用于分析汽车故障的方法和装置制造方法及图纸

本发明专利技术涉及一种用于分析汽车故障的方法和装置，所述方法包括：接收待诊断故障信息；从数据库中获得与所述待诊断故障信息中指示的待诊断故障相关的预定特征；利用故障分析模型对所述待诊断故障信息和所述预定特征进行处理，其中，所述故障分析模型是基于分类算法、使用历史故障数据和历史故障相关特征来训练融合模型而确定的优选模型；以及生成针对所述待诊断故障的故障诊断结果。

Methods and devices for analyzing automobile faults

【技术实现步骤摘要】
用于分析汽车故障的方法和装置
本专利技术涉及一种用于分析汽车故障的方法和装置。
技术介绍
目前，汽车已成为人类出行必不可少的交通工具。现在的汽车性能越来越完善，结构也越来越复杂，从而对汽车的故障进行诊断的难度也不断增加。当前的汽车故障诊断方法主要是人工诊断法和仪器设备诊断法。由于当前的汽车故障种类繁多、原因多样化，因此不管是采用人工诊断法还是仪器设备诊断法，在诊断汽车故障时都是费时且不够精确的。因此，为了保证行车安全，在汽车发生故障时，希望能够快速且准确地确定发生故障的原因和/或每个原因导致该故障的概率，从而利于维修人员尽快且精确地消除故障。
技术实现思路
提供本
技术实现思路
以便介绍一组概念，这组概念将在以下的具体实施方式中做进一步描述。本
技术实现思路
并非旨在标识所保护主题的关键特征或必要特征，也不旨在用于限制所保护主题的范围。本专利技术的目的在于提供用于分析汽车故障的方法和装置，用以至少部分地克服现有技术存在的缺陷，从而可以快速定位故障原因，得到精准的诊断结果。此外，利用本专利技术的用于分析汽车故障的方法，通过向厂家反馈针对故障的精确的诊断结果，还可以为生产参数可行范围评估提供参考。本专利技术的实施例提供一种用于分析汽车故障的方法和装置，所述方法包括：接收待诊断故障信息；从数据库中获得与所述待诊断故障信息中指示的待诊断故障相关的预定特征；利用故障分析模型对所述待诊断故障信息和所述预定特征进行处理，其中，所述故障分析模型是基于分类算法、使用历史故障数据和历史故障相关特征来训练融合模型而确定的优选模型；以及生成针对所述待诊断故障的故障诊断结果。本专利技术的实施例还提供一种用于分析汽车故障的装置，包括：接收模块，用于接收待诊断故障信息；获得模块，用于从数据库中获得与所述待诊断故障信息中指示的待诊断故障相关的预定特征；处理模块，用于利用故障分析模型对所述待诊断故障信息和所述预定特征进行处理，其中，所述故障分析模型是基于分类算法、使用历史故障数据和历史故障相关特征来训练融合模型而确定的优选模型；以及生成模块，用于生成针对所述待诊断故障的故障诊断结果。按照本专利技术实施例的一种用于分析汽车故障的设备，包括：处理器；以及存储器，用于存储可执行指令，其中，所述可执行指令当被执行时使得所述处理器执行前述的方法。按照本专利技术实施例的一种机器可读介质，其上存储有可执行指令，其中，所述可执行指令当被执行时，使得机器执行前述的方法。应当注意，以上一个或多个方面包括以下详细描述以及在权利要求中具体指出的特征。下面的说明书及附图详细阐述了所述一个或多个方面的某些说明性特征。这些特征仅仅指示可以实施各个方面的原理的多种方式，并且本公开内容旨在包括所有这些方面和其等同变换。附图说明以下将结合附图描述所公开的多个方面，这些附图被提供用以说明而非限制所公开的多个方面。图1示出了按照本专利技术的一个实施例的用于分析汽车故障的系统的架构示意图；图2示出了按照本专利技术的一个实施例的针对故障分析模型的示例性训练过程的示意图；图3示出了按照本专利技术的一个实施例的训练机器学习融合模型以及利用所训练的优选模型来分析汽车故障的流程示意图；图4示出了按照本专利技术的一个实施例的用于分析汽车故障的方法的流程示意图；图5示出了按照本专利技术的一个实施例的用于分析汽车故障的装置的示意图；以及图6示出了按照本专利技术的一个实施例的用于分析汽车故障的设备的示意图。具体实施方式现在将参考多种示例性实施方式来讨论本公开内容。应当理解，这些实施方式的讨论仅仅用于使得本领域技术人员能够更好地理解并从而实施本公开内容的实施例，而并非教导对本公开内容的范围的任何限制。下面将结合附图详细描述本专利技术的各个实施例。图1示出了按照本专利技术的一个实施例的用于分析汽车故障的系统100的架构示意图。如图1所示，用于分析汽车故障的示例性系统100可以包括故障分析模型102、输入端口104、数据库106和输出端口108。在一些实施例中，故障分析模型102可以从输入端口104接收待诊断故障信息。在一些例子中，该待诊断故障信息表示当汽车发生故障时与该故障相关的信息，其包括但不限于故障发生的时间、地点、具体故障表现，例如车辆无法启动、发动机熄火、车辆噪声大等等。该待诊断故障信息可以是以文本形式来提供的。在一些例子中，待诊断故障信息可以是通过以下中的一种或多种方式获得的：由汽车的系统检测到的、由汽车外部的传感器检测并传送给汽车的系统或云端数据库的、通过人工记录或输入的，或任何其他适当的信息获取方式。故障分析模型102还可以从数据库106获得与该待诊断故障信息中指示的待诊断故障相关的预定特征，例如，该待诊断故障是由待诊断故障信息中的具体故障表现指示的。在一些例子中，故障分析模型102可以利用词频-逆文档频率(TF-IDF)方法将文本形式的待诊断故障信息转换成向量形式，基于BERT(BidirectionalEncoderRepresentationsfromTransformers，来自变换器的双向编码器表征)模型来对其中指示的待诊断故障进行分类，例如分类结果可以包括但不限于以下任何一个或多个：漏油故障、变速器控制单元问题、车辆抖动、车辆羊叫噪声、离合器故障、阀体问题等等。基于待诊断故障的分类结果，故障分析模型102可以从数据库106获得与分类结果相关的预定特征或参数，例如与分类结果相匹配或相对应的高维数据，包括但不限于生产过程参数和装车后零件参数，诸如：生产年份或生产日期、里程数、变速箱装车后行驶距离公里数、泵的温度、离合器当前温度下的耐受时长、油压、从变速器读取的变速器芯片数据等等。在一些例子中，生产过程参数表示工位上的参数，诸如零件扭矩、润滑液渗透压、零件力向、力矩、温度等；装车后零件参数可以包括但不限于以下各项：转速、里程数、离合器温度、压强、损耗等。所接收的待诊断故障信息和获得的预定特征可以作为输入被提供至故障分析模型102，以供后续处理或分析。利用故障分析模型102对待诊断故障信息和预定特征进行处理来生成针对该待诊断故障的诊断结果。该故障诊断结果可以被提供至输出端口108，以输出给用户或呈现在显示器上。在一些例子中，故障诊断结果可以包括但不限于以下中的任何一个或多个：与待诊断故障相关的结果特征、导致待诊断故障的至少一个原因和每个原因导致该故障的概率。在一些例子中，每种故障对应至少一个原因，例如，升档异响故障的原因包括但不限于以下：内部温度传感器电气故障、压力下降导致传感器功能受限；换档不跳档故障的原因包括但不限于以下：超过齿轮油温、起档同步失败等等。举例而言，如果待诊断故障的分类结果为“漏油”，则故障诊断结果可能为：结果特征[生产年份、里程数]、故障原因及概率[密封件失效50％，紧固螺母脱落10％，阀门堵塞15％，油箱损坏5％，油管破损10％，结构设计问题5％，安装不当5％]。需要理解的是，此处的具体特征、故障原因及概率数值均为示例性的，在实际应用中，可以存在或生成任何合适的结果特征、故障原因本文档来自技高网...

【技术保护点】
1.一种用于分析汽车故障的方法，包括：/n接收待诊断故障信息；/n从数据库中获得与所述待诊断故障信息中指示的待诊断故障相关的预定特征；/n利用故障分析模型对所述待诊断故障信息和所述预定特征进行处理，其中，所述故障分析模型是基于分类算法、使用历史故障数据和历史故障相关特征来训练融合模型而确定的优选模型；以及/n生成针对所述待诊断故障的故障诊断结果。/n

【技术特征摘要】
1.一种用于分析汽车故障的方法，包括：
接收待诊断故障信息；
从数据库中获得与所述待诊断故障信息中指示的待诊断故障相关的预定特征；
利用故障分析模型对所述待诊断故障信息和所述预定特征进行处理，其中，所述故障分析模型是基于分类算法、使用历史故障数据和历史故障相关特征来训练融合模型而确定的优选模型；以及
生成针对所述待诊断故障的故障诊断结果。


2.如权利要求1所述的方法，其中，所述故障分析模型是进一步基于以下操作来确定的：
获得所述历史故障数据和历史故障相关特征，所述历史故障数据包括历史故障信息和相应的历史诊断结果；
利用所述分类算法对所述历史故障信息进行文本分类，以获得不同类别的历史故障信息；
基于所述不同类别的历史故障信息、所述历史故障相关特征和所述历史诊断结果来训练所述融合模型，以获得针对所述融合模型的融合优选参数；以及
将采用所述融合优选参数的融合优选模型选择用作所述故障分析模型。


3.如权利要求2所述的方法，其中，所述分类算法是BERT算法，以及其中，所述融合模型包括随机森林模型、AdaBoost模型和支持向量机SVM模型，以及其中，训练所述融合模型进一步包括以下操作：
基于所述不同类别的历史故障信息、所述历史故障相关特征和所述历史诊断结果来训练所述随机森林模型和所述AdaBoost模型，以分别确定针对所述随机森林模型的优选参数和针对所述AdaBoost模型的优选参数；
以采用确定的优选参数的所述随机森林模型和所述AdaBoost模型为基层模型，训练所述支持向量机模型以确定针对所述SVM模型的优选参数；
基于所述随机森林模型的优选参数、所述AdaBoost模型的优选参数以及所述SVM模型的优选参数，确定所述融合优选参数。


4.如权利要求1所述的方法，其中，所述故障诊断结果包括以下中的至少一项：与所述待诊断故障相关的结果特征、导致所述待诊断故障的至少一个原因和每个原因的概率。


5.如权利要求4所述的方法，还包括：
将所述故障诊断结果保存在所述数据库中和/或提供至所述融合模型以再次训练所述融合模型。


6.如权利要求5所述的方法，其中，将所述故障诊断结果提供至所述融合模型以再次训练所述融合模型的操作进一步包括：将所述结果特征提供至所述融合模型，以作为更新的历史故障相关特征来再次训练所述融合模型。


7.一种用于分析汽车故障的装置，包括：
接收模块，用于接收待诊断故障信息；
获得模块，用于从数据库中获得与所述待诊断故障信息中指示的待诊断故障相关的预定特征；
处理模块，...

【专利技术属性】
技术研发人员：于上上，S·佩里，P·阿图尔，谷风，
申请(专利权)人：逸驾智能科技有限公司，大众汽车自动变速器大连有限公司，
类型：发明
国别省市：北京;11