【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請(qǐng)涉及新能源汽車(chē)，具體涉及一種基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法、裝置、設(shè)備及介質(zhì)。
技術(shù)介紹
1、新能源汽車(chē)電池系統(tǒng)，無(wú)疑是新能源汽車(chē)科技體系中不可或缺的一環(huán)，其性能的穩(wěn)定性與否直接關(guān)系到車(chē)輛的使用壽命長(zhǎng)短以及行駛過(guò)程中的安全與否。在新能源汽車(chē)日益普及的今天，車(chē)輛系統(tǒng)的故障診斷工作顯得尤為重要。然而，由于大規(guī)模應(yīng)用和市場(chǎng)占有率尚處于相對(duì)較低的水平，因此車(chē)輛故障的案例相對(duì)稀少，這也為故障診斷技術(shù)的發(fā)展帶來(lái)了一定的挑戰(zhàn)。
2、值得一提的是，新能源車(chē)輛的安全性和可靠性要求極高，車(chē)輛一旦出現(xiàn)故障，不僅可能影響其正常運(yùn)行，還可能對(duì)乘客和路人的安全構(gòu)成威脅，因此，對(duì)故障的及時(shí)發(fā)現(xiàn)、處理和修復(fù)至關(guān)重要。然而，故障數(shù)據(jù)的收集和分析并非易事，它需要時(shí)間的積累以及專(zhuān)業(yè)的技術(shù)支持，新能源車(chē)輛系統(tǒng)的復(fù)雜性和多樣性使得故障類(lèi)型紛繁復(fù)雜，且故障發(fā)生的概率也相對(duì)較低，這進(jìn)一步增加了故障數(shù)據(jù)收集的難度，因此目前能用的新能源車(chē)輛的故障樣本數(shù)據(jù)相對(duì)傳統(tǒng)車(chē)輛來(lái)說(shuō)還是極少的，如何基于少量故障樣本數(shù)據(jù)實(shí)現(xiàn)車(chē)輛的故障診斷就成為當(dāng)下亟須解決的問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
1、鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本申請(qǐng)?zhí)峁┮环N基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法、裝置、設(shè)備及介質(zhì)，以解決上述技術(shù)問(wèn)題。
2、本申請(qǐng)?zhí)峁┑囊环N基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，所述方法包括：獲取初始數(shù)據(jù)，并將所述初始數(shù)據(jù)分為源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)，所述源域數(shù)據(jù)用于表征帶有車(chē)輛故障標(biāo)簽的歷史數(shù)據(jù)，所述目標(biāo)域數(shù)據(jù)用于表征待診斷的目標(biāo)車(chē)輛的當(dāng)前數(shù)據(jù)，
3、于本申請(qǐng)的一實(shí)施例中，融合所述特征相似圖和所述動(dòng)態(tài)圖得到融合特征向量，包括：提取所述特征相似圖的第一圖特征信息，并基于所述第一圖特征信息生成第一特征向量，提取所述動(dòng)態(tài)圖的第二圖特征信息，并基于所述第二圖特征信息生成第二特征向量；計(jì)算所述第一特征向量和所述第二特征向量的均值，并將計(jì)算得到的均值確定為所述特征相似圖和所述動(dòng)態(tài)圖的融合特征向量。
4、于本申請(qǐng)的一實(shí)施例中，所述融合特征向量分為帶有標(biāo)簽信息的一類(lèi)融合特征向量和不帶有標(biāo)簽信息的二類(lèi)融合特征向量，所述方法還包括：將所述一類(lèi)融合特征向量輸入標(biāo)簽分類(lèi)器，并基于所述標(biāo)簽信息對(duì)所述標(biāo)簽分類(lèi)器的預(yù)測(cè)結(jié)果進(jìn)行修正；將所述一類(lèi)融合特征向量和所述二類(lèi)融合特征向量輸入域分類(lèi)器中，對(duì)所述融合特征向量進(jìn)行一致性約束計(jì)算和差異性約束計(jì)算。
5、于本申請(qǐng)的一實(shí)施例中，對(duì)所述融合特征向量進(jìn)行一致性約束計(jì)算，包括：對(duì)所述第一特征向量和所述第二特征向量進(jìn)行正則化處理；計(jì)算正則化處理之后的第一特征向量和第二特征向量的相似度，若所述相似度高于預(yù)設(shè)相似度閾值，基于所述相似度構(gòu)建相似度矩陣；基于所述相似度矩陣生成一致性約束條件，并基于所述一致性約束條件對(duì)所述第一特征向量和所述第二特征向量進(jìn)行修正。
6、于本申請(qǐng)的一實(shí)施例中，對(duì)所述第一特征向量和所述第二特征向量進(jìn)行差異性約束計(jì)算，包括：計(jì)算所述第一特征向量和所述第二特征向量的差異值，所述差異值用于表征所述特征相似圖和所述動(dòng)態(tài)圖的差異程度；基于所述差異度生成差異性約束條件，并基于所述差異性約束條件對(duì)所述第一特征向量和所述第二特征向量進(jìn)行修正。
7、于本申請(qǐng)的一實(shí)施例中，融合所述特征相似圖和所述動(dòng)態(tài)圖得到融合特征向量之后，還包括：獲取權(quán)重設(shè)置規(guī)則；基于所述權(quán)重設(shè)置規(guī)則將所述第一特征向量的權(quán)重設(shè)置為第一權(quán)重，將所述第二特征向量的權(quán)重設(shè)置為第二權(quán)重，將所述融合特征向量的權(quán)重設(shè)置為第三權(quán)重；對(duì)所述第一特征向量、所述第一權(quán)重、所述第二特征向量、所述第二權(quán)重、所述融合特征向量，以及所述第三權(quán)重加權(quán)求和，以得到綜合特征向量，所述綜合特征向量用于表征所述初始數(shù)據(jù)預(yù)處理后的綜合特征信息。
8、于本申請(qǐng)的一實(shí)施例中，對(duì)所述初始數(shù)據(jù)進(jìn)行分類(lèi)，以得到源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)，包括：獲取用于數(shù)據(jù)切分的滑動(dòng)窗口容量和滑動(dòng)窗口步長(zhǎng)，所述滑動(dòng)窗口容量用于表征各數(shù)據(jù)集的數(shù)據(jù)量，所述滑動(dòng)窗口步長(zhǎng)用于表征各數(shù)據(jù)集之間的數(shù)據(jù)重疊程度；基于所述滑動(dòng)窗口容量和所述滑動(dòng)窗口步長(zhǎng)對(duì)所述數(shù)據(jù)進(jìn)行切分，以得到多個(gè)子數(shù)據(jù)集；將任一子數(shù)據(jù)集確定為目標(biāo)數(shù)據(jù)集，并采集所述目標(biāo)數(shù)據(jù)集中各數(shù)據(jù)的數(shù)據(jù)標(biāo)簽，以確定各數(shù)據(jù)所對(duì)應(yīng)的工況，所述工況包括被標(biāo)記和未被標(biāo)記；基于所述工況對(duì)所述目標(biāo)數(shù)據(jù)集中的全部數(shù)據(jù)進(jìn)行分類(lèi)得到源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)，所述源域數(shù)據(jù)為被標(biāo)記的數(shù)據(jù)，所述目標(biāo)域數(shù)據(jù)為未被標(biāo)記的數(shù)據(jù)。
9、本申請(qǐng)?zhí)峁┮环N基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷裝置，所述裝置包括：數(shù)據(jù)采集模塊，用于獲取初始數(shù)據(jù)，并對(duì)所述初始數(shù)據(jù)進(jìn)行分類(lèi)，以得到源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)；特征提取模塊，用于提取所述源域數(shù)據(jù)的數(shù)據(jù)特征得到第一數(shù)據(jù)特征，提取所述目標(biāo)域數(shù)據(jù)的數(shù)據(jù)特征得到第二數(shù)據(jù)特征；圖生成模塊，用于將所述第一數(shù)據(jù)特征輸入卷積神經(jīng)網(wǎng)絡(luò)得到動(dòng)態(tài)圖，并將所述第二數(shù)據(jù)特征輸入k近鄰算法得到特征相似圖；圖信息融合模塊，用于融合所述特征相似圖和所述動(dòng)態(tài)圖，得到與所述初始數(shù)據(jù)相對(duì)應(yīng)的融合特征；標(biāo)簽分類(lèi)器，用于將所述融合特征輸入預(yù)設(shè)標(biāo)簽分類(lèi)器中，得到目標(biāo)車(chē)輛的故障診斷結(jié)果，所述目標(biāo)車(chē)輛為產(chǎn)生所述初始數(shù)據(jù)的車(chē)輛；域分類(lèi)器模塊，用于對(duì)所述第一特征向量和所述第二特征向量進(jìn)行一致性約束計(jì)算，以增強(qiáng)所述特征相似圖和所述動(dòng)態(tài)圖的特征共性；對(duì)所述第一特征向量和所述第二特征向量進(jìn)行差異性約束計(jì)算，以增強(qiáng)所述特征相似圖和所述動(dòng)態(tài)圖的特征差異性。
10、本申請(qǐng)?zhí)峁┮环N電子設(shè)備，包括處理器、存儲(chǔ)器和通信總線；所述通信總線用于將所述處理器和存儲(chǔ)器連接；所述處理器用于執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的計(jì)算機(jī)程序，以實(shí)現(xiàn)如上所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法。
11、本申請(qǐng)?zhí)峁┮环N計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序用于使計(jì)算機(jī)執(zhí)行如上所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法。
12、本申請(qǐng)的有益效果：本申請(qǐng)中提出的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其方法包括獲取初始數(shù)據(jù)進(jìn)行分類(lèi)得到源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)，提取源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)得到第一數(shù)據(jù)特征和第二數(shù)據(jù)特征，將第一數(shù)據(jù)特征輸入卷積神經(jīng)網(wǎng)絡(luò)得到動(dòng)態(tài)圖，并將第二數(shù)據(jù)特征輸入k近鄰算法得到特征相似圖，融合特征相似圖和動(dòng)態(tài)圖得到融合特征向量并將其輸入預(yù)設(shè)標(biāo)簽分類(lèi)器中，以得到目標(biāo)車(chē)輛的故障診斷結(jié)果；通過(guò)生成特征相似圖和動(dòng)態(tài)圖能夠更加精準(zhǔn)地捕捉到初始數(shù)據(jù)中所蘊(yùn)含的相似特征和動(dòng)態(tài)特征，并在捕捉到這些特征之后，通過(guò)信息融合技術(shù)得到融合特征向量，并基于約束條件對(duì)其融合特征向量進(jìn)行處理，以增強(qiáng)數(shù)據(jù)間的差異性和共性，從而基于本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，融合所述特征相似圖和所述動(dòng)態(tài)圖得到融合特征向量，包括：
3.根據(jù)權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，所述融合特征向量分為帶有標(biāo)簽信息的一類(lèi)融合特征向量和不帶有標(biāo)簽信息的二類(lèi)融合特征向量，所述方法還包括：
4.根據(jù)權(quán)利要求3所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，對(duì)所述融合特征向量進(jìn)行一致性約束計(jì)算，包括：
5.根據(jù)權(quán)利要求3所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，對(duì)所述融合特征向量進(jìn)行差異性約束計(jì)算，包括：
6.根據(jù)權(quán)利要2所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，融合所述特征相似圖和所述動(dòng)態(tài)圖得到融合特征向量之后，還包括：
7.根據(jù)權(quán)利要求1-6任一項(xiàng)所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，對(duì)所述初始數(shù)據(jù)進(jìn)行分類(lèi)，以得到源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)，包括：
8.一種基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷裝
9.一種電子設(shè)備，其特征在于，包括處理器、存儲(chǔ)器和通信總線；所述通信總線用于將所述處理器和存儲(chǔ)器連接；所述處理器用于執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的計(jì)算機(jī)程序，以實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法。
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序用于使計(jì)算機(jī)執(zhí)行如權(quán)利要求1-7任一項(xiàng)所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法。
...【技術(shù)特征摘要】
1.一種基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，融合所述特征相似圖和所述動(dòng)態(tài)圖得到融合特征向量，包括：
3.根據(jù)權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，所述融合特征向量分為帶有標(biāo)簽信息的一類(lèi)融合特征向量和不帶有標(biāo)簽信息的二類(lèi)融合特征向量，所述方法還包括：
4.根據(jù)權(quán)利要求3所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，對(duì)所述融合特征向量進(jìn)行一致性約束計(jì)算，包括：
5.根據(jù)權(quán)利要求3所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方法，其特征在于，對(duì)所述融合特征向量進(jìn)行差異性約束計(jì)算，包括：
6.根據(jù)權(quán)利要2所述的基于圖神經(jīng)網(wǎng)絡(luò)的車(chē)輛故障診斷方...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：李秋，張正萍，唐小麗，李志強(qiáng)，陳仕強(qiáng)，張有洪，梁鵬，
申請(qǐng)(專(zhuān)利權(quán))人：成都賽力斯科技有限公司，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。