CN117950390A - 车辆异常休眠检测方法、装置、设备及存储介质 - Google Patents
车辆异常休眠检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117950390A CN117950390A CN202311845295.8A CN202311845295A CN117950390A CN 117950390 A CN117950390 A CN 117950390A CN 202311845295 A CN202311845295 A CN 202311845295A CN 117950390 A CN117950390 A CN 117950390A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- abnormal
- dormancy
- prediction model
- abnormal dormancy
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 261
- 230000005059 dormancy Effects 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 43
- 230000007958 sleep Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000002441 reversible effect Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于车辆技术领域，公开了一种车辆异常休眠检测方法、装置、设备及存储介质；该方法包括：获取目标车辆的实时网络报文和车辆相关参数；通过异常休眠预测模型对实时网络报文和车辆相关参数进行预测，得到当前车辆状态，异常休眠预测模型是在1D‑CNN网络基础上增加LSTM结构得到的BiLSTM深度模型构成；基于当前车辆状态判断车辆是否处于异常休眠状态；本发明通过改进的深度学习网络模型构成异常休眠预测模型，对实时网络报文和车辆相关参数进行异常休眠的准确预测，实现对实时车辆信号的监测和动态预警策略调整，解决了车载电子设备在不必要的情况下接受供电，增加了车辆行驶期间的电能消耗，严重影响整车的续航里程的问题。
Description
技术领域
本发明涉及车辆技术领域，尤其涉及一种车辆异常休眠检测方法、装置、设备及存储介质。
背景技术
随着汽车电子设备的增多和智能化程度的提高，传统的休眠状态检测方式可能无法准确感知车辆各部件的休眠情况。这项技术的核心目标在于运用深度学习技术，精确识别车辆停止运行时各部件应进入休眠状态的情况。异常情况下，车载电子设备在不必要的情况下仍然接受供电，导致整车长期处于异常休眠状态，最终使得车辆馈电；此外，车辆静态状态下一些非必要的电控单元(ECU)仍保持供电。通过此技术，将实现对这些场景的休眠状态检测，以降低12V蓄电池的能耗、成本，减少车辆行驶期间的电能消耗，从而提高整车的续航里程。
车辆休眠异常带来的是车辆的静态能耗成倍的增加，导致汽车蓄电池馈电，进而引发蓄电池寿命缩短、发动机无法正常启动等诸多问题。这给客户对车辆的使用带来极大的不便，虽然维修人员可以通过汽车诊断设备分析网络报文来诊断网络引发的故障，但是由于汽车偶发的休眠异常故障很难复现，导致难以定位到异常的控制器，所以即使更换蓄电池也不能从根本上解决问题。
发明内容
本发明的主要目的在于提供一种车辆异常休眠检测方法、装置、设备及存储介质，旨在解决现有技术车载电子设备在不必要的情况下仍然接受供电，导致整车长期处于异常休眠状态，增加了车辆行驶期间的电能消耗，严重影响整车的续航里程的技术问题。
为实现上述目的，本发明提供了一种车辆异常休眠检测方法，所述方法包括以下步骤：
获取目标车辆的实时网络报文和车辆相关参数；
通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，所述异常休眠预测模型是通过在1D-CNN网络基础上增加LSTM结构得到的BiLSTM深度模型构成；
基于所述当前车辆状态判断车辆是否处于异常休眠状态。
可选地，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态之前，还包括：
获取1D-CNN网络模型，所述1D-CNN网络模型包括输入层、卷积层、池化层、全连接层以及Dropout层；
在所述1D-CNN网络模型中增加前向LSTM和反向LSTM，得到BiLSTM深度模型；
对所述BiLSTM深度模型设的损失函数和优化器进行设定，得到初始异常休眠预测模型；
对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型。
可选地，所述对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，包括：
采集目标车辆异常休眠状态和正常状态下的网络报文和车辆相关参数，得到初始数据集；
对所述初始数据集进行数据清洗、标准化处理以及数据分割，得到样本数据集；
按照预设比例对所述样本数据集进行划分，得到训练集、验证集以及测试集；
基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型。
可选地，所述基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，包括：
通过所述训练集对所述初始异常休眠预测模型中的1D-CNN网络模型进行训练，得到训练后的初始异常休眠预测模型；
通过所述验证集对所述训练后的初始异常休眠预测模型中的超参数进行调整，得到调整后的初始异常休眠预测模型；
通过所述测试集评估所述优化后的初始异常休眠预测模型的性能，得到所述优化后的初始异常休眠预测模型的性能指标；
根据所述性能指标对所述优化后的初始异常休眠预测模型进行优化，得到异常休眠预测模型。
可选地，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，包括：
通过异常休眠预测模型的输入层对所述实时网络报文和所述车辆相关参数进行预处理，得到初始数据；
通过异常休眠预测模型的卷积层的多个卷积核对所述初始数据进行平移特征提取，得到参考特征；
通过异常休眠预测模型的池化层对所述参考特征进行降维，得到关键特征；
通过异常休眠预测模型的前向LSTM和反向LSTM提取所述关键特征的时间序列；
通过异常休眠预测模型的全连接层基于所述时间序列对所述关键特征进行分类，得到当前车辆状态。
可选地，所述异常休眠预测模型还包括动态自适应学习模块；
所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态之后，还包括：
通过所述异常休眠预测模型的动态自适应学习模块采集实时网络报文、所述车辆相关参数以及当前车辆状态；
获取当前车辆的真实状态；
根据所述采集实时网络报文、所述车辆相关参数、当前车辆状态以及当前车辆的真实状态对所述异常休眠预测模型进行自适应学习，得到新的异常休眠预测模型。
可选地，所述基于所述当前车辆状态判断车辆是否处于异常休眠状态，包括：
基于所述当前车辆状态得到对应的历史网络报文和历史车辆相关参数；
将所述历史网络报文和历史车辆相关参数对应的车辆状态作为当前车辆状态；
在当前车辆状态为非正常时，判断车辆处于异常休眠状态；
在当前车辆状态为正常时，判断车辆不处于异常休眠状态；
所述基于所述当前车辆状态判断车辆是否处于异常休眠状态之后，还包括：
在所述车辆处于异常休眠状态时，向用户进行预警，以使用户基于所述当前车辆状态对所述车辆进行诊断。
此外，为实现上述目的，本发明还提出一种车辆异常休眠检测装置，所述车辆异常休眠检测装置包括：
获取模块，用于获取目标车辆的实时网络报文和车辆相关参数；
异常休眠检测模块，用于通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，所述异常休眠预测模型是通过在1D-CNN网络基础上增加LSTM结构得到的BiLSTM深度模型构成；
所述异常休眠检测模块，还用于基于所述当前车辆状态判断车辆是否处于异常休眠状态。
此外，为实现上述目的，本发明还提出一种车辆异常休眠检测设备，所述车辆异常休眠检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆异常休眠检测程序，所述车辆异常休眠检测程序配置为实现如上文所述的车辆异常休眠检测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有车辆异常休眠检测程序，所述车辆异常休眠检测程序被处理器执行时实现如上文所述的车辆异常休眠检测方法的步骤。
本发明通过在1D-CNN网络基础上增加LSTM结构得到的BiLSTM深度模型构成异常休眠预测模型，基于深度学习技术对实时网络报文和车辆相关参数进行异常休眠的准确预测，并结合动态自适应学习模块，实现了对实时车辆信号的监测和动态预警调整，在发现车辆处于异常休眠状态时，及时发出预警，及时发现异常休眠带来的问题，解决了车载电子设备在不必要的情况下仍然接受供电，导致整车长期处于异常休眠状态，最终使得车辆馈电，提高了12V蓄电池的能耗、成本，增加了车辆行驶期间的电能消耗，严重影响整车的续航里程的问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的车辆异常休眠检测设备的结构示意图；
图2为本发明车辆异常休眠检测方法第一实施例的流程示意图；
图3为本发明车辆异常休眠检测方法第一实施例的自适应学习步骤流程示意图；
图4为本发明车辆异常休眠检测方法第二实施例的流程示意图；
图5为本发明车辆异常休眠检测方法第一实施例的模型训练过程示意图；
图6为本发明车辆异常休眠检测装置第一实施例的结构框图。
本发明目的的实现、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用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的车辆异常休眠检测设备结构示意图。
如图1所示，该车辆异常休眠检测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对车辆异常休眠检测设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆异常休眠检测程序。
在图1所示的车辆异常休眠检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明车辆异常休眠检测设备中的处理器1001、存储器1005可以设置在车辆异常休眠检测设备中，所述车辆异常休眠检测设备通过处理器1001调用存储器1005中存储的车辆异常休眠检测程序，并执行本发明实施例提供的车辆异常休眠检测方法。
本发明实施例提供了一种车辆异常休眠检测方法，参照图2，图2为本发明一种车辆异常休眠检测方法第一实施例的流程示意图。
本实施例中，所述车辆异常休眠检测方法包括以下步骤：
步骤S10：获取目标车辆的实时网络报文和车辆相关参数。
可理解的是，实时网络报文可以是车辆网终端在用于连接车辆和互联网终端后，收集来自车辆各种传感器和系统的数据。可以是从车辆内部获取数据，如网关报文。
应理解的是，同时车辆相关参数也可以是车辆网终端采集的车辆信息，例如电池信号(包括电池电电量、主控制器保温、车辆上下电信号等信息)、蓄电池电压、电流、电荷量等自车辆传感器采集的多样化相关信号。
需要说明的是，本实施例的执行主体是车辆异常休眠检测设备，其中，该车辆异常休眠检测设备具有数据处理，数据通信及程序运行等功能，所述车辆异常休眠检测设备可以为集成控制器，控制计算机等设备，当然还可以为其他具备相似功能的设备，本实施例对此不做限制。
步骤S20：通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，所述异常休眠预测模型是通过在1D-CNN网络基础上增加LSTM结构得到的BiLSTM深度模型构成。
可理解的是，模型的构建需要考虑到数据的特征和信号类型，根据休眠信号特征，建立1D-CNN从信号数据中提取特征并进行异常检测。1D-CNN，即一维卷积神经网络，是一种处理一维序列数据的神经网络。与传统的全连接神经网络相比，1D-CNN可以更好地处理序列数据中的局部关系，因此在语音识别、自然语言处理、时间序列预测等任务中表现较好。
需说明的是，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，包括：通过异常休眠预测模型的输入层对所述实时网络报文和所述车辆相关参数进行预处理，得到初始数据；通过异常休眠预测模型的卷积层的多个卷积核对所述初始数据进行平移特征提取，得到参考特征；通过异常休眠预测模型的池化层对所述参考特征进行降维，得到关键特征；通过异常休眠预测模型的前向LSTM和反向LSTM提取所述关键特征的时间序列；通过异常休眠预测模型的全连接层基于所述时间序列对所述关键特征进行分类，得到当前车辆状态。
其中，可理解的是，输入层可以是根据数据的维度设置适当的输入层，不同数量的输入层接收的输入数据量不同，可以通过输入层对数据进行预处理，便于后续层对数据进行特征提取等操作。
其中，可理解的是，卷积层是通过多个卷积核在输入样本上平移来提取特征，每一个特征对应一个特征映射，且每个层后添加ReLU激活函数，以引入非线性。其中，ReLU(Rectified Linear Unit)激活函数是一种常用的神经网络激活函数，ReLU函数在输入值小于0时输出0，在输入值大于或等于0时输出输入值本身。
其中，应理解的是，池化层可以添加池化层来降低特征的维度，并帮助模型保持关键信息；异常休眠预测模型还包括全连接层可以是添加全连接层，用于最终分类或回归任务；Dropout层可以对数据量较少的深度学习，为了避免过拟合，可以对训练数据进行增强及添加Dropout层。Dropout是一种用于减少神经网络过拟合的技术，在深度学习训练过程中，Dropout是指在每一个batch的训练中随机地“关闭”一定数量的神经元。具体来说，对于神经网络训练单元，按照一定的概率将其从网络中移除，这个过程是随机的。这意味着在每一个mini-batch的训练中，都在训练一个略有不同的网络。这样做的目的是为了防止网络中的特征检测器过于相互依赖，从而提高网络的泛化能力。
需说明的是，所述异常休眠预测模型还包括动态自适应学习模块；所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态之后，还包括：通过所述异常休眠预测模型的动态自适应学习模块采集实时网络报文、所述车辆相关参数以及当前车辆状态；获取当前车辆的真实状态；根据所述采集实时网络报文、所述车辆相关参数、当前车辆状态以及当前车辆的真实状态对所述异常休眠预测模型进行自适应学习，得到新的异常休眠预测模型。
可理解的是，自适应学习模块在系统运行过程中持续学习和优化。它能够根据实时收集到的数据和异常检测预警模块的输出，对模型进行动态调整和优化。这种动态自适应学习的过程有助于模型不断适应车辆运行状态的变化，并改进其识别休眠异常的能力。通过不断地根据新数据进行调整，系统可以提高对不同类型异常的识别和准确性。
需说明的是，自适应学习可以依据实时车辆信号和模型预测结果，动态调整预警策略，包含学习参数和训练参数，使系统能够自主适应不同情况并提供针对性警示信息，以应对车辆出现的异常休眠情况，自适应学习步骤可以参考图3。
步骤S30：基于所述当前车辆状态判断车辆是否处于异常休眠状态。
可理解的是，当前车辆状态可以是根据异常休眠预测模型中样本数据进行匹配后，判断目标车辆的实时网络报文和车辆相关参数得到当前车辆状态是正常还是异常。
应理解的是，通过异常休眠预测模型可以判断出当前车辆状态，但是需要进一步对当前车辆的异常休眠状态进行判断，异常休眠可能有多种情况，例如车载电子设备在不必要的情况下仍然接受供电、车辆静态状态下一些非必要的电控单元(ECU)仍保持供电等不同的情况。
需说明的是，所述基于所述当前车辆状态判断车辆是否处于异常休眠状态，包括：基于所述当前车辆状态得到对应的历史网络报文和历史车辆相关参数；将所述历史网络报文和历史车辆相关参数对应的车辆状态作为当前车辆状态；在当前车辆状态为非正常时，判断车辆处于异常休眠状态；在当前车辆状态为正常时，判断车辆不处于异常休眠状态。
其中，可理解的是，通过异常休眠预测模型可以将当前网络报文的特征和当前车辆相关参数的特征与历史网络报文和历史车辆相关参数进行比较和匹配，将历史网络报文和历史车辆相关参数对应的车辆状态作为当前车辆状态。
其中，应理解的是，在当前车辆状态为非正常时，判断车辆处于异常休眠状态，在所述车辆处于异常休眠状态时，向用户进行预警，以使用户基于所述当前车辆状态对所述车辆进行诊断，在当前车辆状态为正常时，判断车辆不处于异常休眠状态，不进行预警。
可理解的是，异常休眠预测模型基于历史车辆历史大数据信号，根据模型优化的参数输出预测整车状态，基于车辆实时的当前状态提供相关预警信息。
本实施例通过在1D-CNN网络基础上增加LSTM结构得到的BiLSTM深度模型构成异常休眠预测模型，基于深度学习技术对实时网络报文和车辆相关参数进行异常休眠的准确预测，并结合动态自适应学习模块，实现了对实时车辆信号的监测和动态预警调整，在发现车辆处于异常休眠状态时，及时发出预警，及时发现异常休眠带来的问题，解决了车载电子设备在不必要的情况下仍然接受供电，导致整车长期处于异常休眠状态，最终使得车辆馈电，提高了12V蓄电池的能耗、成本，增加了车辆行驶期间的电能消耗，严重影响整车的续航里程的问题。
参考图4，图4为本发明一种车辆异常休眠检测方法第二实施例的流程示意图。
基于上述第一实施例，本实施例车辆异常休眠检测方法在所述步骤S20之前，还包括：
步骤S201：获取1D-CNN网络模型，所述1D-CNN网络模型包括输入层、卷积层、池化层、全连接层以及Dropout层。
可理解的是，1D-CNN网络模型还可以包括每个层后添加ReLU激活函数，以引入非线性。
步骤S202：在所述1D-CNN网络模型中增加前向LSTM和反向LSTM，得到BiLSTM深度模型。
可理解的是，建立BiLSTM网络模型可以是在1D-CNN网络基础上，建立BiLSTM深度模型，其由前向和反向LSTM组成。
应理解的是，与LSTM相比，BiLSTM可以双向提取时间序列，更好地捕捉CNN传来数据的前向和反向的依赖关系。
需说明的是，LSTM(Long Short-Term Memory)是一种特殊的循环神经网络(RNN)，被设计用来解决传统RNN在处理长时间依赖关系时的梯度消失和爆炸问题。LSTM通过引入“门”结构来控制信息的流动，从而更好地捕获序列中的长期依赖关系。BiLSTM全称为双向长短期记忆网络，是由前向LSTM与后向LSTM组合而成。
在具体实施中，BiLSTM的网络结构能够捕捉到序列数据中的双向信息，从而更好地理解上下文信息，且BiLSTM由两个LSTM层组成，一个正向处理输入序列，另一个反向处理输入序列。这两个LSTM层处理完成后，将它们的输出拼接起来，形成一个新的输出结果。
步骤S203：对所述BiLSTM深度模型设的损失函数和优化器进行设定，得到初始异常休眠预测模型。
可理解的是，初始异常休眠预测模型是利用深度学习预测模型，通过采集的车辆休眠异常信号进行数据训练，能够对车辆控制网络和电源信息信号进行分析和识别，以检测车辆的异常休眠状态，实现了汽车异常检测系统的智能化，能够有效解决车辆故障诊断、安全行驶等一系列问题。
可理解的是，对于初始异常休眠预测模型可以通过指定损失函数类型和、优化器对模型进行优化，设定评估指标可以对模型的预测准确率进行评估。
需说明的是，模型训练的过程中涉及将数据馈送到模型中，通过优化算法调整模型参数，使模型能够对休眠异常进行准确预测，可理解的是，训练过程中可能需要对模型进行调整和优化，以获得更好的性能。
在具体实施中，本车辆异常休眠检测方法可以应用于多个模块，例如车辆休眠信号采集预处理模块、深度学习模型构建与训练模块、异常检测预警模块和动态自适应学习模块。整车休眠异常检测预警系统基于整车运行过程中的网关实时信号数据，根据不同的驾驶场景及触发条件，驱动预警模块反馈预警结果。异常检测预警模块利用经过训练的深度学习模型来分析实时采集到的车辆信号数据。其主要任务是将数据输入到训练好的模型中，以侦测可能表示车辆休眠异常的模式或信号。当该模块检测到与训练数据中不同的模式或异常信号时，它会触发预警，通知相关人员或系统进行进一步的处理和诊断。信号采集预处理模块包括车辆网终端和数据采集；深度学习模型构建与训练模块可以包括模型构建和模型训练。基于各个模块的模型训练详细过程可以参考图5。
步骤S204：对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型。
需说明的是，所述对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，可以是采集目标车辆异常休眠状态和正常状态下的网络报文和车辆相关参数，得到初始数据集；对所述初始数据集进行数据清洗、标准化处理以及数据分割，得到样本数据集；按照预设比例对所述样本数据集进行划分，得到训练集、验证集以及测试集；基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型。
其中，可理解的是，初始数据集可以理解为采集的目标车辆在历史过程中出现异常休眠和正常情况下的网络报文和车辆相关参数。
其中，可理解的是，对所述初始数据集进行数据清洗、标准化处理以及数据分割，得到样本数据集可以是对数据中的无效、确实、空白数据进行清除；对初始数据集中的数据进行格式统一标准化；数据分割可以是对初始数据集中的异常休眠数据和正常数据进行分割，以准备用于训练和测试的数据集。
其中，需说明的是，预设比例可以是将70％、15％、15％的数据集分别作为模型训练的训练集、验证集和测试集。训练集用于训练1D-CNN模型，验证集用于调整超参数和监控模型性能，测试集用于最终评估模型的性能。
需进一步说明的是，所述基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型可以是通过所述训练集对所述初始异常休眠预测模型中的1D-CNN网络模型进行训练，得到训练后的初始异常休眠预测模型；通过所述验证集对所述训练后的初始异常休眠预测模型中的超参数进行调整，得到调整后的初始异常休眠预测模型；通过所述测试集评估所述优化后的初始异常休眠预测模型的性能，得到所述优化后的初始异常休眠预测模型的性能指标；根据所述性能指标对所述优化后的初始异常休眠预测模型进行优化，得到异常休眠预测模型。
在具体实施中，使用训练集对1D-CNN模型进行训练；超参数调整：在验证集上调整模型的超参数，包含学习率、训练次数、卷积核大小、层数等，以提高模型性能。使用测试集评估模型的性能，使用指标准确率、精确度、召回率等来衡量模型的性能。根据测试结果，对模型进行优化，包括增加训练数据、调整模型结构和更改超参数。
本实施例通过利用历史车辆大数据信号训练预测模型，考虑到数据的特征和信号类型，根据休眠信号特征，从信号数据中提取特征并进行异常检测，通过优化算法调整模型参数，使其能够对休眠异常进行准确预测，训练过程中可能需要对模型进行调整和优化，以获得更好的性能，从而能够提供更准确、实时的异常休眠预测，为预防性维护提供支持，降低了潜在的风险和损失，进而提升车辆运行安全性与可靠性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有车辆异常休眠检测程序，所述车辆异常休眠检测程序被处理器执行时实现如上文所述的车辆异常休眠检测方法的步骤。
参照图6，图6为本发明车辆异常休眠检测装置第一实施例的结构框图。
如图6所示，本发明实施例提出的车辆异常休眠检测装置包括：
获取模块10，用于获取目标车辆的实时网络报文和车辆相关参数；
异常休眠检测模块20，用于通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，所述异常休眠预测模型是通过在1D-CNN网络基础上增加LSTM结构得到的BiLSTM深度模型构成；
所述异常休眠检测模块30，还用于基于所述当前车辆状态判断车辆是否处于异常休眠状态。
本实施例通过在1D-CNN网络基础上增加LSTM结构得到的BiLSTM深度模型构成异常休眠预测模型，基于深度学习技术对实时网络报文和车辆相关参数进行异常休眠的准确预测，并结合动态自适应学习模块，实现了对实时车辆信号的监测和动态预警调整，在发现车辆处于异常休眠状态时，及时发出预警，及时发现异常休眠带来的问题，解决了车载电子设备在不必要的情况下仍然接受供电，导致整车长期处于异常休眠状态，最终使得车辆馈电，提高了12V蓄电池的能耗、成本，增加了车辆行驶期间的电能消耗，严重影响整车的续航里程的问题。
在一实施例中，所述异常休眠检测模块20，还用于获取1D-CNN网络模型，所述1D-CNN网络模型包括输入层、卷积层、池化层、全连接层以及Dropout层；
在所述1D-CNN网络模型中增加前向LSTM和反向LSTM，得到BiLSTM深度模型；
对所述BiLSTM深度模型设的损失函数和优化器进行设定，得到初始异常休眠预测模型；
对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型。
在一实施例中，所述异常休眠检测模块20，还用于采集目标车辆异常休眠状态和正常状态下的网络报文和车辆相关参数，得到初始数据集；
对所述初始数据集进行数据清洗、标准化处理以及数据分割，得到样本数据集；
按照预设比例对所述样本数据集进行划分，得到训练集、验证集以及测试集；
基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型。
在一实施例中，所述异常休眠检测模块20，还用于通过所述训练集对所述初始异常休眠预测模型中的1D-CNN网络模型进行训练，得到训练后的初始异常休眠预测模型；
通过所述验证集对所述训练后的初始异常休眠预测模型中的超参数进行调整，得到调整后的初始异常休眠预测模型；
通过所述测试集评估所述优化后的初始异常休眠预测模型的性能，得到所述优化后的初始异常休眠预测模型的性能指标；
根据所述性能指标对所述优化后的初始异常休眠预测模型进行优化，得到异常休眠预测模型。
在一实施例中，所述异常休眠检测模块20，还用于通过异常休眠预测模型的输入层对所述实时网络报文和所述车辆相关参数进行预处理，得到初始数据；
通过异常休眠预测模型的卷积层的多个卷积核对所述初始数据进行平移特征提取，得到参考特征；
通过异常休眠预测模型的池化层对所述参考特征进行降维，得到关键特征；
通过异常休眠预测模型的前向LSTM和反向LSTM提取所述关键特征的时间序列；
通过异常休眠预测模型的全连接层基于所述时间序列对所述关键特征进行分类，得到当前车辆状态。
在一实施例中，所述异常休眠检测模块20，还用于通过所述异常休眠预测模型的动态自适应学习模块采集实时网络报文、所述车辆相关参数以及当前车辆状态；
获取当前车辆的真实状态；
根据所述采集实时网络报文、所述车辆相关参数、当前车辆状态以及当前车辆的真实状态对所述异常休眠预测模型进行自适应学习，得到新的异常休眠预测模型。
在一实施例中，所述异常休眠检测模块20，还用于基于所述当前车辆状态得到对应的历史网络报文和历史车辆相关参数；
将所述历史网络报文和历史车辆相关参数对应的车辆状态作为当前车辆状态；
在当前车辆状态为非正常时，判断车辆处于异常休眠状态；
在当前车辆状态为正常时，判断车辆不处于异常休眠状态；
所述基于所述当前车辆状态判断车辆是否处于异常休眠状态之后，还包括：
在所述车辆处于异常休眠状态时，向用户进行预警，以使用户基于所述当前车辆状态对所述车辆进行诊断。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
应该理解的是，虽然本申请实施例中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，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。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车辆异常休眠检测方法，其特征在于，所述车辆异常休眠检测方法包括：
获取目标车辆的实时网络报文和车辆相关参数；
通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，所述异常休眠预测模型是通过在1D-CNN网络基础上增加LSTM结构得到的BiLSTM深度模型构成；
基于所述当前车辆状态判断车辆是否处于异常休眠状态。
2.如权利要求1所述的车辆异常休眠检测方法，其特征在于，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态之前，还包括：
获取1D-CNN网络模型，所述1D-CNN网络模型包括输入层、卷积层、池化层、全连接层以及Dropout层；
在所述1D-CNN网络模型中增加前向LSTM和反向LSTM，得到BiLSTM深度模型；
对所述BiLSTM深度模型设的损失函数和优化器进行设定，得到初始异常休眠预测模型；
对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型。
3.如权利要求2所述的车辆异常休眠检测方法，其特征在于，所述对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，包括：
采集目标车辆异常休眠状态和正常状态下的网络报文和车辆相关参数，得到初始数据集；
对所述初始数据集进行数据清洗、标准化处理以及数据分割，得到样本数据集；
按照预设比例对所述样本数据集进行划分，得到训练集、验证集以及测试集；
基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型。
4.如权利要求3所述的车辆异常休眠检测方法，其特征在于，所述基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，包括：
通过所述训练集对所述初始异常休眠预测模型中的1D-CNN网络模型进行训练，得到训练后的初始异常休眠预测模型；
通过所述验证集对所述训练后的初始异常休眠预测模型中的超参数进行调整，得到调整后的初始异常休眠预测模型；
通过所述测试集评估所述优化后的初始异常休眠预测模型的性能，得到所述优化后的初始异常休眠预测模型的性能指标；
根据所述性能指标对所述优化后的初始异常休眠预测模型进行优化，得到异常休眠预测模型。
5.如权利要求1所述的车辆异常休眠检测方法，其特征在于，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，包括：
通过异常休眠预测模型的输入层对所述实时网络报文和所述车辆相关参数进行预处理，得到初始数据；
通过异常休眠预测模型的卷积层的多个卷积核对所述初始数据进行平移特征提取，得到参考特征；
通过异常休眠预测模型的池化层对所述参考特征进行降维，得到关键特征；
通过异常休眠预测模型的前向LSTM和反向LSTM提取所述关键特征的时间序列；
通过异常休眠预测模型的全连接层基于所述时间序列对所述关键特征进行分类，得到当前车辆状态。
6.如权利要求1所述的车辆异常休眠检测方法，其特征在于，所述异常休眠预测模型还包括动态自适应学习模块；
所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态之后，还包括：
通过所述异常休眠预测模型的动态自适应学习模块采集实时网络报文、所述车辆相关参数以及当前车辆状态；
获取当前车辆的真实状态；
根据所述采集实时网络报文、所述车辆相关参数、当前车辆状态以及当前车辆的真实状态对所述异常休眠预测模型进行自适应学习，得到新的异常休眠预测模型。
7.如权利要求1-6中任一项所述的车辆异常休眠检测方法，其特征在于，所述基于所述当前车辆状态判断车辆是否处于异常休眠状态，包括：
基于所述当前车辆状态得到对应的历史网络报文和历史车辆相关参数；
将所述历史网络报文和历史车辆相关参数对应的车辆状态作为当前车辆状态；
在当前车辆状态为非正常时，判断车辆处于异常休眠状态；
在当前车辆状态为正常时，判断车辆不处于异常休眠状态；
所述基于所述当前车辆状态判断车辆是否处于异常休眠状态之后，还包括：
在所述车辆处于异常休眠状态时，向用户进行预警，以使用户基于所述当前车辆状态对所述车辆进行诊断。
8.一种车辆异常休眠检测装置，其特征在于，所述车辆异常休眠检测装置包括：
获取模块，用于获取目标车辆的实时网络报文和车辆相关参数；
异常休眠检测模块，用于通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，所述异常休眠预测模型是通过在1D-CNN网络基础上增加LSTM结构得到的BiLSTM深度模型构成；
所述异常休眠检测模块，还用于基于所述当前车辆状态判断车辆是否处于异常休眠状态。
9.一种车辆异常休眠检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆异常休眠检测程序，所述车辆异常休眠检测程序配置为实现如权利要求1至7中任一项所述的车辆异常休眠检测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有车辆异常休眠检测程序，所述车辆异常休眠检测程序被处理器执行时实现如权利要求1至7任一项所述的车辆异常休眠检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311845295.8A CN117950390A (zh) | 2023-12-28 | 2023-12-28 | 车辆异常休眠检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311845295.8A CN117950390A (zh) | 2023-12-28 | 2023-12-28 | 车辆异常休眠检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117950390A true CN117950390A (zh) | 2024-04-30 |
Family
ID=90804768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311845295.8A Pending CN117950390A (zh) | 2023-12-28 | 2023-12-28 | 车辆异常休眠检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117950390A (zh) |
-
2023
- 2023-12-28 CN CN202311845295.8A patent/CN117950390A/zh active Pending
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 | |
| CN116625438B (zh) | 燃气管网安全在线监测系统及其方法 | |
| CN109581871B (zh) | 免疫对抗样本的工业控制系统入侵检测方法 | |
| Girma et al. | Driver identification based on vehicle telematics data using LSTM-recurrent neural network | |
| CN111436944B (zh) | 一种基于智能移动终端的跌倒检测方法 | |
| CN110826772A (zh) | 车辆尾气排放预测方法、装置、设备及存储介质 | |
| CN112883648B (zh) | 汽车油耗预测模型的训练方法、装置、计算机设备 | |
| WO2022174679A1 (zh) | 单体电池电压不一致故障预测方法、装置及服务器 | |
| CN116541790B (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
| CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
| CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
| Meng et al. | Improving automobile insurance claims frequency prediction with telematics car driving data | |
| CN111271183B (zh) | 一种自适应在线预测柴油机状态方法及系统 | |
| CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
| CN112699597A (zh) | 一种核电启动水泵滚动轴承故障检测方法及系统 | |
| CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 | |
| Chen et al. | Reliability analysis using deep learning | |
| CN111814976B (zh) | 一种空调系统传感器故障误差再学习方法及系统 | |
| CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
| CN117950390A (zh) | 车辆异常休眠检测方法、装置、设备及存储介质 | |
| CN115520741A (zh) | 基于神经网络的电梯运行监控预警方法、系统及存储介质 | |
| CN115204260A (zh) | 预测模型的训练、预测方法、装置、电子设备及存储介质 | |
| CN115048875A (zh) | 基于机动车排放数据的城市大气环境指标预警方法及系统 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| Mandala | Predictive Failure Analytics in Critical Automotive Applications: Enhancing Reliability and Safety through Advanced AI Techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |