自动驾驶车辆的运维方法及系统与流程

本发明属于自动驾驶，具体地，涉及一种自动驾驶车辆的运维方法及系统。

背景技术：

1、随着科技的蓬勃发展，自动驾驶车辆技术也在日新月异地进步，越来越多的自动驾驶车辆接入物联网。在这个过程中，产生的数据越来越多，其中包含很重要的可以反馈车端问题地数据。传统上，对车辆故障的预测不乏各种手段，比如借助大数据清洗车辆上报数据，可以预测车辆此刻或接下来是否会发生故障，提示已经故障发生的部位和概率，此过程不需要人力逐一排除，从而节省了时间和人力成本。这种传统的手段能预测智能硬件出现的问题，但如果有新增问题出现，这种方案就具有明显的滞后性。尤其对于环卫领域的自动驾驶车辆俩说，重要的不单单是故障预测，业务属性决定了更重要的是出现问题后的运维和处理。

2、申请号为202111217329.x的发明公开了一种智能运维方法、装置、设备及存储介质，该发明针对根因分析结果进行告警，基于告警信息获取对应的预设的自愈方式对设备进行处理。但是，对于产生大量问题的运维情况，该发明无法保证动态快速决策，无法从源头上解决问题，且无法保证多元问题运维的效率。

技术实现思路

1、为了解决上述技术问题，本发明提出了一种自动驾驶车辆的运维方法及系统。

2、为了达到上述目的，本发明的技术方案如下：

3、一方面，本发明公开一种自动驾驶车辆的运维方法，包括：

4、步骤s1：采集车辆运维数据，对车辆运维数据进行清洗和统计分析，得到车辆运维指标；

5、步骤s2：利用车辆运维数据对故障判别模型进行训练，得到训练好的模型；

6、步骤s3：采集车辆实时运行参数，利用训练好的模型根据车辆实时运行参数判断车辆是否发生故障，若车辆发生故障则判别车辆故障原因，得到模型判别的故障原因；

7、步骤s4：综合分析车辆运维指标和模型判别的故障原因，得到根因事件集；

8、步骤s5：根据根因事件集，生成待办运维事项集；

9、步骤s6：根据待办运维事项集，生成多个待办运维序列；

10、步骤s7：决策引擎从多个待办运维序列中选取一个下发执行，然后记录车辆的无故障运行时长，并据此更新决策引擎。

11、作为优选的方案，车辆运维数据包括故障时运行参数、故障描述、故障原因、故障类型、故障运维方案、故障发现时间、计划运维时间和实际运维时间。

12、作为优选的方案，车辆运维指标包括一段时间内各种故障原因的复现率、各种故障原因的占比、各种故障类型的占比以及各种故障运维方案的占比。

13、作为优选的方案，故障判别模型采用xgboost或cnn架构；

14、故障判别模型的训练方法包括将车辆运维数据分为训练集和测试集，利用训练集对故障判别模型进行迭代训练，利用测试集对训练后模型进行测试，当测试结果满足预设标准时，停止训练并得到训练好的模型；

15、训练好的模型能够根据车辆运行参数判断车辆是否发生故障，并在车辆发生故障时判别车辆故障原因。

16、作为优选的方案，步骤s4包括：

17、针对每个模型判别的故障原因，在车辆运维指标中查找对应故障原因在预设时段内的复现率；

18、判断复现率是否大于或等于预设阈值，若是则将该模型判别的故障原因标记为一个根因事件，否则对该模型判别的故障原因不作标记；

19、重复上述操作直至完成对所有故障原因的查找、比较和标记，得到若干根因事件，构成根因事件集。

20、作为优选的方案，步骤s5包括：

21、针对每个根因事件所代表的故障原因，确定对应的故障运维方案并将其作为一件待办运维事项；

22、将根因事件集中的所有根因事件所对应的所有待办运维事项集合起来，构成待办运维事项集。

23、作为优选的方案，步骤s6包括：

24、对待办运维事项集中的所有待办运维事项进行穷举排列，得到多个待办运维序列；

25、每个待办运维序列代表一种待办运维事项的执行顺序。

26、作为优选的方案，步骤s7包括：

27、步骤s7.1：针对同一个待办运维事项集所生成的多个待办运维序列，决策引擎在第一次会随机选取一个待办运维序列，在第二次会随机选取一个与第一次不同的待办运维序列，以此类推，直至多个待办运维序列的每一个都被选取到；

28、步骤s7.2：决策引擎将选取的待办运维序列下发给运维执行终端；

29、步骤s7.3：运维执行终端在目标车辆上执行下发的待办运维序列，然后记录车辆的无故障运行时长；

30、步骤s7.4：在得到所有待办运维序列所对应的无故障运行时长后，从中选取无故障运行时长最长的那个待办运维序列作为最优待办运维序列；

31、步骤s7.5：更新决策引擎的规则库，在遇到同一个待办运维事项集时，选取最优待办运维序列下发执行。

32、作为优选的方案，所述自动驾驶车辆的运维方法运行在云平台上；所述云平台与自动驾驶车辆通过网络进行通讯，采集车辆运维数据和车辆实时运行参数，然后经过一系列运算生成待办运维序列，最后将所述待办运维序列下发给运维执行终端去执行。

33、另一方面，本发明还公开一种自动驾驶车辆的运维系统，包括：

34、运维指标获取模块，用于采集车辆运维数据，对车辆运维数据进行清洗和统计分析，得到车辆运维指标；

35、模型训练模块，用于利用车辆运维数据对故障判别模型进行训练，得到训练好的模型；

36、判别模块，用于采集车辆实时运行参数，利用训练好的模型根据车辆实时运行参数判断车辆是否发生故障，若车辆发生故障则判别车辆故障原因，得到模型判别的故障原因；

37、根因事件集生成模块，用于综合分析车辆运维指标和模型判别的故障原因，得到根因事件集；

38、待办运维事项集生成模块，用于根据根因事件集，生成待办运维事项集；

39、待办运维序列生成模块，用于根据待办运维事项集，生成多个待办运维序列；

40、序列选取执行记录更新模块，用于决策引擎从多个待办运维序列中选取一个下发执行，然后记录车辆的无故障运行时长，并据此更新决策引擎。

41、作为优选的方案，车辆运维数据包括故障时运行参数、故障描述、故障原因、故障类型、故障运维方案、故障发现时间、计划运维时间和实际运维时间。

42、作为优选的方案，车辆运维指标包括一段时间内各种故障原因的复现率、各种故障原因的占比、各种故障类型的占比以及各种故障运维方案的占比。

43、作为优选的方案，故障判别模型采用xgboost或cnn架构；

44、故障判别模型的训练方法包括将车辆运维数据分为训练集和测试集，利用训练集对故障判别模型进行迭代训练，利用测试集对训练后模型进行测试，当测试结果满足预设标准时，停止训练并得到训练好的模型；

45、训练好的模型能够根据车辆运行参数判断车辆是否发生故障，并在车辆发生故障时判别车辆故障原因。

46、作为优选的方案，根因事件集生成模块包括：

47、复现率查找单元，用于针对每个模型判别的故障原因，在车辆运维指标中查找对应故障原因在预设时段内的复现率；

48、复现率判断单元，用于判断复现率是否大于或等于预设阈值，若是则将该模型判别的故障原因标记为一个根因事件，否则对该模型判别的故障原因不作标记；

49、遍历生成单元，用于重复执行复现率查找单元和复现率判断单元，直至完成对所有故障原因的查找、比较和标记，得到若干根因事件，构成根因事件集。

50、作为优选的方案，待办运维事项集生成模块先针对每个根因事件所代表的故障原因，确定对应的故障运维方案并将其作为一件待办运维事项，然后将根因事件集中的所有根因事件所对应的所有待办运维事项集合起来，构成待办运维事项集。

51、作为优选的方案，待办运维序列生成模块对待办运维事项集中的所有待办运维事项进行穷举排列，得到多个待办运维序列，每个待办运维序列代表一种待办运维事项的执行顺序。

52、作为优选的方案，序列选取执行记录更新模块包括：

53、序列选取单元，针对同一个待办运维事项集所生成的多个待办运维序列，决策引擎在第一次会随机选取一个待办运维序列，在第二次会随机选取一个与第一次不同的待办运维序列，以此类推，直至多个待办运维序列的每一个都被选取到；

54、序列下发单元，用于决策引擎将选取的待办运维序列下发给运维执行终端；

55、执行记录单元，用于运维执行终端在目标车辆上执行下发的待办运维序列，然后记录车辆的无故障运行时长；

56、最优序列获取单元，用于在得到所有待办运维序列所对应的无故障运行时长后，从中选取无故障运行时长最长的那个待办运维序列作为最优待办运维序列；

57、规则库更新单元，用于更新决策引擎的规则库，在遇到同一个待办运维事项集时，选取最优待办运维序列下发执行。

58、作为优选的方案，所述自动驾驶车辆的运维系统运行在云平台上；所述云平台与自动驾驶车辆通过网络进行通讯，采集车辆运维数据和车辆实时运行参数，然后经过一系列运算生成待办运维序列，最后将所述待办运维序列下发给运维执行终端去执行。

59、综上所述，本发明一种自动驾驶车辆的运维方法及系统，利用训练好的判别模型实时判别车辆是否发生故障以及故障详情，并且将此结果进行记录，结合该记录和历史运维数据进行根因分析，借助决策引擎输出最优待办运维事件序列。本发明能够从源头减少问题，提高运维效率，实现了智能化运维构建以及丰富的运维业务场景拓展包容，以应对日益增长的智能物联设备和运维数据。