车辆变速箱的故障预测方法、装置、设备及介质与流程

1.本技术涉及变速箱技术领域，尤其涉及一种车辆变速箱的故障预测方法、装置、设备及介质。


背景技术：

2.车辆变速箱，是一套变速装置，用于协调发动机的转速和车轮的实际转速，使车辆在不同的行驶条件下均能让发动机发挥出最优的性能。为了提高变速箱运行过程中的平稳性，需要对变速箱进行故障预测。
3.现有技术中，在对变速箱进行故障预测时，通常是对采集到的车辆行驶过程中的can信号进行预处理，并将预处理后的can信号通过减法聚类过程进行聚类，得到预设数量个聚类后的can信号，进而基于聚类后的can信号进行变速箱的故障预测。
4.但是现有技术通过减法聚类过程进行聚类的方式，损失的can信号较多，使得变速箱的故障预测结果不够准确。


技术实现要素：

5.本技术提供一种车辆变速箱的故障预测方法、装置、设备及介质，用以解决现有技术通过减法聚类过程进行聚类的方式，损失的can信号较多，使得变速箱的故障预测结果不够准确的问题。
6.第一方面，本技术提供一种车辆变速箱的故障预测方法，包括：
7.采集车辆行驶过程中的can信号，所述can信号中包括与车辆变速箱相关联的can信号和其它无关can信号；
8.根据预设的主成分分析算法对所述can信号中的所述其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号；
9.基于典型性分布函数聚类算法对所述与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号，所述目标信号为所述与车辆变速箱相关联的can信号中过滤掉无效信号的can信号；
10.将所述目标can信号输入预设的车辆变速箱故障预测模型，得到车辆变速箱的故障预测结果，所述故障预测结果用于指示所述车辆变速箱是否出现故障。
11.可选的，所述基于典型性分布函数聚类算法对所述与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号，包括：
12.根据预设的距离函数，计算所述与车辆变速箱相关联的can信号中的数据之间的距离；
13.将数据之间的距离满足预设距离阈值的多个数据聚类成一个微簇，得到多个微簇；
14.将相交的微簇进行聚类处理，得到多个宏簇；
15.对于每个宏簇，根据所述宏簇中包含的每个微簇的数据密度，对所述宏簇进行过
滤处理，得到所述目标can信号。
16.可选的，所述根据所述宏簇中包含的每个微簇的数据密度，对所述宏簇进行过滤处理，得到所述目标信号，包括：
17.计算所述宏簇中包含的每个微簇的数据密度；
18.根据每个微簇的数据密度，判断每个微簇的属性特征，所述属性特征包括非激活微簇和激活微簇；
19.通过密度过滤器将属性特征属于所述非激活微簇的微簇进行过滤，得到所述目标can信号。
20.可选的，所述根据每个微簇的数据密度，判断每个微簇的属性特征，包括：
21.根据每个微簇的数据密度，计算所述宏簇中微簇的平均数据密度；
22.对于任意一个微簇，若所述微簇的数据密度小于所述平均数据密度，则所述微簇的属性特征为所述非激活微簇；
23.若所述微簇的数据密度大于或等于所述平均数据密度，则所述微簇的属性特征为所述激活微簇。
24.可选的，所述根据预设的主成分分析算法对所述can信号中的所述其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号，包括：
25.对所述can信号进行协方差计算，得到协方差矩阵；
26.根据所述协方差矩阵计算多个特征值，每个特征值对应一个主成分，所述主成分为所述与车辆变速箱相关联的can信号中的任一种类型信号或其它无关can信号中的任一种类型信号；
27.按照特征值的大小，由大到小计算方差累计贡献率；
28.根据所述方差累计贡献率，确定所述方差累计贡献率大于预设方差贡献率阈值时所累计用的特征值；
29.将剩余的特征值对应的主成分进行去除处理，得到所述累计用的特征值对应的主成分，所述主成分为所述与车辆变速箱相关联的can信号。
30.可选的，所述车辆变速箱故障预测模型基于模糊算法创建。
31.第二方面，本技术提供一种车辆变速箱的故障预测装置，包括：
32.采集模块，用于采集车辆行驶过程中的can信号，所述can信号中包括与车辆变速箱相关联的can信号和其它无关can信号；
33.处理模块，用于根据预设的主成分分析算法对所述can信号中的所述其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号；
34.所述处理模块，还用于基于典型性分布函数聚类算法对所述与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号，所述目标信号为所述与车辆变速箱相关联的can信号中过滤掉无效信号的can信号；
35.预测模块，用于将所述目标can信号输入预设的车辆变速箱故障预测模型，得到车辆变速箱的故障预测结果，所述故障预测结果用于指示所述车辆变速箱是否出现故障。
36.第三方面，本技术实施例提供一种电子设备，包括：处理器及存储器；
37.所述存储器用于存储所述处理器的可执行指令；
38.其中，所述处理器执行所述存储器存储的计算机执行指令来执行第一方面任一项
所述的车辆变速箱的故障预测方法。
39.第四方面，本技术提供一种可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时实现第一方面任一项所述的车辆变速箱的故障预测方法。
40.第五方面，本技术提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于实现第一方面任一项所述的车辆变速箱的故障预测方法。
41.本技术提供的车辆变速箱的故障预测方法、装置、设备及介质，通过采集车辆行驶过程中的can信号，其中，can信号中包括与车辆变速箱相关联的can信号和其它无关can信号，根据预设的主成分分析算法对can信号中的其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号。进而基于典型性分布函数聚类算法对与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号，其中，目标信号为与车辆变速箱相关联的can信号中过滤掉无效信号的can信号，将目标can信号输入预设的车辆变速箱故障预测模型，得到车辆变速箱的故障预测结果，该故障预测结果用于指示车辆变速箱是否出现故障。本技术的方法，通过典型性分布函数聚类算法对与车辆变速箱相关联的can信号进行聚类处理，降低了通过减法聚类方式损失的can信号，使得变速箱的故障预测结果更加准确。
附图说明
42.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
43.图1为本技术提供的一种应用场景示意图；
44.图2为本技术实施例提供的一种车辆变速箱的故障预测方法的流程示意图；
45.图3为本技术实施例提供的一种得到与车辆变速箱相关联的can信号的方法的流程示意图；
46.图4为本技术实施例提供的一种得到目标信号的方法的流程示意图；
47.图5为本技术实施例提供的一种车辆变速箱的故障预测装置的结构示意图；
48.图6为本技术实施例提供的一种电子设备的结构示意图。
49.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
50.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
51.在本技术实施例的描述中，术语“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示装置或构件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
52.在本技术实施例的描述中，除非另有明确的规定和限定，术语“相连”、“连接”应做
广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个构件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本技术实施例中的具体含义。
53.首先对本技术所涉及的名词进行解释：
54.主成分分析法：也称主分量分析，是一种常用的数学分析方法，通过线性变换将原始数据变为一组各维线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。
55.典型性分布函数聚类算法：是基于密度的非频率数据分析工具，该函数基于数据实例之间的距离来增量地对非参数分布进行建模，从非参数数据中提取出非参数分布的描述，可以用于异常检测领域。
56.变速箱是一种用于汽车和其他机动车辆的机械装置，主要作用是将发动机输出的动力通过传动系统传递给车轮，同时通过改变齿轮组的组合方式和传动比来控制车辆的速度和动力输出。通过变速箱，驾驶员可以更好地控制车辆，获得更加平稳和高效的驾驶体验，为了提高变速箱运行过程中的平稳性，需要对变速箱进行故障预测。
57.现有技术中，在对变速箱进行故障预测时，通常是先采集车辆行驶过程中的can信号，然后对该信号进行筛选，从中筛选出与变速箱相关的can信号，进而通过减法聚类算法对筛选出的can信号进行聚类以过滤到无效信号，最后基于过滤后的can信号进行变速箱的故障预测。
58.但是，现有技术通过减法聚类算法进行聚类的过程中，限定了聚类的簇的数量，损失的can信号较多，导致过滤掉的can信号中还包括一些有用信号，进而导致根据过滤后的can信号预测的变速箱的故障预测结果不够准确。
59.因此，针对现有技术中的上述技术问题，本技术提出一种车辆变速箱的故障预测方法、装置、设备及介质，通过预设的主成分分析算法对采集到的can信号进行预处理，得到与车辆变速箱相关联的can信号，并基于典型性分布函数聚类算法对与车辆变速箱相关联的can信号进行聚类处理，过滤掉与车辆变速箱相关联的can信号中的无效信号，得到目标can信号。最终，根据该目标can信号进行车辆变速箱的故障预测。本技术通过典型性分布函数聚类算法对，与车辆变速箱相关联的can信号进行聚类处理，降低了通过减法聚类算法损失的can信号，从而提高了变速箱的故障预测结果的准确性。
60.为了便于理解本技术的方法，下面实例性的提供一种应用场景，图1为本技术提供的一种应用场景示意图，如图1所示，包括服务器101、车载终端102、传感器集群103。
61.其中，传感器集群103，用于采集车辆上的各种检测信号并发送至车载终端102。传感器集群103中包括但不限于：热敏元件、光敏元件、气敏元件、力敏元件、磁敏元件、湿敏元件、声敏元件、放射线敏感元件、色敏元件等。
62.车载终端102，用于接收传感器集群103发送的检测信号并生成各种can信号，在该can信号中即包括与车辆变速箱相关联的can信号又包括其它无关can信号。
63.服务器101，用于接收can信号，并基于预设的多种算法对该can信号进行处理得到目标can信号。以及，根据该目标can信号进行车辆变速箱故障预测，得到预测结果，并发送至车载终端102，车载终端102根据预测结果进行预警。
64.可以理解的是，本技术中不对应用场景中的服务器101、车载终端102、传感器集群103的数量、形态、功能及交互方式等进行限定，在方案的具体应用中，车载终端102也可以实现服务器101的功能，上述场景仅用于举例说明，其可以根据实际的需求进行设定，本技术不进行限定。
65.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
66.图2为本技术实施例提供的一种车辆变速箱的故障预测方法的流程示意图，该方法的执行主体可以为具备故障预测功能的终端，例如，可以为服务器、服务器集群、车载终端等。本实施例中的方法可以通过软件、硬件或者软硬件结合的方式来实现。如图2所示，该方法具体包括以下步骤：
67.s201、采集车辆行驶过程中的can信号，can信号中包括与车辆变速箱相关联的can信号和其它无关can信号。
68.车辆在行驶的过程中，因为车辆上安装的各种检测元器件的种类及数量众多，因此根据实时采集的信号，可以获取多种can信号。
69.在该can信号中既包括与车辆变速箱相关联的can信号，又包括其它无关信号。
70.可以理解的是，本技术中对变速箱的类型不进行限定，可以是自动变速箱(automated mechanical transmission，amt)，还可以是液力自动变速箱(automatic transmission，at)，还可以是机械无级自动变速箱(continuously variable transmission，cvt)等。
71.采集车辆行驶过程中的can信号包括但不限于：冷却液温度tc、发动机转速ne、主轴转速nm、车速nv、节气门开度α
t
、换挡电磁阀深s
v1
、换挡电磁阀s
v2
等。
72.其中，获取的can信号以矩阵的形式存储在车载终端、或服务器、或服务器集群中。
73.s202、根据预设的主成分分析算法对can信号中的其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号。
74.在步骤s201中获取的can信号为高维度的矩阵，这些向量在高维度空间中存在较多的与车辆变速箱不相关联的can信号和噪声信号，若直接用采集到的can信号进行车辆变速箱故障预测，待处理的计算量大且存在干扰信号，容易使得到的预测结果不够准确。
75.本实施例通过主成分分析算法，对采集到的车辆行驶过程中的can信号进行预处理，从而得到与车辆变速箱相关联的can信号。
76.示例性的，通过主成分分析算法对冷却液温度tc、发动机转速ne、主轴转速nm、车速nv、节气门开度α
t
、换挡电磁阀深s
v1
、换挡电磁阀s
v2
等进行处理，最终得到的与车辆变速箱相关联的can信号为：发动机转速ne、车速nv及节气门开度α
t
。
77.s203、基于典型性分布函数聚类算法对与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号，目标信号为与车辆变速箱相关联的can信号中过滤掉无效信号的can信号。
78.因为上述步骤中得到的与车辆变速箱相关联的can信号还存在很多无效信号，因此需要对这些无效信号进行过滤。
79.本实施例通过典型性分布函数聚类算法对与车辆变速箱相关联的can信号进行聚
类，通过将车辆变速箱相关联的can信号聚类成多个微簇，然后多个微簇形成一个宏簇，得到多个宏簇，并对得到的多个宏簇进行过滤处理，最终得到过滤掉无效信号的can信号的目标can信号。
80.s204、将目标can信号输入预设的车辆变速箱故障预测模型，得到车辆变速箱的故障预测结果，故障预测结果用于指示车辆变速箱是否出现故障。
81.其中，车辆变速箱故障预测模型基于模糊算法创建。
82.本实施例中，模糊算法以anfis(adaptive-network-based fuzzy inference system)为例，其一般形式为if-then。
83.示例性的，if x is a1 and y is b1，then f1＝p1*x+q1*y+r1
84.模糊化是将输入特征映射为[0,1]区间的数(这个映射函数称为隶属度函数)，该值越大则称被满足的程度越大。在本实施例中，该值越靠近1表示车辆变速箱正常工作的可能性越大，越靠近0表示车辆变速箱出现故障的可能性越大。
[0085]
在本技术的上述实施例中，通过采集车辆行驶过程中的can信号，其中，can信号中包括与车辆变速箱相关联的can信号和其它无关can信号，根据预设的主成分分析算法对can信号中的其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号。进而基于典型性分布函数聚类算法对与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号，其中，目标信号为与车辆变速箱相关联的can信号中过滤掉无效信号的can信号，将目标can信号输入预设的车辆变速箱故障预测模型，得到车辆变速箱的故障预测结果，该故障预测结果用于指示车辆变速箱是否出现故障。本实施例的方法，通过典型性分布函数聚类算法对与车辆变速箱相关联的can信号进行聚类处理，降低了通过减法聚类方式损失的can信号，使得变速箱的故障预测结果更加准确。
[0086]
进一步的，在上述实施例的基础之上，通过下方的实施例，详细的说明步骤s202中涉及的根据预设的主成分分析算法对can信号中的其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号的过程。
[0087]
图3为本技术实施例提供的一种得到与车辆变速箱相关联的can信号的方法的流程示意图，如图3所示，该方法具体包括以下步骤：
[0088]
s301、对can信号进行协方差计算，得到协方差矩阵。
[0089]
采集的can信号组成的信号矩阵a＝{tc、ne、nm、nv、α
t
、s
v1
、s
v2
}。
[0090]
具体的，
[0091]
根据下述公式(1)计算协方差矩阵∑(s
ij
)p
×
p：
[0092][0093]
其中，k表示第k个信号；x
ki
表示第i个can信号的第k个数据；x
kj
表示第j个can信号的第k个数据；表示第i个can信号的均值；表示第j个can信号的均值。
[0094]
s302、根据协方差矩阵计算多个特征值，每个特征值对应一个主成分，主成分为与车辆变速箱相关联的can信号中的任一种类型信号或其它无关can信号中的任一种类型信号。
[0095]
根据协方差矩阵计算多个特征值λi及相应的正交化单位特征向量αi。其中，每个特
征值对应一个主成分，主成分可以是冷却液温度tc、发动机转速ne、主轴转速nm、车速nv、节气门开度α
t
、换挡电磁阀深s
v1
、换挡电磁阀s
v2
等中的任意一个。
[0096]
得到的多个特征值可以为λ1、λ2、
…
、λ
p
。
[0097]
s303、按照特征值的大小，由大到小计算方差累计贡献率。
[0098]
根据下述公式(2)计算方差累计贡献率g(m)：
[0099][0100]
其中，m表示前m个can信号的特征值。
[0101]
s304、根据方差累计贡献率，确定方差累计贡献率大于预设方差贡献率阈值时所累计用的特征值。
[0102]
若当前g(m)大于预设方差贡献率阈值，则当前所累计用的特征值为λ1、λ2、
…
、λm。
[0103]
s305、将剩余的特征值对应的主成分进行去除处理，得到累计用的特征值对应的主成分，该主成分为与车辆变速箱相关联的can信号。
[0104]
将剩余的特征值λn、
…
、λ
p
对应的主成分进行去除处理，例如假设对应的主成分为冷却液温度tc、主轴转速nm、换挡电磁阀深s
v1
、换挡电磁阀s
v2
进行去除，得到累计用的特征值对应的主成分，例如假设对应的主成分为发动机转速ne、车速nv、节气门开度α
t
，最终，得到与车辆变速箱相关联的can信号即发动机转速ne、车速nv、节气门开度α
t
。
[0105]
在本技术的上述实施例中，通过对can信号进行协方差计算，得到协方差矩阵，并根据协方差矩阵计算多个特征值，每个特征值对应一个主成分，主成分为与车辆变速箱相关联的can信号中的任一种类型信号或其它无关can信号中的任一种类型信号，进而按照特征值的大小，由大到小计算方差累计贡献率，并根据其确定方差累计贡献率大于预设方差贡献率阈值时所累计用的特征值，将剩余的特征值对应的主成分进行去除处理，得到累计用的特征值对应的主成分，其中，该主成分为与车辆变速箱相关联的can信号。本实施例的方法，去除了采集到的can信号中与车辆变速箱无关联的can信号，得到了相关联的can信号，使得最终根据相关联的can信号得到的车辆变速箱的故障预测结果更加准确。
[0106]
进一步的，在上述实施例的基础之上，通过下方的实施例，详细的说明步骤s203中涉及的基于典型性分布函数聚类算法对与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号的过程。
[0107]
图4为本技术实施例提供的一种得到目标信号的方法的流程示意图，如图4所示，该方法具体包括以下步骤：
[0108]
s401、根据预设的距离函数，计算与车辆变速箱相关联的can信号中的数据之间的距离。
[0109]
其中，预设的距离函数dist(x,y)可以是欧式距离公式，马氏距离公式，余弦，或者是其它函数等。
[0110]
根据下述公式(3)计算距离πk(x)：
[0111]
[0112]
其中，xk表示第k个数据；xi表示第i个数据。
[0113]
s402、将数据之间的距离满足预设距离阈值的多个数据聚类成一个微簇，得到多个微簇。
[0114]
s403、将相交的微簇进行聚类处理，得到多个宏簇。
[0115]
在微簇形成的同时，宏簇也会找到相互交错的微簇，并将这些微簇组合成宏簇。若微簇相互交错，则算法会将这些微簇合并成宏簇。
[0116]
通过创建邻接矩阵来判断微簇是否相交，其中，邻接矩阵的维数与微簇的维数相同。
[0117]
判断两个微簇相交的验证条件如下述公式(4)所示：
[0118][0119]
其中，z表示方差，可通过下述公式(5)计算：
[0120][0121]
其中，c表示累计的can的个数；d表示维度数。
[0122]
s404、对于每个宏簇，根据宏簇中包含的每个微簇的数据密度，对宏簇进行过滤处理，得到目标can信号。
[0123]
一种可能的实现方式是：
[0124]
计算宏簇中包含的每个微簇的数据密度。
[0125]
根据每个微簇的数据密度，判断每个微簇的属性特征，属性特征包括非激活微簇和激活微簇。
[0126]
具体的，
[0127]
根据每个微簇的数据密度，计算宏簇中微簇的平均数据密度。
[0128]
对于任意一个微簇，若微簇的数据密度小于平均数据密度，则微簇的属性特征为非激活微簇。
[0129]
若微簇的数据密度大于或等于平均数据密度，则微簇的属性特征为激活微簇。
[0130]
通过密度过滤器将属性特征属于非激活微簇的微簇进行过滤，得到目标can信号。
[0131]
密度过滤器如公式(6)所示
[0132][0133]
其中，属于激活微簇；是一组由n个微簇所组成的宏簇，j＝1,2,3,...,n。
[0134]
在本技术的上述实施例中，通过根据预设的距离函数，计算与车辆变速箱相关联的can信号中的数据之间的距离，将距离满足预设距离阈值的多个数据聚类成一个微簇，得到多个微簇，将相交的微簇进行聚类处理，得到多个宏簇，对于每个宏簇，根据宏簇中包含的每个微簇的数据密度，对宏簇进行过滤处理，得到目标can信号。本实施例的方法，过滤掉了与车辆变速箱相关联的can信号中的无效信号，使得最终根据目标can信号得到的车辆变速箱的故障预测结果更加准确。
[0135]
得到目标can信号，将其输入预设的车辆变速箱故障预测模型，其中，车辆变速箱故障预测模型基于模糊算法创建，模糊算法以anfis为例。
[0136]
其模糊规则为：
[0137][0138][0139]
其中，表示模糊集合；表示真值参数；fi(m)表示根据规则ri得到的结果。
[0140]
采用采用高斯型隶属度函数、单值模糊产生器、乘法规则以及重心法加权求和y可由如下公式(7)所示：
[0141][0142]
其中，为隶属度函数。
[0143]
根据上述公式得到的预测值越靠近1，则表示车辆变速箱正常工作的可能性越大，越靠近0则表示车辆变速箱出现故障的可能性越大。
[0144]
图5为本技术实施例提供的一种车辆变速箱的故障预测装置的结构示意图，如图5所示，该装置包括：采集模块501、处理模块502及预测模块503。
[0145]
采集模块501，用于采集车辆行驶过程中的can信号，can信号中包括与车辆变速箱相关联的can信号和其它无关can信号。
[0146]
处理模块502，用于根据预设的主成分分析算法对can信号中的其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号。
[0147]
处理模块502，还用于基于典型性分布函数聚类算法对与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号，目标信号为与车辆变速箱相关联的can信号中过滤掉无效信号的can信号。
[0148]
预测模块503，用于将目标can信号输入预设的车辆变速箱故障预测模型，得到车辆变速箱的故障预测结果，故障预测结果用于指示车辆变速箱是否出现故障。
[0149]
一种可能的实现方式是，处理模块502，具体用于：
[0150]
根据预设的距离函数，计算与车辆变速箱相关联的can信号中的数据之间的距离。
[0151]
将数据之间的距离满足预设距离阈值的多个数据聚类成一个微簇，得到多个微簇。
[0152]
将相交的微簇进行聚类处理，得到多个宏簇。
[0153]
对于每个宏簇，根据宏簇中包含的每个微簇的数据密度，对宏簇进行过滤处理，得到目标can信号。
[0154]
一种可能的实现方式是，处理模块502，具体用于：
[0155]
计算宏簇中包含的每个微簇的数据密度。
[0156]
根据每个微簇的数据密度，判断每个微簇的属性特征，属性特征包括非激活微簇和激活微簇。
[0157]
通过密度过滤器将属性特征属于非激活微簇的微簇进行过滤，得到目标can信号。
[0158]
一种可能的实现方式是，处理模块502，具体用于：
[0159]
根据每个微簇的数据密度，计算宏簇中微簇的平均数据密度。
[0160]
对于任意一个微簇，若微簇的数据密度小于平均数据密度，则微簇的属性特征为非激活微簇。
[0161]
若微簇的数据密度大于或等于平均数据密度，则微簇的属性特征为激活微簇。
[0162]
一种可能的实现方式是，处理模块502，具体用于：
[0163]
对can信号进行协方差计算，得到协方差矩阵。
[0164]
根据协方差矩阵计算多个特征值，每个特征值对应一个主成分，主成分为与车辆变速箱相关联的can信号中的任一种类型信号或其它无关can信号中的任一种类型信号。
[0165]
按照特征值的大小，由大到小计算方差累计贡献率。
[0166]
根据方差累计贡献率，确定方差累计贡献率大于预设方差贡献率阈值时所累计用的特征值。
[0167]
将剩余的特征值对应的主成分进行去除处理，得到累计用的特征值对应的主成分，主成分为与车辆变速箱相关联的can信号。
[0168]
一种可能的实现方式是，车辆变速箱故障预测模型基于模糊算法创建。
[0169]
本实施例提供的车辆变速箱的故障预测装置，用于执行前述的车辆变速箱的故障预测方法实施例，其实现原理与技术效果类似，对此不再赘述。
[0170]
图6为本技术实施例提供的一种电子设备的结构示意图，如图6所示，该设备可以包括：至少一个处理器601和存储器602。
[0171]
存储器602，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令，或者处理器601的可执行指令等。
[0172]
存储器602可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0173]
处理器601用于执行存储器602存储的计算机执行指令，以实现前述方法任一实施例所描述的方法。其中，处理器601可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0174]
可选的，该电子设备还可以包括通信接口603。在具体实现上，如果通信接口603、存储器602和处理器601独立实现，则通信接口603、存储器602和处理器601可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
[0175]
可选的，在具体实现上，如果通信接口603、存储器602和处理器601集成在一块芯片上实现，则通信接口603、存储器602和处理器601可以通过内部接口完成通信。
[0176]
本实施例提供的电子设备，用于执行前述实施例的车辆变速箱的故障预测方法，其实现原理与技术效果类似，对此不再赘述。
[0177]
本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有计算机执行指令，计算机执行指令用于上述实施例中车辆变速箱的故障预测方法。
[0178]
本技术还提供一种计算机程序产品，该程序产品包括执行指令或计算机程序，该执行指令或计算机程序存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的车辆变速箱的故障预测方法。
[0179]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
[0180]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。

技术特征：
1.一种车辆变速箱的故障预测方法，其特征在于，包括：采集车辆行驶过程中的can信号，所述can信号中包括与车辆变速箱相关联的can信号和其它无关can信号；根据预设的主成分分析算法对所述can信号中的所述其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号；基于典型性分布函数聚类算法对所述与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号，所述目标信号为所述与车辆变速箱相关联的can信号中过滤掉无效信号的can信号；将所述目标can信号输入预设的车辆变速箱故障预测模型，得到车辆变速箱的故障预测结果，所述故障预测结果用于指示所述车辆变速箱是否出现故障。2.根据权利要求1所述的方法，其特征在于，所述基于典型性分布函数聚类算法对所述与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号，包括：根据预设的距离函数，计算所述与车辆变速箱相关联的can信号中的数据之间的距离；将数据之间的距离满足预设距离阈值的多个数据聚类成一个微簇，得到多个微簇；将相交的微簇进行聚类处理，得到多个宏簇；对于每个宏簇，根据所述宏簇中包含的每个微簇的数据密度，对所述宏簇进行过滤处理，得到所述目标can信号。3.根据权利要求2所述的方法，其特征在于，所述根据所述宏簇中包含的每个微簇的数据密度，对所述宏簇进行过滤处理，得到所述目标信号，包括：计算所述宏簇中包含的每个微簇的数据密度；根据每个微簇的数据密度，判断每个微簇的属性特征，所述属性特征包括非激活微簇和激活微簇；通过密度过滤器将属性特征属于所述非激活微簇的微簇进行过滤，得到所述目标can信号。4.根据权利要求3所述的方法，其特征在于，所述根据每个微簇的数据密度，判断每个微簇的属性特征，包括：根据每个微簇的数据密度，计算所述宏簇中微簇的平均数据密度；对于任意一个微簇，若所述微簇的数据密度小于所述平均数据密度，则所述微簇的属性特征为所述非激活微簇；若所述微簇的数据密度大于或等于所述平均数据密度，则所述微簇的属性特征为所述激活微簇。5.根据权利要求1所述的方法，其特征在于，所述根据预设的主成分分析算法对所述can信号中的所述其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号，包括：对所述can信号进行协方差计算，得到协方差矩阵；根据所述协方差矩阵计算多个特征值，每个特征值对应一个主成分，所述主成分为所述与车辆变速箱相关联的can信号中的任一种类型信号或其它无关can信号中的任一种类型信号；按照特征值的大小，由大到小计算方差累计贡献率；
根据所述方差累计贡献率，确定所述方差累计贡献率大于预设方差贡献率阈值时所累计用的特征值；将剩余的特征值对应的主成分进行去除处理，得到所述累计用的特征值对应的主成分，所述主成分为所述与车辆变速箱相关联的can信号。6.根据权利要求1-5任一项所述的方法，其特征在于，所述车辆变速箱故障预测模型基于模糊算法创建。7.一种车辆变速箱的故障预测装置，其特征在于，包括：采集模块，用于采集车辆行驶过程中的can信号，所述can信号中包括与车辆变速箱相关联的can信号和其它无关can信号；处理模块，用于根据预设的主成分分析算法对所述can信号中的所述其它无关can信号进行去除处理，得到与车辆变速箱相关联的can信号；所述处理模块，还用于基于典型性分布函数聚类算法对所述与车辆变速箱相关联的can信号进行聚类处理，得到目标can信号，所述目标信号为所述与车辆变速箱相关联的can信号中过滤掉无效信号的can信号；预测模块，用于将所述目标can信号输入预设的车辆变速箱故障预测模型，得到车辆变速箱的故障预测结果，所述故障预测结果用于指示所述车辆变速箱是否出现故障。8.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至6中任一项所述的车辆变速箱的故障预测方法。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6任一项所述的车辆变速箱的故障预测方法。10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的车辆变速箱的故障预测方法。

技术总结
本申请提供一种车辆变速箱的故障预测方法、装置、设备及介质。包括：采集车辆行驶过程中的CAN信号，该信号中包括与车辆变速箱相关联的CAN信号和其它无关CAN信号，根据预设的主成分分析算法对CAN信号中的其它无关CAN信号进行去除处理，得到与车辆变速箱相关联的CAN信号。基于典型性分布函数聚类算法对与车辆变速箱相关联的CAN信号进行聚类处理，得到目标CAN信号，该目标信号为与车辆变速箱相关联的CAN信号中过滤掉无效信号的CAN信号，将目标CAN信号输入预设的车辆变速箱故障预测模型得到车辆变速箱的故障预测结果，其用于指示车辆变速箱是否出现故障。本申请使得变速箱的故障预测结果更加准确。预测结果更加准确。预测结果更加准确。


技术研发人员：高海龙 韩伟 兰海龙 李泽 王志飞 李颖华 张文龙
受保护的技术使用者：中国重汽集团济南动力有限公司
技术研发日：2023.06.29
技术公布日：2023/10/8