【技术实现步骤摘要】
本申请涉及车辆，并且更具体地，涉及车辆中的一种车辆异常识别及模型构建方法、装置及车辆。
技术介绍
1、随着汽车技术的发展，现代汽车的引擎系统变得越来越复杂。引擎的异常性能可能导致车辆效率降低、排放增加，甚至可能导致突然的机械故障。识别引擎性能的早期异常和提前预测潜在故障可以确保车辆安全、延长引擎寿命以及降低维护成本。在过去，车辆引擎的故障诊断主要依靠传统的机械和电子技术。但近年来，随着人工智能技术的飞速发展，机器学习方法开始被引入到引擎故障诊断中。然而，许多传统的机器学习模型在这一应用领域的泛化能力并不理想，导致其在面对各种不同类型的引擎故障时的识别准确性仍有待提高。
技术实现思路
1、本申请提供了一种车辆异常识别及模型构建方法、装置及车辆，该方法能够有效提高对车辆引擎异常状态识别的准确性，具有较强的适应性和泛化能力。
2、第一方面，提供了一种车辆异常识别方法，该方法包括：
3、从车辆的控制器局域网数据中获取目标时间序列数据；
4、将上述目标时间序列数据输入循环神经网络模型，得到上述循环神经网络模型的隐藏层输出向量；将上述隐藏层输出向量输入至k近邻模型中，得到上述车辆的引擎异常识别结果；
5、其中，上述循环神经网络模型通过带有异常等级标签的多个历史时间序列数据训练得到，上述异常等级标签用于表征上述历史时间序列数据对应的车辆引擎状态，上述k近邻模型存储有通过上述循环神经网络模型得到的多个历史时间序列数据各自对应的历史隐藏层输出向量和预测
6、通过上述技术方案，能够从车辆控制器局域网数据中精准地提取并识别车辆引擎的异常状态。通过rnn模型可以深入捕获时间序列数据的动态模式，并将这些高维特征转化为压缩的隐藏层输出向量；接着，通过用k近邻模型利用这些向量可以进行快速且有效的引擎异常状态预测。该方法融合了循环神经网络的时间序列特征提取能力和k近邻的实例化决策特点，识别效率和准确性高，还具有较强的适应性和泛化能力，为车辆的行驶安全和维护提供了有力的数据支持，帮助用户及时采取应对措施，降低车辆引擎异常带来的损失，保证驾驶安全性。
7、结合第一方面，在某些可能的实现方式中，上述将上述隐藏层输出向量输入至k近邻模型中，得到上述车辆的引擎异常识别结果，包括：
8、将上述隐藏层输出向量输入至k近邻模型中，计算上述隐藏层输出向量与上述k近邻模型中的每个历史隐藏层输出向量的距离，确定k个最近邻向量；
9、根据上述隐藏层输出向量与上述k个最近邻向量之间的距离或上述k个最近邻向量对应的上述预测结果确定上述隐藏层输出向量对应的目标预测结果，并将上述目标预测结果作为所述车辆的引擎异常识别结果。
10、结合第一方面和上述实现方式，在某些可能的实现方式中，上述将上述目标时间序列数据输入循环神经网络模型，得到上述循环神经网络模型的隐藏层输出向量，包括：
11、将上述目标时间序列数据输入循环神经网络模型，将上述循环神经网络模型中最后一个时间步的隐藏层输出作为上述隐藏层输出向量；或
12、将上述目标时间序列数据输入循环神经网络模型，将上述循环神经网络模型中所有时间步的隐藏层输出的平均值作为上述隐藏层输出向量；或
13、将上述目标时间序列数据输入循环神经网络模型，使用注意力网络为上述循环神经网络模型的每个时间步的隐藏层输出分配一个权重；根据上述权重对上述每个时间步的隐藏层输出进行加权平均得到加权序列，将上述加权序列作为上述隐藏层输出向量。
14、结合第一方面和上述实现方式，在某些可能的实现方式中，上述从车辆的控制器局域网数据中获取目标时间序列数据，包括：
15、从车辆的控制器局域网数据中获取原始目标时间序列数据，将上述原始目标时间序列数据进行数据清洗和数据转换后，按照设定的时间窗口划分为多个样本；上述样本内包括多个原始特征；
16、提取每个上述样本中的统计特征；上述统计特征包括以下至少一种：均值、标准差、最大值、最小值、频域特征、时域特征和滑动窗口特征；
17、将上述原始特征和/或上述统计特征进行组合，得到衍生特征；
18、对上述原始特征、上述统计特征和上述衍生特征进行降维处理，得到目标时间序列数据。
19、结合第一方面和上述实现方式，在某些可能的实现方式中，上述原始特征包括引擎控制单元数据、车辆传感器数据和外部环境数据中的一种或多种；
20、上述引擎控制单元数据包括以下至少一种：引擎温度、油压、转速和燃油喷射量；
21、上述车辆传感器数据包括以下至少一种：加速度传感器数据、气流计数据、氧气传感器数据；
22、上述外部环境数据包括以下至少一种：环境温度、环境湿度和海拔。
23、第二方面，提供了一种车辆异常识别模型的构建方法，该方法包括：
24、从车辆的控制器局域网数据中获取多个历史时间序列数据；
25、将多个上述历史时间序列数据分别关联异常等级标签后输入循环神经网络模型进行训练，得到训练后的循环神经网络模型；上述异常等级标签用于表征上述历史时间序列数据对应的车辆引擎状态；
26、将多个上述历史时间序列数据分别输入上述训练后的循环神经网络模型，得到各自对应的历史预测数据；上述历史预测数据包括上述循环神经网络模型的历史隐藏层输出向量和预测结果；
27、将多个上述历史预测数据存储在k近邻模型中，得到上述车辆异常识别模型；上述车辆异常识别模型用于实现上述第一方面或第一方面任意一种可能的实现方式中的车辆异常识别方法。
28、通过上述技术方案，能够从车辆控制器局域网数据中系统地提取历史时间序列数据，并利用异常等级标签为循环神经网络模型提供有指导性的训练。此循环神经网络模型被训练成深入捕捉时间序列中的特征数据，并生成相应的隐藏层输出向量和预测结果。接着，循环神经网络模型的预测数据被存储于k近邻模型中，为后续的引擎异常识别提供了一个高效、实例化的决策框架。该方法融合了rnn的高效特征提取和k近邻的快速查询优势，使得车辆引擎异常识别更加迅速、准确和鲁棒。
29、结合第二方面，在某些可能的实现方式中，上述从车辆的控制器局域网数据中获取多个历史时间序列数据，包括：
30、从车辆的控制器局域网数据中获取多个原始历史时间序列数据；
31、将上述原始历史时间序列数据进行数据清洗和数据转换后，按照设定的时间窗口划分为多个样本；上述样本内包括多个原始特征；
32、提取每个上述样本中的统计特征；上述统计特征包括以下至少一种：均值、标准差、最大值、最小值、频域特征、时域特征和滑动窗口特征；
33、将上述原始特征和/或上述统计特征进行组合，得到衍生特征；
34、使用机器学习方法对上述原始特征、上述统计特征和上述衍生特征进行降维处理，得到历史时间序列数据。
35、第三方面，提供了一种车辆本文档来自技高网...
【技术保护点】
1.一种车辆异常识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述隐藏层输出向量输入至K近邻模型中，得到所述车辆的引擎异常识别结果，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述目标时间序列数据输入循环神经网络模型，得到所述循环神经网络模型的隐藏层输出向量，包括：
4.根据权利要求1所述的方法，其特征在于，所述从车辆的控制器局域网数据中获取目标时间序列数据，包括：
5.根据权利要求4所述的方法，其特征在于，所述原始特征包括引擎控制单元数据、车辆传感器数据和外部环境数据中的一种或多种；
6.一种车辆异常识别模型的构建方法，其特征在于，所述方法包括：
7.根据权利要求6所述的方法，其特征在于，所述从车辆的控制器局域网数据中获取多个历史时间序列数据，包括：
8.一种车辆异常识别装置，其特征在于，所述装置包括：
9.一种车辆异常识别模型的构建装置，其特征在于，所述装置包括：
10.一种车辆，其特征在于，所述车辆包括：
【技术特征摘要】
1.一种车辆异常识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述隐藏层输出向量输入至k近邻模型中，得到所述车辆的引擎异常识别结果，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述目标时间序列数据输入循环神经网络模型，得到所述循环神经网络模型的隐藏层输出向量，包括：
4.根据权利要求1所述的方法，其特征在于，所述从车辆的控制器局域网数据中获取目标时间序列数据，包括：
5.根据权利要求4所述...
【专利技术属性】
技术研发人员：李明，
申请(专利权)人：长城汽车股份有限公司，
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。