一种基于云的车辆故障诊断方法、装置及其系统

摘要

本发明实施例提供了一种基于云的车辆故障诊断方法，接收车辆上传的监测数据；从所述监测数据中提取所述监测数据的特征向量；以所述监测数据所来自的所述车辆的零部件或功能系统为标签，将所述监测数据的特征向量分类存储；基于支持向量机算法，对分类存储的所述特征向量并行地进行故障诊断。本发明技术方案能够通过基于支持向量机算法，将从不同零部件或功能系统的监测数据所提取的特征向量并行地进行故障诊断,不仅可以缩短诊断时间，还可以避免数据传递过程中的不同数据的彼此影响,提高故障诊断的准确性。

权利要求

1.一种基于云的车辆故障诊断方法，其特征在于，包括：接收车辆上传的监测数据,所述监测数据为所述车辆监测到的零部件或功能系统的工作状态数据，所述功能系统为多个部件组成的用于实现一定功能的整体；

从所述监测数据中提取所述监测数据的特征向量,所述特征向量为表征所述监测数据的一组数；

以所述监测数据所来自的所述车辆的零部件或功能系统为标签，将所述监测数据的特征向量分类存储；

基于支持向量机算法，对分类存储的所述特征向量并行地进行故障诊断。

2.如权利要求1所述的方法，其特征在于，在所述从所述监测数据中提取所述监测数据的特征向量之前，还包括：将所述监测数据进行解析，得到解析后的监测数据；

以所述监测数据所来自的所述车辆的零部件或功能系统为标签，将所述解析后的监测数据分类存储；其中，针对所述解析后的监测数据的分类存储的标签与针对所述特征向量的分类存储的标签相对应；

所述从所述监测数据中提取所述监测数据的特征向量具体包括：从所述解析后的监测数据中提取所述解析后的监测数据的特征向量。

3.如权利要求1或2所述的方法，其特征在于，所述基于支持向量机算法，对分类存储的所述特征向量并行地进行故障诊断包括：基于决策导向无环图DDAG构造故障分类器，对分类存储的所述特征向量并行地计算诊断结果，所述诊断结果至少包括故障发生的位置。

4.如权利要求1所述的方法，其特征在于，所述从所述监测数据中提取所述监测数据的特征向量包括：通过小波包分解从所述监测数据中提取所述监测数据的特征向量。

5.如权利要求4所述的方法，其特征在于，在所述以所述监测数据所来自的所述车辆的零部件或功能系统为标签,将所述监测数据的特征向量分类存储之前，还包括：通过核主元分析对所述特征向量进行降维处理，得到降维处理后的特征向量；

所述以所述监测数据所来自的所述车辆的零部件或功能系统为标签,将所述监测数据的特征向量分类存储具体包括：以所述监测数据所来自的所述车辆的零部件或功能系统为标签,将所述降维处理后的特征向量分类存储；

所述基于支持向量机算法，对分类存储的所述特征向量并行地进行故障诊断具体包括：基于支持向量机算法，对分类存储的所述降维处理后特征向量并行地进行故障诊断。

6.如权利要求3所述的方法，其特征在于，还包括：判定所述诊断结果所指示故障的严重等级，所述严重等级划分为：严重故障、中等故障、一般故障。

7.如权利要求6所述的方法，其特征在于，在所述判定所述诊断结果所指示故障的严重等级之后，还包括：如果所述严重等级为严重故障，则向所述车辆发送危险警示信号，所述危险警示信号用于提示所述车辆正在发生危及车辆正常行驶的严重故障。

8.一种基于云的车辆故障诊断装置，其特征在于，包括：监测数据接收模块、数据预处理模块、特征数据库、故障诊断模块；

所述监测数据接收模块用于接收车辆上传的监测数据,所述监测数据为所述车辆监测到的零部件或功能系统的工作状态数据，所述功能系统为多个部件组成的用于实现一定功能的整体；

所述数据预处理模块用于从所述监测数据接收模块接收到的监测数据中提取所述监测数据的特征向量,所述特征向量为表征所述监测数据的一组数；

所述特征数据库用于以所述监测数据所来自的所述车辆的零部件或功能系统为标签，将所述数据预处理模块提取的特征向量分类存储；

所述故障诊断模块用于基于支持向量机算法，对所述特征数据库分类存储的所述特征向量并行地进行故障诊断。

9.如权利要求8所述的装置，其特征在于，还包括：中央数据库；

所述中央数据库用于：将所述监测数据接收模块接收到的监测数据进行解析，得到解析后的监测数据；

以所述监测数据所来自的所述车辆的零部件或功能系统为标签，将所述解析后的监测数据分类存储；其中，针对所述解析后的监测数据的分类存储的标签与针对所述特征向量的分类存储的标签相对应；

所述数据预处理模块具体用于：从所述中央数据库解析后的监测数据中提取所述解析后的监测数据的特征向量。

10.如权利要求8或9所述的装置，其特征在于，所述故障诊断模块具体用于：基于决策导向无环图DDAG构造故障分类器，对所述特征数据库分类存储的特征向量并行地计算诊断结果，所述诊断结果至少包括故障发生的位置。

11.如权利要求8所述的装置，其特征在于，所述数据预处理模块具体用于：通过小波包分解从所述监测数据中提取所述特征向量。

12.如权利要求11所述的装置，其特征在于，所述数据预处理模块具体还用于：通过核主元分析对提取的所述特征向量进行降维处理，得到降维处理后的特征向量；

所述特征数据库具体用于：以所述监测数据所来自的所述车辆的零部件或功能系统为标签,将所述数据预处理模块降维处理后的特征向量分类存储；

所述故障诊断模块具体用于：基于支持向量机算法，对所述特征数据库分类存储的降维处理后特征向量并行地进行故障诊断。

13.如权利要求10所述的装置，其特征在于，还包括：故障等级判定模块；

所述故障等级判定模块用于判定所述故障诊断模块输出的诊断结果所指示故障的严重等级，所述严重等级划分为：严重故障、中等故障、一般故障。

14.如权利要求13所述的装置，其特征在于，还包括：系统降级决策机；

所述系统降级决策机用于如果所述故障等级判定模块判定的严重等级为严重故障，则向所述车辆发送危险警示信号，所述危险警示信号用于提示所述车辆正在发生可能危及车辆正常行驶的严重故障。

15.一种基于云的车辆故障诊断系统，其特征在于，包括：权利要求8-14任选一所述的装置、车辆；

所述车辆将监测数据上传至所述权利要求8-14任选一所述的装置；

所述权利要求8-14任选一所述的装置根据所述监测数据进行故障诊断。

16.如权利要求15所述的系统，其特征在于，还包括：如果故障诊断出为严重故障，则向实时运行车辆发送危险警示信号，所述危险警示信号用于提示所述车辆正在发生可能危及车辆正常行驶的严重故障；

所述实时运行车辆根据所述危险警示信号作出故障应对措施。

说明书

一种基于云的车辆故障诊断方法、装置及其系统

技术领域

[0001] 本发明涉及故障诊断领域，尤其涉及一种基于云的车辆故障诊断方法、装置及其系统。

背景技术

[0002] 汽车已经成为人们普遍选择的日常出行交通工具，随着经济、科学技术的发展，电动汽车越来越普及，智能化、互联化汽车开始出现，汽车的设计与生产业越来越多的采用电子技术、自动化技术和计算机技术，一方面使得汽车的自动化程度越来越高，另一方面也对汽车的维修和监测提出了更高的要求，由于电脑控制系统的应用，汽车的结构也变得越来越复杂，增加了汽车的故障诊断难度。

[0003] 汽车故障诊断关系到车辆及其驾驶人员的安全，是保障汽车正常行驶的必要措施。现有的故障诊断技术主要为定性分析法(例如基于专家系统的故障诊断、定量分析法(例如基于解析模型的故障诊断、基于数据驱动的故障诊断)；其中，基于数据驱动的故障诊断使用较多的是基于机器学习算法的故障诊断技术。定性分析故障诊断只能实现离线诊断，并且对较小故障的诊断准确率较低；基于解析模型的故障诊断以及基于机器学习算法的故障诊断都可以准确地诊断系统发生的较小故障；其中，基于解析模型的故障诊断实时性较好，但是对于较为复杂较大的非线性系统其解析模型很难构建；基于机器学习算法的故障诊断技术可以实现多种故障的诊断管理，但是其计算量较大，计算时间较长，现有的单片机并不能满足其在线使用。随着云计算的发展及成熟，其可以帮助解决基于机器学习算法故障诊断计算量大以及耗时长的问题。

[0004] 现有技术提供了一种基于云计算的汽车故障检测系统，该系统基于云计算可以解决单片机计算能力不足或检测设备昂贵、不方便安装于汽车上等次要问题，但是该系统逻辑简单，并没有针对如何准确诊断故障提供具体技术方案，并且故障诊断的准确率低，难以保证车辆的安全。

发明内容

[0005] 本发明实施例提供了一种基于云的车辆故障诊断方法、系统及其装置，可以提高故障诊断的准确度，减少诊断时间。

[0006] 第一方面提供了一种基于云的车辆故障诊断方法，该方法包括：接收车辆上传的监测数据,其中，监测数据是指车辆通过监测设备监测到的其零部件或功能系统的工作状态的数据，零部件是指组成车辆的配件，例如：制动器、变速器、压缩机、胎压监测器、水泵等；功能系统是指多个部件组成的用于实现一定功能的整体，例如：电池管理系统、制动安全系统、动力系统等；从监测数据中提取该监测数据的特征向量,提取的特征向量是表征所述监测数据的一组数；例如，特征向量是通过对监测数据进行平均或方差计算得到的对应于监测数据原始数据的平均值或方差值的集合,可选的，一组数表示为{A，B，C，D…Z}；以监测数据所来自的车辆的零部件或功能系统为标签，将监测数据的特征向量分类存储；基于支持向量机算法，对分类存储的特征向量并行地进行故障诊断。

[0007] 结合第一方面，在第一方面的第一种可能实现的方式中，在从监测数据中提取该监测数据的特征向量之前，还包括：将接收到的监测数据进行解析，得到解析后的监测数据；以监测数据所来自的车辆的零部件或功能系统为标签，将解析后的监测数据分类存储；其中，针对解析后的监测数据的分类存储的标签与针对特征向量的分类存储的标签相对应；从所述监测数据中提取所述监测数据的特征向量具体包括：从所述解析后的监测数据中提取该解析后的监测数据的特征向量。

[0008] 结合第一方面的第一种可能实现的方式，在第一方面的第二种可能实现的方式中，该方法还包括：定期删除与最近提取的特征向量所表征的监测数据来自的零部件或功能系统相同的之前存储的特征向量。

[0009] 第二方面提供了一种基于云的车辆故障诊断装置，包括：监测数据接收模块、数据预处理模块、特征数据库、故障诊断模块；所述监测数据接收模块用于接收车辆上传的监测数据,所述监测数据为所述车辆监测到的零部件或功能系统的工作状态数据；所述数据预处理模块用于从所述监测数据接收模块接收到的监测数据中提取所述监测数据的特征向量,所述特征向量为表征所述监测数据的一组数；所述特征数据库用于以所述监测数据所来自的所述车辆的零部件或功能系统为标签，将所述数据预处理模块提取的特征向量分类存储；所述故障诊断模块用于基于支持向量机算法，对所述特征数据库分类存储的所述特征向量并行地进行故障诊断。

[0010] 结合第二方面，在第二方面的第一种可能实现的方式中，该装置还包括：中央数据库；所述中央数据库用于：将所述监测数据接收模块接收到的监测数据进行解析，得到解析后的监测数据；以所述监测数据所来自的所述车辆的零部件或功能系统为标签，将所述解析后的监测数据分类存储；其中，针对所述解析后的监测数据的分类存储的标签与针对所述特征向量的分类存储的标签相对应；所述数据预处理模块具体用于：从所述中央数据库解析后的监测数据中提取所述解析后的监测数据的特征向量。

[0011] 结合第二方面或第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，特征数据库还用于：定期删除与最近提取的特征向量所表征的监测数据来自的零部件或功能系统相同的的之前存储的特征向量。

[0012] 结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，中央数据库删除与特征数据库删除的特征向量相对应的监测数据。

[0013] 第三方面提供了一种基于云的车辆故障诊断系统，该系统包括：第二方面或第二方面的第一种实现方式或第二方面的第二中实现方式中的装置、车辆；车辆将其监测到的数据上传至第二方面或第二方面的第一种实现方式或第二方面的第二中实现方式中的装置；第二方面或第二方面的第一种实现方式或第二方面的第二中实现方式中的装置根据接收到的数据进行故障诊断。

[0014] 本发明实施例通过基于支持向量机算法，将来自不同零部件或功能系统的监测数据的特征向量分类存储，并且将分类存储的特征向量并行地进行故障诊断,不仅可以缩短诊断时间，还可以避免数据传递过程中的不同数据的彼此影响，提高故障诊断的准确性。

附图说明

[0015] 图1：本发明实施例给出的一种基于云的故障诊断系统示意图；

[0016] 图2：本发明实施例给出的一种云端诊断装置示意图；

[0017] 图3：本发明实施例给出的一种中央数据库示意图；

[0018] 图4：本发明实施例给出的一种中央数据库的定期存储单元示意图；

[0019] 图5：本发明实施例给出的一种特征数据库示意图；

[0020] 图6：本发明实施例给出的一种特征数据库的定期存储单元的示意图；

[0021] 图7：本发明实施例给出的一种基于云的故障诊断方法的流程图；

[0022] 图8：本发明实施例给出的一种并行计算的示意图；

[0023] 图9：本发明实施例给出的一种离线训练以及测试故障分类模型方法的流程图；

[0024] 图10：本发明实施例给出的一种系统降级决策机内部决策方法的流程图；

[0025] 图11：本发明实施例给出的一种电池包电流传感器故障诊断方法的流程图。

具体实施方式

[0026] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0027] 本发明实施例可能涉及的术语缩略语及定义如下：

[0028] ADAS    Advanced Driver Assistant System 高级驾驶辅助系统

[0029] VCU     Vehic le Contro l Unit           整车控制单元

[0030] OBC     On Board Charger                 车载充电机

[0031] SVM     Support Vector Machine           支持向量机

[0032] GA      Genetic Algorithm                遗传算法

[0033] PSO     Particle Swarm Optimization      粒子群优化

[0034] DDAG    Decision Directed Acyclic Graph  决策导向无环图

[0035] 本发明实施例提供了一种基于云的车辆故障诊断系统，可用于实时地或/和在线诊断车辆故障、统计车辆功能系统/零部件故障数据等，如图1所示，该系统包括以下几个组成部分：云端诊断装置1000、车辆2000、整车或零部件制造商3000、维修服务商4000、其他设备5000。

[0036] 其中，云端诊断装置1000通过无线通信技术与车辆2000、整车或零部件制造商3000、维修服务商4000、其他设备5000实现数据交互；可选的，该系统不对无线通信技术作任何限制，可以是任何协议下的无线通信技术的一种或多种。云端诊断装置1000可以基于车辆2000上传的监测数据实时诊断与定位车辆发生的故障，并且管理、统计故障数据；进一步地，可以将处理或统计后的故障数据发送给对应的车辆2000、整车或零部件制造商3000、维修服务商4000或其他设备5000；比如，零部件制造商A想知道其生产的零部件A故障情况，云端诊断装置1000可以将统计获得的零部件A的故障数据发送给零部件制造商A，该零部件A的故障数据包括但不限于零部件A发生故障的车辆数量、某一车辆的零部件A发生故障的次数等；再比如，车辆B想知道其实时运行的故障情况，云端诊断装置1000可以将根据车辆B实时上传的监测到的数据获得车辆B的故障数据发送给车辆B，该车辆B的故障数据包括但不限于车辆B的安全系数、某一零部件的故障提示等。

[0037] 车辆2000用于指示与云端诊断装置1000通过无线通信技术互联的一辆或多辆汽车，并不特指行驶中的某一车辆；车辆2000配置有监测感应装置用于监测车辆运行数据或是零部件的运行数据，可以根据故障诊断需求或指令设置将监测到的相关数据上传至云端诊断装置1000，由云端诊断装置1000进一步地处理车辆2000上传的监测数据。

[0038] 整车或零部件制造商3000、维修服务商4000、其他设备5000不是该系统的必要的组成部分，它们基于各自的需求从云端诊断装置1000获得/接收与故障相关的数据，用于分析某一故障发生的概率、频率、对整车/功能系统/零部件的影响等。

[0039] 本发明实施例通过将车辆故障诊断环节移到云端故障诊断装置，既可以解决单一车辆的单片机计算能力的局限性，提高故障诊断的准确率；又可以基于云端实现统一管理众多车辆的众多故障，并将获得数据与整车/零部件制造商、维修服务商、其他设备(例如第三方监控设备)共享，用于从源头解决故障，提高车辆/零部件的安全性，保障车辆行驶安全。需要指出的是：该基于云端诊断系统不限于车辆/零部件故障的诊断和管理，同样适用于船、飞机、火车、无人机等故障的诊断和管理。

[0040] 本发明实施例提供了一种云端诊断装置，如图2所示，该装置1000包括：监测数据接收模块1010、中央数据库1020、数据预处理模块1030、特征数据库1040、故障诊断模块1050、故障等级判定模块1060、系统降级决策机1070、故障统计模块1080。

[0041] 监测数据接收模块1010用于接收车辆上传的监测数据，其中，监测数据是指车辆监测到的零部件或功能系统的工作状态数据，可选的，监测数据是车辆监测到的整车或零部件或功能系统的工作状态的相关数据；

[0042] 中央数据库1020用于将监测数据接收模块1010接收到的监测数据进行解析，得到解析后的监测数据；，具体的为解析车辆上传的数据包,并且将解析后的数据输入数据预处理模块1030；可选的，中央数据库还用于：以监测数据来自的零部件或功能系统为标签，将解析后的监测数据分类存储，进而能够建立一个比较完备的有关监测数据的数据库，该数据库可以用于后期分析某一故障出现后对整车/零部件寿命的影响、或者用于完善故障诊断系统。

[0043] 进一步地，如图3所示，中央数据库1020包括：临时存储单元1021、定期储存单元1022；可选的，临时存储单元1021和定期存储单元1022以零部件(零部件1，零部件2，…，零部件n，系统)为类别进行结构化分类存储管理；临时存储单元1021用于临时存储车辆上传的实时数据；定期存储单元1022用于存储以故障诊断模块1050输出的诊断结果作为故障标签，从临时存储单元1021存储的实时数据中转移过来的数据。如图4所示，以零部件i为例描述定期存储单元1022结构化分类存储管理，零部件i有一个相对独立的存储区域，该存储区域分为无故障数据区域和故障数据区域，故障数据区域又可以细分为传感器类数据、执行器类故障数据或其它故障数据；对应每类故障，可以进一步地详细分类，从故障1到故障n，例如传感器故障类数据可以分为电流传感器故障数据、电压传感器故障数据、温度传感器故障数据、以及压力传感器故障数据等。可选的，为了节省存储空间，定期存储单元1022可以对所存储的数据进行定期清洗(如每周、每月或每年)。

[0044] 数据预处理模块1030用于对中央数据库1020输入的监测数据(也称之为原始数据)进行特征向量的提取和降维处理，以缩小数据量和提取有效的数据特征向量，可以缩短故障诊断时间和提高故障诊断的准确率；其中，特征向量为表征所述监测数据的一组数，可选的，对监测数据进行平均或方差计算，得到平均值或方差值，对应监测数据的平均值或方差值的集合可以看做是一组数，；可选的，一组数可以表示为{A，B，C，D…Z}。

[0045] 特征数据库1040用于存储数据预处理模块处理后获得的特征向量；进一步地，如图5所示，特征数据库1040包括：临时存储单元1041、定期储存单元1042。特征数据库1040的存储管理与中央数据库1020的结构化分类存储管理类似，也是以零部件为类别和以故障诊断模块1050输出的诊断结果为标签进行结构化分类存储管理，如图6所示，具体描述可以参见中央数据库1020描述的结构化分类存储管理。需要明确的是，特征数据库1040存储到特征向量数据与黄宗洋数据库存储的实时数据(也称之为原始数据)是意义对应的。可选的，定期对特征数据库1040存储到额特征向量数据进行清洗；定期清洗的原则是：(1)特征向量相似的只需要保留最新的特征向量；(2)对应地，中央数据库1020的定期存储单元1022只需要保留与特征数据库1040保留的特征向量相对应的实时数据(也称之为原始数据)。

[0046] 故障诊断模块1050用于基于机器学习算法对分类存储的特征向量并行的进行故障诊断。可选的，故障诊断模块1050所使用到的机器学习算法为基于决策导向无环图DDAG的支持向量机算法。具体的故障诊断在下面实施例进行描述，在此不再赘述。

[0047] 故障等级判定模块1060用于将故障诊断模块1050输出的故障诊断结果划分等级。可选的，等级划分为：1级故障(最严重)，2级故障，3级故障…；可选的，等级划分为：严重故障、中等故障、一般故障。

[0048] 系统降级决策机1070用于根据故障等级判定模块1060判定的故障等级或/和将故障诊断结果的相关数据输入模型后进行决策，将超出预期安全状态或影响整车安全状态的故障通过相应的危险警示信号通知发生该故障的车辆，例如：系统降级决策机1070根据刹车系统故障诊断结果的相关数据认为刹车系统发生的故障已超出预期安全状态，则通过危险警示信号提示发生该故障的车辆；进一步地，请求车辆保证安全的情况下停车以及提示车辆尽快进行维修。

[0049] 故障统计模块1080用于接收经故障等级判定模块1060输出的故障诊断结果，并且根据零部件/系统进行分区管理、统计；进一步地，故障统计模块1080具体用于下面内容的一种或多种但又不限于下面的例举：统计每个零部件发生故障的概率、统计每个零部件中的每类故障发生的概率、统计每个零部件内的某个故障发生的概率、统计所有零部件不同等级故障发生的概率等；可选的，统计的周期可以任意时间段，例如一年、三月、一月、n周、n日等；可选的，故障统计模块1080用于将故障统计的结果发送给相应的整车或零部件制造商、维修服务商、其他设备。

[0050] 本发明实施例提供的基于云的车辆故障诊断装置，能够通过基于支持向量机算法，将从不同零部件或功能系统的监测数据所提取的特征向量并行地进行故障诊断,不仅可以缩短诊断时间，还可以避免数据传递过程中的不同数据的彼此影响,提高故障诊断的准确性。

[0051] 本发明实施例提供了一种基于云的车辆故障诊断方法，如图7所示，该方法的具体步骤为：

[0052] S100：车辆将监测到的功能系统/零部件的监测数据上传至云端诊断装置/系统；可选的，车辆将监测数据直接上传至中央数据库；可选的，以数据包的形式将所监测到的数据打包上传至中央数据库；可选的，车辆将监测到的功能系统/零部件的监测数据直接上传至数据预处理模块；

[0053] S200：中央数据库接收到车辆上传的监测数据，并且将该监测数据进行解析后传输给数据预处理模块；可选的，中央数据库还将接收到的或解析后的监测数据进行结构化分类存储管理，具体可以参照上述实施例的描述，在此不再赘述；

[0054] S300：数据预处理模块接收中央数据库传输的解析后的监测数据，并且对所接收到的监测数据进行故障特征提取以获得特征向量及将提取后的特征向量传输给特征数据库；进一步地，数据预处理模块通过小波包分解对接收到的数据进行故障特征提取得到特征向量，再通过核主元分析对提取的特征向量进行降维处理，以得到降维后的特征向量；其中，小波包算法可以在全频带对信号进行多层次的频带划分，因此对于故障特征提取的完备度较高；可选的，为了降低故障诊断分类器的计算复杂度，提高故障分离的精度，可以使用径向基-核主元分析算法对所提取的特征向量进行特征选择，降维处理；可选的，数据预处理模块接收车辆直接上传的实时数据；

[0055] 可选的，经过上述处理获得的特征向量也可以直接传输给故障诊断模块进行故障诊断与定位；

[0056] S400：特征数据库接收数据预处理模块传输的特征向量，并且对接收到的特征向量数据采取结构化分类存储管理，具体具体可以参照上述实施例的描述，在此不再赘述；进一步地，特征数据模块将特征向量传输给故障诊断模块；值得注意的，特征数据库不是必要的模块，该模块的作用是为了更好地管理特征向量；

[0057] S500：故障诊断模块接收特征数据库传输的特征向量，基于机器学习算法进行故障的实时诊断与定位；可选的，机器学习算法为基于决策向导无环图DDAG的支持向量机算法。如图8所示，可选的，故障诊断模块包含有一个或多个故障诊断单元，故障诊断单元可以是对应零部件/功能系统配置，对输入的特征向量根据零部件/功能系统划分进行并行计算以分别获得诊断结果，并行计算可以缩短故障诊断的时间和提高故障诊断的准确率；其中，对应零部件的故障诊断单元可以对相应的零部件及其内部元件进行故障诊断和定位；对应功能系统的故障诊断单元可以对整个系统或则某一个功能系统进行故障诊断和定位，能够避免数据传递过程对诊断影响而导致的误判；

[0058] 进一步地，基于支持向量机的故障诊断需要离线构造故障分类器，也就是所说的支持向量机训练模型；在训练支持向量机模型时，使用粒子群优化PSO算法优化支持向量机的惩罚因子参数和径向基核函数参数，以提高故障诊断的准确率。下面提供了离线训练以及测试故障分类模型的方法，如图9所示，具体步骤如下：

[0059] (1)将车辆动力系统或关键部件如发动机、驱动电机、高压电池系统、逆变器、DCDC、OBC、自动驾驶或辅助驾驶系统，按照传感器故障、执行器故障以及其它故障，通过仿真、台架或实车路试采集不同部件发生不同故障时的数据；

[0060] (2)对采集到的数据使用小波包和核主元算法进行数据的特征提取和降维处理，并最终输出不同的特征向量；

[0061] (3)使用支持向量机训练不同故障的特征向量，并使用PSO优化支持向量机的结构参数-惩罚因子参数和径向基核函数参数；

[0062] (4)设置支持向量机的结构参数的初始值以及搜索范围、PSO的参数值；

[0063] (5)随机给定一组粒子的速度和位置；

[0064] (6)训练支持向量机分类模型，并计算每个粒子的适应度函数值；

[0065] (7)更新粒子位置的个体和全局最优值；

[0066] (8)更新粒子的速度和位置；

[0067] (9)判断是否达到最大迭代次数；若达到最大迭代次数，则获得最优的支持向量机结构参数-惩罚因子参数和径向基核函数参数值；

[0068] (10)获得最优的支持向量机分类模型；

[0069] (11)使用测试数据去测试获得的支持向量机分类模型，并输出故障诊断准确率，以判定分类模型的准确度；并将测试后的支持向量机分类模型用于在线实时故障诊断。

[0070] 本发明实施例提供了的一种基于云的故障诊断方法，该方法通过基于支持向量机算法，将不同零部件/系统的特征向量并行地进行故障诊断,不仅可以缩短诊断时间，还可以避免数据传递的影响以提高故障诊断的准确性。

[0071] 可选的，S600：故障诊断模块将诊断结果分别传输给中央数据库、特征数据库和故障等级判定模块；进一步地，中央数据库和特征数据库接收诊断结果用于以诊断结果为标签对相应数据进行分类管理，具体的分类管理参见前面实施例，在此不再赘述；

[0072] 可选的，S700：故障等级判定模块对接收到的诊断结果进行等级判定，具体等级划分参见上面实施例描述，在此不再赘述；进一步地，将判定等级的诊断结果传输给系统降级决策机、故障统计模块；

[0073] 可选的，S800：故障统计模块对接收到的诊断结果进行数据统计，具体的统计工作参考上面实施例的描述，在此不再赘述；进一步地，故障统计模块将统计的数据发送给制造商、服务商等，用于完善产品和/或服务；

[0074] 可选的，S900：系统降级决策机接收故障等级判定模块传输的经过等级判定的诊断结果，并且基于故障等级判定模块输出的结果决策，向车辆发送相应危险警示信号；系统降级决策机内部决策及发送危险警示信号的控制过程如图10所示，具体如下：

[0075] (1)系统降级决策机会根据故障等级判定模块输出的结果，进行决策。如果被诊断出的故障在故障等级判定模块判定为严重等级的故障，此时系统降级决策机会直接发送相应的危险警示信号给车辆；可选的，危险警示信号是提示车辆发生了严重故障，或者/和请求紧急处理该严重故障；可选的，严重等级故障是指如果发生很可能导致车辆失去控制，危害到驾驶员的生命安全；例如，车辆制动踏板出现故障，则车俩制动性能不能保证，可归为最严重故障；

[0076] (2)如果所发生的故障在故障等级判定模块判定为非严重等级的故障，系统降级决策机会根据车辆上传的实时数据进行综合判断：

[0077] 一方面，车辆上传的整车系统数据会输入到整车模型，判定整车是否处于安全状态；另一方面，上传的零部件数据会输入到相应零部件模型，判定部件是否处于一种预期的安全状态；进一步地，如果整车或某零部件判定其处于临界危险状态，系统降级决策机会发送相应的危险警示信号给车辆。其中，整车模型、零部件模型可以通过数学公式构建，或者通过审计网络等智能算法训练；在具体实现中，可以基于系统(整车或部件)的测量输入/输出信号以及系统的模型计算出反应系统安全状态的重要参数值，如果参数值超出预期的安全范围，系统降级决策机会判定此时车辆超出预期的安全状态，会发送相应的系统危险警示信号给车辆，可实时分析车辆的安全状态，保证车辆安全行驶。

[0078] 下面以电池包电流传感器故障为例，详细描述故障诊断与定位的过程，如图11所示，具体实现过程如下：

[0079] (1)车辆将监测到的关于电池包电流传感器的实时数据传输给中央数据库的临时存储单元，以及数据预处理模块；

[0080] (2)数据预处理模块通过对接收到的数据进行特征提取操作，将提取后的特征向量发送给故障诊断模块；进一步地，发送给电池故障诊断单元；并且，数据预处理模块还会将特征向量存储到特征数据库，特征数据库的结构及存储方式可以参考中央数据库；具体地，将电池相关的特征向量存储到特征数据库的电池区域；

[0081] (3)电池故障诊断单元判定电池包电流传感器发生故障，并将此诊断结果发送到故障统计模块、故障等级判定模块、中央数据库、特征数据库；

[0082] (4)此时，中央数据库会以电池包电流传感器故障为故障标签，将临时存储单元的存储的关于电池的实时数据转移到定期存储单元-电池区域-故障数据区域-传感器故障区域-电流传感器故障区域中；特征数据库的也采取类似的方法将临时存储单元的特征向量转移至定期存储单元；

[0083] (5)同时，故障诊断结果也会发送给整车以及第三方的监控设备(如手机)；

[0084] (6)同时，故障统计模块会统计电池包电流传感器故障发生的概率，并将结果发送给整车或零部件厂，以及厂商维修(4S)店；

[0085] (7)同时，故障严重等级判定模块中会判定此故障是否为严重故障，如果判定为严重故障则将此诊断结果发送给系统降级决策机；

[0086] (8)降级决策机基于该严重故障作出降级命令决策，并发送相应的危险警示信号给整车的VCU，请求降功率至零，并切断高压；同时，提醒驾驶员发生动力系统故障，需靠边停车。

[0087] 本发明实施例提供的电池包电流传感器故障诊断方法，通过将电池包电流传感器的监测数据提取后调整向量存储到相应的分类存储，由电池故障诊断单元根据特征向量判定电池包电流传感器发生故障，可以避免其他零部件/系统的监测数据对电池包电流传感器监测数据的影响，提高故障诊断的准确性。

[0088] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。