基于AI的汽车后市场的语言处理方法及系统与流程

本发明涉及数据处理，具体涉及基于ai的汽车后市场的语言处理方法及系统。

背景技术：

1、汽车后市场是指汽车制造商交付给消费者之后，涉及到汽车维修、保养、改装、配件销售等领域的市场，在汽车后市场，语言处理方法可以应用于多个方面，包括汽车维修与故障诊断、客户服务与支持、配件销售与推荐以及汽车改装与定制等；

2、发动机点火系统是汽车内燃机的重要组成部分，其主要功能是在适当的时机产生高压电火花，引燃混合气体，推动活塞运动，驱动发动机工作，在发动机点火系统出现故障时，需要进行故障维修和数据记录。

3、现有技术存在以下不足：

4、现有处理系统通常仅是在检修员维修发动机点火系统时，用于记录故障信息，对发动机点火系统产生故障发展趋势没有预测处理，若在维修发动机点火系统过程中，由于发动机点火系统故障导致发动机出现其他问题(如发动机起火、爆炸等)，处理系统不能及时预测，不仅会导致发动机故障频发，而且会对检修人员的人身安全带来威胁。

技术实现思路

1、本发明的目的是提供基于ai的汽车后市场的语言处理方法及系统，以解决背景技术中不足。

2、为了实现上述目的，本发明提供如下技术方案：基于ai的汽车后市场的语言处理方法，包括数据采集模块、预处理模块、特征提取模块、模型建立模块、模型训练模块、故障趋势预测模块、模型评估模块：

3、数据采集模块：收集与汽车发动机点火系统相关故障记录数据；

4、预处理模块：对收集到的故障记录数据进行预处理；

5、特征提取模块：从预处理后的数据中提取特征；

6、模型建立模块：根据提取的特征，通过监督学习方法构建用于预测发动机点火系统故障趋势的回归模型；

7、模型训练模块：使用标注的训练数据集对回归模型进行训练，并进行模型优化；

8、故障趋势预测模块：输入包含发动机点火系统相关信息的文本数据，使用训练好的回归模型对新的数据进行故障趋势预测，回归模型输出对故障发展趋势的预测结果；

9、模型评估模块：对训练好的回归模型进行评估，根据评估结果对回归模型进行迭代和改进。

10、在一个优选的实施方式中，所述模型建立模块构建回归模型，计算表达式为：

11、mbz＝∑(αi*k(xi,x))+b；

12、式中，mbz表示目标变量值，αi是支持向量的拉格朗日乘子，k(xi,x)是核函数，用于计算输入特征向量xi和支持向量x之间的相似度，b是偏置项。

13、在一个优选的实施方式中，所述故障趋势预测模块将发动机转速、发动机温度、燃油压力、燃油流量、点火能量代入公式：mbz＝∑(αi*k(xi,x))+b；计算得到目标变量值mbz后，目标变量值mbz与预设梯度阈值进行比较，预设梯度阈值包括第一预警阈值dy以及第二预警阈值dr，dy＜dr，将目标变量值mbz与第一预警阈值dy以及第二预警阈值dr进行对比。

14、在一个优选的实施方式中，若所述目标变量值mbz＞第二预警阈值dr，则预测发动机点火系统故障趋势恶化发展，且发展速度快；

15、若所述第一预警阈值dy＜目标变量值mbz≤第二预警阈值dr，则预测发动机点火系统故障趋势恶化发展，且发展速度缓和；

16、若所述目标变量值mbz≤第一预警阈值dy，则预测发动机点火系统故障趋势回升发展。

17、在一个优选的实施方式中，所述核函数k(xi,x)是支持向量回归算法中用于计算输入特征向量xi和支持向量x之间的相似度的函数，计算表达式为：

18、

19、式中，γ是高斯核函数的带宽参数，||xi-x||表示输入特征向量之间的欧氏距离。

20、在一个优选的实施方式中，所述欧氏距离||xi-x||的计算表达式为：

21、计算特征向量xi和x的每个分量差的平方差：

22、

23、其中，xi和x是特征向量的各个分量。

24、在一个优选的实施方式中，所述发动机转速通过转速传感器在线测量；所述发动机温度通过温度传感器在线测量；所述燃油压力通过燃油压力传感器在线测量；所述燃油流量通过流量传感器在线测量；所述点火能量通过火花塞传感器在线测量。

25、在一个优选的实施方式中，所述模型训练模块使用标注的训练数据集对回归模型进行训练包括以下步骤：

26、将标注的训练数据集划分为输入特征和目标变量；

27、使用训练数据集对回归模型进行训练，通过梯度下降法调整回归模型的参数。

28、在一个优选的实施方式中，通过梯度下降法调整回归模型的参数包括以下步骤：

29、a、初始化回归模型的参数；

30、b、使用均方误差作为损失函数，计算表达式为：

31、

32、其中，mbz为目标变量值，f(xi,θ)为回归模型的预测值，θ为回归模型的参数，n是训练样本的数量；

33、c、根据损失函数，计算损失函数对于模型参数的梯度，梯度表示损失函数在参数空间中的变化率，指导着参数的调整方向；

34、d、使用梯度下降法更新模型的参数，参数更新的公式为：

35、其中β是学习率，控制每次参数更新的步长，是损失函数关于参数的梯度；

36、e、重复步骤c和步骤d计算梯度和参数更新的过程，直到达到预定的迭代次数或达到收敛条件。

37、本发明还提供基于ai的汽车后市场的语言处理方法，所述处理方法包括以下步骤：

38、s1：采集端收集与汽车发动机点火系统相关故障记录数据，处理端对收集到的故障记录数据进行预处理；

39、s2：利用自然语言处理技术从预处理后的数据中提取特征；

40、s3：根据提取的特征，通过监督学习方法构建用于预测发动机点火系统故障趋势的回归模型；

41、s4：使用标注的训练数据集对回归模型进行训练，并进行模型优化，；

42、s5：使用训练好的回归模型对新的数据进行故障趋势预测，输入包含发动机点火系统相关信息的文本数据后，回归模型输出对故障发展趋势的预测结果；

43、s6：对训练好的回归模型进行评估，根据评估结果对回归模型进行迭代和改进。

44、在上述技术方案中，本发明提供的技术效果和优点：

45、1、本发明通过模型建立模块根据提取的特征，通过监督学习方法构建用于预测发动机点火系统故障趋势的回归模型，故障趋势预测模块使用训练好的回归模型对新的数据进行故障趋势预测，输入包含发动机点火系统相关信息的文本数据，回归模型会输出对故障发展趋势的预测结果，这可以帮助汽车维修人员和厂商及时采取预防措施，不仅减少故障的发生和影响，而且有效保障汽车发动机的安全维修；

46、2、本发明通过支持向量回归算法构建回归模型，使用训练集对选定的回归模型进行训练，在回归模型建立后，故障趋势预测模块将发动机转速、发动机温度、燃油压力、燃油流量、点火能量代入回归模型进行综合计算获取目标变量值，然后将目标变量值与梯度阈值进行对比，从而能够有效预测发动机点火系统故障发展趋势。