故障预测方法技术

本申请公开了一种故障预测方法

【技术实现步骤摘要】
故障预测方法、装置、存储介质以及车辆


[0001]本申请涉及汽车
，尤其涉及一种故障预测方法
、
装置
、
存储介质以及车辆
。

技术介绍

[0002]车辆的状态时刻影响着用户的驾驶安全，因此，对车辆故障的预测和诊断越来越重要
。
一般来说，通常技术人员基于经验来设定一些阈值或规则，对车辆进行故障预测和诊断，以此来判断车辆的工作状态是否正常
。
然而，当出现一些非典型的或者未知的故障，还是难以进行有效的预测和诊断
。
基于此，有必要开发一种故障预测的方法，来提高故障预测的效率和精确度，以保护用户的驾驶安全
。

技术实现思路

[0003]本申请提供一种故障预测方法
、
装置
、
存储介质以及车辆，可以解决相关技术中故障预测不及时
、
不准确的技术问题
。
[0004]第一方面，本申请实施例提供一种故障预测方法，该方法包括：
[0005]获取车辆的实车运行数据以及预测运行数据，所述预测运行数据为预先训练好的生成器生成的与所述车辆在正常运行状态下的车辆运行数据相似的数据；
[0006]对比所述实车运行数据与所述预测运行数据，得到所述实车运行数据与所述预测运行数据之间的差异程度；
[0007]当所述差异程度满足预设差异条件，则确定所述实车运行数据为异常实车数据，根据所述异常实车数据确定所述车辆对应的故障风险区域
。
[0008]第二方面，本申请实施例提供一种故障预测装置，该装置包括：
[0009]数据获取模块，用于获取车辆的实车运行数据以及预测运行数据，所述预测运行数据为预先训练好的生成器生成的与所述车辆在正常运行状态下的车辆运行数据相似的数据；
[0010]异常对比模块，用于对比所述实车运行数据与所述预测运行数据，得到所述实车运行数据与所述预测运行数据之间的差异程度；
[0011]故障确定模块，用于当所述差异程度满足预设差异条件，则确定所述实车运行数据为异常实车数据，根据所述异常实车数据确定所述车辆对应的故障风险区域
。
[0012]第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法的步骤
。
[0013]第四方面，本申请实施例提供一种车辆，包括存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序适于由处理器加载并执行上述的方法的步骤
。
[0014]本申请一些实施例提供的技术方案带来的有益效果至少包括：
[0015]本申请提供一种故障预测方法，获取车辆的实车运行数据以及预测运行数据，预
测运行数据为预先训练好的生成器生成的与车辆在正常运行状态下的车辆运行数据相似的数据；对比实车运行数据与预测运行数据，得到实车运行数据与预测运行数据之间的差异程度；当差异程度满足预设差异条件，则确定实车运行数据为异常实车数据，根据异常实车数据确定车辆对应的故障风险区域
。
由于预先训练好的生成器是按照车辆的正常运行状态预测车辆的运行数据，那么当同一时间采集到的车辆实车运行数据与预测运行数据的差异程度较大时，可以说明此时实车运行状态与正常运行状态偏差较大，这样就及时捕捉到了车辆运行时的异常情况，再根据异常的实车数据判定出车辆对应的故障风险区域，准确
、
及时地实现对车辆故障风险的预测和判定
。
附图说明
[0016]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，下面将对实施例或现有技术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
。
[0017]图1为本申请实施例提供的一种故障预测方法的示例性系统架构图；
[0018]图2为本申请实施例提供的一种故障预测方法的流程示意图；
[0019]图3为本申请实施例提供的一种故障预测方法的流程示意图；
[0020]图4为本申请实施例提供的一种故障预测方法的模型训练流程示意图；
[0021]图5为本申请实施例提供的一种故障预测方法的流程示意图；
[0022]图6为本申请实施例提供的一种故障预测方法的逻辑框架示意图；
[0023]图7为本申请实施例提供的一种故障预测装置的结构框图；
[0024]图8为本申请实施例提供的一种车辆的结构示意图
。
具体实施方式
[0025]为使得本申请的特征和优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例
。
基于本申请中的实施例，本领域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，都属于本申请保护的范围
。
[0026]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素
。
以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式
。
相反，它们仅是如所附权利要求书中所详述的
、
本申请的一些方面相一致的装置和方法的例子
。
[0027]随着汽车开发技术的快速发展，车辆中搭载了各种各样的功能系统，用于为用户提供舒适的用车体验，各功能模块的运行状态不仅会影响其自身功能的实现，还会影响车辆整体的驾驶安全
。
例如，电动助力转向系统
(Electric Power Steering
，缩写
EPS)
是一种直接依靠电机提供辅助扭矩的动力转向系统，由电动助力机直接提供转向助力，使驾驶员更易于操作汽车，相比传统的液压助力转向系统
HPS(Hydraulic Power Steering)
具有节能
、
环保等优势，目前广泛应用于各类电动汽车中
。
然而，如果电动助力转向系统出现故障，则会导致车辆转向困难，严重时甚至可能威胁到车辆的行车驾驶安全
。
[0028]考虑到车辆的状态时刻影响着用户的驾驶安全，因此为了保护用户的驾驶安全，车辆中会实时采集车辆运行数据以实现对车辆运行状态的监测
。
一般来说，通常技术人员基于经验来设定一些阈值或规则，对车辆进行故障预测和诊断，以此来判断车辆的工作状态是否正常
。
然而，对于一些非典型的或者未知的故障，人工经验会相对稀疏，那么基于人工经验就难以对此类故障进行有效的预测和诊断
。
[0029]因此本申请实施例提供一种故障预测方法，以解决上述故障预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种故障预测方法，其特征在于，所述方法包括：获取车辆的实车运行数据以及预测运行数据，所述预测运行数据为预先训练好的生成器生成的与所述车辆在正常运行状态下的车辆运行数据相似的数据；对比所述实车运行数据与所述预测运行数据，得到所述实车运行数据与所述预测运行数据之间的差异程度；当所述差异程度满足预设差异条件，则确定所述实车运行数据为异常实车数据，根据所述异常实车数据确定所述车辆对应的故障风险区域
。2.
根据权利要求1所述的方法，其特征在于，所述获取车辆的实车运行数据以及预测运行数据之前，还包括：确定样本原始运行数据，所述样本原始运行数据为预先采集的样本车辆在真实环境中产生的运行数据；基于所述样本原始运行数据进行预设生成器以及预设判别器之间的对抗训练，确定收敛后的所述预设生成器为预先训练好的生成器
。3.
根据权利要求2所述的方法，其特征在于，所述基于所述样本原始运行数据进行预设生成器以及预设判别器之间的对抗训练，确定收敛后的所述预设生成器为预先训练好的生成器，包括：基于预设生成器生成所述车辆的样本虚假运行数据；将所述样本虚假运行数据以及样本原始运行数据输入预设判别器，确定所述预设判别器针对所述样本虚假运行数据输出的真实性判别结果；基于所述真实性判别结果训练所述预设生成器以及所述预设判别器，确定收敛后的所述预设生成器为预先训练好的生成器
。4.
根据权利要求2所述的方法，其特征在于，所述根据所述异常实车数据确定所述车辆对应的故障风险区域，包括：将所述异常实车数据输入故障预测模型，确定所述故障预测模型输出的状态预测结果；若所述状态预测结果为故障状态，则确定所述异常实车数据对应的区域为所述车辆的故障风险区域
。5.
根据权利要求4所述的方法，其特征在于，所述确定收敛后的所述预设生成器为预先训练好的生成器之后，还包括：通过所述预先训练好的生成器生成预测常规运行数据；确定所述样本原始运行数据中的样本异...

【专利技术属性】
技术研发人员：罗智，王珏华，
申请(专利权)人：长城汽车股份有限公司，
类型：发明
国别省市：