【技术实现步骤摘要】
本申请实施例涉及车辆数据处理的，尤其涉及一种汽车控制器故障数据存储方法及系统。
技术介绍
1、随着汽车工业的飞速发展，尤其是电动汽车和智能网联汽车的兴起，汽车电子控制系统变得日益复杂，对车辆安全性和可靠性提出了更高要求。汽车控制器，作为车辆电子系统的核心组件，负责监控和调节各种传感器输入、执行器动作及动力系统状态，其性能直接关系到车辆运行的安全与效率。然而，在复杂多变的运行环境中，汽车控制器可能会遭遇各种故障，包括硬件损坏、软件错误或外界干扰引起的异常。
2、随着数据量的爆炸性增长，如何高效地存储和管理故障数据，确保关键信息不丢失，成为亟待解决的问题。
3、当前，汽车电子系统中的数据处理大多仍采用简单的数据记录和事后分析模式，缺乏对数据的实时处理、智能筛选和高效压缩技术，导致大量宝贵的数据资源未能得到充分利用，数据存储和传输成本高昂，且数据安全性、隐私保护能力有限。
技术实现思路
1、本申请实施例提供一种汽车控制器故障数据存储方法及系统，用以解决汽车控制器故障数据存储的成本较高且效率较低的问题。
2、第一方面，本申请实施例中提供了一种汽车控制器故障数据存储，包括：获取汽车控制器的历史故障数据序列，其中，所述历史故障数据序列包括多个历史故障数据，每个历史故障数据中至少包括以下参数：故障代码，系统状态参数，时间戳和所述汽车控制器操作历史记录；利用神经网络模型，对所述历史故障数据序列进行筛选，得到筛选后的历史故障数据序列；利用所述筛选后的历史故障数据序
3、进一步的，利用神经网络模型，对所述历史故障数据序列进行筛选，得到筛选后的历史故障数据序列，包括：将所述历史故障数据序列输入所述神经网络模型，以使所述神经网络模型确定出所述历史故障数据序列中任意两个参数之间的相关系数；将所述相关系数大于预设阈值的两个参数，确定为目标参数；基于所述历史故障数据对应的目标参数，构建所述筛选后的历史故障数据序列；所述相关系数的计算公式为：；其中，为所述相关系数，为第个参数在第次采样时的采样值，为第个参数在第次采样时的采样值，为所述历史故障数据序列中历史故障数据的数量，为所述历史故障数据序列中第个参数的平均值，为所述历史故障数据序列中第个参数的平均值。
4、进一步的，所述vae模型包括：编码器，重参数化模块和解码器，利用所述筛选后的历史故障数据序列对vae模型进行训练，得到训练后的vae模型，包括：将所述筛选后的历史故障数据序列输入所述编码器中，以使所述编码器将所述筛选后的历史故障数据序列映射至低维隐空间，得到映射后的历史故障数据序列；将所述映射后的历史故障数据序列输入所述重参数化模块，确定出所述映射后的历史故障数据序列的隐变量；将所述映射后的历史故障数据序列的隐变量输入所述解码器中，以使所述解码器对所述映射后的历史故障数据序列的隐变量进行重建，得到重建后的历史故障数据序列；基于所述重建后的历史故障数据序列和筛选后的历史故障数据序列，计算出损失函数值，并基于所述损失函数值对所述vae模型进行训练，得到所述训练后的vae模型；所述损失函数值的计算公式为：；其中，为所述损失函数值，为重构损失，为kl散度损失， ，， ， 和 为超参数，为稀疏性正则化项，为鲁棒性损失，为自适应正则化项， 为所述筛选后的历史故障数据序列对应的时间序列一致性损失。
5、进一步的，将所述筛选后的当前故障数据序列输入所述训练后的vae模型，得到压缩后的当前故障数据序列，包括：将所述筛选后的当前故障数据序列输入所述训练后的vae模型的编码器，得到映射后的当前故障数据序列；将所述映射后的当前故障数据序列输入所述训练后的vae模型的重参数化模块，得到所述映射后的当前故障数据序列的隐变量；将所述映射后的当前故障数据序列的隐变量，确定为压缩后的当前故障数据序列。
6、进一步的，将所述压缩后的当前故障数据序列存储至分层存储系统，包括：对所述压缩后的当前故障数据序列进行加密处理，得到加密后的当前故障数据序列；利用实时同步算法，将所述加密后的当前故障数据序列存储至所述分层存储系统。
7、进一步的，对所述压缩后的当前故障数据序列进行加密处理，得到加密后的当前故障数据序列，包括：选择一个256位的密钥；利用aes-256算法对压缩后的当前故障数据序列进行加密处理，得到加密后的当前故障数据序。
8、进一步的，所述编码器的映射表达式为： ；其中，为带有参数的编码器网络，为所述筛选后的历史故障数据序列，为隐变量的均值，为隐变量的方差；所述重参数化模块的重参数化表达式为：；其中，为隐变量，为标准正态分布中抽样的噪声；所述解码器的数据重建表达式为：；其中，为所述重建后的历史故障数据序列，为带有参数的解码器网络。
9、第二方面，本申请实施例提供了一种汽车控制器故障数据存储系统，包括：获取单元，用于获取汽车控制器的历史故障数据序列，其中，所述历史故障数据序列包括多个历史故障数据，每个历史故障数据中至少包括以下参数：故障代码，系统状态参数，时间戳和所述汽车控制器操作历史记录；第一筛选单元，用于利用神经网络模型，对所述历史故障数据序列进行筛选，得到筛选后的历史故障数据序列；训练单元，用于利用所述筛选后的历史故障数据序列对vae模型进行训练，得到训练后的vae模型，其中，所述vae模型用于对历史故障数据序列进行压缩；第二筛选单元，在获取到所述汽车控制器的当前故障数据序列后，利用所述神经网络模型对所述当前故障数据序列进行筛选，得到筛选后的当前故障数据序列；压缩存储单元，用于将所述筛选后的当前故障数据序列输入所述训练后的vae模型，得到压缩后的当前故障数据序列，并将所述压缩后的当前故障数据序列存储至分层存储系统，其中，所述分层存储系统包括：车载边缘计算单元，汽车本地存储器和云端数据中心。
10、第三方面，本申请实施例提供了一种计算设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如上述第一方面所述的方法。
11、第四方面，本申请实施例提供了一种计算机存储介质，存储有计算机程序，所述计算程序被计算机执行时，实现如上述第一方面所述的方法。
12、在本专利技术实施例中，通过人工智能的智能筛选机制减少数据冗余，采用多级存储体系和云边协同技术保证数据的可靠性和即时性，同时利用先进的加密技术确保数据的安全性与隐私保护。通过这样的技术革新了优化存储资源，为未来的自动驾驶本文档来自技高网...
【技术保护点】
1.一种汽车控制器故障数据存储方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，利用神经网络模型，对所述历史故障数据序列进行筛选，得到筛选后的历史故障数据序列，包括：
3.根据权利要求1所述的方法，其特征在于，所述VAE模型包括：编码器，重参数化模块和解码器，利用所述筛选后的历史故障数据序列对VAE模型进行训练，得到训练后的VAE模型，包括：
4.根据权利要求3所述的方法，其特征在于，将所述筛选后的当前故障数据序列输入所述训练后的VAE模型，得到压缩后的当前故障数据序列，包括：
5.根据权利要求1所述的方法，其特征在于，将所述压缩后的当前故障数据序列存储至分层存储系统，包括：
6.根据权利要求5所述的方法，其特征在于，对所述压缩后的当前故障数据序列进行加密处理，得到加密后的当前故障数据序列，包括：
7.根据权利要求3所述的方法，其特征在于，
8.一种汽车控制器故障数据存储系统，其特征在于，包括：
9.一种计算设备，其特征在于，包括处理组件以及存储组件；所述存储组件存储
10.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算程序被计算机执行时，实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种汽车控制器故障数据存储方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，利用神经网络模型，对所述历史故障数据序列进行筛选，得到筛选后的历史故障数据序列，包括：
3.根据权利要求1所述的方法，其特征在于，所述vae模型包括：编码器，重参数化模块和解码器，利用所述筛选后的历史故障数据序列对vae模型进行训练，得到训练后的vae模型，包括：
4.根据权利要求3所述的方法，其特征在于，将所述筛选后的当前故障数据序列输入所述训练后的vae模型，得到压缩后的当前故障数据序列，包括：
5.根据权利要求1所述的方法，其特征在于，将所述压缩后的当前故障数据序列...
【专利技术属性】
技术研发人员：王巍，陈杰鸿，王岁，
申请(专利权)人：天津广瑞达汽车电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。