建故障分析树型结构，优化所述故障分析树型结构，得到优化树型结构，基于优化树型结构获取故障现象标签集；
其中，所述利用所述5个不同的分类故障集构建故障分析树型结构，包括：
其中，以电动车控制器故障为根节点，以电源故障、执行器故障、运行器械故障、连接线路故障及其他故障为五个子节点构建初始故障树型结构，其中，每个子节点之间的关系为兄弟关系，且每个子节点与父节点之间的关系为父子关系；
基于所述5个不同的分类故障种类集获取多个目标分类种类集，其中，多个目标分类种类集包括：电源故障集、执行器故障集、运行器械故障集及连接线路故障集；
从所述多个目标分类种类集依次提取目标分类种类集，并对所提取的目标分类种类集执行如下操作：
基于目标分类种类集及预构建的关键词提取模型获取一个或多个目标故障子节点，其中，一个或多个目标故障子节点之间的关系为兄弟关系；
利用所述其他故障集及所述关键词提取模型获取一个或多个初始故障子节点，基于所述一个或多个初始故障子节点获取一个或多个初始故障概率，其中，一个或多个初始故障子节点与所述一个或多个初始故障概率一一对应；
从一个或多个初始故障概率中依次提取初始故障概率，并对所提取的初始故障概率执行如下操作：
若初始故障概率大于或等于预设的概率阈值，则保留该初始故障概率所对应的初始故障子节点；
若初始故障概率小于所述概率阈值，则剔除该初始故障概率所对应的初始故障子节点；
汇总所保留的初始故障子节点，得到其他故障子节点集，其中，其他故障子节点集中的初始故障子节点之间的关系为兄弟关系，且与其他故障之间的关系为父子关系；
基于所述一个或多个目标故障子节点、初始故障树型结构及其他故障子节点集构建故障分析树型结构；
构建内部生热关系式，基于预设的检测时段及内部生热关系式计算内部热量，根据内部热量确认动力电池处于安全工作状态后；
发送所述故障现象标签集至故障诊断指令的发起端，通过故障标签输入单元接收来自用户基于故障现象标签集所选的目标故障现象；
利用优化树型结构及目标故障现象获取一个或多个目标故障子节点；
根据一个或多个目标故障子节点获取故障诊断序列，基于故障零部件反馈单元发送所述故障诊断序列至故障诊断指令的发起端，实现对电动车控制的故障诊断。
可选地，所述基于目标控制器型号优化所述历史诊断集，得到优化诊断集，包括：
从历史诊断集中依次提取诊断数据，并对所提取的诊断数据均执行如下操作：
利用预设的标识约束集对所提取的诊断数据执行标识操作，得到标识诊断数据，其中，标识约束集由使用时间、控制器型号、故障现象及故障的零部件所构成；
剔除标识诊断数据所对应控制器型号与目标控制器型号不同的数据，得到第一筛选数据集；
若第一筛选数据集中的第一筛选数据缺少所述标识约束集中的一个或多个标识约束，则剔除第一筛选数据，否则保留第一筛选数据；
汇总所保留的第一筛选数据，得到优化诊断集。可选地，所述基于所述一个或多个初始故障子节点获取一个或多个初始故障概率，计算公式如下所示：
，
其中，表示第/>个初始故障子节点所对应的初始故障概率，/>表示第/>个初始故障子节点所对应其他故障集中第/>个分类诊断数据，/>表示第/>个初始故障子节点所对应其他故障集中共有/>个分类诊断数据，/>表示其他故障集中共有/>个分类诊断数据。
可选地，所述优化所述故障分析树型结构，得到优化树型结构，包括：
获取故障分析树型结构中每一个第一子节点所对应的故障数据集，得到第一故障数据集，其中，第一子节点是故障分析树型结构中最小的子节点；
利用故障的零部件划分所述第一故障数据集，得到一个或多个第二故障数据集，其中，第二故障数据集中零部件使用时间为正态分布，从所述一个或多个第二故障数据集中依次提取第二故障数据集，并对所提取的第二故障数据集执行如下操作：
基于预构建的数据筛选公式剔除第二故障数据集中零部件使用时间位于数据筛选公式以外的故障数据，得到优化第二故障数据集，其中，数据筛选公式如下所示：
，
其中，表示第二故障数据集中零部件使用时间的均值，/>表示第二故障数据集中零部件使用时间的方差，/>均为预设的系数；
基于优化第二故障数据集优化故障分析树型结构，得到优化树型结构。
可选地，所述根据内部热量确认动力电池处于安全工作状态，包括：
比较内部热量及预设的预警阈值；
若内部热量大于或等于预警阈值，则对动力电池执行断电操作；
否则，提示动力电池处于安全工作状态。
可选地，所述内部生热关系式如下所示：
，
其中，表示单位时间内动力电池内部温度的变化量，/>表示折损系数，/>表示动力电池内部的密度，/>表示动力电池内部的比热容，/>表示第/>次采样所对应的时间，/>表示第/>次采样时所对应的时间，/>表示动力电池内部的体积，/>表示动力电池内部的生热速率，/>为动力电池表面的温度，/>为动力电池内部的温度，/>表示动力电池内部的热阻。
可选地，所述根据一个或多个目标故障子节点获取故障诊断序列，包括：
基于所述一个或多个目标故障子节点获取一个或多个目标故障数据集，其中，目标故障数据集为优化树型结构中子节点所对应的故障数据集；
从所述一个或多个目标故障数据集中依次提取目标故障数据集，并对所提取的目标故障数据集执行如下操作：
利用预构建的故障比例关系式计算目标故障概率，其中，故障比例关系式如下所示：
，
其中，表示第/>个目标故障数据集的目标故障概率，/>表示第/>个目标故障数据集共包含/>个诊断数据，/>表示共有/>个目标故障子节点，其中，/>为大于等于1的整数，/>表示第/>个目标故障数据集共包含/>个故障数据；
获取电动车零部件的使用时间，基于使用时间、目标故障概率及预构建的综合概率关系式计算综合概率值，汇总所述综合概率值，得到综合概率值集，按照从大到小的顺序排序所述综合概率值集中的综合概率值，得到故障诊断序列，其中，故障诊断序列包括：故障的零部件、该零部件所对应的控制器故障种类。
可选地，所述综合概率关系式，如下所示：
，
其中，表示第/>个零部件产生故障的概率，/>均为预设的参考系数，且/>，/>表示第/>个零部件的使用时间，/>表示由目标故障数据集计算出第/>个零部件的平均使用时间，其中，第/>个零部件位于第/>个目标故障数据集中。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现上述所述的基于树型结构的电动车控制器故障诊断方法。
为了解决上述问题，本发明还提供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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于树型结构的电动车控制器故障诊断方法。
相比于背景技术所述问题，本发明先接收故障诊断指令，基于故障诊断指令确定故障诊断环境，其中，故障诊断环境包括：故障诊断系统及待诊断的电动车，待诊断的电动车由电动车控制器、动力电池及多个零部件所构成，故障诊断系统包括：故障标签输入单元、控制器型号确认单元、历史故障收集单元及故障零部件反馈单元，可见本发明所述配送环境更加智能、更加符合实际情况，不仅能够实现对电动车控制器的故障诊断还考虑了电动车无法启动的情况，即通过与使用者进行交互的形式，实现对电动车控制器的故障诊断。其后，利用所述控制器型号确认单元获取目标控制器型号，利用历史故障收集单元获取历史诊断集，其中，历史诊断集中包括多个诊断数据，基于目标控制器型号优化所述历史诊断集，得到优化诊断集。对应地，并不是所有的诊断数据均能够满足对待诊断的电动车执行故障诊断，因此，需要对诊断数据执行优化操作，进一步地，提高了基于优化诊断集构建故障分析树型结构的准确性，此外，本发明基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，利用所述5个不同的分类故障集构建故障分析树型结构，优化所述故障分析树型结构，得到优化树型结构，可见本发明对控制器故障种类进行了拟定，并根据分类故障集的种类获取子节点，使得所构建的故障分析树型结构更为清晰及准确，随后通过数据筛选公式，进一步地筛选了故障分析树型结构中的数据，与之对应的是，提高了对电动车控制器故障诊断的准确性，加快了对数据处理的速度，构建内部生热关系式，基于预设的检测时段及内部生热关系式计算内部热量，根据内部热量确认动力电池处于安全工作状态后，可见本发明在考虑电动车安全的前提下，实现对电动车控制器故障的诊断，更加符合实际要求，发送所述故障现象标签集至故障诊断指令的发起端，通过故障标签输入单元接收来自用户基于故障现象标签集所选的目标故障现象，利用优化树型结构及目标故障现象获取一个或多个目标故障子节点，根据一个或多个目标故障子节点获取故障诊断序列，基于故障零部件反馈单元发送所述故障诊断序列至故障诊断指令的发起端，实现对电动车控制的故障诊断，可见本发明通过故障现象标签集的形式提供给用户一个符合实际的参考，并利用优化故障结构及目标故障现象实现对故障的诊断，将诊断后的结果发送至故障诊断指令的发起端，实现与用户之间的交互。因此本发明提出的基于树型结构的电动车控制器故障诊断方法、装置、电子设备及计算机可读存储介质，其主要目的在于实现对电动车控制器执行快速及准确的故障诊断。
附图说明
图1为本发明一实施例提供的基于树型结构的电动车控制器故障诊断方法的流程示意图；
图2为本发明一实施例提供的实现所述基于树型结构的电动车控制器故障诊断方法的电子设备的结构示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于树型结构的电动车控制器故障诊断方法。所述基于树型结构的电动车控制器故障诊断方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于树型结构的电动车控制器故障诊断方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
参照图1所示，为本发明一实施例提供的基于树型结构的电动车控制器故障诊断方法的流程示意图。在本实施例中，所述基于树型结构的电动车控制器故障诊断方法包括：
S1、接收故障诊断指令，基于故障诊断指令确定故障诊断环境，其中，故障诊断环境包括：故障诊断系统及待诊断的电动车，待诊断的电动车由电动车控制器、动力电池及多个零部件所构成，故障诊断系统包括：故障标签输入单元、控制器型号确认单元、历史故障收集单元及故障零部件反馈单元。
需解释的是，控制器型号确认单元为确认电动车控制器型号的单元，可选的，通过输入电动车的型号获取电动车控制器的型号或直接输入电动车控制器的型号，不同种类电动车控制器的结构、生产技术、执行标准等可能不同，因此，只有相同型号电动车控制器的故障数据才具有参考价值。
应明白的是，故障诊断指令为电动车操作人员对电动车所发出进行故障诊断的指令，故障诊断指令用于诊断电动车控制器是否存在故障或对电动车所存在的故障进行预测。故障诊断环境为对电动车控制器对执行故障诊断的必要环境。故障诊断系统：即能够单独使用，又能够通过无线网或蓝牙连接电动车车载电脑的小程序或APP等软件。其余单元或组成部分，请参照后续实施例。
示例性的，小王作为电动车甲的操作员，现在需要对电动车甲进行故障诊断。若电动车甲的车载电脑能够正常启动，则小王通过故障诊断系统连接电动车甲的车载电脑，并通过控制电动车甲上的测试器，实现对电动车甲的故障诊断，若电动车甲的车载电脑无法正常启动小王则通过在故障标签输入单元中选取故障标签，利用故障诊断系统经由小王所选取的故障标签，实现对电动车甲的故障预测。
S2、利用所述控制器型号确认单元获取目标控制器型号，利用历史故障收集单元获取历史诊断集，其中，历史诊断集中包括多个诊断数据，基于目标控制器型号优化所述历史诊断集，得到优化诊断集。
应明白的是，历史诊断集为包括多个电动车控制器故障信息的数据集。历史诊断数据集是通过对电动车控制器生产商、经销商的售后部、电动车控制器维修中心等收集到关于电动车控制器故障的真实数据。
示例性的，小张作为故障诊断系统的开发人员，开发了一款具有登记功能的故障诊断系统，且小张所开发的故障诊断系统被多个电动车控制器维修中心所使用，且电动车控制器维修中心将所维修的电动车控制器的信息登记至小张所开发的故障诊断系统中，由历史故障收集单元收集已登记的电动车控制器的信息，得到历史诊断集，且历史诊断集中记录了多个对电动车控制器执行故障诊断后所记录的数据。
进一步地，所述基于目标控制器型号优化所述历史诊断集，得到优化诊断集，包括：
从历史诊断集中依次提取诊断数据，并对所提取的诊断数据均执行如下操作：
利用预设的标识约束集对所提取的诊断数据执行标识操作，得到标识诊断数据，其中，标识约束集由使用时间、控制器型号、故障现象及故障的零部件所构成；
剔除标识诊断数据所对应控制器型号与目标控制器型号不同的数据，得到第一筛选数据集；
若第一筛选数据集中的第一筛选数据缺少所述标识约束集中的一个或多个标识约束，则剔除第一筛选数据，否则保留第一筛选数据；
汇总所保留的第一筛选数据，得到优化诊断集。
进一步地，使用时间为对电动车控制器中产生故障的零部件执行维修时所记录的时间，控制器型号是指电动车控制器的型号，且电动车为同一种类的电动车，且电动车的构成及执行标准均一致，故障现象为电动车控制器故障后所表现的现象，故障的零部件为通过对电动车控制器执行诊断后，所分析出导致电动车控制器产生故障的零部件，即待维修的零部件。
示例性的，电动车甲中前左车灯断路故障，则电动车控制器无法操作前左车灯，且前左车灯的故障现象为前左车灯不亮，通过工程师对电动车甲进行诊断后，得到电动车甲前左车灯因进水导致前左车灯线路烧断的故障原因，因此，工程师对电动车甲的前左车灯执行更换的维修措施，并记录了对左前灯执行更换的时间。
应明白的是，目标控制器型号为待诊断的电动车中电动车控制器的型号，通过历史故障收集单元所获取的历史诊断数据中可能包含不完整的诊断数据，通过电动车控制器的型号对标识诊断数据执行第一次筛选，在此即剔除与目标控制器型号不同的数据，第一次筛选仅拟定了一个标准，该标准为目标控制器型号，节约了对数据执行第一次筛选时所用的资源，加快了筛选速度。之后对筛选后所保留的第一筛选数据执行第二次筛选，在此即剔除第一筛选数据缺少标识约束集中的一个或多个标识约束，得到了与目标电动车控制器型号相同，且数据记录完整的第一筛选数据。可选的，剔除标识诊断数据的方法为：删除标识诊断数据所对应控制器型号与目标控制器型号不同的数据，采用其他方法均能实现相同的作用效果，在此不再赘述。
S3、基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集。
进一步地，其中控制器故障种类集包括：电源故障、执行器故障、运行器械故障、连接线路故障及其他故障，5个不同的分类故障集包括电源故障集、执行器故障集、运行器械故障集、连接线路故障集及其他故障集。
需解释的是，电源故障是电动车因电源老化、电源供电异常等形式，而导致电动车电源无法正常供电的故障，执行器是指构成电动车的多个零部件中可通过电动车车载电脑直接控制的零部件，例如：电动车甲的左前灯因断路故障而导致电动车甲的左前灯无法正常使用。运行器械故障是组成电动车的多个零部件中维持电动车正常运行的零部件，例如：电动车的传动轴、电动车的雨刮片、电动车的刹车片及电动车的中所使用的轴承等零部件，运行器械与执行器的区别在于：通过电动车控制器可实现对执行器的操作，而运行器械无法通过电动车控制器实现对其的操作，但运行器械可传递执行器的运动。连接线路故障是指由电动车中连接电动车电源与多个执行器之间线路所产生的故障，例如：因振动，导致电动车车灯处线路接口的脱落，其他故障是指无法归类于电源故障、执行器故障、运行器械故障、连接线路故障的故障，例如：因剐蹭，导致的车门变形或因剐蹭，导致电动车的车漆脱落等。电源故障集、执行器故障集、运行器械故障集、连接线路故障集及其他故障集则是根据故障的零部件对优化诊断集中的诊断数据执行划分操作后所得到的。
示例性的，通过电动车控制器开启电动车甲的雨刷器，发现雨刷器所对应的雨刮片无法正常工作，若因雨刷器的电动机损坏而导致雨刮片无法正常工作，则其故障类型为：执行器故障，若因雨刷器所对应雨刮片的折断或老化而导致雨刮片无法正常工作，则其故障类型为运行器械故障。
应明白的是，所述基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，包括：
根据控制器故障种类集获取控制器分类种类集，其中，控制器分类种类集由电源故障、执行器故障、运行器械故障及连接线路故障所构成；
从控制器分类种类集中依次提取控制器故障种类，并对所提取的控制器故障种类执行如下操作：
从所述优化诊断集中依次提取目标诊断数据，并对目标诊断数据执行如下操作：
利用预训练的故障分类模型及目标诊断数据所对应故障的零部件划分所述目标诊断数据，得到分类诊断数据，并在优化诊断集中剔除分类诊断数据，直至优化诊断集中的诊断数据均与控制器分类种类集中的控制器故障类型执行划分操作后，分别汇总所述分类诊断数据，得到电源故障集、执行器故障集、运行器械故障集及连接线路故障集；
汇总优化诊断集中所保留的分类诊断数据，得到剩余诊断集，利用其他故障标识所述剩余诊断集中的分类诊断数据，得到其他故障集。
可理解的是，电源故障集由多个因电动车电源故障而导致电动车无法正常工作的数据所构成，执行器故障集由多个因电动车执行器故障而导致电动车无法正常工作的数据所构成，运行器械故障集由多个因电动车运行器械故障而导致电动车无法正常工作的数据所构成，连接线路故障集由多个因电动车连接线路故障而导致电动车无法正常工作的数据所构成，其他故障集中包括了无法通过电源故障、执行器故障、运行器械故障及连接线路故障对优化诊断集执行分类的全部数据。可选的，故障分类模型为深度学习的语义匹配模型，采用其他技术均能实现相同的技术效果，在此不再赘述。
示例性的，优化诊断集中包含十个诊断数据，其中，第一个诊断数据所对应的故障原因为：电动车电源老化，导致电动车电源无法正常工作，由故障分类模型将第一个诊断数据标识为电源故障的诊断数据，第二个诊断数据所对应的故障原因为：雨刮片断裂，导致雨刷器无法正常工作，则由故障分类模型将第二个诊断数据标识为运行器械故障的诊断数据，第三个诊断数据所对应的故障原因为：电动车引擎盖破损，导致电动车在行驶时产生异响，则由故障分类模型将第三个诊断数据标识为运行器械故障，依次类推，直至利用故障分类模型实现对优化诊断集中所包含的十个诊断数据均执行标识操作后，分别以电源故障、执行器故障、运行器械故障及连接线路故障，汇总被标识的诊断数据后，从优化诊断集中剔除能够被标识的诊断数据，以其他故障的控制器故障种类汇总优化诊断集中所保留的诊断数据，得到其他故障集。
S4、利用所述5个不同的分类故障集构建故障分析树型结构，优化所述故障分析树型结构，得到优化树型结构，基于优化树型结构获取故障现象标签集。
需解释的是，所述利用所述5个不同的分类故障集构建故障分析树型结构，包括：
其中，以电动车控制器故障为根节点，以电源故障、执行器故障、运行器械故障、连接线路故障及其他故障为五个子节点构建初始故障树型结构，其中，每个子节点之间的关系为兄弟关系，且每个子节点与父节点之间的关系为父子关系；
基于所述5个不同的分类故障种类集获取多个目标分类种类集，其中，多个目标分类种类集包括：电源故障集、执行器故障集、运行器械故障集及连接线路故障集；
从所述多个目标分类种类集依次提取目标分类种类集，并对所提取的目标分类种类集执行如下操作：
基于目标分类种类集及预构建的关键词提取模型获取一个或多个目标故障子节点，其中，一个或多个目标故障子节点之间的关系为兄弟关系；
利用所述其他故障集及所述关键词提取模型获取一个或多个初始故障子节点，基于所述一个或多个初始故障子节点获取一个或多个初始故障概率，其中，一个或多个初始故障子节点与所述一个或多个初始故障概率一一对应；
从一个或多个初始故障概率中依次提取初始故障概率，并对所提取的初始故障概率执行如下操作：
若初始故障概率大于或等于预设的概率阈值，则保留该初始故障概率所对应的初始故障子节点；
若初始故障概率小于所述概率阈值，则剔除该初始故障概率所对应的初始故障子节点；
汇总所保留的初始故障子节点，得到其他故障子节点集，其中，其他故障子节点集中的初始故障子节点之间的关系为兄弟关系，且与其他故障之间的关系为父子关系；
基于所述一个或多个目标故障子节点、初始故障树型结构及其他故障子节点集构建故障分析树型结构。
应明白的是，本发明实施例在于快速实现对电动车控制器故障的诊断，因此，先构建出了满足目标电动车控制器要求的树型结构，但是由于其他故障集中的故障数据与故障现象之间的关系并不明确，因此，需要通过对其他故障集中的故障数据执行筛选，在此，即为通过比较初始分类故障概率与概率阈值之间的大小，判断筛选后的其他故障集中的故障数据及故障数据所对应的故障现象之间存在的关系。例如：某甲型电动车因其制造工艺的问题，导致甲型电动车的车门一旦变形，则大概率会产生异响，若通过计算，得出该概率大于或等于概率阈值，则认定甲型电动车的车门变形与异响的产生存在关系，并保留该初始故障子节点，否则，则剔除该初始故障子节点。通过对其他故障集中的故障数据执行筛选，可以避免因偶然因素导致树型结构过于复杂，进而，改善了基于所述树型结构造成对电动车控制器诊断的不准确及效率低的问题。概率阈值是用于判断其他故障集中故障现象于故障的零部件之间是否存在一定关系而设定的值。目标故障子节点为基于目标分类种类集所生成的故障形式，且造成该故障形式的零部件可能不同。初始故障子节点与所述目标故障子节点的获取形式相同并能实现相同的作用效果，在此不再赘述。同一个子节点中所对应的故障也可能由不同的零部件所产生。例如：运行器械故障中刹车故障，引起刹车故障的原因可能为：刹车片磨损严重或制动踏板自由行程过大，因此，可以根据故障的零部件将子节点所对应的故障集进行划分，并筛除一些偶然性的数据，以实现对故障的零部件进行较为准确的预测。
可选的，关键词提取模型为基于语义的神经网络技术，且选用其他技术均能实现相同的作用效果，在此不再赘述。
进一步地，每种故障可能包含多种故障形式，例如：电源故障包括：电源电压异常、电源供电异常、电源输出异常、电源温度异常、电源输入异常及电源安全性异常等，执行器中的传感器发生故障，则其故障形式包括：节气门位置传感器异常、空气流量传感器异常、进气压力传感器异常、爆震传感器异常、水温传感器异常、油门踏板位置传感器异常、ABS传感器异常等，连接线路故障包括：线路断路、线路短路、线路元件虚焊、线路元件故障等。因此，可通过对不同故障种类集中的每种故障种类进行划分，得到其一个或多个子节点，并以一个或多个子节点构建树型结构。通过节点构建树型结构的技术为现有技术，在此不再赘述。
需解释的是，所述基于所述一个或多个初始故障子节点获取一个或多个初始故障概率，计算公式如下所示：
，
其中，表示第/>个初始故障子节点所对应的初始故障概率，/>表示第/>个初始故障子节点所对应其他故障集中第/>个分类诊断数据，/>表示第/>个初始故障子节点所对应其他故障集中共有/>个分类诊断数据，/>表示其他故障集中共有/>个分类诊断数据；
进一步地，所述优化所述故障分析树型结构，得到优化树型结构，包括：
获取故障分析树型结构中每一个第一子节点所对应的故障数据集，得到第一故障数据集，其中，第一子节点是故障分析树型结构中最小的子节点；
利用故障的零部件划分所述第一故障数据集，得到一个或多个第二故障数据集，其中，第二故障数据集中零部件使用时间为正态分布，从所述一个或多个第二故障数据集中依次提取第二故障数据集，并对所提取的第二故障数据集执行如下操作：
基于预构建的数据筛选公式剔除第二故障数据集中零部件使用时间位于数据筛选公式以外的故障数据，得到优化第二故障数据集，其中，数据筛选公式如下所示：
，
其中，表示第二故障数据集中零部件使用时间的均值，/>表示第二故障数据集中零部件使用时间的方差，/>均为预设的系数；
基于优化第二故障数据集优化故障分析树型结构，得到优化树型结构。
需解释的是，故障的零部件的产生原因具有偶然性及必然性，通过数据筛选公式剔除第二故障数据集中零部件使用时间位于数据筛选公式以外的故障数据，其目的是保留零部件故障产生故障的必然性，例如：小张拥有一辆电动车，且小张很少使用该电动车，直至小张再次使用该电动车时，小张发现该电动车的电池早已损坏，于是，前往维修店维修该电动车的电池。通过筛选每一个第一子节点中所对应零部件的使用时间，可以使得优化树型结构中每一个第一子节点所对应故障的零部件，其使用时间更具备参考性，进而，增加对电动车中零部件故障概率估计的准确性。
应明白的是，故障现象标签集为优化树型结构中每一个第一子节点所对应的一个或多个诊断数据中所包含故障现象的集合。例如：优化树型结构中其他故障包括：车门变形，由车门变形引起电动车行驶时产生异响。将行驶过程产生异响作为故障现象标签。可选的，通过优化树型结构所对应的诊断数据获取故障现象标签的方法为：预训练的神经网络，该方法为现有技术，在此不再赘述。
S5、构建内部生热关系式，基于预设的检测时段及内部生热关系式计算内部热量，根据内部热量确认动力电池处于安全工作状态后。
进一步地，所述内部生热关系式如下所示：
，
其中，表示单位时间内动力电池内部温度的变化量，/>表示折损系数，/>表示动力电池内部的密度，/>表示动力电池内部的比热容，/>表示第/>次采样所对应的时间，/>表示第/>次采样时所对应的时间，/>表示动力电池内部的体积，/>表示动力电池内部的生热速率，/>为动力电池表面的温度，/>为动力电池内部的温度，/>表示动力电池内部的热阻。
可理解的是，折损系数与待诊断的电动车有关，不同类型的电动车折损系数可能不同，相同类型但不同工艺的电动车其折损系数可能不同。可选的，折损系数的获取，可通过设计实验的方式获取，采用其他技术均能实现相同的技术效果，在此不再赘述。
需解释的是，电池外部的温度可由温度传感器所测量，动力电池内部的温度可由动力电池所产生的电压及电路中的电流所计算，在此不再赘述。若电池发生故障，在所有故障类型中最危险的故障类型，即为动力电池的短路，而动力电池的短路所表现的形式为动力电池内部的温度发生较大的变化。
进一步地，所述根据内部热量确认动力电池处于安全工作状态，包括：
比较内部热量及预设的预警阈值；
若内部热量大于或等于预警阈值，则对动力电池执行断电操作；
否则，提示动力电池处于安全工作状态。
可理解的是，可选的，通过智能控制单元实现对动力电池的断电操作，通过其他技术能实现相同的作用效果，在此不再赘述。
示例性的，电动车甲在充电时，由内部生热关系式计算出动力电池所产生的内部热量大于或等于所述热量阈值，通过智能控制单元对电动车甲的动力电池执行断电操作，成功避免了因电池短路而产生的火灾。或电动车甲在正常使用过程中，检测到动力电池所产生的内部热量大于或等于热量阈值，则通过智能控制单元对电动车甲的动力电池执行断电操作，成功避免了因电池短路而产生的灾害。
S6、发送所述故障现象标签集至故障诊断指令的发起端，通过故障标签输入单元接收来自用户基于故障现象标签集所选的目标故障现象，利用优化树型结构及目标故障现象获取一个或多个目标故障子节点。
进一步地，所述利用优化树型结构及目标故障现象获取一个或多个目标故障子节点，包括：
基于目标故障现象在优化树型结构中检索与故障现象相对应的诊断数据，得到目标诊断数据；
基于目标诊断数据获取一个或多个目标故障子节点，其中，一个或多个目标故障子节点是目标诊断数据的父节点。
需解释的是，若电动车控制器产生故障，则给用户最直接的感受为故障现象，目标诊断数据为与用户通过故障现象标签集所选与目标故障现象相同的数据。示例性的：用户所选的目标故障现象为电动车的左前灯不亮，则通过优化树型结构所检索的目标诊断数据，均为电动车的左前灯不亮的数据，由于造成左前灯不亮的数据所对应的故障种类可能不同，于优化树型结构中若故障种类不同，其中产生故障的零部件也不同，因此，通过目标诊断数据获取满足电动车的左前灯不亮的目标故障子节点。可选地，通过目标故障现象在优化树型结构中检索的方法为：python算法，采用其他技术均能现实相同的作用效果，在此不再赘述。
示例性的，造成电动车的左前灯不亮的原因包括：执行器故障中左前灯损坏或连接线路故障中左前灯线路断路，此时，目标故障子节点为执行器故障中左前灯损坏及连接线路故障中左前灯线路断路。
S7、根据一个或多个目标故障子节点获取故障诊断序列，基于故障零部件反馈单元发送所述故障诊断序列至故障诊断指令的发起端，实现对电动车控制的故障诊断。
进一步地，所述根据一个或多个目标故障子节点获取故障诊断序列，包括：
基于所述一个或多个目标故障子节点获取一个或多个目标故障数据集，其中，目标故障数据集为优化树型结构中子节点所对应的故障数据集；
从所述一个或多个目标故障数据集中依次提取目标故障数据集，并对所提取的目标故障数据集执行如下操作：
利用预构建的故障比例关系式计算目标故障概率，其中，故障比例关系式如下所示：
，
其中，表示第/>个目标故障数据集的目标故障概率，/>表示第/>个目标故障数据集共包含/>个诊断数据，/>表示共有/>个目标故障子节点，其中，/>为大于等于1的整数，/>表示第/>个目标故障数据集共包含/>个故障数据；
获取电动车零部件的使用时间，基于使用时间、目标故障概率及预构建的综合概率关系式计算综合概率值，汇总所述综合概率值，得到综合概率值集，按照从大到小的顺序排序所述综合概率值集中的综合概率值，得到故障诊断序列，其中，故障诊断序列包括：故障的零部件、该零部件所对应的控制器故障种类。
应明白的是，目标故障数据集为满足用户所选目标故障现象所对应的故障数据，且同一个目标故障数据集所对应的子节点相同，根据综合概率值的计算可以判断何种零部件产生故障的概率，进而，实现对电动车控制器的故障诊断。不同的零部件产生损坏其可能会产生相同的故障现象。通过故障比例关系式计算目标故障概率，可以得出目标故障现象由不同故障种类所引起时，每个故障种类所对应的概率。
可理解的是，所述综合概率关系式，如下所示：
，
其中，表示第/>个零部件产生故障的概率，/>均为预设的参考系数，且/>，/>表示第/>个零部件的使用时间，/>表示由目标故障数据集计算出第/>个零部件的平均使用时间，其中，第/>个零部件位于第/>个目标故障数据集中。应明白的是，通过综合概率关系式的计算，既考虑了目标故障数据集中对零部件故障的参考又实事求是结合了零部件的具体使用时间，由此，实现更为准确的对电动车控制器中零部件的故障诊断。在同一个故障种类下，故障现象仍可能因不同的零部件故障所引起。
示例性的：电动车甲所表现的故障现象为电动车甲的左前灯不亮，由优化树型结构分析出造成电动车甲左前灯不亮的原因包括：电动车甲左前灯因自身老化导致电动车甲左前灯不亮或因电动车甲左前灯的连接线路虚焊导致电动车甲左前灯不亮，通过历史诊断集可知，电动车甲为进行过左前灯的维修或更换，且左前灯的使用时间为5年，通过目标故障数据集对因执行器故障而导致左前灯维修或更换的平均时间为4.5年，且因连接线路故障而导致左前灯维修或更换的平均时间为10年，所计算因执行器故障而导致左前灯不亮的目标故障概率为0.8，而因连接线路故障导致左前灯不亮的目标故障概率为0.2，则所计算出的左前灯故障的概率大于连接线路故障的概率，因此，发送至故障诊断指令发起端的故障诊断序列中：第一位为：执行器故障中左前灯故障，第二位为：连接线路故障中左前灯连接处断路。
相比于背景技术所述问题，本发明先接收故障诊断指令，基于故障诊断指令确定故障诊断环境，其中，故障诊断环境包括：故障诊断系统及待诊断的电动车，待诊断的电动车由电动车控制器、动力电池及多个零部件所构成，故障诊断系统包括：故障标签输入单元、控制器型号确认单元、历史故障收集单元及故障零部件反馈单元，可见本发明所述配送环境更加智能、更加符合实际情况，不仅能够实现对电动车控制器的故障诊断还考虑了电动车无法启动的情况，即通过与使用者进行交互的形式，实现对电动车控制器的故障诊断。其后，利用所述控制器型号确认单元获取目标控制器型号，利用历史故障收集单元获取历史诊断集，其中，历史诊断集中包括多个诊断数据，基于目标控制器型号优化所述历史诊断集，得到优化诊断集。对应地，并不是所有的诊断数据均能够满足对待诊断的电动车执行故障诊断，因此，需要对诊断数据执行优化操作，进一步地，提高了基于优化诊断集构建故障分析树型结构的准确性，此外，本发明基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，利用所述5个不同的分类故障集构建故障分析树型结构，优化所述故障分析树型结构，得到优化树型结构，可见本发明对控制器故障种类进行了拟定，并根据分类故障集的种类获取子节点，使得所构建的故障分析树型结构更为清晰及准确，随后通过数据筛选公式，进一步地筛选了故障分析树型结构中的数据，与之对应的是，提高了对电动车控制器故障诊断的准确性，加快了对数据处理的速度，构建内部生热关系式，基于预设的检测时段及内部生热关系式计算内部热量，根据内部热量确认动力电池处于安全工作状态后，可见本发明在考虑电动车安全的前提下，实现对电动车控制器故障的诊断，更加符合实际要求，发送所述故障现象标签集至故障诊断指令的发起端，通过故障标签输入单元接收来自用户基于故障现象标签集所选的目标故障现象，利用优化树型结构及目标故障现象获取一个或多个目标故障子节点，根据一个或多个目标故障子节点获取故障诊断序列，基于故障零部件反馈单元发送所述故障诊断序列至故障诊断指令的发起端，实现对电动车控制的故障诊断，可见本发明通过故障现象标签集的形式提供给用户一个符合实际的参考，并利用优化故障结构及目标故障现象实现对故障的诊断，将诊断后的结果发送至故障诊断指令的发起端，实现与用户之间的交互。因此本发明提出的基于树型结构的电动车控制器故障诊断方法、装置、电子设备及计算机可读存储介质，其主要目的在于实现对电动车控制器执行快速及准确的故障诊断。
实施例2：
如图2所示，是本发明一实施例提供的实现基于树型结构的电动车控制器故障诊断方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于树型结构的电动车控制器故障诊断程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（SmartMediaCard，SMC）、安全数字（SecureDigital，SD）卡、闪存卡（FlashCard）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于树型结构的电动车控制器故障诊断程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（CentralProcessingunit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于树型结构的电动车控制器故障诊断程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheralcomponentinterconnect，简称PCI）总线或扩展工业标准结构（extendedindustrystandardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（OrganicLight-EmittingDiode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于树型结构的电动车控制器故障诊断程序是多个指令的组合，在所述处理器10中运行时，可以实现：
接收故障诊断指令，基于故障诊断指令确定故障诊断环境，其中，故障诊断环境包括：故障诊断系统及待诊断的电动车，待诊断的电动车由电动车控制器、动力电池及多个零部件所构成，故障诊断系统包括：故障标签输入单元、控制器型号确认单元、历史故障收集单元及故障零部件反馈单元；
利用所述控制器型号确认单元获取目标控制器型号，利用历史故障收集单元获取历史诊断集，其中，历史诊断集中包括多个诊断数据，基于目标控制器型号优化所述历史诊断集，得到优化诊断集；
基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，其中控制器故障种类集包括：电源故障、执行器故障、运行器械故障、连接线路故障及其他故障，5个不同的分类故障集包括电源故障集、执行器故障集、运行器械故障集、连接线路故障集及其他故障集；
其中，所述基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，包括：
根据控制器故障种类集获取控制器分类种类集，其中，控制器分类种类集由电源故障、执行器故障、运行器械故障及连接线路故障所构成；
从控制器分类种类集中依次提取控制器故障种类，并对所提取的控制器故障种类执行如下操作：
从所述优化诊断集中依次提取目标诊断数据，并对目标诊断数据执行如下操作：
利用预训练的故障分类模型及目标诊断数据所对应故障的零部件划分所述目标诊断数据，得到分类诊断数据，并在优化诊断集中剔除分类诊断数据，直至优化诊断集中的诊断数据均与控制器分类种类集中的控制器故障类型执行划分操作后，分别汇总所述分类诊断数据，得到电源故障集、执行器故障集、运行器械故障集及连接线路故障集；
汇总优化诊断集中所保留的分类诊断数据，得到剩余诊断集，利用其他故障标识所述剩余诊断集中的分类诊断数据，得到其他故障集；
利用所述5个不同的分类故障集构建故障分析树型结构，优化所述故障分析树型结构，得到优化树型结构，基于优化树型结构获取故障现象标签集；
其中，所述利用所述5个不同的分类故障集构建故障分析树型结构，包括：
其中，以电动车控制器故障为根节点，以电源故障、执行器故障、运行器械故障、连接线路故障及其他故障为五个子节点构建初始故障树型结构，其中，每个子节点之间的关系为兄弟关系，且每个子节点与父节点之间的关系为父子关系；
基于所述5个不同的分类故障种类集获取多个目标分类种类集，其中，多个目标分类种类集包括：电源故障集、执行器故障集、运行器械故障集及连接线路故障集；
从所述多个目标分类种类集依次提取目标分类种类集，并对所提取的目标分类种类集执行如下操作：
基于目标分类种类集及预构建的关键词提取模型获取一个或多个目标故障子节点，其中，一个或多个目标故障子节点之间的关系为兄弟关系；
利用所述其他故障集及所述关键词提取模型获取一个或多个初始故障子节点，基于所述一个或多个初始故障子节点获取一个或多个初始故障概率，其中，一个或多个初始故障子节点与所述一个或多个初始故障概率一一对应；
从一个或多个初始故障概率中依次提取初始故障概率，并对所提取的初始故障概率执行如下操作：
若初始故障概率大于或等于预设的概率阈值，则保留该初始故障概率所对应的初始故障子节点；
若初始故障概率小于所述概率阈值，则剔除该初始故障概率所对应的初始故障子节点；
汇总所保留的初始故障子节点，得到其他故障子节点集，其中，其他故障子节点集中的初始故障子节点之间的关系为兄弟关系，且与其他故障之间的关系为父子关系；
基于所述一个或多个目标故障子节点、初始故障树型结构及其他故障子节点集构建故障分析树型结构；
构建内部生热关系式，基于预设的检测时段及内部生热关系式计算内部热量，根据内部热量确认动力电池处于安全工作状态后；
发送所述故障现象标签集至故障诊断指令的发起端，通过故障标签输入单元接收来自用户基于故障现象标签集所选的目标故障现象；
利用优化树型结构及目标故障现象获取一个或多个目标故障子节点；
根据一个或多个目标故障子节点获取故障诊断序列，基于故障零部件反馈单元发送所述故障诊断序列至故障诊断指令的发起端，实现对电动车控制的故障诊断。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-OnlyMemory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收故障诊断指令，基于故障诊断指令确定故障诊断环境，其中，故障诊断环境包括：故障诊断系统及待诊断的电动车，待诊断的电动车由电动车控制器、动力电池及多个零部件所构成，故障诊断系统包括：故障标签输入单元、控制器型号确认单元、历史故障收集单元及故障零部件反馈单元；
利用所述控制器型号确认单元获取目标控制器型号，利用历史故障收集单元获取历史诊断集，其中，历史诊断集中包括多个诊断数据，基于目标控制器型号优化所述历史诊断集，得到优化诊断集；
基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，其中控制器故障种类集包括：电源故障、执行器故障、运行器械故障、连接线路故障及其他故障，5个不同的分类故障集包括电源故障集、执行器故障集、运行器械故障集、连接线路故障集及其他故障集；
其中，所述基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，包括：
根据控制器故障种类集获取控制器分类种类集，其中，控制器分类种类集由电源故障、执行器故障、运行器械故障及连接线路故障所构成；
从控制器分类种类集中依次提取控制器故障种类，并对所提取的控制器故障种类执行如下操作：
从所述优化诊断集中依次提取目标诊断数据，并对目标诊断数据执行如下操作：
利用预训练的故障分类模型及目标诊断数据所对应故障的零部件划分所述目标诊断数据，得到分类诊断数据，并在优化诊断集中剔除分类诊断数据，直至优化诊断集中的诊断数据均与控制器分类种类集中的控制器故障类型执行划分操作后，分别汇总所述分类诊断数据，得到电源故障集、执行器故障集、运行器械故障集及连接线路故障集；
汇总优化诊断集中所保留的分类诊断数据，得到剩余诊断集，利用其他故障标识所述剩余诊断集中的分类诊断数据，得到其他故障集；
利用所述5个不同的分类故障集构建故障分析树型结构，优化所述故障分析树型结构，得到优化树型结构，基于优化树型结构获取故障现象标签集；
其中，所述利用所述5个不同的分类故障集构建故障分析树型结构，包括：
其中，以电动车控制器故障为根节点，以电源故障、执行器故障、运行器械故障、连接线路故障及其他故障为五个子节点构建初始故障树型结构，其中，每个子节点之间的关系为兄弟关系，且每个子节点与父节点之间的关系为父子关系；
基于所述5个不同的分类故障种类集获取多个目标分类种类集，其中，多个目标分类种类集包括：电源故障集、执行器故障集、运行器械故障集及连接线路故障集；
从所述多个目标分类种类集依次提取目标分类种类集，并对所提取的目标分类种类集执行如下操作：
基于目标分类种类集及预构建的关键词提取模型获取一个或多个目标故障子节点，其中，一个或多个目标故障子节点之间的关系为兄弟关系；
利用所述其他故障集及所述关键词提取模型获取一个或多个初始故障子节点，基于所述一个或多个初始故障子节点获取一个或多个初始故障概率，其中，一个或多个初始故障子节点与所述一个或多个初始故障概率一一对应；
从一个或多个初始故障概率中依次提取初始故障概率，并对所提取的初始故障概率执行如下操作：
若初始故障概率大于或等于预设的概率阈值，则保留该初始故障概率所对应的初始故障子节点；
若初始故障概率小于所述概率阈值，则剔除该初始故障概率所对应的初始故障子节点；
汇总所保留的初始故障子节点，得到其他故障子节点集，其中，其他故障子节点集中的初始故障子节点之间的关系为兄弟关系，且与其他故障之间的关系为父子关系；
基于所述一个或多个目标故障子节点、初始故障树型结构及其他故障子节点集构建故障分析树型结构；
构建内部生热关系式，基于预设的检测时段及内部生热关系式计算内部热量，根据内部热量确认动力电池处于安全工作状态后；
发送所述故障现象标签集至故障诊断指令的发起端，通过故障标签输入单元接收来自用户基于故障现象标签集所选的目标故障现象；
利用优化树型结构及目标故障现象获取一个或多个目标故障子节点；
根据一个或多个目标故障子节点获取故障诊断序列，基于故障零部件反馈单元发送所述故障诊断序列至故障诊断指令的发起端，实现对电动车控制的故障诊断。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于树型结构的电动车控制器故障诊断方法，其特征在于，所述方法包括：
接收故障诊断指令，基于故障诊断指令确定故障诊断环境，其中，故障诊断环境包括：故障诊断系统及待诊断的电动车，待诊断的电动车由电动车控制器、动力电池及多个零部件所构成，故障诊断系统包括：故障标签输入单元、控制器型号确认单元、历史故障收集单元及故障零部件反馈单元；
利用所述控制器型号确认单元获取目标控制器型号，利用历史故障收集单元获取历史诊断集，其中，历史诊断集中包括多个诊断数据，基于目标控制器型号优化所述历史诊断集，得到优化诊断集；
基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，其中控制器故障种类集包括：电源故障、执行器故障、运行器械故障、连接线路故障及其他故障，5个不同的分类故障集包括电源故障集、执行器故障集、运行器械故障集、连接线路故障集及其他故障集；
其中，所述基于预设的控制器故障种类集对所述优化诊断集执行分类操作，得到5个不同的分类故障集，包括：
根据控制器故障种类集获取控制器分类种类集，其中，控制器分类种类集由电源故障、执行器故障、运行器械故障及连接线路故障所构成；
从控制器分类种类集中依次提取控制器故障种类，并对所提取的控制器故障种类执行如下操作：
从所述优化诊断集中依次提取目标诊断数据，并对目标诊断数据执行如下操作：
利用预训练的故障分类模型及目标诊断数据所对应故障的零部件划分所述目标诊断数据，得到分类诊断数据，并在优化诊断集中剔除分类诊断数据，直至优化诊断集中的诊断数据均与控制器分类种类集中的控制器故障类型执行划分操作后，分别汇总所述分类诊断数据，得到电源故障集、执行器故障集、运行器械故障集及连接线路故障集；
汇总优化诊断集中所保留的分类诊断数据，得到剩余诊断集，利用其他故障标识所述剩余诊断集中的分类诊断数据，得到其他故障集；
利用所述5个不同的分类故障集构建故障分析树型结构，优化所述故障分析树型结构，得到优化树型结构，基于优化树型结构获取故障现象标签集；
其中，所述利用所述5个不同的分类故障集构建故障分析树型结构，包括：
其中，以电动车控制器故障为根节点，以电源故障、执行器故障、运行器械故障、连接线路故障及其他故障为五个子节点构建初始故障树型结构，其中，每个子节点之间的关系为兄弟关系，且每个子节点与父节点之间的关系为父子关系；
基于所述5个不同的分类故障种类集获取多个目标分类种类集，其中，多个目标分类种类集包括：电源故障集、执行器故障集、运行器械故障集及连接线路故障集；
从所述多个目标分类种类集依次提取目标分类种类集，并对所提取的目标分类种类集执行如下操作：
基于目标分类种类集及预构建的关键词提取模型获取一个或多个目标故障子节点，其中，一个或多个目标故障子节点之间的关系为兄弟关系；
利用所述其他故障集及所述关键词提取模型获取一个或多个初始故障子节点，基于所述一个或多个初始故障子节点获取一个或多个初始故障概率，其中，一个或多个初始故障子节点与所述一个或多个初始故障概率一一对应；
从一个或多个初始故障概率中依次提取初始故障概率，并对所提取的初始故障概率执行如下操作：
若初始故障概率大于或等于预设的概率阈值，则保留该初始故障概率所对应的初始故障子节点；
若初始故障概率小于所述概率阈值，则剔除该初始故障概率所对应的初始故障子节点；
汇总所保留的初始故障子节点，得到其他故障子节点集，其中，其他故障子节点集中的初始故障子节点之间的关系为兄弟关系，且与其他故障之间的关系为父子关系；
基于所述一个或多个目标故障子节点、初始故障树型结构及其他故障子节点集构建故障分析树型结构；
构建内部生热关系式，基于预设的检测时段及内部生热关系式计算内部热量，根据内部热量确认动力电池处于安全工作状态后；
发送所述故障现象标签集至故障诊断指令的发起端，通过故障标签输入单元接收来自用户基于故障现象标签集所选的目标故障现象；
利用优化树型结构及目标故障现象获取一个或多个目标故障子节点；
根据一个或多个目标故障子节点获取故障诊断序列，基于故障零部件反馈单元发送所述故障诊断序列至故障诊断指令的发起端，实现对电动车控制的故障诊断。
2.如权利要求1所述的基于树型结构的电动车控制器故障诊断方法，其特征在于，所述基于目标控制器型号优化所述历史诊断集，得到优化诊断集，包括：
从历史诊断集中依次提取诊断数据，并对所提取的诊断数据均执行如下操作：
利用预设的标识约束集对所提取的诊断数据执行标识操作，得到标识诊断数据，其中，标识约束集由使用时间、控制器型号、故障现象及故障的零部件所构成；
剔除标识诊断数据所对应控制器型号与目标控制器型号不同的数据，得到第一筛选数据集；
若第一筛选数据集中的第一筛选数据缺少所述标识约束集中的一个或多个标识约束，则剔除第一筛选数据，否则保留第一筛选数据；
汇总所保留的第一筛选数据，得到优化诊断集。
3.如权利要求1所述的基于树型结构的电动车控制器故障诊断方法，其特征在于，所述基于所述一个或多个初始故障子节点获取一个或多个初始故障概率，计算公式如下所示：
，
其中，表示第/>个初始故障子节点所对应的初始故障概率，/>表示第/>个初始故障子节点所对应其他故障集中第/>个分类诊断数据，/>表示第/>个初始故障子节点所对应其他故障集中共有/>个分类诊断数据，/>表示其他故障集中共有/>个分类诊断数据。
4.如权利要求1所述的基于树型结构的电动车控制器故障诊断方法，其特征在于，所述优化所述故障分析树型结构，得到优化树型结构，包括：
获取故障分析树型结构中每一个第一子节点所对应的故障数据集，得到第一故障数据集，其中，第一子节点是故障分析树型结构中最小的子节点；
利用故障的零部件划分所述第一故障数据集，得到一个或多个第二故障数据集，其中，第二故障数据集中零部件使用时间为正态分布，从所述一个或多个第二故障数据集中依次提取第二故障数据集，并对所提取的第二故障数据集执行如下操作：
基于预构建的数据筛选公式剔除第二故障数据集中零部件使用时间位于数据筛选公式以外的故障数据，得到优化第二故障数据集，其中，数据筛选公式如下所示：
，
其中，表示第二故障数据集中零部件使用时间的均值，/>表示第二故障数据集中零部件使用时间的方差，/>均为预设的系数；
基于优化第二故障数据集优化故障分析树型结构，得到优化树型结构。
5.如权利要求1所述的基于树型结构的电动车控制器故障诊断方法，其特征在于，所述根据内部热量确认动力电池处于安全工作状态，包括：
比较内部热量及预设的预警阈值；
若内部热量大于或等于预警阈值，则对动力电池执行断电操作；
否则，提示动力电池处于安全工作状态。
6.如权利要求1所述的基于树型结构的电动车控制器故障诊断方法，其特征在于，所述内部生热关系式如下所示：
，
其中，表示单位时间内动力电池内部温度的变化量，/>表示折损系数，/>表示动力电池内部的密度，/>表示动力电池内部的比热容，/>表示第/>次采样所对应的时间，/>表示第/>次采样时所对应的时间，/>表示动力电池内部的体积，/>表示动力电池内部的生热速率，/>为动力电池表面的温度，/>为动力电池内部的温度，/>表示动力电池内部的热阻。
7.如权利要求1所述的基于树型结构的电动车控制器故障诊断方法，其特征在于，所述根据一个或多个目标故障子节点获取故障诊断序列，包括：
基于所述一个或多个目标故障子节点获取一个或多个目标故障数据集，其中，目标故障数据集为优化树型结构中子节点所对应的故障数据集；
从所述一个或多个目标故障数据集中依次提取目标故障数据集，并对所提取的目标故障数据集执行如下操作：
利用预构建的故障比例关系式计算目标故障概率，其中，故障比例关系式如下所示：
，
其中，表示第/>个目标故障数据集的目标故障概率，/>表示第/>个目标故障数据集共包含/>个诊断数据，/>表示共有/>个目标故障子节点，其中，/>为大于等于1的整数，/>表示第个目标故障数据集共包含/>个故障数据；
获取电动车零部件的使用时间，基于使用时间、目标故障概率及预构建的综合概率关系式计算综合概率值，汇总所述综合概率值，得到综合概率值集，按照从大到小的顺序排序所述综合概率值集中的综合概率值，得到故障诊断序列，其中，故障诊断序列包括：故障的零部件、该零部件所对应的控制器故障种类。
8.如权利要求7所述的基于树型结构的电动车控制器故障诊断方法，其特征在于，所述综合概率关系式，如下所示：
，
其中，表示第/>个零部件产生故障的概率，/>均为预设的参考系数，且/>，/>表示第/>个零部件的使用时间，/>表示由目标故障数据集计算出第/>个零部件的平均使用时间，其中，第/>个零部件位于第/>个目标故障数据集中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410076180.5A CN117590837B (zh) | 2024-01-18 | 2024-01-18 | 基于树型结构的电动车控制器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410076180.5A CN117590837B (zh) | 2024-01-18 | 2024-01-18 | 基于树型结构的电动车控制器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117590837A CN117590837A (zh) | 2024-02-23 |
| CN117590837B true CN117590837B (zh) | 2024-03-29 |
Family
ID=89920472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410076180.5A Active CN117590837B (zh) | 2024-01-18 | 2024-01-18 | 基于树型结构的电动车控制器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117590837B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105955233A (zh) * | 2016-04-28 | 2016-09-21 | 郑州宇通客车股份有限公司 | 一种基于数据挖掘的车辆故障诊断方法及系统 |
| CN106054857A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于维修决策树/词向量的故障远程诊断平台 |
| CN109165124A (zh) * | 2018-08-07 | 2019-01-08 | 南京翼辉信息技术有限公司 | 一种基于故障树的嵌入式系统硬件故障检测及处理方法 |
| CN114879632A (zh) * | 2022-04-29 | 2022-08-09 | 重庆长安汽车股份有限公司 | 基于大数据的多模融合车辆故障诊断方法及系统 |
| CN116880454A (zh) * | 2023-07-28 | 2023-10-13 | 上海方甸智能科技有限公司 | 车辆故障智能诊断系统与方法 |
| CN116952296A (zh) * | 2022-08-19 | 2023-10-27 | 西安交通大学 | 基于随机森林的开关设备机械故障诊断方法 |
-
2024
- 2024-01-18 CN CN202410076180.5A patent/CN117590837B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105955233A (zh) * | 2016-04-28 | 2016-09-21 | 郑州宇通客车股份有限公司 | 一种基于数据挖掘的车辆故障诊断方法及系统 |
| CN106054857A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于维修决策树/词向量的故障远程诊断平台 |
| CN109165124A (zh) * | 2018-08-07 | 2019-01-08 | 南京翼辉信息技术有限公司 | 一种基于故障树的嵌入式系统硬件故障检测及处理方法 |
| CN114879632A (zh) * | 2022-04-29 | 2022-08-09 | 重庆长安汽车股份有限公司 | 基于大数据的多模融合车辆故障诊断方法及系统 |
| CN116952296A (zh) * | 2022-08-19 | 2023-10-27 | 西安交通大学 | 基于随机森林的开关设备机械故障诊断方法 |
| CN116880454A (zh) * | 2023-07-28 | 2023-10-13 | 上海方甸智能科技有限公司 | 车辆故障智能诊断系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117590837A (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| JP6830540B2 (ja) | クラウドベースの車両故障診断方法、装置およびシステム | |
| CN102799171B (zh) | 检测故障码设置中的异常和使用分析症状增强维修文件 | |
| US20070226540A1 (en) | Knowledge-Based Diagnostic System for a Complex Technical System, Comprising Two Separate Knowledge Bases for Processing Technical System Data and Customer Complaints | |
| CN101986124B (zh) | 对先占症状的支持 | |
| JP2005048770A (ja) | 故障を診断し分離するためのモデルベースのインテリジェントエージェントを利用する方法 | |
| US20100262431A1 (en) | Support for Preemptive Symptoms | |
| KR101757075B1 (ko) | 차량 고장 진단 분석을 위한 주행 데이터 모니터링 시스템 및 방법 | |
| CN114239734B (zh) | 一种分布式车载健康管理系统 | |
| CN106610481A (zh) | 诊断环境友好车辆的电流传感器的装置和方法 | |
| CN113902233A (zh) | 车辆安全预警方法、大数据平台装置、车载终端和车辆 | |
| CN111506048A (zh) | 车辆故障预警方法及相关设备 | |
| CN117590837B (zh) | 基于树型结构的电动车控制器故障诊断方法 | |
| CN113808299A (zh) | 基于故障系统的车辆故障快照存储方法、装置及设备 | |
| CN112319550B (zh) | 一种基于列车初上电的故障诊断方法、系统、装置及列车 | |
| CN111949646B (zh) | 基于大数据的设备运行状况分析方法、装置、设备及介质 | |
| CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
| CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
| EP3072046B1 (en) | Latency tolerant fault isolation | |
| CN115660640A (zh) | 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 | |
| CN115219086A (zh) | 一种压力传感器的识别方法、装置、设备及存储介质 | |
| CN115310630A (zh) | 一种基于知识图谱的车辆故障维修方法 | |
| WO2021111728A1 (ja) | 故障予兆検知装置、故障予兆検知システム、故障予兆検知方法および故障予兆検知プログラム | |
| JP2023151268A (ja) | 車両用ドア装置診断システム、及び、車両用ドア装置診断方法 | |
| CN202758238U (zh) | 多功能汽车诊断仪器 |
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 |