面向车联网的车载终端故障诊断系统及方法与流程

本公开涉及车联网，具体地，涉及一种面向车联网的车载终端故障诊断系统及方法。

背景技术：

1、车联网是指通过车载通信设备将车辆与互联网、道路、其他车辆等连接起来，实现信息的交互和共享的网络技术。车联网可以提高车辆的安全性、效率和舒适性，同时也为车辆的故障诊断提供了新的途径。车载终端是车联网的核心组成部分，它负责采集、处理和传输车辆的状态数据，以及接收和执行远程控制指令，为车辆的安全和性能提供关键信息。如果车载终端出现故障，可能会影响车辆的正常运行，甚至导致事故。因此，及时发现和处理车载终端的故障是非常重要的。

2、然而，传统的车载终端故障诊断系统主要依靠经验丰富的专家通过分析有限的数据和故障知识库来判断故障。这种方法效率低、准确性差，难以满足现代车联网时代对故障诊断的要求。随着车载终端采集的数据量不断增加，迫切需要一种面向车联网的车载终端故障诊断系统。

技术实现思路

1、提供该
技术实现要素：
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、第一方面，本公开提供了一种面向车联网的车载终端故障诊断系统，所述系统包括：

3、车辆状态数据采集模块，用于获取由车载终端的传感器网络采集的被检测车辆的车辆状态数据的时间序列，其中，所述车辆状态数据包括发动机功率值、车速值和轮胎压力值；

4、数据传输模块，用于通过基于车联网的车载通信设备将所述被检测车辆的车辆状态数据的时间序列传输至云端服务器；

5、车辆状态数据时序排列模块，用于在云端服务器中，将所述被检测车辆的车辆状态数据的时间序列按照时间维度排列为功率时序输入向量、车速时序输入向量和轮胎压力时序输入向量；

6、车辆状态数据局部时序特征分析模块，用于对所述功率时序输入向量、所述车速时序输入向量和所述轮胎压力时序输入向量进行局部时序模式特征分析以得到功率局部时序特征向量的序列、车速局部时序特征向量的序列和轮胎压力局部时序特征向量的序列；

7、车辆状态数据全时域时序关联特征提取模块，用于将所述功率局部时序特征向量的序列、所述车速局部时序特征向量的序列和所述轮胎压力局部时序特征向量的序列分别通过基于自相关注意力网络的全时域时序关联特征提取器以得到功率时序关联特征向量、车速时序关联特征向量和轮胎压力时序关联特征向量；

8、车辆运行状态表征模块，用于对所述功率时序关联特征向量、所述车速时序关联特征向量和所述轮胎压力时序关联特征向量进行基于类贝叶斯概率模型的融合处理以得到后验车辆运行状态特征；

9、故障检测预警模块，用于基于所述后验车辆运行状态特征，确定所述被检测车辆的运行状态标签，并确定车载终端是否存在故障以及是否产生故障预警提示。

10、可选地，所述车辆状态数据局部时序特征分析模块，包括：车辆状态时序数据切分单元，用于基于预定时间尺度对所述功率时序输入向量、所述车速时序输入向量和所述轮胎压力时序输入向量进行切分以得到功率局部时序输入向量的序列、车速局部时序输入向量的序列和轮胎压力局部时序输入向量的序列；状态参数局部时序特征提取单元，用于将所述功率局部时序输入向量的序列、所述车速局部时序输入向量的序列和所述轮胎压力局部时序输入向量的序列分别通过基于一维扩展卷积网络的时序模式特征提取器以得到所述功率局部时序特征向量的序列、所述车速局部时序特征向量的序列和所述轮胎压力局部时序特征向量的序列。

11、可选地，所述状态参数局部时序特征提取单元，用于：将所述功率局部时序输入向量的序列通过所述基于一维扩展卷积网络的时序模式特征提取器以如下特征提取公式进行处理以得到所述功率局部时序特征向量的序列；其中，所述特征提取公式为：；其中，分别表示所述功率局部时序输入向量的序列中的各个功率局部时序输入向量，表示所述功率局部时序输入向量的序列的级联向量，表示连接操作，表示所述功率局部时序输入向量的序列中的的级联向量，和分别表示权重矩阵和偏移向量，表示卷积操作，表示所述功率局部时序特征向量的序列中第个功率局部时序特征向量。

12、可选地，所述车辆状态数据全时域时序关联特征提取模块，用于：将所述功率局部时序特征向量的序列通过所述基于自相关注意力网络的全时域时序关联特征提取器以如下自注意力公式进行处理以得到所述功率时序关联特征向量；其中，所述自注意力公式为：；其中，为所述功率局部时序特征向量的序列中的第个功率局部时序特征向量，和分别表示权重系数向量和权重系数矩阵，为偏移向量，表示函数，为第个所述功率局部时序特征向量的注意力打分值，表示指数运算，为第个所述功率局部时序特征向量的注意力打分值，为所述功率局部时序特征向量的序列的向量个数，为第个所述功率局部时序特征向量的权重值，为所述功率时序关联特征向量。

13、可选地，所述车辆运行状态表征模块，用于：将所述功率时序关联特征向量、所述车速时序关联特征向量和所述轮胎压力时序关联特征向量通过基于类贝叶斯概率模型的特征融合网络以得到后验车辆运行状态特征向量作为所述后验车辆运行状态特征。

14、可选地，所述故障检测预警模块，包括：车辆状态检测单元，用于将所述后验车辆运行状态特征向量通过基于分类器的车辆运行状态识别器以得到识别结果，所述识别结果用于表示所述被检测车辆的运行状态标签；故障检测单元，用于基于所述被检测车辆的运行状态标签和所述被检测车辆的真实运行状态标签，确定车载终端是否存在故障；故障预警单元，用于响应于所述车载终端为存在故障，产生故障预警提示。

15、可选地，还包括用于对所述基于一维扩展卷积网络的时序模式特征提取器、所述基于自相关注意力网络的全时域时序关联特征提取器、所述基于类贝叶斯概率模型的特征融合网络和所述基于分类器的车辆故障检测器进行训练的训练模块。

16、可选地，所述训练模块，包括：训练车辆状态数据采集单元，用于获取由车载终端的传感器网络采集的被检测车辆的训练车辆状态数据的时间序列，其中，所述训练车辆状态数据包括训练发动机功率值、训练车速值和训练轮胎压力值；训练数据传输单元，用于通过基于车联网的车载通信设备将所述被检测车辆的训练车辆状态数据的时间序列传输至云端服务器；训练车辆状态数据时序排列单元，用于在云端服务器中，将所述被检测车辆的训练车辆状态数据的时间序列按照时间维度排列为训练功率时序输入向量、训练车速时序输入向量和训练轮胎压力时序输入向量；训练车辆状态数据局部时序特征分析单元，用于对所述训练功率时序输入向量、所述训练车速时序输入向量和所述训练轮胎压力时序输入向量进行局部时序模式特征分析以得到训练功率局部时序特征向量的序列、训练车速局部时序特征向量的序列和训练轮胎压力局部时序特征向量的序列；训练车辆状态数据全时域时序关联特征提取单元，用于将所述训练功率局部时序特征向量的序列、所述训练车速局部时序特征向量的序列和所述训练轮胎压力局部时序特征向量的序列分别通过所述基于自相关注意力网络的全时域时序关联特征提取器以得到训练功率时序关联特征向量、训练车速时序关联特征向量和训练轮胎压力时序关联特征向量；训练车辆运行状态表征单元，用于将所述训练功率时序关联特征向量、所述训练车速时序关联特征向量和所述训练轮胎压力时序关联特征向量通过所述基于类贝叶斯概率模型的特征融合网络以得到训练后验车辆运行状态特征向量；训练分类单元，用于将所述训练后验车辆运行状态特征向量通过所述基于分类器的车辆运行状态识别器以得到分类损失函数值；训练单元，用于基于所述分类损失函数值对所述基于一维扩展卷积网络的时序模式特征提取器、所述基于自相关注意力网络的全时域时序关联特征提取器、所述基于类贝叶斯概率模型的特征融合网络和所述基于分类器的车辆故障检测器进行训练，每次迭代训练时，对于所述训练后验车辆运行状态特征向量进行优化。

17、第二方面，本公开提供了一种面向车联网的车载终端故障诊断方法，所述方法包括：

18、获取由车载终端的传感器网络采集的被检测车辆的车辆状态数据的时间序列，其中，所述车辆状态数据包括发动机功率值、车速值和轮胎压力值；

19、通过基于车联网的车载通信设备将所述被检测车辆的车辆状态数据的时间序列传输至云端服务器；

20、在云端服务器中，将所述被检测车辆的车辆状态数据的时间序列按照时间维度排列为功率时序输入向量、车速时序输入向量和轮胎压力时序输入向量；

21、对所述功率时序输入向量、所述车速时序输入向量和所述轮胎压力时序输入向量进行局部时序模式特征分析以得到功率局部时序特征向量的序列、车速局部时序特征向量的序列和轮胎压力局部时序特征向量的序列；

22、将所述功率局部时序特征向量的序列、所述车速局部时序特征向量的序列和所述轮胎压力局部时序特征向量的序列分别通过基于自相关注意力网络的全时域时序关联特征提取器以得到功率时序关联特征向量、车速时序关联特征向量和轮胎压力时序关联特征向量；

23、对所述功率时序关联特征向量、所述车速时序关联特征向量和所述轮胎压力时序关联特征向量进行基于类贝叶斯概率模型的融合处理以得到后验车辆运行状态特征；

24、基于所述后验车辆运行状态特征，确定所述被检测车辆的运行状态标签，并确定车载终端是否存在故障以及是否产生故障预警提示。

25、可选地，对所述功率时序输入向量、所述车速时序输入向量和所述轮胎压力时序输入向量进行局部时序模式特征分析以得到功率局部时序特征向量的序列、车速局部时序特征向量的序列和轮胎压力局部时序特征向量的序列，包括：

26、基于预定时间尺度对所述功率时序输入向量、所述车速时序输入向量和所述轮胎压力时序输入向量进行切分以得到功率局部时序输入向量的序列、车速局部时序输入向量的序列和轮胎压力局部时序输入向量的序列；

27、将所述功率局部时序输入向量的序列、所述车速局部时序输入向量的序列和所述轮胎压力局部时序输入向量的序列分别通过基于一维扩展卷积网络的时序模式特征提取器以得到所述功率局部时序特征向量的序列、所述车速局部时序特征向量的序列和所述轮胎压力局部时序特征向量的序列。

28、采用上述技术方案，通过车载终端的传感器网络实时监测采集车辆的车辆状态数据，包括发动机功率值、车速值和轮胎压力值，并将这些车辆状态数据通过基于车联网的车载通信设备传输至云端服务器，以在云端服务器中引入数据处理和分析算法对这些车辆状态数据进行局部时序模式特征分析和全时域时序关联特征提取，以得到后验车辆运行状态特征，并基于后验特征确定车辆运行状态标签和车载终端故障状态。这样，可以通过对比车辆的状态数据和车载终端的预设参数，可以判断出车载终端是否存在故障，并及时进行处理和维修。

29、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。