一种基于深度学习的车辆故障预测与远程诊断方法和系统与流程

摘要: 本发明涉及车辆故障诊断,特别是指一种基于深度学习的车辆故障预测与远程诊断方法和系统、电子设备和计算机可读存储介质。背景技术:1、随着汽车电子化、智能化程度的不断...
一种基于深度学习的车辆故障预测与远程诊断方法和系统与流程

本发明涉及车辆故障诊断,特别是指一种基于深度学习的车辆故障预测与远程诊断方法和系统、电子设备和计算机可读存储介质。

背景技术:

1、随着汽车电子化、智能化程度的不断提高,现代汽车搭载了超过100个电子控制单元(ecu)和数百个传感器,实时监测发动机、变速箱、制动系统等核心部件的运行状态。传统的车辆故障诊断主要依赖于故障发生后读取故障码(dtc)的被动式维修方式,这种方式存在明显的滞后性,往往导致车辆在行驶过程中突然抛锚,不仅影响用户体验,还可能引发严重的交通安全事故。

2、目前,基于数据驱动的车辆故障预测技术逐渐成为研究热点,但现有技术仍存在以下关键不足:

3、模型性能不足:大多采用传统机器学习算法(如svm、随机森林)或简单的循环神经网络(rnn/lstm),难以有效捕捉车辆传感器时间序列数据中的长程依赖关系和复杂非线性特征,对早期微弱故障的识别准确率低于70%,平均预测提前量不足10分钟。

4、缺乏可解释性:故障预测结果多为"黑箱"输出,无法准确定位故障部件,导致维修人员仍需进行2-3小时的全面排查,大幅降低了维修效率。

5、远程诊断功能单一:大多只能实现简单的故障码读取和预警推送,无法支持主动测试、冻结帧获取、ecu参数调整等复杂诊断操作,难以满足现代汽车远程诊断的需求。

6、数据处理效率低下:采用固定滑窗的特征提取方法,无法适应不同故障类型的特征变化规律,导致特征提取不充分,同时所有计算任务集中在云平台,网络延迟高,系统响应慢。

7、因此,本领域亟需突破现有技术瓶颈,研发具备高准确率、强可解释性、多功能远程诊断和高效数据处理能力的新一代车辆故障预测系统,以实现车辆故障的早期精准预警、快速定位和高效维修,保障行车安全并提升用户体验。

技术实现思路

1、为了解决现有技术存在的技术问题,本发明提供了如下技术方案:

2、一方面,提供了一种基于深度学习的车辆故障预测与远程诊断系统,包括车载终端层、边缘计算层和云平台层,其中:

3、所述车载终端层用于采集车辆传感器数据,进行本地数据预处理和本地故障预测,并执行远程诊断指令;

4、所述边缘计算层用于对车载终端发送的预警数据进行更精确的故障预测和故障定位;

5、所述云平台层用于存储车辆历史数据,训练和更新故障预测模型,生成诊断报告,并与用户进行交互。

6、作为优选,所述车载终端层包括数据采集模块、本地预处理模块、本地预测模块、远程诊断执行模块和通信模块;所述数据采集模块用于实时采集车辆obd接口输出的标准参数和各ecu的传感器数据;所述本地预处理模块用于对采集到的原始数据进行清洗、归一化和特征提取;所述本地预测模块用于在车载终端本地进行实时故障预测;所述远程诊断执行模块用于接收并执行云平台下发的远程诊断指令;所述通信模块用于实现车载终端与边缘计算层、云平台之间的数据通信。

7、作为优选,所述本地预处理模块采用自适应滑窗切片算法对时间序列数据进行切片,所述自适应滑窗切片算法的公式为:

8、其中,为t时刻的滑窗大小,为基础滑窗大小,为调整系数,为t时刻前一个窗口内故障特征的变化率,为该故障类型的最大特征变化率。

9、作为优选,所述本地预测模块采用轻量化的tcn-attn模型,所述模型包括输入层、3层因果卷积层、1层多头自注意力层和2层全连接层;所述输入层输入维度为(60,128),即过去60分钟的128项传感器参数;所述因果卷积层的卷积核大小为3,扩张率分别为1、2、4,每层输出通道数为64;所述多头自注意力层的头数为4,注意力维度为16;所述全连接层的隐藏层神经元数为128,输出层神经元数为3,分别对应故障概率、故障类型和剩余可用时间。

10、优选地,所述边缘计算层包括数据接收模块、边缘预测模块、故障定位模块和数据转发模块;所述故障定位模块采用"注意力权重-特征贡献-部件映射"的三层定位架构,结合模型内部的注意力权重和外部的shap值分析实现分层故障定位;

11、所述shap值的计算公式为:

12、

13、其中,为第i个特征的shap值,为所有特征的集合,为不包含第i个特征的特征子集,为模型在特征子集s下的预测输出。

14、优选地,所述云平台层包括数据存储模块、模型训练模块、全局预测模块、诊断报告生成模块、远程诊断控制模块和用户交互模块,其中,所述模型训练模块采用多任务损失函数训练故障预测模型,所述多任务损失函数的公式为:其中,为二分类损失函数,为多分类损失函数,为回归损失函数,和为权重系数。

15、作为优选,所述远程诊断执行模块和远程诊断控制模块基于udsoverip协议实现远程诊断功能,支持读取故障码、读取冻结帧数据、读取数据流、主动测试、清除故障码和ecu参数调整服务。

16、作为优选,所述系统支持三种运行模式:正常运行模式、预警模式和紧急模式;在正常运行模式下,车载终端每5分钟进行一次本地预测;在预警模式下,边缘计算层每1分钟进行一次预测;在紧急模式下,云平台立即发送紧急预警信息并自动下发远程诊断指令。

17、作为优选,所述数据采集模块采集的参数包括发动机转速、冷却液温度、进气压力、氧传感器电压、燃油压力、车速等共计128项obd标准参数,采集频率为1hz。

18、另一方面,提供了一种基于深度学习的车辆故障预测与远程诊断方法,基于上述所述系统实施,包括以下步骤:

19、车载终端实时采集车辆传感器数据,进行数据清洗、异常值处理和自适应滑窗特征提取,生成特征向量;

20、车载终端采用轻量化tcn-attn模型进行本地故障预测,若预测到高概率故障,则将预测结果和相关数据发送到边缘计算层;

21、边缘计算层采用完整的tcn-attn模型进行更精确的故障预测,并结合注意力权重和shap值进行分层故障定位;

22、边缘计算层将故障预测结果和故障定位报告发送到云平台,云平台生成详细的诊断报告;

23、云平台将故障预警信息和诊断报告推送给车主和维修企业;

24、维修企业或车主通过云平台向车载终端下发远程诊断指令,车载终端执行指令并返回诊断结果。

25、另一方面,提供一种电子设备,所述电子设备包括:处理器;存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如上述方法。

26、另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述方法。

27、本发明提供的技术方案带来的有益效果至少包括:

28、1.更高的故障预测性能:本发明提出的tcn-attn混合模型,对早期微弱故障的识别准确率达到95%以上,平均预测提前量超过30分钟,远高于现有技术的70%准确率和10分钟提前量。

29、2.更强的故障定位能力:本发明提出的分层可解释性故障定位机制,能够准确地定位故障部件,定位准确率达到92%以上,大幅减少了维修排查时间。

30、3.更全面的远程诊断功能:本发明基于udsoverip协议实现了全功能远程诊断,支持12项标准诊断服务,能够让维修人员在车辆到达维修站之前就了解车辆的故障情况,提前准备维修工具和配件。

31、4.更高效的系统架构:本发明采用"端-边-云"三级分布式架构,将计算任务合理分布在各层级,系统响应时间从原来的5秒缩短到0.5秒,同时降低了70%的云平台计算负载。

32、5.更好的适应性和扩展性:本发明的自适应滑窗特征提取算法能够根据不同故障类型的特征变化规律自动调整滑窗大小,提高了特征提取的针对性和有效性。同时,系统采用模块化设计,能够方便地扩展新的故障类型和新的车型。