一种车辆的维护方法、装置、电子设备和存储介质与流程

本技术涉及车辆领域，并且更具体地，涉及车辆领域中一种车辆的维护方法、装置、电子设备和存储介质。

背景技术：

1、目前，车辆已经成为了人们日常生活中不可或缺的一部分，为了提升车辆的安全性与可靠性，汽车厂商通常会对车辆进行预测性维护。预测性维护指的是通过对车辆运行数据的实时监测、分析和预测，提前识别车辆中的潜在故障，以便在问题发生之前采取预防措施，从而降低维修成本，保证行车安全。

2、但是，现有的预测性维护方法存在预测准确性差、预测效率低等问题。

技术实现思路

1、本技术提供了一种车辆的维护方法、装置、电子设备和存储介质，该方法能够提高车辆故障预测的准确性，为后期对目标车辆维护提供依据。

2、第一方面，提供了一种车辆的维护方法，该方法包括：获取与维护目标车辆相关的第一原始数据；基于该第一原始数据和第一预测模型，生成第一故障预测结果，并基于该第一原始数据和第二预测模型，生成第二故障预测结果；其中，该第一故障预测结果包含维护需求的内容特征和故障点的位置特征；该第二故障预测结果包含该维护需求的时间分布和该故障点的时间分布；将该第一故障预测结果和该第二故障预测结果进行融合，得到该目标车辆的融合故障预测结果；基于该融合故障预测结果，确定与该目标车辆对应的目标维护方案。

3、上述技术方案，在获取了与维护目标车辆相关的第一原始数据之后，通过第一预测模型和第二预测模型分别针对故障的特征和时间分布进行预测，实现对故障的具体特征和发生时间的双重分析。生成的第一故障预测结果包含维护需求的内容特征和故障点的位置特征，有助于全面了解车辆可能出现的问题的具体部位及其影响；生成的第二故障预测结果提供维护需求的时间分布和故障点的时间分布，有利于识别故障发生的时间窗口，便于提前安排预防性维护，降低突发故障的风险。将第一故障预测结果和第二故障预测结果进行融合，得到融合故障预测结果，融合故障预测结果结合了不同模型的优势，有助于消除单一模型的局限性，提高故障预测的整体准确率和可信度，为后期对目标车辆维护提供依据。最后根据得到的融合故障预测结果，可以针对性地为目标车辆制定预防性的维护计划，通过预防性维护，避免因突发故障导致的高昂紧急维修费用，同时合理安排维护周期，减少过度维护造成的浪费，有效地提升了用户的用车体验。

4、结合第一方面，在第一方面的某些实现方式中，该第一预测模型通过以下方式训练得到：获取多个车辆的第二原始数据；其中，该第二原始数据包括真实故障数据和非故障数据，该真实故障数据标注有故障标签，该非故障数据标注有非故障标签；生成与该真实故障数据关联的模拟故障数据；对该第二原始数据和该模拟故障数据进行特征提取，得到用于训练该第一预测模型的候选特征集；基于该候选特征集和机器学习算法，训练得到该第一预测模型。

5、上述技术方案，基于第二原始数据，生成与实际故障情况相似的模拟故障数据。这种数据增强技术能够有效扩充训练集，特别是在实际故障数据有限的情况下，增加模型对各类故障模式的学习机会，提高模型的泛化能力。

6、结合第一方面和上述实现方式，在第一方面的某些实现方式中，该基于该候选特征集和机器学习算法，训练得到该第一预测模型，包括：对该候选特征集进行特征重要性分析，从该候选特征集中筛选出对训练该第一预测模型的重要程度大于第一预设阈值的训练特征；基于该训练特征和该机器学习算法，训练得到该第一预测模型。

7、上述技术方案，通过对候选特征进行重要性分析，筛选出重要程度超过第一预设阈值的训练特征，剔除冗余或噪声特征，并通过筛选出的训练特征来训练第一预测模型，能够减少第一预测模型训练的复杂度，提升第一预测模型的预测性能。

8、结合第一方面和上述实现方式，在第一方面的某些实现方式中，该模拟故障数据通过数据生成模型生成，该数据生成模型包括生成器和鉴别器，该数据生成模型通过以下方式训练得到：控制该生成器学习该真实故障数据的特征参数，以生成用于模拟该真实故障数据的故障样本数据；控制该鉴别器学习鉴别该真实故障数据和该故障样本数据，得到该真实故障数据和该故障样本数据之间的相似度；控制该生成器和该鉴别器进行迭代对抗训练，并在该迭代对抗训练的过程中交替调整该生成器的生成器参数或该鉴别器的鉴别器参数，直至确定该鉴别器鉴别得到的该相似度大于或等于预设相似度阈值；在确定该相似度大于或等于该预设相似度阈值的情况下，确定该数据生成模型训练完成，得到该数据生成模型。

9、上述技术方案，通过数据生成模型可以生成高质量的模拟故障数据，帮助克服实际数据的不足，提高预测模型对罕见故障模式的识别能力。

10、结合第一方面和上述实现方式，在第一方面的某些实现方式中，该第一预测模型包括特征分析模块和预测模块，该基于该第一原始数据和第一预测模型，生成第一故障预测结果，包括：通过该特征分析模块对该第一原始数据进行特征提取和特征重要性分析，筛选出对生成该第一故障预测结果的重要程度大于第二预设阈值的目标特征；将该目标特征输入该预测模块，得到该第一故障预测结果。

11、上述技术方案，由特征分析模块对第一原始数据进行特征提取，将复杂的原始数据转化为便于模型理解的特征表示。然后进行特征重要性分析，筛选出重要程度超过第二预设阈值的目标特征。能够去除第一原始数据中无关特征或噪声特征，提升第一预测模型的预测的稳定性和泛化能力。由预测模块依据筛选后的目标特征进行故障预测，由于这些特征经过了重要性筛选，第一预测模型可以更高效地利用目标特征，确定目标车辆的具体维护需求和故障点，提高预测的准确性。

12、结合第一方面和上述实现方式，在第一方面的某些实现方式中，该第一原始数据包括：驾驶模式使用数据和故障记录数据；该基于该第一原始数据和第二预测模型，生成第二故障预测结果，包括：对该驾驶模式使用数据和该故障记录数据进行时间序列化处理，得到时序数据；其中，该时序数据为包含时序信息的该驾驶模式使用数据和包含时序信息的该故障记录数据；将该时序数据输入至该第二预测模型中，得到该第二故障预测结果。

13、上述技术方案，将驾驶模式使用数据和故障记录数据进行时间序列化处理，将原本离散的数据点按照时间顺序排列并赋予时序关系，有助于捕捉数据随时间演变的动态特性，如周期性、趋势性、季节性等。将经过时间序列化处理后得到的时序数据输入至第二预测模型，使得第二预测模型能够考虑数据的周期性规律，分析数据中的长期趋势，能够更准确地确定目标车辆的维护需求的时间信息和故障点的时间信息。

14、结合第一方面和上述实现方式，在第一方面的某些实现方式中，该将该时序数据输入至该第二预测模型中，得到该第二故障预测结果，包括：通过该第二预测模型分析该时序数据，确定该目标车辆的故障发生的周期性规律；基于该周期性规律，确定该第二故障预测结果。

15、上述技术方案，第二预测模型对时序数据进行深度分析，可以得到故障发生的周期性规律，通过识别这些规律有助于理解故障产生的内在原因。基于识别出的周期性规律，第二预测模型可以更准确地预测未来故障发生的可能性和时间点，比如预计在下一个维护周期内、特定驾驶模式频繁使用的时段等。这种精准预测有利于规划预防性维护工作，减少因故障导致的意外停机时间，提升车辆使用率。

16、结合第一方面和上述实现方式，在第一方面的某些实现方式中，该第二预测模型包括季节性自回归模块、季节性差分模块以及季节性平均移动模块，该通过该第二预测模型分析该时序数据，确定该目标车辆的故障发生的周期性规律，包括：通过该季节性差分模块去除该时序数据中的季节性趋势，得到平稳数据；通过该季节性自回归模块确定该平稳数据的自回归模式，并基于该自回归模式，确定该目标车辆发生故障的初始规律；通过该季节性平均移动模块对该初始规律进行平滑处理，得到该周期性规律。

17、第二方面，提供了一种车辆的维护装置，该装置包括：获取模块，用于获取与维护目标车辆相关的第一原始数据；生成模块，用于基于该第一原始数据和第一预测模型，生成第一故障预测结果，并基于该第一原始数据和第二预测模型，生成第二故障预测结果；其中，该第一故障预测结果包含维护需求的内容特征和故障点的位置特征；该第二故障预测结果包含该维护需求的时间分布和该故障点的时间分布；融合模块，用于将该第一故障预测结果和该第二故障预测结果进行融合，得到该目标车辆的融合故障预测结果；确定模块，用于基于该融合故障预测结果，确定与该目标车辆对应的目标维护方案。

18、结合第二方面，在第二方面的某些实现方式中，该装置包括第一训练模块，该第一训练模块具体用于：获取多个车辆的第二原始数据；其中，该第二原始数据包括真实故障数据和非故障数据，该真实故障数据标注有故障标签，该非故障数据标注有非故障标签；生成与该真实故障数据关联的模拟故障数据；对该第二原始数据和该模拟故障数据进行特征提取，得到用于训练该第一预测模型的候选特征集；基于该候选特征集和机器学习算法，训练得到该第一预测模型。

19、结合第二方面和上述实现方式，在第二方面的某些实现方式中，该第一训练模块包括训练单元，该训练单元具体用于：对该候选特征集进行特征重要性分析，从该候选特征集中筛选出对训练该第一预测模型的重要程度大于第一预设阈值的训练特征；基于该训练特征和该机器学习算法，训练得到该第一预测模型。

20、结合第二方面和上述实现方式，在第二方面的某些实现方式中，该模拟故障数据通过数据生成模型生成，该数据生成模型包括生成器和鉴别器，该装置还包括第二训练模块，该第二训练模块具体用于：控制该生成器学习该真实故障数据的特征参数，以生成用于模拟该真实故障数据的故障样本数据；控制该鉴别器学习鉴别该真实故障数据和该故障样本数据，得到该真实故障数据和该故障样本数据之间的相似度；控制该生成器和该鉴别器进行迭代对抗训练，并在该迭代对抗训练的过程中交替调整该生成器的生成器参数或该鉴别器的鉴别器参数，直至确定该鉴别器鉴别得到的该相似度大于或等于预设相似度阈值；在确定该相似度大于或等于该预设相似度阈值的情况下，确定该数据生成模型训练完成，得到该数据生成模型。

21、结合第二方面和上述实现方式，在第二方面的某些实现方式中，该第一预测模型包括特征分析模块和预测模块，该生成模块包括第一生成单元，该第一生成单元具体用于：通过该特征分析模块对该第一原始数据进行特征提取和特征重要性分析，筛选出对生成该第一故障预测结果的重要程度大于第二预设阈值的目标特征；将该目标特征输入该预测模块，得到该第一故障预测结果。

22、结合第二方面和上述实现方式，在第二方面的某些实现方式中，该第一原始数据包括：驾驶模式使用数据和故障记录数据；该生成模块还包括第二生成单元，该第二生成单元具体用于：对该驾驶模式使用数据和该故障记录数据进行时间序列化处理，得到时序数据；其中，该时序数据为包含时序信息的该驾驶模式使用数据和包含时序信息的该故障记录数据；将该时序数据输入至该第二预测模型中，得到该第二故障预测结果。

23、结合第二方面和上述实现方式，在第二方面的某些实现方式中，该第二生成单元还具体用于：通过该第二预测模型分析该时序数据，确定该目标车辆的故障发生的周期性规律；基于该周期性规律，确定该第二故障预测结果。

24、结合第二方面和上述实现方式，在第二方面的某些实现方式中，该第二预测模型包括季节性自回归模块、季节性差分模块以及季节性平均移动模块，该第二生成单元还具体用于：通过该季节性差分模块去除该时序数据中的季节性趋势，得到平稳数据；通过该季节性自回归模块确定该平稳数据的自回归模式，并基于该自回归模式，确定该目标车辆发生故障的初始规律；通过该季节性平均移动模块对该初始规律进行平滑处理，得到该周期性规律。

25、第三方面，提供了一种电子设备，包括存储器和处理器。该存储器用于存储可执行程序代码，该处理器用于从存储器中调用并运行该可执行程序代码，使得该电子设备执行上述第一方面和第一方面任一项可能的实现中的车辆的维护方法。

26、第四方面，提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面和第一方面任一项可能的实现中的车辆的维护方法。

27、第五方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面和第一方面任一项可能的实现中的车辆的维护方法。