CN114676781A - 车辆故障诊断预测方法、装置、设备及车辆 - Google Patents
车辆故障诊断预测方法、装置、设备及车辆 Download PDFInfo
- Publication number
- CN114676781A CN114676781A CN202210316667.7A CN202210316667A CN114676781A CN 114676781 A CN114676781 A CN 114676781A CN 202210316667 A CN202210316667 A CN 202210316667A CN 114676781 A CN114676781 A CN 114676781A
- Authority
- CN
- China
- Prior art keywords
- fault
- vehicle
- fault diagnosis
- data
- diagnosis prediction
- 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.)
- Pending
Links
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种车辆故障诊断预测方法、装置、设备及车辆,属于故障诊断技术领域,方法通过采集车辆状态参数;输入车辆状态参数至故障诊断预测模型,输出故障类型,故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;根据故障类型,生成故障解决方案,并发送故障类型和故障解决方案至用户终端和/或云端,针对不同的车辆,可通过主成分分析方法获得不同***的训练样本类型即敏感特征数据,并构建特定的故障诊断模型,并且主成分分析的方法得到的训练样本类型能够解除数据间的耦合作用,可有效提高最终训练得到的故障诊断预测模型的准确度。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种车辆故障诊断预测方法、装置、设备及车辆。
背景技术
随着人工智能技术的研发、应用和智能化进程不断加快,对车辆***故障诊断及预测的需求也不断增加。大多数的故障诊断方法多基于某种特定***及传统的统计学方法,使得诊断车辆故障的精度较低。目前,多数的车辆故障诊断通过故障模型实现,而故障模型建立的故障数据集为车辆发生故障时各零部件的相关参数数据,通过抽样放回的方法建立故障模型。
但是,由于车辆零部件的参数之间的耦合性,导致传统统计学建立模型的进行故障诊断预测的准确度相对较低。
发明内容
本发明提供一种车辆故障诊断预测方法、装置、设备及车辆,用以解决现有技术中故障诊断预测准确度低的缺陷,通过将故障诊断预测模型的训练样本进行优化,提高了故障诊断预测模型的准确度。
本发明提供一种车辆故障诊断预测方法,包括:
采集车辆状态参数;
输入所述车辆状态参数至故障诊断预测模型,输出故障类型,所述故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,所述车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;
根据所述故障类型,生成故障解决方案,并发送所述故障类型和所述故障解决方案至用户终端和/或云端。
根据本发明提供的一种车辆故障诊断预测方法,所述故障诊断预测模型的构建包括:
确定车辆***中的每个子***的组成,并对每个所述子***的工作原理进行解析,获取每个所述子***的全部特征数据;
利用主成分分析对每个子***的所述全部特征数据进行筛选,得到每个子***的敏感特征数据;
基于每个所述子***的敏感特征数据,对初始模型进行训练,构建故障诊断预测模型。
根据本发明提供的一种车辆故障诊断预测方法,所述构建故障诊断预测模型之后,还包括:
利用粒子群优化算法对所述故障诊断预测模型的模型参数进行优化。
根据本发明提供的一种车辆故障诊断预测方法,所述获取每个所述子***的全部特征数据之后,还包括:
对所述全部特征数据进行数据清洗,获取标准数据;
对所述标准数据进行归一化处理,以归一化处理后的数据作为所述全部特征数据。
根据本发明提供的一种车辆故障诊断预测方法,所述子***包括热管理***、电机***和电池***中的至少一种。
本发明还提供一种车辆故障诊断预测装置,包括:
采集模块,用于采集车辆状态参数;
预测模块,用于输入所述车辆状态参数至故障诊断预测模型,输出故障类型,所述故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,所述车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;
发送模块,用于根据所述故障类型,生成故障解决方案,并发送所述故障类型和所述故障解决方案至用户终端和/或云端。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述车辆故障诊断预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储计算机程序,该计算机程序被处理器执行时实现如上述任一种所述车辆故障诊断预测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述车辆故障诊断预测方法。
本发明提供的一种车辆故障诊断预测方法、装置、设备及车辆,方法通过采集车辆状态参数;输入所述车辆状态参数至故障诊断预测模型,输出故障类型,所述故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,所述车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;根据所述故障类型,生成故障解决方案,并发送所述故障类型和所述故障解决方案至用户终端和/或云端,通过主成分分析方法获取故障诊断预测模型的训练样本,使得训练得到的故障诊断预测模型能够适用于各种车辆,并且主成分分析的方法得到的训练样本能够解除数据间的耦合作用,有效地提高了最终训练得到的故障诊断预测模型的准确度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的车辆故障诊断预测方法的流程示意图;
图2是本发明提供的车辆故障诊断预测装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图3描述本发明的一种车辆故障诊断预测方法、装置、设备及车辆。
图1是本发明提供的车辆故障诊断预测方法的流程示意图。
如图1所示,本发明实施例提供的一种车辆故障诊断预测方法,执行主体可以是车载控制器,主要包括以下步骤:
101、采集车辆状态参数。
在一个具体的实现过程中,车辆可以是挖掘机、起重机、重卡、自卸车等各种作业机械。采集车辆行驶过程中的各种状态参数,状态参数为车辆的各个***的元器件的参数信息,例如,以车辆的热管理***为例进行说明,则是获取热管理***中的每个元器件的温度、压力、流量、电流、电压等参数。其中,具体的获取各种参数的过程可以是通过不同的车载传感器进行获取,也可以是通过其他的方式,在本实施例中不再进行明确的限定。需指出的是,热管理***中的参数只是举例说明,实际应用中,采集到的车辆状态参数包括车辆各个***的各种参数,不再进行一一举例说明。
102、输入车辆状态参数至故障诊断预测模型,输出故障类型,故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的。
具体的,在准确地获取到车辆的状态参数之后,将各种不同的状态参数输入故障诊断预测模型,然后故障诊断预测模型经过对车辆状态参数的分析处理,输出当前车辆状态参数对应的故障类型。其中,若是无故障,则输出无故障信号,有故障便会直接输出对应的故障类型。
而具体的故障诊断预测模型则是基于车辆状态参数样本和故障类型样本训练得到的,其中的车辆状态参数样本类型则是通过对车辆***的所有数据进行主成分分析得到的,车辆***的所有数据指的是车辆的各种不同的参数,通过主成分分析可以解除数据之间的耦合性,确保了得到的车辆状态参数样本的可靠性,使得最终训练得到的故障诊断预测模型具备更高的准确度。
103、根据故障类型,生成故障解决方案,并发送故障类型和故障解决方案至用户终端和/或云端。
在通过故障诊断预测模型输出准确的故障类型之后,自动根据故障类型生成对应的故障解决方案,其中具体的生成方式是预先建立的故障类型与故障解决方案的一一对应关系,然后在得到具体的故障类型之后,便可以自动的从故障类型与故障解决方案关系表中查询得到当前故障类型应对应的故障解决方案,从而将故障类型以及故障解决方案发送至用户终端和/或云端,使得用户可以主动完成对车辆的维修处理。
其中,将故障类型以及故障解决方案发送至用户终端和/或云端的方式,可以是直接发送至用户终端,也可以是直接发送至云端,然后云端再将故障类型以及故障解决方案转发至用户终端,本实施例中不进行具体限定,只要能够实现最终将故障类型以及故障解决方案发送至用户终端即可,从而保证用户能够及时地完成对车辆的维修处理。
当然,具体的生成的故障解决方案,可以包括文字、语音和视频中的至少一种,从而更好地指导用户自己完成对车辆的故障维修,减少车辆的故障时间,有助于提高车辆的作业效率。
本实施例提供的一种车辆故障诊断预测方法,通过采集车辆状态参数;输入所述车辆状态参数至故障诊断预测模型,输出故障类型,所述故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,所述车辆状态参数样本是通过对车辆***的所有数据进行主成分分析得到的;根据所述故障类型,生成故障解决方案,并发送所述故障类型和所述故障解决方案至用户终端和/或云端,针对不同的车辆,可通过主成分分析方法获得不同***的训练样本类型即敏感特征数据,并构建特定的故障诊断模型,并且主成分分析的方法得到的训练样本能够解除数据间的耦合作用,有效地提高了最终训练得到的故障诊断预测模型的准确度。
进一步的,在上述实施例的基础上,本实施例中的故障诊断预测模型的构建可以包括:确定车辆***中的每个子***的组成,并对每个子***的工作原理进行解析,获取每个子***的全部特征数据;然后利用主成分分析对每个子***的全部特征数据进行筛选,得到每个子***的敏感特征数据;基于每个子***的敏感特征数据,对初始模型进行训练,构建故障诊断预测模型。
其中,车辆***中的子***包括热管理***、电机***和电池***中的至少一种,各个子***中又包含了不同的元器件及数据特征,以热管理***为例进行说明,热管理***包含了空调压缩机、水暖PTC、电池和电机等元器件,每个元器件又有温度、压力、流量、电流、电压等中的两者以上的参数。因此,在确定车辆***的子***组成之后,对每个子***的工作原理进行解析,针对不同的子***,确定其工作流程及原理,将整个流程中涉及到的元器件的数据参数进行收集,获得到每个子***的全部特征数据。
在分析车辆***机理获取到车辆的全部特征数据之后,利用主成分分析对每个子***的全部特征数据进行筛选,得到每个子***的敏感特征数据,而在利用主成分分析进行数据处理之前,还包括着对全部特征数据进行数据清洗,去除掉异常值、离散值,并对缺失的数据进行处理,获取到标准数据;其中,标准数据为结构化数据,以行和列的方式进行存储的整型数据,然后对标准数据进行归一化处理,将数据转化为(0,1)之间的数据,以归一化处理后的数据作为全部特征数据,从而将数据转化为更适合构建故障诊断预测模型的全部特征数据。由于特定的车端数据的结构和类型,使得最终训练得到的故障诊断预测模型的准确率更高。
在对全部特征数据进行清洗和归一化处理之后,利用主成分分析的方法,以需要分析的故障类型为目标,其他数据作为变量进行分析,有效地获取针对单个子***的敏感特征数据。主成分分析主要是通过线性投影,将原始收集到的高维数据即全部特征数据映射到低维空间中,且在所投影的维度上数据的信息量最大,也就是方差最大,获得的数据维度较多地留住了原始数据点的特性,于是便将这一部分特征数据称为敏感特征数据。
在得到针对每个子***的敏感特征数据之后,便可以将其作为训练样本进行初始模型的训练,从而构建得到故障诊断预测模型。而在构建的过程中,可以采用多种不同的算法构建多种机器学习模型,例如支持向量机算法或随机森林算法等等,然后比较基于不同算法构建的机器学习模型的预测准确度,以预测准确度最高的机器学习模型作为故障诊断预测模型。
进一步的,在上述实施例的基础上,本实施例中的构建故障诊断预测模型之后,还包括:利用粒子群优化算法对故障诊断预测模型的模型参数进行优化,以提高故障诊断预测模型的预测效果。粒子群算法又称为(Particle swarm optimization,PSO)算法,其中的每个粒子都代表问题的一个潜在解,每个粒子对应一个由适度函数决定的适应度值。粒子的速度决定了粒子移动的方向和距离,速度随自身及其他粒子的移动经验进行动态调整,从而实现在可解空间的寻优,即获得最优参数,最终使得得到的故障诊断预测模型的准确度更高。当然,具体的模型参数的调节方式也可以是采用人工调参的方式进行,只要能够确保最终的故障诊断预测模型精度更高即可。
通过基于对车辆***工作原理的解析,然后对解析后的数据进行数据清洗等预处理,构建针对单个***的敏感特征数据,在云端寻找效果最优算法,并通过粒子群优化算法进行调参的方法提升故障诊断预测模型的诊断预测效果,实现机理与人工智能的结合应用,同时通过定义车端数据结构和数据处理,并在云端使用主成分分析的方法识别单个***的敏感特征,形成故障特征数据集,实现数据的解耦,保证了故障诊断预测模型的准确度。
本申请还保护一种车辆故障诊断预测装置,下面对本发明提供的车辆故障诊断预测装置进行描述,下文描述的车辆故障诊断预测装置与上文描述的车辆故障诊断预测方法可相互对应参照。
图2是本发明提供的车辆故障诊断预测装置的结构示意图。
如图2所示,本发明实施例提供的一种车辆故障诊断预测装置,包括:
采集模块201,用于采集车辆状态参数;
预测模块202,用于输入车辆状态参数至故障诊断预测模型,输出故障类型,故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;
发送模块203,用于根据故障类型,生成故障解决方案,并发送故障类型和故障解决方案至用户终端和/或云端。
本实施例提供的一种车辆故障诊断预测装置,通过采集车辆状态参数;输入所述车辆状态参数至故障诊断预测模型,输出故障类型,所述故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,所述车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;根据所述故障类型,生成故障解决方案,并发送所述故障类型和所述故障解决方案至用户终端和/或云端,针对不同的车辆,可通过主成分分析方法获得不同***的训练样本类型即敏感数据特征,并构建特定的故障诊断模型,并且主成分分析的方法得到的训练样本能够解除数据间的耦合作用,有效地提高了最终训练得到的故障诊断预测模型的准确度。
进一步的,本实施例中还包括模型建立模块,用于:
确定车辆***中的每个子***的组成,并对每个所述子***的工作原理进行解析,获取每个所述子***的全部特征数据;
利用主成分分析对每个子***的所述全部特征数据进行筛选,得到每个子***的敏感特征数据;
基于每个所述子***的敏感特征数据,对初始模型进行训练,构建故障诊断预测模型。
进一步的,本实施例中还包括模型建立模块,具体还用于:
利用粒子群优化算法对所述故障诊断预测模型的模型参数进行优化。
进一步的,本实施例中还包括模型建立模块,具体还用于:
对所述全部特征数据进行数据清洗,获取标准数据;
对所述标准数据进行归一化处理,以归一化处理后的数据作为所述全部特征数据。
进一步的,本实施例中的所述子***包括热管理***、电机***和电池***中的至少一种。
基于同一总的发明构思,本申请还保护一种车辆,所述车辆用于采用上述任一实施例的车辆故障诊断预测方法进行故障诊断预测。
图3是本发明提供的电子设备的结构示意图。
如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行车辆故障诊断预测方法,该方法包括:采集车辆状态参数;输入所述车辆状态参数至故障诊断预测模型,输出故障类型,所述故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,所述车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;根据所述故障类型,生成故障解决方案,并发送所述故障类型和所述故障解决方案至用户终端和/或云端。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的车辆故障诊断预测方法,该方法包括:采集车辆状态参数;输入所述车辆状态参数至故障诊断预测模型,输出故障类型,所述故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,所述车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;根据所述故障类型,生成故障解决方案,并发送所述故障类型和所述故障解决方案至用户终端和/或云端。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的车辆故障诊断预测方法,该方法包括:采集车辆状态参数;输入所述车辆状态参数至故障诊断预测模型,输出故障类型,所述故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,所述车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;根据所述故障类型,生成故障解决方案,并发送所述故障类型和所述故障解决方案至用户终端和/或云端。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种车辆故障诊断预测方法,其特征在于,包括:
采集车辆状态参数;
输入所述车辆状态参数至故障诊断预测模型,输出故障类型,所述故障诊断预测模型是基于车辆状态参数样本类型和故障类型样本训练得到的,所述车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;
根据所述故障类型,生成故障解决方案,并发送所述故障类型和所述故障解决方案至用户终端和/或云端。
2.根据权利要求1所述的车辆故障诊断预测方法,其特征在于,所述故障诊断预测模型的构建包括:
确定车辆***中的每个子***的组成,并对每个所述子***的工作原理进行解析,获取每个所述子***的全部特征数据;
利用主成分分析对每个子***的所述全部特征数据进行筛选,得到每个子***的敏感特征数据;
基于每个所述子***的敏感特征数据,对初始模型进行训练,构建故障诊断预测模型。
3.根据权利要求2所述的车辆故障诊断预测方法,其特征在于,所述构建故障诊断预测模型之后,还包括:
利用粒子群优化算法对所述故障诊断预测模型的模型参数进行优化。
4.根据权利要求2所述的车辆故障诊断预测方法,其特征在于,所述获取每个所述子***的全部特征数据之后,还包括:
对所述全部特征数据进行数据清洗,获取标准数据;
对所述标准数据进行归一化处理,以归一化处理后的数据作为所述全部特征数据。
5.根据权利要求2所述的车辆故障诊断预测方法,其特征在于,所述子***包括热管理***、电机***和电池***中的至少一种。
6.一种车辆故障诊断预测装置,其特征在于,包括:
采集模块,用于采集车辆状态参数;
预测模块,用于输入所述车辆状态参数至故障诊断预测模型,输出故障类型,所述故障诊断预测模型是基于车辆状态参数样本和故障类型样本训练得到的,所述车辆状态参数样本类型是通过对车辆***的所有数据进行主成分分析得到的;
发送模块,用于根据所述故障类型,生成故障解决方案,并发送所述故障类型和所述故障解决方案至用户终端和/或云端。
7.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述车辆故障诊断预测方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述车辆故障诊断预测方法。
9.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述车辆故障诊断预测方法。
10.一种车辆,其特征在于,所述车辆用于执行如权利要求1至5任一项所述的车辆故障诊断预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210316667.7A CN114676781A (zh) | 2022-03-28 | 2022-03-28 | 车辆故障诊断预测方法、装置、设备及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210316667.7A CN114676781A (zh) | 2022-03-28 | 2022-03-28 | 车辆故障诊断预测方法、装置、设备及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676781A true CN114676781A (zh) | 2022-06-28 |
Family
ID=82076807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210316667.7A Pending CN114676781A (zh) | 2022-03-28 | 2022-03-28 | 车辆故障诊断预测方法、装置、设备及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676781A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115290368A (zh) * | 2022-09-30 | 2022-11-04 | 南通润厚设备工程有限公司 | 一种粉罐车卸料过程中故障诊断方法 |
-
2022
- 2022-03-28 CN CN202210316667.7A patent/CN114676781A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115290368A (zh) * | 2022-09-30 | 2022-11-04 | 南通润厚设备工程有限公司 | 一种粉罐车卸料过程中故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Toledo et al. | Estimation of vehicle trajectories with locally weighted regression | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
CN113190886A (zh) | 一种基于快速仿真数字孪生技术的设备健康监测方法 | |
CN113495547A (zh) | 一种实时安全的无人驾驶故障诊断与保护方法及*** | |
CN116108717B (zh) | 一种基于数字孪生的交通运输设备运行预测方法及装置 | |
KR20170104705A (ko) | 설비 고장 진단 장치 및 방법 | |
CN112459971A (zh) | 风力发电机组塔筒的异常振动检测方法 | |
CN116610092A (zh) | 用于车辆分析的方法和*** | |
CN111123223A (zh) | 用于雷达健康管理的通用开发平台、管理***及方法 | |
CN114676781A (zh) | 车辆故障诊断预测方法、装置、设备及车辆 | |
CN110597235A (zh) | 一种通用智能故障诊断方法 | |
CN115909203A (zh) | 建筑施工安全全景监控***及方法 | |
CN116733688A (zh) | 一种风力发电机组的运行监测方法、装置、设备及介质 | |
EP3872717A1 (en) | Control system and control method | |
CN117518866A (zh) | 船舶蒸汽动力***的性能测试方法及装置 | |
CN110826904B (zh) | 风机的数据处理方法、装置、处理设备及可读存储介质 | |
CN112700016B (zh) | 预测性维护方法和装置 | |
CN112395695A (zh) | 一种实时建立仿真场景的方法及*** | |
CN111291464A (zh) | 一种电力***动态等值方法及装置 | |
CN112100497B (zh) | 一种数据处理方法、装置、电子设备及可读存储介质 | |
CN118228373A (zh) | 新能源汽车功耗分析方法、装置、电子设备及存储介质 | |
CN117974116B (zh) | 一种基于图像识别的车辆故障辅助诊断*** | |
CN117922538B (zh) | 一种基于数字孪生技术的混合动力汽车的测控方法及*** | |
CN117828750A (zh) | 整车可靠性试验方法、装置、设备及存储介质 | |
CN117473866A (zh) | 一种面向装备运维全过程的孪生大数据分析方法和装置 |
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 |