【技术实现步骤摘要】
本专利技术涉及车辆，尤其涉及一种车辆异常休眠检测方法、装置、设备及存储介质。
技术介绍
1、随着汽车电子设备的增多和智能化程度的提高，传统的休眠状态检测方式可能无法准确感知车辆各部件的休眠情况。这项技术的核心目标在于运用深度学习技术，精确识别车辆停止运行时各部件应进入休眠状态的情况。异常情况下，车载电子设备在不必要的情况下仍然接受供电，导致整车长期处于异常休眠状态，最终使得车辆馈电；此外，车辆静态状态下一些非必要的电控单元(ecu)仍保持供电。通过此技术，将实现对这些场景的休眠状态检测，以降低12v蓄电池的能耗、成本，减少车辆行驶期间的电能消耗，从而提高整车的续航里程。
2、车辆休眠异常带来的是车辆的静态能耗成倍的增加，导致汽车蓄电池馈电，进而引发蓄电池寿命缩短、发动机无法正常启动等诸多问题。这给客户对车辆的使用带来极大的不便，虽然维修人员可以通过汽车诊断设备分析网络报文来诊断网络引发的故障，但是由于汽车偶发的休眠异常故障很难复现，导致难以定位到异常的控制器，所以即使更换蓄电池也不能从根本上解决问题。
技术实现思路
1、本专利技术的主要目的在于提供一种车辆异常休眠检测方法、装置、设备及存储介质，旨在解决现有技术车载电子设备在不必要的情况下仍然接受供电，导致整车长期处于异常休眠状态，增加了车辆行驶期间的电能消耗，严重影响整车的续航里程的技术问题。
2、为实现上述目的，本专利技术提供了一种车辆异常休眠检测方法，所述方法包括以下步骤：
3、获取目标车辆
4、通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，所述异常休眠预测模型是通过在1d-cnn网络基础上增加lstm结构得到的bilstm深度模型构成；
5、基于所述当前车辆状态判断车辆是否处于异常休眠状态。
6、可选地，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态之前，还包括：
7、获取1d-cnn网络模型，所述1d-cnn网络模型包括输入层、卷积层、池化层、全连接层以及dropout层；
8、在所述1d-cnn网络模型中增加前向lstm和反向lstm，得到bilstm深度模型；
9、对所述bilstm深度模型设的损失函数和优化器进行设定，得到初始异常休眠预测模型；
10、对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型。
11、可选地，所述对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，包括：
12、采集目标车辆异常休眠状态和正常状态下的网络报文和车辆相关参数，得到初始数据集；
13、对所述初始数据集进行数据清洗、标准化处理以及数据分割，得到样本数据集；
14、按照预设比例对所述样本数据集进行划分，得到训练集、验证集以及测试集；
15、基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型。
16、可选地，所述基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，包括：
17、通过所述训练集对所述初始异常休眠预测模型中的1d-cnn网络模型进行训练，得到训练后的初始异常休眠预测模型；
18、通过所述验证集对所述训练后的初始异常休眠预测模型中的超参数进行调整，得到调整后的初始异常休眠预测模型；
19、通过所述测试集评估所述优化后的初始异常休眠预测模型的性能，得到所述优化后的初始异常休眠预测模型的性能指标；
20、根据所述性能指标对所述优化后的初始异常休眠预测模型进行优化，得到异常休眠预测模型。
21、可选地，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，包括：
22、通过异常休眠预测模型的输入层对所述实时网络报文和所述车辆相关参数进行预处理，得到初始数据；
23、通过异常休眠预测模型的卷积层的多个卷积核对所述初始数据进行平移特征提取，得到参考特征；
24、通过异常休眠预测模型的池化层对所述参考特征进行降维，得到关键特征；
25、通过异常休眠预测模型的前向lstm和反向lstm提取所述关键特征的时间序列；
26、通过异常休眠预测模型的全连接层基于所述时间序列对所述关键特征进行分类，得到当前车辆状态。
27、可选地，所述异常休眠预测模型还包括动态自适应学习模块；
28、所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态之后，还包括：
29、通过所述异常休眠预测模型的动态自适应学习模块采集实时网络报文、所述车辆相关参数以及当前车辆状态；
30、获取当前车辆的真实状态；
31、根据所述采集实时网络报文、所述车辆相关参数、当前车辆状态以及当前车辆的真实状态对所述异常休眠预测模型进行自适应学习，得到新的异常休眠预测模型。
32、可选地，所述基于所述当前车辆状态判断车辆是否处于异常休眠状态，包括：
33、基于所述当前车辆状态得到对应的历史网络报文和历史车辆相关参数；
34、将所述历史网络报文和历史车辆相关参数对应的车辆状态作为当前车辆状态；
35、在当前车辆状态为非正常时，判断车辆处于异常休眠状态；
36、在当前车辆状态为正常时，判断车辆不处于异常休眠状态；
37、所述基于所述当前车辆状态判断车辆是否处于异常休眠状态之后，还包括：
38、在所述车辆处于异常休眠状态时，向用户进行预警，以使用户基于所述当前车辆状态对所述车辆进行诊断。
39、此外，为实现上述目的，本专利技术还提出一种车辆异常休眠检测装置，所述车辆异常休眠检测装置包括：
40、获取模块，用于获取目标车辆的实时网络报文和车辆相关参数；
41、异常休眠检测模块，用于通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，所述异常休眠预测模型是通过在1d-cnn网络基础上增加lstm结构得到的bilstm深度模型构成；
42、所述异常休眠检测模块，还用于基于所述当前车辆状态判断车辆是否处于异常休眠状态。
43、此外，为实现上述目的，本专利技术还提出一种车辆异常休眠检测设备，所述车辆异常休眠检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆异常休眠检测程序，所述车辆异常休眠检测程序配置为实现如上文所述的车辆异常休眠检测方法的步骤。
44、此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有车辆异常休眠检测程序，所述车辆异常休眠检测程序被处理器执行时实现如上文所述的车辆异常休眠检测方法的步骤。本文档来自技高网...
【技术保护点】
1.一种车辆异常休眠检测方法，其特征在于，所述车辆异常休眠检测方法包括：
2.如权利要求1所述的车辆异常休眠检测方法，其特征在于，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态之前，还包括：
3.如权利要求2所述的车辆异常休眠检测方法，其特征在于，所述对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，包括：
4.如权利要求3所述的车辆异常休眠检测方法，其特征在于，所述基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，包括：
5.如权利要求1所述的车辆异常休眠检测方法，其特征在于，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，包括：
6.如权利要求1所述的车辆异常休眠检测方法，其特征在于，所述异常休眠预测模型还包括动态自适应学习模块；
7.如权利要求1-6中任一项所述的车辆异常休眠检测方法，其特征在于，所述基于所述当前车辆状态判断车辆是否处于异常休眠状态，包括：
8.一种
9.一种车辆异常休眠检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆异常休眠检测程序，所述车辆异常休眠检测程序配置为实现如权利要求1至7中任一项所述的车辆异常休眠检测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有车辆异常休眠检测程序，所述车辆异常休眠检测程序被处理器执行时实现如权利要求1至7任一项所述的车辆异常休眠检测方法。
...【技术特征摘要】
1.一种车辆异常休眠检测方法，其特征在于，所述车辆异常休眠检测方法包括：
2.如权利要求1所述的车辆异常休眠检测方法，其特征在于，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态之前，还包括：
3.如权利要求2所述的车辆异常休眠检测方法，其特征在于，所述对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，包括：
4.如权利要求3所述的车辆异常休眠检测方法，其特征在于，所述基于所述训练集、验证集以及测试集对所述初始异常休眠预测模型进行优化，得到异常休眠预测模型，包括：
5.如权利要求1所述的车辆异常休眠检测方法，其特征在于，所述通过异常休眠预测模型对所述实时网络报文和所述车辆相关参数进行预测，得到当前车辆状态，包括：
6.如权利...
【专利技术属性】
技术研发人员：陈少辉，周昊夫，方伟家，司华超，张贵海，
申请(专利权)人：岚图汽车科技有限公司，
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。