车辆故障预警方法及存储介质与流程

本发明属于车辆故障预警技术领域，具体涉及一种车辆故障预警方法及存储介质。

背景技术：

随着科技水平的发展，汽车成为了人们生活的重要交通工具。人们对用车安全也有更高的要求，而很多事故都是由车辆自身故障问题引起的。因此，如何根据车辆状态和故障数据分析潜在的故障隐患和预警，并能够及早排查和预防是安全用车的主要问题。有效的故障诊断和预警，也为车辆售后服务体系提供了有效的支撑。由于汽车结构和电控的复杂，车辆故障成因呈现多样化、复杂化、随机化，具有一定的不确定性，导致对故障的预警带来困难。

但是目前已有的基于数据分析和算法模型的车辆故障预警，仅仅是通过将数据直接传递给算法模型，让算法自主学习，然后进行预警。这样的方法对于故障预警的原因很难找到，可解释性差。所以针对车辆故障预警的同时，又能追根溯源，找到故障预警的原因，成了迫切需要解决的问题。

技术实现要素：

本发明的目的是提供一种车辆故障预警方法及存储介质，能快速、准确地进行车辆故障的分析及定位，对车辆故障进行预警，又能追根溯源，找到故障预警的原因。

本发明所述的一种车辆故障预警方法，包括以下步骤：

s1.确定获取车辆待检测的故障类型与检测时间范围；

s2.构建车辆故障知识图谱，明确系统与子系统以及信号项之间的逻辑关系；

s3.特征工程，生成样本数据集；

s4.构建车辆故障预警模型；

s5.通过对车辆进行故障预警测试，验证模型准确性；

s6.根据车辆在检测时间范围内数据变化情况，预测车辆可能发生故障的风险。

进一步，所述步骤s2中，构建车辆故障知识图谱，具体为：

采集车辆信号，

对发生车辆故障时的车辆信号进行数据挖掘，将与所述车辆故障相关联的所述车辆信号确定为与该车辆故障对应的关联信号；

根据所述车辆故障与所述关联信号的对应关系构建所述车辆故障知识图谱。

进一步，所述步骤s3，具体为：

基于车辆故障知识图谱，梳理故障树；

分析已有的故障数据，并进行数据字段因素筛选；

筛选后进行数据清洗并计算相应特征值，生成样本数据集。

进一步，所述步骤s4，具体为：

用贝叶斯网络方法构建车辆故障预警模型，并根据已有数据进行训练。

进一步，所述步骤s5，具体为：

提取一部分故障车辆数据集作为模型验证集，对其原始数据进行特征处理，作为模型输入变量，得出模型结果后对故障预警进行百分比统计，即得到模型准确率。

进一步，所述步骤s6，具体为：

根据车辆在检测时间范围内数据变化情况；

根据预测的风险确定此风险的风险类别；

根据风险的风险类别，确定是否需要对车辆进行预警；

根据故障预警的结果，并结合故障知识图谱，找到故障预警原因。

进一步，所述风险类别包括一级风险、二级风险和三级风险；

累计预设时间内出现的一级风险、二级风险和三级风险的数量，风险级别越高，风险越高；

在预设时间内出现三级风险，则对车辆进行预警；

在预设时间内出现一级风险的数量和/或二级风险的数量达到预设阈值时，对车辆进行预警。

进一步，所述步骤s1中，所述故障类型包括无法上高压、充电跳枪、自动下高压、功率受限和车辆无法启动。

进一步，所述步骤s1中，所述检测时间范围包括车辆的各故障数据和各正常数据的过去任意一段时间范围。

本发明中，一种存储介质，其内存储有计算机可读程序，所述计算机可读程序被处理器调用执行时，能实现如本发明所述的车辆故障预警方法的步骤。

本发明具有以下优点：在数据输入给机器学习算法前，充分分析和挖掘信号数据和故障之间的关系，并生成有据可依的故障知识图谱，基于故障知识图谱训练出来的贝叶斯网络模型更加可靠，准确性和泛化能力也更强，从效果来看，能够快速、准确地进行车辆故障的分析及定位，对车辆故障进行预警，又能够追根溯源，找到故障预警的原因。

附图说明

图1为本实施例中的流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，本实施例中，一种车辆故障预警方法，包括以下步骤：

s1.确定获取车辆待检测的故障类型与检测时间范围。

确定获取待检测车辆正常车况与故障车况的车辆数据和故障标志位。其中，本实施例中，故障类型包括无法上高压、充电跳枪、自动下高压、功率受限、车辆无法启动等。检测时段是过去的一段时间，可包括任意一段时间数据。

在此步骤中，需从源数据中提取车辆历史数据，数据中包含车辆各故障数据和正常数据。

s2.构建车辆故障知识图谱，明确系统与子系统以及信号项之间的逻辑关系。

本实施例中，构建车辆故障知识图谱，具体如下：

采集车辆信号；

对发生车辆故障时的车辆信号进行数据挖掘，将与所述车辆故障相关联的所述车辆信号确定为与该车辆故障对应的关联信号；

根据所述车辆故障与所述关联信号的对应关系构建所述车辆故障知识图谱。

车辆故障知识图谱构建的基础可以是近似全量的车辆信号的数据采集。根据车辆故障码定义，梳理故障与数据字段因素之间的逻辑关系，为构建底层信号知识图谱做基础。

通过故障等级和电气系统架构，再根据电气原理与电池属性(化学原理)梳理故障之间的逻辑关系。由顶层故障向下分解，建立各因素之间的相关关系；

为构建知识图谱体系，需要构建相应的知识体系，就是抽取实体与实体之间的关系。本实施例中，知识体系的构建方法包括人工构建法与自动构建法，本实施例中采用两者相结合的方法来完善车辆故障知识体系。

以纯电动车的无法上高压、充电跳枪为例，人工构建法通过业务专家一定的经验输入，确定故障表现及其关联信号异常表现。

整个过程中罗列出具体故障概念、属性以及关系，从而确定知识体系结构，定义属性及关系，定义约束的过程：

本实施例中，自动构建法包含结构化与非结构化的知识数据作为输入。

提取源数据中车辆的历史数据，数据中包含车辆各故障数据和正常数据；

分析数据中的字段因素，提取对于故障预警有价值的字段因素；

将发生无法上高压、充电跳枪故障数据与关联信号项数据抽取出来；

使用先验算法apriori，对同一故障的关联信号进行关联规则分析；

关联规则分析是在大规模数据集中寻找相互关系的任务，包括频繁项集(经常出现在一块的物品的集合)、关联规则(暗示两种物品之间可能存在很强的关系)。

以无法上高压故障为例，包含k个关联信号项，并且无法上高压故障满足最小支持度的事件为频繁k项集；

k维数据项集lk是频繁项集的必要条件是它所有k-1维子项集也为频繁项集，记为lk-1；

如果k维数据项集lk的任意一个k-1维子集lk-1，不是频繁项集，则k维数据项集lk本身也不是最大数据项集；

lk是k维频繁项集，如果所有k-1维频繁项集合lk-1中包含lk的k-1维子项集的个数小于k，则lk不可能是k维最大频繁数据项集；

同时满足最小支持度阈值和最小置信度阈值的规则称为强规则；

通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于用户设定的阈值的项集，利用频繁项集构造出满足用户最小信任度的规则，输出每个信号项的相关程度；

将相关程度排序，将最终关联度高的字段因素加入到故障知识图谱中；

由此形成相对完整的故障知识图谱体系，将其编程了分析数据表中的字段内容、主键以及外键之间的关系。

s3.特征工程，生成样本数据集。

基于车辆故障知识图谱，梳理故障树；

分析已有的故障数据，并进行数据字段因素筛选；

筛选后进行数据清洗并计算相应特征值，生成样本数据集。

本实施例中，筛选包括连续型变量筛选和离散型变量筛选；其中：

连续型变量筛选——多重共线性(vif)：对于共线性的处理方法为vif检验，将方差扩大因子法(vif)检验系数大于5以上的特征判定为共线性特征，并予以删除处理。

离散型变量筛选——iv值：iv衡量变量的预测能力：预测能力强：iv≥0.3；预测能力中:0.1≤iv<0.3。

筛选后进行数据清洗和相应特征值计算，生成样本数据集。

s4.构建车辆故障预警模型。

用贝叶斯网络方法构建车辆故障预警模型，并根据已有数据进行训练。

s5.通过对车辆进行故障预警测试，验证模型准确性。

提取一部分故障车辆数据集作为模型验证集，对其原始数据进行特征处理，作为模型输入变量，得出模型结果后对故障预警进行百分比统计，即得到模型准确率。

s6，预测车辆可能发生故障的风险。

根据车辆在检测时间范围内数据变化情况；

根据预测的风险确定此风险的风险类别；

根据风险的风险类别，确定是否需要对车辆进行预警；

根据故障预警的结果，并结合故障知识图谱，找到故障预警原因。

本实施例中，风险类别包括一级风险、二级风险和三级风险。分别累计预设时间内(一般是七天时间内)出现的一级风险、二级风险和三级风险的数量。风险越高，风险级别越高。如果出现三级风险，即使三级风险的数量较少，也是需要对车辆进行预警的。如果出现一级风险的数量和/或二级风险的数量达到预设阈值时，对车辆进行预警。如果没有出现三级风险，以及一二级的风险数量未达到预设阈值时，不对车辆进行预警。

本实施例中，一种存储介质，其内存储有计算机可读程序，所述计算机可读程序被处理器调用执行时，能实现如本实施例中所述的车辆故障预警方法的步骤。