[发明专利]车辆驾驶故障检测方法、装置、设备及存储介质

权利要求书

1.一种车辆驾驶故障检测方法，其特征在于，包括：

将获取到的行车训练数据样本输入到预先构建的深度学习模型中，得到驾驶故障监控模型；

基于所述驾驶故障监控模型，结合核密度估计法得到所述驾驶故障监控模型的控制限，并将所述控制限作为故障监控阈值；

获取实时采集到的车辆行车测试数据，并基于所述驾驶故障监控模型得到所述车辆行车测试数据的异常监控指标；

考虑特征的故障敏感性差异，引入动态加权因子对所述异常监控指标进行处理，得到动态监控指标；

当所述动态监控指标大于所述故障监控阈值时，判定车辆出现行车故障，并向车辆驾驶员发出故障警告。

2.如权利要求1所述的车辆驾驶故障检测方法，其特征在于，所述方法还包括：

引入静态加权因子对所述异常监控指标进行处理，得到静态监控指标；

当所述静态监控指标大于所述故障监控阈值时，向车辆驾驶员发出行车安全提醒。

3.如权利要求1所述的车辆驾驶故障检测方法，其特征在于，所述将获取到的行车训练数据样本输入到预先构建的深度学习模型中，得到驾驶故障监控模型，具体包括：

构建基于深度特征的深度支持向量数据模型；

将获取到的行车训练数据样本输入到所述深度支持向量数据模型中，得到驾驶故障监控模型。

4.如权利要求1所述的车辆驾驶故障检测方法，其特征在于，所述基于所述驾驶故障监控模型，结合核密度估计法得到所述驾驶故障监控模型的控制限，并将所述控制限作为故障监控阈值，具体包括：

获取所述行车训练数据样本在所述驾驶故障监控模型中得到的训练样本监控指标；

基于所述行车训练数据样本，构建所述训练样本监控指标的概率密度函数；

计算所述概率密度函数在预设置信度时的估计值，得到相应的控制限，并将所述控制限作为故障监控阈值。

5.如权利要求1所述的车辆驾驶故障检测方法，其特征在于，所述获取实时采集到的车辆行车测试数据，并基于所述驾驶故障监控模型得到所述车辆行车测试数据的异常监控指标，具体包括：

将实时采集到的车辆行车测试数据输入到所述驾驶故障监控模型中，进行多层特征提取，得到所述测试数据的深度特征集；

对所述深度特征集进行超球体建模，计算所述深度特征集到超球面中心的距离平方，并将计算得到的距离平方作为所述行车测试数据的异常监控指标。

6.如权利要求1所述的车辆驾驶故障检测方法，其特征在于，所述考虑特征的故障敏感性差异，引入动态加权因子对所述异常监控指标进行处理，得到动态监控指标，具体包括：

获取所述行车测试数据在所述驾驶故障监控模型提取得到的深度特征集；

针对所述深度特征集，采用滑动窗方式建立一个长度为d的历史窗口{D_t-d+1,i,D_t-d+2,i,…,D_t,i}，根据历史窗口的动态数据对所述异常监控指标进行估计，得到动态监控指标：

其中，DD_t为动态监控指标，为动态权重因子，P_t-j+1，i为第i个深度特征在一个长度为d的时间窗口内第(t-j+1)时刻的故障概率，y_t-j+1，i^(L)为第(t-j+1)时刻的第L层网络的第i个深度特征，O_i为第i个深度特征对应的超球体中心，s为一个新变量，0≤s≤d，表示一个长度为d的时间窗口内的s时刻，表示第i个深度特征在s时刻的静态权重因子，表示引入新样本点j后在一个长度为d时间窗内的动态权重因子，D_t-s+1,i表示第i个深度特征在一个长度为d的时间窗口内s时刻的监控指标，表示第i个深度特征在一个长度为d的时间窗口内的监控指标平均值，n为样本的个数，D_lim,i为第i个深度特征的监控指标最大值。