[发明专利]一种汽车故障码解析方法、存储介质及电子设备

权利要求书

1.一种汽车故障码解析方法，其特征在于，包括步骤：

S10：获取故障码通俗化记录的数据，将数据清洗后制作为标准化的标签训练集；

S20：导入标签训练集进行模型训练，其中：采用BERT作为训练模型，采用交叉熵函数或焦点损失函数作为损失函数，采用Adam优化器来进行网络参数的计算和更新，且通过Pytorch框架进行分布式训练；

S30：将汽车故障码输入至训练好的模型中，解析获取需要检修的汽车零配件。

2.根据权利要求1所述的，其特征在于，步骤S10中包括：

S11：获取故障码通俗化记录数据；

S12：数据清洗，剔除故障码通俗化记录中的异常值；

S13：制作包含特征的标准化的训练集标签，特征包括了品牌、车型、系统编号及故障描述；

S14：清理训练集标签中的异常数据；

S15：分层采样提取验证集，保证验证集的每一个标签都至少有一条以上的测试数据，且验证集的所有数据都与训练集的数据不一样。

3.根据权利要求1所述的，其特征在于，步骤S20搭建模型时包括：

搭建标签与模型输入索引映射字典；

采用BERT模型的12层堆叠，经过归一化指数函数归一化后，得Value的权重，以达到注意力的效果；

升维或降维匹配标签数量，采用与标签数目相匹配的神经元个数的全连接层，进行维度转换；

增加一层随机失活，以防止模型过拟合。

4.根据权利要求1所述的，其特征在于，步骤S20中，采用焦点损失函数作为损失函数。

5.根据权利要求1所述的，其特征在于，步骤S30中，解析故障码时：按汽车报告的系统ID对故障码进行聚合；根据推理出的汽车零配件，匹配出上一级目录一起推出；按同一系统的零配件组内进行频次排序展示，频次越高，位置越靠前。

6.根据权利要求1所述的，其特征在于，步骤S20中，学习率衰减函数采用预热学习率的方式：先用最初的小学习率训练，随后逐步增加，直到达到预设的较大学习率。

7.根据权利要求1所述的，其特征在于，步骤S20中在进行模型部署时，使用英伟达公司的Triton推理服务，并将训练好的Pytorch模型转换为TensorRT使用。

8.一种电子设备，其特征在于，包括用于计算如权利要求1～7任一项所述的汽车故障码解析方法的步骤的计算模块。

9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1～7任一项所述的汽车故障码解析方法的步骤。

10.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机指令，其特征在于，所述计算机指令运行时所述处理器执行权利要求1～7任一项所述的汽车故障码解析方法的步骤。