故障判定及其模型训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种故障判定及其模型训练方法、装置、设备及存储介质，其中故障判定模型训练方法包括：获取已上报故障信息的多个车辆原始样本数据；从所述原始样本数据中选取预设数量的目标样本数据；根据所述目标样本数据对应的车辆是否为真实故障车辆的确定结果，为所述目标样本数据标记真实故障标签；根据所述目标样本数据和所述真实故障标签训练得到故障判定模型。通过只选取部分样本确定其对应车辆是否为真实故障车辆，来降低故障判定成本；通过根据真实故障标签进行训练，来提高故障判定准确度。

【技术实现步骤摘要】
故障判定及其模型训练方法、装置、设备及存储介质
本专利技术实施例涉及机器学习
，尤其涉及一种故障判定及其模型训练方法、装置、设备及存储介质。
技术介绍
自动导引运输车(AutomatedGuidedVehicle，AGV)，通常也称为AGV小车，指装备有电磁或光学等自动导引装置，能够沿规定的导引路径行驶，具有安全保护以及各种移载功能的运输车，其可作为搬运机器人应用于无人仓中。目前，AGV小车在运营中经常会上报各种故障，例如，脱轨、导航传感器中断或左右伺服报错等。在上报的这些故障中，实际上有相当大的比例并非AGV小车自身故障引起的，而是由于现场运营的不规范等外部原因引起的，例如是由于场地上存在异物等引起的故障。因此，需要从上报故障的AGV小车中找出真正存在故障的AGV小车，以对其进行后续的检测维修。现常用的AGV小车的故障判定方法为通过分类模型来判定小车是否发生故障。在实现本专利技术的过程中，专利技术人发现现有技术中至少存在以下技术问题：在分类模型训练过程中，若将上报故障的AGV小车皆作为真实故障小车对分类模型进行训练，则训练得到的模型容易将非自身故障小车判定为故障小车，判定准确率低；若将上报故障的AGV小车皆进行拆车检测，以根据真实故障小车对分类模型进行训练，则会增加模型训练过程中的拆车检测工作量，耗时耗力，故障判定成本较高。
技术实现思路
本专利技术实施例提供一种故障判定及其模型训练方法、装置、设备及存储介质，以提高故障判定准确率，降低故障判定成本。第一方面，本专利技术实施例提供了一种故障判定模型训练方法，包括：获取已上报故障信息的多个车辆原始样本数据；从所述原始样本数据中选取预设数量的目标样本数据；根据所述目标样本数据对应的车辆是否为真实故障车辆的确定结果，为所述目标样本数据标记真实故障标签；根据所述目标样本数据和所述真实故障标签训练得到故障判定模型。第二方面，本专利技术实施例提供了一种故障判定方法，包括：接收上报故障的车辆数据；将所述上报故障的车辆数据输入基于本专利技术任意实施例提供的训练方法训练得到的故障判定模型中，输出得到判定结果。第三方面，本专利技术实施例提供了一种故障判定模型训练装置，包括：采样模块，用于获取已上报故障信息的多个车辆原始样本数据；目标样本选取模块，用于从所述原始样本数据中选取预设数量的目标样本数据；真实故障标记模块，用于根据所述目标样本数据对应的车辆是否为真实故障车辆的确定结果，为所述目标样本数据标记真实故障标签；训练模块，用于根据所述目标样本数据和所述真实故障标签训练得到故障判定模型。第四方面，本专利技术实施例提供了一种故障判定装置，包括：数据接收模块，用于获取上报故障的车辆的车辆数据；判定模块，用于将所述车辆数据输入基于权利要求1-5中任一项训练方法训练得到的故障判定模型中，根据所述故障判定模型的输出确定所述车辆是否发生故障。第五方面，本专利技术实施例提供了一种终端设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任意实施例所述的故障判定模型训练方法，或本专利技术任意实施例所述的故障判定方法。第六方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任意实施例所述的故障判定模型训练方法，或本专利技术任意实施例所述的故障判定方法。本专利技术实施例提供的一种故障判定及其模型训练方法、装置、设备及存储介质，其中故障判定模型训练方法包括：故障判定模型训练装置获取已上报故障信息的多个车辆原始样本数据；从原始样本数据中选取预设数量的目标样本数据；根据目标样本数据对应的车辆是否为真实故障车辆的确定结果，为目标样本数据标记真实故障标签；根据目标样本数据和真实故障标签训练得到故障判定模型。通过只选取部分样本确定其对应车辆是否为真实故障车辆，来降低故障判定成本；通过根据真实故障标签进行训练，来提高故障判定准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1示出了本专利技术实施例一提供的一种故障判定模型训练方法流程图；图2示出了本专利技术实施例二提供的一种故障判定模型训练方法流程图；图3示出了本专利技术实施例三提供的一种故障判定方法流程图；图4示出了本专利技术实施例四提供的一种故障判定模型训练装置结构示意图；图5示出了本专利技术实施例五提供的一种故障判定装置结构示意图；图6示出了本专利技术实施例六提供的一种终端设备的硬件结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，以下将参照本专利技术实施例中的附图，通过实施方式清楚、完整地描述本专利技术的技术方案，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。实施例一图1示出了本专利技术实施例一提供的一种故障判定模型训练方法流程图，本专利技术实施例提供的故障判定模型训练方法可适用于训练故障判定模型的情况，例如训练AGV小车故障判定模型的情况。该方法可由故障判定模型训练装置(可简称为训练装置)来执行，该训练装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如配置于故障判定平台的服务器中。如图1所示，本专利技术实施例中提供的故障判定模型训练方法，包括如下步骤：S110、获取已上报故障信息的多个车辆原始样本数据。本专利技术实施例中，训练装置获取已上报故障信息的多个车辆原始样本数据，具体可以是获取预设仓库、预设车辆类型以及预设时段内上报故障的车辆原始样本数据，以及正常运行的车辆原始样本数据。具体的，预设仓库可以是车辆运营的物流仓库，预设车辆类型可以是车辆的不同代次或不同型号，预设时段可根据实际场景中原始样本数据获取速度和/或原始样本数据中预期的上报故障的车辆数量等因素来进行设置，例如针对物流仓库中的AGV小车的原始样本数据采集，其预设时段可以是一个月。可选的，车辆为自动导引运输车AGV。由于AGV小车较其他车辆来说，更容易出现上报故障并非自身故障，而是物流仓库运营环境不规范导致误报的情况，其更有必要进行故障判定模型训练，以实现对上报故障的AGV小车判定是否真实故障。其中，针对AGV小车采集的原始样本数据，其数据类型为可反映AGV小车是否故障的特征变量，例如可包括电流、电压和/或电机参本文档来自技高网...

【技术保护点】
1.一种故障判定模型训练方法，其特征在于，包括：/n获取已上报故障信息的多个车辆的原始样本数据；/n从所述原始样本数据中选取预设数量的目标样本数据；/n根据所述目标样本数据对应的车辆是否为真实故障车辆的确定结果，为所述目标样本数据标记真实故障标签；/n根据所述目标样本数据和所述真实故障标签训练得到故障判定模型。/n

【技术特征摘要】
1.一种故障判定模型训练方法，其特征在于，包括：
获取已上报故障信息的多个车辆的原始样本数据；
从所述原始样本数据中选取预设数量的目标样本数据；
根据所述目标样本数据对应的车辆是否为真实故障车辆的确定结果，为所述目标样本数据标记真实故障标签；
根据所述目标样本数据和所述真实故障标签训练得到故障判定模型。


2.根据权利要求1所述的方法，其特征在于，所述从所述原始样本数据中选取预设数量的目标样本数据，包括：
根据所述原始样本数据训练得到初步故障判定模型，并根据所述初步故障判定模型得到所述原始样本数据对应的故障概率；
基于所述故障概率以及故障概率最大熵策略，从所述原始样本数据中选取预设数量的目标样本数据。


3.根据权利要求2所述的方法，其特征在于，所述基于所述故障概率以及故障概率最大熵策略，从所述原始样本数据中选取预设数量的目标样本数据，包括：
基于所述故障概率以及故障概率最大熵策略，从所述原始样本数据中确定至少一个目标样本数据；
将所述目标样本数据从所述原始样本数据中剔除，根据剔除目标样本数据后的原始样本数据重新训练得到更新后的初步故障判定模型，并根据更新后的初步故障判定模型再次得到目标样本数据，直至目标样本数据的数量达到预设数量为止。


4.根据权利要求3所述的方法，其特征在于，基于所述故障概率以及故障概率最大熵策略，从所述原始样本数据中确定至少一个目标样本数据，包括：
将与预设概率最接近的故障概率所对应的原始样本数据作为目标样本数据。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述车辆为自...

【专利技术属性】
技术研发人员：范超，
申请(专利权)人：北京京东乾石科技有限公司，
类型：发明
国别省市：北京;11