故障预警方法、模型训练方法、装置、车辆及存储介质与流程

本技术涉及数据处理，特别涉及故障预警方法、模型训练方法、装置、车辆及存储介质。

背景技术：

1、近年来，随着汽车工业的飞速发展，汽车零部件的集成度和自动化程度越来越高，其结构的复杂性也在不断增加，在这种形势下，汽车零部件的可靠性、安全性和可维护性也越来越重要，因此，基于汽车零部件的故障预警方法成为汽车行业里的一大研究热点。相关技术中，汽车零部件的故障预警方法主要依靠车载终端采集的信号值是否达到设定的预警阈值来进行判断。但若等车辆判断车载终端采集的信号值达到设定的预警阈值之后再发出报警信号，则存在驾驶者反应时间不足或车辆已发生故障的问题，给用户带来了较差的使用体验。

2、针对上述问题，相关技术提出了一种基于云端的汽车历史数据和实时数据构建智能化的零部件故障预警算法，但该算法使用固定时间阈值来确定车辆的启停时间区间，进而根据启停时间区间对车辆的状态数据进行划分，会存在固定时间阈值大小难以确定或一个启停时间区间内车辆的状态数据不完整的问题，导致对车辆的状态数据进行划分时，状态数据的代表性不佳，进而导致故障预警的准确性不高的问题。

技术实现思路

1、本技术提供故障预警方法、模型训练方法、装置、车辆及存储介质，以至少解决对汽车的零部件进行故障预警时，若对车辆的状态数据的划分代表性不佳，会导致故障预警的准确性不高的问题。本技术的技术方案如下：

2、根据本技术涉及的第一方面，提供一种故障预警方法，应用于车辆终端；车辆终端包括故障预警模型；方法包括：获取车辆在第一预设时间段内的状态数据；状态数据包括车辆的蓄电池电流的变化趋势；根据蓄电池电流的变化趋势，确定车辆在第一预设时间段内的m个启停时间区间；m为大于或等于1的整数；根据m个启停时间区间，对第一预设时间段内的状态数据进行划分，得到m个状态数据集；其中，一个状态数据集为车辆在一个启停时间区间内的状态数据；将m个状态数据集内的状态数据进行聚合，得到目标状态数据集；根据目标状态数据集和故障预警模型，确定故障预警结果。

3、根据上述技术手段，相比于相关技术中使用固定时间阈值来确定车辆的启停时间区间，进而根据启停时间区间对车辆的状态数据进行划分，会存在固定时间阈值大小难以确定或一个启停时间区间内车辆的状态数据不完整的问题，本技术提供的方法通过车辆的蓄电池电流的变化趋势来确定车辆的启停时间区间并对车辆的状态数据进行划分，可以避免将原本属于一次启停时间区间内的状态数据划分到不同的启停时间区间，提高对状态数据划分的准确性，进而提高故障预警的准确性，提升用户的使用体验。

4、同时，相比于相关技术中将单次的启停时间区间内的状态数据输入故障预警模型，来对车辆进行故障预警，没有考虑车辆的历史启停时间区间内的状态数据对车辆故障预警的影响的问题，本技术提供的方法通过将多个状态数据集内的状态数据进行聚合，得到目标状态数据集，并将目标状态数据集输入故障预警模型来获取故障预警结果，可以使得对车辆的故障预警的结果更加准确可靠。

5、在一种可能的实施方式中，根据蓄电池电流的变化趋势，确定车辆在第一预设时间段内的m个启停时间区间，包括：根据蓄电池电流的变化趋势，确定第一预设时间段内蓄电池电流发生突变的m+1个时间节点；根据蓄电池电流发生突变的m+1个时间节点，将第一预设时间段划分为m个启停时间区间。

6、根据上述技术手段，相比于相关技术中，根据车辆启动和熄火的时间来划分车辆的启停时间区间，或通过固定时间阈值来划分车辆的启停时间区间，会导致对车辆的状态数据划分不准确的问题，本技术提供的方法通过获取蓄电池电流的变化趋势，并根据蓄电池电流发生突变的时间节点来划分启停时间区间，可以使得对车辆的状态数据的划分更准确，进而提高故障预警的准确性。

7、另一种可能的实施方式中，将m个状态数据集内的状态数据进行聚合，得到目标状态数据集，包括：分别将m个状态数据集内的每种类型的状态数据进行聚合，得到m个状态数据集中每种类型的状态数据的目标状态数据；根据m个状态数据集中每种类型的状态数据的目标状态数据，得到目标状态数据集。

8、根据上述技术手段，可以理解的是，车辆的零部件的故障状态不仅取决与车辆当前启停时间区间内的状态数据，也和车辆的历史启停时间区间内的状态数据相关，若以单次的启停时间区间内的状态数据输入故障预警模型，来对车辆进行故障预警，忽略历史启停时间区间内的状态数据对车辆的零部件的故障状态的影响，可能会导致故障预警的准确率偏低的问题，因此本技术提供的方法考虑到了历史启停时间区间内的状态数据对车辆的零部件的故障状态的影响，通过将多个状态数据集内的状态数据进行聚合，可以使得到的目标状态数据的故障特征更加明显，更能体现车辆当前的状态，通过将目标状态数据作为故障预警模型的输入，可以使得输入的状态数据更具代表性，提高故障预警的准确率。

9、根据本技术涉及的第二方面，提供一种模型训练方法，方法包括：获取车辆在第二预设时间段内的状态数据；第二预设时间段包括车辆维修前和车辆维修后的一段时间；状态数据包括车辆的蓄电池电流的变化趋势；根据蓄电池电流的变化趋势，确定车辆在第二预设时间段内的n个启停时间区间；n为大于或等于1的整数；根据n个启停时间区间，对第二预设时间段内的状态数据进行划分，得到n个状态数据集；其中，一个状态数据集为车辆在一个启停时间区间内的状态数据；根据n个状态数据集，构建训练样本；根据训练样本，训练故障预警模型，得到训练好的故障预警模型；故障预警模型用于向用户发出故障预警结果。

10、根据上述技术手段，区别于相关技术中，在对故障预警模型进行训练时，通常使用固定时间阈值来确定车辆的历史启停时间区间，并根据车辆的历史启停时间区间对车辆的历史状态数据进行划分，会存在固定时间阈值难以确定，或一个启停时间区间内车辆的历史状态数据不完整的问题，本技术提供的方法通过车辆的蓄电池的电流的变化趋势，来确定车辆的历史启停区间并对车辆的历史状态数据进行划分，可以避免将原本属于一次启停时间区间内的历史状态数据划分到不同的启停时间区间，提高对历史状态数据划分的准确性，可是使每个训练样本中的状态数据更加精准和有代表性，进而使得根据训练样本训练得到的故障预警模型更可靠，提高故障预警结果的准确性。

11、在一种可能的实施方式中，根据蓄电池电流的变化趋势，确定车辆在第二预设时间段内的n个启停时间区间，包括：根据蓄电池电流的变化趋势，确定第二预设时间段内蓄电池电流发生突变的n+1个时间节点；根据蓄电池电流发生突变的n+1个时间节点，将第二预设时间段划分为n个启停时间区间。

12、根据上述技术手段，相比于相关技术中，根据车辆启动和熄火的时间来划分车辆的历史启停时间区间，或通过固定时间阈值来划分车辆的历史启停时间区间，会导致对车辆的历史状态数据划分不准确的问题，本技术提供的方法通过蓄电池电流的变化趋势来确定蓄电池电流发生突变的时间节点，并根据蓄电池电流发生突变的时间节点来划分历史启停区间，可以使得对历史状态数据的划分更准确，进而使得对故障预警模型的训练更加准确可靠。

13、另一种可能的实施方式中，根据n个状态数据集，构建训练样本，包括：采用滑窗算法，根据预设窗口长度将n个状态数据集划分为多条样本数据；其中，一个预设窗口长度内的状态数据集聚合为一条样本数据；预设窗口长度为k个启停时间区间的长度；根据每个预设窗口长度内车辆的故障情况，确定每条样本数据的标签；标签包括：故障和未故障；根据多条样本数据和每条样本数据的标签，构建训练样本。

14、根据上述技术手段，相比于相关技术中，将一个历史启停时间区间内的历史状态数据及其标签作为一条样本数据，本技术提供的方法通过采用滑窗算法，每次将n个状态数据集内的状态数据进行聚合，并将聚合后的状态数据及其标签作为一条样本数据，可以提高样本数据的代表性，使样本数据更能体现当时车辆行驶时的状态，使得训练样本更加精准可靠。

15、根据本技术涉及的第三方面，提供一种故障预警装置，应用于车辆终端；车辆终端包括故障预警模型；故障预警装置包括：获取模块，用于获取车辆在第一预设时间段内的状态数据；状态数据包括车辆的蓄电池电流的变化趋势；确定模块，用于根据蓄电池电流的变化趋势，确定车辆在第一预设时间段内的m个启停时间区间；m为大于或等于1的整数；划分模块，用于根据m个启停时间区间，对第一预设时间段内的状态数据进行划分，得到m个状态数据集；其中，一个状态数据集为车辆在一个启停时间区间内的状态数据；聚合模块，用于将m个状态数据集内的状态数据进行聚合，得到目标状态数据集；确定模块，还用于根据目标状态数据集和故障预警模型，确定故障预警结果。

16、在一种可能的实施方式中，确定模块，具体用于根据蓄电池电流的变化趋势，确定第一预设时间段内蓄电池电流发生突变的m+1个时间节点；根据蓄电池电流发生突变的m+1个时间节点，将第一预设时间段划分为m个启停时间区间。

17、在一种可能的实施方式中，聚合模块，具体用于分别将m个状态数据集内的每种类型的状态数据进行聚合，得到m个状态数据集中每种类型的状态数据的目标状态数据；根据m个状态数据集中每种类型的状态数据的目标状态数据，得到目标状态数据集。

18、根据本技术涉及的第四方面，提供一种模型训练装置，包括：获取模块，用于获取车辆在第二预设时间段内的状态数据；第二预设时间段包括车辆维修前和车辆维修后的一段时间；状态数据包括车辆的蓄电池电流的变化趋势；确定模块，用于根据蓄电池电流的变化趋势，确定车辆在第二预设时间段内的n个启停时间区间；n为大于或等于1的整数；划分模块，用于根据n个启停时间区间，对第二预设时间段内的状态数据进行划分，得到n个状态数据集；其中，一个状态数据集为车辆在一个启停时间区间内的状态数据；构建模块，用于根据n个状态数据集，构建训练样本；训练模块，用于根据训练样本，训练故障预警模型，得到训练好的故障预警模型；故障预警模型用于向用户发出故障预警结果。

19、在一种可能的实施方式中，确定模块，具体用于根据蓄电池电流的变化趋势，确定第二预设时间段内蓄电池电流发生突变的n+1个时间节点；根据蓄电池电流发生突变的n+1个时间节点，将第二预设时间段划分为n个启停时间区间。

20、在一种可能的实施方式中，构建模块，具体用于采用滑窗算法，根据预设窗口长度将n个状态数据集划分为多条样本数据；其中，一个预设窗口长度内的状态数据集聚合为一条样本数据；预设窗口长度为k个启停时间区间的长度；根据每个预设窗口长度内车辆的故障情况，确定每条样本数据的标签；标签包括：故障和未故障；根据多条样本数据和每条样本数据的标签，构建训练样本。

21、根据本技术涉及的第五方面，提供一种车辆，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，处理器执行程序，以实现上述第一方面或第二方面中及其任一种可能的实施方式的方法。

22、根据本技术提供的第六方面，提供一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述第一方面或第二方面中及其任一种可能的实施方式的方法。

23、由此，本技术的上述技术特征具有以下有益效果：

24、(1)相比于相关技术中使用固定时间阈值来确定车辆的启停时间区间，进而根据启停时间区间对车辆的状态数据进行划分，会存在固定时间阈值大小难以确定或一个启停时间区间内车辆的状态数据不完整的问题，本技术提供的方法通过车辆的蓄电池电流的变化趋势来确定车辆的启停时间区间并对车辆的状态数据进行划分，可以避免将原本属于一次启停时间区间内的状态数据划分到不同的启停时间区间，提高对状态数据划分的准确性，进而提高故障预警的准确性，提升用户的使用体验。同时，相比于相关技术中将单次的启停时间区间内的状态数据输入故障预警模型，来对车辆进行故障预警，没有考虑车辆的历史启停时间区间内的状态数据对车辆故障预警的影响的问题，本技术提供的方法通过将多个状态数据集内的状态数据进行聚合，得到目标状态数据集，并将目标状态数据集输入故障预警模型来获取故障预警结果，可以使得对车辆的故障预警的结果更加准确可靠。

25、(2)可以理解的是，车辆的零部件的故障状态不仅取决与车辆当前启停时间区间内的状态数据，也和车辆的历史启停时间区间内的状态数据相关，若以单次的启停时间区间内的状态数据输入故障预警模型，来对车辆进行故障预警，忽略历史启停时间区间内的状态数据对车辆的零部件的故障状态的影响，可能会导致故障预警的准确率偏低的问题，因此本技术提供的方法考虑到了历史启停时间区间内的状态数据对车辆的零部件的故障状态的影响，通过将多个状态数据集内的状态数据进行聚合，可以使得到的目标状态数据的故障特征更加明显，更能体现车辆当前的状态，通过将目标状态数据作为故障预警模型的输入，可以使得输入的状态数据更具代表性，提高故障预警的准确率。

26、(3)区别于相关技术中，在对故障预警模型进行训练时，通常使用固定时间阈值来确定车辆的历史启停时间区间，并根据车辆的历史启停时间区间对车辆的历史状态数据进行划分，会存在固定时间阈值难以确定，或一个启停时间区间内车辆的历史状态数据不完整的问题，本技术提供的方法通过车辆的蓄电池的电流的变化趋势，来确定车辆的历史启停区间并对车辆的历史状态数据进行划分，可以避免将原本属于一次启停时间区间内的历史状态数据划分到不同的启停时间区间，提高对历史状态数据划分的准确性，可是使每个训练样本中的状态数据更加精准和有代表性，进而使得根据训练样本训练得到的故障预警模型更可靠，提高故障预警结果的准确性。

27、(4)相比于相关技术中，根据车辆启动和熄火的时间来划分车辆的历史启停时间区间，或通过固定时间阈值来划分车辆的历史启停时间区间，会导致对车辆的历史状态数据划分不准确的问题，本技术提供的方法通过蓄电池电流的变化趋势来确定蓄电池电流发生突变的时间节点，并根据蓄电池电流发生突变的时间节点来划分历史启停区间，可以使得对历史状态数据的划分更准确，进而使得对故障预警模型的训练更加准确可靠。

28、(5)相比于相关技术中，将一个历史启停时间区间内的历史状态数据及其标签作为一条样本数据，本技术提供的方法通过采用滑窗算法，每次将n个状态数据集内的状态数据进行聚合，并将聚合后的状态数据及其标签作为一条样本数据，可以提高样本数据的代表性，使样本数据更能体现当时车辆行驶时的状态，使得训练样本更加精准可靠。

29、需要说明的是，第三方面至第六方面中的任一种实现方式所带来的技术效果可参见第一方面或第二方面中对应实现方式所带来的技术效果，此处不再赘述。

30、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。