一种车辆故障的检测方法、装置、车载终端及存储介质制造方法及图纸

本申请适用于汽车技术领域，提供了一种车辆故障的检测方法、装置、车载终端及存储介质，所述方法包括：获取待检测车辆的目标车辆信息；将目标车辆信息输入至已训练的故障检测模型进行处理，得到待检测车辆的故障检测结果；故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；样本数据集包括正样本集合和负样本集合；正样本集合和负样本集合基于聚类算法对样本车辆信息集合进行聚类处理得到。与现有技术使用的检测模型相比，本申请中的故障检测模型是对孤立森林模型进行训练得到的，且样本数据集是对基于聚类算法对样本车辆信息集合进行聚类处理后得到，提高了故障检测模型的检测精度，进而提高了对车辆故障的检测准确率。检测准确率。检测准确率。

【技术实现步骤摘要】
一种车辆故障的检测方法、装置、车载终端及存储介质


[0001]本申请属于汽车
，尤其涉及一种车辆故障的检测方法、装置、车载终端及存储介质。

技术介绍

[0002]电子制动力分配(Electric Brakeforce Dis
‑
tribution，EBD)是现代汽车中常用的安全技术之一。它是一种制动系统，用于在汽车刹车时自动调整每个轮子的制动力，以提高刹车性能和稳定性。在EBD出现故障时，会对驾驶员造成潜在的危险，因此，需要实时检测车辆的EBD是否发生故障。
[0003]然而，现有技术通常需要使用大量的已标记的历史异常样本训练检测模型，当检测模型采集的异常样本缺失或较少时，无法对车辆的EBD系统是否发生故障进行准确的判断。由此可见，现有技术存在对车辆的EBD系统的故障检测准确率较低的问题。

技术实现思路

[0004]本申请实施例提供了一种车辆故障的检测方法、装置、车载终端及存储介质，提高了对车辆故障的检测准确率。
[0005]第一方面，本申请实施例提供了一种车辆故障的检测方法，包括：
[0006]获取待检测车辆的目标车辆信息；
[0007]将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果；其中，所述故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；所述样本数据集包括正样本集合和负样本集合；所述正样本集合和所述负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。
[0008]可选的，所述样本车辆信息集合通过以下方式获取：
[0009]获取由在历史时间段内发生过故障的所有车辆组成的历史车辆集合；
[0010]根据预设策略从所述历史车辆集合中选取样本车辆；
[0011]将所述样本车辆在所述历史时间段内的所有车辆信息确定为所述样本车辆信息集合。
[0012]可选的，所述故障检测模型通过以下方式训练获得：
[0013]对所述样本车辆信息集合中的每个样本车辆信息进行数据清洗处理和特征工程处理，得到标准样本信息集合；
[0014]将所述标准样本信息集合输入至所述孤立森林模型进行优化训练，得到所述故障检测模型。
[0015]可选的，所述故障检测模型通过以下方式训练获得：
[0016]将所述样本车辆信息集合输入至所述孤立森林模型进行处理，得到所述样本车辆信息集合中每个样本车辆信息对应的异常分数；
[0017]根据所述每个样本车辆信息对应的异常分数，对所述每个样本车辆信息进行聚类
处理，得到所述样本车辆信息集合对应的多个簇；
[0018]确定每个簇中，第一数量与所述簇中样本车辆信息的总数量之间的比值；其中，第一数量指所述每个簇中，所述异常分数小于第一阈值的第一样本车辆信息的数量；
[0019]根据所述比值对所述多个簇进行划分，得到所述正样本集合和所述负样本集合；
[0020]根据所述正样本集合和所述负样本集合，对所述孤立森林模型进行优化训练，得到所述故障检测模型。
[0021]可选的，所述确定每个簇中，第一数量与所述簇中样本车辆信息的总数量之间的比值，包括：
[0022]计算所述多个簇的簇间平方和；
[0023]若所述簇间平方和大于或等于第二阈值，则确定所述每个簇的所述比值。
[0024]可选的，所述根据所述比值对所述多个簇进行划分，得到所述正样本集合和所述负样本集合，包括：
[0025]若目标簇对应的比值小于第三阈值，则将所述目标簇划分至所述正样本集合；所述目标簇用于表示所述多个簇中的任意一个簇；
[0026]若所述目标簇对应的比值大于第四阈值，则将所述目标簇划分至所述负样本集合；所述第四阈值大于所述第三阈值。
[0027]可选的，所述将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果，包括：
[0028]将历史车辆信息输入至所述故障检测模型进行处理，得到当前检测结果；
[0029]若所述当前检测结果与所述历史车辆信息对应的基准检测结果相符，则将所述目标车辆信息输入至所述故障检测模型进行处理，得到所述待检测车辆的故障检测结果。
[0030]第二方面，本申请实施例提供了一种车辆故障的检测装置，包括：
[0031]第一获取单元，用于获取待检测车辆的目标车辆信息；
[0032]第一处理单元，用于将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果；其中，所述故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；所述样本数据集包括正样本集合和负样本集合；所述正样本集合和所述负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。
[0033]第三方面，本申请实施例提供了一种车载终端，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的车辆故障的检测方法。
[0034]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的车辆故障的检测方法。
[0035]第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在车载终端上运行时，使得车载终端可执行上述第一方面中任一项所述的车辆故障的检测方法。
[0036]本申请实施例与现有技术相比存在的有益效果是：
[0037]本申请实施例提供的一种车辆故障的检测方法，通过获取待检测车辆的目标车辆信息；将目标车辆信息输入至已训练的故障检测模型进行处理，得到待检测车辆的故障检测结果；其中，故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；样本
数据集包括正样本集合和负样本集合；正样本集合和负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。与现有技术使用的检测模型相比，本申请中的故障检测模型是对孤立森林模型进行训练得到的，因此在异常样本缺失或较少时，不会对该故障检测模型的检测精度造成影响，且该故障检测模型的样本数据集是对基于聚类算法对样本车辆信息集合进行聚类处理后得到，从而保证了正样本集合和负样本集合的准确性，从而提高了故障检测模型的检测精度，进而提高了对车辆故障的检测准确率。
附图说明
[0038]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]图1是本申请一实施例提供的车辆故障的检测方法的实现流程图；
[0040]图2是本申请另一实施例提供的车辆故障的检测方法的实现流程图；
[0041]图3是本申请再一实施例提供的车辆故障本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆故障的检测方法，其特征在于，包括：获取待检测车辆的目标车辆信息；将所述目标车辆信息输入至已训练的故障检测模型进行处理，得到所述待检测车辆的故障检测结果；其中，所述故障检测模型基于样本数据集对预构建的孤立森林模型进行训练得到；所述样本数据集包括正样本集合和负样本集合；所述正样本集合和所述负样本集合基于聚类算法对样本车辆信息集合进行聚类处理后得到。2.如权利要求1所述的车辆故障的检测方法，其特征在于，所述样本车辆信息集合通过以下方式获取：获取由在历史时间段内发生过故障的所有车辆组成的历史车辆集合；根据预设策略从所述历史车辆集合中选取样本车辆；将所述样本车辆在所述历史时间段内的所有车辆信息确定为所述样本车辆信息集合。3.如权利要求1所述的车辆故障的检测方法，其特征在于，所述故障检测模型通过以下方式训练获得：对所述样本车辆信息集合中的每个样本车辆信息进行数据清洗处理和特征工程处理，得到标准样本信息集合；将所述标准样本信息集合输入至所述孤立森林模型进行优化训练，得到所述故障检测模型。4.如权利要求1所述的车辆故障的检测方法，其特征在于，所述故障检测模型通过以下方式训练获得：将所述样本车辆信息集合输入至所述孤立森林模型进行处理，得到所述样本车辆信息集合中每个样本车辆信息对应的异常分数；根据所述每个样本车辆信息对应的异常分数，对所述每个样本车辆信息进行聚类处理，得到所述样本车辆信息集合对应的多个簇；确定每个簇中，第一数量与所述簇中样本车辆信息的总数量之间的比值；其中，第一数量指所述每个簇中，所述异常分数小于第一阈值的第一样本车辆信息的数量；根据所述比值对所述多个簇进行划分，得到所述正样本集合和所述负样本集合；根据所述正样本集合和所述负样本集合，对所述孤立森林模型进行优化训练，得到所述故障检测模型。5.如权利要求4所述的车辆故障的检测方法，其特征在于，所述确定每个簇中，第一数量与所述簇中样本车辆信息的总数量...

【专利技术属性】
技术研发人员：张凯，
申请(专利权)人：长城汽车股份有限公司，
类型：发明
国别省市：