本公开提供了一种诊断故障传感器的方法、装置和系统，其中方法包括：获取传感器采集的数据，提取第一特征向量，输入第一故障诊断模型，得到关于传感器的第一故障诊断结果；对第一故障诊断结果中待定的传感器，提取第二特征向量，并输入第二故障诊断模型，得到关于待定传感器的第二故障诊断结果；其中，第一故障诊断模型和第二故障诊断模型是由传感器采集的数据为样本数据，以及预先确定的诊断结果为样本标签，经过训练后得到的。经过训练后得到的。经过训练后得到的。
【技术实现步骤摘要】
一种诊断故障传感器的方法与装置
[0001]本公开涉及传感器自动检测领域，特别涉及一种诊断故障传感器的方法、装置、系统、电子设备及计算机可读存储介质。
技术介绍
[0002]众所周知，通过在公路上设立检查站，利用地磅称车辆的载重，可以治理车辆超载。但是，被检测车辆相对集中，检测效率较低，容易造成交通堵塞，且车辆容易绕行逃避检查。另一种车载称重技术，能实时显示所装货物的重量，有效防止超载，其主要利用传感器测量重量，传感器必须保证在恶劣环境下也能长期稳定的正常工作。
[0003]因此，急需一种对传感器进行故障检测的方法，及时检测到已损坏的传感器，才能保证车载称重系统的正常运行。
技术实现思路
[0004]有鉴于此，本公开实施例的目的在于提供一种诊断故障传感器的方法，可以及时的、自动的发现存在故障的传感器，通知维修，及时停用出现故障的传感器，提高称重系统的抗干扰能力，提高了称重的精确性。
[0005]根据本公开的第一方面，提供了一种诊断故障传感器的方法，包括：
[0006]获取传感器采集的数据，提取第一特征向量，输入第一故障诊断模型，得到关于传感器的第一故障诊断结果；
[0007]对于第一故障诊断结果中待定的传感器，提取第二特征向量，并输入第二故障诊断模型，得到关于待定传感器的第二故障诊断结果；
[0008]其中，第一故障诊断模型和第二故障诊断模型是由传感器采集的数据为样本数据，以及预先确定的诊断结果为样本标签，经过训练后得到的。
[0009]在一个可能的实施例中，其中，所述第一特征向量包括：原始数据特征向量、滤波数据特征向量、差分数据特征向量、跑车漂移特征向量、静止抖动特征向量。
[0010]在一个可能的实施例中，其中，所述第二特征向量包括：原始数据特征向量、滤波数据特征向量、上货特征向量、卸货特征向量。
[0011]在一个可能的实施例中，其中，第一故障诊断模型是多分类梯度提升决策树模型；第二故障诊断模型是二分类梯度提升决策树模型，包括多个强学习器。
[0012]在一个可能的实施例中，其中，当所述多个强学习器的诊断结果不一致时，最终诊断结果以多数结果确定；对于在同一设备上安装有多个传感器的情况，若有诊断结果为异常，则将该异常传感器屏蔽并发出维修指令。
[0013]在一个可能的实施例中，其中，所述多分类梯度提升决策树模型的基底包括CART回归树，建立所述CART回归树的过程为：针对训练集中的不同特征，选择切分点；计算不同切分点对应的均值；合理选择属性值的切分点，使得目标函数值最小，以该属性值切分点划分；从而选取最优特征和最优切分点。
[0014]根据本公开的第二方面，提供一种建立两层故障诊断模型的方法，所述方法包括：
[0015]采集传感器数据，选取采样周期，得到多个数据序列；
[0016]对得到的数据序列进行数据清洗，对传感器的状态进行人工标注，建立样本集，所述样本集分为异常、正常、待定；
[0017]利用多分类梯度提升决策树模型训练第一故障诊断模型，调整第一故障诊断模型的参数，使得损失函数数值较小，得到训练完成的第一故障诊断模型；
[0018]将第一故障诊断模型分类为待定的输入序列，加入上货情况、卸货情况的相关统计量，得到第二故障诊断模型的输入数据集，用二分类梯度提升决策树模型训练第二故障诊断模型；
[0019]调整第二故障诊断模型的参数，使得损失函数数值较小，得到训练完成的第二故障诊断模型。
[0020]根据本公开的第三方面，提供一种诊断故障传感器的系统，所述系统包括：
[0021]故障诊断平台，包括第一故障诊断单元，用于获取传感器采集的数据，提取第一特征向量，输入第一故障诊断模型，得到关于传感器的第一故障诊断结果；第二故障诊断单元，用于对第一故障诊断结果中待定的传感器，提取第二特征向量，并输入第二故障诊断模型，得到关于待定传感器的第二故障诊断结果；其中，第一故障诊断模型和第二故障诊断模型是由传感器采集的数据为样本数据，以及预先确定的诊断结果为样本标签，经过训练后得到的；
[0022]服务器，用于响应故障诊断平台和客户端的请求和指令；
[0023]客户端，用于登录所述故障诊断平台和服务器。
[0024]根据本公开的第四方面，提供一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。
[0025]根据本公开的第五方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有可执行指令，该指令被处理器执行时使处理器执行如第一方面所述的方法。
附图说明
[0026]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。通过附图所示，本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本申请的主旨。
[0027]图1示出了根据本公开实施例的典型的在车辆上安装传感器的示意图。
[0028]图2示出了根据本公开实施例的典型的诊断故障传感器的方法的示意图。
[0029]图3示出了根据本公开实施例的典型的诊断故障传感器的全流程的示意图。
[0030]图4示出了根据本公开实施例的典型的诊断故障传感器的装置的示意图。
[0031]图5示出了根据本公开实施例的典型的诊断故障传感器的系统的示意图。
[0032]图6示出了用于实现本公开实施例的电子设备的结构示意图。
具体实施方式
[0033]以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
[0034]在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0035]在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0036]众所周知，通过在公路上设立检查站，利用地磅称车辆的载重，可以治理车辆超载。但是，被检测车辆相对集中，检测效率较低，容易造成交通堵塞，且车辆容易绕行逃避检查。另一种车载称重技术，能实时显示所装货物的重量，有效防止超载，其主要利用传感器本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种诊断故障传感器的方法，包括：获取传感器采集的数据，提取第一特征向量，输入第一故障诊断模型，得到关于传感器的第一故障诊断结果；对于第一故障诊断结果中待定的传感器，提取第二特征向量，并输入第二故障诊断模型，得到关于待定传感器的第二故障诊断结果；其中，第一故障诊断模型和第二故障诊断模型是由传感器采集的数据为样本数据，以及预先确定的诊断结果为样本标签，经过训练后得到的。2.如权利要求1所述的方法，其中，所述第一特征向量包括：原始数据特征向量、滤波数据特征向量、差分数据特征向量、跑车漂移特征向量、静止抖动特征向量。3.如权利要求1所述的方法，其中，所述第二特征向量包括：原始数据特征向量、滤波数据特征向量、上货特征向量、卸货特征向量。4.如权利要求1
‑
3任一项所述的方法，其中，第一故障诊断模型是多分类梯度提升决策树模型；第二故障诊断模型是二分类梯度提升决策树模型，包括多个强学习器。5.如权利要求4所述的方法，其中，当所述多个强学习器的诊断结果不一致时，最终诊断结果以多数结果确定；对于在同一设备上安装有多个传感器的情况，若有诊断结果为异常，则将该异常传感器屏蔽并发出维修指令。6.如权利要求4所述的方法，其中，所述多分类梯度提升决策树模型的基底包括CART回归树，建立所述CART回归树的过程为：针对训练集中的不同特征，选择切分点；计算不同切分点对应的均值；合理选择属性值的切分点，使得目标函数值最小，以该属性值切分点划分；从而选取最优特征和最优切分点。7.一种建立两层故障诊断模型的方法，所述方法包括：采集传感器数据，选取采样周期...
【专利技术属性】
技术研发人员：苗少光，刘阳，苏永青，
申请(专利权)人：深圳市汉德网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。