CN118311942A - 车辆故障诊断的方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请涉及汽车技术领域，提供了一种车辆故障诊断的方法、装置、电子设备及可读存储介质。该方法包括：获取目标车辆的车辆数据信息，并获取车辆数据信息的原始特征向量；将原始特征向量输入至预先训练好的故障诊断模型，得到故障诊断模型输出的故障诊断结果，故障诊断结果包括故障的故障标识和产生故障的至少一个原因；根据故障诊断结果，通过第一预设网络模型，确定故障与每个原因之间的因果关系；通过第二预设网络模型，基于因果关系，从至少一个原因中确定与故障相关度最高的目标原因；根据目标原因，确定针对故障的处理操作。本申请解决了无法快速定位故障原因的技术问题。

Description

车辆故障诊断的方法、装置、电子设备及可读存储介质

技术领域

本申请涉及汽车技术领域，尤其涉及一种车辆故障诊断的方法、装置、电子设备及可读存储介质。

背景技术

目前，在车辆系统出现问题时，电子控制单元(Electronic control unit，ECU)一般会通过故障指示灯来提示驾驶员，或者使用专门的汽车故障诊断工具，例如车载诊断系统扫描仪，对车辆进行诊断，它能够读取ECU的故障代码，但是这些检测方式都不能直接指出当前车辆发生故障的根本原因和解决方法；同时，由于当前汽车行业的快速发展，车辆内部多个系统的交互越来越复杂，报文数量也在增加，使得当前从数据中提取有用的信息变得更加困难。

因此，现有技术存在无法快速准确定位故障原因的技术问题。

发明内容

有鉴于此，本申请实施例提供了一种车辆故障诊断的方法、装置、电子设备及可读存储介质，以解决现有技术中无法快速定位故障原因的问题。

本申请实施例的第一方面，提供了一种车辆故障诊断的方法，包括：

获取目标车辆的车辆数据信息，并获取车辆数据信息的原始特征向量；

将原始特征向量输入至预先训练好的故障诊断模型，得到故障诊断模型输出的故障诊断结果，故障诊断结果包括故障的故障标识和产生故障的至少一个原因；

根据故障诊断结果，通过第一预设网络模型，确定故障与每个原因之间的因果关系；

通过第二预设网络模型，基于因果关系，从至少一个原因中确定与故障相关度最高的目标原因；

根据目标原因，确定针对故障的处理操作。

本申请实施例的第二方面，提供了一种车辆故障诊断的装置，包括：

数据获取模块，用于获取目标车辆的车辆数据信息，并获取车辆数据信息的原始特征向量；

故障诊断模块，用于将原始特征向量输入至预先训练好的故障诊断模型，得到故障诊断模型输出的故障诊断结果，故障诊断结果包括故障的故障标识和产生故障的至少一个原因；

因果推理模块，用于根据故障诊断结果，通过第一预设网络模型，确定故障与确定故障与至少一个原因之间的因果关系；

第一确定模块，用于通过第二预设网络模型，基于因果关系，从至少一个原因中确定与故障相关度最高的目标原因；

第二确定模块，用于根据目标原因，确定针对故障的处理操作。

本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本申请实施例的第四方面，提供了一种可读存储介质，该可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本申请实施例的有益效果至少包括：

通过获取目标车辆的车辆数据信息，并获取车辆数据信息的原始特征向量；将原始特征向量输入至预先训练好的故障诊断模型，得到故障诊断模型输出的故障诊断结果，故障诊断结果包括故障的故障标识和产生故障的至少一个原因；通过根据故障诊断结果，通过第一预设网络模型，确定故障与每个原因之间的因果关系；通过第二预设网络模型，基于所述因果关系，从至少一个原因中确定与故障相关度最高的目标原因；使得第一预设网络模型可以根据故障诊断模型输出的故障诊断结果来对故障和故障原因的因果进行分析，找到故障发生的根本原因以及故障发生的过程，第二预设网络模型可以帮助识别故障发生的关键因素，并评估因素变化对故障的影响程度；在找到目标原因后可以根据该原因在故障数据库等地方查找针对该故障的处理操作，实现了通过充分利用车辆的数据信息，结合故障诊断模型、第一预设网络模型和第二预设网络模型，有效、快速的定位故障以及故障发生原因，并且能够根据故障原因提供有效的解决办法，方便了用户或维修人员进行理解和维修，解决了现有技术中无法快速定位故障原因的问题。

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它的附图。

图1是本申请实施例提供的一种车辆故障诊断的方法的流程示意图；

图2是本申请实施例提供的一种故障诊断模型的结构示意图；

图3是本申请实施例提供的一种车辆故障诊断的装置的结构示意图；

图4是本申请实施例提供的一种电子设备的结构示意图。

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。

本申请的说明书和权利要求书中的术语“第一”“第二”等是用于区别类似的对象，而不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，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

此外，需要说明的是，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

图1是本申请实施例提供的一种车辆故障诊断的方法的流程示意图。该方法可以由终端设备执行。如图1所示，该车辆故障诊断的方法包括：

步骤101，获取目标车辆的车辆数据信息，并获取车辆数据信息的原始特征向量。

车辆数据信息可以是传感器数据、故障代码和ECU的状态信息等；其中，传感器数据可以是来自各种传感器的数据的集合，包括温度传感器、速度传感器和压力传感器等，可以为诊断车辆的运行状况提供基础；ECU的状态信息包括了ECU的运行状态和与车辆相关的一些关键数据。同时，由于不同车型或不同制造商所使用的ECU可能会有不同的数据格式和标准，因此可以对所采集的数据进行标准化处理，例如同步时间和数据单位等。这些详细的数据收集步骤可以帮助故障诊断模型获得足够的信息来进行准确的故障分析和诊断。这些数据不仅为系统提供了故障发生时的直接证据，还为理解故障背后的复杂交互提供了基础。

通过获取车辆的数据信息，可以保证故障诊断系统拥有足够庞大和详细的数据来进行准确的故障分析和诊断，为后续诊断故障原因提供了基础，同时，可以对不同车型或制造商的数据进行标准化处理，可以使得后续的故障诊断模型、第一预设网络模型和第二预设网络模型等可以适用于多种车型，提高了模型的通用性和适应性。

步骤102，将原始特征向量输入至预先训练好的故障诊断模型，得到故障诊断模型输出的故障诊断结果。

其中，故障诊断结果包括故障的故障标识和产生故障的至少一个原因。

具体的，故障诊断模型经过了大量的数据训练，能够有效的从大量的车辆数据信息中学习并找到一些数据信息之间的联系。同时，故障诊断模型会输出故障诊断结果，该故障诊断结果包括了故障的故障标识和与故障有关的参数，该参数可以作为产生故障的至少一个原因，参数的数量可以是1个、3个、5个等。需要说明的是，这些参数是与故障相关的参数，但是并不一定是该参数的异常导致故障的发生，可以是故障的发生导致该参数异常，还可以是多个参数的异常共同导致故障的发生。

通过预先训练的故障诊断模型对车辆数据信息的原始特征向量进行学习和分析，对特征之间的复杂关系进行识别，可以迅速得到故障的故障标识和与故障有关的原因，使得模型输出的诊断结果更加全面和准确，并且提高了定位故障的类型和标识的速度，同时，只需要模型即可对故障进行诊断，不再需要高级诊断工具，使得车辆的故障诊断和分析更加便捷和灵活。

步骤103，根据故障诊断结果，通过第一预设网络模型，确定故障与每个原因之间的因果关系。

具体的，第一预设网络模型可以对故障诊断结果中的故障和原因进行进一步的解析，对故障和原因之间的因果关系进行推断，分析可能的因果路径，即原因是如何一步步的导致故障的发生。例如，冷却液的含量不足是发动机发生故障的原因，但是为什么冷却液的含量不足会导致发动机发生故障，此时，利用第一预设网络模型就可以对冷却液含量不足和发动机故障的因果关系进行分析，例如经过第一预设网络模型分析，可以得到因为冷却液的含量不足导致水温过高，进而导致发动机散热不足，再进而导致发动机过热发生故障。

步骤104，通过第二预设网络模型，基于因果关系，从至少一个原因中确定与故障相关度最高的目标原因。

通过第二预设网络模型可以对这些原因与故障的相关度进行分析，通过改变原因的参数大小，来判断其对故障的影响，进而判断原因与故障的相关度，从而找到故障相关度最高的原因作为最主要的故障的目标原因。

通过对故障诊断结果进行进一步的分析，利用第一预设网络模型和第二预设网络模型进行解析，评估原因与故障的相关度，进而找到造成故障产生的最关键原因，解释了其特征之间的潜在因果关系，提供了更加深刻的故障分析，提高了故障诊断的准确性。

步骤105，根据目标原因，确定针对故障的处理操作。

通过目标原因，也就是跟故障相关度最高的原因，以及该原因与故障的因果关系，可以从预先设置的故障数据库中找到针对该故障的处理操作，该处理操作可以是多个也可以是一个，在此不做具体限定。

通过针对故障寻找处理操作，为用户提供相应的清晰准确的处理建议，增强了维修方案的可靠性和有效性，也提高了用户或维修人员对诊断结果的理解和认同。

根据本申请实施例提供的技术方案，通过获取目标车辆的车辆数据信息，并获取车辆数据信息的原始特征向量；将原始特征向量输入至预先训练好的故障诊断模型，得到故障诊断模型输出的故障诊断结果，故障诊断结果包括故障的故障标识和产生故障的至少一个原因；其中，故障诊断模型可以充分利用目标车辆的数据信息，从而提高故障诊断的准确性。通过根据故障诊断结果，通过第一预设网络模型，确定故障与每个原因之间的因果关系；通过第二预设网络模型，基于因果关系，从至少一个原因中确定与故障相关度最高的目标原因；使得第一预设网络模型可以根据故障诊断模型输出的故障诊断模型来对故障和故障原因的因果进行分析，找到故障发生的根本原因以及故障发生的过程，第二预设网络模型可以帮助识别故障发生的关键因素，并评估因素变化对故障的影响程度。根据目标原因，确定针对故障的处理操作，在找到目标原因后可以根据该原因在故障数据库等地方查找针对该故障的处理操作。通过充分利用车辆的数据信息，结合故障诊断模型、第一预设网络模型和第二预设网络模型，有效、快速的定位故障以及故障发生原因，并且可以根据故障原因提供有效的解决办法，方便了用户或维修人员进行理解和维修。

在一些实施例中，故障诊断模型包括嵌入层模块、挤压激励网络模块、双线性特征交互模块和组合预测模块；将原始特征向量输入至预先训练好的故障诊断模型，得到故障诊断模型输出的故障诊断结果，包括：

通过嵌入层模块，对原始特征向量中的不同部件所对应特征向量分别进行嵌入Embedding操作，得到第一特征向量；通过挤压激励网络模块，对原始特征向量进行重要性学习，得到第二特征向量；通过双线性特征交互模块，对第一特征向量和第二特征向量进行双线性交互操作，得到第三特征向量；通过组合预测模块，对原始特征向量和第三特征向量进行组合，得到组合特征，并根据组合特征，得到故障诊断结果。

具体的，如图2所示，车辆数据信息的原始特征向量会同时输入至嵌入层模块和挤压激励网络模块，嵌入层模块会对原始特征向量进行分类，不同部件所对应的原始特征向量放置在一个域中，再将其分别进行嵌入操作，最终得到第一特征向量。

挤压激励网络模块包括压缩层、激励层和加权层，该模块主要是对每个特征的重要性进行学习，并对特征表示进行调整，其中压缩层会将利用下述公式进行全局平均池化，对每个特征向量的所有元素进行压缩：激励层可以利用下述公式，并通过全连接层和激活函数来学习特征之间的依赖关系，并生成每个特征的重要性权重：ω＝σ(g(s，W))，其中，g为全连接层，W为网络参数，σ为S型Sigmoid函数，ω为特征权重。加权层会利用下述公式，将学习到的重要性权重应用至原始特征向量，加强重要特征的影响力：其中，为第二特征向量，X为原始特征向量，最后得到第二特征向量。

双线性特征交互模块用于捕捉特征对之间的复杂关系，在将第一特征向量和第二特征向量输入至双线性特征交互模块后，双线性特征交互模块会利用下述公式，对任意两个特征采用双线性函数模拟它们之间的交互： 其中，M为学习到的权重矩阵，用于表示两个特征之间的交互关系；最后得到交互完成的第三特征向量。

在得到第三特征向量后，会将其输入至组合预测模块，该模块的组合层会对第三特征向量进行组合，并将其输入至预测层，利用组合后的组合向量对故障和原因进行预测，此外，可以在该模块加入Pair Wise Loss，采用基于Pair的训练样本构建方式，可以进一步提升模型拟合能力，最后会输出故障诊断结果，该故障诊断结果可以包含故障的专属标识，例如故障代码、故障名称等，还可以包括至少一个导致该故障发生的原因，该原因可以是一个参数，也可以是多个参数相互交互的集合。

本实施例通过嵌入层模块对原始特征向量进行分类，得到第一特征向量；通过挤压激励网络模块对特征的重要性进行学习，强调对故障类型诊断最关键的特征，有助于噪声的过滤并集中关注最重要的诊断信息；再通过双线性交互模块，对特征之间的关系进行分析和捕捉，使得模型可以在多个特征相互作用导致故障的情况下，也可以提供深入和准确的故障分析，最后再通过组合预测模块对特征进行分析和预测，生成诊断结果。利用故障诊断模型，可以让故障的定位更加快速和准确，并且还包含了故障发生的原因，让用户不再需要根据故障标识来寻找原因，使检测更加快速和便捷。

在一些实施例中，第一预设网络模型包括决策树、图网络和概率图模型中的任意一种；根据故障诊断结果，通过第一预设网络模型，确定故障与每个原因之间的因果关系，包括：

通过决策树，对故障诊断结果进行分析，预测故障与每个原因之间的因果关系；或者，通过图网络，对故障诊断结果进行分析，预测故障与每个原因之间的因果关系；或者，通过概率图模型，对故障诊断结果进行分析，得到故障诊断结果的概率分布图，并利用概率分布图，得到故障与每个原因之间的因果关系。

具体的，第一预设网络模型可以用于分析和解释故障和原因之间的潜在因果关系，即原因是如何造成故障的产生。第一预设网络模型可以是图网络、决策树或其他适合于捕捉因果关系的算法。这样基于之前故障诊断模型输出的诊断结果，提供关于故障原因的见解，并使用第一预设网络模型来推断可能的因果路径，进而提供关于故障原因的的更深层次的见解。

首先，输入到第一预设网络模型的数据可以是经过故障诊断模型处理过的特征表示，这些特征可以是原始特征的组合或交互后得到的，例如通过嵌入和交叉网络得到的特征向量；而经过第一预设网络处理后输出的数据可以是对特征之间因果关系的预测和解释，或者是某种形式的因果关系的强度评分等，输出方式可以是概率分布的形式，也可以是连续值的形式；而实现因果关系的预测和解释则可以通过图网络、决策树、概率图模型等可以根据故障诊断模型输出的故障诊断结果来进行因果关系捕捉的算法进行实现，这些算法可以从输入特征中学习到特征之间的关系，并预测其因果关系。

此外，在训练阶段，可以使用标注的因果关系数据来监督模型的学习。可以使用交叉熵损失函数等来衡量预测值与真实值之间的差距，并使用梯度下降等优化算法来更新模型参数。

本实施例通过图网络、决策树、概率图模型等各种适合捕捉因果关系的算法来对故障与每个原因之间的因果关系进行确定，根据具体的实际情况来选择不同的算法，不仅可以灵活的识别故障现象，还可以深入理解故障的根本原因，提高诊断的准确度和灵活性，并且因果推理的加入使得诊断结果更加透明和可解释，有助于增强用户对诊断结果的信任。

在一些实施例中，第二预设网络模型包括依次连接的构建层、评估层和分析层；通过第二预设网络模型，基于因果关系，从至少一个原因中确定与故障相关度最高的目标原因，包括：

通过构建层，基于故障与每个原因之间的因果关系，改变所有原因的原始特征值，得到所有原因的模拟特征值；通过评估层，对所有原始特征值和模拟特征值进行计算，得到所有因果关系的因果效应；通过分析层，对所有因果效应进行评估，得到每个原因与故障的相关度；根据相关度，将相关度最高的原因确定为目标原因。

具体的，可以先任意选取一个原因作为评估对象，假设评估特征X对故障Y的因果影响，因此，可以将因果假设表示为H:X→Y，即特征X对故障Y有因果影响；之后可以通过构建层，来改变特定特征以模拟不同的情况，例如，当前正在评估的特征X的原始特征值为x，可以通过构建层来将x修改为x’，x’可以称作模拟特征值，此时可以将两者表示为X＝x和X＝x’，这样同一类特征但是具体数值不同的两种的条件；然后可以将这两种条件输入至评估层中，评估层会对这两种条件进行计算，比如可以使用因果效应来评估两种条件对结果的影响，因果效应可以用τ表示，具体的，可以先计算X＝x条件下的结果为Y，再计算X＝x’条件下的结果为Y’，此时，因果效应τ可以表示为τ＝Y′-Y；此时可以将所有原因的因果效应在分析层进行汇总和分析，判断特征变化对结果的影响，也就是所有原因对故障的相关度，最后在获取到每个原因与故障的相关度后，可以选择与故障相关度最高的原因作为目标原因。

第二预设网络模型可以对上述的第一预设网络模型生成的因果关系进行进一步的分析，例如，如果某个原因的参数处于正常范围中，该故障是否还会发生，利用该方法可以找到导致故障发生的最关键因素，比如，“如果氧传感器的读数正常，发动机效率是否仍然下降？”利用这种假设，可以得到很多假设性数据，再根据这些假设性数据就可以判断出这些数据的变化会对故障产生多大的影响。此外，还可以通过对参数进行改变，观察其对故障发生的影响，进而对影响进行量化，得到每个原因与故障的相关度，例如该参数的改变幅度很大，但是故障的变化很小，此时可以认为该参数对故障发生的影响较小，也就是该原因与故障的相关度小。此外，还可以利用统计方法或者基于故障诊断模型的推断来评估原因与故障之间的因果关系强度，进而确定故障发生的最关键因素，例如，可以使用条件概率、因果效应估计等方法来量化特征间的因果关系。最后选择相关度最高的，也就是最关键的原因作为故障的目标原因。

本实施例通过第二预设网络模型实施反事实分析，来评估如果某些特征不同，故障是否仍会发生，从而帮助识别出导致故障的关键因素，使得该方法对故障的分析更加全面和准确。

在一些实施例中，根据目标原因，确定针对故障的处理操作之后，还包括：

根据处理操作生成维修建议，其中，维修建议包括故障描述、原因分析和维修操作；向客户端发送提示信息和维修建议，提示信息用于提示目标车辆已出现故障。

具体的，根据该故障的处理操作，来生成维修建议，例如，如果模型诊断出发动机故障灯亮起是排放控制系统的问题，那么可以推荐检查并清洁相关部件。此外，还可以对该故障进行具体的描述，例如可以具体描述排放控制系统的损坏是如何导致发动机发生故障，还可以对排放控制系统的问题进行具体描述，可以具体到排放系统的某个部件。

发送提示信息和维修建议可以发送至车辆的中控大屏，并且可以将维修建议通过易于理解的方式对用户进行呈现，例如减少专用术语的使用，并且将维修步骤表述的更加具体，保证用户可以轻松地理解和执行推荐的维修操作。此外，还可以在保证诊断准确性的情况下，给出其他可能的维修方案。

本实施例通过提供详细的故障解析和具体的维修建议，可以增强用户对诊断结果的理解和信任，并且采用用户易于看到的方式进行展示，可以使用户能够轻松获取和执行维修建议，提高了用户满意度。

在一些实施例中，将原始特征向量输入至预先训练好的故障诊断模型，得到故障诊断模型输出的故障诊断结果之前，还包括：

获取训练样本集，其中训练样本集包括车辆样本数据和车辆样本数据所对应的真实故障诊断结果，真实故障诊断结果包括车辆所产生故障和产生故障的关键因素；对车辆样本数据进行处理，并获取处理后的车辆样本数据的样本特征向量；将样本特征向量输入至训练中的故障诊断模型中，得到故障预测结果，其中故障预测结果包括所预测故障和产生所预测故障的至少一个原因；根据故障预测结果，通过第一预设网络模型，确定所预测故障与每个预测原因之间的因果关系，并通过第二预设网络模型，基于所述因果关系，从至少一个预测原因中确定与所预测故障相关度最高的关键原因；在关键原因与关键因素的相同率小于预设值的情况下，对训练中的故障诊断模型进行调整，直至相同率大于等于预设值，得到训练好的故障诊断模型。

具体的，训练样本集可以用于记录训练集中的车辆样本数据和其对应的真实故障诊断结果，通过训练样本集的使用，可以提高数据管理的效率和准确性，优化模型训练过程，并为后续的数据分析和挖掘提供可靠的数据基础。

例如，从训练集中提取一组样本数据输入至待训练的故障诊断模型中，该故障诊断模型会输出一个故障预测结果，之后再将该故障预测结果输入到第一预设网络模型中，对其中故障原因和产生故障的原因进行因果分析，并利用第二预设网络模型得到故障发生的关键原因；之后将该故障和预测的关键原因与真实故障诊断结果对比，判断预测结果是否正确，以及预测的关键原因是否与真实故障的关键因素相同，在关键原因与关键因素的相同率小于预设值的情况下，则需要对故障诊断模型进行修改和调整，在相同率大于或等于预设值的情况下，将该故障诊断模型确定为已经训练好的故障诊断模型。该预设值可以是95％、96％、97％等，在此不作具体限定。

本实施例通过计算关键原因与关键因素的相同率，来评估生成的故障预测结果与真实故障诊断结果之间的差异，量化了模型的预测准确性，并为模型的优化提供了指导，通过不断优化模型，提高生成的关键原因与关键因素的相同率，进而提升模型的预测能力，使得生成的故障诊断结果更加符合实际情况，提高了模型的准确性。

在一些实施例中，对车辆样本数据进行处理，并获取处理后的车辆样本数据的样本特征向量，包括：

根据预设的数据格式，对车辆样本数据进行修正，得到第一数据，其中预设的数据格式包括时间戳格式、数据单位和数据结构；

根据预设的故障知识库中的故障类型，对第一数据进行分类，得到不同故障类型所对应的数据组；

针对数据组，从每个数据组中提取特征向量，并从特征向量中筛选得到与故障类型的相关度大于预设值的特征向量，将大于预设值的特征向量确定为样本特征向量。

具体的，预设数据格式可以使数据具有相同的时间戳格式、数据单位和数据结构等，方便了后续的数据处理，并且对数据进行处理之前，还需要对数据进行清洗，移除或者修正错误的、不完整的、格式错误的或者无关紧要的数据，以保证最后的诊断模型不会受到这些数据的影响，最后得到第一数据。

预设的故障知识库可以是已有的故障知识库，也可以是专家系统，还可以是从历史故障案例中学习和识别的故障模式，根据不同的故障模式，对第一数据进行分类，将与同一故障相关的参数放置在同一个数据组中，例如，跟温度传感器异常相关的所有参数放置在同一数据组，并标记为温度传感器异常类型。之后会对同一数据组中的数据进行筛选并提取特征向量，并对特征向量进行分析，筛选出于故障最相关的特征向量，并将这些特征向量确定为样本特征向量，其数量可以是1个、3个、5个等，特征向量代表的参数类型可以是传感器读数、操作参数和时间序列数据等，在此不作具体限定。

此外，在某些故障类型的数据过少的情况下可以采用过采样、欠采样和合成少数类样本等方式来平衡数据集，以保证模型不会偏向于常见故障。

本实施例通过对车辆的数据信息进行处理和筛选，保证了在训练模型时的样本数据中不会有错误数据，保证了模型最终结果的准确性和通用性；选择与故障相关度较高的特征来对模型进行训练，减少了模型的复杂度，提高了诊断的准确性。

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。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图3是本申请实施例提供的一种车辆故障诊断的装置的示意图。如图3所示，该装置包括：

数据获取模块301，用于获取目标车辆的车辆数据信息，并获取车辆数据信息的原始特征向量；

故障诊断模块302，用于将原始特征向量输入至预先训练好的故障诊断模型，得到故障诊断模型输出的故障诊断结果，故障诊断结果包括故障的故障标识和产生故障的至少一个原因；

因果推理模块303，用于根据故障诊断结果，通过第一预设网络模型，确定故障与确定故障与至少一个原因之间的因果关系；

第一确定模块304，用于通过第二预设网络模型，基于因果关系，从至少一个原因中确定与故障相关度最高的目标原因；

第二确定模块305，用于根据目标原因，确定针对故障的处理操作。

在一些实施例中，故障诊断模型包括嵌入层模块、挤压激励网络模块、双线性特征交互模块和组合预测模块；故障诊断模块302具体用于：通过嵌入层模块，对原始特征向量中的不同部件所对应特征向量分别进行嵌入Embedding操作，得到第一特征向量；通过挤压激励网络模块，对原始特征向量进行重要性学习，得到第二特征向量；通过双线性特征交互模块，对第一特征向量和第二特征向量进行双线性交互操作，得到第三特征向量；通过组合预测模块，对原始特征向量和第三特征向量进行组合，得到组合特征，并根据组合特征，得到故障诊断结果。

在一些实施例中，第一预设网络模型包括决策树、图网络和概率图模型中的任意一种；因果推理模块303具体用于：通过决策树，对故障诊断结果进行分析，预测故障与每个原因之间的因果关系；或者，通过图网络，对故障诊断结果进行分析，预测故障与每个原因之间的因果关系；或者，通过概率图模型，对故障诊断结果进行分析，得到故障诊断结果的概率分布图，并利用概率分布图，得到故障与每个原因之间的因果关系。

在一些实施例中，第二预设网络模型包括依次连接的构建层、评估层和分析层；第一确定模块304具体用于：通过构建层，基于故障与每个原因之间的因果关系，改变所有原因的原始特征值，得到所有原因的模拟特征值；通过评估层，对所有原始特征值和模拟特征值进行计算，得到所有因果关系的因果效应；通过分析层，对所有因果效应进行评估，得到每个原因与故障的相关度；根据相关度，将相关度最高的原因确定为目标原因。

在一些实施例中，第二确定模块305还用于：根据处理操作生成维修建议，其中，维修建议包括故障描述、原因分析和维修操作；向客户端发送提示信息和维修建议，提示信息用于提示目标车辆已出现故障。

在一些实施例中，故障诊断模块302还用于：获取训练样本集，其中训练样本集包括车辆样本数据和车辆样本数据所对应的真实故障诊断结果，真实故障诊断结果包括车辆所产生故障和产生故障的关键因素；对车辆样本数据进行处理，并获取处理后的车辆样本数据的样本特征向量；将样本特征向量输入至训练中的故障诊断模型中，得到故障预测结果，其中故障预测结果包括所预测故障和产生所预测故障的至少一个预测原因；根据故障预测结果，通过第一预设网络模型，确定所预测故障与每个预测原因之间的因果关系，并通过第二预设网络模型，基于因果关系，从至少一个预测原因中确定与所预测故障相关度最高的关键原因；在关键原因与关键因素的相同率小于预设值的情况下，对训练中的故障诊断模型进行调整，直至相同率大于等于预设值，得到训练好的故障诊断模型。

在一些实施例中，故障诊断模块302还用于：根据预设的数据格式，对车辆样本数据进行修正，得到第一数据，其中预设的数据格式包括时间戳格式、数据单位和数据结构；根据预设的故障知识库中的故障类型，对第一数据进行分类，得到不同故障类型所对应的数据组；针对数据组，从每个数据组中提取特征向量，并从特征向量中筛选得到与故障类型的相关度大于预设值的特征向量，将大于预设值的特征向量确定为样本特征向量。

需要说明的是，本申请提供的装置能够实现上述方法执行的所有方法步骤，并能实现相同的技术效果，在此不再赘述。

图4是本申请实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者不同的部件。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4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。存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。

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。

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，可以存储在一个可读存储介质中。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，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，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。可读存储介质可以包括：能够携带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(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。

以上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)

1.一种车辆故障诊断的方法，其特征在于，包括：

获取目标车辆的车辆数据信息，并获取所述车辆数据信息的原始特征向量；

将所述原始特征向量输入至预先训练好的故障诊断模型，得到所述故障诊断模型输出的故障诊断结果，所述故障诊断结果包括故障的故障标识和产生所述故障的至少一个原因；

根据所述故障诊断结果，通过第一预设网络模型，确定所述故障与每个所述原因之间的因果关系；

通过第二预设网络模型，基于所述因果关系，从所述至少一个原因中确定与所述故障相关度最高的目标原因；

根据所述目标原因，确定针对所述故障的处理操作。

2.根据权利要求1所述的方法，其特征在于，所述故障诊断模型包括嵌入层模块、挤压激励网络模块、双线性特征交互模块和组合预测模块；

所述将所述原始特征向量输入至预先训练好的故障诊断模型，得到所述故障诊断模型输出的故障诊断结果，包括：

通过所述嵌入层模块，对所述原始特征向量中的不同部件所对应特征向量分别进行嵌入Embedding操作，得到第一特征向量；

通过所述挤压激励网络模块，对所述原始特征向量进行重要性学习，得到第二特征向量；

通过所述双线性特征交互模块，对所述第一特征向量和所述第二特征向量进行双线性交互操作，得到第三特征向量；

通过所述组合预测模块，对所述原始特征向量和所述第三特征向量进行组合，得到组合特征，并根据所述组合特征，得到所述故障诊断结果。

3.根据权利要求1所述的方法，其特征在于，所述第一预设网络模型包括决策树、图网络和概率图模型中的任意一种；

所述根据所述故障诊断结果，通过第一预设网络模型，确定所述故障与每个所述原因之间的因果关系，包括：

通过所述决策树，对所述故障诊断结果进行分析，预测所述故障与每个所述原因之间的因果关系；或者，

通过所述图网络，对所述故障诊断结果进行分析，预测所述故障与每个所述原因之间的因果关系；或者，

通过所述概率图模型，对所述故障诊断结果进行分析，得到所述故障诊断结果的概率分布图，并利用所述概率分布图，得到所述故障与每个所述原因之间的因果关系。

4.根据权利要求1所述的方法，其特征在于，所述第二预设网络模型包括依次连接的构建层、评估层和分析层；

所述通过第二预设网络模型，基于所述因果关系，从所述至少一个原因中确定与所述故障相关度最高的目标原因，包括：

通过所述构建层，基于所述故障与每个所述原因之间的因果关系，改变所有所述原因的原始特征值，得到所有所述原因的模拟特征值；

通过所述评估层，对所有所述原始特征值和所述模拟特征值进行计算，得到所有所述因果关系的因果效应；

通过所述分析层，对所有所述因果效应进行评估，得到每个所述原因与所述故障的相关度；

根据所述相关度，将所述相关度最高的所述原因确定为所述目标原因。

5.根据权利要求1所述的方法，其特征在于，所述根据所述目标原因，确定针对所述故障的处理操作之后，还包括：

根据所述处理操作生成维修建议，其中，所述维修建议包括故障描述、原因分析和维修操作；

向客户端发送提示信息和所述维修建议，所述提示信息用于提示所述目标车辆已出现故障。

6.根据权利要求1所述的方法，其特征在于，所述将所述原始特征向量输入至预先训练好的故障诊断模型，得到所述故障诊断模型输出的故障诊断结果之前，还包括：

获取训练样本集，其中所述训练样本集包括车辆样本数据和所述车辆样本数据所对应的真实故障诊断结果，所述真实故障诊断结果包括车辆所产生故障和产生所述故障的关键因素；

对所述车辆样本数据进行处理，并获取处理后的车辆样本数据的样本特征向量；

将所述样本特征向量输入至训练中的故障诊断模型中，得到故障预测结果，其中所述故障预测结果包括所预测故障和产生所述所预测故障的至少一个预测原因；

根据所述故障预测结果，通过所述第一预设网络模型，确定所述所预测故障与每个所述预测原因之间的因果关系，并通过所述第二预设网络模型，基于所述因果关系，从所述至少一个预测原因中确定与所述所预测故障相关度最高的关键原因；

在所述关键原因与所述关键因素的相同率小于预设值的情况下，对所述训练中的故障诊断模型进行调整，直至所述相同率大于等于所述预设值，得到训练好的故障诊断模型。

7.根据权利要求6所述的方法，其特征在于，所述对所述车辆样本数据进行处理，并获取处理后的车辆样本数据的样本特征向量，包括：

根据预设的数据格式，对所述车辆样本数据进行修正，得到第一数据，其中所述预设的数据格式包括时间戳格式、数据单位和数据结构；

根据预设的故障知识库中的故障类型，对所述第一数据进行分类，得到不同所述故障类型所对应的数据组；

针对所述数据组，从每个数据组中提取特征向量，并从所述特征向量中筛选得到与所述故障类型的相关度大于预设值的特征向量，将所述大于预设值的特征向量确定为所述样本特征向量。

8.一种车辆故障诊断的装置，其特征在于，包括：

数据获取模块，用于获取目标车辆的车辆数据信息，并获取所述车辆数据信息的原始特征向量；

故障诊断模块，用于将所述原始特征向量输入至预先训练好的故障诊断模型，得到所述故障诊断模型输出的故障诊断结果，所述故障诊断结果包括故障的故障标识和产生所述故障的至少一个原因；

因果推理模块，用于根据所述故障诊断结果，通过第一预设网络模型，确定所述故障与确定所述故障与所述至少一个原因之间的因果关系；

第一确定模块，用于通过第二预设网络模型，基于所述因果关系，从所述至少一个原因中确定与所述故障相关度最高的目标原因；

第二确定模块，用于根据所述目标原因，确定针对所述故障的处理操作。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且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中任一项所述方法的步骤。

10.一种可读存储介质，所述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中任一项所述方法的步骤。