一种故障原因诊断方法、装置、计算机设备和存储介质与流程

1.本技术涉及车辆技术领域，特别是涉及一种故障原因诊断方法、装置、计算机设备和存储介质。


背景技术：

2.车辆在运行过程中不可避免地会出现故障，如何快速准确的分析故障的发生原因是保证用户体验和行车安全的重要保证，而新能源汽车是电子技术、信息技术、汽车制造技术、能源技术等的先进产物，其故障原因相比于传统车辆更复杂、更难以诊断，随着电子技术、物联网技术、信息技术的发展，利用对系统进行测量和测试，收集故障告警信息，从而分析和判断系统的运行状态，实现诊断成为常用手段。
3.在现有复杂的车辆系统中，不同故障之间可能具有隐含关联关系，但是在现有的故障告警处理方法中，由于上报的待诊断故障告警数据不包含和该故障相关联的故障项告警信息，导致系统无法快速分析出故障原因。


技术实现要素：

4.基于此，提供一种故障原因诊断方法、装置、计算机设备和存储介质，改善现有技术中无法快速分析故障原因的问题。
5.一方面，提供一种故障原因诊断方法，所述方法包括：
6.获取待诊断故障项的关联配置项的数据，所述关联配置项至少包括关联故障项，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定；
7.根据所述待诊断故障项的数据和所述关联配置项的数据，获得故障增强数据；
8.将所述故障增强数据输入决策树分类器中，以获得所述待诊断故障项的诊断信息，其中，所述决策树分类器由训练数据集以及诊断标签根据特征数据集进行递归划分获得。
9.在一个实施例中，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定的步骤，包括：
10.获取多条历史故障数据，所述历史故障数据中的故障项包括待诊断故障项以及至少一个历史同期故障项；
11.根据对历史故障数据中所述故障项的关联性分析，获得每一所述历史同期故障项与所述待诊断故障项组成的频繁项集的支持度；
12.确定所述支持度大于或等于支持度阈值的频繁项集中的所述历史同期故障项为所述关联故障项。
13.在一个实施例中，所述关联配置项还包括与待诊断故障项相关联的车辆状态项；
14.所述获取待诊断故障项的关联配置项的数据，还包括：
15.获取所述车辆状态项的数据。
16.在一个实施例中，所述关联配置项还包括与车辆工况相关联的工况状态项；
17.所述获取待诊断故障项的关联配置项的数据，还包括：
18.获取工况状态信息；
19.当所述工况状态信息满足预设条件时，获取所述工况状态项的数据，以根据所述待诊断故障项的数据和所述工况状态项的数据，获得故障增强数据。
20.在一个实施例中，所述获取待诊断故障项的关联配置项的数据之前，还包括：
21.获取故障报文信息，以获得所述历史故障数据，并确定所述关联故障项；
22.基于所述关联故障项配置所述关联配置项，并根据所述关联配置项从can报文信息中获得所述关联配置项的数据。
23.在一个实施例中，所述决策树分类器由训练数据集以及诊断标签根据特征数据集进行递归划分获得的步骤，包括：
24.根据所述特征数据集中的特征数据对父节点的所述训练数据集进行划分，获得子节点的训练数据子集；
25.根据所述训练数据子集对应的诊断标签，统计获得所述训练数据子集的不纯度，确定具有最小不纯度的特征数据为所述父节点的特征数据；
26.对所述训练数据子集进行递归划分，直至划分深度到达预设深度，获得所述决策树分类器。
27.在一个实施例中，所述统计获得所述训练数据子集的不纯度，确定具有最小不纯度的特征数据为所述父节点的特征数据，包括：
28.统计获得各个训练数据子集的基尼不纯度，根据所述基尼不纯度获得所述父节点的基尼系数；
29.确定具有最小基尼系数的特征数据为所述父节点的特征数据。
30.另一方面，提供一种故障原因诊断装置，所述装置包括：
31.获取模块，用于获取待诊断故障项的关联配置项的数据，并根据所述待诊断故障项的数据和所述关联配置项的数据，获得故障增强数据，所述关联配置项至少包括关联故障项，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定；
32.诊断模块，用于将所述故障增强数据输入决策树分类器中，以获得所述待诊断故障项的诊断信息，其中，所述决策树分类器由训练数据集以及诊断标签根据特征数据集进行递归划分获得。
33.再一方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
34.还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
35.上述故障原因诊断方法、装置、计算机设备和存储介质，通过获取待诊断故障项的关联配置项的数据，将原本的待诊断故障项的数据和关联配置项的数据进行融合，获得故障增强数据，将故障增强数据输入决策树分类器中，从而得到诊断结果，其中，关联配置项至少包括与带诊断故障相关联的故障项的数据，因此，故障增强数据在原有待诊断故障的数据之外，还有关联故障项的数据，基于故障增强数据进行原因分析，可以更快地定位故障原因。
附图说明
36.图1为一个实施例中故障原因诊断方法的应用环境图；
37.图2为一个实施例中故障原因诊断方法的流程示意图；
38.图3为一个实施例中关联故障项的确定步骤的流程示意图；
39.图4为一个实施例中关联性分析步骤的流程示意图；
40.图5为一个实施例中fp树构建的示意图；
41.图6为一个实施例中决策树分类器的训练流程示意图；
42.图7为一个实施例中故障原因诊断装置的结构框图；
43.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
44.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
45.车辆故障诊断可以帮助车主和技师识别和解决车辆故障，检查和修复车辆问题，使车辆保持高效的性能和可靠的运行状态，在现有车联网系统中，车端按照故障告警规则生成故障告警报文，将故障上报云端，现有的故障告警报文包含车辆识别码(vin)、报文基础信息(msghdr)和故障报文列表(eventlst)，故障报文列表中包含一个或多个故障项通过故障码(eventid)进行标识。
46.当某一故障存在诊断需求时，云端如果仅就该故障的数据进行分析，缺乏相关联的故障项数据，诊断结果准确性低，耗时长；如果将按照一定规则将该故障相关联的故障告警信息进行融合，又由于相关联故障的上报时机和频率并不一致，需要大量的时间进行数据对齐操作。
47.本技术提供的故障原因诊断方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102生成的故障告警报文按照上报规则进行上报，服务器104按照本技术提供的故障原因诊断方法进行诊断。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、车端系统、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
48.在一个实施例中，如图2所示，提供了一种故障原因诊断方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
49.步骤201，获取待诊断故障项的关联配置项的数据。
50.需要指出的是，所述关联配置项可以是预先配置的，将不同类别项目配置为例如配置表的形式储存于云端服务器中，在存在诊断需求时，即可调用待诊断故障项对应的配置表，将配置表下发至车端，车端按照配置表中的项目进行数据采集。
51.示例性地说明，所述关联配置项至少包括关联故障项，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定。
52.可以理解的是，待诊断故障项可能与一个甚至多个其他故障项存在隐含关联，云端服务器通过累积历史数据，对历史数据进行关联性分析，挖掘出与待诊断故障项相关联的其他故障项。
53.步骤202，根据所述待诊断故障项的数据和所述关联配置项的数据，获得故障增强数据。
54.可以理解的是，在本实施例中，故障增强数据在原有待诊断故障项数据的基础上，增加了关联故障项的数据。
55.步骤203，将所述故障增强数据输入决策树分类器中，以获得所述待诊断故障项的诊断信息，其中，所述决策树分类器由训练数据集以及诊断标签根据特征数据集进行递归划分获得。
56.需要指出的是，决策树分类器可以基于机器学习技术，采用不同的决策树算法实现，利用训练数据集获得分类函数即分类模型(分类器)，从而实现将数据集中的样本划分到各个类中，同一类中的数据具有相同的诊断标签，决策树分类器通过学习训练数据中特征数据集与类别之间的潜在关系，并以此为依据对新数据(即输入的故障增强数据)属于哪一类、具有怎样的诊断结果进行预测。
57.上述故障原因诊断方法，基于故障增强数据进行故障诊断，故障增强数据相比于原本的故障报文信息，增加了与待诊断故障的关联配置项的数据，实现了数据的扩展，在输入决策树分类器后，可以快速得到待诊断故障的诊断结果；另一方面，且关联配置项的数据是被主动采集的，减少了因相关联故障的上报时机和频率并不一致导致的数据对齐操作的时间，进一步加快了诊断速度。
58.作为上述实施例的一个实施方式，关联故障项采用关联性分析的方法从历史故障告警报文中挖掘，示例性包括如图3所示的过程。
59.步骤301，获取多条历史故障数据，所述历史故障数据中的故障项包括待诊断故障项以及至少一个历史同期故障项。
60.历史故障告警报文中包括所述的历史故障数据，如前述，故障告警报文中包括故障报文列表，故障报文列表中包含故障码以及对应故障的发生时间，如表1中示出的多条历史故障数据，其中，b即为本实施例的待诊断故障，示例性地，b为dcdc(direct current direct current converter，直流变换器)供电异常故障。
61.表1：
62.故障列表故障时间a,b,c,dt1b,c,et2a,b,c,et3b,d,e,ft4a,b,c,dt5
63.在实际情况中，故障列表中的故障项可能更多，凭借经验难以确定与待诊断故障b存在隐含关联的故障项。
64.步骤302.根据对历史故障数据中所述故障项的关联性分析，获得每一所述历史同期故障项与所述待诊断故障项组成的频繁项集的支持度。
65.所述关联性分析，可以藉由关联性算法实现，例如关联算法有apriori算法、fp-growth(frequent pattern growth，频繁模式增长)算法以及eclat(equivalence class transformation，等价类变换)算法等及其变种，本实施方式采用fp-growth算法进行关联
性分析。
66.对采集的历史故障数据使用fp-growth算法进行关联信息挖掘，具体包含两个过程：构造fp树和从fp树挖掘故障关联信息。
67.示例性说明，现有表1所示的故障列表，以最小支持度40％为例，根据出现频率构建header表(表2)。
68.表2：
[0069][0070]
以header表的顺序对故障列表排序，并去除其中不满足支持度条件的故障项f，如表3。
[0071]
表3：
[0072]
故障列表排序后故障列表a,b,c,db,c,a,db,c,eb,c,ea,b,c,eb,c,a,eb,d,e,fb,d,ea,b,c,db,c,a,d
[0073]
依次对故障列表进行遍历构建fp树，如图5所示，fp树的根节点是空结点，逐条将排序筛选后的故障列表插入树中。如果记录中的结点在树的该路径中有则该结点计数加一，否则分支。
[0074]
从fp树挖掘故障关联信息的流程如图4所示，包括从fp树的各个路径中获取此元素的条件模式基，基于条件模式基创建条件fp树，将各个条件模式基中的元素的出现次数进行统计，剔除不满足最小支持度的集合，得到的就是该元素对应的条件fp树，递归的挖掘频繁项集，此过程为fp-growth算法的基础，在此不再赘述。
[0075]
根据得到的fp树得到表4所示的频繁项集。
[0076]
表4：
[0077]
[0078][0079]
其中b项代表待诊断故障，因此筛选留下关联规则如表5。
[0080]
支持度的计算规则同上，以d＝》b为例在fp-tree中b:5,d:3且d的最终头节点均为b，故支持度为3/5。
[0081]
表5：
[0082]
rule元素数支持度项目计数d＝》b20.60003c,d＝》b30.40002a,d＝》b30.40002c,a,d＝》b40.40002c＝》b20.80004e＝》b20.60003c,e＝》b30.40002a＝》b20.60003c,a＝》b30.60003
[0083]
表5中，支持度可以体现各个历史同期故障项a、c、d、e、f与所述待诊断故障项b的关联程度。
[0084]
步骤303，确定支持度大于或等于支持度阈值(40％)的频繁项集中的所述历史同期故障项为所述关联故障项，在本实施方式中，重点关注a＝》b、c＝》b、d＝》b、e＝》b这类两
元素频繁项集的支持度，可以看出，因为故障项f本身不是频繁项，因此，在故障项a,b,c,d,e,f中只有f与dcdc故障项目b关联度不高，其余则需要加入配置表中作为关联故障项。
[0085]
在上述实施例的一个实施方式中，关联配置项可以包括更多的拓展数据，例如关联配置项还包括与待诊断故障项相关联的车辆状态项。
[0086]
示例性地说明，可以根据故障告警的定义规则和can(controllerarea network，控制器局域网)报文的通信矩阵，从can报文中得到关联的车辆状态配置信息，需要指出的是，can报文与故障告警报文是不同的两种报文，故障告警报文中包含故障码和故障发生时间，can报文则可以传输更多的数据。
[0087]
以“dcdc供电异常故障”为例，通过分析使能条件和触发条件，得到其与小电瓶的电压、soc、soh状态存在关联性。
[0088][0089]
因此，在获取待诊断故障项的关联配置项的数据，还包括获取所述车辆状态项的数据。
[0090]
在上述实施例的一个实施方式中，所述关联配置项还包括与车辆工况相关联的工况状态项，在车辆的实际运行过程中，车辆运行的特殊工况例如高温、高寒对整车的各个系统都带来了严峻的挑战。
[0091]
因此，所述获取待诊断故障项的关联配置项的数据，还包括：
[0092]
获取工况状态信息，例如环境温度、车速等；
[0093]
基于采集的工况状态信息以及预设条件，判断车辆是否进入特殊公开，例如在环境温度大于高温阈值时，确认处于高温工况；在车速大于车速阈值时，确认进入急速工况。
[0094]
当所述工况状态信息满足预设条件时，云端将预定义的工况状态项配置下发至车端，车端启动数据采集，获取所述工况状态项的数据，所述的工况状态项例如环境温度、主要工作部件(电机、电机控制器等)的温度，以根据所述待诊断故障项的数据和所述工况状态项的数据，获得故障增强数据，云端可以根据车端上报的这些数据，进行诊断。
[0095]
可以理解的是，从上述三种不同的路径获取关联配置项，基于关联配置项所得的故障增强数据除原本的待诊断故障项的数据(例如待诊断故障的故障码+故障时间)外，还包括如下三种数据：
[0096]
与待诊断故障项相关联的车辆状态数据，例如与dcdc供电异常故障存在关联性的小电瓶的电压、soc、soh数据，记为s1；
[0097]
与工况相关联的工况状态数据，例如与dcdc供电异常故障存在关联性的环境温度和主要工作部件的温度状态信息，记为s2；
[0098]
与待诊断故障项存在关联的其他故障项的数据(例如关联故障项的故障码+故障时间)，记为s3。
[0099]
在一个实施例中，关联故障项的确定是基于故障告警报文实现的，在制定关联配置项的配置表过程中，云端通过获取故障报文信息(即故障告警报文)，来获得所述历史故障数据，并进一步确定关联故障项具体为哪些故障项。
[0100]
在关联配置项的配置表制定完成后，当触发针对待诊断故障的诊断指令时，云端即可将配置表下发至车端，配置到can报文中获得各个关联配置项的当前数据(包括s1、s2、s3)。
[0101]
在上述关联配置项的数据完成采集后，车端生成增强的告警报文，将故障增强数据上报云端，云端将其输入决策树分类器中获得对应的诊断结果。
[0102]
决策树分类器基于机器学习得到，使用训练用的故障增强数据进行故障告警原因分类标注，构建训练数据集(也称样本集)。
[0103]
决策树通过把数据样本分配到某个叶子结点来确定数据集中样本所属的分类，从决策树根结点出发，自顶向下移动，在每个决策结点都会进行次划分，一般地，节点具有层次性，是一层一层从上到下生成出来的。直接连接在一个节点下面的几个节点称作上面这个节点的子节点，而上面这个节点称作这几个子节点的父节点。子节点和父节点都是相对的，一个父节点可能是其他节点的子节点，同样的，一个子节点也可能是其他节点的父节点，最下面的节点，即没有子节点的节点，称作叶节点,通过划分的结果将样本进行分类，导致不同的分支，最后到达对应不同故障原因的叶结点。
[0104]
常见的决策树算法例如id3算法、c4.5算法或cart(classification and regression tree)决策树算法，对于本技术中的故障原因诊断方法，可以采用具有处理连续值能力的c4.5算法或cart算法。
[0105]
以下以cart算法为例说明决策树分类器的训练过程，如图6所示，步骤包括：
[0106]
步骤401，根据所述特征数据集中的特征数据对父节点的所述训练数据集进行划分，获得子节点的训练数据子集。
[0107]
示例性地说明，给定样本量为n的故障数据训练向量xi∈rn和对应故障原因标签向量y∈r
l
，决策树递归地划分空间，使得具有相同故障原因的样本被分到一样的组。
[0108]
让节点m处的数据集用q表示，对于一个由车辆状态或关联故障状态j和阈值tm组成的特征数据集θ＝(j,tm)，将数据划分为和两个训练数据子集：
[0109][0110][0111]
步骤402，根据所述训练数据子集对应的诊断标签，统计获得所述训练数据子集的不纯度，确定具有最小不纯度的特征数据为所述父节点的特征数据。
[0112]
可以理解的是，在决策树中，按照特征数据的不同取值，可以将数据集划分为不同的子集，不纯度用于评价特征数据取值对决策树的影响，即特征选择的衡量指标是不纯度，不纯度越低，同一训练数据子集中同一类的样本越多(诊断标签为同一类)。
[0113]
不同决策树算法中不纯度计算方式不同，c4.5算法中采用信息增益率，本实施例cart算法采用如下数学表达的基尼系数进行计算：
[0114][0115]
其中，和分别为两个训练数据子集的样本量，和分别为两个训练数据子集的基尼不纯度。
[0116]
其中基尼不纯度示例性采用如下的数学表达计算：
[0117][0118]
其中，p
mk
是节点m中，第k类故障原因(k类诊断标签)的概率。
[0119]
选择使基尼系数最小化的特征数据作为所述父节点的特征数据。
[0120]
θ
*
＝argmin
θ
g(qm,θ)
[0121]
步骤403，之后继续对所述训练数据子集进行递归划分，直至划分深度到达预设深度，即可获得所述决策树分类器。
[0122]
采用上述的故障原因诊断方法，通过在故障告警上报时融合需要关联的车辆状态和故障告警信息得到增强的故障告警信息，以此数据为基础构建分类训练集，使用决策树算法，训练能够识别故障告警根本原因的分类模型。通过该分类模型，可以在云端通过故障增强数据使用决策树分类器直接得到故障的根本原因；另一些实施例中，可以使用边缘计算的方式直接在车端进行部署，在更丰富的状态信息和更高频的信号采样周期支持下，可以更准确和快速的等到故障告警的根本原因。
[0123]
应该理解的是，虽然图2、图3、图4、图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图3、图4、图6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0124]
在一个实施例中，如图7所示，提供了一种故障原因诊断装置，包括：获取模块501和诊断模块502，其中：
[0125]
获取模块501，用于获取待诊断故障项的关联配置项的数据，并根据所述待诊断故障项的数据和所述关联配置项的数据，获得故障增强数据，所述关联配置项至少包括关联故障项，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定；
[0126]
诊断模块502，用于将所述故障增强数据输入决策树分类器中，以获得所述待诊断故障项的诊断信息，其中，所述决策树分类器由训练数据集以及诊断标签根据特征数据集进行递归划分获得。
[0127]
上述故障原因诊断装置，通过获取待诊断故障项的关联配置项的数据，将原本的待诊断故障项的数据和关联配置项的数据进行融合，获得故障增强数据，将故障增强数据输入决策树分类器中，从而得到诊断结果，其中，关联配置项至少包括与带诊断故障相关联的故障项的数据，因此，故障增强数据在原有待诊断故障的数据之外，还有关联故障项的数
据，基于故障增强数据进行原因分析，可以更快地定位故障原因。
[0128]
在一个实施例中，所述获取模块501还用于获取车辆状态项的数据，所述车辆状态项是与待诊断故障项相关联，可以根据故障告警的定义规则和can报文的通信矩阵，从can报文中得到关联的车辆状态项，以“dcdc供电异常故障”为例，通过分析使能条件和触发条件，得到其与小电瓶的电压、soc、soh状态存在关联性。
[0129]
在一个实施例中，所述获取模块501还用于获取工况状态信息；当所述工况状态信息满足预设条件时，获取工况状态项的数据，以根据所述待诊断故障项的数据和所述工况状态项的数据，获得故障增强数据，所述工况状态项与车辆工况相关联，例如“dcdc供电异常故障”与高温/高寒工况有关，对应的工况状态项包括高温/高寒环境下的环境温度和主要工作部件的温度。
[0130]
在一个实施例中，关联故障项通过关联性分析得到，具体的，可以获取多条历史故障数据，所述历史故障数据中的故障项包括待诊断故障项以及至少一个历史同期故障项；根据对历史故障数据中所述故障项的关联性分析，获得每一所述历史同期故障项与所述待诊断故障项组成的频繁项集的支持度；确定所述支持度大于或等于支持度阈值的频繁项集中的所述历史同期故障项为所述关联故障项。
[0131]
在一个实施例中，关联故障项基于故障报文信息中的历史故障数据确定，在配置好所有关联配置项后，将关联配置项下发至车端，由车端采集关联配置项的数据。
[0132]
在一个实施例中，诊断模块502采用基于决策树算法的决策树分类器进行故障原因诊断，具体的，决策树分类的获得步骤包括：
[0133]
根据所述特征数据集中的特征数据对父节点的所述训练数据集进行划分，获得子节点的训练数据子集；
[0134]
根据所述训练数据子集对应的诊断标签，统计获得所述训练数据子集的不纯度，确定具有最小不纯度的特征数据为所述父节点的特征数据；
[0135]
对所述训练数据子集进行递归划分，直至划分深度到达预设深度，获得所述决策树分类器。
[0136]
其中，决策树算法可以是cart决策树算法，不纯度采用基尼系数。
[0137]
关于故障原因诊断装置的具体限定可以参见上文中对于故障原因诊断方法的限定，在此不再赘述。上述故障原因诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0138]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储关联配置项数据以及决策树分类器。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种故障原因诊断方法。
[0139]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0140]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0141]
获取待诊断故障项的关联配置项的数据，所述关联配置项至少包括关联故障项，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定；
[0142]
根据所述待诊断故障项的数据和所述关联配置项的数据，获得故障增强数据；
[0143]
将所述故障增强数据输入决策树分类器中，以获得所述待诊断故障项的诊断信息，其中，所述决策树分类器由训练数据集以及诊断标签根据特征数据集进行递归划分获得。
[0144]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0145]
获取多条历史故障数据，所述历史故障数据中的故障项包括待诊断故障项以及至少一个历史同期故障项；
[0146]
根据对历史故障数据中所述故障项的关联性分析，获得每一所述历史同期故障项与所述待诊断故障项组成的频繁项集的支持度；
[0147]
确定所述支持度大于或等于支持度阈值的频繁项集中的所述历史同期故障项为所述关联故障项。
[0148]
在一个实施例中，所述关联配置项还包括与待诊断故障项相关联的车辆状态项，以及与车辆工况相关联的工况状态项。
[0149]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0150]
获取故障报文信息，以获得所述历史故障数据，并确定所述关联故障项；
[0151]
基于所述关联故障项配置所述关联配置项，并根据所述关联配置项从can报文信息中获得所述关联配置项的数据。
[0152]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0153]
根据所述特征数据集中的特征数据对父节点的所述训练数据集进行划分，获得子节点的训练数据子集；
[0154]
根据所述训练数据子集对应的诊断标签，统计获得所述训练数据子集的不纯度，确定具有最小不纯度的特征数据为所述父节点的特征数据；
[0155]
对所述训练数据子集进行递归划分，直至划分深度到达预设深度，获得所述决策树分类器。
[0156]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0157]
获取待诊断故障项的关联配置项的数据，所述关联配置项至少包括关联故障项，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定；
[0158]
根据所述待诊断故障项的数据和所述关联配置项的数据，获得故障增强数据；
[0159]
将所述故障增强数据输入决策树分类器中，以获得所述待诊断故障项的诊断信息，其中，所述决策树分类器由训练数据集以及诊断标签根据特征数据集进行递归划分获得。
[0160]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0161]
获取多条历史故障数据，所述历史故障数据中的故障项包括待诊断故障项以及至少一个历史同期故障项；
[0162]
根据对历史故障数据中所述故障项的关联性分析，获得每一所述历史同期故障项与所述待诊断故障项组成的频繁项集的支持度；
[0163]
确定所述支持度大于或等于支持度阈值的频繁项集中的所述历史同期故障项为所述关联故障项。
[0164]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0165]
获取故障报文信息，以获得所述历史故障数据，并确定所述关联故障项；
[0166]
基于所述关联故障项配置所述关联配置项，并根据所述关联配置项从can报文信息中获得所述关联配置项的数据。
[0167]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0168]
根据所述特征数据集中的特征数据对父节点的所述训练数据集进行划分，获得子节点的训练数据子集；
[0169]
根据所述训练数据子集对应的诊断标签，统计获得所述训练数据子集的不纯度，确定具有最小不纯度的特征数据为所述父节点的特征数据；
[0170]
对所述训练数据子集进行递归划分，直至划分深度到达预设深度，获得所述决策树分类器。
[0171]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0172]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0173]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种故障原因诊断方法，其特征在于，包括：获取待诊断故障项的关联配置项的数据，所述关联配置项至少包括关联故障项，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定；根据所述待诊断故障项的数据和所述关联配置项的数据，获得故障增强数据；将所述故障增强数据输入决策树分类器中，以获得所述待诊断故障项的诊断信息，其中，所述决策树分类器由训练数据集以及诊断标签根据特征数据集进行递归划分获得。2.根据权利要求1所述的故障原因诊断方法，其特征在于，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定的步骤，包括：获取多条历史故障数据，所述历史故障数据中的故障项包括待诊断故障项以及至少一个历史同期故障项；根据对历史故障数据中所述故障项的关联性分析，获得每一所述历史同期故障项与所述待诊断故障项组成的频繁项集的支持度；确定所述支持度大于或等于支持度阈值的频繁项集中的所述历史同期故障项为所述关联故障项。3.根据权利要求1所述的故障原因诊断方法，其特征在于，所述关联配置项还包括与待诊断故障项相关联的车辆状态项；所述获取待诊断故障项的关联配置项的数据，还包括：获取所述车辆状态项的数据，以根据所述待诊断故障项的数据和所述车辆状态项的数据，获得故障增强数据。4.根据权利要求1所述的故障原因诊断方法，其特征在于，所述关联配置项还包括与车辆工况相关联的工况状态项；所述获取待诊断故障项的关联配置项的数据，还包括：获取工况状态信息；当所述工况状态信息满足预设条件时，获取所述工况状态项的数据，以根据所述待诊断故障项的数据和所述工况状态项的数据，获得故障增强数据。5.根据权利要求1所述的故障原因诊断方法，其特征在于，所述获取待诊断故障项的关联配置项的数据之前，还包括：获取故障报文信息，以获得所述历史故障数据，并确定所述关联故障项；基于所述关联故障项配置所述关联配置项，并根据所述关联配置项从can报文信息中获得所述关联配置项的数据。6.根据权利要求1所述的故障原因诊断方法，其特征在于，所述决策树分类器由训练数据集以及诊断标签根据特征数据集进行递归划分获得的步骤，包括：根据所述特征数据集中的特征数据对父节点的所述训练数据集进行划分，获得子节点的训练数据子集；根据所述训练数据子集对应的诊断标签，统计获得所述训练数据子集的不纯度，确定具有最小不纯度的特征数据为所述父节点的特征数据；对所述训练数据子集进行递归划分，直至划分深度到达预设深度，获得所述决策树分类器。7.根据权利要求6所述的故障原因诊断方法，其特征在于，所述统计获得所述训练数据
子集的不纯度，确定具有最小不纯度的特征数据为所述父节点的特征数据，包括：统计获得各个训练数据子集的基尼不纯度，根据所述基尼不纯度获得所述父节点的基尼系数；确定具有最小基尼系数的特征数据为所述父节点的特征数据。8.一种故障原因诊断装置，其特征在于，所述装置包括：获取模块，用于获取待诊断故障项的关联配置项的数据，并根据所述待诊断故障项的数据和所述关联配置项的数据，获得故障增强数据，所述关联配置项至少包括关联故障项，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定；诊断模块，用于将所述故障增强数据输入决策树分类器中，以获得所述待诊断故障项的诊断信息，其中，所述决策树分类器由训练数据集以及诊断标签根据特征数据集进行递归划分获得。9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种故障原因诊断方法、装置、计算机设备和存储介质，所述方法包括获取待诊断故障项的关联配置项的数据，所述关联配置项至少包括关联故障项，所述关联故障项根据所述待诊断故障项的历史同期故障项的关联度确定；根据所述待诊断故障项的数据和所述关联配置项的数据，获得故障增强数据；将所述故障增强数据输入决策树分类器中，以获得所述待诊断故障项的诊断信息，采用本申请提供的方法，可以改善现有技术中无法快速分析故障原因的问题。改善现有技术中无法快速分析故障原因的问题。改善现有技术中无法快速分析故障原因的问题。


技术研发人员：岳楷岚 李伟 叶松林
受保护的技术使用者：赛力斯汽车有限公司
技术研发日：2023.06.30
技术公布日：2023/10/15