车载网络故障诊断方法和诊断装置、存储介质、终端设备与流程

1.本发明涉及车载网络故障诊断技术领域，尤其涉及一种车载网络故障诊断方法、一种车载网络故障诊断装置、一种计算机可读存储介质和一种终端设备。


背景技术：

2.车载网络是将车辆平台内的子系统、设备、模块和部件连接起来的纽带，是实现车辆综合电子系统的一项核心支撑技术，被认为是车辆平台的“中枢神经”。但是，现行的车载网络故障诊断仍旧大多依赖人工经验排查，往往难以有效诊断出故障原因。在车载网络中，不同的故障类型和故障位置往往导致不同程度的网络物理层波形信号畸变；而波形信号的畸变又将直接导致网络误码和丢包，影响车辆网络化控制系统的控制性能。因此，基于网络物理层波形提取的网络状态特征，并结合网络链路层数据构建特征向量，可以有效表征各类故障模式，从而将车载网络的故障诊断转变为模式识别问题。
3.svm（support vector machine，支持向量机）作为机器学习的研究内容之一，在网络故障诊断等领域中运用非常广泛的一种识别方法。在svm训练过程中，svm的惩罚因子c和rbf核函数参数g的选择质量，直接影响最终的故障诊断结果。智能优化算法是一种有效svm模型参数优化方法，海鸥算法是一种模拟海鸥觅食行为的新型智能优化算法，同样可以应用于车载网络故障诊断问题。但是，海鸥优化算法存仍然存在有一些缺陷，在确定种群位置时，海鸥个体的位置是随机确定的，这就使得算法具有一定的盲目性和随机性，并且海鸥算法的位置更新是根据目标物的位置，采用螺旋进攻的方式，向最佳位置移动，但是如果只是根据最佳目标位置进行移动，很容易使海鸥陷入局部最优解，当海鸥算法陷入局部最优解时，没有任何措施能帮助其跳出局部最优解，使得算法容易陷入局部最优和收敛精度不高，在进行网络故障诊断时，往往达不到理想的故障诊断效果。


技术实现要素：

4.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种车载网络故障诊断方法，能够克服现有海鸥算法的缺陷，显著提升车载网络故障诊断的效果。
5.本发明的第二个目的在于提出一种车载网络故障诊断装置。
6.本发明的第三个目的在于提出一种计算机可读存储介质。
7.本发明的第四个目的在于提出一种终端设备。
8.为达到上述目的，本发明第一方面实施例提出了一种车载网络故障诊断方法，包括：获取车载网络故障的原始数据，并对原始数据进行处理以获得车载网络故障诊断的数据集，其中，数据集由原始数据的特征向量构成，数据集包括测试数据集；建立基于增强型海鸥优化算法优化车载网络故障诊断模型的目标函数；通过高斯映射初始化海鸥种群位置，并根据目标函数计算适应度值，记录第t次迭代的最优海鸥位置；引入晶体结构算法，获
取更新后的第t 1次迭代的海鸥位置；对第t次迭代的最优海鸥位置进行逐维度双向sine变异，获取变异后的最优海鸥位置；在迭代次数达到预设迭代阈值时，将最后一次迭代获得的最优海鸥位置作为车载网络故障诊断模型的模型参数，并将测试数据集输入车载网络故障诊断模型，得到故障诊断结果。
9.根据本发明实施例的车载网络故障诊断方法，获取车载网络故障的原始数据，并对原始数据进行处理以获得车载网络故障诊断的数据集，其中，数据集由原始数据的特征向量构成，数据集包括测试数据集，建立基于增强型海鸥优化算法优化车载网络故障诊断模型的目标函数，通过高斯映射初始化海鸥种群位置，并根据目标函数计算适应度值，记录第t次迭代的最优海鸥位置，引入晶体结构算法，获取更新后的第t 1次迭代的海鸥位置，对第t次迭代的最优海鸥位置进行逐维度双向sine变异，获取变异后的最优海鸥位置，在迭代次数达到预设迭代阈值时，将最后一次迭代获得的最优海鸥位置作为车载网络故障诊断模型的模型参数，并将测试数据集输入车载网络故障诊断模型，得到故障诊断结果。由此，该方法能够克服现有海鸥算法的缺陷，显著提升车载网络故障诊断的效果。
10.另外，根据本发明上述实施例的车载网络故障诊断方法还可以具有如下的附加技术特征：根据本发明的一个实施例，通过高斯映射初始化海鸥种群位置，包括：确定海鸥种群大小以及寻优的上下边界；通过高斯映射随机数产生高斯随机数；根据高斯随机数初始化海鸥位置。
11.根据本发明的一个实施例，通过下述公式产生高斯随机数以及初始化海鸥位置：其中，表示下一个随机数，表示初始化海鸥位置，表示海鸥寻优上边界，表示海鸥寻优下边界。
12.根据本发明的一个实施例，引入晶体结构算法，获取更新后的第t 1次迭代的海鸥位置，包括：获取海鸥的迁徙行为，并根据海鸥的迁徙行为获取海鸥的向新位置移动的距离；获取海鸥的全局攻击行为，并根据海鸥的全局攻击行为获取海鸥的螺旋运动行为；基于晶体结构从所有海鸥中随机确定第t次迭代后的主海鸥；根据海鸥的向新位置移动的距离、海鸥的螺旋运动行为、主海鸥、第t次迭代后的随机选择海鸥的平均值以及第t次迭代的最佳位置确定更新后的第t 1次迭代的海鸥位置。
13.根据本发明的一个实施例，通过以下公式获取海鸥的向新位置移动的距离：
其中，表示海鸥的向新位置移动的距离，表示不与其他海鸥存在位置冲突的新位置，表示最佳位置所在的方向，表示海鸥在给定搜索空间中的运动行为，表示海鸥当前位置，表示控制系数，表示当前迭代次数，表示预设迭代阈值，表示负责平衡全局和局部搜索的随机数，表示第t次迭代的最佳位置，表示取值在[0,1]范围内的随机数。
[0014]
根据本发明的一个实施例，通过以下公式获取海鸥的螺旋运动行为：其中，表示横向坐标，表示纵向坐标，表示垂向坐标，表示每个螺旋的半径，和表示螺旋形状的相关参数，表示自然对数的底数，表示[0，2π]范围内的随机角度值。
[0015]
根据本发明的一个实施例，通过以下公式获取更新后的第t 1次迭代的海鸥位置：其中，表示更新后的第t 1次迭代的海鸥位置，表示第t次迭代
的最佳位置，表示第t次迭代后的随机选择海鸥的平均值，、和为[0，1]范围内的随机数，表示[0，1]范围内的随机数，表示第t次迭代后的主海鸥，表示海鸥的向新位置移动的距离，表示横向坐标，表示纵向坐标，表示垂向坐标，表示[0，1]范围内的随机数。
[0016]
根据本发明的一个实施例，对第t次迭代的最优海鸥位置进行逐维度双向sine变异，包括：根据第t次迭代计算sine混沌值，并等概率切换正负方向；对第t次迭代的最优海鸥位置进行变异扰动，以获得变异后的最优海鸥位置。
[0017]
根据本发明的一个实施例，通过以下公式计算sine混沌值和变异后的最优海鸥位置：其中，表示混沌值，为迭代序列值，表示[0，1]范围内的随机数，表示第t次迭代的最优位置的第j维，表示计算适应度值时的适应度函数，表示变异后的最优海鸥位置。
[0018]
为达到上述目的，本发明第二方面实施例提出了一种车载网络故障诊断装置，包括：数据获取模块，用于获取车载网络故障的原始数据，并对原始数据进行处理以获得车载网络故障诊断的数据集，其中，数据集由原始数据的特征向量构成，数据集包括测试数据集；建立模块，用于建立基于增强型海鸥优化算法优化车载网络故障诊断模型的目标函数；计算模块，用于通过高斯映射初始化海鸥种群位置，并根据目标函数计算适应度值，记录第t次迭代的最优海鸥位置；第一获取模块，用于引入晶体结构算法，获取更新后的第t 1次迭代的海鸥位置；第二获取模块，用于对第t次迭代的最优海鸥位置进行逐维度双向sine变异，获取变异后的最优海鸥位置；模型诊断模块，用于在迭代次数达到预设迭代阈值时，将最后一次迭代获得的最优海鸥位置作为车载网络故障诊断模型的模型参数，并将测试数据集输入车载网络故障诊断模型，得到故障诊断结果。
[0019]
根据本发明实施例的车载网络故障诊断装置，数据获取模块用于获取车载网络故障的原始数据，并对原始数据进行处理以获得车载网络故障诊断的数据集，其中，数据集由原始数据的特征向量构成，数据集包括测试数据集，建立模块用于建立基于增强型海鸥优化算法优化车载网络故障诊断模型的目标函数，计算模块用于通过高斯映射初始化海鸥种群位置，并根据目标函数计算适应度值，记录第t次迭代的最优海鸥位置，第一获取模块用于引入晶体结构算法，获取更新后的第t 1次迭代的海鸥位置，第二获取模块用于对第t次迭代的最优海鸥位置进行逐维度双向sine变异，获取变异后的最优海鸥位置，模型诊断模块用于在迭代次数达到预设迭代阈值时，将最后一次迭代获得的最优海鸥位置作为车载网络故障诊断模型的模型参数，并将测试数据集输入车载网络故障诊断模型，得到故障诊断结果。由此，该装置能够克服现有海鸥算法的缺陷，显著提升车载网络故障诊断的效果。
[0020]
为达到上述目的，本发明第三方面实施例提出一种计算机可读存储介质，其上存储有车载网络故障诊断程序，该车载网络故障诊断程序被处理器执行时实现上述的车载网络故障诊断方法。
[0021]
根据本发明实施例的计算机可读存储介质，通过执行上述的车载网络故障诊断方法，能够克服现有海鸥算法的缺陷，显著提升车载网络故障诊断的效果。
[0022]
为达到上述目的，本发明第四方面实施例提出了一种终端设备，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车载网络故障诊断程序，处理器执行车载网络故障诊断程序时，实现上述的车载网络故障诊断方法。
[0023]
根据本发明实施例的终端设备，通过执行上述的车载网络故障诊断方法，能够克服现有海鸥算法的缺陷，显著提升车载网络故障诊断的效果。
[0024]
本发明附加的方面和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
[0025]
图1为根据本发明实施例的车载网络故障诊断方法的流程图；图2为根据本发明实施例的车载网络实验平台示意图；图3为根据本发明实施例的故障诊断的结果图；图4为根据本发明一个具体示例的车载网络故障诊断方法的流程图；图5为根据本发明实施例的车载网络故障诊断装置的方框示意图；图6为根据本发明实施例的终端设备的方框示意图。
具体实施方式
[0026]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0027]
下面参考附图描述本发明实施例提出的车载网络故障诊断方法、车载网络故障诊断装置、计算机可读存储介质和终端设备。
[0028]
图1为根据本发明实施例的车载网络故障诊断方法的流程图。
[0029]
如图1所示，本发明实施例的车载网络故障诊断方法可包括以下步骤：
s1，获取车载网络故障的原始数据，并对原始数据进行处理以获得车载网络故障诊断的数据集，其中，数据集由原始数据的特征向量构成，数据集包括测试数据集。
[0030]
具体而言，在进行车载网络故障诊断时，先获取车载网络故障的原始数据，在获取到车载网络故障的原始数据后，对原始数据进行故障特征提取，以得到车载网络故障诊断的特征向量，构建车载网络故障诊断的数据集，可将数据集分为训练数据集和测试数据集两部分。
[0031]
s2，建立基于增强型海鸥优化算法优化车载网络故障诊断模型的目标函数。
[0032]
具体而言，针对soa（seagull optimization algorithm，海鸥优化算法）存在的问题，提出增强型海鸥优化算法（improve seagull optimization algorithm，isoa）优化svm并用于车载网络的故障诊断。即在对原始数据处理后，建立基于增强型海鸥算法优化车载网络故障诊断的目标函数function。由于利用训练数据集计算svm的分类准确率，可以将训练数据集的5 折交叉验证svm的分类准确率作为目标函数，即适应度函数，同时设置相应的约束条件，确定svm模型的惩罚因子c和rbf核函数参数g的上下限。
[0033]
s3，通过高斯映射初始化海鸥种群位置，并根据目标函数计算适应度值，记录第t次迭代的最优海鸥位置。
[0034]
根据本发明的一个实施例，通过高斯映射初始化海鸥种群位置，包括：确定海鸥种群大小以及寻优的上下边界；通过高斯映射随机数产生高斯随机数；根据高斯随机数初始化海鸥位置。
[0035]
根据本发明的一个实施例，通过下述公式产生高斯随机数以及初始化海鸥位置：（1）（2）其中，表示下一个随机数，表示初始化海鸥位置，表示海鸥寻优上边界，表示海鸥寻优下边界。
[0036]
具体而言，通过高斯映射初始化海鸥种群位置时，确定相应的参数设置，例如，确定海鸥种群的大小（即海鸥个体的数量）n，确定迭代的最大次数（即迭代停止的条件）miter，以及寻优的上下边界，如海鸥寻优下边界lb和海鸥寻优上边界ub。通过上述公式（1）产生高斯随机数，在获取到高斯随机数后，可根据高斯随机数和海鸥寻优下边界、海鸥寻优上边界初始化海鸥位置，例如可通过上述公式（2）初始化海鸥位置。即初始化每个海鸥的c和g的值。并且根据目标函数function计算最优适应度值，记录第t次迭代的最优海鸥位置。
[0037]
s4，引入晶体结构算法，获取更新后的第t 1次迭代的海鸥位置。
[0038]
根据本发明的一个实施例，引入晶体结构算法，获取更新后的第t 1次迭代的海鸥位置，包括：获取海鸥的迁徙行为，并根据海鸥的迁徙行为获取海鸥的向新位置移动的距离；获取海鸥的全局攻击行为，并根据海鸥的全局攻击行为获取海鸥的螺旋运动行为；基于
晶体结构从所有海鸥中随机确定第t次迭代后的主海鸥；根据海鸥的向新位置移动的距离、海鸥的螺旋运动行为、主海鸥、第t次迭代后的随机选择海鸥的平均值以及第t次迭代的最佳位置确定更新后的第t 1次迭代的海鸥位置。
[0039]
根据本发明的一个实施例，通过以下公式获取海鸥的向新位置移动的距离：（3）（4）（5）（6）（7）其中，表示海鸥的向新位置移动的距离，表示不与其他海鸥存在位置冲突的新位置，表示最佳位置所在的方向，表示海鸥在给定搜索空间中的运动行为，表示海鸥当前位置，表示控制系数，表示当前迭代次数，表示预设迭代阈值，表示负责平衡全局和局部搜索的随机数，表示第t次迭代的最佳位置，表示取值在[0,1]范围内的随机数。
[0040]
具体而言，在迁移过程中，算法模拟海鸥群如何从一个位置移动到另一个位置。获取海鸥的迁徙行为，海鸥群从一个位置移动到另一个位置这个阶段主要包含三个行为：避免碰撞、向最佳位置方向移动和靠近最佳位置。为了避免与邻居(其他海鸥)发生碰撞，可根据海鸥当前位置并通过采用附加变量a计算海鸥不与其他海鸥存在位置冲突的新位置，例如可通过上述公式（4）和公式（5）计算得出新位置。在获取到不与其他海鸥存在位置冲突的新位置后，海鸥会向最佳位置所在的方向移动，例如可通过上述公式（6）和公式（7）计算得出最佳位置所在的方向，根据最佳位置所在的方向进行移动，即靠近最佳位置。由此，海鸥移动到不与其他海鸥相撞的位置后，朝着最佳位置的所在方向进行移动，到达新的位置，可通过上述公式（3）获取海鸥的向新位置移动的距离。
[0041]
进一步地，根据本发明的一个实施例，通过以下公式获取海鸥的螺旋运动行为：（8）其中，表示横向坐标，表示纵向坐标，表示垂向坐标，表示每个螺旋的半
径，和表示螺旋形状的相关参数，表示自然对数的底数，表示[0，2π]范围内的随机角度值。
[0042]
具体而言，获取海鸥的全局攻击行为，海鸥在攻击猎物过程中，通过螺旋运动可以不断改变攻击角度和速度，同时用翅膀和重量保持高度，当海鸥攻击猎物时，它们就在空中进行螺旋运动，根据海鸥的全局攻击行为获取海鸥的螺旋运动行为，例如通过上述公式（8）根据随机角度值和螺旋形状的一些相关参数以及螺旋的半径可获取海鸥在各个方向的螺旋运动行为。
[0043]
进一步地，根据本发明的一个实施例，通过以下公式获取更新后的第t 1次迭代的海鸥位置：（9）其中，表示更新后的第t 1次迭代的海鸥位置，表示第t次迭代的最佳位置，表示第t次迭代后的随机选择海鸥的平均值，、和为[0，1]范围内的随机数，表示[0，1]范围内的随机数，表示第t次迭代后的主海鸥，表示海鸥的向新位置移动的距离，表示横向坐标，表示纵向坐标，表示垂向坐标，表示[0，1]范围内的随机数。
[0044]
具体而言，在原始海鸥算法中，只利用最优海鸥位置进行引导，从而更新海鸥位置，为了更加有效的提高海鸥的全局搜索能力，引入晶体结构算法的位置更新机制来改进海鸥位置更新方式，综合考虑了不同位置更新模式、基于晶体结构的随机确定的主海鸥、本次迭代海鸥最优位置、种群内部的其他海鸥位置的平均值等因素更新海鸥位置，避免每次迭代中出现局部最优，进而提高海鸥算法的全局搜索能力。首先从所有海鸥中随机确定第t次迭代后的主海鸥，在确定主海鸥后，根据海鸥的向新位置移动的距离、海鸥的螺旋运动行为、第t次迭代后的随机选择海鸥的平均值以及第t次迭代的最佳位置确定更新后的第t 1次迭代的海鸥位置，例如，可通过上述公式（9）获取更新后的第t 1次迭代的海鸥位置。
[0045]
s5，对第t次迭代的最优海鸥位置进行逐维度双向sine变异，获取变异后的最优海鸥位置。
[0046]
根据本发明的一个实施例，对第t次迭代的最优海鸥位置进行逐维度双向sine变异，包括：根据第t次迭代计算sine混沌值，并等概率切换正负方向；对第t次迭代的最优海鸥位置进行变异扰动，以获得变异后的最优海鸥位置。
[0047]
根据本发明的一个实施例，通过以下公式计算sine混沌值和变异后的最优海鸥位置：
（10）（11）（12）（13）其中，表示混沌值，为迭代序列值，表示[0，1]范围内的随机数，表示第t次迭代的最优位置的第j维，表示计算适应度值时的适应度函数，表示变异后的最优海鸥位置。
[0048]
具体而言，对第t次迭代的最优海鸥位置，进行逐维度双向sine变异。对于维度j，首先根据当前迭代次数计算sine混沌值，并等概率切换正负方向。对第t次迭代的最优海鸥位置进行变异扰动，例如通过上述公式（12）获取扰动后第t次迭代的最优海鸥位置的第j维，通过上述公式（13）中适应度函数计算适应度值，并根据适应度值的大小确定变异后的最优海鸥位置，即新位置适应度更好则用新位置替换最优海鸥位置，新位置适应度角差则保留原始最优海鸥位置。在每个维度都进行变异后，可停止变异。
[0049]
s6，在迭代次数达到预设迭代阈值时，将最后一次迭代获得的最优海鸥位置作为车载网络故障诊断模型的模型参数，并将测试数据集输入车载网络故障诊断模型，得到故障诊断结果。
[0050]
具体而言，重复执行上述步骤，计算迭代次数，当迭代次数达到预设迭代阈值时，即达到最大迭代次数miter后，停止迭代，并且将最后一次迭代获得的最优海鸥位置，得到svm的最优参数（惩罚因子c和rbf核函数参数g），将最优参数作为车载网络故障诊断模型的模型参数，将车载网络故障诊断的特征向量（测试数据集）输入到训练后的车载网络故障诊断模型，获得故障诊断结果和测试准确率。
[0051]
举例而言，如图2所示的车载网络实验平台，该平台采用双总线拓扑结构，总线末端接端接器以防止阻抗不匹配而发生发射现象，网络上分别挂接车载网络协议分析设备1台、车载网络故障注入装置1台、网络节点6个等。在验证实验中，平台模拟车载网络6种典型状态，分别是：网络正常状态、网络断路状态、近端端接故障状态、远端端接故障状态、双侧端接故障状态和间歇性断路状态。
[0052]
采集车载网络每种状态 4000 组样本，并随机将其中3200组作为训练样本，剩余800组为测试样本。分别采用soa-svm和isoa-svm对车载网络进行故障诊断。soa算法中的参数为：海鸥个体的数量n=60，最大迭代次数maxiter=200，惩罚因子c和rbf核函数参数g的搜索范围均是在0-200 之间，即海鸥寻优下边界lb = 0，海鸥寻优上边界ub=200；isoa算法中的参数与soa算法中的参数相同，海鸥个体的数量n=60，最大迭代次数maxiter=200，惩罚因
子c和rbf核函数参数g的搜索范围均是在0-200 之间，即海鸥寻优下边界lb = 0，海鸥寻优上边界ub=200。
[0053]
如图3所示，与soa-svm比较，isoa-svm对车载网络的 6 种状态的独立诊断精度均要高些；对于平均诊断精度，isoa-svm相比于soa-svm提高了6.55%。也就是说，isoa搜索得到的svm参数要优于soa搜索得到的svm参数。仿真结果表明，isoa算法比soa算法搜索能力更强，isoa-svm比soa-svm的诊断精确度更高，验证了方法的有效性。
[0054]
下面结合图4来描述本发明的故障诊断方法。
[0055]
作为一个具体示例，本发明的车载网络故障诊断可包括以下步骤：s101，对车载网络故障的原始数据进行故障特征提取，得到特征向量构建数据集，将数据集分为训练数据集和测试数据集。
[0056]
s102，基于增强型海鸥优化算法优化车载网络故障诊断模型的目标函数，并设置约束条件。
[0057]
s103，设置相关参数：海鸥种群的大小n、迭代的最大次数miter、海鸥寻优下边界lb和海鸥寻优上边界ub。
[0058]
s104，利用高斯映射初始化海鸥种群位置。
[0059]
s105，根据目标函数计算适应度值，并记录最优位置。
[0060]
s106，引入晶体结构算法改进海鸥算法的位置更新方式，更新海鸥位置。
[0061]
s107，对最优海鸥位置进行双向sine混沌变异，获取变异后的最优海鸥位置。
[0062]
s108，判断新位置是否适应度更好。如果是，执行步骤s109；如果否，执行步骤s110。
[0063]
s109，用新位置替换最优海鸥位置，并进入步骤s111。
[0064]
s110，保留原始最优海鸥位置，并进入步骤s111。
[0065]
s111，判断是否达到最大迭代次数。如果是，执行步骤s112；如果否，执行步骤s106。
[0066]
s112，输出最优海鸥，得到最优参数。
[0067]
s113，根据最优参数建立车载网络故障诊断模型，将测试数据集输入车载网络故障诊断模型，得到故障诊断结果。
[0068]
综上所述，根据本发明实施例的车载网络故障诊断方法，获取车载网络故障的原始数据，并对原始数据进行处理以获得车载网络故障诊断的数据集，其中，数据集由原始数据的特征向量构成，数据集包括测试数据集，建立基于增强型海鸥优化算法优化车载网络故障诊断模型的目标函数，通过高斯映射初始化海鸥种群位置，并根据目标函数计算适应度值，记录第t次迭代的最优海鸥位置，引入晶体结构算法，获取更新后的第t 1次迭代的海鸥位置，对第t次迭代的最优海鸥位置进行逐维度双向sine变异，获取变异后的最优海鸥位置，在迭代次数达到预设迭代阈值时，将最后一次迭代获得的最优海鸥位置作为车载网络故障诊断模型的模型参数，并将测试数据集输入车载网络故障诊断模型，得到故障诊断结果。由此，该方法能够克服现有海鸥算法的缺陷，显著提升车载网络故障诊断的效果。
[0069]
对应上述实施例，本发明还提出了一种车载网络故障诊断装置。
[0070]
如图5所示，本发明实施例的车载网络故障诊断装置100包括：数据获取模块110、建立模块120、计算模块130、第一获取模块140、第二获取模块150和模型诊断模块160。
[0071]
其中，数据获取模块110用于获取车载网络故障的原始数据，并对原始数据进行处理以获得车载网络故障诊断的数据集，其中，数据集由原始数据的特征向量构成，数据集包括测试数据集。建立模块120用于建立基于增强型海鸥优化算法优化车载网络故障诊断模型的目标函数。计算模块130用于通过高斯映射初始化海鸥种群位置，并根据目标函数计算适应度值，记录第t次迭代的最优海鸥位置。第一获取模块140用于引入晶体结构算法，获取更新后的第t 1次迭代的海鸥位置。第二获取模块150用于对第t次迭代的最优海鸥位置进行逐维度双向sine变异，获取变异后的最优海鸥位置。模型诊断模块160用于在迭代次数达到预设迭代阈值时，将最后一次迭代获得的最优海鸥位置作为车载网络故障诊断模型的模型参数，并将测试数据集输入车载网络故障诊断模型，得到故障诊断结果。
[0072]
根据本发明的一个实施例，计算模块130通过高斯映射初始化海鸥种群位置，具体用于：确定海鸥种群大小以及寻优的上下边界；通过高斯映射随机数产生高斯随机数；根据高斯随机数初始化海鸥位置。
[0073]
根据本发明的一个实施例，计算模块130通过下述公式产生高斯随机数以及初始化海鸥位置：其中，表示下一个随机数，表示初始化海鸥位置，表示海鸥寻优上边界，表示海鸥寻优下边界。
[0074]
根据本发明的一个实施例，第一获取模块140引入晶体结构算法，获取更新后的第t 1次迭代的海鸥位置，具体用于：获取海鸥的迁徙行为，并根据海鸥的迁徙行为获取海鸥的向新位置移动的距离；获取海鸥的全局攻击行为，并根据海鸥的全局攻击行为获取海鸥的螺旋运动行为；基于晶体结构从所有海鸥中随机确定第t次迭代后的主海鸥；根据海鸥的向新位置移动的距离、海鸥的螺旋运动行为、主海鸥、第t次迭代后的随机选择海鸥的平均值以及第t次迭代的最佳位置确定更新后的第t 1次迭代的海鸥位置。
[0075]
根据本发明的一个实施例，第一获取模块140通过以下公式获取海鸥的向新位置移动的距离：
其中，表示海鸥的向新位置移动的距离，表示不与其他海鸥存在位置冲突的新位置，表示最佳位置所在的方向，表示海鸥在给定搜索空间中的运动行为，表示海鸥当前位置，表示控制系数，表示当前迭代次数，表示预设迭代阈值，表示负责平衡全局和局部搜索的随机数，表示第t次迭代的最佳位置，表示取值在[0,1]范围内的随机数。
[0076]
根据本发明的一个实施例，第一获取模块140通过以下公式获取海鸥的螺旋运动行为：其中，表示横向坐标，表示纵向坐标，表示垂向坐标，表示每个螺旋的半径，和表示螺旋形状的相关参数，表示自然对数的底数，表示[0，2π]范围内的随机角度值。
[0077]
根据本发明的一个实施例，第一获取模块140通过以下公式获取更新后的第t 1次迭代的海鸥位置：
其中，表示更新后的第t 1次迭代的海鸥位置，表示第t次迭代的最佳位置，表示第t次迭代后的随机选择海鸥的平均值，、和为[0，1]范围内的随机数，表示[0，1]范围内的随机数，表示第t次迭代后的主海鸥，表示海鸥的向新位置移动的距离，表示横向坐标，表示纵向坐标，表示垂向坐标，表示[0，1]范围内的随机数。
[0078]
根据本发明的一个实施例，第二获取模块150对第t次迭代的最优海鸥位置进行逐维度双向sine变异，具体用于：根据第t次迭代计算sine混沌值，并等概率切换正负方向；对第t次迭代的最优海鸥位置进行变异扰动，以获得变异后的最优海鸥位置。
[0079]
根据本发明的一个实施例，第二获取模块150通过以下公式计算sine混沌值和变异后的最优海鸥位置：其中，表示混沌值，为迭代序列值，表示[0，1]范围内的随机数，表示第t次迭代的最优位置的第j维，表示计算适应度值时的适应度函数，表示变异后的最优海鸥位置。
[0080]
需要说明的是，本发明实施例的车载网络故障诊断装置中未披露的细节，请参照本发明实施例的车载网络故障诊断方法中所披露的细节，具体这里不再赘述。
[0081]
根据本发明实施例的车载网络故障诊断装置，数据获取模块用于获取车载网络故障的原始数据，并对原始数据进行处理以获得车载网络故障诊断的数据集，其中，数据集由原始数据的特征向量构成，数据集包括测试数据集，建立模块用于建立基于增强型海鸥优化算法优化车载网络故障诊断模型的目标函数，计算模块用于通过高斯映射初始化海鸥种群位置，并根据目标函数计算适应度值，记录第t次迭代的最优海鸥位置，第一获取模块用于引入晶体结构算法，获取更新后的第t 1次迭代的海鸥位置，第二获取模块用于对第t次
迭代的最优海鸥位置进行逐维度双向sine变异，获取变异后的最优海鸥位置，模型诊断模块用于在迭代次数达到预设迭代阈值时，将最后一次迭代获得的最优海鸥位置作为车载网络故障诊断模型的模型参数，并将测试数据集输入车载网络故障诊断模型，得到故障诊断结果。由此，该装置能够克服现有海鸥算法的缺陷，显著提升车载网络故障诊断的效果。
[0082]
对应上述实施例，本发明还提出了一种计算机可读存储介质。
[0083]
本发明实施例的计算机可读存储介质，其上存储有车载网络故障诊断程序，该车载网络故障诊断程序被处理器执行时实现上述的车载网络故障诊断方法。
[0084]
根据本发明实施例的计算机可读存储介质，通过执行上述的车载网络故障诊断方法，能够克服现有海鸥算法的缺陷，显著提升车载网络故障诊断的效果。
[0085]
对应上述实施例，本发明还提出了一种终端设备。
[0086]
如图6所示，本发明实施例的终端设备200可包括：存储器210、处理器220以及存储在存储器210上并可在处理器220上运行的车载网络故障诊断程序，处理器220执行车载网络故障诊断程序时，实现上述的车载网络故障诊断方法。
[0087]
根据本发明实施例的终端设备，通过执行上述的车载网络故障诊断方法，能够克服现有海鸥算法的缺陷，显著提升车载网络故障诊断的效果。
[0088]
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（ram），只读存储器（rom），可擦除可编辑只读存储器（eprom或闪速存储器），光纤装置，以及便携式光盘只读存储器（cdrom）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0089]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
[0090]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0091]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0092]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0093]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。