一种基于多源数据融合的大货车故障检测方法与流程
本发明涉及商用车车载智能诊断与多源时序数据融合异常检测,尤其涉及一种基于多源数据融合的大货车故障检测方法。
背景技术:
1、大货车作为高负载长周期运行的商用车辆,其动力系统、传动系统、制动系统与电气系统在不同道路坡度、载荷水平、环境温湿度与驾驶工况下呈现显著差异化的运行特征。为保障运营安全与降低停驶损失,车载故障检测技术逐步由单一信号监测发展为多源在线数据协同诊断,数据来源覆盖车载网络连续信号、车辆诊断数据、关键部件传感器数据与工况数据,形成面向全车状态的时序数据基础。
2、现有技术路线主要包括基于阈值与规则库的故障判定方法、基于机理模型的参数辨识与残差分析方法、基于统计学习的特征提取与分类回归方法、基于深度序列建模的异常检测方法。阈值与规则库方法依赖人工经验与标定策略,适用于故障模式明确且工况波动较小的场景。机理模型方法通过建立部件动力学或热力学模型实现故障定位,但对模型完备性、参数可辨识性与传感器配置要求较高。统计学习方法通常依赖手工构造特征并进行融合建模,能够在一定程度上覆盖多类故障模式。深度序列建模方法直接对多变量时序进行表征学习,能够利用时间依赖关系输出异常程度或重构偏差,用于在线异常检测与预警。
3、在跨工况在线应用中,现有技术仍面临多源数据异步采样、时间戳漂移、缺失与异常点频发、信号分布随载荷与道路条件变化而迁移的问题。多源融合模型在不同工况下对各数据源贡献度难以自适应调整,导致同一正常状态在不同工况下出现差异化输出,或同一故障状态在工况变化时被掩盖。部分方法采用统一融合策略或固定权重策略,难以兼顾车载网络连续信号与诊断报码的离散性差异,异常判定结果在工况切换阶段易产生误报并影响后续反馈更新的稳定性。
4、因此,如何提供一种基于多源数据融合的大货车故障检测方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的一个目的是提出一种基于多源数据融合的大货车故障检测方法,针对现有技术在大货车跨工况条件下的多源数据融合故障检测可靠性方面存在误报率高的问题,提出了结合mambaad线性时间多变量时序异常检测框架与mome混合多模态专家路由融合算法的检测模型。本发明通过该技术方案,在大货车运行过程中,利用多源时序数据片段和基础时序模型的构建,采用混合多模态专家路由融合机制,能精确处理不同工况下的多源数据特征差异,选择合适的专家路径进行计算,从而提高故障检测的准确性和可靠性。该方法在实际应用中能够有效降低误报率,并在跨工况环境下提升大货车故障检测的精度和效率。
2、根据本发明实施例的一种基于多源数据融合的大货车故障检测方法,包含以下步骤:
3、s1:采集大货车运行过程中产生的多源在线数据,对多源在线数据进行时间对齐和数据清洗处理,并按照预设时间窗口进行切分,得到多源时序数据片段集合;
4、s2:基于多源时序数据片段集合构建基于线性时间状态空间序列建模结构的多变量时序异常检测模型,对多源时序数据片段的时间演化关系进行建模,得到基础时序模型;
5、s3:在基础时序模型中引入mome混合多模态专家路由融合机制,根据多源时序数据片段在工况下的特征差异构建多个专家子结构,并通过专家路由策略为每个多源时序数据片段选择参与计算的专家子结构,使不同数据源特征通过对应的专家路径参与模型计算,得到引入专家路由融合机制的模型;
6、s4:基于引入专家路由融合机制的模型对多源时序数据片段执行异常检测处理,生成与各多源时序数据片段对应的异常检测结果;
7、s5:根据异常检测结果生成大货车故障检测输出,并将异常检测结果与对应的工况数据进行关联,得到运行反馈数据;
8、s6:基于运行反馈数据对混合多模态专家路由融合机制中的专家选择策略进行调整,并将调整后的模型用于后续大货车跨工况在线故障检测过程。
9、可选的,所述s1具体包括:
10、s11:从大货车运行过程中获取车载网络连续信号、车辆诊断数据、关键部件传感器数据和工况数据,形成原始多源在线数据;
11、s12:对原始多源在线数据进行预处理,所述预处理包括时间戳规范化处理,采样频率统一处理,异常数据处理,缺失数据补全处理,得到缺失补全后的多源序列数据;
12、s13:按照预设时间窗口对缺失补全后的多源序列数据进行切分,并为每个切分结果关联对应的工况数据,得到多源时序数据片段集合。
13、可选的,所述s2具体包括:
14、s21:对多源时序数据片段集合中的各数据源按照预设顺序进行通道排列,并将同一时间窗口内的多源数据按通道顺序组合为统一时序输入样本,得到时序输入样本集合;
15、s22:基于时序输入样本集合构建训练样本序列,对训练样本序列进行批次划分处理,得到训练批次集合;
16、s23:基于时序输入样本集合中每个样本的时间窗口长度与数据源通道数量,构建基于线性时间状态空间序列建模结构的多变量时序异常检测模型的输入结构,并根据输入结构构建基于线性时间状态空间序列建模结构的多变量时序异常检测模型的层级结构,得到未训练的基于线性时间状态空间序列建模结构的多变量时序异常检测模型;
17、s24:将训练批次集合输入未训练的基于线性时间状态空间序列建模结构的多变量时序异常检测模型,执行前向计算生成与训练样本序列对应的输出序列,得到模型输出序列;
18、s25:基于模型输出序列与训练样本序列之间的差异生成训练误差信息,并依据训练误差信息对未训练的基于线性时间状态空间序列建模结构的多变量时序异常检测模型执行参数更新处理,得到完成训练的基于线性时间状态空间序列建模结构的多变量时序异常检测模型;
19、s26:对完成训练的基于线性时间状态空间序列建模结构的多变量时序异常检测模型执行模型固化处理,得到基础时序模型。
20、可选的,所述s3具体包括:
21、s31:基于基础时序模型,读取基础时序模型中接收多源时序数据片段集合的输入接口,并在输入接口与基础时序模型主体结构之间设置mome混合多模态专家路由融合机制,形成待融合的模型结构;
22、s32:基于多源时序数据片段集合,对多源时序数据片段集合中的不同数据源分别执行特征表示生成处理,按照数据源类型输出对应的特征序列,得到按数据源区分的特征序列集合;
23、s33:基于特征序列集合构建多个专家子结构,每个专家子结构接收数据源对应的特征序列作为输入,并按照预设的特征映射顺序与特征组合顺序对特征序列集合执行处理,得到专家子结构对应的中间特征输出;
24、s34:基于特征序列集合生成路由输入信息,并依据路由输入信息对专家子结构集合执行专家路由计算,输出与每个多源时序数据片段对应的专家选择结果;
25、s35:依据专家选择结果,将特征序列集合输入被选中的专家子结构,对被选中的专家子结构对应的中间特征输出执行组合处理,生成融合后的特征序列,得到融合特征序列输出结果;
26、s36:将融合特征序列输出结果输入基础时序模型主体结构,完成mome混合多模态专家路由融合机制与基础时序模型的结构连接,得到引入专家路由融合机制的模型。
27、可选的,所述s4具体包括:
28、s41:接收引入专家路由融合机制的模型与多源时序数据片段集合,并将多源时序数据片段集合转换为引入专家路由融合机制的模型的输入数据格式,得到模型输入数据;
29、s42:将模型输入数据输入引入专家路由融合机制的模型,执行前向计算,得到与模型输入数据对应的模型输出序列;
30、s43:基于模型输出序列与模型输入数据之间的差异生成差异信息;
31、s44:基于差异信息生成与多源时序数据片段集合对应的异常检测结果;
32、s45:将异常检测结果与多源时序数据片段集合进行对应关系记录,输出与多源时序数据片段集合逐一对应的异常检测结果。
33、可选的,异常检测结果具体为:
34、基于与多源时序数据片段集合逐一对应的异常检测结果,并基于多源时序数据片段集合中的时间窗口标识信息,对异常检测结果进行时间顺序对齐处理,得到时间对齐的异常结果序列;
35、基于时间对齐的异常结果序列,对异常检测结果执行结果级别划分处理,将异常检测结果划分为多个异常等级,得到带有异常等级标识的异常结果序列;
36、基于异常结果序列中每一异常检测结果对应的多源时序数据片段标识信息,将异常等级标识与对应的多源时序数据片段进行绑定,得到片段绑定的异常结果集合;
37、基于片段绑定的异常结果集合,对同一工况数据对应的异常结果执行工况内归集处理,生成按工况划分的异常结果子集合,得到工况分组的异常结果集合;
38、将工况分组的异常结果集合输出为结构化异常结果数据。
39、可选的,所述s5具体包括:
40、s51:接收异常检测结果与多源时序数据片段集合,并基于异常检测结果与多源时序数据片段集合的片段顺序建立映射关系,得到片段映射结果;
41、s52:基于片段映射结果生成故障检测输出条目集合,故障检测输出条目集合中每一故障检测输出条目关联一条异常检测结果并关联一段多源时序数据片段,得到多源片段关联的故障检测输出条目集合;
42、s53:基于结果关联的工况数据,将多源片段关联的故障检测输出条目集合与工况数据建立关联关系,得到工况关联的故障检测输出条目集合;
43、s54:对工况关联的故障检测输出条目集合执行归集处理,得到运行反馈数据。
44、可选的,所述s6具体包括:
45、s61:接收运行反馈数据,并从运行反馈数据中提取与多源时序数据片段集合一致的工况数据、异常检测结果,得到反馈特征集合;
46、s62:基于反馈特征集合生成工况分组结果,将工况数据相同的反馈特征集合归入同一工况分组,得到工况分组集合;
47、s63:基于工况分组集合生成路由校准数据,将每一工况分组中的异常检测结果与对应的融合特征序列输出结果进行关联,得到工况关联的路由校准数据集合;
48、s64:基于工况关联的路由校准数据集合对专家选择策略执行调整处理,调整处理包括更新路由输入信息的生成规则并更新专家路由计算的选择规则,得到调整后的专家选择策略;
49、s65:将调整后的专家选择策略写入mome混合多模态专家路由融合机制,并将更新后的mome混合多模态专家路由融合机制与基础时序模型主体结构保持连接,得到更新后的引入专家路由融合机制的模型。
50、本发明的有益效果是:
51、本发明通过采纳基于mambaad线性时间多变量时序异常检测框架与mome混合多模态专家路由融合算法的技术方案,实现在大货车跨工况环境下对多源时序数据的精准处理和故障检测。该方法通过引入mome混合多模态专家路由融合机制,显著优化了多源数据的处理方式,提升了对不同工况下数据特征差异的适应能力。有效降低了在复杂工况下的误报率,并改善了故障检测的可靠性和准确性。通过这一技术方案,本发明突破了现有技术中故障检测精度不高、误报率较高的瓶颈,显著提高了跨工况环境下的大货车故障检测性能,并且在实际应用中表现出了更强的适应性和效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com