消防车水路故障检测方法及装置与流程

1.本发明涉及作业机械技术领域，尤其涉及一种消防车水路故障检测方法及装置。


背景技术：

2.消防车的水路系统，尤其是水泵，是消防车核心部件，是消防车辆上至关重要的执行元件，消防车的水路一旦出现突发性故障，需现场或返厂故障分析、排查与解决，导致浪费大量时间、人力和财力，且效率低。如果在消防灭火工作中出现水路系统故障会造成极大的损失，因此需要对消防车水路及时进行故障检测。
3.目前对消防车水路进行故障检测的方法，主要是通过工作人员定期检修，这样过分依赖人工经验，消耗人力成本，且故障情况掌握不够及时，不够准确，在人工巡检出现误差时，会造成较大的损失。


技术实现要素：

4.本发明提供一种消防车水路故障检测方法及装置，用以解决现有技术中过分依赖人工经验，消耗人力成本，且故障情况掌握不够及时，不够准确，在人工巡检出现误差时，会造成较大的损失的缺陷，实现便于用户及时掌握消防车水路的故障情况，能够避免消耗人力成本，能够使得故障检测更加准确及时，提高消防车的应急响应能力。
5.本发明提供一种消防车水路故障检测方法，该消防车水路故障检测方法包括：接收目标消防车的多维工况数据；基于所述多维工况数据，确定故障状态；在所述故障状态为有故障的情况下，若所述多维工况数据在剔除任意一个工况数据后对应的所述故障状态为无故障，则将所述工况数据确定为目标工况数据；将所述目标工况数据发送给用户终端。
6.根据本发明提供的一种消防车水路故障检测方法，所述在所述故障状态为有故障的情况下，还包括：若所述多维工况数据在剔除任意一个所述工况数据后对应的所述故障状态为有故障，则在所述多维工况数据中放回所述工况数据，剔除任意一个所述多维工况数据中的新的工况数据，直到所述多维工况数据在剔除所述新的工况数据后对应的所述故障状态为无故障，则将所述新的工况数据确定为目标工况数据。根据本发明提供的一种消防车水路故障检测方法，所述在所述故障状态为有故障的情况下，还包括：若所述多维工况数据在剔除每一个所述新的工况数据后对应的所述故障状态均为有故障，则依次提高剔除的工况数据的数量，直到所述多维工况数据在剔除目标数量的工况数据后对应的所述故障状态为无故障，则将所述目标数量的工况数据确定为所述目标工况数据。
7.根据本发明提供的一种消防车水路故障检测方法，所述基于所述多维工况数据，确定故障状态，包括：基于所述多维工况数据，确定多维特征矩阵；基于最大方差理论对所述多维特征矩阵进行处理，得到第一主成分方向；基于最小二乘法对所述多维特征矩阵进行处理，得到第二主成分方向；基于所述第一主成分方向和所述第二成分方向，确定主成分方向偏差；基于所述主成分方向偏差与偏差阈值，确定故障状态。
8.根据本发明提供的一种消防车水路故障检测方法，所述基于所述多维工况数据，
确定故障状态，包括：将多维工况数据输入到故障检测模型中，得到所述故障检测模型输出的水路故障信息，所述故障检测模型为以历史工况数据集进行训练得到的。
9.根据本发明提供的一种消防车水路故障检测方法，所述故障检测模型的训练过程包括：获取目标消防车终端的目标工况样本数据；基于所述目标工况样本数据，训练所述故障检测模型，直到所述目标工况样本数据用尽，确定所述故障检测模型的平均误差；在所述平均误差大于误差阈值的情况下，获取备选消防车终端的备选工况样本数据；基于所述备选工况样本数据，继续训练所述故障检测模型，直到所述平均误差小于所述误差阈值。
10.根据本发明提供的一种消防车水路故障检测方法，所述目标消防车终端为同型号的多个消防车终端，所述目标工况样本数据为从同型号的多个消防车终端采集得到的。
11.根据本发明提供的一种消防车水路故障检测方法，所述多维工况数据包括：水泵转速、水流量、水泵入口压力、水泵出口压力、发动机转速、水泵计时、近控旋钮调速、分动箱油温和分动箱润滑油压力中的至少三者。
12.本发明还提供一种消防车水路故障检测装置，该消防车水路故障检测装置包括：接收模块，用于接收目标消防车的多维工况数据；第一确定模块，用于基于所述多维工况数据，确定故障状态；第二确定模块，用于在所述故障状态为有故障的情况下，若所述多维工况数据在剔除任意一个工况数据后对应的所述故障状态为无故障，则将所述工况数据确定为目标工况数据；发送模块，用于将所述目标工况数据发送给用户终端。
13.本发明还提供一种消防车，所述消防车包括：车身以及如上所述的消防车水路故障检测装置，所述消防车水路故障检测装置安装于所述车身。
14.本发明还提供一种电子设备，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计算机程序，所述处理器执行所述程序时实现如上述任意一个种所述消防车水路故障检测方法的步骤。
15.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任意一个种所述消防车水路故障检测方法的步骤。
16.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任意一个种所述消防车水路故障检测方法的步骤。
17.本发明提供的消防车水路故障检测方法及装置，通过接收目标消防车终端的多维工况数据，在有故障的情况下，采用剔除法从多维工况数据中确定出现故障的目标工况数据，并将目标工况数据发送给用户终端，能够便于用户及时掌握消防车水路的故障情况，能够避免消耗人力成本，能够使得故障检测更加准确及时，提高消防车的应急响应能力。
附图说明
18.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1是本发明提供的消防车水路故障检测方法的流程示意图；
20.图2是本发明提供的消防车水路故障检测方法的交互系统结构示意图；
21.图3是本发明提供的消防车水路故障检测方法的程序框图之一；
22.图4是本发明提供的消防车水路故障检测方法的程序框图之二；
23.图5是本发明提供的消防车水路故障检测装置的结构示意图；
24.图6是本发明提供的电子设备的结构示意图。
具体实施方式
25.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
26.下面结合图1至图6描述本发明的消防车水路故障检测方法及装置。
27.如图1和图2所示，本发明提供一种消防车水路故障检测方法，该消防车水路故障检测方法可以应用在服务器中，消防车上可以具有水路，水路中安装有各种传感器，传感器可以监测水路的工况数据，传感器可以和控制器电连接，控制器可以和消防车终端连接，消防车终端可以安装在消防车上，消防车终端可以和服务器通信连接，用户终端也可以和服务器通信连接，用户终端可以为手机、平板电脑或者笔记本电脑等移动终端。
28.如图1所示，该消防车水路故障检测方法包括如下步骤110至步骤140。
29.步骤110、接收目标消防车的多维工况数据。
30.可以理解的是，目标消防车终端安装在目标消防车上，目标消防车就是待检测的消防车，多维工况数据可以包括多种消防车水路的工况数据，比如，多维工况数据可以包括：水泵转速、水流量、水泵入口压力、水泵出口压力、发动机转速、水泵计时、近控旋钮调速、分动箱油温和分动箱润滑油压力中的至少三者。
31.目标消防车的多种传感器在分别检测到多维工况数据之后，可以将多维工况数据发送给目标消防车终端，目标消防车终端可以将多维工况数据上传给服务器。
32.服务器可以先判断目标消防车的工作状态，即目标消防车是处于在线状态还是离线状态，如果目标消防车处于在线状态，则可以从目标消防车终端出接收到实时在线发送的多维工况数据。
33.当目标消防车处于在线状态时，可以进一步判断水泵状态，若水泵处于停止状态，则可以将发动机转速、水泵计时和分动箱油温上传给服务器，若水泵不处于停止状态，可以进一步判断水泵是否处于空转状态，若水泵处于空转状态，则可以在车载端显示屏以文字与声光报警提示水泵空转并自动停泵。
34.如果水泵处于正常工作状态，则可以将多维工况数据发送给服务器，通过服务器来判断消防车是否出现了故障。
35.步骤120、基于多维工况数据，确定故障状态。
36.可以理解的是，服务器在接收到多维工况数据之后，可以对多维工况数据进行处理，从而确定故障状态，故障状态为消防车水路是否存在故障，换言之，故障状态可以包括：有故障和无故障，具体根据多维工况数据得到故障状态的过程，可以为将多维工况数据输入到神经网络模型中，判断得知故障状态，还可以将多维工况数据与预设的阈值进行对比，得到故障状态，此处确定故障状态所依据的是多维工况数据这一整体数据，并非多维工况数据中的哪一个单一的数据，因此仅需要依据多维工况数据，初步判断出消防车水路是否
存在故障即可，此处不具体限定如何根据多维工况数据得到故障状态，本领域技术人员可以选择可行的方法来实现。
37.步骤130、在故障状态为有故障的情况下，若多维工况数据在剔除任意一个工况数据后对应的故障状态为无故障，则将工况数据确定为目标工况数据。
38.可以理解的是，目标工况数据可以为多维工况数据中的一个存在故障的工况数据，如果根据多维工况数据得到的故障状态为有故障，说明多维工况数据中存在至少一个工况数据有故障，此时可以从多维工况数据中随机挑选一个工况数据，将该工况数据从多维工况数据中剔除，并判断剔除该工况数据之后的多维工况数据对应的故障状态，如果该故障状态为无故障，则将剔除的那个工况数据作为目标工况数据。
39.在一些实施例中，若所述多维工况数据在剔除任意一个所述工况数据后对应的所述故障状态为有故障，则在所述多维工况数据中放回所述工况数据，剔除任意一个所述多维工况数据中的新的工况数据，直到所述多维工况数据在剔除所述新的工况数据后对应的所述故障状态为无故障，则将所述新的工况数据确定为目标工况数据。
40.如果该故障状态为有故障，则将剔除的那个工况数据放回到多维工况数据中，并任意剔除一个新的工况数据。
41.按照以上方法依次更换剔除任意一个工况数据，直到剔除对应的工况数据之后，得到的故障状态为无故障，则将剔除的工况数据作为目标工况数据，这样就能够在出现故障的多维工况数据中确定目标工况数据，能够快速准确地找到出现故障的那个目标工况数据。
42.值得注意的是，在剔除目标工况数据之前的多维工况数据的故障状态可以被称为原始故障状态，在剔除目标工况数据之后的多维工况数据的故障状态可以被称为参考故障状态，参考故障状态和原始故障状态可以不相同。
43.比如，在某次检测过程中，服务器接收到的多维工况数据可以为水泵转速、水流量和水泵入口压力，多维工况数据对应的原始故障状态为无故障，当剔除水流量后，得到的多维工况数据为水泵转速和水泵入口压力，此时对应的参考故障状态为有故障，则认为水流量就是导致多维工况数据存在故障的原因，则将水流量作为目标工况数据。
44.步骤140、将目标工况数据发送给用户终端。
45.可以理解的是，在找到目标工况数据之后，服务器可以将目标工况数据发送给用户终端，用户终端可以为手机，手机上可以安装有消防车监控app，服务器可以向消防车监控app发送目标工况数据，那么消防车监控app上就可以显示目标工况数据，此时用户就能够在消防车监控app上查看到出现故障的消防车工况数据，当然服务器还可以给手机发送短信，在短信中显示目标工况数据，这样用户就能够在短信中查看到出现故障的消防车工况数据，用户就可以及时掌握消防车水路的故障，并及时对消防车水路进行故障检修。
46.本发明提供的消防车水路故障检测方法，通过接收目标消防车终端的多维工况数据，在有故障的情况下，采用剔除法从多维工况数据中确定出现故障的目标工况数据，并将目标工况数据发送给用户终端，能够便于用户及时掌握消防车水路的故障情况，能够避免消耗人力成本，能够使得故障检测更加准确及时，提高消防车的应急响应能力。
47.在一些实施例中，在故障状态为有故障的情况下，还包括：若多维工况数据在剔除每一个新的工况数据后对应的故障状态均为有故障，则依次提高剔除的工况数据的数量，
直到多维工况数据在剔除目标数量的工况数据后对应的故障状态为无故障，则将目标数量的工况数据确定为目标工况数据。
48.可以理解的是，目标工况数据也可以为多维工况数据中的多种工况数据，在上述实施例中，如果从多维工况数据中任意剔除一个工况数据后，对应的故障状态均为有故障，可以确定多维工况数据中导致故障的工况数据可能不止一个，那么就可以依次提高剔除的工况数据的数量，比如可以先从多维工况数据中随机剔除两个工况数据，直到剔除后的多维工况数据为无故障，则将剔除的两个工况数据作为目标工况数据，如果剔除的两个工况数据已经穷尽了多维工况数据中的所有可能的两个工况数据的组合，但剔除后的多维工况数据仍然为有故障，则可以从多维工况数据中随机剔除三个工况数据，按照这样的方式，直到从多维工况数据中剔除目标数量的工况数据后，得到的故障状态为无故障，则将目标数量的工况数据确定为目标工况数据。
49.通过这样的方式，就可以从多维工况数据中快速确定多个出现故障的工况数据，使得故障情况的判断更加准确。
50.如图3所示，在一些实施例中，基于多维工况数据，确定故障状态，包括：基于多维工况数据，确定多维特征矩阵；基于最大方差理论对多维特征矩阵进行处理，得到第一主成分方向；基于最小二乘法对多维特征矩阵进行处理，得到第二主成分方向；基于第一主成分方向和第二成分方向，确定主成分方向偏差；基于主成分方向偏差与偏差阈值，确定故障状态。
51.可以理解的是，多维工况数据示例可以如表1所示，其中，表1中的列代表特征(即多维工况数据的单个工况数据)，行代表了样例(即不同的数据值组合)，这里每个特征有n个样例，即特征为m维，样例为n维。
52.表1：多维工况数据示例表
[0053][0054]
归纳后可以确定：
[0055]
多维工况数据＝{d1，d2，d3，
……
，d
m-1
，dm}
[0056]
可以分别求出多维工况数据的单个工况数据的平均值，对于所有样例，均减去对应的平均值，从而得到表2：多维工况数据均差示例。
[0057]
表2：多维工况数据均差示例
[0058][0059]
归纳后可以确定：
[0060]
多维工况数据均差＝{d1，d2，d3，
……
，d
m-1
，dm}
[0061]
其中，d
ij
＝d
ij-avg(d)；
[0062]
i＝1，2，3，4，
…
，n；j＝1，2，3，4，
…
，n；
[0063][0064]
可以求出多维工况数据的协方差：
[0065][0066]
协方差是衡量两个变量同时变化的变化程度。协方差大于0表示x和y若一个增，另一个也增；小于0表示一个增，一个减。如果x和y是统计独立的，那么二者之间的协方差就是0；但是协方差是0，并不能说明x和y是独立的。协方差绝对值越大，两者对彼此的影响越大，反之越小。
[0067]
多维工况数据的协方差矩阵：
[0068][0069]
可以求出多维工况数据的协方差矩阵的特征值和特征向量，得到：
[0070]
特征值
[0071]
特征向量
[0072]
可以将特征值按照从大到小的顺序排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵。
[0073]
特征向量矩阵
[0074]
这里特征值有m个，选择其中最大的k(k《m)个特征值，若λ1属于其中一个特征值，则特征向量β与特征向量矩阵δ中可认为其中的两个特征列向量(β
11 β
21
ꢀ…ꢀ
β
(m-1)1 β
m1
)
t
与特征列向量(δ
11 δ
21
ꢀ…ꢀ
δ
(m-1)1 δ
m1
)
t
相同。
[0075]
将样本点投影到选取的特征向量上。特征数为m，样例数为n，减去均值后的样本矩阵为n*m维，协方差矩阵是m*m维，选取的k个特征向量作为列向量组成的特征向量矩阵为m*k。那么投影后的数据矩阵data为n*k维矩阵；
[0076]
data(n*k)＝样本矩阵(n*m)
×
特征向量矩阵(m*k)
[0077]
得到的结果是：
[0078][0079]
其中：
[0080]
μ
ij
＝d
i1
δ
1j
+d
i2
δ
2j
+d
i3
δ
3j
+
……
+d
i(n-1)
δ
(n-1)j
+d
in
δ
nj
；
[0081]
i＝1,2,3,
…
,n-1,n；
[0082]
j＝1,2,3,
…
,k-1,k；
[0083]
这样，就将多维工况数据的m维特征变成了k维，也就是多维工况数据在k维上的投影，也就确定了第一主成分方向。
[0084]
可以采用最大方差理论确定第二主成分方向，对给定的m个n维数据(x
(1)
,x
(2)
,
…
,x
(m)
)都已经进行了中心化，即
[0085]
经过投影变换后得到的新坐标系为{ω1,ω2,
…
,ωn}，其中ω是标准正交基，即‖ω‖2＝1，
[0086]
将数据从n维降到k维，即丢弃新坐标系中的部分坐标，则新的坐标系为{ω1,ω2,
…
,ωk}，样本点x(i)在k维坐标系中的投影为：
[0087][0088]
其中，是x(i)在低维坐标系里第j维的坐标。
[0089]
对于任意一个样本x(i)，在新的坐标系中的投影为w
t
x(i)，在新坐标系中的投影方差为x
(i)t
ww
t
x(i)，要使所有的样本的投影方差和最大，也就是最大化即：
[0090][0091]
利用拉格朗日函数可以得到
[0092]
j(w)＝tr(w
t
xx
t
w+λ(w
t
w-i))；
[0093]
对w求导有xx
t
w+λw＝0，整理下即为：
[0094]
xx
t
w＝-λw；
[0095]
和上面一样可以看出，w为xx
t
的k个特征向量组成的矩阵，而-λ为xx
t
的若干特征值组成的矩阵，特征值在主对角线上，其余位置为0。当将数据集从n维降到k维时，需要找到最大的k个特征值对应的特征向量。这k个特征向量组成的矩阵w即为需要的矩阵。
[0096]
对于多维工况数据，只需要用z(i)＝w
t
x(i)，就可以把多维工况数据降维到最小投影距离的k维数据集。
[0097]
使用最小二乘法来确定各个主轴(主成分)的方向。对给定的一组数据(下面的阐述中，向量一般均指列向量)：
[0098][0099]
其数据中心位于：
[0100][0101]
数据中心化：将坐标原点移到样本点的中心点
[0102][0103]
中心化后的数据在第一主轴u1方向上分布散开程度最大，也就是说在u1方向上的投影的绝对值之和最大(也可以说方差最大)，计算投影的方法上面已经阐述，就是将x与u1做内积，由于只需要求u1的方向，所以设u1也是单位向量。
[0104]
在这里，也就是最大化下式：
[0105][0106]
由矩阵代数相关知识可知，可以对绝对值符号项进行平方处理，比较方便。所以进而就是最大化下式：
[0107][0108]
两个向量做内积，可以转化成矩阵乘法：
[0109][0110]
所以目标函数可以表示为：
[0111][0112]
括号里面就是矩阵乘法表示向量内积，由于列向量转置以后是行向量，行向量乘以列向量得到一个数，一个数的转置还是其本身，所以又可以将目标函数化为：
[0113][0114]
去括号：
[0115][0116]
又由于u1和i无关，可以拿到求和符外面，上式化简为：
[0117][0118]
上式括号里面求和后的结果，就相当于一个大矩阵乘以自身的转置，其中，这个大矩阵的形式如下：
[0119]
x＝[x
1 x2ꢀ…ꢀ
xn]
[0120][0121]
x矩阵的第i列就是xi[0122]
于是有：
[0123][0124]
所以目标函数最终化为：
[0125]
[0126]
其中的就是一个二次型，假设xx
t
的某一特征值为λ，对应的特征向量为ε，有：
[0127]
(xx
t
)
t
＝xx
t
[0128]
xx
t
ε＝λε
[0129]
(xx
t
ε)
t
ε＝(λε)
t
ε
[0130]
ε
t
xx
t
ε＝λε
t
ε
[0131]
ε
t
xx
t
ε＝(x
t
ε)
t
(x
t
ε)＝‖x
t
ε‖2＝λε
t
ε＝λ‖ε‖2≥0
[0132]
所以，xx
t
是半正定的对称矩阵，即是半正定阵的二次型，由矩阵代数知识得出，目标函数存在最大值。
[0133]
下面求解最大值以及取得最大值时u1的方向。
[0134]
对于向量x的二范数平方为：
[0135]
‖x‖2≤x,x≥x
t
x
[0136]
同样，目标函数也可以表示成映射后的向量的二范数平方：
[0137][0138][0139]
把二次型化成一个范数的形式，由于u1取单位向量，最大化目标函数的基本问题也就转化为：对一个矩阵，它对一个向量做变换，要使得变换前后的向量的模长伸缩尺度最大，由矩阵代数中的定理知，向量经矩阵映射前后的向量长度之比的最大值就是这个矩阵的最大奇异值，即：
[0140][0141]
式中，σ1是矩阵a的最大奇异值(亦是矩阵a的二范数)，它等于aa
t
(或a
t
a)的最大特征值开平方。
[0142]
xx
t
是半正定对称阵，也就意味着特征值都大于等于0，且不同特征值对应的特征向量是正交的，构成所在空间的一组单位正交基。
[0143]
对一般情况，设对称阵a
t
a∈cm×n的n个特征值分别为：
[0144]
λ1≥λ2≥λ3≥
……
≥λn≥0
[0145]
相应的单位特征向量为：
[0146]
β1,β2,β3,
……
,βn[0147]
任取一个向量x，用特征向量构成的空间中的这组基表示为：
[0148][0149]
则：
[0150]
[0151][0152]
所以：
[0153][0154]
取上式中的x＝u1,a＝x
t
，目标函数取得最大值，也就是的最大特征值时，对应的特征向量的方向，就是第二主成分u1的方向！(第二主成分的方向为xx
t
的第二大特征值对应的特征向量的方向，以此类推)。
[0155]
主成分所占整个信息的百分比可用下式计算：
[0156][0157]
式中分母xx
t
为所有奇异值平方和，分子为所选取的前k大奇异值平方和。
[0158]
有些研究工作表明，所选的主轴总长度占所有主轴长度之和的大约85％即可，具体选多少个，要看实际情况而定。
[0159]
可以基于第一主成分方向和第二成分方向，确定主成分方向偏差，比如可以将第一主成分方向和第二主成分方向作差，得到主成分方向偏差，可以基于主成分方向偏差与偏差阈值，确定故障状态，比如当主成分方向偏差大于偏差阈值，确定故障状态为有故障，当主成分方向偏差小于偏差阈值，确定故障状态为无故障。
[0160]
如图3所示，在一些实施例中，基于多维工况数据，确定故障状态，包括：将多维工况数据输入到故障检测模型中，得到故障检测模型输出的水路故障信息，故障检测模型为以历史工况数据集进行训练得到的。
[0161]
可以理解的是，故障检测模型可以是神经网络模型，比如残差神经网络或者卷积神经网络，此处可以利用历史工况数据集对故障检测模型进行无监督学习形式的训练，历史工况数据集可以是在当前时刻之前的时刻，由消防车终端发送给服务器的，服务器可以通过历史工况数据集对故障检测模型进行训练，使得故障训练模型中的偏差阈值能够更加准确，换言之，通过历史工况数据集对故障检测模型的训练过程，能够得到偏差阈值，并将该偏差阈值集成在故障检测模型中，使得故障检测模型在应用过程中能够利用该偏差阈值来对主成分方向偏差进行判断，从而确定故障状态。
[0162]
如图4所示，在一些实施例中，故障检测模型的训练过程包括：获取目标消防车终
端的目标工况样本数据；基于目标工况样本数据，训练故障检测模型，直到目标工况样本数据用尽，确定故障检测模型的平均误差；在平均误差大于误差阈值的情况下，获取备选消防车终端的备选工况样本数据；基于备选工况样本数据，继续训练故障检测模型，直到平均误差小于误差阈值。
[0163]
可以理解的是，故障检测模型在训练之前可以是空白的神经网络，可以设定权值和误差阈值，可以先获取目标消防车终端的目标工况样本数据，利用正向传播输入到故障检测模型，计算各层神经元输入与输出，计算输出误差，进行误差反向传播，调整权值和误差阈值，直到目标工况样本数据用尽，确定故障检测模型的平均误差；在平均误差小于误差阈值的情况下，此时认为故障检测模型已经训练完毕，可以直接结束训练过程。
[0164]
在平均误差大于误差阈值的情况下，可以先判断迭代次数是否达到上限，若已达到上限，此时认为故障检测模型已经训练完毕，可以直接结束训练过程；若未达到上限，此时可以获取备选消防车终端的备选工况样本数据，利用备选工况样本数据来继续训练故障检测模型，直到平均误差小于误差阈值，此时认为故障检测模型已经训练完毕，可以直接结束训练过程。
[0165]
在一些实施例中，目标消防车终端为同型号的多个消防车终端，目标工况样本数据为从同型号的多个消防车终端采集得到的。
[0166]
可以理解的是，目标消防车终端可以包括一台消防车，或者同型号的多台消防车，那么目标工况样本数据就可以是从从同型号的多个消防车终端采集得到的。
[0167]
多个消防车终端的目标工况样本数据可以被用来共同训练故障检测模型。这样就可以针对单个消防车的出勤率低这一特殊性，克服训练数据少的现实困难，实现多台相互配合，提升训练效果。
[0168]
可以将多个消防车终端通过服务器来实现数据共享，可以将各自的工况数据在消防车终端或者服务器上存储，在连线的情况下共享数据，并利用共享数据来训练故障检测模型，能够提升故障检测效果。
[0169]
在一些实施例中，多维工况数据包括：水泵转速、水流量、水泵入口压力、水泵出口压力、发动机转速、水泵计时、近控旋钮调速、分动箱油温和分动箱润滑油压力。
[0170]
下面对本发明提供的消防车水路故障检测装置进行描述，下文描述的消防车水路故障检测装置与上文描述的消防车水路故障检测方法可相互对应参照。
[0171]
如图5所示，本发明提供一种消防车水路故障检测装置，该消防车水路故障检测装置包括：接收模块510、第一确定模块520、第二确定模块530和发送模块540。
[0172]
接收模块510，用于接收目标消防车的多维工况数据。
[0173]
第一确定模块520，用于基于多维工况数据，确定故障状态。
[0174]
第二确定模块530，用于在故障状态为有故障的情况下，若多维工况数据在剔除任意一个工况数据后对应的故障状态为无故障，则将工况数据确定为目标工况数据。
[0175]
发送模块540，用于将目标工况数据发送给用户终端。
[0176]
本发明还提供一种消防车，消防车包括：车身以及如上的消防车水路故障检测装置，消防车水路故障检测装置安装于车身。
[0177]
此处的消防车水路故障检测装置与上述消防车水路故障检测方法相互对应，消防车水路故障检测装置的具体实施过程与消防车水路故障检测方法一致，可以参照上文描述
理解，此处不再赘述。
[0178]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行消防车水路故障检测方法，该方法包括：接收目标消防车的多维工况数据；基于所述多维工况数据，确定故障状态；在所述故障状态为有故障的情况下，若所述多维工况数据在剔除任意一个工况数据后对应的所述故障状态为无故障，则将所述工况数据确定为目标工况数据；将所述目标工况数据发送给用户终端。
[0179]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0180]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的消防车水路故障检测方法，该方法包括：接收目标消防车的多维工况数据；基于所述多维工况数据，确定故障状态；在所述故障状态为有故障的情况下，若所述多维工况数据在剔除任意一个工况数据后对应的所述故障状态为无故障，则将所述工况数据确定为目标工况数据；将所述目标工况数据发送给用户终端。
[0181]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的消防车水路故障检测方法，该方法包括：接收目标消防车的多维工况数据；基于所述多维工况数据，确定故障状态；在所述故障状态为有故障的情况下，若所述多维工况数据在剔除任意一个工况数据后对应的所述故障状态为无故障，则将所述工况数据确定为目标工况数据；将所述目标工况数据发送给用户终端。
[0182]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0183]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施
例或者实施例的某些部分所述的方法。
[0184]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。