[发明专利]车辆故障检测方法及系统

权利要求书

1.一种车辆故障检测方法，其特征在于，包括：

获取待检车辆的待检车辆型号以及在所述待检车辆运行过程中采集到的待检声音数据；

对待检声音数据进行时频转换处理，得到待检声音数据的频率功率谱向量；对所述待检声音数据的频率功率谱向量进行锐化处理，得到所述待检声音数据的特征数据；

将所述待检声音数据的特征数据输入至预先训练好的所述待检车辆型号对应的车辆故障检测模型，获得模型输出的待检车辆的故障检测结果。

2.如权利要求1所述的方法，其特征在于，在获取所述待检车辆型号以及所述待检声音数据之前，所述方法还包括：

获得至少一种车辆型号的训练数据，其中，每种车辆型号的训练数据包括所述车辆型号的多份训练声音数据和每份训练声音数据对应的车辆故障类型；

针对每种车辆型号，按照以下步骤分别训练一个对应的车辆故障检测模型：

对训练声音数据进行时频转换处理，得到训练声音数据的频率功率谱向量；对所述训练声音数据的频率功率谱向量进行锐化处理，得到所述训练声音数据的特征数据；以及，对该训练声音数据对应的车辆故障类型进行编码，得到所述训练声音数据对应的故障编码；

利用所述训练声音数据的特征数据和对应的故障编码，训练人工神经网络，得到该车辆型号对应的车辆故障检测模型。

3.如权利要求2所述的方法，其特征在于，所述时频转换处理包括：

对目标声音数据进行带通滤波处理，得到第一声音数据，并利用第一声音数据中的最大振幅的绝对值对所述第一声音数据进行归一化处理，得到第二声音数据，所述目标声音数据为待检声音数据或训练声音数据；

按照预设采样频率，对所述第二声音数据进行分段，将第二声音数据划分成预设长度的多个采样点序列；

对每个采样点序列进行FFT处理，得到每个采样点序列对应的第一向量，并计算所述第一向量对应的第一频率功率谱向量，得到目标声音数据的频率功率谱向量。

4.如权利要求3所述的方法，其特征在于，在对每个采样点序列进行FFT处理之前，还包括：

针对每个采样点序列，使用对称的汉宁窗函数进行校正。

5.如权利要求3所述的方法，其特征在于，所述多个采样点序列中，相邻的采样点序列具有相互重叠的部分。

6.如权利要求3所述的方法，其特征在于，所述锐化处理包括：

针对目标声音数据的每个频率功率谱向量，首先将该频率功率谱向量中的首个元素置0，然后从第二个元素开始，依次判断该元素是否大于其左右两个相邻元素，其中，对于最后一个元素，判断该元素是否大于其左侧相邻元素，若是，则将该元素标记为不可变；最后将所有标记为不可变的元素值保持不变，将其它元素值置为0，由此得到目标声音数据的特征数据。

7.如权利要求6所述的方法，其特征在于，所述锐化处理还包括：

将所述目标声音数据的特征数据中值小于预设阈值的元素均置为0。

8.如权利要求2所述的方法，其特征在于，在利用所述训练声音数据的特征数据和对应的故障编码，训练人工神经网络的过程中，利用验证数据集验证训练得到的车辆故障检测模型的检测性能，如果连续M次循环后得到的检测性能均未得到提升，则结束训练过程，并从当前训练得到的车辆故障检测模型中选择检测性能最优的模型，作为最终的车辆故障检测模型，其中，所述M为预设正整数。

9.如权利要求3所述的方法，其特征在于，所述人工神经网络包括有输入层、输出层和多个隐藏层，其中，输入层的节点数量与所述目标声音数据的频率功率谱向量中的元素数量相同，输出层的节点数量与对应车辆型号的车辆故障类型的种类相同。

10.如权利要求2所述的方法，其特征在于，所述车辆型号的多份训练声音数据包括：在所述车辆型号的车辆运行过程中采集到的原始声音数据，和，对所述原始声音数据添加多种真实背景噪声后得到的扩展声音数据。