一种故障确定方法、装置、电子设备及存储介质与流程

本技术涉及故障检测的领域，尤其是涉及一种故障确定方法、装置、电子设备及存储介质。

背景技术：

1、随着经济的发展，人们生活水平的不断提高，对于出行的要求也有了更高的要求。城市轨道交通为采用轨道结构进行承重和导向的车辆运输系统，依据城市交通总体规划的要求，设置全封闭或部分封闭的专用轨道线路，以列车或单车形式，运送相当规模客流量的公共交通方式。城市轨道交通包括地铁系统、轻轨系统、单轨系统、有轨电车、磁浮系统、自动导向轨道系统、市域快速轨道系统等。

2、城市轨道交通作为出行的主要公共交通方式，因其时效性和安全性较高，广受人们的欢迎。为了能够保证城市轨道交通的安全性和时效性，就需要及时对可能存在的故障进行排查。相关技术中，通过检修人员对轨道、车辆进行定期的安全检查，但是这种故障排查的准确度受到排查人员自身专业能力和主观判断的影响较大，因此如何提高城市轨道交通故障识别的准确率是亟待解决的问题。

技术实现思路

1、为了提升轨道交通故障识别的准确率，本技术提供了一种故障确定方法、装置、电子设备及存储介质。

2、第一方面，本技术提供一种故障确定方法，采用如下的技术方案：

3、一种故障确定方法，包括：

4、获取目标车辆的监测数据，所述监测数据包括目标车辆内多个组件各自对应的运行状态信息；

5、将所述监测数据输入训练好的故障识别模型中，得到异常信息，所述异常信息包括若干个故障类型以及每个所述故障类型对应的至少一个异常组件的名称、位置和维修方式；

6、所述故障识别模型是基于样本数据对初始网络模型训练得到的，所述样本数据包括所述目标车辆的历史台账数据，所述历史台账数据包括多条历史检修记录和多条历史维修记录，每一所述历史检修记录包括检修时间、检修内容和检修结果，每一所述历史维修记录包括维修时间、维修内容、更换组件和维修结果，所述初始网络模型的超参数组合基于目标车辆的基本信息确定， 所述基本信息包括目标车辆内多个组件各自对应的名称、材质、使用次数和位置。

7、通过采用上述技术方案，根据目标车辆的历史台账信息对初始网络模型进行训练，得到故障识别模型；将当前目标车辆内各个组件分别对应的运行状态输入故障识别模型，确定出目标车辆可能存在的若干个故障，以及每个故障类型对应的异常组件的名称、位置以及维修方式。通过目标车辆自身历史中的维修和检修数据对预测模型进行训练，能够提升故障识别模型识别故障的准确度。

8、在一种可能实现的方式中，基于所述样本数据对初始网络模型进行训练，得到故障识别模型，包括：

9、基于所述目标车辆的基本信息，在仿真环境中创建仿真车辆；

10、获取所述仿真环境中所述仿真车辆的多个仿真使用数据，每个所述仿真使用数据包括所述仿真车辆的使用状态，以及仿真车辆内每个仿真组件各自对应的使用参数；

11、基于所述历史台账数据以及所述多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型。

12、通过采用上述技术方案，根据目标车辆的基本信息在仿真环境中创建仿真车辆，并使仿真车辆在仿真环境中运行使用，获取仿真车辆在仿真环境中的多个仿真使用数据；根据历史台账数据以及多个仿真使用数据对初始网络模型进行训练，进而得到训练好的故障识别模型。通过多个仿真使用数据丰富模型训练的样本量，能够提升故障识别模型的精度。

13、在一种可能实现的方式中，在获取所述仿真环境中所述仿真车辆的多个仿真使用数据之前，还包括：

14、基于所述历史台账数据，确定至少一个故障成因，每个所述故障成因包括故障名称、至少一个故障组件以及每个所述故障组件对应的参数；

15、对于每个所述故障成因，基于所述故障名称，确定若干个关联组件，所述关联组件为与对应的故障成因在结构上和/或功能上关联的组件；

16、为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重；

17、基于所述若干个关联组件对应的预设权重以及所述至少一个故障组件对应的预设权重，进行仿真训练，生成仿真使用数据。

18、通过采用上述技术方案，根据历史台账数据，确定至少一个故障成因，其中故障成因中包括故障的名称，导致该故障的故障组件以及故障组件的参数；对于每个故障成因，根据故障名称，确定出可能导致该故障的若干个关联组件；并为每个关联组件以及每个故障组件分别设置预设权重，预设权重用于表征对应的组件导致故障的可能性的大小；进而通过每个关联组件以及每个故障组件分别对应预设权重，确定在预设权重条件下的仿真车辆的仿真使用数据。导致故障的原因可能是一个或多个，因此可以通过对每个可能导致故障的组件设置不同比例的权重，确定出尽可能多的导致故障的可能，尽可能多的覆盖所有可能导致故障的原因。

19、在一种可能实现的方式中，所述为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重，包括：

20、对所述若干个关联组件以及所述至少一个故障组件进行去重，确定至少一个影响组件；

21、获取所述目标车辆内各个组件之间的相关信息，所述相关信息包括对应的组件之间的结构相关度、功能相关度以及性能相关度；

22、基于所述目标车辆内各个组件之间的相关信息，确定所述至少一个影响组件对应的影响系数 ，所述影响系数用于表征对应的影响组件发生故障时其余组件发生故障的概率；

23、基于所述至少一个影响组件的影响系数，为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重。

24、通过采用上述技术方案，根据目标车辆的结构信息，确定出目标车辆内各个组件之间的结构关系，进而根据目标车辆的结构关系确定出每个影响组件的影响系数，影响系数用于表征对应的影响组件发生故障时其余组件发生故障的概率，影响系数越大则对应的影响组件的预设权重越大。通过结构上的关系确定每个影响组件在出现异常时可能导致其牵连的组件出现异常，进而对应组件导致故障的可能性越大，使得确定出的预设权重更符合对应组件实际使用情况。

25、在一种可能实现的方式中，所述基于所述目标车辆内各个组件之间的相关信息，确定所述至少一个影响组件对应的影响系数，对于任一影响组件，包括：

26、基于所述目标车辆内各个组件之间的相关信息，确定所述任一影响组件对应的若干个单因素组件、若干个双因素组件以及若干个多因素组件；

27、基于所述若干个单因素组件分别与所述任一影响组件对应的相关信息，确定单因素影响系数；

28、获取预设的多因素相关度和多个预设的双因素相关度；

29、基于所述若干个双因素组件分别与所述任一影响组件对应的相关信息以及所述多个预设的双因素相关度，确定双因素影响系数；

30、基于所述若干个多因素组件分别与所述任一影响组件对应的相关信息以及所述预设的多因素相关度，确定多因素影响系数；

31、将所述单因素影响系数、双因素影响系数以及多因素影响系数进行求和，确定所述任一影响组件的影响系数。

32、通过采用上述技术方案，根据目标车辆内各个组件之间的相关信息，确定任一影响组件对应的单因素组件、双因素组件以及多因素组件；对于不用影响关系的组件，采用对应的方式计算影响系数，能够更准确地确定出在影响组件发生故障时其余组件可能受到的影响程度，提示影响系数的准确度。

33、在一种可能实现的方式中，所述基于所述历史台账数据以及所述多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型，包括：

34、基于所述目标车辆内每个组件的使用次数，确定所述多个仿真使用数据各自对应的参考权重；

35、基于所述多个仿真使用数据各自对应的参考权重，将所述历史台账数据以及所述多个仿真使用数据分为多个子集，每个所述子集中包括至少一条历史维修记录和至少一条历史检修记录；

36、确定多个训练组合，每个所述训练组合包括所有所述子集，确定任一子集为测试集，并确定非测试集的所有子集为训练集，每个所述训练组合的测试集不同；

37、基于所述多个训练组合，对初始网络模型进行训练，得到故障识别模型。

38、通过采用上述技术方案，根据目标车辆内每个组件的使用次数，确定出每条仿真运行数据中对应的组件的运行次数与目标车辆的使用次数的临近程度，其中对于同一组件，若该组件在仿真运行数据中的运行次数与其在目标车辆内的使用次数越接近，则对应的参考权重越大；基于多个仿真使用数据各自对应的参考权重，将历史台账数据以及多个仿真使用数据分为多个子集，进而确定多个训练组合，每个训练组合包括所有子集，确定任一子集为测试集，并确定非测试集的所有子集为训练集，每个训练组合的测试集不同，基于多个训练组合对初始网络模型进行训练，得到故障识别模型，能够提升故障识别模型识别故障的准确度，且故障识别模型识别故障更符合目标车辆实际使用情况。

39、在一种可能实现的方式中，所述将所述监测数据输入故障识别模型，确定异常信息，包括：

40、基于所述目标车辆内每个组件的位置和材质，将所述监测数据进行分类，确定多组待测数据，每组待测数据中包括功能相同的至少两个组件的运行状态信息；

41、基于所述监测数据，确定所述目标车辆的运行状态，所述运行状态包括静止、加速、平稳行驶和制动；

42、基于所述运行状态，将所述多组待测数据分别输入故障识别模型中，确定异常信息。

43、通过采用上述技术方案，根据目标车辆的监测数据，确定出获取监测数据时目标车辆的运行状态；将目标车辆的监测数据进行分类，确定多组待测数据，其中每组待测数据内包含至少两个组件的运行状态信息，且每组待测数据中包含的组件可能导致的故障类型相同，进而分别将每一组待测数据分别输入故障模型中，并结合目标车辆的运行状态，能够降低故障识别的范围，并降低非故障因素对故障识别准确度的影响，提升故障识别的速度。

44、第二方面，本技术提供一种故障确定装置，采用如下的技术方案：

45、一种故障确定装置，包括：

46、监测数据获取模块，用于获取目标车辆的监测数据，所述监测数据包括目标车辆内多个组件各自对应的运行状态信息；

47、异常信息确定模块，用于将所述监测数据输入训练好的故障识别模型中，得到异常信息，所述异常信息包括若干个故障类型以及每个所述故障类型对应的至少一个异常组件的名称、位置和维修方式；

48、所述故障识别模型是基于样本数据对初始网络模型训练得到的，所述样本数据包括所述目标车辆的历史台账数据，所述历史台账数据包括多条历史检修记录和多条历史维修记录，每一所述历史检修记录包括检修时间、检修内容和检修结果，每一所述历史维修记录包括维修时间、维修内容、更换组件和维修结果，所述初始网络模型的超参数组合基于目标车辆的基本信息确定， 所述基本信息包括目标车辆内多个组件各自对应的名称、材质、使用次数和位置。

49、通过采用上述技术方案，根据目标车辆的历史台账信息对初始网络模型进行训练，得到故障识别模型；将当前目标车辆内各个组件分别对应的运行状态输入故障识别模型，确定出目标车辆可能存在的若干个故障，以及每个故障类型对应的异常组件的名称、位置以及维修方式。通过目标车辆自身历史中的维修和检修数据对预测模型进行训练，能够提升故障识别模型识别故障的准确度。

50、在一种可能实现的方式中，所述故障确定装置还包括模型训练模块，所述模型训练模块用于基于所述样本数据对初始网络模型进行训练得到故障识别模型，其中，所述模型训练模块在基于所述样本数据对初始网络模型进行训练，得到故障识别模型时，具体用于：

51、基于所述目标车辆的基本信息，在仿真环境中创建仿真车辆；

52、获取所述仿真环境中所述仿真车辆的多个仿真使用数据，每个所述仿真使用数据包括所述仿真车辆的使用状态，以及仿真车辆内每个仿真组件各自对应的使用参数；

53、基于所述历史台账数据以及所述多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型。

54、在一种可能实现的方式中，所述模型训练模块在获取所述仿真环境中所述仿真车辆的多个仿真使用数据之前，还包括：

55、故障成因确定模块，用于基于所述历史台账数据，确定至少一个故障成因，每个所述故障成因包括故障名称、至少一个故障组件以及每个所述故障组件对应的参数；

56、关联组件确定模块，用于对于每个所述故障成因，基于所述故障名称，确定若干个关联组件，所述关联组件为与对应的故障成因在结构上和/或功能上关联的组件；

57、预设权重设置模块，用于为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重；

58、仿真使用数据生成模块，用于基于所述若干个关联组件对应的预设权重以及所述至少一个故障组件对应的预设权重，进行仿真训练，生成仿真使用数据。

59、在一种可能实现的方式中，所述预设权重设置模块在为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重时，具体用于：

60、对所述若干个关联组件以及所述至少一个故障组件进行去重，确定至少一个影响组件；

61、获取所述目标车辆内各个组件之间的相关信息，所述相关信息包括对应的组件之间的结构相关度、功能相关度以及性能相关度；

62、基于所述目标车辆内各个组件之间的相关信息，确定所述至少一个影响组件对应的影响系数 ，所述影响系数用于表征对应的影响组件发生故障时其余组件发生故障的概率；

63、基于所述至少一个影响组件的影响系数，为所述若干个关联组件以及所述至少一个故障组件分别设置的预设权重。

64、在一种可能实现的方式中，所述预设权重设置模块在基于所述目标车辆内各个组件之间的相关信息，确定所述至少一个影响组件对应的影响系数时，对于任一影响组件，具体用于：

65、基于所述目标车辆内各个组件之间的相关信息，确定所述任一影响组件对应的若干个单因素组件、若干个双因素组件以及若干个多因素组件；

66、基于所述若干个单因素组件分别与所述任一影响组件对应的相关信息，确定单因素影响系数；

67、获取预设的多因素相关度和多个预设的双因素相关度；

68、基于所述若干个双因素组件分别与所述任一影响组件对应的相关信息以及所述多个预设的双因素相关度，确定双因素影响系数；

69、基于所述若干个多因素组件分别与所述任一影响组件对应的相关信息以及所述预设的多因素相关度，确定多因素影响系数；

70、将所述单因素影响系数、双因素影响系数以及多因素影响系数进行求和，确定所述任一影响组件的影响系数。

71、在一种可能实现的方式中，所述模型训练模块在基于所述历史台账数据以及所述多个仿真使用数据，对初始网络模型进行训练，得到故障识别模型时，具体用于：

72、基于所述目标车辆内每个组件的使用次数，确定所述多个仿真使用数据各自对应的参考权重；

73、基于所述多个仿真使用数据各自对应的参考权重，将所述历史台账数据以及所述多个仿真使用数据分为多个子集，每个所述子集中包括至少一条历史维修记录和至少一条历史检修记录；

74、确定多个训练组合，每个所述训练组合包括所有所述子集，确定任一子集为测试集，并确定非测试集的所有子集为训练集，每个所述训练组合的测试集不同；

75、基于所述多个训练组合，对初始网络模型进行训练，得到故障识别模型。

76、在一种可能实现的方式中，所述异常信息确定模块在将所述监测数据输入故障识别模型，确定异常信息时，具体用于：

77、基于所述目标车辆内每个组件的位置和材质，将所述监测数据进行分类，确定多组待测数据，每组待测数据中包括功能相同的至少两个组件的运行状态信息；

78、基于所述监测数据，确定所述目标车辆的运行状态，所述运行状态包括静止、加速、平稳行驶和制动；

79、基于所述运行状态，将所述多组待测数据分别输入故障识别模型中，确定异常信息。

80、第三方面，本技术提供一种电子设备，采用如下的技术方案：

81、一种电子设备，该电子设备包括：

82、至少一个处理器；

83、存储器；

84、至少一个应用程序，其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行上述故障确定方法。

85、第四方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：

86、一种计算机可读存储介质，包括：存储有能够被处理器加载并执行上述故障确定方法的计算机程序。

87、综上所述，本技术包括以下至少一种有益技术效果：

88、根据目标车辆的历史台账信息对初始网络模型进行训练，得到故障识别模型；将当前目标车辆内各个组件分别对应的运行状态输入故障识别模型，确定出目标车辆可能存在的若干个故障，以及每个故障类型对应的异常组件的名称、位置以及维修方式。通过目标车辆自身历史中的维修和检修数据对预测模型进行训练，能够提升故障识别模型识别故障的准确度。

89、根据目标车辆的基本信息在仿真环境中创建仿真车辆，并使仿真车辆在仿真环境中运行使用，获取仿真车辆在仿真环境中的多个仿真使用数据；根据历史台账数据以及多个仿真使用数据对初始网络模型进行训练，进而得到训练好的故障识别模型。通过多个仿真使用数据丰富模型训练的样本量，能够提升故障识别模型的精度。

90、根据历史台账数据，确定至少一个故障成因，其中故障成因中包括故障的名称，导致该故障的故障组件以及故障组件的参数；对于每个故障成因，根据故障名称，确定出可能导致该故障的若干个关联组件；并为每个关联组件以及每个故障组件分别设置预设权重，预设权重用于表征对应的组件导致故障的可能性的大小；进而通过每个关联组件以及每个故障组件分别对应预设权重，确定在预设权重条件下的仿真车辆的仿真使用数据。导致故障的原因可能是一个或多个，因此可以通过对每个可能导致故障的组件设置不同比例的权重，确定出尽可能多的导致故障的可能，尽可能多的覆盖所有可能导致故障的原因。