[發明專利]多功能車輛總線MVB波形的故障診斷方法及裝置

有效

• 申請號: 201810985986.0
• 申請日: 2018-08-28
• 公開（公告）號: CN108985279B
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 李方旭;陳幸;孫英可
• 申請（專利權）人: 上海仁童電子科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;H04L12/24
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 趙興華;王寶筠

1.一種多功能車輛總線MVB波形的故障診斷方法，其特征在于，包括：

獲取待診斷的MVB波形數據；

對所述MVB波形數據進行預處理，得到預處理后的波形數據；

從所述預處理后的波形數據中提取關鍵特征向量；所述關鍵特征向量包括各關鍵特征項對應的特征值；

使用目標機器學習模型分析所述關鍵特征向量，得到所述MVB波形數據的故障診斷結果；其中，所述目標機器學習模型是基于真實MVB波形數據訓練得到的；

其中，所述目標機器學習模型的訓練過程包括：

從多種MVB波形的故障類型中確定出適于采用機器學習進行診斷的故障類型；所述適于采用機器學習進行診斷的故障類型為目標故障類型；

從數據源處獲取波形樣本；其中，任一所述波形樣本包含真實的MVB波形數據；

對所述波形樣本進行預處理，得到預處理后的波形樣本；

從所述預處理后的波形樣本中提取特征樣本；所述特征樣本包括各關鍵特征項對應的特征值；

對所述特征樣本進行標記，以表征所述特征樣本的波形狀態；

從多種機器學習算法中選擇出適用于所述目標故障類型的機器學習算法；所述適用于所述目標故障類型的機器學習算法為目標機器學習算法；

確定所述目標機器學習算法的超參數，對確定出超參數的所述目標機器學習算法進行初始參數賦值；

使用訓練樣例集和完成初始參數賦值的所述目標機器學習算法，訓練得到所述目標機器學習模型；其中，所述訓練樣例集包括至少兩個標記后的特征樣本。

2.如權利要求1所述的方法，其特征在于，所述故障診斷結果包括：故障類型及相應的診斷信息；其中，所述診斷信息包括：第一信息和第二信息中的至少一種，所述第一信息用于表征所述故障類型是否發生，所述第二信息用于表征所述故障類型的故障程度。

3.如權利要求1所述的方法，其特征在于，在提取所述特征樣本之前，還包括：從預設的M個特征項中選取與所述目標故障類型關聯度最高的N個特征項作為所述關鍵特征項，其中，所述M、N均為自然數，且N小于M。

4.如權利要求3所述的方法，其特征在于，在訓練得到所述目標機器學習模型后，還包括：

使用測試樣例集測試所述目標機器學習模型的診斷精度和診斷速度；所述測試樣例集包含至少兩個標記后的特征樣本；

若所述目標機器學習模型不滿足預設條件，執行下述操作中的一種或多種，并進行重新訓練：

重新確定所述目標故障類型對應的關鍵特征項；

修改所述超參數；

選擇其他的機器學習算法作為所述目標機器學習算法；

其中，所述預設條件包括：所述目標機器學習模型的診斷精度不低于診斷精度閾值，且診斷速度不低于速度閾值。

5.如權利要求1所述的方法，其特征在于，在得到所述故障診斷結果后，還包括：

將所述關鍵特征向量和所述故障診斷結果存儲至數據源中；其中，所述關鍵特征向量作為所述數據源中的特征樣本，所述故障診斷結果用于在訓練過程中標記所述關鍵特征向量；

或者，將在診斷過程中得到的所述預處理后的波形數據和所述故障診斷結果存儲至所述數據源中；所述故障診斷結果用于在訓練過程中標記所述預處理后的波形數據所對應的特征樣本；

或者，

將所述MVB波形數據和所述故障診斷結果存儲至所述數據源中，其中，所述故障診斷結果用于在訓練過程中標記所述MVB波形數據對應的特征樣本。

6.如權利要求3所述的方法，其特征在于，所述關鍵特征項包括關鍵時域特征項和關鍵頻域特征項；

所述關鍵頻域特征項包括：頻譜極大值點的幅值、頻譜極大值點的相位和頻譜極大值點的頻率；

所述關鍵時域特征項包括：幅值參數、電平參數、脈沖寬度參數、脈沖峰值位置常數、脈沖峭度和幀尾震蕩參數中的至少一種。