[发明专利]车辆故障诊断方法和设备、计算机可读存储介质

说明书

本申请涉及车辆故障诊断方法和设备、计算机可读存储介质。所述车辆故障诊断方法包括：接收灰度图像，其中所述灰度图像表征用于车辆诊断的诊断数据；利用卷积神经网络提取所述灰度图像的特征从而生成特征图；对所述特征图进行基于自注意力的处理以得到分类结果，其中所述分类结果指示车辆故障情况；以及基于所述分类结果进行相关度传播分析以得到贡献度热力图，其中所述贡献度热力图指示所述灰度图像中各个像素对所述分类结果的贡献程度。

技术领域

本申请涉及车辆故障诊断，具体而言，涉及车辆故障诊断方法、车辆故障诊断设备以及计算机可读存储介质。

背景技术

在新能源汽车大数据分析中，对于多元（即，多个来源）时间序列数据分析，传统方法局限于依赖专家经验，因而可能无法发现经验领域之外的信息。此外，传统方法的分类结果也无法得到很好的解释，从而一方面造成机器学习迭代更新速度较慢，另一方也导致在数据样本分布发生偏移后不够鲁棒。

有鉴于此，需要一种能够提高车辆故障诊断的改进机制。

发明内容

本申请的实施例提供了车辆故障诊断方法、车辆故障诊断设备以及计算机可读存储介质，用于提高车辆故障诊断的效率和准确性。

根据本申请的一方面，提供一种车辆故障诊断方法。所述车辆故障诊断方法包括如下步骤：接收灰度图像，其中所述灰度图像表征用于车辆诊断的诊断数据；利用卷积神经网络提取所述灰度图像的特征从而生成特征图；对所述特征图进行基于自注意力的处理以得到分类结果，其中所述分类结果指示车辆故障情况；以及基于所述分类结果进行相关度传播分析以得到贡献度热力图，其中所述贡献度热力图指示所述灰度图像中各个像素对所述分类结果的贡献程度。

在本申请的一些实施例中，可选地，基于自注意力的处理包括如下步骤：将所述特征图输入到自注意力神经网络的多头注意力层以提取特征矩阵；将所述特征矩阵输入到所述自注意力神经网络的稠密层以生成稀疏化矩阵；以及将所述稀疏化矩阵输入到所述自注意力神经网络的全连接及softmax层以得到所述分类结果。

在本申请的一些实施例中，可选地，通过以下步骤产生所述灰度图像：提取所述诊断数据，其中所述诊断数据包括车辆内的至少一个来源在多个时点上产生的数据；从所述诊断数据中过滤出预定时段内的有效数据； 将所述有效数据中的各个值作归一化处理；将所述有效数据中的各个归一化值映射到所述灰度图像的灰度等级上；以及根据所述有效数据中的各个归一化值的对应灰度等级构建所述灰度图，其中所述灰度图具有对应所述来源的第一维度和对应所述时点的第二维度。

在本申请的一些实施例中，可选地，产生所述灰度图像还包括如下步骤：在归一化处理后补充各个来源在断电期间的归一化值；以及对所述有效数据中的各个归一化值进行过滤。

在本申请的一些实施例中，可选地，所述方法还包括如下步骤：接收样本灰度图像及其对应的样本分类结果，其中所述样本灰度图像表征用于车辆诊断的样本数据，并且所述样本分类结果指示车辆故障情况；以及以所述样本灰度图像为所述卷积神经网络的输入，并且以所述样本分类结果为所述自注意力神经网络的目标输出，对所述卷积神经网络和所述自注意力神经网络进行训练。

在本申请的一些实施例中，可选地，所述样本数据为根据经验规则判断出现故障的时点为终点的预定时段内的数据，并且所述样本分类结果为根据所述经验规则确定的车辆故障情况。

在本申请的一些实施例中，可选地，基于所述分类结果进行相关度传播分析以得到贡献度热力图包括：利用相关度分析神经网络基于所述分类结果进行所述相关度传播分析；其中，所述相关度分析神经网络包括与所述卷积神经网络中的每一层、所述自注意力神经网络中的每一层分别耦合的对应各层。

在本申请的一些实施例中，可选地，所述诊断数据基于车辆的传感器数据生成。