CN113485302A

CN113485302A - 基于多元时序数据的车辆运行过程故障诊断方法及***

Info

Publication number: CN113485302A
Application number: CN202110819532.8A
Authority: CN
Inventors: 彭朝晖; 董潇; 谢广印; 薛亮
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2021-07-20
Filing date: 2021-07-20
Publication date: 2021-10-08
Anticipated expiration: 2041-07-20
Also published as: CN113485302B

Abstract

本公开公开的基于多元时序数据的车辆运行过程故障诊断方法及***，包括：获取车辆运行过程中的运行状态信息；对各运行状态信息进行时序划分，获取多元时序数据；从多元时序数据中提取多元时序数据的相关性特征；从多元时序数据的相关性特征提取时间依赖性特征；将多元时序数据和时间依赖性特征输入训练好的故障检测与诊断模型中，获取故障检测与诊断结果。实现了对车辆运行过程的故障检测与诊断。

Description

基于多元时序数据的车辆运行过程故障诊断方法及***

技术领域

本发明涉及车辆运行过程故障检测技术领域，尤其涉及基于多元时序数据的车辆运行过程故障诊断方法及***。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

车辆运行过程故障检测与诊断是提醒车主车辆是否发生故障，并在故障发生时给出诊断信息的重要工具。当车辆运行时，部件传感器传回的多元时序数据存在某些故障变化，如果车主没有及时获取车辆故障的相关信息，可能会导致车辆部分损失或整个运行停滞。因此，在车辆运行过程中准确的检测出车辆发生的故障并及时提醒车主，可以避免造成更大损失。同时，车辆运行***复杂，若能在故障发现的同时给出故障相关诊断信息，帮助找出导致故障产生的重要因素，可以为车主尽快排查故障、恢复车辆的正常运行提供非常有力的帮助。

当前对于车辆运行过程故障检测与诊断的方法比较匮乏。车辆运行时产生的时序数据具有随机性，难以获取特征规律，各时序数据间存在复杂的关联关系，而且具有正负样本不均衡问题，此外，车辆运行故障类型多样，其产生可能是单个部件作用或者多个部件共同作用的结果，故障原因难以定位。传统的基于人工与故障报警装置的方式存在效率低下、精确性弱、故障原因难以定位的问题。基于传统机器学习算法的故障检测有些需要数据满足一定的特征规律，并且常用的基于分类的故障检测算法在正负样本不均衡的情况下难以获取较高的精度。基于深度学习的故障检测算法大都只考虑单一时序数据的时间依赖性特征，而忽略多元时序数据间的相互影响。此外，现有算法更多的是对数据故障做出判断，很少对影响故障产生的重要因素做出分析。由此可见，现有方法并不能对车辆运行过程中的故障进行有效的检测与诊断。

发明内容

本公开为了解决上述问题，提出了基于多元时序数据的车辆运行过程故障诊断方法及***，实现了车辆运行过程的故障检测与诊断。

为实现上述目的，本公开采用如下技术方案：

第一方面，提出了基于多元时序数据的车辆运行过程故障诊断方法，包括：

获取车辆运行过程中的运行状态信息；

对各运行状态信息进行时序划分，获取多元时序数据；

从多元时序数据中提取多元时序数据的相关性特征；

从多元时序数据的相关性特征提取时间依赖性特征；

将多元时序数据和时间依赖性特征输入训练好的故障检测与诊断模型中，获取故障检测与诊断结果。

第二方面，提出了基于多元时序数据的车辆运行过程故障诊断***，包括：

数据获取模块，用于获取车辆运行过程中的运行状态信息；

时序划分模块，用于对各运行状态信息进行时序划分，获取多元时序数据；

相关性特征提取模块，用于从多元时序数据中提取多元时序数据的相关性特征；

时间依赖性特征提取模块，用于从多元时序数据的相关性特征提取时间依赖性特征；

故障检测与诊断模块，用于将多元时序数据和时间依赖性特征输入训练好的故障检测与诊断模型中，获取故障检测与诊断结果。

第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成基于多元时序数据的车辆运行过程故障诊断方法所述的步骤。

第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成基于多元时序数据的车辆运行过程故障诊断方法所述的步骤。

与现有技术相比，本公开的有益效果为：

1、本公开通过对车辆上各传感器获取的多元时序数据进行分析，在对车辆运行过程中故障进行检测的基础上，还实现了对故障的诊断。

2、本公开在对车辆运行过程进行故障检测与诊断时，首先从多元时序数据中提取了多元时序数据的相关性特征，后从多元时序数据的相关性特征中获取了时间依赖性特征，该时间依赖性特征不仅包含了单一时序数据的时间依赖性特征，还包括多元时序数据间的相关性特征，通过该时间依赖性特征进行车辆运行过程中的故障检测与诊断，提高了故障检测与诊断的准确性。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本公开实施例1公开方法的流程图；

图2为本公开实施例1公开的模型框架图；

图3为本公开实施例1公开的多元时序数据的相关性特征提取图；

图4为本公开实施例1公开的时间依赖性特征提取图；

图5为本公开实施例1公开的故障检测与诊断原理图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。

本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。

实施例1

为了实现对车辆运行过程故障的检测与诊断，在该实施例中公开了基于多元时序数据的车辆运行过程故障诊断方法，包括：

获取车辆运行过程中的运行状态信息；

对各运行状态信息进行时序划分，获取多元时序数据；

从多元时序数据中提取多元时序数据的相关性特征；

从多元时序数据的相关性特征提取时间依赖性特征；

进一步的，运行状态信息包括发动机冷却液温度、发动机转速、大气压力、发动机电压、发动机扭矩、油门踏板开度、车辆速度、燃油消耗率。

进一步的，在对各运行状态信息进行时序划分前，将各运行状态信息进行归一化。

进一步的，将多元时序数据输入训练好的CNN网络模型中，获取多元时序数据的相关性特征。

进一步的，利用Transformer Encoder模块从多元时序数据的相关性特征中提取时间依赖性特征。

进一步的，故障检测与诊断模型采用生成对抗网络。

进一步的，生成对抗网络包括生成器和判别器；将多元时序数据和时间依赖性特征输入生成器中获得重构序列和重构误差；将重构序列和多元时序数据输入判别器中，获得判别得分；利用判别得分和重构误差获得故障得分；根据故障得分判断多元时间序列是否为故障数据；根据判定为故障数据的多元时序数据中各运行状态信息重构前后的变化，对故障进行诊断。

结合图1-5对本实施例公开的基于多元时序数据的车辆运行过程故障检测方法进行详细说明。

基于多元时序数据的车辆运行过程故障检测方法，通过对获取的多元时序数据进行分析，实现对车辆运行过程故障检测与诊断，如图1、2所示，主要包括：多元时序数据的获取、多元时序数据的相关性特征的提取、时间依赖性特征提取和故障检测与诊断四个阶段。

其中，多元时序数据的获取过程为：

获取车辆中各部件传感器检测的车辆运行过程中的运行状态信息，运行状态信息包括发动机冷却液温度、发动机转速、大气压力、发动机电压、发动机扭矩、油门踏板开度、车辆速度、燃油消耗率等，为时间序列数据。

在具体实施时，运行状态信息可以根据故障检测与诊断的实际需求进行增减更换。

由于不同部件传感器获取的数值的量纲不同，故对车辆运行过程中不同传感器获得的运行状态信息进行了归一化，使所有传感器获取的信息具有相同的尺度。

对于某车辆运行状态信息序列{x₁,x₂,…,x_N}，对运行状态信息进行归一化的公式为：

利用滑动窗口对运行状态信息进行时序划分，获得多元时序数据，具体为：

车辆运行过程中各个部件传感器所传回的运行状态信息包含连续的观察结果，这些观察结果通常是按等距的时间戳收集的。

定义多元时序数据为：

X＝{x₁，x₂，…，x_N}

其中N是x的长度，从1到N分别代表某个时刻。

定义在t时刻的观察值为：

x_t是一个M维向量，向量的每个维度代表某个部件传感器，其中t≤N，x∈R^N×M。

滑动窗口为指定的单位长度来选取时序数据，将时序数据比作一个刻度尺，滑动窗口就相当于一个长度固定的滑块在刻度尺上面滑动，每滑动一个单位就选取该滑块内的数据。使用x_t-T：t(∈R^(T+1)×M)来定义从时刻t-T到时刻t，即T+1单位的滑动窗口的观察值为：

{x_t-T，x_t-T+1，…，x_t}

将其展开即为一个时间序列矩阵，可表示为：

多元时序数据的相关性特征的提取过程为：利用CNN网络从多元时序数据中提取多元时序数据的相关性特征。

采用CNN网络，并借助CNN中的卷积核对局部信息的采集，以提取多元时序数据的相关性特征，如图3所示。车辆运行过程数据各个运行状态信息间存在复杂的关联关系，比如油门踏板开度会对车辆速度产生影响，速度与发动机转速、喷油量与燃油消耗率等都存在关联关系，因此需要对各运行状态信息间的相关性特征进行提取，即多元时序数据X各维度间的相关性特征进行提取。

CNN中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到。通过设置多个滤波器，以不同卷积单元作为不同的权重矩阵对数据进行卷积运算(同等规格张量对应元素相乘，再相加得到一个新的张量)。卷积运算的目的就是用于捕捉局部、细节信息，利用不同权重矩阵提取输入数据不同维度间的相关性特征，最终组合输出新的特征矩阵z_c，该特征矩阵z_c为获得的多元时序数据的相关性特征。

CNN网络采用一维卷积层并以线性整流函数(Rectified Linear Units,ReLU)作为激活函数，把卷积层的结果做非线性映射，与传统的sigmoid激活函数相比，ReLU能够有效缓解梯度消失问题。ReLU函数它是一个非常简单的函数，当输入小于零的时候输出为零，否则输出等于输入。ReLU函数表达式：

从多元时序数据的相关性特征中提取时间依赖性特征的具体过程为：通过Transformer Encoder模块从多元时序数据的相关性特征中提取时间依赖性特征。

车辆运行过程中获取的运行状态信息是按照时间顺序进行采样的数据，在时间维度上蕴含着数据的许多隐藏信息。如果在某一时刻某个运行状态信息产生了变化，比如司机突然加大了油门踏板的开度，那么在之后的时刻，与油门踏板开度相关联的其他运行状态信息，比如速度、发动机转速、燃油消耗率等都会有所变化。由此可见，通过对各个运行状态信息的时间依赖性特征进行提取，可以获取各个运行状态信息的变化信息。通过选用多层Transformer Encoder实现对时序数据的时间依赖性特征提取，其中TransformerEncoder的具体结构，如图4所示。具体流程如下：

对从多元时序数据中提取的多元时序数据的相关特征矩阵z_c进行位置编码，获得编码后特征矩阵z_n，将编码后特征矩阵z_n作为Encoder的输入，可以帮助确定序列中各个向量的位置以及不同向量之间的距离,同时也使得模型需要学习的参数更少，模型训练更快。

将加入位置编码信息的编码后特征矩阵z_n作为第一个Encoder的输入，然后将该输出直接作为下一个Encoder的输入进行计算，持续进行下去，直到最后一个Encoder输出，即为最终输出，以此实现对时间依赖性特征的提取。Encoder主要由两部分组成：第一部分是自注意力机制(Self-Attention)，第二部分是前馈神经网络。单元内部的子层之间设计了残差连接,该连接可以保证把上一层的信息完整地传到下一层。自注意力机制为Transformer Encoder中最重要的组成部分。自注意力机制由注意力机制改进而来，借助自注意力机制可以降低对外部信息的依赖，增强捕捉数据的内部相关性特征。借助自注意力机制可以使得序列中的每个位置向量都能融合其前后各个位置向量的相关信息。

首先构建三个权重矩阵W_q,W_k,W_v，这三个矩阵通过模型训练获取，由此计算：

Q＝z_nW_q

K＝z_nW_k

V＝z_nW_v

根据得到的Q，K，V矩阵再做计算：

其中d_k为K的维度，就得到了自注意力机制的最终输出，由此实现对时间依赖性特征的提取。

在具体实施时，故障检测与诊断模型采用生成对抗网络(GAN)，GNA包括生成器和判别器。

生成对抗网络包括生成器(G)和判别器(D)；将多元时序数据和时间依赖性特征输入生成器中获得重构序列和重构误差；将重构序列和多元时序数据输入判别器中，获得判别得分；利用判别得分和重构误差获得故障得分；根据故障得分判断多元时间序列是否为故障数据；根据判定为故障数据的多元时间序列中各运行状态信息重构前后的变化，对故障进行诊断。如图5所示，具体流程如下：

(1)利用GAN生成器得到重构误差。

生成器的目标是通过学习真实数据的特征分布，生成与真实样本x_t-T∶t尽可能相似的重构序列G(z)，从而使得判别器无法对真实样本与重构样本进行区分。

将多元时序数据提取的时间依赖性特征矩阵：

输入到生成器，输出重构序列G(z)：

计算重构误差d_G的过程为：

对x-G(z)获得的矩阵中各个元素做平方获得矩阵N：

然后对矩阵N以列为单位，各个元素相加再做均值，得到：

N_t-T∶t＝[n¹，n²，…，n^M]

最后对矩阵N_t-T∶t各个元素相加做均值获得重构误差d_G。

(2)利用GAN判别器得到判别得分。

判别器的目标是区分输入数据是真实的多元时序数据x_t-T∶t还是生成器的重构序列G(z)。在理想情况下，如果输入数据是多元时序数据，则D的输出是1，如果输入数据是生成器的重构序列G(z),则D的输出是0。直接将判别器输出得判别得分d_D作为判别器的输出，d_D值越大表明数据更可能是真实数据，d_D值越小表明数据更可能为重构数据。

(3)利用重构误差与判别得分得到故障得分，并将超过阈值的序列判定为正常数据，否则为故障数据。

将判别器的输出值d_D与生成器的重构误差d_G的差作为故障得分d_score：

d_score＝d_D-d_G

通过选用训练阶段计算得到的故障得分

的平均值为阈值th，然后在测试阶段对数据是否为故障数据做出判断：

其中0代表故障数据，1代表正常数据。

(4)将判定为故障数据的多元时序数据，通过对比数据重构前后各维度的变化值，对故障做出诊断，此处的各维度的变化值为各运行状态信息的变化值。

通过计算故障得分d_score可以为故障检测提供依据。在测试阶段如果输入故障数据，就会获得较大的重构误差d_G，而故障的产生又是由各个部件传感器即各个运行状态信息共同影响导致的。因此，可以利用计算重构误差过程中得到的N_t-T∶t矩阵，就能够得到各个运行状态信息在重构前后的变化，如果运行状态信息在重构前后变化较大，说明该运行状态信息对故障产生的影响较大。基于此，以各个运行状态信息在重构前后的变化作为故障诊断的依据，将重构前后变化超过设定值的维度作为影响故障产生的重要因素，以此对故障做出诊断。

本实施例公开的故障诊断方法，通过对车辆上各传感器获取的多元时序数据进行分析，实现了车辆运行过程中故障的检测与诊断，且在对车辆运行过程进行故障检测与诊断时，首先从多元时序数据中提取了多元时序数据的相关性特征，后从多元时序数据的相关性特征中获取了时间依赖性特征，该时间依赖性特征不仅包含了单一时序数据的时间依赖性特征，还包括多元时序数据间的相关性特征，通过该时间依赖性特征进行车辆运行过程中的故障检测与诊断，提高了故障检测与诊断的准确性。

实施例2

在该实施例中，公开了基于多元时序数据的车辆运行过程故障诊断***，包括：

数据获取模块，用于获取车辆运行过程中的运行状态信息；

实施例3

在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的基于多元时序数据的车辆运行过程故障诊断方法所述的步骤。

实施例4

在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的基于多元时序数据的车辆运行过程故障诊断方法所述的步骤。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims

1.基于多元时序数据的车辆运行过程故障诊断方法，其特征在于，包括：

获取车辆运行过程中的运行状态信息；

对各运行状态信息进行时序划分，获取多元时序数据；

从多元时序数据中提取多元时序数据的相关性特征；

从多元时序数据的相关性特征提取时间依赖性特征；

2.如权利要求1所述的基于多元时序数据的车辆运行过程故障诊断方法，其特征在于，运行状态信息包括发动机冷却液温度、发动机转速、大气压力、发动机电压、发动机扭矩、油门踏板开度、车辆速度、燃油消耗率。

3.如权利要求1所述的基于多元时序数据的车辆运行过程故障诊断方法，其特征在于，在对各运行状态信息进行时序划分前，将各运行状态信息进行归一化。

4.如权利要求1所述的基于多元时序数据的车辆运行过程故障诊断方法，其特征在于，将多元时序数据输入训练好的CNN网络模型中，获取多元时序数据的相关性特征。

5.如权利要求1所述的基于多元时序数据的车辆运行过程故障诊断方法，其特征在于，利用Transformer Encoder模块从多元时序数据的相关性特征中提取时间依赖性特征。

6.如权利要求1所述的基于多元时序数据的车辆运行过程故障诊断方法，其特征在于，故障检测与诊断模型采用生成对抗网络。

7.如权利要求6所述的基于多元时序数据的车辆运行过程故障诊断方法，其特征在于，生成对抗网络包括生成器和判别器；将多元时序数据和时间依赖性特征输入生成器中获得重构序列和重构误差；将重构序列和多元时序数据输入判别器中，获得判别得分；利用判别得分和重构误差获得故障得分；根据故障得分判断多元时间序列是否为故障数据；根据判定为故障数据的多元时序数据中各运行状态信息重构前后的变化，对故障进行诊断。

8.基于多元时序数据的车辆运行过程故障诊断***，其特征在于，包括：

数据获取模块，用于获取车辆运行过程中的运行状态信息；

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的基于多元时序数据的车辆运行过程故障诊断方法的步骤。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的基于多元时序数据的车辆运行过程故障诊断方法的步骤。