CN112836577A - 一种智慧交通无人驾驶车辆故障基因诊断方法及*** - Google Patents

一种智慧交通无人驾驶车辆故障基因诊断方法及*** Download PDF

Info

Publication number
CN112836577A
CN112836577A CN202011616139.0A CN202011616139A CN112836577A CN 112836577 A CN112836577 A CN 112836577A CN 202011616139 A CN202011616139 A CN 202011616139A CN 112836577 A CN112836577 A CN 112836577A
Authority
CN
China
Prior art keywords
fault
classification
value
accuracy
recall
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
Application number
CN202011616139.0A
Other languages
English (en)
Other versions
CN112836577B (zh
Inventor
刘辉
杨睿
王佳康
尹昱成
谭静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202011616139.0A priority Critical patent/CN112836577B/zh
Publication of CN112836577A publication Critical patent/CN112836577A/zh
Application granted granted Critical
Publication of CN112836577B publication Critical patent/CN112836577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种智慧交通无人驾驶车辆故障基因诊断方法及***，虚拟LabVIEW图形化数据采集***与现有CAN、车载以太网和WiFi的结合为大量历史数据需求提供了保障，大数据车载互联、车辆故障信息检测、基因信号转化、可编码的基因序列特征提取、故障模块的DNA序列模板库搭建、深度学习人工智能建模相互配合，准确识别车辆故障的位置及类型。

Description

一种智慧交通无人驾驶车辆故障基因诊断方法及***
技术领域
本发明涉及车辆故障识别领域，特别是一种智慧交通无人驾驶车辆故障基因诊断方法及***。
背景技术
交通的智能化是当今和未来交通行业发展的核心之一。无人驾驶汽车是交通行业智能水平的重要体现和核心代表。它是未来交通车辆的基本运行方式。与铁路交通相比，公路交通具有路线灵活，时间可控性好等特点。无人驾驶车辆可以减轻交通拥堵及管理压力，降低了驾驶者的门槛同时还减少了使用者的精力损耗。另外，智能汽车的最大优点则是减少交通事故及人员伤亡，成体系的无人驾驶策略可以有效避免交通事故的发生。
在这其中，保障无人驾驶车辆安全稳定性的最关键环节则是故障检测维修，提前的故障预知和精准的故障修复。据统计显示，在2010～2015短短五年间，便有超过22000件与无人驾驶汽车有关的发明专利申请，其中涉及故障识别的专利申请不在少数。公开号为CN108415409B的专利采用本地故障诊断设备、远程故障诊断设备以及专家诊断设备的结合来实现多地递增的汽车故障诊断。其中对于本地故障诊断来说存在一定的局限性，它仅能处理一些常见的小故障问题，而对于一些疑难杂症则缺乏应对方法，而当故障诊断等级上升到远程诊断甚至专家诊断时，其检修性价比、及时效性都大打折扣。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种智慧交通无人驾驶车辆故障基因诊断方法及***，提高车辆故障识别精度。
为解决上述技术问题，本发明所采用的技术方案是：一种智慧交通无人驾驶车辆故障基因诊断方法，包括以下步骤：
S1、采集无人驾驶车辆整段电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd，将所述电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd整合为数据矩阵X*；
S2、将数据矩阵X*输入到RNNs网络，剔除异常值，输出X，利用X进行故障信号检测，得到故障信号矩阵E；
S3、将故障信号矩阵E转化为由4种碱基A,T,C,G表达的可编码基因序列O1,O2,O3,O4；
S4、将O1,O2,O3,O4整合为DNA序列S＝S1,S2,S3,...,SN，对S进行特征提取，得到预判定的候选车辆部件故障基因Vs；
S5、将所述的预判定候选车辆部件故障基因Vs的部分数据、门控循环单元网络模型隐含层初始神经元个数Θ0作为多目标蝗虫优化算法的输入，以具有隐含层神经元个数Θκ的门控循环单元网络模型作为输出，训练门控循环单元网络模型，得到分类模型；
S6、实时采集的无人驾驶车辆电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd，将所述电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd整合为数据矩阵后输入所述故障分类模型，进行故障分类识别。
本发明采用多种波形数据为故障诊断提供更充分的判据，可编码基因序列的转化可帮助提取故障部件深度特征，分类模型的训练建立有助于行业有关人员对车辆故障进行诊断。本发明将原始采集的各类信号进行数据预处理，DNA编码解码的转换、深度特征的提取，并构建机器学习分类模型，实现了车辆故障的大数据智能检测诊断，相比于传统的经验故障诊断法，本发明的方法极大的降低了相关人员的使用门槛，同时保证了故障分类、故障诊断的精度。
S1中，将所述数据矩阵X*作为RNNs神经网络的输入，剔除离群值。以此剔除离群值，减少噪声对真实故障信号的干扰。
S2中，故障检测的具体实现过程包括：设定初始时序差分的最小数值为T，最小阈值判别的数值大小为Ady,Adl,Awd,Azd,，当所述数据矩阵X或者剔除离群值后的数据矩阵的起始和终止数据点的时间差大于阈值T，且幅值大于最小阈值Ady,Adl,Awd,Azd,，则判定当前有故障发生，记录此时的数据位置和波形幅值变化情况，整合记为新矩阵数据E；其中Ady,Adl,Awd,Azd,分别指电压幅值、电流幅值、温度幅值、振动幅值。基于时序差分和阈值判别的故障检测手段能够有效判定出数据波段中故障信息对应的位置，便于后续的降维和特征提取工作的进行。
生成预判定的候选车辆部件故障基因Vs＝(W11,W12,...,WUU,C1,...,CU,D1,...,DU)；其中，碱基Bi转移到碱基Bj的概率
Figure BDA0002872131210000031
ni为单个碱基点Bi在DNA序列S中出现的次数；Bi为DNA序列S中第i个数据点位置的碱基；1≤i≤U；U指碱基元素所代表特征向量的维度；N为DNA序列S的长度；nij为碱基对BiBj在DNA序列S中出现的次数；碱基含量
Figure BDA0002872131210000032
碱基位置比
Figure BDA0002872131210000033
DNA序列S中碱基Bi出现的位置标记为Si，其中si是Si中的值。对可编码基因序列碱基对进行特征提取可以找出其中最具代表性的特征，用低维度的数据表达尽可能多的高维度信息，这也可以避免建模过程中模型过拟合。
S5的具体实现过程包括：
1)将车辆部件故障基因Vs随机划分为训练集和测试集；初始化多目标蝗虫优化算法的迭代次数κ、预期精度；
2)将所述训练集、门控循环单元网络模型隐含层初始神经元的初始个数Θ0作为门控循环单元网络模型的输入，以具有隐含层神经元个数Θκ的双门控循环单元网络模型作为输出，训练门控循环单元网络模型；
3)将所述测试集、隐含层神经元个数Θκ作为多目标蝗虫优化算法两个目标优化函数的输入，计算两个目标优化函数的值；
4)根据两个所述计算的目标优化函数值的乘积，更新门控循环单元网络模型隐含层每层神经元个数的搜索路径，使得下一次两个目标函数值的乘积大于当前次两个目标函数值的乘积，从而得到新的隐含层的每层神经元个数Θκ+1，另外，每一次迭代过程中，具有隐含层神经元个数Θκ的门控循环单元网络模型(即分类器)会输出一次分类数值；
5)搜索迭代次数加1，将新的隐含层的每层神经元个数Θκ+1作为多目标蝗虫优化算法目标函数的输入，返回步骤3)，直至多目标蝗虫算法目标优化函数值达到预期精度或完成所设定的迭代次数，完成门控循环单元网络模型训练，并获取最优参数Θoptimal，该最优参数Θoptimal对应的门控循环单元网络模型即分类模型。
两个所述目标优化函数表达式为：
Figure BDA0002872131210000041
object1＝Max{AccuracyFDJ(Θ),AccuracyDP(Θ),AccuracyCS(Θ),AccuracyDQ(Θ)}
Figure BDA0002872131210000042
object2＝Max{RecallFDJ(Θ),RecallDP(Θ),RecallCS(Θ),RecallDQ(Θ)}；
Figure BDA0002872131210000043
式中εf为门控循环单元网络模型中第f层的神经元数量，αf为结合权重，object1、object2优化目标函数是指取max()函数中四个变量组合后的最大值；Θ是隐含层神经元个数，下标FDJ表示发电机故障，DP表示底盘故障，CS表示车身故障，DQ表示电气设备故障；AccuracyFDJ,AccuracyDP,AccuracyCS,AccuracyDQ依次对应发电机的故障分类准确率、底盘的故障分类准确率、车身的故障分类准确率、电气设备的故障分类准确率；RecallFDJ,RecallDP,RecallCS,RecallDQ依次对应发电机的故障分类召回率、底盘的故障分类召回率、车身的故障分类召回率、电气设备的故障分类召回率。Accuracy＝[AccuracyFDJ(Θ),AccuracyDP(Θ),AccuracyCS(Θ),AccuracyDQ(Θ)]；Recall＝RecallFDJ(Θ),RecallDP(Θ),RecallCS(Θ),RecallDQ(Θ)；
对于每一个样本点，当分类器的输出分类数值和测试集数值相同且为正时，记TP+1；当分类器的输出分类数值和测试集数值相反且分类器的输出分类数值为正时，记FP+1；当分类器的输出分类数值和测试集数值相反且分类器的输出分类数值为负时，记FN+1；当分类器的输出分类数值和测试集数值相同且为负时，记TN+1；所述分类器是指每一次迭代过程中，具有隐含层神经元个数Θκ的门控循环单元网络模型。
上述为训练分类模型及运用多目标蝗虫优化算法优化分类模型隐含层每层神经元个数的过程，为算法的实现提供指导，搭建基于优化算法参数优化的深度学习模型可以实现更高精度的车辆故障类型分类。
本发明的***还包括：将预判定的候选车辆部件故障基因Vs作为聚类模型的输入，搭建模板库。基于深度学习的建模可以完成车辆故障的多分类工作，优化算法对分类模型参数的优化可提升模型分类精度。
搭建模板库的具体实现过程包括：
步骤1：将经过非负矩阵分解降维得到的预判定的候选车辆部件故障基因Vs作为随机邻接嵌入算法的输入，得到高维数据点Vi、Vj、低维数据点vi,vj的条件概率pj|i和qj|i，将条件概率最小化，得到最小化的高维数据的条件概率pj|i和最小化的低维数据的条件概率qij；
步骤2：依据条件概率最小化结果计算出高低维条件概率差异的最小值，计算
Figure BDA0002872131210000051
通过梯度下降法最小化代价函数L，其中n代表数据样本数，最后整合上述结果计算得到最优解
Figure BDA0002872131210000052
将最优解
Figure BDA0002872131210000053
作为tSNE聚类算法的聚类结果输出，这些输出的聚类信息熵簇对应4个智能汽车大件的DNA序列的聚类模板template：
template＝[FDJ,DP,CS,DQ]；
其中，FDJ,DP,CS,DQ为模板库中的大类故障类别；FDJ：发动机；DP：底盘；CS：车身；DQ：电气设备。
非负矩阵分解和t-SNE聚类相结合的方法避免了车辆故障有效信息大量丢失的不利情况，柔和聚类可以得到更可靠的模板库信息。
S6之后，还包括：
S7、判断所述故障分类模型输出的预测序列对应故障类别是否与所述聚类结果中的故障类别匹配，若所述故障类别从属于聚类结果中某一故障类别中的子故障，则将所述故障类别划入该故障类别中；若不匹配，则更新补充所述聚类结果中的故障类别，如当故障分类模型输出一个结果无法与所述聚类结果中的故障类别匹配，则由人工监督来判断是否更新，若更新，则将该分类结果的原始信号阈值设置为新的故障检测阈值，并在所述聚类结果中的故障类别中设置一个新类别(即所述故障类别)，若不更新，则直接放弃该分类结果。搭建大类模板库与分类模型精细故障分类的映射关系，便于故障分类，模板库比对机制帮助有关人员快速识别当前故障和历史故障信息间的异同，模板库更新机制帮助完善模板库的内容，从而容纳更多故障信息。
更新所述模板库的具体实现过程包括：更新初始时序差分的最小数值T和最小阈值判别的数值大小Ady,Adl,Awd,Azd，返回执行S1～S4，得到新的预判定的候选车辆部件故障基因，将所述新的预判定的候选车辆部件故障基因作为聚类模型的输入，得到更新后的模板库。模板库的更新可实现新故障(非历史存档故障)的分类，使分类结果更加准确可靠。
本发明还提供了一种智慧交通无人驾驶车辆故障基因诊断***，包括计算机设备；所述计算机设备被配置或编程为用于执行上述方法的步骤。
与现有技术相比，本发明所具有的有益效果为：
1)本发明在现有无人驾驶车辆故障诊断技术的基础上，提供了一种基于DNA序列模板库的精准故障识别方法。虚拟LabVIEW图形化数据采集***与现有CAN、车载以太网和WiFi的结合为大量历史数据需求提供了保障，大数据车载互联、车辆故障信息检测、基因信号转化、可编码的基因序列特征提取、故障模块的DNA序列模板库搭建、深度学习人工智能建模相互配合，准确识别车辆故障的位置及类型。
2)本发明搭建了可编码故障模块的DNA序列模板库，可以对应到汽车车辆的四大部件(发动机、底盘、车身和电气设备)。故障模板库的搭建为相关人员提供了技术指导，精准完善的故障信息更有利于工作人员进行无人驾驶车辆的故障检修。
3)本发明提出了一种无人驾驶车辆故障诊断多分类建模方法，在公路交通车辆的各大部件上安装振动传感器，结合LabVIEW汽车部件多源异构故障数据采集实时电压、电流、温度、振动数据信号，并建立门控循环单元(GRU)网络模型以进行设备故障的分类。
4)围绕无人驾驶汽车大数据实时在线数据采集、故障检测、基因信号转化、可编码的基因序列特征提取、建立故障模块的DNA序列模板库搭建了闭环反馈结构，对于新出现的故障可以通过有监督的自学***台中进行训练提速。
附图说明
图1为本发明实施例方法原理图。
具体实施方式
本发明实施例实现过程包括以下步骤：
1、进行基于LabVIEW汽车部件的多种数据采集，同时通过车载互联来增加数据的及时丰富性；
2、将采集到的电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd整合为数据矩阵X*，输入到RNNs网络进行异常值剔除，输出新的X，再将新的X输入故障检测模块进行故障信号的检测，得到矩阵数据E；
3、通过NMF降维方法将E转化为由4种碱基A,T,C,G表达的可编码基因序列O1,O2,O3,O4；
4、将O1,O2,O3,O4整合为DNA序列S＝S1,S2,S3,...,SN，经过特征提取的一系列操作得到预判定的候选车辆部件故障基因Vs；
5、将预判定的候选车辆部件故障基因Vs作为聚类模型的输入，搭建模板库；
6、将所述预判定候选车辆部件故障基因的部分数据Vs、门控循环单元网络隐含层初始神经元个数Θ0作为多目标蝗虫优化算法的输入，以具有隐含层神经元个数Θκ的门控循环单元网络作为输出，训练门控循环单元网络，得到分类模型；
7、依据实际需要来进行人工监督的基因模板库刷新；
8、将所提出的模型嵌入到大数据平台以提升故障诊断的速度；
9、根据实时车载互联采集到的多类数据，利用分类模型进行汽车故障诊断检测识别。
具体包括：
步骤1：汽车部件多源异构故障数据采集
为了获取可靠的实时车载运行设备参数以及状态行程数据，本发明针对无人驾驶汽车常用的CAN、车载以太网和WiFi搭建了基于虚拟仪器LabVIEW的图形化数据采集***。设计的无线数据采集***主要由采集电路传感器、无线通信***、LabVIEW***界面等几个大板块组成。其中更具体的，信号采集***主要由霍尔电流传感器、霍尔电压传感器、振动传感器、温度传感器、模数转换模块、单片机、无线收发模块以及一系列辅助电器设备组成。
LabVIEW是一种图形化的编程语言，是一种虚拟仪器软件开发工具，可以应用在自动驾驶汽车、无线通讯、电子自动化等等领域。本发明结合传统的传感器采集技术和LabVIEW平台来实现车辆故障的在线采集和监控，两种技术的结合搭建了使用者和车辆设备之间的通信桥梁。具体的汽车部件多源异构故障数据采集可以被归纳为如下几个子步骤：
A1.硬件***的原始车载数据采集
数据采集的底层构建则是传感器的布置，随着科技的发展，传感器性能不断提升的同时价格也十分便宜，这为数据采集提供了资本。在这一环节，需要布置霍尔电流、电压传感器、温度传感器、振动传感器(尽可能均匀布置在车辆的发动机、底盘、车身和电气设备周围，在电气设备密集的区域需要增加一定的传感器数量)来进行四种不同信号的捕捉。此外，为了使采集的信号可以被成功利用，A/D转化模块被设计以进行模数信号的转换。而单片机的设计是为了对处理后的电流、电压、温度、振动信号进行实时有效的处理，多个通信I/O口的设定保证了采集信号的准确。无线数传模块的选择需要考虑到通信的距离、功耗等，通信距离长且功耗小是追求的目标。
A2.软件***设计
在子步骤A1的硬件***完成采集后，在软件***中通过虚拟仪器LabVIEW来编写上位机的***界面程序。数据采集***可以实现数据的实时采集并保存至数据中心。软件采集***的设计主要包括以下几个部分：主程序、单片机处理程序、串口通讯程序、无线模块程序、通信协议等。软件采集***模块的流程可以总结如下：
首先进行单片机设备的配置初始化，依次采集电压、电流、温度、振动信号的传感器采集，在之后ADC模块将电压、电流、气压、振动、温度波形信号进行模数转换输送至单片机，单片机对接收到的数据信号进行判别处理，借助无线数传模块把信息发送至接收端口，最后由串口将数据传送至PC机，通过LabVIEW进行显示监控。
A3.无人驾驶车辆设备的LabVIEW数据采集
虚拟仪器技术发展为工业界提供了更多的可能，对于LabVIEW来说，其可视化性强且操作简单易懂的特性大大降低了从业人员的使用门槛。在PC端进行程序的编写可以使LabVIEW采集***对接TCP/IP等通讯协议。在本发明中需要进行信息记录子VI、串口设置、采集、回放、滤波、调取历史数据子VI、异常报警等模块的编程。
A4.PC端远程监控
完整搭建好的***通过远程PC端进行监控执行，控制器向LabVIEW平台发出触发信号，传感器进行数据远程采集，之后ADC模数转换输入进单片机进行数据判定处理，无线传输端口将实时信息传回LabVIEW可视化屏幕端，由专业人员进行车辆数据的采集监控。
步骤2：各无线车辆之间进行车载互联
LabVIEW***的无线通信可保证几百米范围内的车辆信息完美互通，这在车辆数量众多的城市内是十分有效的。距离相近的车辆，其设备故障信息可以通过无线通讯相互传递，最终将电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd反馈到管理人员的PC机端，管理端可以通过URL网络地址监控整个设备操作***。无线车辆之间的车载互联保证了数据的丰富性，人车物联网***保证了数据的实时性。
步骤3：汽车设备互联网大数据故障检测
在步骤2的车载互联网建立起来之后，不同车辆之间的设备信息被联通，一旦其中任何车辆出现故障，其故障数据便会被收纳进数据***进行学习。车载互联互通获取的设备信息在大数据技术的支持下被完整的传输到数据保存中心，其中重复的部分被提前通过复制因子神经网络(RNNs)剔除。
将步骤2车联互联处理后的电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd集合矩阵X*输入到RNNs网络当中，首先设定RNNs网络第m层的第c个神经元的输出为Sm(Imc)，对于第m层的第c个神经元的输入Imc，其数学表达式θ计算如下：
Figure BDA0002872131210000101
式中，Zmj是第m层网络的第j个神经元的输出，而第m层网络的神经元数目为Lm，wmcj是第m层网络中第j个神经元到下一神经元c的连接权重，当神经网络层数m＝2,4，其激活函数Sm的数学表达式如下：
Sm(θ)＝tanh(amθ)(m＝2,4) (2)
式中，am为常数1。而当中间层m＝3时，激活函数可以被看作为是一个阶梯函数，其表达式如下：
Figure BDA0002872131210000102
式中，N代表阶梯函数的步数，a3代表下一层的提升率。最后，神经网络可以计算单个离群值和一小群离群值，这些离群值将被剔除，最后得到处理后的新数据集合(包括电压、电流、温度、振动数据)X。
原始的电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd样本数据的不同表达往往对应着不同的实际故障类型，可设定一个统一的发生阈值或是波动动态来判定故障是否发生。在本发明中，故障的判定条件为：根据历史经验设定故障发生的电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd信号阈值(电压幅值最小阈值判别大小为15.6伏特，电流幅值最小阈值判别大小为100A，温度的最小阈值判别大小为80摄氏度，振动幅值最小阈值判别大小为15mm，两次连续达到阈值的时间间隔(时序差分的最小数值)为0.2s，则判定有故障发生。)来开启基于时序差分和阈值判别的故障检测模块，从而判定是否产生故障，完成有无故障发生的二分类。
补充说明，时序差分指的是车辆发生故障时两次较大幅度电压、电流、温度、振动信号的时间序列样本点的时间差，阈值判别指的是指车辆发生故障时压、电流、温度、振动信号达到的某个幅值大小。在这一环节，将数据X输入故障检测模块，故障检测模块执行如下操作：设定初始时序差分的最小数值为T，设定最小阈值判别的数值大小为Ady,Adl,Awd,Azd,，当经过RNNs异常值处理(参见Hawkins S,He H,Williams G,Baxter R.Outlierdetection using replicator neural networks.In:Proceedings of InternationalConference on Data Warehousing and Knowledge Discovery:Springer；2002.p.170-80.)后的数据集合起始和终止数据点的时间差大于阈值T且幅值大于最小阈值Ady,Adl,Awd,Azd,，则判定当前有故障发生，记录此时的数据位置和波形幅值变化情况，整合记为新矩阵数据E。
最后为了完成有效的闭环检测诊断，对检测出故障的数据样本的起始和终止位置标记为1，而其他没有达到判定标准的数据点全部标记为0。当遇到新的故障类型时，其波动状态不一定满足判定条件，若不满足，则将其输入到步骤8的自学习模块中进行基因库的更新，继而返回来更新步骤3的判定条件(根据历史经验设定故障发生的电压波形、电流波形、温度波形、振动波形信号阈值(电压幅值最小阈值判别大小为15.6伏特，电流幅值最小阈值判别大小为100A，温度的最小阈值判别大小为80摄氏度，振动幅值最小阈值判别大小为15mm，两次连续达到阈值的时间间隔(时序差分的最小数值)为0.2s，则判定有故障发生)来开启基于时序差分和阈值判别的故障检测模块，从而判定是否产生故障)。而满足条件的波动状态则输入到后续中进行特征提取、故障识别。
步骤4：基因序列信号转化
基因数据在数学表现上是高维或超高维的矩阵，为了有效利用这些数据，需要对其进行降维处理。其中，非负矩阵分解(NMF)降维就是一个使用非常广泛的方法(参见PaucaV P,Piper J,Plemmons R J.Nonnegative matrix factorization for spectral dataanalysis[J].Linear algebra and its applications,2006,416(1):29-47.)。它相比传统的降维方法具有计算量小、可解释性强的特点。能有效的降低数据的维度且保持关键信息不丢失。
给定一个步骤3的数据矩阵E＝[e1,e2,e3,...,en]∈Rg×h，其中矩阵的每一列代表一个数据样本，g×h为矩阵大小。NMF算法的目的是将原始数据矩阵E分解为两个非负数矩阵J,K的乘积。具体的，J＝[j1,j2,j3,...,jr]∈Rg×r，K＝[k1,k2,k3,...,kr]∈Rr×k。J代表一个基空间，它的每一列可以当成时基向量，而K则可以看作J在基空间映射的组合系数。一般来说他们满足以下条件：
r＜＜min(g,h) (4)
E≈JK (5)
在NMF算法中，一组高维数据E通过基空间J映射到K，本质上可以看作是一种矩阵投影。在本发明中对应的则是数据类型维度的转化，信号被映射成一组低维度的基因表达，这些基因代表发生故障部件的表达情况。
在步骤4中，故障信号数据矩阵E被排列展开，展开后的数据被分解为两个非负数矩阵J,K的乘积(高维数据E通过基空间J映射到K)，执行数据的非负矩阵分解(NMF)降维处理。根据先验知识和需要保留信息的程度来定义降维维度U，高维数据E经过降维后可被A，T，C，G四种碱基元素表达的U维特征向量所映射，也就是后续步骤需要的经过转化的基因序列信号。为了方便表示，分别用O1,O2,O3,O4代替四种碱基表达“A，T，C，G”。经过预处理后的振动信号被转化为可编码的基因序列。
步骤5：可编码的基因序列特征提取
将经过步骤3、4汽车设备互联网大数据故障检测、基因序列转化的U维特征向量信号输入到故障特征提取模块。该环节通过计算转化后基因序列中碱基的含量、位置以及转移概率几个特征来进行独立的无人驾驶车辆部件故障的DNA序列特征提取。
B1.首先定义一个O1,O2,O3,O4整合后的DNA序列S＝S1,S2,S3,...,SN，其长度为N，如果该DNA序列中第k(1≤k≤N)个数据点位置的碱基为Bi(1≤i≤U)，则记为Sk＝Bi；对于连续两个点碱基的情况，如果第l(1≤l≤N-1)个数据点位置的碱基为Bi，第l+1个数据点位置的碱基为Bj，则记为SlSl+1＝BiBj(1≤i,j≤U)。
B2.定义碱基转移概率Wij。首先将ni定为单个碱基点Bi在DNA序列S中出现的次数，此外，对于连续两个点碱基的情况，定义nij为碱基对BiBj在DNA序列S中出现的次数。具体计算式为：
Figure BDA0002872131210000131
对于特殊情况，如果碱基Bi没有出现在DNA序列S当中，或者出现但是只出现在最后一次，那么此时可以视Wij的分子分母为0，即Wij＝0。
补充说明，
Figure BDA0002872131210000132
这是因为：
Figure BDA0002872131210000133
Figure BDA0002872131210000134
所以可将Wij视为碱基Bi转移到碱基Bj的概率，即碱基转移概率向量。
B3.定义碱基含量Ci。DNA序列S中碱基Bi(1≤i≤U)的含量计算式如下：
Figure BDA0002872131210000135
对于U维碱基来说，其含量向量为C1,C2,C3,...,CU。
B4.定义碱基位置比Di。将DNA序列S中碱基Bi(1≤i≤U)出现的位置标记为Si，叠加表达式如下：
Figure BDA0002872131210000141
转化得到碱基位置比Di，数学表达式如下所示：
Figure BDA0002872131210000142
对于U维碱基来说，其位置比向量为D1,D2,D3,...,DU。
可编码基因序列经特征提取后，可得到能利用的U维向量。将上述步骤计算得到的基转移概率向量、碱基含量向量、碱基位置比向量进行整合可得到Vs＝(W11,W12,...,WUU,C1,...,CU,D1,...,DU)。这些特征向量被定义为预判定的候选车辆部件故障基因。
步骤6：建立故障模块的DNA序列模板库
上述步骤5提取出的候选故障基因特征向量在此环节被输入到(t分布随机邻域嵌入)t-SNE聚类模型当中，经过精细的聚类划分来建立故障模块的DNA序列模板库。模板库对应到无人驾驶汽车的4大板块，分别是发动机(FDJ)库、底盘(DP)库、车身(CS)库和电气设备(DQ)库。其括号中的简写代表获取基因序列表达的大类标签，一个大类标签下可包括同故障类型的多个小类标签。值得一提的是，如过直接用非负矩阵分解(NMF)将振动信号降到3维空间则会丢失大量关键信息，所以在本发明中先用NMF降到一个中小型的多维空间U，并用多维碱基特征来表达，最后再利用tSNE聚类方法得到最后的聚类结果，这样可以达到柔和聚类的效果。每个聚类结果对应一个部件的故障，聚类出的结果被输送到步骤7的模型当中进行训练，然后再利用DNA序列模板进行二次的大类划分。t-SNE是一种可以探索高维数据的非线性降维算法，在本发明中车辆故障模块t-SNE的DNA序列聚类方法如下：
C1.首先通过随机邻接嵌入(SNE)来把数据进行转化，数据间的高维欧几里得距离被转化后表示为相似的条件概率，具体的，高维数据点Vi、Vj的条件概率pj|i的数学计算给出如下：
Figure BDA0002872131210000151
式中，Vi,Vj是DNA序列S中的数据点，σi是以数据点Vi,Vj为中心得高斯方差。
C2.高维数据点到低维数据点的转化。同样的，对于低维数据点vi,vj而言，其条件概率qj|i的计算方法也是类似的：
Figure BDA0002872131210000152
在这一过程当中，随机邻域嵌入算法尝试将条件概率的差异最小化。对于t-SNE来说，设v服从t分布，则可以得到：
Figure BDA0002872131210000153
其中，z为预判定的候选车辆部件故障基因的序号。
C3.测量高低维度条件概率差异之和的最小值。在这一环节中，SNE使用梯度下降法来最小化Kullback-Leibler差异距离，同时SNE的代价函数将注意力投放到了映射数据的局部结构，更进一步的，运用t-SNE的重尾分布来减轻优化该函数的拥挤问题。为了使P和Q的分布尽可能接近，则需要使KL的散度尽可能的小，并计算pij：
Figure BDA0002872131210000154
Figure BDA0002872131210000155
KL散度的值越小，两个分布之间的距离越近。当散度KL＝0，时，则说明P和Q的分布是相同的。如果降维后特征空间中的点的概率分布近似于原始特征空间中的点的概率分布，则可以得到定义良好的聚类，此处通过梯度下降法最小化代价函数：
Figure BDA0002872131210000161
C4.迭代寻优，对变量目标函数L进行寻优，不断更新低维数据点，直至得到对应所求的最优解
Figure BDA0002872131210000162
该最优解为可以表达为FDJ、DP、CS和DQ的几簇。
Figure BDA0002872131210000163
其中，y为迭代过程中迭代次数，ymax为最大迭代总次数，η为学习率，α(y)为学习动量，低维数据的集合
Figure BDA0002872131210000164
此环节需要大量历史故障数据作为支撑。模板库对应大类的故障分类，一类同属性的基因特征表现对应到一种部件的故障，最后***发出诊断预警报告。最终得到的最优解
Figure BDA0002872131210000168
聚类结果可以表达为FDJ、DP、CS和DQ的几簇，可视化表达为4个智能汽车大件的DNA序列的聚类模板。模板的标签的表达如下所示：
template＝[FDJ,DP,CS,DQ] (19)
FDJ：发动机；DP：底盘；CS：车身；DQ：电气设备。至此，故障模块的DNA序列模板库搭建完成。
具体地，模板库的搭建可以总结为：
步骤1：将经过非负矩阵分解降维得到的预判定的候选车辆部件故障基因Vs作为随机邻接嵌入(SNE)算法的输入来分别得到高维数据点Vi、Vj和低维数据点vi,vj的条件概率pj|i和qj|i，并进一步将条件概率最小化得到最小化的高维数据的条件概率pj|i和最小化的低维数据的条件概率qij。
步骤2：依据条件概率最小化结果计算出高低维条件概率差异的最小值，并计算
Figure BDA0002872131210000165
通过梯度下降法最小化代价函数L，其中n为数据样本的数量，最后根据上述结果来计算得到最优解
Figure BDA0002872131210000166
也就是说将最优解
Figure BDA0002872131210000167
作为tSNE聚类算法的聚类结果输出。这些输出的聚类信息熵簇对应4个智能汽车大件的DNA序列的聚类模板。
步骤7：无人汽车故障识别的AI建模
将转化后的可编码预判定的候选车辆部件故障基因Vs归一化后输入模型以训练车辆故障诊断识别分类模型，即做故障的多分类。具体的建模过程如下：
D1.数据集划分。按照训练集、测试集分别60％，40％的比例将Vs进行划分，此外，分类模型的评价指标设定为故障分类准确率(Accuracy)和故障分类召回率(Recall)，数值越接近1代表模型的性能越好。
D2.建立与DNA序列特征模板库有映射关系的门控循环单元深度学习模型，并进行网络模型参数优化。深度神经网络每层神经元个数的选择对模型性能起到很大的影响作用，为了进一步提升模型性能，多目标蝗虫优化算法(MOGOA)被用于进行深度神经网络每层神经元个数的参数寻优。优化过程与GRU建模过程同时进行。具体实施细节如下：
1)选定优化算法进行参数初始化：选择多目标蝗虫优化算法进行GRU模型的参数优化。多目标蝗虫优化算法的迭代次数设置为500，分类精度为
Figure BDA0002872131210000171
当达到预设迭代次数或满足预期精度时迭代停止。
2)设定优化变量：将门控循环单元网络模型的隐含层每层神经元个数Θ设置为需要优化的变量。在本环节中，门控循环单元网络模型的循环结构被设定为4层，上一层的输出对应下下一层的输入，继而学习可编码数据的深度特征表示。
3)模型训练。将所述训练集、门控循环单元网络模型隐含层每层神经元的初始个数Θ0作为多目标蝗虫优化算法的输入，以具有隐含层神经元个数Θκ的门控循环单元网络模型作为输出，训练门控循环单元网络模型。
4)执行模型参数的多目标优化(参见Tharwat A,Houssein E H,Ahmed M M,etal.MOGOA algorithm for constrained and unconstrained multi-objectiveoptimization problems[J].Applied Intelligence,2018,48(8):2268-2283.)。为了进一步提升模型性能，将多目标蝗虫优化算法用来优化GRU模型隐含层神经元个数以提高分类精度。将所述测试集、隐含层神经元个数Θκ作为多目标蝗虫优化算法目标优化函数的输入，计算目标优化函数值，另外，每一次迭代过程中，具有隐含层神经元个数Θκ的门控循环单元网络模型(即分类器)会输出一次分类数值；其中κ表示当前迭代次数，0≤κ≤500。
设置优化目标为最大化模型各类故障的分类准确率和分类召回率，当目标函数object1和目标函数object2通过多目标优化取到综合最优时，会形成一组同时包含多个(Θ)的帕累托面解集，该解集上每一(Θ)都对应两个目标函数值的综合最优，优化目标函数的表达式如下：
Figure BDA0002872131210000181
object1＝Max{AccuracyFDJ(Θ),AccuracyDP(Θ),AccuracyCS(Θ),AccuracyDQ(Θ)}
(21)
Figure BDA0002872131210000182
object2＝Max{RecallFDJ(Θ),RecallDP(Θ),RecallCS(Θ),RecallDQ(Θ)} (23)
Figure BDA0002872131210000183
式中εf为门控循环单元网络模型中第f层的神经元数量，αf为结合权重，公式(21)、(23)是指取max()函数中四个变量组合后的最大值；Θ是隐含层神经元个数，下标FDJ表示发电机故障，DP表示底盘故障，CS表示车身故障，DQ表示电气设备故障。AccuracyFDJ,AccuracyDP,AccuracyCS,AccuracyDQ依次对应发电机的故障分类准确率、底盘的故障分类准确率、车身的故障分类准确率、电气设备的故障分类准确率；RecallFDJ,RecallDP,RecallCS,RecallDQ依次对应发电机的故障分类召回率、底盘的故障分类召回率、车身的故障分类召回率、电气设备的故障分类召回率。Accuracy＝[AccuracyFDJ(Θ),AccuracyDP(Θ),AccuracyCS(Θ),AccuracyDQ(Θ)]；Recall＝RecallFDJ(Θ),RecallDP(Θ),RecallCS(Θ),RecallDQ(Θ)。
对于二分类问题，其样本分类有四种结果，真阳性(TP)、假阳性(FP)、真阴性(TN)、假阴性(FN)，具体的混淆矩阵解释如下：
Figure BDA0002872131210000191
Accuracy的计算方法可以被解释如下：对于每一个样本点，当分类器的输出分类数值和测试集数值相同且为正时，记TP+1；当分类器的输出分类数值和测试集数值相反且分类器的输出分类数值为正时，记FP+1；当分类器的输出分类数值和测试集数值相反且分类器的输出分类数值为负时，记FN+1；当分类器的输出分类数值和测试集数值相同且为负时，记TN+1；此处的分类器不是最终的分类模型，该分类器仅输出训练过程中的分类结果。
5)根据两个所述的目标优化函数值的乘积来更新门控循环单元网络模型隐含层每层神经元个数的搜索路径，使得下一次两个目标函数值的乘积大于此次两个目标函数值的乘积，得到新的隐含层神经元个数Θκ+1。
6)搜索迭代次数It＝It+1，将新的隐含层神经元个数Θκ+1作为多目标蝗虫优化算法目标优化函数的输入，返回步骤4)，直至多目标蝗虫优化算法目标函数值达到预期或完成所设定的迭代次数，完成门控循环单元网络模型训练，并获取最优参数Θoptimal，该最优参数Θoptimal对应的门控循环单元网络模型即分类模型。
其中，当真实标签和预测标签吻合时，就说明模型分类正确，准确的完成了设备的故障诊断。分类结果可以对应步骤6模板库中的template＝[FDJ,DP,CS,DQ]四类故障。判断所述分类模型输出的分类结果对应故障类别是否与模板库中的故障类别匹配，若所述故障类别从属于模板库中某一故障类别中的子故障，则将所述故障类别划入该故障的模板库中，记为旧类故障
Figure BDA0002872131210000192
若所述故障类别不属于模板库中的任何一类，则进行步骤8的有监督的DNA基因模板库自学习在线更新。DNA序列模板库为模型的训练指引了方向。
步骤8：有监督的DNA基因模板库自学习在线更新
对于未达到初始事件检测模块阈值判定的新故障，其原始振动信号被输入到步骤8中进行有监督的DNA基因模板库自学习在线更新。这一步需要人工监督凭借以往经验来判断故障类型且测定该故障发生时传感器可接受到的电压、电流、温度和振动信号。继而进行初始时序差分的最小数值T，最小阈值判别的数值Ady,Adl,Awd,Azd,的刷新，若通过了人工检验，则通过新的一次训练来补充完善步骤6的故障模块的DNA序列模板库，并将该类故障标记为新类故障
Figure BDA0002872131210000201
例如，原本是在一个时间差0.2s内电压幅值超过15.6则作为判定条件之一，但是由于这是初始设定的阈值，如果此时确实有一个新的没见过的故障发生，对应过来的电压阈值仅为15.4，那么就需要调整刷新之前设定的初始值15.6，将其定义为新的15.4，此后电压部分的阈值判定条件更新为15.4，其他的电流、温度、振动阈值同理，出现新的故障却没有达到上一次迭代的阈值时，进行新的刷新，这一过程需要人工监督完成。
如果遇到阈值太低甚至和噪声波动幅值相近的小幅值故障则不计入刷新范围，对应这种小幅值的故障需建立新的更精细的模型方法来检验，甚至可以考虑不诊断。
步骤9：并行式大数据平台嵌入
综合本发明提出方法的时耗性以及实际工程中汽车设备维修的实时性需要，可将模块嵌入并行式大数据平台以加快模型训练和自学***台包括MapReduce、Apache Spark等(参见DittrichJ,Quiané-Ruiz J A.Efficient big data processing in Hadoop MapReduce[J].Proceedings of the VLDB Endowment,2012,5(12):2014-2015.)。这些大规模数据处理的分析引擎和集群计算***具有高效性、易用性、通用性和兼容性等特征，可以极大的满足使用需求。

Claims (10)

1.一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，包括以下步骤：
S1、采集无人驾驶车辆整段电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd，将所述电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd整合为数据矩阵X*；
S2、将数据矩阵X*输入到RNNs网络，剔除异常值，输出X，利用X进行故障信号检测，得到故障信号矩阵E；
S3、将故障信号矩阵E转化为由4种碱基A,T,C,G表达的可编码基因序列O1,O2,O3,O4；
S4、将O1,O2,O3,O4整合为DNA序列S＝S1,S2,S3,...,SN，对S进行特征提取，得到预判定的候选车辆部件故障基因Vs；
S5、利用所述的预判定候选车辆部件故障基因训练门控循环单元网络模型，得到分类模型；
优选地，还包括：
S6、实时采集无人驾驶车辆电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd，将所述电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd整合为数据矩阵后输入所述分类模型，进行故障分类识别。
2.根据权利要求1所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，S1中，将所述数据矩阵X作为RNNs神经网络的输入，剔除离群值。
3.根据权利要求1或2所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，S2中，故障检测的具体实现过程包括：设定初始时序差分的最小数值为T，最小阈值判别的数值大小为Ady,Adl,Awd,Azd,，当所述数据矩阵X或者剔除离群值后的数据矩阵的起始和终止数据点的时间差大于阈值T，且幅值大于最小阈值Ady,Adl,Awd,Azd,，则判定当前有故障发生，记录此时的数据位置和波形幅值变化情况，整合记为新矩阵数据E；其中Ady,Adl,Awd,Azd,分别指电压幅值、电流幅值、温度幅值、振动幅值。
4.根据权利要求1所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，生成预判定的候选车辆部件故障基因Vs＝(W11,W12,...,WUU,C1,...,CU,D1,...,DU)；其中，碱基Bi转移到碱基Bj的概率
Figure FDA0002872131200000021
ni为单个碱基点Bi在DNA序列S中出现的次数；Bi为DNA序列S中第i个数据点位置的碱基；1≤i≤U；U指碱基元素所代表特征向量的维度；N为DNA序列S的长度；nij为碱基对BiBj在DNA序列S中出现的次数；碱基含量
Figure FDA0002872131200000022
碱基位置比
Figure FDA0002872131200000023
DNA序列S中碱基Bi出现的位置标记为Si，其中si是Si中的值。
5.根据权利要求1所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，S5的具体实现过程包括：
1)将车辆部件故障基因Vs随机划分为训练集和测试集；初始化多目标蝗虫优化算法的迭代次数κ、预期精度；
2)将所述训练集、门控循环单元网络模型隐含层初始神经元的初始个数Θ0作为门控循环单元网络模型的输入，以具有隐含层神经元个数Θκ的双门控循环单元网络模型作为输出，训练门控循环单元网络模型；
3)将所述测试集、隐含层神经元个数Θκ作为多目标蝗虫优化算法两个目标优化函数的输入，计算两个目标优化函数的值；根据两个所述目标优化函数值的乘积，更新门控循环单元网络模型隐含层每层神经元个数的搜索路径，使得下一次两个目标函数值的乘积大于当前次两个目标函数值的乘积，从而得到新的隐含层的每层神经元个数Θκ+1；
4)搜索迭代次数加1，将新的隐含层的每层神经元个数Θκ+1作为多目标蝗虫优化算法目标函数的输入，返回步骤3)，直至多目标蝗虫算法目标优化函数值达到预期精度或完成所设定的迭代次数，完成门控循环单元网络模型训练，并获取最优参数Θoptimal，该最优参数Θoptimal对应的门控循环单元网络模型即分类模型；优选地，两个所述目标优化函数表达式为：
Figure FDA0002872131200000031
object1＝Max{AccuracyFDJ(Θ),AccuracyDP(Θ),AccuracyCS(Θ),AccuracyDQ(Θ)}
Figure FDA0002872131200000032
object2＝Max{RecallFDJ(Θ),RecallDP(Θ),RecallCS(Θ),RecallDQ(Θ)}；
Figure FDA0002872131200000033
式中εf为门控循环单元网络模型中第f层的神经元数量，αf为结合权重，object1、object2优化目标函数是指取max()函数中四个变量组合后的最大值；Θ是隐含层神经元个数，下标FDJ表示发电机故障，DP表示底盘故障，CS表示车身故障，DQ表示电气设备故障；AccuracyFDJ,AccuracyDP,AccuracyCS,AccuracyDQ依次对应发电机的故障分类准确率、底盘的故障分类准确率、车身的故障分类准确率、电气设备的故障分类准确率；RecallFDJ,RecallDP,RecallCS,RecallDQ依次对应发电机的故障分类召回率、底盘的故障分类召回率、车身的故障分类召回率、电气设备的故障分类召回率。Accuracy＝[AccuracyFDJ(Θ),AccuracyDP(Θ),AccuracyCS(Θ),AccuracyDQ(Θ)]；Recall＝RecallFDJ(Θ),RecallDP(Θ),RecallCS(Θ),RecallDQ(Θ)；
每一次迭代过程中，对于测试集中的每一个样本点，当分类器的输出分类数值和测试集中该样本点的数值相同且为正时，TP的值加1；当分类器的输出分类数值和测试集中该样本点的数值相反且分类器的输出分类数值为正时，FP的值加1；当分类器的输出分类数值和测试集中该样本点的数值相反且分类器的输出分类数值为负时，FN的值加1；当分类器的输出分类数值和测试集中该样本点的数值相同且为负时，TN的值加1；所述分类器是指每一次迭代过程中，具有隐含层神经元个数Θκ的门控循环单元网络模型；其中，真阳性TP、假阳性FP、真阴性TN、假阴性FN的初始值均为0。
6.根据权利要求1所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，还包括：将预判定的候选车辆部件故障基因Vs作为聚类模型的输入，搭建模板库。
7.根据权利要求6所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，搭建模板库的具体实现过程包括：
步骤1：将经过非负矩阵分解降维得到的预判定的候选车辆部件故障基因Vs作为随机邻接嵌入算法的输入，得到高维数据点Vi、Vj、低维数据点vi,vj的条件概率pj|i和qj|i，将条件概率最小化，得到最小化的高维数据的条件概率pj|i和最小化的低维数据的条件概率qij；
步骤2：依据条件概率最小化结果计算出高低维条件概率差异的最小值pij，
Figure FDA0002872131200000041
通过梯度下降法最小化代价函数L：
Figure FDA0002872131200000042
得到最优解
Figure FDA0002872131200000043
将所述最优解
Figure FDA0002872131200000044
作为tSNE聚类算法的聚类结果输出，所述聚类结果对应智能汽车4个大件的DNA序列的聚类模板template：
template＝[FDJ,DP,CS,DQ]；
其中，FDJ,DP,CS,DQ为模板库中的大类故障类别；FDJ：发动机；DP：底盘；CS：车身；DQ：电气设备；其中n代表数据样本数，KL表示散度。
8.根据权利要求6所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，S6之后，还包括：
S7、判断所述故障分类模型输出的预测序列对应故障类别是否与所述聚类结果中的故障类别匹配，若所述故障类别从属于聚类结果中某一故障类别中的子故障，则将所述故障类别划入该故障类别中；若不匹配，则更新补充所述聚类结果中的故障类别，如当故障分类模型输出一个结果无法与所述聚类结果中的故障类别匹配，则由人工监督来判断是否更新，若更新，则将该分类结果的原始信号阈值设置为新的故障检测阈值，并在所述聚类结果中的故障类别中设置一个新的故障类别，若不更新，则直接放弃该分类结果。
9.根据权利要求8所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，更新所述模板库的具体实现过程包括：更新初始时序差分的最小数值T和最小阈值判别的数值大小Ady,Adl,Awd,Azd，返回执行S1～S4，得到新的预判定的候选车辆部件故障基因，将所述新的预判定的候选车辆部件故障基因作为聚类模型的输入，得到更新后的模板库。
10.一种智慧交通无人驾驶车辆故障基因诊断***，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～9之一所述方法的步骤。
CN202011616139.0A 2020-12-30 2020-12-30 一种智慧交通无人驾驶车辆故障基因诊断方法及*** Active CN112836577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011616139.0A CN112836577B (zh) 2020-12-30 2020-12-30 一种智慧交通无人驾驶车辆故障基因诊断方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011616139.0A CN112836577B (zh) 2020-12-30 2020-12-30 一种智慧交通无人驾驶车辆故障基因诊断方法及***

Publications (2)

Publication Number Publication Date
CN112836577A true CN112836577A (zh) 2021-05-25
CN112836577B CN112836577B (zh) 2024-02-20

Family

ID=75925610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011616139.0A Active CN112836577B (zh) 2020-12-30 2020-12-30 一种智慧交通无人驾驶车辆故障基因诊断方法及***

Country Status (1)

Country Link
CN (1) CN112836577B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004074048A1 (de) * 2003-02-21 2004-09-02 Audi Ag Vorrichtung und verfahren zur zentralen on-board diagnose für kraftfahrzeuge
US20070075919A1 (en) * 1995-06-07 2007-04-05 Breed David S Vehicle with Crash Sensor Coupled to Data Bus
CN105277852A (zh) * 2015-11-09 2016-01-27 广州航海学院 配电网线路工况分类识别方法
CN108062572A (zh) * 2017-12-28 2018-05-22 华中科技大学 一种基于DdAE深度学习模型的水电机组故障诊断方法与***
CN109308522A (zh) * 2018-09-03 2019-02-05 河海大学常州校区 一种基于循环神经网络的gis故障预测方法
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
CN110232415A (zh) * 2019-06-12 2019-09-13 中南大学 一种基于生物信息特征的列车转向架故障识别方法
CN111767930A (zh) * 2019-04-01 2020-10-13 北京百度网讯科技有限公司 物联网时序数据异常检测方法及其相关设备
CN111785018A (zh) * 2020-06-18 2020-10-16 重庆大学 一种基于门控循环单元的收费站下道流量预测方法
CN111898686A (zh) * 2020-08-04 2020-11-06 重庆大学 基于门控循环单元网络的轴承故障识别方法
CN112149230A (zh) * 2020-09-27 2020-12-29 中南大学 一种强风铁路风致列车舒适性劣化预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070075919A1 (en) * 1995-06-07 2007-04-05 Breed David S Vehicle with Crash Sensor Coupled to Data Bus
WO2004074048A1 (de) * 2003-02-21 2004-09-02 Audi Ag Vorrichtung und verfahren zur zentralen on-board diagnose für kraftfahrzeuge
CN105277852A (zh) * 2015-11-09 2016-01-27 广州航海学院 配电网线路工况分类识别方法
CN108062572A (zh) * 2017-12-28 2018-05-22 华中科技大学 一种基于DdAE深度学习模型的水电机组故障诊断方法与***
CN109308522A (zh) * 2018-09-03 2019-02-05 河海大学常州校区 一种基于循环神经网络的gis故障预测方法
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
CN111767930A (zh) * 2019-04-01 2020-10-13 北京百度网讯科技有限公司 物联网时序数据异常检测方法及其相关设备
CN110232415A (zh) * 2019-06-12 2019-09-13 中南大学 一种基于生物信息特征的列车转向架故障识别方法
CN111785018A (zh) * 2020-06-18 2020-10-16 重庆大学 一种基于门控循环单元的收费站下道流量预测方法
CN111898686A (zh) * 2020-08-04 2020-11-06 重庆大学 基于门控循环单元网络的轴承故障识别方法
CN112149230A (zh) * 2020-09-27 2020-12-29 中南大学 一种强风铁路风致列车舒适性劣化预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RASHMI SUNDARESWARA 等: "Network-based relevant feature identification and early detection of impending faults", 《2016 IEEE AEROSPACE CONFERENCE》, pages 1 - 11 *
唐道超: "高速列车转向架故障诊断的评估方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 07, pages 033 - 362 *

Also Published As

Publication number Publication date
CN112836577B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
WO2022141213A1 (zh) 一种智慧城市智轨车辆故障基因预测方法及***
Jiang et al. Spatio-temporal meta-graph learning for traffic forecasting
CN106371427B (zh) 基于层次分析法和模糊融合的工业过程故障分类方法
CN103914735B (zh) 一种基于神经网络自学习的故障识别方法及***
CN112650204B (zh) 一种智慧轨道无人驾驶车辆故障基因识别方法及***
Zhang et al. DeepHealth: A self-attention based method for instant intelligent predictive maintenance in industrial Internet of Things
CN107886168A (zh) 一种使用多层感知器神经网络进行电梯故障识别的方法
CN112734094B (zh) 一种智慧城市智轨车辆故障基因预测方法及***
Zhang et al. Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis
CN115204302A (zh) 一种无人机小样本故障诊断***及方法
CN116738339A (zh) 一种小样本电信号多分类深度学习识别检测方法
CN115096627A (zh) 一种液压成形智能装备制造过程故障诊断与运维方法及***
Shao et al. Failure detection for motion prediction of autonomous driving: An uncertainty perspective
CN111497868A (zh) 一种基于bn-lstm网络的汽车传感器故障分类方法
Liu et al. Intelligent hazard-risk prediction model for train control systems
CN113156908B (zh) 一种机理与数据联融合的多工况工业过程监测方法和***
CN117852541A (zh) 一种实体关系三元组抽取方法、***及计算机设备
CN112836577A (zh) 一种智慧交通无人驾驶车辆故障基因诊断方法及***
CN116946183A (zh) 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备
Wang et al. Dsmcl: Dual-level stochastic multiple choice learning for multi-modal trajectory prediction
Lin et al. Measuring similarity of interactive driving behaviors using matrix profile
CN114638379A (zh) 边缘侧多智能体opc ua信息解析和决策方法
CN108549903B (zh) 一种聚合反应过程的质量模式监测方法
Sohani et al. A data-driven, falsification-based model of human driver behavior
Xu et al. Research on parking Space Detection and Prediction Model based on CNN-LSTM

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