用于分析汽车故障的方法和装置与流程

本发明涉及一种用于分析汽车故障的方法和装置。

背景技术：

目前，汽车已成为人类出行必不可少的交通工具。现在的汽车性能越来越完善，结构也越来越复杂，从而对汽车的故障进行诊断的难度也不断增加。当前的汽车故障诊断方法主要是人工诊断法和仪器设备诊断法。由于当前的汽车故障种类繁多、原因多样化，因此不管是采用人工诊断法还是仪器设备诊断法，在诊断汽车故障时都是费时且不够精确的。

因此，为了保证行车安全，在汽车发生故障时，希望能够快速且准确地确定发生故障的原因和/或每个原因导致该故障的概率，从而利于维修人员尽快且精确地消除故障。

技术实现要素：

提供本发明内容以便介绍一组概念，这组概念将在以下的具体实施方式中做进一步描述。本发明内容并非旨在标识所保护主题的关键特征或必要特征，也不旨在用于限制所保护主题的范围。

本发明的目的在于提供用于分析汽车故障的方法和装置，用以至少部分地克服现有技术存在的缺陷，从而可以快速定位故障原因，得到精准的诊断结果。此外，利用本发明的用于分析汽车故障的方法，通过向厂家反馈针对故障的精确的诊断结果，还可以为生产参数可行范围评估提供参考。

本发明的实施例提供一种用于分析汽车故障的方法和装置，所述方法包括：接收待诊断故障信息；从数据库中获得与所述待诊断故障信息中指示的待诊断故障相关的预定特征；利用故障分析模型对所述待诊断故障信息和所述预定特征进行处理，其中，所述故障分析模型是基于分类算法、使用历史故障数据和历史故障相关特征来训练融合模型而确定的优选模型；以及生成针对所述待诊断故障的故障诊断结果。

本发明的实施例还提供一种用于分析汽车故障的装置，包括：接收模块，用于接收待诊断故障信息；获得模块，用于从数据库中获得与所述待诊断故障信息中指示的待诊断故障相关的预定特征；处理模块，用于利用故障分析模型对所述待诊断故障信息和所述预定特征进行处理，其中，所述故障分析模型是基于分类算法、使用历史故障数据和历史故障相关特征来训练融合模型而确定的优选模型；以及生成模块，用于生成针对所述待诊断故障的故障诊断结果。

按照本发明实施例的一种用于分析汽车故障的设备，包括：处理器；以及存储器，用于存储可执行指令，其中，所述可执行指令当被执行时使得所述处理器执行前述的方法。

按照本发明实施例的一种机器可读介质，其上存储有可执行指令，其中，所述可执行指令当被执行时，使得机器执行前述的方法。

应当注意，以上一个或多个方面包括以下详细描述以及在权利要求中具体指出的特征。下面的说明书及附图详细阐述了所述一个或多个方面的某些说明性特征。这些特征仅仅指示可以实施各个方面的原理的多种方式，并且本公开内容旨在包括所有这些方面和其等同变换。

附图说明

以下将结合附图描述所公开的多个方面，这些附图被提供用以说明而非限制所公开的多个方面。

图1示出了按照本发明的一个实施例的用于分析汽车故障的系统的架构示意图；

图2示出了按照本发明的一个实施例的针对故障分析模型的示例性训练过程的示意图；

图3示出了按照本发明的一个实施例的训练机器学习融合模型以及利用所训练的优选模型来分析汽车故障的流程示意图；

图4示出了按照本发明的一个实施例的用于分析汽车故障的方法的流程示意图；

图5示出了按照本发明的一个实施例的用于分析汽车故障的装置的示意图；以及

图6示出了按照本发明的一个实施例的用于分析汽车故障的设备的示意图。

具体实施方式

现在将参考多种示例性实施方式来讨论本公开内容。应当理解，这些实施方式的讨论仅仅用于使得本领域技术人员能够更好地理解并从而实施本公开内容的实施例，而并非教导对本公开内容的范围的任何限制。

下面将结合附图详细描述本发明的各个实施例。

图1示出了按照本发明的一个实施例的用于分析汽车故障的系统100的架构示意图。如图1所示，用于分析汽车故障的示例性系统100可以包括故障分析模型102、输入端口104、数据库106和输出端口108。

在一些实施例中，故障分析模型102可以从输入端口104接收待诊断故障信息。在一些例子中，该待诊断故障信息表示当汽车发生故障时与该故障相关的信息，其包括但不限于故障发生的时间、地点、具体故障表现，例如车辆无法启动、发动机熄火、车辆噪声大等等。该待诊断故障信息可以是以文本形式来提供的。在一些例子中，待诊断故障信息可以是通过以下中的一种或多种方式获得的：由汽车的系统检测到的、由汽车外部的传感器检测并传送给汽车的系统或云端数据库的、通过人工记录或输入的，或任何其他适当的信息获取方式。故障分析模型102还可以从数据库106获得与该待诊断故障信息中指示的待诊断故障相关的预定特征，例如，该待诊断故障是由待诊断故障信息中的具体故障表现指示的。在一些例子中，故障分析模型102可以利用词频-逆文档频率(tf-idf)方法将文本形式的待诊断故障信息转换成向量形式，基于bert(bidirectionalencoderrepresentationsfromtransformers，来自变换器的双向编码器表征)模型来对其中指示的待诊断故障进行分类，例如分类结果可以包括但不限于以下任何一个或多个：漏油故障、变速器控制单元问题、车辆抖动、车辆羊叫噪声、离合器故障、阀体问题等等。基于待诊断故障的分类结果，故障分析模型102可以从数据库106获得与分类结果相关的预定特征或参数，例如与分类结果相匹配或相对应的高维数据，包括但不限于生产过程参数和装车后零件参数，诸如：生产年份或生产日期、里程数、变速箱装车后行驶距离公里数、泵的温度、离合器当前温度下的耐受时长、油压、从变速器读取的变速器芯片数据等等。在一些例子中，生产过程参数表示工位上的参数，诸如零件扭矩、润滑液渗透压、零件力向、力矩、温度等；装车后零件参数可以包括但不限于以下各项：转速、里程数、离合器温度、压强、损耗等。

所接收的待诊断故障信息和获得的预定特征可以作为输入被提供至故障分析模型102，以供后续处理或分析。利用故障分析模型102对待诊断故障信息和预定特征进行处理来生成针对该待诊断故障的诊断结果。该故障诊断结果可以被提供至输出端口108，以输出给用户或呈现在显示器上。在一些例子中，故障诊断结果可以包括但不限于以下中的任何一个或多个：与待诊断故障相关的结果特征、导致待诊断故障的至少一个原因和每个原因导致该故障的概率。在一些例子中，每种故障对应至少一个原因，例如，升档异响故障的原因包括但不限于以下：内部温度传感器电气故障、压力下降导致传感器功能受限；换档不跳档故障的原因包括但不限于以下：超过齿轮油温、起档同步失败等等。举例而言，如果待诊断故障的分类结果为“漏油”，则故障诊断结果可能为：结果特征[生产年份、里程数]、故障原因及概率[密封件失效50％，紧固螺母脱落10％，阀门堵塞15％，油箱损坏5％，油管破损10％，结构设计问题5％，安装不当5％]。需要理解的是，此处的具体特征、故障原因及概率数值均为示例性的，在实际应用中，可以存在或生成任何合适的结果特征、故障原因及每种原因的概率。

故障诊断结果可以从输出端口108被提供至数据库106以保存在数据库106中或在训练阶段被提供至模型用于再次训练模型。

需要理解的是，图1中示出的部件或模块仅为示例性的，在实际应用中，可以根据需要增加或减少一个或多个部件。另外，系统100包括的各个部件可以通过无线或有线的任意方式相连接。

图2示出了按照本发明的一个实施例的针对故障分析模型102的示例性训练过程200的示意图，其中通过训练包括至少一个模型的融合模型202来确定优选模型，并将该优选模型在故障分析过程中用作故障分析模型。在一些实施例中，融合模型202包括随机森林模型、adaboost模型和支持向量机svm模型。

如图2所示，融合模型202从数据库204获得历史故障信息以及历史故障相关特征。融合模型202对历史故障信息和历史故障相关特征进行处理，以针对历史故障信息中指示的历史故障生成预测的诊断结果。此外，融合模型202从检测或诊断系统206获得针对该故障的检测到的真实结果，并将其与预测的诊断结果相比对以确定两者之间的偏差。如果通过调整故障相关特征的参数和/或参数值使得预测结果与真实结果的偏差小于阈值，则将此时的参数确定为优选参数并将使用该优选参数的模型确定为优选模型，其中，该优选模型在故障分析过程中可被用作故障分析模型102。可选地，通过输出端口208可以将优选参数输出至融合模型202中，以在后续训练过程中用于以更新的参数来再次训练融合模型202。

在一些例子中，通过检测或诊断系统针对历史故障来分析或检测得到的历史诊断真实结果可以连同历史故障信息合并为历史故障数据以保存在数据库204中。

针对融合模型202的具体训练过程将在下文参考图3的虚线框示出。

图3示出了按照本发明的一个实施例的训练机器学习融合模型以及利用所训练的优选模型来分析汽车故障的流程示意图300。在该实施例中，虚线框内的操作302、304、306、308是对故障分析模型的训练过程，操作310、312、314、316是利用训练得到的优选模型对待诊断故障进行处理以生成诊断结果的过程。

如图3所示，在方框302，获得历史故障信息、历史故障相关特征、针对历史故障信息中指示的历史故障的相应诊断结果。上述信息可以从数据库中获得。

在方框304，可以基于分类算法对历史故障信息进行分类。在一些例子中，通过用于分类的bert算法将历史故障信息进行文本分类，以得到针对历史故障信息中指示的历史故障的分类结果。在一些实施例中，分类结果可以包括例如但不限于漏油故障、变速器控制单元故障、车辆抖动、车辆羊叫、离合器故障、阀体问题等等。

在方框306，可以基于故障信息的分类结果、与故障相关的特征以及针对故障的诊断结果来训练随机森林模型和adaboost模型。例如，将不同类别的故障信息、与故障相关的高维数据(如生产年份或生产日期、里程数、变速箱装车后行驶距离公里数、泵的温度、离合器当前温度下的耐受时长、油压等特征)和诊断结果作为上述模型的输入，使用交叉验证的方法进行抽样，来分别训练随机森林模型和adaboost模型，从而分别确定随机森林模型的优选参数以及adaboost模型的优选参数。

在方框308，可以使用融合模型将随机森林模型和adaboost模型作为基层模型，来训练支持向量机svm模型，以确定融合优选参数和融合优选模型。通过上述训练方式得到的优选模型可以在后续故障诊断分析过程中使用，如下方框310-316所示。在一些例子中，可以将采用优选参数的随机森林模型和采用优选参数的adaboost模型的结果输入到svm模型中，以再次训练svm模型来获得svm模型的优选参数。进一步地，基于随机森林模型的优选参数、adaboost模型的优选参数以及svm模型的优选参数，可以确定融合优选参数，并将采用该融合优选参数的融合模型作为优选模型或故障分析模型。

在方框310，接收待诊断故障信息，该待诊断故障信息可以是文本形式。在一些例子中，可以将该待诊断故障信息作为输入提供给优选模型。

在方框312，加载优选模型作为故障分析模型，并且从方框314获得与待诊断故障信息中指示的待诊断故障相关的特征作为该优选模型的输入。在一些例子中，与待诊断故障相关的特征可以包括但不限于生产过程参数和装车后零件参数等。

在方框316，基于优选模型的处理，生成对应该类别故障的诊断结果。该故障诊断结果可以包括但不限于以下中的任何一个或多个：与待诊断故障相关的结果特征、导致待诊断故障的至少一个原因和每个原因导致该故障的概率。

图4示出了按照本发明的一个实施例的用于分析汽车故障的示例过程400。

在方框402，可以接收待诊断故障信息。在一些例子中，待诊断故障信息可以是文本形式。

在方框404，从数据库中获得与该待诊断故障信息中指示的待诊断故障相关的预定特征。在一些例子中，与待诊断故障相关的预定特征可以由高维数据或参数来表示，例如包括生产日期、里程数等特征的参数表示。

在方框406，利用故障分析模型对待诊断故障信息和预定特征进行处理，其中，故障分析模型是基于分类算法、使用历史故障数据和历史故障相关特征来训练融合模型而确定的优选模型，如前文参考图2或图3中的训练过程所描述的。在一些例子中，历史故障数据包括历史故障信息和/或相应的诊断结果。在一些例子中，该分类算法可以是bert算法。

在方框408，生成针对所述待诊断故障的故障诊断结果，其中，该故障诊断结果包括以下中的至少一项：与所述待诊断故障相关的结果特征、导致所述待诊断故障的至少一个原因和每个原因的概率。

在一些实施例中，故障分析模型是进一步基于以下操作来确定的：获得所述历史故障数据和历史故障相关特征，所述历史故障数据包括历史故障信息和相应的历史诊断结果；利用所述分类算法对所述历史故障信息进行文本分类，以获得不同类别的历史故障信息；基于所述不同类别的历史故障信息、所述历史故障相关特征和所述历史诊断结果来训练所述融合模型，以获得针对所述融合模型的融合优选参数；以及将采用所述融合优选参数的融合优选模型选择用作所述故障分析模型。

在进一步的实施例中，融合模型包括随机森林模型、adaboost模型和支持向量机svm模型。训练融合模型的操作可以进一步包括如下操作：基于所述不同类别的历史故障信息、所述历史故障相关特征和所述历史诊断结果来训练所述随机森林模型和所述adaboost模型，以分别确定针对所述随机森林模型的优选参数和针对所述adaboost模型的优选参数；以采用确定的优选参数的所述随机森林模型和所述adaboost模型为基层模型，训练所述支持向量机模型以确定针对所述svm模型的优选参数；基于所述随机森林模型的优选参数、所述adaboost模型的优选参数以及所述svm模型的优选参数，确定所述融合优选参数。

可选地，该方法400还可以包括：将所述故障诊断结果保存在所述数据库中和/或提供至所述融合模型以再次训练该融合模型。在一些实施例中，将所述故障诊断结果提供至所述融合模型以再次训练该融合模型的操作进一步包括：将所述结果特征提供至所述融合模型，以作为更新的历史故障相关特征来再次训练所述融合模型。

图5示出了按照本发明的一个实施例的用于分析汽车故障的装置500的示意图。图5所示的装置500可以利用软件、硬件或软硬件结合的方式来实现。

如图5所示，装置500可以包括接收模块502、获得模块504、处理模块506和生成模块508。

接收模块502可以用于接收待诊断故障信息。在一些例子中，该待诊断故障信息可以是文本形式。

获得模块504可以用于从数据库中获得与该待诊断故障信息中指示的待诊断故障相关的预定特征。

处理模块506可以用于利用故障分析模型对所述待诊断故障信息和所述预定特征进行处理，其中，所述故障分析模型是基于分类算法、使用历史故障数据和历史故障相关特征来训练融合模型而确定的优选模型。在一些例子中，该分类算法可以是bert算法。在一些例子中，历史故障数据包括历史故障信息和相应的诊断结果。

生成模块508可以用于生成针对所述待诊断故障的故障诊断结果。在一些例子中，该故障诊断结果包括以下中的至少一项：与所述待诊断故障相关的结果特征、导致所述待诊断故障的至少一个原因和每个原因的概率。

此外，可选地，装置500还可以包括保存模块，用于将所述故障诊断结果保存在所述数据库中。可选地或替代地，装置500还可以包括提供模块，用于将所述故障诊断结果提供至所述融合模型以再次训练所述融合模型。

进一步地，提供模块还被配置用于：将所述结果特征提供至所述融合模型，以作为更新的历史故障相关特征来再次训练所述融合模型。

图6示出了按照本发明的一个实施例的用于分析汽车故障的设备600的示意图。

如图6所示，设备600可以包括处理器602和存储器604，其中，存储器604用于存储可执行指令，所述可执行指令当被执行时使得处理器602执行图3-4所示的方法。

本发明实施例还提供一种机器可读介质，其上存储有可执行指令，当所述可执行指令被执行时，使得机器执行图3-4所示的方法。

应当理解，以上描述的方法中的所有操作都仅仅是示例性的，本公开并不限制于方法中的任何操作或这些操作的顺序，而是应当涵盖在相同或相似构思下的所有其它等同变换。

还应当理解，以上描述的装置中的所有模块都可以通过各种方式来实施。这些模块可以被实施为硬件、软件、或其组合。此外，这些模块中的任何模块可以在功能上被进一步划分成子模块或组合在一起。

已经结合各种装置和方法描述了处理器。这些处理器可以使用电子硬件、计算机软件或其任意组合来实施。这些处理器是实施为硬件还是软件将取决于具体的应用以及施加在系统上的总体设计约束。作为示例，本公开中给出的处理器、处理器的任意部分、或者处理器的任意组合可以实施为微处理器、微控制器、数字信号处理器(dsp)、现场可编程门阵列(fpga)、可编程逻辑器件(pld)、状态机、门逻辑、分立硬件电路、以及配置用于执行在本公开中描述的各种功能的其它适合的处理部件。本公开给出的处理器、处理器的任意部分、或者处理器的任意组合的功能可以实施为由微处理器、微控制器、dsp或其它适合的平台所执行的软件。

以上描述被提供用于使得本领域任何技术人员可以实施本文所描述的各个方面。这些方面的各种修改对于本领域技术人员是显而易见的，本文限定的一般性原理可以应用于其它方面。因此，权利要求并非旨在被局限于本文示出的方面。关于本领域技术人员已知或即将获知的、对本公开所描述各个方面的元素的所有结构和功能上的等同变换，都将通过引用而明确地包含到本文中，并且旨在由权利要求所覆盖。

本领域技术人员应当理解，以上公开的各个实施例可以在不偏离发明实质的情况下做出各种修改和变形，这些修改和变形都应当落入本发明的保护范围之内，并且，本发明的保护范围应当由权利要求书来限定。