CN112529104A - 一种车辆故障预测模型生成方法、故障预测方法及装置 - Google Patents
一种车辆故障预测模型生成方法、故障预测方法及装置 Download PDFInfo
- Publication number
- CN112529104A CN112529104A CN202011557530.8A CN202011557530A CN112529104A CN 112529104 A CN112529104 A CN 112529104A CN 202011557530 A CN202011557530 A CN 202011557530A CN 112529104 A CN112529104 A CN 112529104A
- Authority
- CN
- China
- Prior art keywords
- training
- working condition
- vector representation
- vehicle
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 277
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本申请实施例公开了一种车辆故障预测模型生成方法,具体为,获取预设时长内车辆对应的工况数据,即训练数据集合,该训练数据集合中包括携带标签的工况数据和未携带标签的工况数据。其中,携带标签的工况数据是指车辆故障时对应的工况数据,未携带标签的工况数据是指车辆正常使用状态下对应的工况数据。从训练数据集合中提取训练工况特征集合,并将该训练工况特征集合按照时间序列输入工况向量表示模型,获得训练工况向量表示集合,该训练工况向量表示集合中包括携带标签的训练工况向量表示和未携带标签的训练工况向量表示。利用携带标签的训练工况向量表示和未携带标签的训练工况向量表示对初始模型的模型参数进行训练,生成车辆故障预测模型。
Description
技术领域
本申请涉及自动控制技术领域,具体涉及一种车辆故障预测模型生成方法、故障预测方法及装置。
背景技术
汽车在使用过程中,由于各个器件的使用寿命有限,或各个器件的使用条件受限制,导致车辆会发生故障。有些故障会带来严重的后果,造成人员的伤亡或财产的巨大损失。因此,对于车辆的故障预测是急需解决的问题。
发明内容
有鉴于此,本申请实施例提供一种车辆故障预测模型生成方法、故障预测方法及装置,以实现对车辆故障进行准确预测,提高行车安全性。
为解决上述问题,本申请实施例提供的技术方案如下:
在本申请实施例第一方面,提供了一种车辆故障预测模型生成方法,所述方法包括:
获取训练数据集合,所述训练数据集合包括携带标签的工况数据以及未携带标签的工况数据,所述训练数据集合为预设时长内所述车辆对应的工况数据;
从所述训练数据集合中提取训练工况特征集合,并将所述训练工况特征集合按照时间序列输入工况向量表示模型,获取训练工况向量表示集合,所述训练工况向量表示集合包括携带标签的训练工况向量表示和未携带标签的训练工况向量表示;
根据所述携带标签的训练工况向量表示和所述未携带标签的训练工况向量表示对初始模型的模型参数进行训练,生成车辆故障预测模型。
在一种可能的实现方式中,所述从所述训练数据集合中提取训练工况特征集合,并将所述训练工况特征集合输入工况向量表示模型,获取训练工况向量表示集合,包括:
利用第一参数对所述训练数据集合进行切分,获得多个训练数据,所述第一参数为单位时间参数;
获取每个所述训练数据对应的训练工况特征,并将每个所述训练数据对应的训练工况特征输入所述工况向量表示模型,获得训练工况向量表示,所述训练工况向量表示集合包括每个所述训练数据对应的训练工况向量表示。
在一种可能的实现方式中,所述从所述训练数据集合中提取训练工况特征集合,并将所述训练工况特征集合输入工况向量表示模型,获取训练工况向量表示集合,包括:
利用第二参数对训练数据集合进行切分,获得多个训练数据,所述第二参数为单位里程参数;
获取每个所述训练数据对应的训练工况特征,并将每个所述训练数据对应的训练工况特征输入所述工况向量表示模型,获得训练工况向量表示,所述训练工况向量表示集合包括每个所述训练数据对应的训练工况向量表示。
在一种可能的实现方式中,所述方法还包括:
根据所述车辆故障预测模型对应的损失函数对所述工况向量表示模型的模型参数进行更新。
在一种可能的实现方式中,所述训练工况特征集合包括电池包特征、车辆行驶特征以及车辆使用统计特征中的一种或多种。
在本申请实施例第二方面,提供了一种车辆故障预测方法,所述方法包括:
获取待处理工况数据,所述待处理工况数据为预设时长内车辆对应的工况数据;
从所述待处理工况数据中提取待处理工况特征,并将所述待处理工况特征按照时间序列输入工况向量表示模型,获取待处理工况向量表示;
将所述待处理工况向量表示输入车辆故障预测模型,获得预测结果,所述车辆故障预测模型是根据第一方面所述的车辆故障预测模型的生成方法训练生成的。
在本申请实施例第三方面,提供了一种车辆故障预测模型生成装置,所述装置包括:
第一获取单元,用于获取训练数据集合,所述训练数据集合包括携带标签的工况数据以及未携带标签的工况数据,所述训练数据集合为预设时长内所述车辆对应的工况数据;
第二获取单元,用于从所述训练数据集合中提取训练工况特征集合,并将所述训练工况特征集合按照时间序列输入工况向量表示模型,获取训练工况向量表示集合,所述训练工况向量表示集合包括携带标签的训练工况向量表示和未携带标签的训练工况向量表示;
生成单元,用于根据所述携带标签的训练工况向量表示和所述未携带标签的训练工况向量表示对初始模型的模型参数进行训练,生成车辆故障预测模型。
在本申请实施例第四方面,提供了一种车辆故障预测装置,所述装置包括:
第一获取单元,用于获取待处理工况数据,所述待处理工况数据为预设时长内车辆对应的工况数据;
第二获取单元,用于从所述待处理工况数据中提取待处理工况特征,并将所述待处理工况特征按照时间序列输入工况向量表示模型,获取待处理工况向量表示;
第三获取单元,用于将所述待处理工况向量表示输入车辆故障预测模型,获得预测结果,所述车辆故障预测模型是根据第一方面所述的车辆故障预测模型的生成方法训练生成的。
在本申请实施例第五方面,提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备第一方面所述的车辆故障预测模型的生成方法或第二方面所述的车辆故障预测方法。
在本申请实施例第六方面,提供了一种设备,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计算机程序,所述处理器执行所述计算机程序时,执行第一方面所述的车辆故障预测模型的生成方法或所述第二方面所述的车辆故障预测方法。
由此可见,本申请实施例具有如下有益效果:
本申请实施例通过利用半监督学习方式训练生成车辆故障预测模型,其中,训练所使用的训练数据集合为车辆在一定时长内运行过程中的工况数据,保证所使用的训练数据具有时序特点,进而可以反映车辆故障的时序性特点,从而保证训练生成的车辆故障预测模型可以对车辆故障进行准确预测。
附图说明
图1为本申请实施例提供的一种车辆故障预测模型生成方法流程图;
图2为本申请实施例提供的一种车辆故障预测方法流程图;
图3为本申请实施例提供的一种车辆故障预测模型生成装置结构图;
图4为本申请实施例提供的一种车辆故障预测装置结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
发明人在对传统的车辆故障预测研究中发现,传统的车辆故障预测方法通常包括以下两种方式,一种是,利用实验室数据进行预测,该实验室数据较为单一且数据量较小,如果产生大量的实验数据,将花费大量的人力成本。另一种是,为各个检测指标设定阈值,当检测指标超过阈值时,则确定车辆即将发生故障。然而,车辆故障是具有时序特点的,也就是,车辆发生故障之前,各项指标存在变化趋势,如果仅根据阈值进行预测,导致一些潜在隐患未及时发现,无法实现防患于未然。
基于此,本申请实施例提供的一种车辆故障预测模型生成方法,具体为,获取预设时长内车辆对应的工况数据,即训练数据集合,该训练数据集合中包括携带标签的工况数据和未携带标签的工况数据。其中,携带标签的工况数据是指车辆故障时对应的工况数据,未携带标签的工况数据是指车辆正常使用状态下对应的工况数据。从训练数据集合中提取训练工况特征集合,并将该训练工况特征集合按照时间序列输入工况向量表示模型,获得训练工况向量表示集合,该训练工况向量表示集合中包括携带标签的训练工况向量表示和未携带标签的训练工况向量表示。利用携带标签的训练工况向量表示和未携带标签的训练工况向量表示对初始模型的模型参数进行训练,生成车辆故障预测模型。
也就是,本申请实施例利用符合故障产生的时序变化的训练数据集合训练生成车辆故障预测模型,以使得该车辆故障预测模型可以根据车辆的工况在一段时间内的变化对车辆故障进行预测,提高预测准确性。另外,本申请实施例通过半监督学习方式利用少量的带有标签的训练数据生成车辆故障预测模型时,无需大量人工标注数据,降低训练成本。
为便于理解本申请实施例提供的车辆故障预测模型生成方法以及车辆故障预测方法,下面将结合附图进行说明。
参见图1,该图为本申请实施例提供的一种车辆故障预测模型生成方法流程图,如图1所示,该方法可以包括:
S101:获取训练数据集合。
本实施例中,为训练生成车辆故障预测模型,获取训练时所使用的训练数据集合,该训练数据集合为车辆在预设时长内行驶所对应的工况数据,可以包括携带标签的工况数据以及未携带标签的工况数据。其中,携带标签的工况数据是指携带故障标签的工况数据,表示车辆出现故障时对应的工况数据;未携带标签的工况数据是指车辆正常使用状态下对应的工况数据。
S102:从训练数据集合中提取训练工况特征集合,并将该训练工况特征集合输入工况向量表示模型,获得训练工况向量表示集合。
在获取到训练数据集合后,从训练数据集合中提取训练工况特征集合。具体地,针对训练数据集合中的多条训练数据,提取每条训练数据对应的训练工况特征,以获得训练工况特征集合,该训练工况特征集合中包括每条训练数据对应的训练工况特征。其中,该训练工况特征可以包括电池包特征、车辆行驶特征和车辆使用统计特征等。其中,电池包特征用于反映电池包的性能,可以包括电池包总电压、电流、单电芯电压、电芯件压差、单电芯温度以及电芯间温差等。车辆行驶特征可以包括行驶速度、行驶加速等。车辆使用统计特征用于反映车辆的使用情况,可以包括静置时间长度、静置次数、静置前后压差等。在获取到训练工况特征集合后,将该训练工况特征集合按照时间序列输入工况向量表示模型,获得训练工况向量表示集合。其中,工况向量表示模型用于根据训练工况特征生成与该训练工况特征对应的训练工况向量表示。工况向量表示模型可以为自编码器中的编码模块或变分编码器的编码模块,编码模块通常为多层网络,用于将输入的数据压缩成为低维度的向量。
需要说明的是,在本实施例中,在训练工况向量表示模型时,还在时间维度上对模型结构进行设计,在将训练工况特征集合按照产生时间先后顺序输入工况向量表示模型时,该工况向量表示模型所提取的训练工况向量表示中包括时序变化信息。也就是,工况向量表示模型按照时间序列对训练工况向量表示进行提取和压缩。
其中,从训练数据集合中提取训练工况特征集合,并将训练工况特征集合输入工况向量表示模型,获得训练工况向量表示集合,可以通过以下方式实现:
(一)时间切分
1)利用第一参数对训练数据集合进行切分,获得多个训练数据,其中第一参数为单位时间参数。
本实施例中,在获取到车辆在预设时长内对应的训练数据集合后,可以在时间上对训练数据集合进行切分,以获得多条训练数据。例如,训练数据集合为车辆在1周内的工况数据,可以以1小时为第一参数对训练数据集合进行切分,从而获得多条训练数据。其中,每条训练数据中可以包括多个参数,例如电池温度、电池电压、车辆速度、车辆加速度等。
2)获取每个训练数据对应的训练工况特征,并将每个训练工况特征输入工况向量表示模型,获得训练工况向量表示。
在获得每个训练数据后,提取该训练数据对应的训练工况特征,该训练工况特征可以体现该训练数据的变化特征,例如温度变化特征、速度特征、加速度特征等。然后,将每个训练工况特征输入工况向量表示模型中,获得该训练工况特征对应的训练工况向量表示。其中,训练工况特征集合包括每个训练数据对应的训练工况向量表示。
(二)里程切分
1)利用第二参数对训练数据集合进行切分,获得多个训练数据,其中,第二参数为单位里程参数。
本实施例中,在获取到车辆在预设时长内对应的训练数据集合后,可以在里程上对训练数据集合进行切分,以获得多条训练数据。例如,训练数据集合为车辆行驶100公里的工况数据,可以以1公里为第二参数对训练数据集合进行切分,从而获得多条训练数据。其中,每条训练数据中可以包括多个参数,例如电池温度、电池电压、车辆速度、车辆加速度等。
2)获取每个训练数据对应的训练工况特征,并将每个训练工况特征输入工况向量表示模型,获得训练工况向量表示。
在获得每个训练数据后,提取该训练数据对应的训练工况特征,该训练工况特征可以体现该训练数据的变化特征,例如温度变化特征、速度特征、加速度特征等。然后,将每个训练工况特征输入工况向量表示模型中,获得该训练工况特征对应的训练工况向量表示。其中,训练工况特征集合包括每个训练数据对应的训练工况向量表示。
S103:根据携带标签的训练工况向量表示和未携带标签的训练工况向量表示对初始模型的模型参数进行训练,生成车辆故障预测模型。
当获得训练工况向量表示集合后,利用携带标签的训练工况向量表示和未携带标签的训练工况向量表示对初始模型的模型参数进行训练,以训练生成车辆故障预测模型。其中,初始模型可以包括1层卷积神经网络(convolutional neural network,CNN)和2层的长短期记忆网络(long short-term memory,LSTM)。具体地,初始模型可以采用PULearning(Positive-unlabeled learning)等学习方式进行训练。
在一种实现方式中,在训练生成车辆故障预测模型时,还可以根据车辆故障预测模型对应的损失函数对工况向量表示模型进行更新,以使得工况向量表示模型输出的工况向量表示可以更准确地反映工况数据。
通过上述描述可知,本申请实施例通过利用半监督学习方式训练生成车辆故障预测模型,其中,训练所使用的训练数据集合为车辆在一定时长内运行过程中的工况数据,保证所使用的训练数据具有时序特点,进而可以反映车辆故障的时序性特点,从而保证训练生成的车辆故障预测模型可以对车辆故障进行准确预测。
参见图2,该图为本申请实施例提供的一种车辆故障预测方法流程图,如图2所示,该方法可以包括:
S201:获取待处理工况数据,其中,待处理工况数据为预设时长内车辆对应的工况数据。
S203:从待处理工况数据中提取待处理工况特征,并将待处理工况特征输入工况向量表示模型,获得待处理工况向量表示。
本实施中,当获取待处理工况数据后,可以对待处理工况数据进行切分操作,以利用切分后的待处理工况数据获得待处理工况特征以及待处理工况向量表示,具体可以分为以下两种方式:
一种是,利用第一参数对待处理工况数据进行切分,获得多个待处理工况子数据,提取每个待处理工况子数据对应的待处理工况子特征,将所有待处理工况子特征输入工况向量表示模型,获得待处理工况向量表示。例如,待处理工况数据为车辆在100小时内的工况数据,以每1小时为单位进行切分,共获得100条数据,其中,每条数据包括50个参数。在进行特征提取时,可以获得100*50维度的特征,将100*50维度的特征输入工况向量表示模型,获得工况向量表示,该工况向量表示可以为1*M维度的向量。其中,M小于100*50,通常情况下,M可以取128或256。也就是,通过上述处理可以获得一个低纬度的向量表示,利用该低纬度的向量表示来反映待处理工况数据。
另一种是,利用第二参数对待处理工况数据进行切分,获得多个待处理工况子数据,提取每个待处理工况子数据对应的待处理工况子特征,将所有待处理工况子特征输入工况向量表示模型,获得待处理工况向量表示。例如,待处理工况数据为车辆行驶100公里的工况数据,以每5公里为单位进行切分,共获得20条数据,其中,每条数据包括50个参数。在进行特征提取时,可以获得20*50维度的特征,将20*50维度的特征输入工况向量表示模型,获得工况向量表示,该工况向量表示可以为1*N维度的向量。其中,N小于20*50,N通常可以为128或256。也就是,通过上述处理可以获得一个低纬度的向量表示,利用该低纬度的向量表示来反映待处理工况数据。
S204:将待处理工况向量表示输入车辆故障预测模型,获得预测结果。
在本实施例中,获取待处理工况数据对应的待处理工况向量表示后,将该待处理工况向量表示作为输入数据输入上述实施例生成的车辆故障预测模型,从而获得预测结果。其中,车辆故障预测模型是利用图1所述的方法训练生成的。在具体实现时,车辆故障预测模型可以输出该车辆对应的故障类型,以及每种故障类型对应的概率值,从而便于用户直接了解即将发生的故障情况。
基于上述方法实施例,本申请实施例提供了一种车辆故障预测模型生成装置以及车辆故障预测装置,下面将结合附图进行说明。
参见图3,该图为本申请实施例提供的一种车辆故障预测模型生成装置结构图,该装置可以包括:第一获取单元301、第二获取单元302和第三获取单元303。
第一获取单元301,用于获取训练数据集合,所述训练数据集合包括携带标签的工况数据以及未携带标签的工况数据,所述训练数据集合为预设时长内所述车辆对应的工况数据。其中,关于第一获取单元301的具体实现可以参见S101的相关描述。
第二获取单元302,用于从所述训练数据集合中提取训练工况特征集合,并将所述训练工况特征集合按照时间序列输入工况向量表示模型,获取训练工况向量表示集合,所述训练工况向量表示集合包括携带标签的训练工况向量表示和未携带标签的训练工况向量表示。其中,关于第二获取单元302的具体实现可以参见S102的相关描述。
生成单元303,用于根据所述携带标签的训练工况向量表示和所述未携带标签的训练工况向量表示对初始模型的模型参数进行训练,生成车辆故障预测模型。关于生成单元303的具体实现可以参见S103的相关描述。
在一种可能的实现方式中,所述第二获取单元302,具体用于利用第一参数对所述训练数据集合进行切分,获得多个训练数据,所述第一参数为单位时间参数;获取每个所述训练数据对应的训练工况特征,并将每个所述训练数据对应的训练工况特征输入所述工况向量表示模型,获得训练工况向量表示,所述训练工况向量表示集合包括每个所述训练数据对应的训练工况向量表示。
在一种可能的实现方式中,第二获取单元302,具体用于利用第二参数对训练数据集合进行切分,获得多个训练数据,所述第二参数为单位里程参数;获取每个所述训练数据对应的训练工况特征,并将每个所述训练数据对应的训练工况特征输入所述工况向量表示模型,获得训练工况向量表示,所述训练工况向量表示集合包括每个所述训练数据对应的训练工况向量表示。
在一种可能的实现方式中,所述装置还包括:更新单元(未在图中示出)
更新单元,具体用于根据所述车辆故障预测模型对应的损失函数对所述工况向量表示模型的模型参数进行更新。关于更新单元的具体实现可以参见S102的相关描述。
在一种可能的实现方式中,所述训练工况特征集合包括电池包特征、车辆行驶特征以及车辆使用统计特征中的一种或多种。所述电池包特征至少包括电池包电压、电流、单电芯电压、电芯件压差;所述车辆使用统计特征至少包括:静置时间长度、静置次数以及静置前车电压差;所述车辆行驶特征可以包括车辆行驶速度、车辆行驶加速度等。
参见图4,该图为本申请实施例提供的一种车辆故障预测装置,所述装置包括:
第一获取单元401,用于获取待处理工况数据,所述待处理工况数据为预设时长内车辆对应的工况数据。其中,关于第一获取单元401的具体实现可以参见S201的相关描述。
第二获取单元402,用于从所述待处理工况数据中提取待处理工况特征,并将所述待处理工况特征按照时间序列输入工况向量表示模型,获取待处理工况向量表示。其中,关于第二获取单元402的具体实现可以参见S202的相关描述。
第三获取单元403,用于将所述待处理工况向量表示输入车辆故障预测模型,获得预测结果,所述车辆故障预测模型是根据权利要求1-5任一项所述的车辆故障预测模型的生成方法训练生成的。其中,关于第三获取单元403的具体实现可以参见S203的相关描述。
另外,本申请实施例还提供了一种计算机可读存储介质,所述机算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述的车辆故障预测模型的生成方法或者所述的车辆故障预测方法。
本申请实施例还提供了一种车辆故障预测模型的生成设备,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计算机程序,所述处理器执行所述计算机程序时,实现如上述的车辆故障预测模型的生成方法。
本申请实施例还提供了一种车辆故障预测的设备,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计算机程序,所述处理器执行所述计算机程序时,实现如上述的车辆故障预测的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***或装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种车辆故障预测模型生成方法,其特征在于,所述方法包括:
获取训练数据集合,所述训练数据集合包括携带标签的工况数据以及未携带标签的工况数据,所述训练数据集合为预设时长内所述车辆对应的工况数据;
从所述训练数据集合中提取训练工况特征集合,并将所述训练工况特征集合按照时间序列输入工况向量表示模型,获取训练工况向量表示集合,所述训练工况向量表示集合包括携带标签的训练工况向量表示和未携带标签的训练工况向量表示;
根据所述携带标签的训练工况向量表示和所述未携带标签的训练工况向量表示对初始模型的模型参数进行训练,生成车辆故障预测模型。
2.根据权利要求1所述的方法,其特征在于,所述从所述训练数据集合中提取训练工况特征集合,并将所述训练工况特征集合输入工况向量表示模型,获取训练工况向量表示集合,包括:
利用第一参数对所述训练数据集合进行切分,获得多个训练数据,所述第一参数为单位时间参数;
获取每个所述训练数据对应的训练工况特征,并将每个所述训练数据对应的训练工况特征输入所述工况向量表示模型,获得训练工况向量表示,所述训练工况向量表示集合包括每个所述训练数据对应的训练工况向量表示。
3.根据权利要求1所述的方法,其特征在于,所述从所述训练数据集合中提取训练工况特征集合,并将所述训练工况特征集合输入工况向量表示模型,获取训练工况向量表示集合,包括:
利用第二参数对训练数据集合进行切分,获得多个训练数据,所述第二参数为单位里程参数;
获取每个所述训练数据对应的训练工况特征,并将每个所述训练数据对应的训练工况特征输入所述工况向量表示模型,获得训练工况向量表示,所述训练工况向量表示集合包括每个所述训练数据对应的训练工况向量表示。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述车辆故障预测模型对应的损失函数对所述工况向量表示模型的模型参数进行更新。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述训练工况特征集合包括电池包特征、车辆行驶特征以及车辆使用统计特征中的一种或多种。
6.一种车辆故障预测方法,其特征在于,所述方法包括:
获取待处理工况数据,所述待处理工况数据为预设时长内车辆对应的工况数据;
从所述待处理工况数据中提取待处理工况特征,并将所述待处理工况特征按照时间序列输入工况向量表示模型,获取待处理工况向量表示;
将所述待处理工况向量表示输入车辆故障预测模型,获得预测结果,所述车辆故障预测模型是根据权利要求1-5任一项所述的车辆故障预测模型的生成方法训练生成的。
7.一种车辆故障预测模型生成装置,其特征在于,所述装置包括:
第一获取单元,用于获取训练数据集合,所述训练数据集合包括携带标签的工况数据以及未携带标签的工况数据,所述训练数据集合为预设时长内所述车辆对应的工况数据;
第二获取单元,用于从所述训练数据集合中提取训练工况特征集合,并将所述训练工况特征集合按照时间序列输入工况向量表示模型,获取训练工况向量表示集合,所述训练工况向量表示集合包括携带标签的训练工况向量表示和未携带标签的训练工况向量表示;
生成单元,用于根据所述携带标签的训练工况向量表示和所述未携带标签的训练工况向量表示对初始模型的模型参数进行训练,生成车辆故障预测模型。
8.一种车辆故障预测装置,其特征在于,所述装置包括:
第一获取单元,用于获取待处理工况数据,所述待处理工况数据为预设时长内车辆对应的工况数据;
第二获取单元,用于从所述待处理工况数据中提取待处理工况特征,并将所述待处理工况特征按照时间序列输入工况向量表示模型,获取待处理工况向量表示;
第三获取单元,用于将所述待处理工况向量表示输入车辆故障预测模型,获得预测结果,所述车辆故障预测模型是根据权利要求1-5任一项所述的车辆故障预测模型的生成方法训练生成的。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行权利要求1-5任一项所述的车辆故障预测模型的生成方法或所述权利要求6所述的车辆故障预测方法。
10.一种设备,其特征在于,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计算机程序,所述处理器执行所述计算机程序时,执行权利要求1-5任一项所述的车辆故障预测模型的生成方法或所述权利要求6所述的车辆故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011557530.8A CN112529104B (zh) | 2020-12-23 | 2020-12-23 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011557530.8A CN112529104B (zh) | 2020-12-23 | 2020-12-23 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529104A true CN112529104A (zh) | 2021-03-19 |
CN112529104B CN112529104B (zh) | 2024-06-18 |
Family
ID=74976312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011557530.8A Active CN112529104B (zh) | 2020-12-23 | 2020-12-23 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529104B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113119890A (zh) * | 2021-04-27 | 2021-07-16 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆异常的预测方法、装置和电子设备 |
CN114881321A (zh) * | 2022-04-29 | 2022-08-09 | 三一汽车起重机械有限公司 | 机械部件故障预测方法、装置、电子设备及存储介质 |
CN116755403A (zh) * | 2023-06-13 | 2023-09-15 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制***的数据采集方法及*** |
Citations (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030126071A1 (en) * | 2001-12-31 | 2003-07-03 | Keyes Tim Kerry | Methods and systems for assessing loan portfolios |
US20050165854A1 (en) * | 2004-01-23 | 2005-07-28 | Burnett Robert J. | System for managing job performance and status reporting on a computing grid |
US20070238079A1 (en) * | 2006-04-06 | 2007-10-11 | Big Brainz, Inc. | Strategic enforcement of long-term memory |
CN101464964A (zh) * | 2007-12-18 | 2009-06-24 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
JP2013225192A (ja) * | 2012-04-20 | 2013-10-31 | Nippon Telegr & Teleph Corp <Ntt> | 報酬関数推定装置、報酬関数推定方法、およびプログラム |
CN105574587A (zh) * | 2016-01-21 | 2016-05-11 | 华中科技大学 | 一种塑料注塑过程的在线工况过程监控方法 |
CN105975709A (zh) * | 2016-05-16 | 2016-09-28 | 中国石油大学(华东) | 一种多工况参数辨识优化的变压器热点温度预测方法 |
WO2016181951A1 (ja) * | 2015-05-11 | 2016-11-17 | 国立研究開発法人情報通信研究機構 | リカレント型ニューラルネットワークの学習方法及びそのためのコンピュータプログラム、並びに音声認識装置 |
CN106781502A (zh) * | 2017-01-13 | 2017-05-31 | 合肥工业大学 | 一种基于向量量化训练模型的燃油汽车路况识别方法 |
CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测*** |
CN107862339A (zh) * | 2017-11-15 | 2018-03-30 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN107909118A (zh) * | 2017-12-11 | 2018-04-13 | 北京映翰通网络技术股份有限公司 | 一种基于深度神经网络的配电网工况录波分类方法 |
CN108052975A (zh) * | 2017-12-12 | 2018-05-18 | 浙江大学宁波理工学院 | 一种基于核主元和神经网络的车辆运行实时工况预测方法 |
CN108053075A (zh) * | 2017-12-27 | 2018-05-18 | 北京中交兴路车联网科技有限公司 | 一种报废车辆预测方法及*** |
WO2018102697A1 (en) * | 2016-12-02 | 2018-06-07 | Bayerische Motoren Werke Aktiengesellschaft | System and method for estimating vehicular motion based on monocular video data |
CN108154175A (zh) * | 2017-12-22 | 2018-06-12 | 北京映翰通网络技术股份有限公司 | 一种配电网录波多工况精确识别方法 |
CN108154223A (zh) * | 2017-12-22 | 2018-06-12 | 北京映翰通网络技术股份有限公司 | 基于网络拓扑及长时序信息的配电网工况录波分类方法 |
US20180276912A1 (en) * | 2017-03-23 | 2018-09-27 | Uber Technologies, Inc. | Machine Learning for Triaging Failures in Autonomous Vehicles |
CN108983103A (zh) * | 2018-06-29 | 2018-12-11 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
WO2019042244A1 (zh) * | 2017-08-30 | 2019-03-07 | 腾讯科技(深圳)有限公司 | 图像描述生成方法、模型训练方法、设备和存储介质 |
CN109635965A (zh) * | 2018-12-24 | 2019-04-16 | 成都四方伟业软件股份有限公司 | 公车报废决策方法、装置及可读存储介质 |
WO2019105157A1 (zh) * | 2017-11-30 | 2019-06-06 | 腾讯科技(深圳)有限公司 | 摘要描述生成方法、摘要描述模型训练方法和计算机设备 |
WO2019210820A1 (zh) * | 2018-05-03 | 2019-11-07 | 华为技术有限公司 | 一种信息输出方法及装置 |
US20190378048A1 (en) * | 2018-06-08 | 2019-12-12 | Microsoft Technology Licensing, Llc | Time-factored performance prediction |
CN110598802A (zh) * | 2019-09-26 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
CN110610260A (zh) * | 2019-08-21 | 2019-12-24 | 南京航空航天大学 | 行车能耗预测***、方法、存储介质和设备 |
CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
US20200114926A1 (en) * | 2018-10-16 | 2020-04-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Vehicle velocity predictor using neural networks based on v2x data augmentation to enable predictive optimal control of connected and automated vehicles |
CN111047085A (zh) * | 2019-12-06 | 2020-04-21 | 北京理工大学 | 一种基于元学习的混合动力车辆工况预测方法 |
CN111144548A (zh) * | 2019-12-23 | 2020-05-12 | 北京寄云鼎城科技有限公司 | 抽油机井工况的识别方法及装置 |
CN111242364A (zh) * | 2020-01-07 | 2020-06-05 | 上海钧正网络科技有限公司 | 基于神经网络的车辆故障和舒适度预测方法、装置、终端及介质 |
CN111460701A (zh) * | 2020-03-09 | 2020-07-28 | 中海油田服务股份有限公司 | 一种故障诊断模型训练方法和装置 |
WO2020156153A1 (zh) * | 2019-01-29 | 2020-08-06 | 腾讯科技(深圳)有限公司 | 音频识别方法、***和机器设备 |
US20200265247A1 (en) * | 2019-02-19 | 2020-08-20 | Tesla, Inc. | Estimating object properties using visual image data |
WO2020166321A1 (ja) * | 2019-02-12 | 2020-08-20 | 日本電信電話株式会社 | モデル学習装置、ラベル推定装置、それらの方法、およびプログラム |
CN111680730A (zh) * | 2020-06-01 | 2020-09-18 | 中国第一汽车股份有限公司 | 一种地理围栏的生成方法、装置、计算机设备和存储介质 |
CN111680382A (zh) * | 2019-02-25 | 2020-09-18 | 北京嘀嘀无限科技发展有限公司 | 等级预测模型训练方法、等级预测方法、装置及电子设备 |
WO2020187113A1 (zh) * | 2019-03-15 | 2020-09-24 | 中国汽车技术研究中心有限公司 | 一种用于预测单车排放量的方法 |
CN111768220A (zh) * | 2019-06-28 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 生成车辆定价模型的方法和装置 |
US20200349246A1 (en) * | 2019-04-30 | 2020-11-05 | TruU, Inc. | Supervised and Unsupervised Techniques For Motion Classification |
CN112001440A (zh) * | 2020-08-20 | 2020-11-27 | 苏州鸿哲智能科技有限公司 | 一种故障诊断逻辑算法及*** |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
WO2020248391A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 案由分类方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-23 CN CN202011557530.8A patent/CN112529104B/zh active Active
Patent Citations (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030126071A1 (en) * | 2001-12-31 | 2003-07-03 | Keyes Tim Kerry | Methods and systems for assessing loan portfolios |
US20050165854A1 (en) * | 2004-01-23 | 2005-07-28 | Burnett Robert J. | System for managing job performance and status reporting on a computing grid |
US20070238079A1 (en) * | 2006-04-06 | 2007-10-11 | Big Brainz, Inc. | Strategic enforcement of long-term memory |
CN101464964A (zh) * | 2007-12-18 | 2009-06-24 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
JP2013225192A (ja) * | 2012-04-20 | 2013-10-31 | Nippon Telegr & Teleph Corp <Ntt> | 報酬関数推定装置、報酬関数推定方法、およびプログラム |
WO2016181951A1 (ja) * | 2015-05-11 | 2016-11-17 | 国立研究開発法人情報通信研究機構 | リカレント型ニューラルネットワークの学習方法及びそのためのコンピュータプログラム、並びに音声認識装置 |
CN105574587A (zh) * | 2016-01-21 | 2016-05-11 | 华中科技大学 | 一种塑料注塑过程的在线工况过程监控方法 |
CN105975709A (zh) * | 2016-05-16 | 2016-09-28 | 中国石油大学(华东) | 一种多工况参数辨识优化的变压器热点温度预测方法 |
WO2018102697A1 (en) * | 2016-12-02 | 2018-06-07 | Bayerische Motoren Werke Aktiengesellschaft | System and method for estimating vehicular motion based on monocular video data |
CN106781502A (zh) * | 2017-01-13 | 2017-05-31 | 合肥工业大学 | 一种基于向量量化训练模型的燃油汽车路况识别方法 |
US20180276912A1 (en) * | 2017-03-23 | 2018-09-27 | Uber Technologies, Inc. | Machine Learning for Triaging Failures in Autonomous Vehicles |
WO2019042244A1 (zh) * | 2017-08-30 | 2019-03-07 | 腾讯科技(深圳)有限公司 | 图像描述生成方法、模型训练方法、设备和存储介质 |
CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测*** |
CN107862339A (zh) * | 2017-11-15 | 2018-03-30 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
WO2019105157A1 (zh) * | 2017-11-30 | 2019-06-06 | 腾讯科技(深圳)有限公司 | 摘要描述生成方法、摘要描述模型训练方法和计算机设备 |
CN107909118A (zh) * | 2017-12-11 | 2018-04-13 | 北京映翰通网络技术股份有限公司 | 一种基于深度神经网络的配电网工况录波分类方法 |
CN108052975A (zh) * | 2017-12-12 | 2018-05-18 | 浙江大学宁波理工学院 | 一种基于核主元和神经网络的车辆运行实时工况预测方法 |
CN108154223A (zh) * | 2017-12-22 | 2018-06-12 | 北京映翰通网络技术股份有限公司 | 基于网络拓扑及长时序信息的配电网工况录波分类方法 |
CN108154175A (zh) * | 2017-12-22 | 2018-06-12 | 北京映翰通网络技术股份有限公司 | 一种配电网录波多工况精确识别方法 |
CN108053075A (zh) * | 2017-12-27 | 2018-05-18 | 北京中交兴路车联网科技有限公司 | 一种报废车辆预测方法及*** |
WO2019210820A1 (zh) * | 2018-05-03 | 2019-11-07 | 华为技术有限公司 | 一种信息输出方法及装置 |
US20190378048A1 (en) * | 2018-06-08 | 2019-12-12 | Microsoft Technology Licensing, Llc | Time-factored performance prediction |
CN108983103A (zh) * | 2018-06-29 | 2018-12-11 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
US20200114926A1 (en) * | 2018-10-16 | 2020-04-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Vehicle velocity predictor using neural networks based on v2x data augmentation to enable predictive optimal control of connected and automated vehicles |
CN109635965A (zh) * | 2018-12-24 | 2019-04-16 | 成都四方伟业软件股份有限公司 | 公车报废决策方法、装置及可读存储介质 |
WO2020156153A1 (zh) * | 2019-01-29 | 2020-08-06 | 腾讯科技(深圳)有限公司 | 音频识别方法、***和机器设备 |
WO2020166321A1 (ja) * | 2019-02-12 | 2020-08-20 | 日本電信電話株式会社 | モデル学習装置、ラベル推定装置、それらの方法、およびプログラム |
US20200265247A1 (en) * | 2019-02-19 | 2020-08-20 | Tesla, Inc. | Estimating object properties using visual image data |
CN111680382A (zh) * | 2019-02-25 | 2020-09-18 | 北京嘀嘀无限科技发展有限公司 | 等级预测模型训练方法、等级预测方法、装置及电子设备 |
WO2020187113A1 (zh) * | 2019-03-15 | 2020-09-24 | 中国汽车技术研究中心有限公司 | 一种用于预测单车排放量的方法 |
US20200349246A1 (en) * | 2019-04-30 | 2020-11-05 | TruU, Inc. | Supervised and Unsupervised Techniques For Motion Classification |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
WO2020248391A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 案由分类方法、装置、计算机设备和存储介质 |
CN111768220A (zh) * | 2019-06-28 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 生成车辆定价模型的方法和装置 |
CN110610260A (zh) * | 2019-08-21 | 2019-12-24 | 南京航空航天大学 | 行车能耗预测***、方法、存储介质和设备 |
CN111078479A (zh) * | 2019-09-26 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
CN110598802A (zh) * | 2019-09-26 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
CN111047085A (zh) * | 2019-12-06 | 2020-04-21 | 北京理工大学 | 一种基于元学习的混合动力车辆工况预测方法 |
CN111144548A (zh) * | 2019-12-23 | 2020-05-12 | 北京寄云鼎城科技有限公司 | 抽油机井工况的识别方法及装置 |
CN111242364A (zh) * | 2020-01-07 | 2020-06-05 | 上海钧正网络科技有限公司 | 基于神经网络的车辆故障和舒适度预测方法、装置、终端及介质 |
CN111460701A (zh) * | 2020-03-09 | 2020-07-28 | 中海油田服务股份有限公司 | 一种故障诊断模型训练方法和装置 |
CN111680730A (zh) * | 2020-06-01 | 2020-09-18 | 中国第一汽车股份有限公司 | 一种地理围栏的生成方法、装置、计算机设备和存储介质 |
CN112001440A (zh) * | 2020-08-20 | 2020-11-27 | 苏州鸿哲智能科技有限公司 | 一种故障诊断逻辑算法及*** |
Non-Patent Citations (2)
Title |
---|
DI, YUAN等: "Fault prediction of power electronics modules and systems under complex working conditions", 《COMPUTERS IN INDUSTRY》, vol. 97, 31 December 2018 (2018-12-31), pages 1 - 9 * |
李佩琦: "基于影响因素分析的高速公路机电设备备件需求预测", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 1, 15 January 2020 (2020-01-15), pages 034 - 196 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113119890A (zh) * | 2021-04-27 | 2021-07-16 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆异常的预测方法、装置和电子设备 |
CN114881321A (zh) * | 2022-04-29 | 2022-08-09 | 三一汽车起重机械有限公司 | 机械部件故障预测方法、装置、电子设备及存储介质 |
CN116755403A (zh) * | 2023-06-13 | 2023-09-15 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制***的数据采集方法及*** |
CN116755403B (zh) * | 2023-06-13 | 2024-03-26 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制***的数据采集方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112529104B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529104A (zh) | 一种车辆故障预测模型生成方法、故障预测方法及装置 | |
JP6010133B2 (ja) | 属性データ区間の分類 | |
CN108959004B (zh) | 磁盘故障预测方法、装置、设备及计算机可读存储介质 | |
CN110647456B (zh) | 一种存储设备的故障预测方法、***及相关装置 | |
JP2020148560A (ja) | 電池寿命学習装置、方法、プログラム、電池寿命予測装置、方法及びプログラム | |
CN110502751B (zh) | 大电网运行态势感知方法、终端设备和存储介质 | |
US11777824B2 (en) | Anomaly detection method and apparatus | |
EP3806008A1 (en) | Model generation device for lifespan prediction, model generation method for lifespan prediction, and storage medium storing model generation program for lifespan prediction | |
CN110781316A (zh) | 一种融合超平面和持续时间建模的时间感知知识表示学习方法 | |
CN102053978B (zh) | 单句的主题词提取方法和装置 | |
CN116561748A (zh) | 一种组件子序列相关性感知的日志异常检测装置 | |
CN116739829A (zh) | 一种基于大数据的电力数据分析方法、***及介质 | |
CN103617146A (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
CN111582589A (zh) | 一种租车出险预测方法、装置、设备及存储介质 | |
US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
CN117727043A (zh) | 信息重构模型的训练、图像检索方法、装置及设备 | |
CN113123955A (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN113809365B (zh) | 氢燃料电池***电压衰减的确定方法、***及电子设备 | |
CN112950030B (zh) | 电动汽车的残差评估方法、装置、电子设备及存储介质 | |
CN112835774B (zh) | 显卡性能的可视化方法及装置、设备、计算机可读存储介质 | |
CN116414783A (zh) | 一种日志检测方法、装置、电子设备和存储介质 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
CN116755910B (zh) | 基于冷启动的宿主机高可用预测方法、装置和电子设备 | |
CN108664900A (zh) | 一种用于识别文字作品异同的方法与设备 |
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 |