CN112785016A - 基于机器学习的新能源汽车保养维护与故障监测诊断方法 - Google Patents
基于机器学习的新能源汽车保养维护与故障监测诊断方法 Download PDFInfo
- Publication number
- CN112785016A CN112785016A CN202110193396.6A CN202110193396A CN112785016A CN 112785016 A CN112785016 A CN 112785016A CN 202110193396 A CN202110193396 A CN 202110193396A CN 112785016 A CN112785016 A CN 112785016A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle state
- data set
- vehicle
- feature
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000012423 maintenance Methods 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 230000000306 recurrent effect Effects 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 82
- 230000006870 function Effects 0.000 claims description 42
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000011049 filling Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 21
- 238000001228 spectrum Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种基于机器学习的新能源汽车保养维护与故障监测诊断方法,涉及新能源汽车装置监测与故障诊断应用领域。本申请实施例提供的基于机器学习的新能源汽车保养维护与故障监测诊断方法首先获取新能源汽车的车辆状态数据集,对车辆状态数据集进行特征提取,形成初步特征数据集,然后对初步特征数据集进行预训练,产生嵌入式特征向量集,并将嵌入式特征向量集作为循环神经网络的输入进行训练,得到车辆故障监测诊断算法模型,最后基于车辆故障监测诊断算法模型,通过接收的车辆状态数据,对车辆状态进行监测与故障分析。从而可以及时有效地监测车辆运行状况,进而可以避免车辆故障带来安全隐患和经济损失,提高车辆的行驶安全。
Description
技术领域
本发明涉及新能源汽车装置监测与故障诊断应用领域,尤其涉及基于机器学习的新能源汽车保养维护与故障监测诊断方法。
背景技术
近年来,公共交通行业新能源车辆的普及率大幅度提升,为城市环保做出了巨大贡献。目前,我国市场上普遍存在的是纯电动和插电混合式两种类型的新能源车辆。现有的新能源汽车维保技术方案主要按照传统汽车行业常规维保经验,对车辆采用定期或者车辆行驶到固定的里程数时,进行保养、维护与故障检测与诊断。而由于司机的驾驶习惯以及实际车况的不同,车辆可能存在未到维保方案的保养期限或者里程数时就会发生故障,尤其是一些不会直接被察觉的故障。例如:电池管理***出现故障会导致电池出现充电不满,点火装置的温度过高可能出现漏电以及短路等问题。
此外,新能源汽车在我国发展历程较短,现阶段的车辆保养维护与检修技术会出现由于故障检测不全面而导致车辆存在安全隐患。如果这些故障不能及时地被发现和解决,长久以往,就极有可能会对车辆造成更加严重且不可恢复的损坏。
总之,现阶段新能源汽车维保技术方案无法及时准确地监测和发现车辆可能出现的故障,无法对车辆状况进行客观定性与量化分析,无法形成科学有效地的车辆保养维护与故障监测诊断体系。
发明内容
为解决相关技术中存在的技术问题,本申请实施例提供一种基于机器学习的新能源汽车保养维护与故障监测诊断方法,可以实现对新能源汽车的车辆状态进行精准监测与故障诊断分析,以便用户能够及时且高效率地对车辆进行维保和检修工作。
为达到上述目的,本申请实施例的技术方案是这样实现的:
第一方面,本申请实施例提供了一种基于机器学习的新能源汽车保养维护与故障监测诊断方法,包括:
获取新能源汽车的车辆状态数据集;
对所述车辆状态数据集进行特征提取,形成初步特征数据集;
对所述初步特征数据集进行预训练,产生嵌入式特征向量集;
将所述嵌入式特征向量集作为循环神经网络的输入进行训练,得到车辆故障监测诊断算法模型;
基于所述车辆故障监测诊断算法模型,通过接收的车辆状态数据,对车辆状态进行监测与故障分析。
本申请实施例提供的基于机器学习的新能源汽车保养维护与故障监测诊断方法,首先获取新能源汽车的车辆状态数据集,对车辆状态数据集进行特征提取,形成初步特征数据集,然后对初步特征数据集进行预训练,产生嵌入式特征向量集,并将嵌入式特征向量集作为循环神经网络的输入进行训练,得到车辆故障监测诊断算法模型,最后基于车辆故障监测诊断算法模型,通过接收的车辆状态数据,对车辆状态进行监测与故障分析。从而可以及时有效地监测车辆运行状况,进而可以避免车辆故障带来安全隐患和经济损失,提高车辆的行驶安全。
在一种可选的实施例中,所述获取新能源汽车的车辆状态数据集,包括:
获取新能源汽车的机械结构类型、电子控制***以及高压设备***三种类型的车辆状态数据集;所述车辆状态数据集包括电流数据、温度数据、振动数据、摆幅数据和转速数据。
在该实施例中,获取新能源汽车的机械结构类型、电子控制***以及高压设备***三种类型的车辆状态数据集,并且车辆状态数据集可以包括电流数据、温度数据、振动数据、摆幅数据和转速数据。从而使得所采集的车辆状态数据集可以尽可能全面地反映新能源汽车的各种运行状态。
在一种可选的实施例中,对所述车辆状态数据集进行特征提取,形成初步特征数据集,包括:
根据所述车辆状态数据集的值域类型差异,从时域特征方面、频域特征方面以及时频域特征方面对所述车辆状态数据集进行特征提取,得到所述车辆状态数据集对应的初步特征数据集。
在该实施例中,根据车辆状态数据集的值域类型差异,可以从时域特征方面、频域特征方面以及时频域特征方面对车辆状态数据集进行特征提取,得到车辆状态数据集对应的初步特征数据集。从而可以得到能够反映新能源汽车运行状态的初步特征数据集,以便后续对模型进行训练。
在一种可选的实施例中,所述从时域特征方面、频域特征方面以及时频域特征方面对所述车辆状态数据集进行特征提取,包括:
对所述车辆状态数据集的电流数据和温度数据,采用时频域特征进行特征提取;其中,所述时频域特征是采用基于小波变换的多尺度空间能量分布特征提取方法,对原始传感信号进行频带分析,并依次分别计算所得各个频带的能量值,将所述能量值作为所述电流数据和所述温度数据的特征数据;
对所述车辆状态数据集的振动数据,采用频域特征进行特征提取;
通过离散余弦变换,经过两次傅里叶变换后的频谱图,取幅度最大的前N个系数作为该段振动信号的特征数据;
对所述车辆状态数据集的转速数据和摆幅数据,采用时域特征进行特征提取,特征数据包括数据的平均值、标准差、变异***以及均方根值。
在该实施例中,对车辆状态数据集的电流数据和温度数据,可以采用时频域特征进行特征提取。其中,时频域特征是采用基于小波变换的多尺度空间能量分布特征提取方法,对原始传感信号进行频带分析,并依次分别计算所得各个频带的能量值,将能量值作为电流数据和温度数据的特征数据。对车辆状态数据集的振动数据,可以采用频域特征进行特征提取,通过离散余弦变换,经过两次傅里叶变换后的频谱图,取幅度最大的前N个系数作为该段振动信号的特征数据。对车辆状态数据集的转速数据和摆幅数据,可以采用时域特征进行特征提取,并且该特征数据主要包括数据的平均值、标准差、变异***以及均方根值。通过各个方面对车辆状态数据集进行特征提取,从而可以确定出能够更加全面反映新能源汽车运行状态的初步特征数据集。
在一种可选的实施例中,所述对所述车辆状态数据集的振动数据,采用频域特征进行特征提取,包括:
基于倒谱分析,利用所述振动数据的频谱包络对所述振动数据进行特征提取。
在该实施例中,可以基于倒谱分析,利用振动数据的频谱包络对振动数据进行特征提取。从而可以确定出更加合理的振动数据。
在一种可选的实施例中,所述获取新能源汽车的车辆状态数据集之后,所述方法还包括:
对所述车辆状态数据集进行缺失值处理、数据去噪处理以及数据归一化处理。
在该实施例中,在获取到新能源汽车的车辆状态数据集之后,可以对车辆状态数据集进行缺失值处理、数据去噪处理以及数据归一化处理。由于在形成初步特征数据集之前对车辆状态数据集进行处理,因此可以形成能够更加全面反映新能源汽车运行状态的初步特征数据集。
在一种可选的实施例中,所述缺失值处理包括插补数据处理、删除数据处理和不进行处理;所述对所述车辆状态数据集进行缺失值处理,包括:
使用中位数填充方法对所述电流数据、所述温度数据、所述转速数据和所述摆幅数据进行处理;
采用删除数据方法对振动数据的缺失值进行处理;
所述对所述车辆状态数据集进行数据去噪处理,包括:
采用随机森林回归方法,通过设置滑动窗口的参数完成对数据集的遍历,对正常索引部分值进行建模,对异常部分值进行预测;
所述对所述车辆状态数据集进行数据归一化处理,包括:
采用聚类算法对所述车辆状态数据集进行聚类分析。
在该实施例中,缺失值处理可以包括插补数据处理、删除数据处理和不进行处理,则可以使用中位数填充方法对电流数据、温度数据、转速数据和摆幅数据进行处理,采用删除数据方法对振动数据的缺失值进行处理,从而完成对车辆状态数据集的缺失值处理。可以采用随机森林回归方法,通过设置滑动窗口的参数完成对数据集的遍历,对正常索引部分值进行建模,对异常部分值进行预测,从而完成对车辆状态数据集的数据去噪处理。可以采用聚类算法对车辆状态数据集进行聚类分析,从而完成对车辆状态数据集的数据归一化处理。
在一种可选的实施例中,对所述初步特征数据集进行预训练,产生嵌入式特征向量集,包括:
使用所述初步特征数据集作为样本数据,采用提升树LightGBM算法进行训练,得到对应的LightGBM算法弱分类器;
将所述样本数据重新输入所述弱分类器,根据每个样本数据在所述弱分类器表现决定所述样本数据在下一个弱分类器的分布;
将每个样本数据在所述弱分类器上叶节点的索引值作为所述样本数据的新特征,重复执行将所述样本数据重新输入所述弱分类器的步骤,根据所述样本数据的分布,确定损失函数的值,直到所述损失函数的值达到设定阈值或所述损失函数的值的变化幅度达到设定阈值为止,得到设定数量的弱分类器;
将所有的弱分类器加权结合得到提升树模型;
将通过预训练所得到的提升树模型作为特征转换器,对所述初步特征数据集输入所述提升树模型,基于所述提升树模型对所述初步特征数据集进行拼接和嵌入式表示,得到嵌入式特征向量集。
在该实施例中,可以使用初步特征数据集作为样本数据,采用提升树LightGBM算法进行训练,得到对应的LightGBM算法弱分类器,并将样本数据重新输入该弱分类器中,根据每个样本数据在该弱分类器的表现决定样本数据在下一个弱分类器的分布,将每个样本数据在该弱分类器上叶节点的索引值作为该样本数据的新特征,重复执行将样本数据重新输入弱分类器的步骤,根据样本数据的分布,确定损失函数的值,直到损失函数的值达到设定阈值或损失函数的值的变化幅度达到设定阈值为止,得到设定数量的弱分类器。可以将所有的弱分类器加权结合得到提升树模型,并将通过预训练所得到的提升树模型作为特征转换器,将初步特征数据集输入该提升树模型,基于该提升树模型对初步特征数据集进行拼接和嵌入式表示,从而可以得到嵌入式特征向量集。
在一种可选的实施例中,所述循环神经网络包括两个神经网络,所述两个神经网络以堆叠形式进行拼接,将一个神经网络的隐层作为另一个神经网络的输入;所述将所述嵌入式特征向量集作为循环神经网络的输入进行训练,得到车辆故障监测诊断算法模型,包括:
将所述嵌入式特征向量集输入所述循环神经网络,对所述循环神经网络进行训练,得到车辆故障诊断算法模型。
在该实施例中,循环神经网络包括两个神经网络,并且两个神经网络以堆叠形式进行拼接,可以将一个神经网络的隐层作为另一个神经网络的输入,则可以将嵌入式特征向量集输入循环神经网络,对循环神经网络进行训练,得到车辆故障诊断算法模型。从而得到可以对新能源汽车的车辆状态数据进行监测和故障分析的车辆故障诊断算法模型。
第二方面,本申请实施例还提供了一种基于机器学习的新能源汽车保养维护与故障监测诊断装置,所述装置包括:
数据获取单元,用于获取新能源汽车的车辆状态数据集;
数据处理单元,用于对所述车辆状态数据集进行特征提取,形成初步特征数据集;
数据预训练单元,用于对所述初步特征数据集进行预训练,产生嵌入式特征向量集;
算法模型确定单元,用于将所述嵌入式特征向量集作为循环神经网络的输入进行训练,得到车辆故障监测诊断算法模型;
故障监测单元,用于基于所述车辆故障监测诊断算法模型,通过接收的车辆状态数据,对车辆状态进行监测与故障分析。
在一种可选的实施例中,所述数据获取单元,具体用于:
获取新能源汽车的机械结构类型、电子控制***以及高压设备***三种类型的车辆状态数据集;所述车辆状态数据集包括电流数据、温度数据、振动数据、摆幅数据和转速数据。
在一种可选的实施例中,所述数据处理单元,具体用于:
根据所述车辆状态数据集的值域类型差异,从时域特征方面、频域特征方面以及时频域特征方面对所述车辆状态数据集进行特征提取,得到所述车辆状态数据集对应的初步特征数据集。
在一种可选的实施例中,所述数据处理单元,还用于:
对所述车辆状态数据集的电流数据和温度数据,采用时频域特征进行特征提取;其中,所述时频域特征是采用基于小波变换的多尺度空间能量分布特征提取方法,对原始传感信号进行频带分析,并依次分别计算所得各个频带的能量值,将所述能量值作为所述电流数据和所述温度数据的特征数据;
对所述车辆状态数据集的振动数据,采用频域特征进行特征提取;
通过离散余弦变换,经过两次傅里叶变换后的频谱图,取幅度最大的前N个系数作为该段振动信号的特征数据;
对所述车辆状态数据集的转速数据和摆幅数据,采用时域特征进行特征提取,特征数据主要包括数据的平均值、标准差、变异***以及均方根值。
在一种可选的实施例中,所述数据处理单元,还用于:
基于倒谱分析,利用所述振动数据的频谱包络对所述振动数据进行特征提取。
在一种可选的实施例中,所述数据处理单元,还用于:
对所述车辆状态数据集进行缺失值处理、数据去噪处理以及数据归一化处理。
在一种可选的实施例中,所述缺失值处理包括插补数据处理、删除数据处理和不进行处理;所述数据处理单元,还用于:
使用中位数填充方法对所述电流数据、所述温度数据、所述转速数据和所述摆幅数据进行处理;
采用删除数据方法对振动数据的缺失值进行处理;
以及采用随机森林回归方法,通过设置滑动窗口的参数完成对数据集的遍历,对正常索引部分值进行建模,对异常部分值进行预测;
以及使用聚类算法对所述车辆状态数据集进行聚类分析。
在一种可选的实施例中,所述数据预训练单元,具体用于:
使用所述初步特征数据集作为样本数据,采用提升树LightGBM算法进行训练,得到对应的LightGBM算法弱分类器;
将所述样本数据重新输入所述弱分类器,根据每个样本数据在所述弱分类器表现决定所述样本数据在下一个弱分类器的分布;
将每个样本数据在所述弱分类器上叶节点的索引值作为所述样本数据的新特征,重复执行将所述样本数据重新输入所述弱分类器的步骤,根据所述样本数据的分布,确定损失函数的值,直到所述损失函数的值达到设定阈值或所述损失函数的值的变化幅度达到设定阈值为止,得到设定数量的弱分类器;
将所有的弱分类器加权结合得到提升树模型;
将通过预训练所得到的提升树模型作为特征转换器,对所述初步特征数据集输入所述提升树模型,基于所述提升树模型对所述初步特征数据集进行拼接和嵌入式表示,得到嵌入式特征向量集。
在一种可选的实施例中,所述循环神经网络包括两个神经网络,所述两个神经网络以堆叠形式进行拼接,将一个神经网络的隐层作为另一个神经网络的输入;所述算法模型确定单元,具体用于:
将所述嵌入式特征向量集输入所述循环神经网络,对所述循环神经网络进行训练,得到车辆故障诊断算法模型。
第三方面,本申请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内存储有计算机程序,所述计算机程序被处理器执行时,实现第一方面的基于机器学习的新能源汽车保养维护与故障监测诊断方法。
第四方面,本申请实施例还提供了一种电子设备,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器实现第一方面的基于机器学习的新能源汽车保养维护与故障监测诊断方法。
第五方面,本申请实施例还提供了一种基于机器学习的新能源汽车保养维护与故障监测诊断***,所述***包括线下模型训练单元和线上部署实时监测诊断单元:
所述线下模型训练单元通过获得离线历史数据,构建车辆故障监测诊断算法模型;
所述线上部署实时监测诊断单元用于对得到的车辆故障监测诊断算法模型进行功能实现,并部署到云平台服务端;所述云平台服务端用于对接收的实时数据进行处理,实现对车辆状态实时监测与故障诊断分析。
第二方面至第五方面中任意一种实现方式所带来的技术效果可参见第一方面的实现方式所带来的技术效果,此处不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于机器学习的新能源汽车保养维护与故障监测诊断***的结构示意图;
图2为本申请实施例提供的一种基于机器学习的新能源汽车保养维护与故障监测诊断***的执行流程示意图;
图3为本申请实施例提供的一种基于机器学习的新能源汽车保养维护与故障监测诊断方法的流程图;
图4为本申请实施例提供的一种特征提取方法的流程图;
图5为本申请实施例提供的另一种基于机器学习的新能源汽车保养维护与故障监测诊断方法的流程图;
图6为本申请实施例提供的一种提升树模型的训练方法的流程图;
图7为本申请实施例提供的一种提升树模型的结构示意图;
图8为本申请实施例提供的一种循环神经网络的训练方法的流程图;
图9为本申请实施例提供的另一种基于机器学习的新能源汽车保养维护与故障监测诊断方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下边将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
需要说明的是,本申请的文件中涉及的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面将结合附图,对本申请实施例提供的技术方案进行详细说明。
下文中所用的词语“示例性”的意思为“用作例子、实施例或说明性”。作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
图1中示例性地示出了一种车辆故障检测***的结构示意图。如图1所示,基于机器学***台服务端300。
其中,设备接入模块100可以包括传感器单元110、控制单元120和通信链路单元130。传感器单元110用于采集新能源汽车的减速器、变速器、传动轴、转向、悬架、电池管理控制***、电机控制***、整车控制***、动力总成***、动力电池、电动压缩机、PTC(Positive Temperature Coefficient,正温度系数)加热器和逆变器共13个位置的车辆状态数据。并且采集到的减速器、变速器、传动轴、转向和悬架位置的车辆状态数据为机械结构类型数据,采集到的电池管理控制***、电机控制***、整车控制***和动力总成***位置的车辆状态数据为电子控制***类型数据,采集到的动力电池、电动压缩机、PTC加热器和逆变器位置的车辆状态数据为高压设备类型数据。传感器单元110采集到的车辆状态数据为模拟数据。
控制单元120为数据采集卡,可以将传感器单元110获取到的模拟数据转换为数字数据,并将转换得到的数字数据存储到相关寄存器中。通信链路单元130可以包括串口服务器以及***设备接入模块中所有单元之间的通信链路。其中,串口服务器起到的作用有:第一,汇集通信线路的作用,即将多个传感器组件的串口通信线路变为一条以太网线路,以简化***规模;第二,提供联网功能,即串口服务器提供向TCP/IP协议进行转换的功能,可以将车辆数据发送至网关模块;第三,扩展通信距离,即串口设备通信距离有限,通过串口转网口实现保证传输速率前提下扩展其传输距离。
本地网关模块200用于获取***设备接入模块100中的车辆状态数据,并对车辆状态数据进行存储,以及将车辆状态数据通过无线网络推送至云平台服务端300。
云平台服务端300由多个服务器构成,用于接收本地网关模块200推送的车辆状态数据,并对车辆状态数据进行存储,以及根据车辆状态数据对车辆故障监测诊断算法模型进行训练和根据已训练的车辆故障监测诊断算法模型对车辆状态进行监测与故障分析。
具体地,如图2所示,基于机器学习的新能源汽车保养维护与故障监测诊断***可以对新能源汽车车辆装置中的车辆状态数据进行数据采集,得到历史数据和监测数据,进而对数据进行特征提取,得到对应的特征向量。根据特征向量建立车辆故障监测诊断算法模型,得到模型后,可以采用车辆故障监测诊断算法模型进行故障识别,可以分别得到故障定性诊断和可靠性评估。根据故障定性诊断可以得到故障模式,根据可靠性评估可以得到状态趋势,进而根据故障模式和状态趋势得到对新能源汽车的保养维护决策。通过保养维护决策可以确定出对新能源汽车进行保养与维护的详细决策信息。
在一些实施例中,上述云平台服务端300执行的基于机器学习的新能源汽车保养维护与故障监测诊断方法的流程图可以如图3所示,包括以下步骤:
步骤S301,获取新能源汽车的车辆状态数据集。
可以获取新能源汽车的机械结构类型、电子控制***以及高压设备***三种类型的车辆状态数据集,并且车辆状态数据集可以包括电流数据、温度数据、振动数据、摆幅数据和转速数据。
步骤S302,对车辆状态数据集进行特征提取,形成初步特征数据集。
在获取到新能源汽车的车辆状态数据集后,可以根据车辆状态数据集的值域类型差异,从时域特征方面、频域特征方面以及时频域特征方面对车辆状态数据集进行特征提取,得到车辆状态数据集对应的初步特征数据集。
具体地,可以将时域特征和时频域特征相结合对车辆状态数据集中的电流数据和温度数据进行特征提取,其中,时频域特征是采用基于小波变换的多尺度空间能量分布特征提取方法,对原始传感信号进行频带分析,并依次分别计算所得各个频带的能量值,并将能量值作为电流数据和温度数据的特征数据。
可以采用频域特征对车辆状态数据集中的振动数据进行特征提取,即基于倒谱分析,利用振动数据的频谱包络对振动数据进行特征提取。通过离散余弦变换,经过两次傅里叶变换后的频谱图,取幅度最大的前15个系数作为该段振动信号的特征数据。
可以采用时域特征对车辆状态数据集中的转速数据和摆幅数据进行特征提取,并且该特征数据可以包括数据的平均值、标准差、变异***以及均方根值。由于转速数据和摆幅数据的波形平缓且相似,数据变化不明显,因此对转速数据和摆幅数据两类数据进行特征提取的特征数量会相对较少。
步骤S303,对初步特征数据集进行预训练,产生嵌入式特征向量集。
将初步特征数据集作为样本数据,采用提升树模型(LightGBM,Light GradientBoosting Machine)对样本数据进行训练,可以得到对应的LightGBM弱分类器。将样本数据重新输入到LightGBM弱分类器中,根据每个样本数据在LightGBM弱分类器中的表现决定样本数据在下一个LightGBM弱分类器中的分布。将每个样本数据在LightGBM弱分类器上叶节点的索引值作为样本数据的新特征,重复执行将样本数据重新输入LightGBM弱分类器的步骤,根据样本数据的分布,确定损失函数的值,直到损失函数的值达到设定阈值或损失函数的值的变化幅度达到设定阈值为止,可以得到设定数量的LightGBM弱分类器。可以将所有的LightGBM弱分类器加权结合得到LightGBM,进而可以将通过预训练所得到的LightGBM作为特征转换器,将初步特征数据集输入到LightGBM中,基于LightGBM可以对初步特征数据集进行拼接和嵌入式表示,得到嵌入式特征向量集。
步骤S304,将嵌入式特征向量集作为循环神经网络的输入进行训练,得到车辆故障监测诊断算法模型。
循环神经网络可以包括两个神经网络,并且两个神经网络以堆叠形式进行拼接,可以将一个神经网络的隐层作为另一个神经网络的输入,则可以将嵌入式特征向量集输入到循环神经网络中,以对循环神经网络进行训练,得到车辆故障诊断算法模型。
步骤S305,基于车辆故障监测诊断算法模型,通过接收的车辆状态数据,对车辆状态进行监测与故障分析。
在得到已训练的车辆故障诊断算法模型后,可以将接收到的车辆状态数据输入到车辆故障监测诊断算法模型中,从而可以对新能源汽车的车辆状态进行实时监测与故障分析。
在一种实施例中,获取到新能源汽车的车辆状态数据集之后,还可以对车辆状态数据集进行预处理,即对车辆状态数据集进行缺失值处理、数据去噪处理以及数据归一化处理。具体地,缺失值处理通常包括插补数据处理、删除数据处理和不进行处理,则可以使用中位数填充方法对车辆状态数据集中的电流数据、温度数据、转速数据和摆幅数据进行处理,采用删除数据方法对车辆状态数据集中的振动数据的缺失值进行处理。可以采用随机森林回归方法,通过设置滑动窗口的参数来完成对车辆状态数据集的遍历,对正常索引部分值进行建模,对异常部分值进行预测。可以采用聚类算法对车辆状态数据集进行聚类分析。
本申请实施例提供的基于机器学习的新能源汽车保养维护与故障监测诊断方法,首先获取新能源汽车的车辆状态数据集,对车辆状态数据集进行处理分析、特征筛选与提取,形成初步特征数据集,然后对初步特征数据集进行预训练,产生嵌入式特征向量集,并将嵌入式特征向量集作为循环神经网络的输入进行训练,得到车辆故障监测诊断算法模型,最后基于车辆故障监测诊断算法模型,通过接收的车辆状态数据,对车辆状态进行监测与故障分析。从而可以及时而准确地检测出待检测车辆中存在的故障类型,提高对车辆进行故障检测的准确率,进而可以避免车辆故障带来安全隐患和经济损失,提高车辆的行驶安全。
在一种实施例中,由于获取到的新能源汽车的车辆状态数据集是传感信号,而传感信号往往具有线性和非平稳性的特点,因此可以采用小波变换的方法对车辆状态数据集中的电流数据和温度数据的时频域特征进行特征提取。
小波变换是一种用于提取非平稳信号的时频域特征,主要通过小波基函数进行伸缩和平移变换,可以把非平稳信号分解为表达不同层次、不同频带信息的数据序列,即小波系数。可以采用基于小波变换的多尺度空间能量分布特征提取方法对车辆状态数据集中的电流数据和温度数据进行频带分析,然后,采用如下步骤依次分别计算所得各个频带的能量作为特征向量。
传感信号f(t)的二进小波分解可表示为:
f(t)=Aj+∑DjE
其中,A是近似信号,表示传感信号中的低频部分,D是细节信号,表示传感信号的高频部分,此时传感信号总能量可以表示为:
E=EAj+∑EDj
选择第j层的近似信号和各层细节信号的能量作为特征,可以得到传感信号对应的振动传感信号为:
F=[EAj,ED1,ED2,ED3,…EDj…]
采用基于小波变换的多尺度空间能量分布特征提取方法对车辆状态数据集中的电流数据和温度数据按照上述过程进行分解,可以依次得到5个层次的小波系数,即6维的小波特征。利用得到的小波系数可以确定出各个能量值,该能量值即可作为电流数据和温度数据的特征数据。
在另一种实施例中,可以基于倒谱分析,对车辆状态数据集中的振动数据的频域特征进行特征提取。具体过程可以如图4所示,包括以下步骤:
步骤1,对振动传感信号进行加窗预处理。
由于车辆状态数据集可以是传感信号,因此振动数据可以是振动传感信号。假设加窗后的数据为x(t),***响应函数为h(t),输出信号为y(t),则它们之间关系式为:
y(t)=h(t)*x(t)
对振动传感信号进行加窗预处理,可以减缓泄漏问题,使得傅里叶变换的结果更加准确。
步骤2,快速傅里叶变换。
在对振动传感信号进行加窗预处理后,可以对输出的信号进行快速傅里叶变换:
Y(f)=X(f)*H(f)
从而得到振动传感信号的频谱图,在该频谱图中,峰值代表了振动传感信号中的主要频率成分,可以通过峰值辨识不同的振动传感信号。
步骤3,取幅值平方。
步骤4,取对数。
为了得到对振动数据特征更好的表示,还需进一步提取振动传感信号时间前后关系的峰值变化过程,频谱的包络是一条连接峰值的平滑曲线,可以用来表示其转变过程。因此,需要将原始频谱分解成包络和频谱两个部分,即对上述公式两边的幅值进行平方操作,再取对数:
log Sy(f)=log Sx(f)+log H(f)2
其中,log H(f)2是包络部分,log Sx(f)是细节信号。
步骤5,离散余弦变换。
对频谱的包络和细节部分进行分离可以得到频谱的包络,则可以将包络看作是频谱低频部分,频谱细节看作是高频部分,通过对频谱再进行一次傅里叶变换,即对傅里叶变换后的频谱再通过一个低通滤波器就可以得到log H(f)2频谱包络部分。因此,通过对上述公式再进行一次变换即可得到倒频域关系:
Cy(τ)=Cx(τ)+Ch(τ)
实际的逆变换是通过离散余弦变换完成的,经过两次傅里叶基数变换所得频谱图,本发明实施例可以取幅度最大的前15个系数,作为最终表示该段振动数据对应的振动特征向量。
在另一种实施例中,可以对车辆状态数据集中的电流数据和温度数据的时域特征进行特征提取,提取的特征数据可以包括数据的平均值、标准差、变异***以及均方根值等。具体地,数据的平均值特征可以根据如下公式得到:
数据的标准差特征可以根据如下公式得到:
数据的变异***特征可以根据如下公式得到:
数据的均方根值特征可以根据如下公式得到:
在一些实施例中,由于获取到的新能源汽车的车辆状态数据集中可能存在大量的噪声,其表现形式为数值的骤然增大或减小,因而,无法直接对车辆状态数据集进行特征提取。可以采取随机森林回归方法对车辆状态数据集进行去噪操作,并且该方法属于基于模型的数据去噪方法,可以滤除车辆状态数据集中的噪声数据。该方法可以包括如下步骤:
步骤1,定义三个参数:width,delta和eps。其中,参数width表示采样滑动窗口的大小,参数delta表示窗口滑动的步长,参数eps表示判别为异常数据的阈值。
步骤2,利用定义好的窗口在车辆状态数据集上进行滑动,每次滑动的过程中都会使用事先定义好的阈值eps来判别车辆状态数据集中的异常值,然后将异常值的索引记录到一个数据abnormal[]中,并将正常值的索引记录到另外一个数据normal[]中,由此可以分析得出width和delta参数的设置规则,即应该保证采样窗口的大小width大于噪声的最大宽度,步长delta应该小于噪声的最小限度。
步骤3,记录完正常值和异常值对应的索引后,可以定义一个由10棵决策树构成,并且每棵决策树的最大限度为10,样本采样率为0.3的随机森林模型,然后对正常部分的索引和值进行建模,对整个索引进行预测。
步骤4,将正常值的部分替换掉对应得到预测结果,从而可以得到去噪完成后的车辆状态数据集。
在一种实施例中,如图5所示,车辆故障监测诊断算法模型的线下训练过程可以包括以下步骤:
步骤S501,将HDFS文件导入本地。
可以将存储在HDFS(Hadoop Distributed File System,分布式文件***)中各种类型的历史车辆状态数据导出到本地,以便在进行后续对历史车辆状态数据进行特征提取,确定历史车辆状态数据对应的初步特征数据的过程中可以利用到各种科学计算工具。
步骤S502,使用脚本程序提取特征。
由于MapReduce对车辆状态数据的特征提取过程的支持性不够好,所以需要利用脚本程序来进行模型特征的提取。可以采用Python脚本程序来完成特征提取过程。以对电流数据进行特征提取为例来详细说明,设定电流数据的采样频率为10Hz,而提取特征的时间窗口为2秒,因此在获取到原始电流数据后,可以先将原始电流数据转换成为长度为20的列表数组,再对每一个列表分别进行特征提取。其中,平均值、标准差、变异系数的计算直接利用前文所述特征工程计算公式,即可求得。偏度和峰度的特征工程则是使用了scipy科学计算包中的stats.skew()和stats.kurtorsis完成,小波系数使用了PyWavelets科学计算工具中的wavedec函数获取得到每段数据的5个层次的小波系数。
步骤S503,提取完成后将结果导入HDFS。
将提取完成的各种类型数据的特征重新上传至HDFS中,作为循环神经网络网络的输入,因此,需要对5种传感器数据特征进行拼接。但是由于数据量太大,线下计算机无法一次性读入所有类型数据,而且在数据特征拼接过程中会出现内存溢出,所以,需要将特征数据上传至HDFS,然后利用MapReduce程序生成所有特征。
步骤S504,利用MapReduce对特征进行join操作。
可以利用MapReduce对特征进行join操作,在得到利用MapReduce合并好的特征文件后,重新将合并好的文件从HDFS导出到本地文件***上,进行模型的训练。
在对模型进行训练之前,首先要将初步特征数据打上标签,同时还要将初步特征数据划分成训练集、验证集和测试集数据。其中,训练集数据的作用是在得到筛选后的特征和确定好模型的参数后用来对模型进行训练;验证集数据的作用是用来筛选特征和对参数进行网格搜索进而确定较好的一组参数;测试集数据用来观察模型的最终效果直至模型达到一定的预期效果然后部署应用到线上云平台服务端。
步骤S505,线下训练车辆故障监测诊断算法模型。
可以在线下利用新能源汽车的车辆状态数据集对车辆故障监测诊断算法模型进行训练,即对提升树模型和循环神经网络进行训练得到已训练的车辆故障监测诊断算法模型。
步骤S506,将已训练的车辆故障监测诊断算法模型部署到线上。
在得到已训练的车辆故障监测诊断算法模型后,可以将该模型部署到云平台服务端上,用于对接收到的新能源汽车的车辆状态数据进行实时处理,实现对新能源汽车的车辆状态实时监测与故障诊断分析。
提升树模型是基于梯度提升决策树(GBDT,Gradient Boosting Decision Tree)算法的高效实现,可以进行大规模数据的分布式训练。提升树模型利用的是单边梯度采样(GOSS,Gradient-based One-Side Sampling)和互斥特征绑定(EFB,Exclusive FeatureBundling)两种新方法,在加快模型训练速度的同时进一步提高了模型的性能,具有更好的实时性和更优异的性能。
可以先利用训练集数据和验证集数据进行LightGBM模型,并确认其较优的一组参数,然后将训练集、验证集和测试集数据分别代入到LightGBM模型中,得到各自的预训练输出。
本实施例中可以采用开源LightGBM工具库来实现LightGBM模型,需要确定的主要参数有学习率(learning_rate),提升树数量(n_estimators),最大深度(max_depth)和下采样率(subsample)。对每种超参数值的确定,本实施例均使用了网格搜索和交叉验证方式进行了确定。
上述步骤S505中对车辆故障监测诊断算法模型中的提升树模型进行预训练过程可以如图6所示,包括以下步骤:
步骤S601,获取训练数据集。
获取到的训练数据集可以为初步特征数据集,初步特征数据集中包括有多个初步特征数据样本,每个初步特征数据样本包含设定的故障信息。
步骤S602,从训练数据集中抽取初步特征数据样本。
可以预先获取训练数据集,对提升树模型进行训练时,从训练数据集中抽取初步特征数据样本。
步骤S603,将抽取的初步特征数据样本输入到待训练的提升树模型中,确定初步特征数据样本对应的叶子节点。
步骤S604,根据初步特征数据样本包含的故障信息与叶子节点表征的故障信息,确定损失值。
计算损失值时,可以采用预设的损失函数计算损失值,损失函数可以采用交叉熵损失函数,例如Sigmoid函数。使用的损失函数还可以是但不限于多分类交叉熵损失函数、与度量学习相关的对比损失函数(contrastive Loss)或三元组损失函数(triplet Loss)等。通常,损失值是判定实际的输出与期望的输出的接近程度。损失值越小,说明实际的输出越接近期望的输出。
步骤S605,确定损失值是否收敛至预设的目标值;如果否,执行步骤S606;如果是,执行步骤S607。
判断损失值是否收敛至预设的目标值,如果损失值小于或等于预设的目标值,或者,连续N次训练得到的损失值的变化幅度小于或等于预设的目标值时,认为损失值已收敛至预设的目标值,说明损失值收敛;否则,说明损失值尚未收敛。
步骤S606,根据确定的损失值对待训练的提升树模型的参数进行调整。
如果损失值未收敛,则对提升树模型的参数进行调整,调整提升树模型的参数后,返回执行步骤S602,继续下一轮的训练过程。
步骤S607,结束训练得到预训练的提升树模型。
如果损失值收敛,则将当前得到的提升树模型作为预训练的提升树模型。
具体地,可以将含有不同故障信息的初步特征数据样本分别输入到待训练的提升树模型中,根据初步特征数据样本对应的叶子节点所表征的故障信息与初步特征数据样本包含的故障信息进行比较,确定是否需要对提升树模型的参数进行调整,进而得到预训练的提升树模型。
例如,图7为提升树模型的模型结构,如图7所示,提升树模型包括3个算法树S1、S2和S3,算法树S1包括2个叶子节点T1和T2,算法树S2包括3个叶子节点T3、T4和T5,算法树S3包括4个叶子节点T6、T7、T8和T9。叶子节点T1~T9分别表征没有故障,故障1、故障2、故障3、故障4、故障5、故障6,、故障7和故障8。在对提升树模型进行预训练时,可以将没有故障的初步特征数据样本输入到待训练的提升树模型中,若该初步特征数据样本落到了叶子节点T1中,将输入的初步特征数据样本包含的故障信息与叶子节点T1所表征的故障信息进行比较,可以确定输入的初步特征数据样本与叶子节点T1所表征的故障信息一致,因此不需要对提升树模型的参数进行调整。若该初步特征数据样本落到了叶子节点T3中,将输入的初步特征数据样本与叶子节点T3所表征的故障信息进行比较,可以确定输入的初步特征数据样本与叶子节点T3所表征的故障信息不一致,因此需要对提升树模型的参数进行调整。
又如,可以将含有故障3的初步特征数据样本输入到待训练的提升树模型中,若该初步特征数据样本落到了叶子节点T1中,将输入的初步特征数据样本与叶子节点T1所表征的故障信息进行比较,可以确定输入的初步特征数据样本与叶子节点T1所表征的故障信息不一致,因此需要对提升树模型的参数进行调整。若该初步特征数据样本落到了叶子节点T4中,将输入的初步特征数据样本与叶子节点T4所表征的故障信息进行比较,可以确定输入的初步特征数据样本与叶子节点T4所表征的故障信息一致,因此不需要对提升树模型的参数进行调整。采用含有其他故障信息的初步特征数据样本对提升树模型进行训练的过程与采用含有故障3的初步特征数据样本对提升树模型进行训练的过程类似,在此不再赘述。
在得到预训练的提升树模型后,可以将预训练的提升树模型作为特征转换器,将初步特征数据集输入预训练的提升树模型中,基于预训练的提升树模型对初步特征数据集进行拼接和嵌入式表示,从而可以得到嵌入式特征向量集。
由于深度学习模型在对海量数据进行训练建模时表现更加稳定且假设空间更大可以使得模型的输出效果更好。因此为了兼顾车辆故障检测的效果和实时性,采用深度学习的循环神经网络模型对车辆数据进行故障分类。由于相比于其他的神经网络模型,GRU(Gated Recurrent Unit,门控循环单元)单元结构模型的结构更加简单,复杂度更小,更加适用于实时性要求较高的数据传输场景,因此,可以采用GRU模型完成车辆数据的故障分类过程。
GRU模型在训练的过程中需要确定的主要参数有时间长(time_steps),单元数量(num_units),激活函数(activation),学习率(learning_rate),迭代轮数(epochs)和批学习数量(batch_size)。本实施例中,使用了开源的深度学习工具库TensorFlow对GRU模型进行了实现,同时使用了其自带的TensorBoard可视化工具记录了模型的训练过程和模型的图结构。本实施例中,GRU模型的主要参数有:time_steps=5,num_units=32,activation=tanh,learning_rate=0.002,epochs=300,batch_size=100,其它参数使用了工具提供的默认值。
本发明实施例中将两个GRU单元以堆叠的方式进行拼接,即将其中一个GRU单元的隐层作为另一个GRU单元的输入。循环神经网络中除了包括两个GRU单元外,还可以包括一个分类网络,并且该分类网络可以是softmax。可以将将最后一层GRU单元的隐层输出作为分类网络的输入,将分类网络的输出作为循环神经网络的输出。
在根据预训练的提升树模型得到嵌入式特征向量集后,可以采用嵌入式特征向量集对循环神经网络进行训练。循环神经网络的训练过程可以如图8所示,包括如下步骤:
步骤S801,获取训练数据集。
获取到的训练数据集可以为嵌入式特征向量集,嵌入式特征向量集中包括有多个嵌入式特征向量样本,每个嵌入式特征向量样本包含设定的故障信息。
步骤S802,从训练数据集中抽取嵌入式特征向量样本。
在对循环神经网络进行训练时,可以从训练数据集中抽取嵌入式特征向量样本作为训练样本数据。
步骤S803,将抽取的嵌入式特征向量样本输入到待训练的循环神经网络中,确定嵌入式特征向量样本对应的故障类型。
将嵌入式特征向量样本输入到待训练的神经网络模型中,对嵌入式特征向量样本进行卷积操作,得到嵌入式特征向量样本对应的特征,并根据嵌入式特征向量样本对应的特征,确定嵌入式特征向量样本对应的故障类型。
步骤S804,根据嵌入式特征向量样本对应的故障类型与嵌入式特征向量样本包含的故障信息,确定损失值。
计算损失值时,可以采用预设的损失函数计算损失值,损失函数可以采用交叉熵损失函数,例如Sigmoid函数。使用的损失函数还可以是但不限于多分类交叉熵损失函数、与度量学习相关的对比损失函数(contrastive Loss)或三元组损失函数(triplet Loss)等。通常,损失值是判定实际的输出与期望的输出的接近程度。损失值越小,说明实际的输出越接近期望的输出。
步骤S805,确定损失值是否收敛至预设的目标值;如果否,执行步骤S806;如果是,执行步骤S807。
判断损失值是否收敛至预设的目标值,如果损失值小于或等于预设的目标值,或者,连续N次训练得到的损失值的变化幅度小于或等于预设的目标值时,认为损失值已收敛至预设的目标值,说明损失值收敛;否则,说明损失值尚未收敛。
步骤S806,根据确定的损失值对待训练的循环神经网络的参数进行调整。
如果损失值未收敛,则对循环神经网络的参数进行调整,调整循环神经网络的参数后,返回执行步骤S802,继续下一轮的训练过程。
步骤S807,结束训练得到已训练的循环神经网络。
如果损失值收敛,则将当前得到的循环神经网络作为已训练的循环神经网络。
根据上述对提升树模型和循环神经网络的训练,可以得到已训练的车辆故障监测诊断算法模型。
在另一种实施例中,在线下训练好模型后,可以将模型部署到线上用于对车辆状态数据进行实时监测与故障诊断分析。图9为车辆故障监测诊断算法模型在线上对车辆状态数据进行实时处理的详细过程,如图9所示,可以包括以下步骤:
步骤S901,查询Redis数据库中是否有值;若否,执行步骤S902;若是,执行步骤S903。
步骤S902,取出数据并清空Redis数据库。
步骤S903,执行SQL命令,查询车辆状态数据,解析数据后将数据存储至Redis数据库。
可以在云平台服务端上部署一个每隔2秒执行一次的脚本,该脚本用来查询TimescaleDB数据库中的sensor_data表,该表存储了云平台服务端实时接收到的各类传感器数据。以模型对电流数据的处理为例,模型在对电流数据进行处理时,可以先查询Redis(Remote Dictionary Server,远程字典服务)数据库中是否存在历史电流数据,如果存在历史电流数据,可以先取出历史电流数据并清空Redis数据库,再执行SQL(StructuredQuery Language,结构化查询语言)命令,查询电流数据,解析电流数据后将电流数据存储至Redis数据库中。如果Redis数据库中没有值,则可以直接执行SQL命令,查询电流数据,解析电流数据后将电流数据存储至Redis数据库中。
Redis作为内存数据库,对数据的读写操作很快,适用于实时场景。云平台服务器中的实时故障诊断计算的脚本会不断检测Redis数据库中是否已存入上一步产生的原始数据,一旦存在则将其取出并清空数据库。
步骤S904,对车辆状态数据进行特征提取,形成初步特征数据。
步骤S905,加载已训练的车辆故障监测诊断算法模型,并将初步特征数据输入模型。
步骤S906,得到预测结果。
在Redis数据库中,可以先对车辆状态数据进行特征提取,形成初步特征数据,再加载已训练的车辆故障监测诊断算法模型。
可以先将初步特征数据输入到已训练的提升树模型中,根据初步特征数据落入的提升树模型中的叶子节点,确定出初步特征数据对应的嵌入式特征向量,即将初步特征数据转换为嵌入式特征向量。例如,图7所示的提升树模型为已训练的提升树模型,将初步特征数据输入到该提升树模型中,若该初步特征数据落到了叶子节点T5上,则叶子节点T5对应的元素值为1,其他叶子节点对应的元素值为0,可以确定该初步特征数据对应的嵌入式特征向量为[0,0,0,0,0,1,0,0,0]。若该初步特征数据落到了叶子节点T6上,则叶子节点T6对应的元素值为1,其他叶子节点对应的元素值为0,可以确定该初步特征数据对应的嵌入式特征向量为[0,0,0,0,0,0,1,0,0]。
在确定出嵌入式特征向量后,可以将该嵌入式特征向量输入到已训练的循环神经网络中,确定出车辆状态数据对应的故障预测结果。
步骤S907,将预测结果通过MQTT发布,若根据预测结果确定车辆发生故障,向相关用户发送故障通知。
在得到预测结果后,可以将该预测结果通过MQTT(Message Queuing TelemetryTransport,消息队列遥测传输协议)发布到MQTT Broker上,单页Web应用只需要订阅相应的主题即可获取到数据并将其呈现。同时,如果车辆存在故障,则会以消息推送方式进行告知***用户,以便及时对车辆进行相应的保养维护和检修工作。
在一些实施例中,确定出新能源汽车对应的故障类型后,可以通知相关的车载用户或车辆运营单位进行车辆的保养维护和故障维修。例如,可以将新能源汽车对应的故障类型发送至相应的终端设备中,以使用户可以通过终端设备查询新能源汽车所存在的故障类型。也可以将新能源汽车对应的故障类型通过短信推送的方式发送至相关用户的终端设备中,以方便用户及时发现车辆所存在的故障类型,进而有针对性地对新能源汽车进行保养和维修。另外,还可以根据该故障类型确定新能源汽车存在的故障严重程度,若确定新能源汽车存在比较严重的故障时,可以发出报警提示信息以指示需要立即对新能源汽车进行保养和维修。
与图3所示的基于机器学习的新能源汽车保养维护与故障监测诊断方法基于同一发明构思,本申请实施例中还提供了一种基于机器学习的新能源汽车保养维护与故障监测诊断装置。由于该装置是本申请基于机器学习的新能源汽车保养维护与故障监测诊断方法对应的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见上述方法的实施,重复之处不再赘述。
本申请实施例提供的基于机器学习的新能源汽车保养维护与故障监测诊断装置,可以包括数据获取单元、数据处理单元、数据预训练单元、算法模型确定单元和故障监测单元。
其中,数据获取单元,用于获取新能源汽车的车辆状态数据集;
数据处理单元,用于对车辆状态数据集进行特征提取,形成初步特征数据集;
数据预训练单元,用于对初步特征数据集进行预训练,产生嵌入式特征向量集;
算法模型确定单元,用于将嵌入式特征向量集作为循环神经网络的输入进行训练,得到车辆故障监测诊断算法模型;
故障监测单元,用于基于车辆故障监测诊断算法模型,通过接收的车辆状态数据,对车辆状态进行监测与故障分析。
在一种可选的实施例中,数据获取单元,具体用于:
获取新能源汽车的机械结构类型、电子控制***以及高压设备***三种类型的车辆状态数据集;车辆状态数据集包括电流数据、温度数据、振动数据、摆幅数据和转速数据。
在一种可选的实施例中,数据处理单元,具体用于:
根据车辆状态数据集的值域类型差异,从时域特征方面、频域特征方面以及时频域特征方面对车辆状态数据集进行特征提取,得到车辆状态数据集对应的初步特征数据集。
在一种可选的实施例中,数据处理单元,还用于:
对车辆状态数据集的电流数据和温度数据,采用时频域特征进行特征提取;其中,时频域特征是采用基于小波变换的多尺度空间能量分布特征提取方法,对原始传感信号进行频带分析,并依次分别计算所得各个频带的能量值,将能量值作为电流数据和温度数据的特征数据;
对车辆状态数据集的振动数据,采用频域特征进行特征提取;
通过离散余弦变换,经过两次傅里叶变换后的频谱图,取幅度最大的前N个系数作为该段振动信号的特征数据;
对车辆状态数据集的转速数据和摆幅数据,采用时域特征进行特征提取,特征数据主要包括数据的平均值、标准差、变异***以及均方根值。
在一种可选的实施例中,数据处理单元,还用于:
基于倒谱分析,利用振动数据的频谱包络对振动数据进行特征提取。
在一种可选的实施例中,数据处理单元,还用于:
对车辆状态数据集进行缺失值处理、数据去噪处理以及数据归一化处理。
在一种可选的实施例中,缺失值处理包括插补数据处理、删除数据处理和不进行处理;数据处理单元,还用于:
使用中位数填充方法对电流数据、温度数据、转速数据和摆幅数据进行处理;
采用删除数据方法对振动数据的缺失值进行处理;
以及采用随机森林回归方法,通过设置滑动窗口的参数完成对数据集的遍历,对正常索引部分值进行建模,对异常部分值进行预测;
以及使用聚类算法对所述车辆状态数据集进行聚类分析。
在一种可选的实施例中,数据预训练单元,具体用于:
使用初步特征数据集作为样本数据,采用提升树LightGBM算法进行训练,得到对应的LightGBM算法弱分类器;
将样本数据重新输入弱分类器,根据每个样本数据在弱分类器表现决定样本数据在下一个弱分类器的分布;
将每个样本数据在弱分类器上叶节点的索引值作为样本数据的新特征,重复执行将样本数据重新输入弱分类器的步骤,根据样本数据的分布,确定损失函数的值,直到损失函数的值达到设定阈值或损失函数的值的变化幅度达到设定阈值为止,得到设定数量的弱分类器;
将所有的弱分类器加权结合得到提升树模型;
将通过预训练所得到的提升树模型作为特征转换器,对初步特征数据集输入提升树模型,基于提升树模型对初步特征数据集进行拼接和嵌入式表示,得到嵌入式特征向量集。
在一种可选的实施例中,循环神经网络包括两个神经网络,两个神经网络以堆叠形式进行拼接,将一个神经网络的隐层作为另一个神经网络的输入;算法模型确定单元,具体用于:
将嵌入式特征向量集输入循环神经网络,对循环神经网络进行训练,得到车辆故障诊断算法模型。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中的车牌分类方法。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于机器学习的新能源汽车保养维护与故障监测诊断方法,其特征在于,包括:
获取新能源汽车的车辆状态数据集;
对所述车辆状态数据集进行特征提取,形成初步特征数据集;
对所述初步特征数据集进行预训练,产生嵌入式特征向量集;
将所述嵌入式特征向量集作为循环神经网络的输入进行训练,得到车辆故障监测诊断算法模型;
基于所述车辆故障监测诊断算法模型,通过接收的车辆状态数据,对车辆状态进行监测与故障分析。
2.根据权利要求1所述的方法,其特征在于,所述获取新能源汽车的车辆状态数据集,包括:
获取新能源汽车的机械结构类型、电子控制***以及高压设备***三种类型的车辆状态数据集;所述车辆状态数据集包括电流数据、温度数据、振动数据、摆幅数据和转速数据。
3.根据权利要求2所述的方法,其特征在于,对所述车辆状态数据集进行特征提取,形成初步特征数据集,包括:
根据所述车辆状态数据集的值域类型差异,从时域特征方面、频域特征方面以及时频域特征方面对所述车辆状态数据集进行特征提取,得到所述车辆状态数据集对应的初步特征数据集。
4.根据权利要求3所述的方法,其特征在于,所述从时域特征方面、频域特征方面以及时频域特征方面对所述车辆状态数据集进行特征提取,包括:
对所述车辆状态数据集的电流数据和温度数据,采用时频域特征进行特征提取;其中,所述时频域特征是采用基于小波变换的多尺度空间能量分布特征提取方法,对原始传感信号进行频带分析,并依次分别计算所得各个频带的能量值,将所述能量值作为所述电流数据和所述温度数据的特征数据;
对所述车辆状态数据集的振动数据,采用频域特征进行特征提取;
通过离散余弦变换,经过两次傅里叶变换后的频谱图,取幅度最大的前N个系数作为该段振动信号的特征数据;
对所述车辆状态数据集的转速数据和摆幅数据,采用时域特征进行特征提取,特征数据包括数据的平均值、标准差、变异***以及均方根值。
5.根据权利要求4所述的方法,其特征在于,所述对所述车辆状态数据集的振动数据,采用频域特征进行特征提取,包括:
基于倒谱分析,利用所述振动数据的频谱包络对所述振动数据进行特征提取。
6.根据权利要求2所述的方法,其特征在于,所述获取新能源汽车的车辆状态数据集之后,所述方法还包括:
对所述车辆状态数据集进行缺失值处理、数据去噪处理以及数据归一化处理。
7.根据权利要求6所述的方法,其特征在于,所述缺失值处理包括插补数据处理、删除数据处理和不进行处理;所述对所述车辆状态数据集进行缺失值处理,包括:
使用中位数填充方法对所述电流数据、所述温度数据、所述转速数据和所述摆幅数据进行处理;
采用删除数据方法对所述振动数据的缺失值进行处理;
所述对所述车辆状态数据集进行数据去噪处理,包括:
采用随机森林回归方法,通过设置滑动窗口的参数完成对所述车辆状态数据集的遍历,对正常索引部分值进行建模,对异常部分值进行预测;
所述对所述车辆状态数据集进行数据归一化处理,包括:
采用聚类算法对所述车辆状态数据集进行聚类分析。
8.根据权利要求1所述的方法,其特征在于,对所述初步特征数据集进行预训练,产生嵌入式特征向量集,包括:
使用所述初步特征数据集作为样本数据,采用提升树LightGBM算法进行训练,得到对应的LightGBM算法弱分类器;
将所述样本数据重新输入所述弱分类器,根据每个样本数据在所述弱分类器表现决定所述样本数据在下一个弱分类器的分布;
将每个样本数据在所述弱分类器上叶节点的索引值作为所述样本数据的新特征,重复执行将所述样本数据重新输入所述弱分类器的步骤,根据所述样本数据的分布,确定损失函数的值,直到所述损失函数的值达到设定阈值或所述损失函数的值的变化幅度达到设定阈值为止,得到设定数量的弱分类器;
将所有的弱分类器加权结合得到提升树模型;
将通过预训练所得到的提升树模型作为特征转换器,将所述初步特征数据集输入所述提升树模型,基于所述提升树模型对所述初步特征数据集进行拼接和嵌入式表示,得到嵌入式特征向量集。
9.根据权利要求1所述的方法,其特征在于,所述循环神经网络包括两个神经网络,所述两个神经网络以堆叠形式进行拼接,将一个神经网络的隐层作为另一个神经网络的输入;所述将所述嵌入式特征向量集作为循环神经网络的输入进行训练,得到车辆故障监测诊断算法模型,包括:
将所述嵌入式特征向量集输入所述循环神经网络,对所述循环神经网络进行训练,得到车辆故障诊断算法模型。
10.一种基于机器学习的新能源汽车保养维护与故障监测诊断***,其特征在于,所述***包括线下模型训练单元和线上部署实时监测诊断单元:
所述线下模型训练单元通过获得离线历史数据,构建车辆故障监测诊断算法模型;
所述线上部署实时监测诊断单元用于对得到的车辆故障监测诊断算法模型进行功能实现,并部署到云平台服务端;所述云平台服务端用于对接收的实时数据进行处理,实现对车辆状态实时监测与故障诊断分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110193396.6A CN112785016B (zh) | 2021-02-20 | 2021-02-20 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110193396.6A CN112785016B (zh) | 2021-02-20 | 2021-02-20 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785016A true CN112785016A (zh) | 2021-05-11 |
CN112785016B CN112785016B (zh) | 2022-06-07 |
Family
ID=75761647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110193396.6A Active CN112785016B (zh) | 2021-02-20 | 2021-02-20 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785016B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221457A (zh) * | 2021-05-13 | 2021-08-06 | 北京车和家信息技术有限公司 | 一种车辆保养信息的确定方法、装置、设备及介质 |
CN113295826A (zh) * | 2021-05-24 | 2021-08-24 | 暨南大学 | 一种基于车联网的机动车尾气排放测试管理***及智能诊断方法 |
CN113359682A (zh) * | 2021-06-30 | 2021-09-07 | 西安力传智能技术有限公司 | 设备故障预测方法、装置、设备故障预测平台及介质 |
CN113392936A (zh) * | 2021-07-09 | 2021-09-14 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
CN113432886A (zh) * | 2021-06-09 | 2021-09-24 | 中北大学 | 一种车辆全寿命周期振动冲击测试方法及装置 |
CN113504891A (zh) * | 2021-07-16 | 2021-10-15 | 爱驰汽车有限公司 | 一种音量调节方法、装置、设备以及存储介质 |
CN113516173A (zh) * | 2021-05-27 | 2021-10-19 | 江西五十铃汽车有限公司 | 一种基于随机森林与决策树的整车静动态干涉的测评方法 |
CN113660137A (zh) * | 2021-08-13 | 2021-11-16 | 杭州安恒信息技术股份有限公司 | 车载网络故障检测方法、装置、可读存储介质及电子设备 |
CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
CN113822344A (zh) * | 2021-08-30 | 2021-12-21 | 中能电力科技开发有限公司 | 基于数据驱动的风电机组发电机前轴承状态监测方法 |
CN114115199A (zh) * | 2021-11-29 | 2022-03-01 | 上海电机学院 | 新能源环卫车辆的监测及故障诊断*** |
CN114239759A (zh) * | 2022-02-25 | 2022-03-25 | 武汉工程大学 | 电动汽车的故障诊断方法、装置、电子设备及存储介质 |
CN114821856A (zh) * | 2022-04-18 | 2022-07-29 | 大连理工大学 | 一种并联于行车电脑的汽车快速维修智能辅助装置 |
CN115981297A (zh) * | 2023-02-09 | 2023-04-18 | 深圳市捷代电子科技有限公司 | 一种汽车电路电控***故障诊断装置 |
CN116429339A (zh) * | 2023-06-07 | 2023-07-14 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒泄露检测方法及*** |
CN116484305A (zh) * | 2023-04-24 | 2023-07-25 | 广东工业大学 | 基于LightGBM学习分类的机器人故障检测方法 |
CN116701918A (zh) * | 2023-08-02 | 2023-09-05 | 成都星云智联科技有限公司 | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 |
CN116773238A (zh) * | 2023-06-16 | 2023-09-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种基于工业数据的故障监测方法及*** |
CN116992221A (zh) * | 2023-07-31 | 2023-11-03 | 武汉天翌数据科技发展有限公司 | 一种运维平台的故障检测方法、装置、设备及存储介质 |
CN117076906A (zh) * | 2023-08-18 | 2023-11-17 | 云和恩墨(北京)信息技术有限公司 | 分布式智能故障诊断方法和***、计算机设备、存储介质 |
CN117768923A (zh) * | 2024-02-22 | 2024-03-26 | 武汉电动汽车技术开发有限公司 | 基于5g短切片专网的新能源汽车数据传输优化方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985279A (zh) * | 2018-08-28 | 2018-12-11 | 上海仁童电子科技有限公司 | 多功能车辆总线mvb波形的故障诊断方法及装置 |
CN110046663A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种复杂机电***故障临界态辨识方法 |
US20190242936A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Fault diagnosis method for series hybrid electric vehicle ac/dc converter |
CN112069998A (zh) * | 2020-09-07 | 2020-12-11 | 中国人民解放军陆军工程大学 | 基于卷积神经网络的gbdt故障诊断集成方法 |
-
2021
- 2021-02-20 CN CN202110193396.6A patent/CN112785016B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190242936A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Fault diagnosis method for series hybrid electric vehicle ac/dc converter |
CN108985279A (zh) * | 2018-08-28 | 2018-12-11 | 上海仁童电子科技有限公司 | 多功能车辆总线mvb波形的故障诊断方法及装置 |
CN110046663A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种复杂机电***故障临界态辨识方法 |
CN112069998A (zh) * | 2020-09-07 | 2020-12-11 | 中国人民解放军陆军工程大学 | 基于卷积神经网络的gbdt故障诊断集成方法 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022237266A1 (zh) * | 2021-05-13 | 2022-11-17 | 北京车和家信息技术有限公司 | 车辆保养信息的确定方法、装置、设备及介质 |
CN113221457A (zh) * | 2021-05-13 | 2021-08-06 | 北京车和家信息技术有限公司 | 一种车辆保养信息的确定方法、装置、设备及介质 |
CN113221457B (zh) * | 2021-05-13 | 2024-06-14 | 北京车和家信息技术有限公司 | 一种车辆保养信息的确定方法、装置、设备及介质 |
CN113295826A (zh) * | 2021-05-24 | 2021-08-24 | 暨南大学 | 一种基于车联网的机动车尾气排放测试管理***及智能诊断方法 |
CN113516173A (zh) * | 2021-05-27 | 2021-10-19 | 江西五十铃汽车有限公司 | 一种基于随机森林与决策树的整车静动态干涉的测评方法 |
CN113432886A (zh) * | 2021-06-09 | 2021-09-24 | 中北大学 | 一种车辆全寿命周期振动冲击测试方法及装置 |
CN113359682A (zh) * | 2021-06-30 | 2021-09-07 | 西安力传智能技术有限公司 | 设备故障预测方法、装置、设备故障预测平台及介质 |
CN113359682B (zh) * | 2021-06-30 | 2022-12-02 | 西安力传智能技术有限公司 | 设备故障预测方法、装置、设备故障预测平台及介质 |
CN113392936A (zh) * | 2021-07-09 | 2021-09-14 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
CN113504891A (zh) * | 2021-07-16 | 2021-10-15 | 爱驰汽车有限公司 | 一种音量调节方法、装置、设备以及存储介质 |
CN113660137A (zh) * | 2021-08-13 | 2021-11-16 | 杭州安恒信息技术股份有限公司 | 车载网络故障检测方法、装置、可读存储介质及电子设备 |
CN113660137B (zh) * | 2021-08-13 | 2024-03-22 | 杭州安恒信息技术股份有限公司 | 车载网络故障检测方法、装置、可读存储介质及电子设备 |
CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
CN113822344A (zh) * | 2021-08-30 | 2021-12-21 | 中能电力科技开发有限公司 | 基于数据驱动的风电机组发电机前轴承状态监测方法 |
CN113822344B (zh) * | 2021-08-30 | 2024-05-31 | 龙源(北京)新能源工程技术有限公司 | 基于数据驱动的风电机组发电机前轴承状态监测方法 |
CN114115199A (zh) * | 2021-11-29 | 2022-03-01 | 上海电机学院 | 新能源环卫车辆的监测及故障诊断*** |
CN114239759A (zh) * | 2022-02-25 | 2022-03-25 | 武汉工程大学 | 电动汽车的故障诊断方法、装置、电子设备及存储介质 |
CN114821856A (zh) * | 2022-04-18 | 2022-07-29 | 大连理工大学 | 一种并联于行车电脑的汽车快速维修智能辅助装置 |
CN115981297B (zh) * | 2023-02-09 | 2023-06-30 | 深圳市捷代电子科技有限公司 | 一种汽车电路电控***故障诊断装置 |
CN115981297A (zh) * | 2023-02-09 | 2023-04-18 | 深圳市捷代电子科技有限公司 | 一种汽车电路电控***故障诊断装置 |
CN116484305A (zh) * | 2023-04-24 | 2023-07-25 | 广东工业大学 | 基于LightGBM学习分类的机器人故障检测方法 |
CN116429339B (zh) * | 2023-06-07 | 2023-09-01 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒泄露检测方法及*** |
CN116429339A (zh) * | 2023-06-07 | 2023-07-14 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒泄露检测方法及*** |
CN116773238A (zh) * | 2023-06-16 | 2023-09-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种基于工业数据的故障监测方法及*** |
CN116773238B (zh) * | 2023-06-16 | 2024-01-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种基于工业数据的故障监测方法及*** |
CN116992221A (zh) * | 2023-07-31 | 2023-11-03 | 武汉天翌数据科技发展有限公司 | 一种运维平台的故障检测方法、装置、设备及存储介质 |
CN116992221B (zh) * | 2023-07-31 | 2024-03-26 | 武汉天翌数据科技发展有限公司 | 一种运维平台的故障检测方法、装置、设备及存储介质 |
CN116701918B (zh) * | 2023-08-02 | 2023-10-20 | 成都星云智联科技有限公司 | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 |
CN116701918A (zh) * | 2023-08-02 | 2023-09-05 | 成都星云智联科技有限公司 | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 |
CN117076906B (zh) * | 2023-08-18 | 2024-02-23 | 云和恩墨(北京)信息技术有限公司 | 分布式智能故障诊断方法和***、计算机设备、存储介质 |
CN117076906A (zh) * | 2023-08-18 | 2023-11-17 | 云和恩墨(北京)信息技术有限公司 | 分布式智能故障诊断方法和***、计算机设备、存储介质 |
CN117768923A (zh) * | 2024-02-22 | 2024-03-26 | 武汉电动汽车技术开发有限公司 | 基于5g短切片专网的新能源汽车数据传输优化方法及*** |
CN117768923B (zh) * | 2024-02-22 | 2024-05-28 | 武汉电动汽车技术开发有限公司 | 基于5g短切片专网的新能源汽车数据传输优化方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112785016B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和*** | |
US11022633B2 (en) | Enhanced system and method for conducting PCA analysis on data signals | |
CN112085111B (zh) | 一种负荷辨识方法和装置 | |
CN114152825A (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断*** | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及*** | |
CN115392301A (zh) | 换流变压器状态识别方法、装置、设备、介质和程序产品 | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及*** | |
Yang et al. | A novel multiple feature-based engine knock detection system using sparse Bayesian extreme learning machine | |
CN114331214A (zh) | 基于强化学习的域自适应轴承声纹故障诊断方法及*** | |
CN116647405B (zh) | 一种多路径quic异常流量检测方法、***及设备 | |
CN116884435A (zh) | 一种基于音频提示学习的声音事件检测方法及装置 | |
Yao et al. | A Hybrid Approach for Fault Diagnosis of Railway Rolling Bearings Using STWD‐EMD‐GA‐LSSVM | |
CN115758237A (zh) | 基于智能巡检机器人的轴承故障分类方法及*** | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
Li | Remaining useful life prediction of bearings using fuzzy multimodal extreme learning regression | |
CN113919388A (zh) | 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置 | |
Liang et al. | Automatic evaluation of internal combustion engine noise based on an auditory model | |
Zuo et al. | Bearing fault dominant symptom parameters selection based on canonical discriminant analysis and false nearest neighbor using GA filtering signal | |
Zhang et al. | A TFG-CNN Fault Diagnosis Method for Rolling Bearing | |
Lei et al. | Rolling bearing fault diagnosis based on variational mode decomposition and weighted multidimensional feature entropy fusion | |
Wei et al. | Evaluation method of spindle performance degradation based on VMD and random forests | |
CN117725402B (zh) | 一种基于设备运行音频的设备异常状态确定方法及*** |
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 |