车辆故障预测方法、装置、计算机设备及存储介质与流程
- 国知局
- 2024-07-31 21:47:28
本技术涉及数据处理领域,具体涉及一种车辆故障预测方法、装置、计算机设备及存储介质。
背景技术:
1、在物流行业中,以干支线载货四轮车为代表的陆运运力是物流运输的主要方式。然而,在实际场景中,正在执行运输任务的车辆在中途出现故障,导致原有运力的浪费、处理故障所需的成本以及紧急调拨新运力的问题时有发生,因此,需要准确及时的对车辆的故障进行预测。
2、目前,现有车辆维护通常依靠司机主观感受或者定期保养,难以及时发现问题。
技术实现思路
1、本技术实施例提供一种车辆故障预测方法、装置、计算机设备及存储介质,旨在解决现有技术中无法提前预测物流运输车的车况导致的运输效率低的技术问题。
2、一方面,本技术提供一种车辆故障预测方法,所述车辆故障预测方法包括:
3、获取物流运输车辆的车辆异常记录数据、车辆状态数据及所述物流运输车辆在预设历史时段的运输状态数据序列,其中,所述运输状态数据序列包括所述预设历史时段中的多个历史时间点的运输状态数据;
4、对所述运输状态数据序列进行特征提取,得到所述物流运输车辆的运输状态特征;
5、基于所述运输状态特征,确定所述物流运输车辆的运输异常概率;
6、基于所述车辆异常记录数据确定所述物流运输车辆的异常记录特征,并基于所述车辆状态数据确定所述物流运输车辆的车辆状态特征;
7、根据所述运输异常概率、所述车辆状态特征和所述异常记录特征,预测所述物流运输车辆是否将发生故障。
8、在本技术一些实施方案中,所述运输状态数据包括至少两个属性数据,所述对所述运输状态数据序列进行特征提取,得到所述物流运输车辆的运输状态特征,包括:
9、针对每个所述历史时间点,将所述历史时间点对应的运输状态数据中的所有属性数据作为一条行数据;
10、按照每个所述历史时间点的时间先后顺序,对所述行数据进行排列,构建所述运输状态数据序列对应的运输数据矩阵;
11、对所述运输数据矩阵进行特征编码,得到所述物流运输车辆的运输状态特征。
12、在本技术一些实施方案中,在所述将各个所述历史时间点对应的运输状态数据作为行数据之后,包括:
13、获取预设数据预处理脚本,所述预设数据预处理脚本包括脏数据剔除子脚本、数据去重子脚本和缺失数据填充子脚本;
14、基于各个所述行数据,执行所述数据预处理脚本,得到预处理后的行数据。
15、在本技术一些实施方案中,所述车辆异常记录数据包括故障次数、维修时间、最近一次故障时间及故障类型;
16、所述基于所述车辆异常记录数据确定所述物流运输车辆的异常记录特征,包括:
17、根据所述故障类型确定故障强度;
18、根据故障次数、维修时间、最近一次故障时间中的至少一项确定故障密度;
19、将所述故障密度和所述故障强度确定为所述物流运输车辆的异常记录特征。
20、在本技术一些实施方案中,所述基于所述运输状态特征,确定所述物流运输车辆的运输异常概率,包括:
21、将所述运输状态特征输入预设transformer模型中的全连接层,得到全连接层输出特征,其中,所述预设transformer模型包括级联的全连接层和激活层;
22、将所述全连接层输出特征输入所述预设transformer模型中的激活层,输出所述运输异常概率。
23、在本技术一些实施方案中,所述根据所述运输异常概率、所述车辆状态特征和所述异常记录特征,预测所述物流运输车辆是否将发生故障,包括:
24、将所述运输异常概率、所述车辆状态特征和所述异常记录特征进行拼接,得到拼接特征;
25、将所述拼接特征输入预设lightgbm模型,输出所述物流运输车辆是否将发生故障的预测结果。
26、在本技术一些实施方案中,在所述将所述拼接特征输入预设lightgbm模型,输出所述物流运输车辆是否将发生故障的预测结果之后,还包括:
27、若所述预测结果为所述物流运输车辆将发生故障,则输出所述物流车辆故障的提示信息。
28、另一方面,本技术提供一种车辆故障预测装置,所述车辆故障预测装置包括:
29、获取模块,用于获取物流运输车辆的车辆异常记录数据、车辆状态数据及所述物流运输车辆在预设历史时段的运输状态数据序列,其中,所述运输状态数据序列包括所述预设历史时段中的多个历史时间点的运输状态数据;
30、提取模块,用于对所述运输状态数据序列进行特征提取,得到所述物流运输车辆的运输状态特征;
31、异常预测模块,用于基于所述运输状态特征,确定所述物流运输车辆的运输异常概率;
32、确定模块,用于基于所述车辆异常记录数据确定所述物流运输车辆的异常记录特征,并基于所述车辆状态数据确定所述物流运输车辆的车辆状态特征;
33、故障预测模块,用于根据所述运输异常概率、所述车辆状态特征和所述异常记录特征,预测所述物流运输车辆是否将发生故障。
34、在本技术一些实施方案中,所述运输状态数据包括至少两个属性数据,所述提取模块具体用于:
35、针对每个所述历史时间点,将所述历史时间点对应的运输状态数据中的所有属性数据作为一条行数据;
36、按照每个所述历史时间点的时间先后顺序,对所述行数据进行排列,构建所述运输状态数据序列对应的运输数据矩阵;
37、对所述运输数据矩阵进行特征编码,得到所述物流运输车辆的运输状态特征。
38、在本技术一些实施方案中,所述车辆故障预测装置还包括:
39、第一获取模块,用于获取预设数据预处理脚本,所述预设数据预处理脚本包括脏数据剔除子脚本、数据去重子脚本和缺失数据填充子脚本;
40、预处理模块,用于基于各个所述行数据,执行所述数据预处理脚本,得到预处理后的行数据。
41、在本技术一些实施方案中,所述提取模块602具体还用于:
42、根据所述故障类型确定故障强度;
43、根据故障次数、维修时间、最近一次故障时间中的至少一项确定故障密度;
44、将所述故障密度和所述故障强度确定为所述物流运输车辆的异常记录特征。
45、在本技术一些实施方案中,所述异常预测模块603具体用于:
46、将所述运输状态特征输入预设transformer模型中的全连接层,得到全连接层输出特征,其中,所述预设transformer模型包括级联的全连接层和激活层;
47、将所述全连接层输出特征输入所述预设transformer模型中的激活层,输出所述运输异常概率。
48、在本技术一些实施方案中,将所述运输异常概率、所述车辆状态特征和所述异常记录特征进行拼接,得到拼接特征;
49、将所述拼接特征输入预设lightgbm模型,输出所述物流运输车辆是否将发生故障的预测结果。
50、在本技术一些实施方案中,所述车辆故障预测装置还包括:提示模块,用于若所述预测结果为所述物流运输车辆将发生故障,则输出所述物流车辆故障的提示信息。
51、另一方面,本技术还提供一种计算机设备,所述计算机设备包括:
52、一个或多个处理器;
53、存储器;以及
54、一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现第一方面中任一项所述的车辆故障预测方法。
55、第四方面,本技术还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行第一方面任一项所述的车辆故障预测方法中的步骤。
56、本技术通过获取物流运输车辆的车辆异常记录数据、车辆状态数据及所述物流运输车辆在预设历史时段的运输状态数据序列,对所述运输状态数据序列进行特征提取,得到运输状态特征;基于所述运输状态特征,确定所述物流运输车辆的运输异常概率,基于所述车辆异常记录数据确定异常记录特征,并基于所述车辆状态数据确定车辆状态特征;根据所述运输异常概率、所述车辆状态特征和所述异常记录特征,预测所述物流运输车辆是否将发生故障,实现了对物流运输车辆的故障的全面精准预测,提高了物流运输车辆的故障预测效率,有效降低了物流运输车辆在运输途中的故障率,提高物流运输车辆的安全性。
本文地址:https://www.jishuxx.com/zhuanli/20240731/190967.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表