基于机器学习的车辆故障分析及预测方法和装置

摘要

本发明涉及基于机器学习的车辆故障分析及预测方法，该方法具有以下步骤：对获取的车辆数据进行学习与分类，生成故障分类器；计算故障特征权重，并基于故障特征权重选择权重较大的数据进行回归预测；基于回归预测结果计算故障边界条件；利用包含所计算的故障边界条件的故障分类器对车辆进行故障分析和/或故障预测。该方法还具有以下步骤：对分类器的准确度进行验证，其中，当不满足分类器的准确度时，对分类器算法参数进行优化，并再次对车辆数据进行分类；对回归准确度进行验证，其中，当不满足回归准确度时，对回归模型参数进行优化；当判断车辆数据与车辆故障产生原因不相关时，则结束该方法。本发明还涉及一种相应的装置和计算机程序产品。

说明书

技术领域

本发明涉及一种基于机器学习的车辆故障分析及预测方法。

背景技术

在车辆连续运行过程中，不可避免地发生各种故障，影响用户体验，甚至产生巨大安全风险。当前，主机厂(OEM)利用车辆故障分析方法，例如DeltaLyze、鱼骨图等来完成故障诊断。在这些故障分析方法中，基于来自车载传感器的数据，车辆外部的传感器的数据以及运行机理对车辆进行故障分析。随着车载传感器数量的增加以及传感器探测能力的提高，车辆运行数据更加完善，主机厂可以更快、更全面掌握车辆运行信息，并对故障车辆的运行状态进行分析。但是，由于车辆运行数据量大，数据变量多，且它们之间存在很强的耦合性，并且在实际运行和分析中存在各种随机因素影响，因此这使得人工分析相关数据只能做到简单可视化处理，而难以实现多元统计分析。故障预测一般根据产品运行时间及故障数量进行拟合，如webull分布，其应用场景较为单一，且需要长期的数据积累。

在现有技术中公开了一种基于PCA及T

此外，在现有技术中公开了一种基于人工智能及机器学习的车辆故障原因诊断方法。该专利文献涉及一种基于维修数据的进行机器学习，构建劳动代码分类器，并且在第一次出现故障时能够智能地判断维修服务，协助找到故障出现的根本原因。然而该技术方案无法实现故障预测功能，应用场景受限。

因此，存在对车辆故障分析及预测方法的需求，该方法能够通过机器学习快速地对故障进行分析和预测并且因此能够协助主机厂故障分析人员对车辆故障相关信息进行分析，降低故障诊断与机理分析的工作量。此外，存在对能够不受限地应用于各种场景的车辆故障分析及预测方法的需求。

发明内容

在该背景下，根据本发明提出一种基于机器学习的车辆故障分析及预测方法，所述车辆故障分析及预测方法不仅能够克服现有技术方案中的不足，而且能够降低故障诊断以及机理分析的工作量。

根据本发明的一个方面，提供一种基于机器学习的车辆故障分析及预测方法，所述方法具有以下步骤：

对获取的车辆数据进行学习与分类，生成故障分类器；

计算故障特征权重，并基于故障特征权重选择权重较大的数据进行回归预测；

基于回归预测结果计算故障边界条件；

利用包含所计算的故障边界条件的故障分类器对车辆进行故障分析和/或故障预测。

本发明的基本构思在于，通过学习故障车辆与正常运行车辆的运行数据，得到各个数据对故障的影响权重，并对权重较大的数据进行回归分析，得到量化的边界条件。由此，可以在不改变现有车辆架构的情况下，对车辆运行数据进行分析，从而得到故障特征权重以及边界条件，完成故障诊断。本发明尤其可以应用于不同的场景。

根据本发明的一个可选的实施方式设置，利用随机森林算法进行故障分类。根据本发明的一个可选的实施方式设置，利用随机森林算法计算故障特征权重。随机森林是一种监督学习算法，其中，通过建立多个决策树并将这些决策树合并在一起来获得更准确和稳定的预测。在此，将故障出现频度较高的故障特征。替代地或附加地将导致车辆出现严重运行故障的故障特征赋予较高的权重。

根据本发明的另一可选的实施方式设置，所述方法还具有以下步骤：对分类器的准确度进行验证，其中，当不满足分类器的准确度时，对分类器算法参数进行优化，并再次对车辆数据进行分类。由此，通过对分类器准确度的验证能够实现对分类器的优化，从而提高分类器的分类准确度。

根据本发明的另一可选的实施方式设置，所述方法还具有以下步骤：对回归准确度进行验证，其中，当不满足回归准确度时，对回归模型参数进行优化。由此，通过对回归准确度的验证能够实现对回归模型的优化，从而提高回归模型的回归准确度。

根据本发明的一个可选的实施方式设置，当判断所述车辆数据与车辆故障产生原因不相关时，则结束所述方法。这尤其具有以下优点：可以排除与车辆故障不相关的数据，从而简化了车辆故障分析及预测方法并提高了本发明方法的效率。

根据本发明的另一可选的实施方式设置，所述车辆数据是车辆的运行数据，例如行驶里程、运行速度占比、油门踏板占比、发动机温度、电池电压、油轨压力等。在此，本领域技术人员可以基于其常规技术能力根据不同场景合适地选取不同的车辆运行数据。

根据本发明的另一可选的实施方式设置，所述方法用于在车辆行驶状态下实时分析与预测车辆的故障；和/或所述方法用于在车辆维修状态下分析与预测车辆的故障；和/或所述方法用于在车辆维修状态下辅助和加速实现故障复现以及机理分析。在此，可以在不同的场景中利用本发明的方法来对车辆进行故障分析与预测。例如在用户对车辆进行维修保养时，通过对车辆已有数据进行分析来完成故障预测。在此重点检查或提前更换存在故障风险的零部件，从而可以提高车辆的耐久性，增加用户的满意度。而例如在车辆运行时，将数据传输实时地获取车辆运行数据，根据运行数据建立机器学习模型，持续学习并且监控当前车辆运行数据，由此可以预测车辆是否存潜在风险并且可以实时地监控车辆状态，使得在故障出现之前提前通知用户进行检查与维修以降低车辆故障率。此外，通过本发明，在故障分析人员对车辆故障进行机理分析时，可以对获取的传感器信息进行故障特征权重分析，协助完成机理分析、降低故障诊断与机理分析工作量并且减小主机厂数据分析人员的工作强度。

根据本发明的另一方面，提供一种用于对车辆进行故障分析和/或故障预测的装置，所述装置包括：获取车辆数据的数据获取模块；对车辆数据进行学习与分类以生成故障分类器的分类器生成模块；以及输出故障分析和/或故障预测结果的输出模块，其中，所述分类器生成模块被配置成执行以下步骤：对获取的车辆数据进行学习与分类，生成故障分类器；计算故障特征权重，并基于故障特征权重选择权重较重的数据进行回归预测；基于回归预测结果计算故障边界条件；以及基于故障边界条件生成故障分类器。

根据本发明的一个实施方式设置，所述数据获取模块优选通过无线方式从车辆服务中心接收车辆数据和/或从运行的车辆接收车辆数据；和/或所述输出模块优选通过无线方式向车辆服务中心输出故障诊断结果和/或向运行的车辆输出故障预测结果，优选地，根据车辆出现故障的概率对车辆进行预警或控制。

根据本发明的又一方面，提供了一种计算机程序产品、尤其是计算机可读程序介质，其包括计算机程序指令，当所述计算机程序指令被处理器执行时实施根据本发明的基于机器学习的车辆故障分析及预测方法。

本发明的更多的特征从权利要求、附图和附图的描述中变得显而易见的。在上述说明中提到的特征和特征组合以及在下文的附图描述中提到的和/或只在附图中示出的特征和特征组合不仅可以以相应指定的组合使用，而且可以在不脱离本发明的范围的情况下以其它组合使用。因此，下述内容也视作被本发明涵盖和公开：这些内容未在附图中明确示出并未被明确解释，而是源自由来自所解释的内容的分离的特征所组成的组合并由这些组合产生。下述内容和特征组合也被视作是被公开的：其不具有原始撰写的独立权利要求的所有特征。此外，下述内容和特征组合被视作尤其被上文内容所公开：其超出或偏离权利要求的引用关系中所限定的特征组合。

附图说明

下面，通过参看附图更详细地描述本发明，可以更好地理解本发明的原理、特点和优点。在附图中：

图1示出了根据本发明的一个示例性实施方式的方法的示意性流程图；

图2示出了根据本发明的一个示例性实施方式的方法的应用场景；

图3示出了根据本发明的一个示例性实施方式的方法的另一应用场景；

图4示出了根据本发明的一个示例性实施方式的方法的又一应用场景。

具体实施方式

为了使本发明所要解决的技术问题、技术方案以及有益的技术效果更加清楚明白，以下将结合附图以及多个示例性实施方式对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用于解释本发明，而不用于限定本发明的保护范围。

在图1中示出了根据本发明的一个示例性实施方式的基于机器学习的车辆故障分析及预测方法。在第一方法步骤中，输入车辆数据，在此，所述车辆数据不仅可涉及故障车辆的数据而且也可涉及正常运行车辆的数据。在第二方法步骤中，利用能够计算权重的机器学习分类算法对该数据进行学习与分类，生成故障分类器。在此，本发明示例性地利用随机森林算法进行故障分类并且计算故障特征权重，其中，生成故障分类器。在一个可选的步骤中，还可以对故障分类器进行测试评估，如图1所示。如果分类器的准确度不满足要求，则对分类器算法参数进行优化并重新进行测试评估，在此可以附加地设置，判断有无优化空间，当存在优化空间时对分类器算法参数进行优化，而当没优化空间时，如果判断所述车辆数据与车辆故障产生原因不相关，则结束所述方法。如果分类器准确度满足要求，则在第三步骤中，计算故障特征的权重。在此，示例性地利用随机森林算法生成各个故障特征的权重。针对故障特征权重较大的数据进行回归预测并且计算出故障边界条件。在此，示例性地利用回归模型来实现上述回归预测。在一个可选的方法步骤中，对回归模型进行测试评估，如果回归模型的准确度不满足要求，则对回归模型的参数进行优化，并重新进行测试评估。之后将所生成的分类器保存，并且持续学习故障车辆的数据及正常车辆的数据。在最后的方法步骤中，对现场维修车辆或对运行的车辆进行故障分析和/或故障预测。

根据本发明的车辆故障分析和预测方法示例性地利用随机森林与逻辑回归两种算法来实现，其中，利用随机森林算法进行故障分类以及特征权重计算，利用逻辑回归计算故障产生的边界条件。

随机森林是一种有监督学习算法，通过建立多个决策树，并将它们合并在一起以获得更准确和稳定的预测。

假设存在数据集D＝{x

针对每一个抽样d

将数据集D作为测试数据测试分类器，分类器精准度：

分类器通过查看每个特征减少了森林中所有树的不纯度，来衡量特征的权重。分类器在训练后自动计算每个特征的得分，并对结果进行标准化，以使所有特征的权重总和为1。

不纯度的计算公式为：

如果特征x

VIM

假设随机森林共有s棵树，那么特征x

最后对所求得所有特征的重要性进行归一化处理，得到权重评分：

选择故障特征权重较重的特征进行逻辑回归，

通过逻辑回归求解故障边界条件，利用Sigmoid函数构造预测函数：

预测函数的值表示结果取1的概率，结果1表示故障，结果0表示正常，因此对于输入特征x分类结果为故障和正常的概率分别为：

P(y＝1|x；θ)＝h

P(y＝0|x；θ)＝1-h

利用Cost函数与J(θ)衡量预测函数的品质。

使用梯度下降法求解J(θ)函数最小值，J(θ)取最小值的θ为逻辑回归的最佳参数。

将θ

求解得到故障发生的边界条件。

图2示例性地示出根据本发明的一个示例性实施方式的方法的应用场景。在此，在车辆服务中心对车辆进行保养时，车辆的运行数据被读取，例如行驶里程、运行速度占比、油门踏板占比等，并将所述运行数据传输至主机厂，当相应的车型的车辆多次出现相同故障时，主机厂读取该车型的故障车辆运行数据以及全部或部分正常车辆的运行数据，并且利用本发明的基于机器学习的车辆故障分析和预测方法，得到故障产生的特征权重、边界条件以及故障分类器。之后，如果其他相应车型的车辆前往车辆服务中心进行维修和保养时，读取所述其他车辆的运行数据并将这些运行数据输入故障分类器以进行故障预测。如果分类器计算得到故障概率较高，则需要提前更换或重点检查即将发生故障的零部件，从而降低车辆故障率。

图3示例性地示出根据本发明的一个示例性实施方式的方法的另一应用场景。在此，车辆在道路上行驶，在车辆运行过程中，通过无线通信、例如通过互联网、数据云等将车辆运行数据，如行驶里程、运行速度占比、油门踏板占比等；车辆关键零部件的传感器数据，如发动机温度、电池电压、油轨压力等传输至主机厂。当相应的车型的车辆多次出现相同故障时，主机厂读取该车型的故障车辆的运行数据以及全部或部分正常车辆的运行数据以及零部件的运行数据，并且利用本发明的基于机器学习的车辆故障分析和预测方法进行分析，得到故障产生的特征权重、边界条件以及故障分类器。之后，利用故障分类器持续监控在道路上行驶的相应车型的所有车辆的运行数据，当故障分类器计算得到相应的车辆出现故障概率较高时，对所述相应的车辆进行预警，以提醒驾驶员尽快到车辆服务中心检查，必要时以使车辆驾驶员采取必要的紧急措施、例如紧急制动或者路边停车来避免事故。

图4示例性地示出根据本发明的一个示例性实施方式的方法的又一应用场景。在此，以发动机故障为例，主机厂工作人员进行故障复现并且对故障进行分析，在发动机上添加传感器以获取发动机运行数据，并且结合车辆电子控制单元(ECU)中的通信数据与车载存储器的内部存储数据来得到所有与故障相关数据。主机厂工作人员利用根据本发明的基于机器学习的车辆故障分析及预测方法，对所有与故障相关的数据进行分析，从而得到与故障相关度最大的数据集，并且得到故障产生的边界条件。通过本发明，能够协助主机厂工作人员完成故障复现、加速故障机理分析、减小数据分析工作量。

对于本领域的技术人员而言，本发明的其它优点和替代性实施方式是显而易见的。因此，本发明就其更宽泛的意义而言并不局限于所示和所述的具体细节、代表性结构和示例性实施方式。相反，本领域的技术人员可以在不脱离本发明的基本精神和范围的情况下进行各种修改和替代。