本發(fā)明涉及車輛故障診斷領(lǐng)域，具體涉及一種基于在線遷移學習的車輛故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、隨著經(jīng)濟社會的快速發(fā)展，城市道路愈發(fā)復雜，車輛的應(yīng)用愈發(fā)廣泛，傳統(tǒng)的車輛故障診斷方法已經(jīng)無法滿足用戶對故障診斷的實時性、適應(yīng)性的要求。

2、傳統(tǒng)的車輛故障診斷方法包括基于規(guī)則的方法和基于機器學習的方法，存在如下缺點：

3、（1）基于規(guī)則的故障診斷方法需要在事先定義大量的規(guī)則和邏輯的基礎(chǔ)上進行工作。這些規(guī)則和邏輯的編寫對于復雜的車輛系統(tǒng)來說是一項困難且耗時的任務(wù)。因為車輛系統(tǒng)涉及多個組件和子系統(tǒng)，每個故障可能會產(chǎn)生不同的癥狀和影響，所以需要定義大量的規(guī)則和邏輯來覆蓋各種可能的故障情況。這不僅需要專業(yè)的領(lǐng)域知識和經(jīng)驗，還需要大量的時間和精力來編寫和調(diào)試這些規(guī)則和邏輯。

4、（2）基于機器學習的故障診斷方法需要大量的標注數(shù)據(jù)來訓練模型。這些數(shù)據(jù)需要包含各種故障情況下的輸入和對應(yīng)的正確輸出。然而，獲取足夠的標注數(shù)據(jù)往往是一項具有挑戰(zhàn)性的任務(wù)。首先，收集和標注大量的故障數(shù)據(jù)需要耗費大量的時間和人力資源。其次，對于某些少見的故障類型，可能很難獲得足夠的數(shù)據(jù)來訓練模型。此外，由于車輛系統(tǒng)的復雜性和多樣性，傳統(tǒng)的機器學習方法可能無法很好地適應(yīng)新的故障類型和場景。因此，為了保持模型的準確性和適應(yīng)性，需要定期進行離線訓練和更新，這也增加了系統(tǒng)維護的復雜性和成本。

5、鑒于上述，有必要對傳統(tǒng)的車輛故障診斷方案進行改進。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于在線遷移學習的車輛故障診斷方法及系統(tǒng)，從而能夠利用在線遷移學習的思想，在云端實時更新和適應(yīng)故障診斷模型。

2、為實現(xiàn)本發(fā)明的目的，本發(fā)明提供的技術(shù)方案如下：

3、第一方面

4、本發(fā)明提供了一種基于在線遷移學習的車輛故障診斷方法，包括如下步驟：

5、步驟s1：針對已有車輛故障樣本進行訓練，從而得到源域分類器；

6、步驟s2：將得到的源域分類器部署在云端服務(wù)器，初始化目標域分類器以及源域分類器、目標域分類器的權(quán)重；

7、步驟s3：采集待診斷車輛的運行數(shù)據(jù)；

8、步驟s4：將待診斷車輛的運行數(shù)據(jù)進行預處理后，依次得到多個目標域數(shù)據(jù)樣本，且每得到一個目標域數(shù)據(jù)樣本后，就上傳到云端服務(wù)器；

9、步驟s5：將收到的目標域數(shù)據(jù)樣本輸入源域分類器和目標域分類器進行分類，得到故障分類預測結(jié)果；

10、步驟s6：對源域分類器和目標域分類器的權(quán)重進行更新；

11、步驟s7：通過構(gòu)建損失函數(shù)，對目標域分類器進行更新；

12、步驟s8：當根據(jù)最后一個目標域樣本對目標域分類器進行更新后，得到最終的目標域分類器；

13、步驟s9：利用最終的目標域分類器進行故障診斷。

14、第二方面

15、本發(fā)明提供了一種基于在線遷移學習的車輛故障診斷系統(tǒng)，包括如下單元：源域分類器構(gòu)建單元、云端部署及初始化單元、采集單元、目標域數(shù)據(jù)樣本獲取單元、故障分類預測單元、權(quán)重更新單元、分類器更新單元、最終目標域分類器獲得單元以及診斷單元；

16、所述源域分類器構(gòu)建單元，用于針對已有車輛故障樣本進行訓練，從而得到源域分類器；

17、所述云端部署及初始化單元，用于將得到的源域分類器部署在云端服務(wù)器，初始化目標域分類器以及源域分類器、目標域分類器的權(quán)重；

18、所述采集單元，用于采集待診斷車輛的運行數(shù)據(jù)；

19、所述目標域數(shù)據(jù)樣本獲取單元，用于將待診斷車輛的運行數(shù)據(jù)進行預處理后，依次得到多個目標域數(shù)據(jù)樣本，且每得到一個目標域數(shù)據(jù)樣本后，就上傳到云端服務(wù)器；

20、所述故障分類預測單元，用于將收到的目標域數(shù)據(jù)樣本輸入源域分類器和目標域分類器進行分類，得到故障分類預測結(jié)果；

21、所述權(quán)重更新單元，用于對源域分類器和目標域分類器的權(quán)重進行更新；

22、所述分類器更新單元，用于通過構(gòu)建損失函數(shù)，對目標域分類器進行更新；

23、所述最終目標域分類器獲得單元，用于當根據(jù)最后一個目標域樣本對目標域分類器進行更新后，得到最終的目標域分類器；

24、所述診斷單元，用于利用最終的目標域分類器進行故障診斷。

25、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

26、（1）通過在云端構(gòu)建在線遷移學習架構(gòu)，并初始化目標域分類器和相關(guān)權(quán)重參數(shù)，本發(fā)明方案具備處理大規(guī)模數(shù)據(jù)和多個車輛的能力，具有良好的可擴展性。

27、（2）通過在線遷移學習的方案，可以充分利用已有數(shù)據(jù)和模型，加快故障診斷模型的訓練，提高故障診斷的速度和準確度，減少誤報和漏報的情況。

28、（3）通過在線遷移學習架構(gòu)和目標域分類器的迭代更新，本發(fā)明方案能夠根據(jù)新的目標域數(shù)據(jù)樣本不斷調(diào)整和優(yōu)化故障診斷模型。這使得模型能夠適應(yīng)不同車輛和故障情況的變化，提高自適應(yīng)性。

29、（4）通過利用已有的故障樣本和云端服務(wù)器進行在線遷移學習，避免了重新收集和標記數(shù)據(jù)的成本。這樣可以節(jié)約時間和資源，并且更快地建立起一個可靠的故障診斷系統(tǒng)。

技術(shù)特征：

1.一種基于在線遷移學習的車輛故障診斷方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于在線遷移學習的車輛故障診斷方法，其特征在于，步驟s1中，所述源域分類器用表示，所述源域分類器的類型為支持向量機分類器、貝葉斯分類器或基于深度學習的分類器。

3.根據(jù)權(quán)利要求2所述的一種基于在線遷移學習的車輛故障診斷方法，其特征在于，步驟s2中，所述目標域分類器的類型為svm分類器、貝葉斯分類器或基于深度學習的分類器。

4.根據(jù)權(quán)利要求3所述的一種基于在線遷移學習的車輛故障診斷方法，其特征在于，步驟s2中，所述目標域分類器，初始化為，其中，表示第個目標域樣本到達時的目標域分類器，∈[1,t]；

5.根據(jù)權(quán)利要求4所述的一種基于在線遷移學習的車輛故障診斷方法，其特征在于，步驟s5中，所述目標域樣本為，其中表示為第個到達的目標域樣本，∈[1,t]；

6.根據(jù)權(quán)利要求5所述的一種基于在線遷移學習的車輛故障診斷方法，其特征在于，根據(jù)第個目標域樣本的故障分類預測結(jié)果，通過如下公式來對和的權(quán)重和來進行更新，得到更新后的權(quán)重和：

7.根據(jù)權(quán)利要求6所述的一種基于在線遷移學習的車輛故障診斷方法，其特征在于，步驟s7中，所述損失函數(shù)為；如果，則將目標域分類器更新為?，其中，c為初始權(quán)衡系數(shù)，為第個到達的目標域樣本的故障分類標簽；如果，則將目標域分類器。

8.一種基于在線遷移學習的車輛故障診斷系統(tǒng)，其特征在于，包括如下單元：源域分類器構(gòu)建單元、云端部署及初始化單元、采集單元、目標域數(shù)據(jù)樣本獲取單元、故障分類預測單元、權(quán)重更新單元、分類器更新單元、最終目標域分類器獲得單元以及診斷單元；

9.根據(jù)權(quán)利要求8所述的一種基于在線遷移學習的車輛故障診斷系統(tǒng)，其特征在于，所述源域分類器構(gòu)建單元中，所述源域分類器用表示，所述源域分類器的類型為支持向量機分類器、貝葉斯分類器或基于深度學習的分類器。

10.根據(jù)權(quán)利要求9所述的一種基于在線遷移學習的車輛故障診斷系統(tǒng)，其特征在于，所述云端部署及初始化單元中，目標域分類器的類型為svm分類器、貝葉斯分類器或基于深度學習的分類器。

技術(shù)總結(jié)
本發(fā)明公開了一種基于在線遷移學習的車輛故障診斷方法及系統(tǒng)，所述方法包括如下步驟：得到源域分類器；將得到的源域分類器部署在云端服務(wù)器，初始化目標域分類器以及源域分類器、目標域分類器的權(quán)重；采集待診斷車輛的運行數(shù)據(jù)；得到一個目標域數(shù)據(jù)；得到故障分類預測結(jié)果；對源域分類器和目標域分類器的權(quán)重進行更新；對目標域分類器進行更新；得到最終的目標域分類器；利用最終的目標域分類器進行故障診斷。通過在線遷移學習架構(gòu)和目標域分類器的迭代更新，本發(fā)明方案能夠根據(jù)新的目標域數(shù)據(jù)樣本不斷調(diào)整和優(yōu)化故障診斷模型。這使得模型能夠適應(yīng)不同車輛和故障情況的變化，提高自適應(yīng)性。

技術(shù)研發(fā)人員：郝耀東,陳達亮,李洪亮,李林,楊征睿,楊明輝,李燦,白楊翼,鄧江華,劉玉龍,石月奎,吳迪,楊晉,劉佳
受保護的技術(shù)使用者：中汽研（天津）汽車工程研究院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19