(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110193396.6 (22)申请日 2021.02.20 (65)同一申请的已公布的文献号 申请公布号 CN 112785016 A (43)申请公布日 2021.05.11 (73)专利权人 南京领行科技股份有限公司 地址 211100 江苏省南京市江宁区苏源大 道19号九龙湖国际企业总部园B4栋2 层 （江宁开发区） (72)发明人 余林玲　张金鑫　杨海瑞　宋昊　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 专利代理师 王宁宁 (51)Int.Cl. G06Q 10/00(2012.01)G06Q 10/04(2012.01) G06Q 50/10(2012.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G06F 119/02(2020.01) (56)对比文件 CN 108985279 A,2018.12.1 1 CN 112069998 A,2020.12.1 1 US 2019242936 A1,2019.08.08 CN 110046663 A,2019.07.23 审查员 沈雪茹 (54)发明名称 基于机器学习的新能源汽车保养维护与故 障监测诊断方法 (57)摘要 本申请提供一种基于机器学习的新能源汽 车保养维护与故障监测诊断方法， 涉及新能源汽 车装置监测与故障诊断应用领域。 本申请实施例 提供的基于机器学习的新能源汽车保养维护与 故障监测诊断方法首先获取新能源汽车的车辆 状态数据集， 对车辆状态数据集进行特征提取， 形成初步特征数据集， 然后对初步特征数据集进 行预训练， 产生嵌入式特征向量集， 并将嵌入式 特征向量集作为循环神经网络的输入进行训练， 得到车辆故障监测诊断算法模型， 最后基于车辆 故障监测诊断算法模型， 通过接收的车辆状态数 据， 对车辆状态进行监测与故障分析。 从而可 以 及时有效地监测车辆运行状况， 进而可以避免车 辆故障带来安全隐患和经济损失， 提高车辆的行 驶安全。 权利要求书3页 说明书19页 附图8页 CN 112785016 B 2022.06.07 CN 112785016 B 1.一种基于 机器学习的新能源 汽车保养维护与故障监测诊断方法， 其特 征在于， 包括： 获取新能源 汽车的车辆状态数据集； 对所述车辆状态数据集进行 特征提取， 形成初步特 征数据集； 对所述初步特 征数据集进行 预训练， 产生嵌入式特 征向量集； 将所述嵌入式特征向量集作为循环神经网络的输入进行训练， 得到车辆故障监测诊断 算法模型； 基于所述车辆故障监测诊断算法模型， 通过接收的车辆状态数据， 对车辆状态进行监 测与故障分析； 其中， 对所述初步特 征数据集进行 预训练， 产生嵌入式特 征向量集， 包括： 使用所述初步特征数据集作为样本数据， 采用提升树LightGBM算法进行训练， 得到对 应的LightGBM算法弱分类器； 将所述样本数据重新输入所述弱分类器， 根据每个样本数据 在所述弱 分类器表现决定所述样本数据在下一个弱分类器的分将每个样本数据在所述弱 分类器上叶节点的索引值作为所述样本数据的新特征， 重复执行将所述样本数据重新输入 所述弱分类器的步骤， 根据所述样 本数据的分布， 确定损失函数的值， 直到所述损失函数的 值达到设定阈值或所述损失函数的值的变化幅度达到设定阈值为止， 得到 设定数量的弱分 类器； 将所有的弱分类器加权结合得到提升树模型将通过预训练所得到的提升树模型作为 特征转换器， 将所述初步特征数据集输入所述提升树模型， 基于所述提升树模型对所述初 步特征数据集进行拼接和嵌入式表示， 得到嵌入式特 征向量集。 2.根据权利要求1所述的方法， 其特征在于， 所述获取新能源汽车的车辆状态数据集， 包括： 获取新能源汽车的机械结构类型、 电子控制系统以及高压设备系统三种类型的车辆状 态数据集； 所述车辆状态数据集包括电流数据、 温度数据、 振动数据、 摆幅数据和转速数据。 3.根据权利要求2所述的方法， 其特征在于， 对所述车辆状态数据集进行特征提取， 形 成初步特 征数据集， 包括： 根据所述车辆状态数据集的值域类型差异， 从时域特征方面、 频域特征方面以及时频 域特征方面对所述车辆状态数据集进 行特征提取， 得到所述车辆状态数据集对应的初步特 征数据集。 4.根据权利要求3所述的方法， 其特征在于， 所述从时域特征方面、 频域特征方面以及 时频域特 征方面对所述车辆状态数据集进行 特征提取， 包括： 对所述车辆状态数据集的电流数据和温度 数据， 采用时频域特征进行特征提取； 其中， 所述时频域特征是采用基于小波变换的多尺度空间能量分布特征提取方法， 对原始传感信 号进行频带分析， 并依 次分别计算所得各个频带 的能量值， 将所述能量值作为所述电流数 据和所述温度数据的特 征数据； 对所述车辆状态数据集的振动数据， 采用频域特 征进行特征提取； 通过离散余弦变换， 经过两次傅里叶变换后的频谱图， 取幅度最大的前N个系数作为该 振动数据的特 征数据； 对所述车辆状态数据集的转速数据和摆幅数据， 采用时域特征进行特征提取， 特征数 据包括数据的平均值、 标准差、 变异系统以及均方根 值。权　利　要　求　书 1/3 页 2 CN 112785016 B 25.根据权利要求4所述的方法， 其特征在于， 所述对所述车辆状态数据集的振动数据， 采用频域特 征进行特征提取， 包括： 基于倒谱分析， 利用所述振动数据的频谱 包络对所述振动数据进行 特征提取。 6.根据权利要求2所述的方法， 其特征在于， 所述获取新 能源汽车的车辆状态数据集之 后， 所述方法还 包括： 对所述车辆状态数据集进行缺失值处 理、 数据去噪处 理以及数据归一 化处理。 7.根据权利要求6所述的方法， 其特征在于， 所述缺失值处理包括插补数据处理、 删除 数据处理和不进行处 理； 所述对所述车辆状态数据集进行缺失值处 理， 包括： 使用中位数填充方法对所述电流数据、 所述温度数据、 所述转速数据和所述摆幅数据 进行处理； 采用删除数据方法对所述振动数据的缺失值进行处 理； 所述对所述车辆状态数据集进行 数据去噪处 理， 包括： 采用随机森林回归方法， 通过设置滑动窗口的参数完成对所述车辆状态数据集的遍 历， 对正常索引部分值进行建模， 对异常部分值进行 预测； 所述对所述车辆状态数据集进行 数据归一 化处理， 包括： 采用聚类算法对所述车辆状态数据集进行聚类分析。 8.根据权利要求1所述的方法， 其特征在于， 所述循环神经网络包括两个神经网络， 所 述两个神经网络 以堆叠形式进行拼接， 将一个神经网络的隐层作为另一个神经网络的输 入； 所述将所述嵌入式特征向量集作为循环神经网络的输入进行训练， 得到车辆故障监测 诊断算法模型， 包括： 将所述嵌入式特征向量集输入所述循环神经网络， 对所述循环神经网络进行训练， 得 到车辆故障诊断算法模型。 9.一种基于机器学习的新能源汽车保养维护与故障监测诊断系统， 其特征在于， 所述 系统包括线下模型训练单 元和线上部署实时监测诊断单 元： 所述线下模型训练单 元通过获得离线历史数据， 构建车辆故障监测诊断算法模型； 所述线上部署实时监测诊断单元用于对得到的车辆故障监测诊断算法模型进行功能 实现， 并部署到 云平台服务端； 所述云平台服务端用于对接收的实时数据进行 处理， 实现对 车辆状态实时监测与故障诊断分析； 所述线下模型训练单元具体用于： 使用对所述离线历史数据进行特征提取得到的初步 特征数据集作为样本数据， 采用提升树LightGBM算法进行训练， 得到对应的LightGBM算法 弱分类器； 将所述样本数据重新输入所述弱分类器， 根据每个样本数据在所述弱分类器表现决定 所述样本数据在下一个弱分类 器的分布； 将每个样本数据在所述弱分类器上叶节点的索引值作为所述样本数据的新特征， 重复 执行将所述样本数据重新输入所述弱 分类器的步骤， 根据所述样本数据的分布， 确定损失 函数的值， 直到所述损失函数的值达到 设定阈值或所述损失函数的值的变化幅度达到 设定 阈值为止， 得到设定数量的弱分类 器； 将所有的弱分类 器加权结合得到提升树模型； 将通过预训练所得到的提升树模型作为特征转换器， 将所述初步特征数据集输入所述权　利　要　求　书 2/3 页 3 CN 112785016 B 3