一种多数据融合的车辆故障监测预警方法、设备及介质技术

本发明专利技术公开了一种多数据融合的车辆故障监测预警方法、设备及介质。方法包括以下步骤：通过物联网采集车辆声音数据和车辆行驶数据；提取车辆声音数据的滤波器组特征，将车辆声音数据转换为车辆时频数据；将车辆时频数据输入第一特征提取模型，得到第一特征向量；将车辆行驶数据输入第二特征提取模型，得到第二特征向量；将第一特征向量和第二特征向量进行拼接融合，得到第三特征向量；将第三特征向量输入分类器，得到故障分类结果。本发明专利技术有助于进一步建立车辆声音与故障的关系，构建声音、行驶数据与故障的知识图谱，为驾驶人员或维修人员提供高效的故障判别方案。提供高效的故障判别方案。提供高效的故障判别方案。

【技术实现步骤摘要】
一种多数据融合的车辆故障监测预警方法、设备及介质


[0001]本专利技术涉及车辆状态监控领域，尤其是一种多数据融合的车辆故障监测预警方法、设备及介质。

技术介绍

[0002]车辆在使用过程中，存在诸多的安全风险，不仅容易导致车辆在使用过程中不能正常行驶，还会导致交通事故，造成经济的损失和人员的伤亡。
[0003]当前对车辆的监控，大多通过视频并结合AI技术对驾驶员的驾驶行为进行监控，提示驾驶员安全驾驶；利用物联网技术采集车辆的速度、转速、胎压、油耗、位置等车辆行驶数据，实时同步到物联网中台，监控车辆的运行状态。但是这些监控方法忽视了车辆运行时所发出的声音，没有利用车辆的声音并结合车辆的其他行驶数据，对车辆故障进行监测预警。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种多数据融合的车辆故障监测预警方法、设备及介质。
[0005]本专利技术的第一方面提供了一种多数据融合的车辆故障监测预警方法，包括以下步骤：
[0006]通过物联网采集车辆声音数据和车辆行驶数据；
[0007]提取车辆声音数据的滤波器组特征，将车辆声音数据转换为车辆时频数据；
[0008]将车辆时频数据输入第一特征提取模型，得到第一特征向量；
[0009]将车辆行驶数据输入第二特征提取模型，得到第二特征向量；
[0010]将第一特征向量和第二特征向量进行拼接融合，得到第三特征向量；
[0011]将第三特征向量输入分类器，得到故障分类结果。
[0012]进一步地，所述将车辆声音数据转换为车辆时频数据，具体包括以下步骤：
[0013]通过以下公式对车辆声音数据进行预加重处理，得到第一中间声音数据y
n
；
[0014]y
n
＝x
n
‑
ax
n
‑1[0015]式中，x
n
是当前时刻的车辆声音数据，x
n
‑1是上一时刻的车辆声音数据，a是预设滤波系数；
[0016]通过以下公式对第一中间声音数据进行频谱估计，得到第二中间声音数据F
x
(f)；
[0017][0018]式中，K多正弦窗函数的个数，m＝1,2,
……
,N；N为采样点数；
[0019]对第二声音中间数据进行平滑，得到第三声音中间数据；
[0020]将第三声音中间数据输入由以下公式构成的梅尔频率滤波器，得到车辆时频数
据；
[0021][0022]式中f表示第三声音中间数据的实际频率。
[0023]进一步地，所述对第二声音中间数据进行平滑，得到第三声音中间数据，具体包括以下步骤：
[0024]将第二声音中间数据输入滑动平均滤波器，得到声音平滑数据；
[0025]逐帧比较第二声音中间数据和声音平滑数据，取第二声音中间数据和声音平滑数据中的极大值作为新的第二声音中间数据；
[0026]返回将第二声音中间数据输入滑动平均滤波器这一步骤，直至返回次数达到预设迭代次数；
[0027]将最终得到的第二声音中间数据作为第三声音中间数据输出。
[0028]进一步地，所述第一特征提取模型，具体包括一维卷积层、压缩激励残差网络层和注意力统计池化层；所述将车辆时频数据输入第一特征提取模型，得到第一特征向量，具体包括以下步骤：
[0029]通过一维卷积层对所述车辆时频数据进行卷积操作，得到车辆声音特征；
[0030]通过压缩激励残差网络层将所述车辆声音特征进行多层特征融合，提取出车辆声音特征的第一整体信息；
[0031]通过一维卷积层对所述车辆声音特征的第一整体信息进行卷积运算，得到第二整体信息；
[0032]通过注意力统计池化层压缩所述第二整体信息，得到关于车辆时频数据的第一特征向量。
[0033]进一步地，所述车辆行驶数据，具体包括车辆时速、引擎转速、轮胎胎压和车辆耗油量。
[0034]进一步地，在所述将车辆行驶数据输入第二特征提取模型之前，还包括以下步骤：
[0035]对车辆行驶数据进行数据清洗，去除车辆行驶数据中的噪声；
[0036]当所述车辆行驶数据中存在异常值时，通过线性插值法修订车辆行驶数据中的异常值；
[0037]将车辆行驶数据作归一化处理。
[0038]进一步地，所述第二特征提取模型，具体包括卷积池化层和双向长短期记忆网络层；所述将车辆行驶数据输入第二特征提取模型，得到第二特征向量，具体包括以下步骤：
[0039]通过卷积池化层对所述车辆行驶数据进行卷积池化处理，得到车辆行驶特征；
[0040]通过双向长短期记忆网络层对所述车辆行驶特征进行突出特征提取，得到车辆行驶突出特征；
[0041]通过卷积池化层对所述车辆行驶数据进行池化处理，得到关于车辆行驶数据的第二特征向量。
[0042]进一步地，所述将第三特征向量输入分类器，得到故障分类结果，具体包括以下步骤：
[0043]通过以下公式计算第三特征向量属于目标故障类别的概率：
[0044][0045]式中，c表示目标故障类别；i表示输入向量；θ
c,i
为权值矩阵中类别c对应的列向量W
c
与输入向量i之间的夹角；CN为类别个数，m为边缘角度，s为缩放因子；
[0046]选择概率最高的目标故障类别作为第三特征向量的故障分类结果输出。
[0047]本专利技术第二方面提供了一种电子设备，包括处理器以及存储器；
[0048]所述存储器用于存储程序；
[0049]所述处理器执行所述程序实现一种多数据融合的车辆故障监测预警方法。
[0050]本专利技术第三方面提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现一种多数据融合的车辆故障监测预警方法。
[0051]本专利技术的实施例具有如下方面有益效果：本专利技术通过物联网技术采集车辆声音、时速、引擎转速、轮胎胎压和耗油量等数据；提取声音的滤波器组特征，利用多个特征提取模型对上述多模态数据进行融合，实现了通过车辆声音数据和行驶数据判断车辆故障类别。有助于进一步建立车辆声音与故障的关系，构建声音、行驶数据与故障的知识图谱，为驾驶人员或维修人员提供高效的故障判别方案。
[0052]本专利技术的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0053]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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。
[0054]图1是本专利技术一种多数据融合的车辆故障监测预警方法、设备及介质基本流程示意图；
[0055]图2是本专利技术一种多数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多数据融合的车辆故障监测预警方法，其特征在于，包括以下步骤：通过物联网采集车辆声音数据和车辆行驶数据；提取车辆声音数据的滤波器组特征，将车辆声音数据转换为车辆时频数据；将车辆时频数据输入第一特征提取模型，得到第一特征向量；将车辆行驶数据输入第二特征提取模型，得到第二特征向量；将第一特征向量和第二特征向量进行拼接融合，得到第三特征向量；将第三特征向量输入分类器，得到故障分类结果。2.根据权利要求1所述的一种多数据融合的车辆故障监测预警方法，其特征在于，所述将车辆声音数据转换为车辆时频数据，具体包括以下步骤：通过以下公式对车辆声音数据进行预加重处理，得到第一中间声音数据y
n
；y
n
＝x
n
‑
ax
n
‑1式中，x
n
是当前时刻的车辆声音数据，x
n
‑1是上一时刻的车辆声音数据，a是预设滤波系数；通过以下公式对第一中间声音数据进行频谱估计，得到第二中间声音数据F
x
(f)；式中，K多正弦窗函数的个数，m＝1,2,
……
,N；N为采样点数；对第二声音中间数据进行平滑，得到第三声音中间数据；将第三声音中间数据输入由以下公式构成的梅尔频率滤波器，得到车辆时频数据；式中f表示第三声音中间数据的实际频率。3.根据权利要求2所述的一种多数据融合的车辆故障监测预警方法，其特征在于，所述对第二声音中间数据进行平滑，得到第三声音中间数据，具体包括以下步骤：将第二声音中间数据输入滑动平均滤波器，得到声音平滑数据；逐帧比较第二声音中间数据和声音平滑数据，取第二声音中间数据和声音平滑数据中的极大值作为新的第二声音中间数据；返回将第二声音中间数据输入滑动平均滤波器这一步骤，直至返回次数达到预设迭代次数；将最终得到的第二声音中间数据作为第三声音中间数据输出。4.根据权利要求1所述的一种多数据融合的车辆故障监测预警方法，其特征在于，所述第一特征提取模型，具体包括一维卷积层、压缩激励残差网络层和注意力统计池化层；所述将车辆时频数据输入第一特征提取模型，得到第一特征向量，具体包括以下步骤：通过一维卷积层对所述车辆时频数据进行卷积操作，...

【专利技术属性】
技术研发人员：王宏军，李磊，陈东升，汪滔滔，李刚，
申请(专利权)人：北京北明数科信息技术有限公司，
类型：发明
国别省市：