[发明专利]多功能车辆总线MVB波形的故障诊断方法及装置

权利要求书

1.一种多功能车辆总线MVB波形的故障诊断方法，其特征在于，包括：

获取待诊断的MVB波形数据；

对所述MVB波形数据进行预处理，得到预处理后的波形数据；

从所述预处理后的波形数据中提取关键特征向量；所述关键特征向量包括各关键特征项对应的特征值；

使用目标机器学习模型分析所述关键特征向量，得到所述MVB波形数据的故障诊断结果；其中，所述目标机器学习模型是基于真实MVB波形数据训练得到的；

其中，所述目标机器学习模型的训练过程包括：

从多种MVB波形的故障类型中确定出适于采用机器学习进行诊断的故障类型；所述适于采用机器学习进行诊断的故障类型为目标故障类型；

从数据源处获取波形样本；其中，任一所述波形样本包含真实的MVB波形数据；

对所述波形样本进行预处理，得到预处理后的波形样本；

从所述预处理后的波形样本中提取特征样本；所述特征样本包括各关键特征项对应的特征值；

对所述特征样本进行标记，以表征所述特征样本的波形状态；

从多种机器学习算法中选择出适用于所述目标故障类型的机器学习算法；所述适用于所述目标故障类型的机器学习算法为目标机器学习算法；

确定所述目标机器学习算法的超参数，对确定出超参数的所述目标机器学习算法进行初始参数赋值；

使用训练样例集和完成初始参数赋值的所述目标机器学习算法，训练得到所述目标机器学习模型；其中，所述训练样例集包括至少两个标记后的特征样本。

2.如权利要求1所述的方法，其特征在于，所述故障诊断结果包括：故障类型及相应的诊断信息；其中，所述诊断信息包括：第一信息和第二信息中的至少一种，所述第一信息用于表征所述故障类型是否发生，所述第二信息用于表征所述故障类型的故障程度。

3.如权利要求1所述的方法，其特征在于，在提取所述特征样本之前，还包括：从预设的M个特征项中选取与所述目标故障类型关联度最高的N个特征项作为所述关键特征项，其中，所述M、N均为自然数，且N小于M。

4.如权利要求3所述的方法，其特征在于，在训练得到所述目标机器学习模型后，还包括：

使用测试样例集测试所述目标机器学习模型的诊断精度和诊断速度；所述测试样例集包含至少两个标记后的特征样本；

若所述目标机器学习模型不满足预设条件，执行下述操作中的一种或多种，并进行重新训练：

重新确定所述目标故障类型对应的关键特征项；

修改所述超参数；

选择其他的机器学习算法作为所述目标机器学习算法；

其中，所述预设条件包括：所述目标机器学习模型的诊断精度不低于诊断精度阈值，且诊断速度不低于速度阈值。

5.如权利要求1所述的方法，其特征在于，在得到所述故障诊断结果后，还包括：

将所述关键特征向量和所述故障诊断结果存储至数据源中；其中，所述关键特征向量作为所述数据源中的特征样本，所述故障诊断结果用于在训练过程中标记所述关键特征向量；

或者，将在诊断过程中得到的所述预处理后的波形数据和所述故障诊断结果存储至所述数据源中；所述故障诊断结果用于在训练过程中标记所述预处理后的波形数据所对应的特征样本；

或者，

将所述MVB波形数据和所述故障诊断结果存储至所述数据源中，其中，所述故障诊断结果用于在训练过程中标记所述MVB波形数据对应的特征样本。

6.如权利要求3所述的方法，其特征在于，所述关键特征项包括关键时域特征项和关键频域特征项；

所述关键频域特征项包括：频谱极大值点的幅值、频谱极大值点的相位和频谱极大值点的频率；

所述关键时域特征项包括：幅值参数、电平参数、脉冲宽度参数、脉冲峰值位置常数、脉冲峭度和帧尾震荡参数中的至少一种。