[发明专利]基于机器学习的车辆故障分析及预测方法和装置

说明书

本发明涉及基于机器学习的车辆故障分析及预测方法，该方法具有以下步骤：对获取的车辆数据进行学习与分类，生成故障分类器；计算故障特征权重，并基于故障特征权重选择权重较大的数据进行回归预测；基于回归预测结果计算故障边界条件；利用包含所计算的故障边界条件的故障分类器对车辆进行故障分析和/或故障预测。该方法还具有以下步骤：对分类器的准确度进行验证，其中，当不满足分类器的准确度时，对分类器算法参数进行优化，并再次对车辆数据进行分类；对回归准确度进行验证，其中，当不满足回归准确度时，对回归模型参数进行优化；当判断车辆数据与车辆故障产生原因不相关时，则结束该方法。本发明还涉及一种相应的装置和计算机程序产品。

技术领域

本发明涉及一种基于机器学习的车辆故障分析及预测方法。

背景技术

在车辆连续运行过程中，不可避免地发生各种故障，影响用户体验，甚至产生巨大安全风险。当前，主机厂(OEM)利用车辆故障分析方法，例如DeltaLyze、鱼骨图等来完成故障诊断。在这些故障分析方法中，基于来自车载传感器的数据，车辆外部的传感器的数据以及运行机理对车辆进行故障分析。随着车载传感器数量的增加以及传感器探测能力的提高，车辆运行数据更加完善，主机厂可以更快、更全面掌握车辆运行信息，并对故障车辆的运行状态进行分析。但是，由于车辆运行数据量大，数据变量多，且它们之间存在很强的耦合性，并且在实际运行和分析中存在各种随机因素影响，因此这使得人工分析相关数据只能做到简单可视化处理，而难以实现多元统计分析。故障预测一般根据产品运行时间及故障数量进行拟合，如webull分布，其应用场景较为单一，且需要长期的数据积累。

在现有技术中公开了一种基于PCA及T²统计的车载电子电器零部件故障诊断方法。该专利文献涉及一种基于无线通信、机器学习等技术来实现车辆提前预知故障的方法及应用场景。然而在该专利文献中，需采集与整车的所有电子器件相关的传感器信息，并将这些信息高速传输至数据处理中心。然而，该技术方案需对当前的车辆架构进行非常大的改变，因此而实现成本很高。

此外，在现有技术中公开了一种基于人工智能及机器学习的车辆故障原因诊断方法。该专利文献涉及一种基于维修数据的进行机器学习，构建劳动代码分类器，并且在第一次出现故障时能够智能地判断维修服务，协助找到故障出现的根本原因。然而该技术方案无法实现故障预测功能，应用场景受限。

因此，存在对车辆故障分析及预测方法的需求，该方法能够通过机器学习快速地对故障进行分析和预测并且因此能够协助主机厂故障分析人员对车辆故障相关信息进行分析，降低故障诊断与机理分析的工作量。此外，存在对能够不受限地应用于各种场景的车辆故障分析及预测方法的需求。

发明内容

在该背景下，根据本发明提出一种基于机器学习的车辆故障分析及预测方法，所述车辆故障分析及预测方法不仅能够克服现有技术方案中的不足，而且能够降低故障诊断以及机理分析的工作量。

根据本发明的一个方面，提供一种基于机器学习的车辆故障分析及预测方法，所述方法具有以下步骤：

对获取的车辆数据进行学习与分类，生成故障分类器；

计算故障特征权重，并基于故障特征权重选择权重较大的数据进行回归预测；

基于回归预测结果计算故障边界条件；

利用包含所计算的故障边界条件的故障分类器对车辆进行故障分析和/或故障预测。

本发明的基本构思在于，通过学习故障车辆与正常运行车辆的运行数据，得到各个数据对故障的影响权重，并对权重较大的数据进行回归分析，得到量化的边界条件。由此，可以在不改变现有车辆架构的情况下，对车辆运行数据进行分析，从而得到故障特征权重以及边界条件，完成故障诊断。本发明尤其可以应用于不同的场景。