本發明屬于汽車狀態監測，尤其涉及一種基于多注意力機制的汽車故障預測方法。

背景技術：

1、汽車故障預測在現代汽車工業和服務體系中具有重要意義。故障預測能夠大幅提高車輛的安全性和可靠性，通過提前識別潛在問題，預防可能導致的重大故障和安全隱患，保護用戶的安全。此外，故障預測有助于降低維護成本，傳統的事后維修往往導致高昂的費用，而通過預測性維護措施，可以在故障初露端倪時進行及時干預，避免更嚴重的損壞和更昂貴的修復費用。故障預測還能提高車輛的使用壽命，通過科學的維護和保養策略延緩汽車零部件的老化和磨損，從而延長整車的使用周期。

2、近年來，汽車電子與安全系統的故障預測研究得到了廣泛關注，并在多個領域取得了顯著進展。現有技術中提出了一種利用記錄的車輛數據進行卡車壓縮機故障預測的機器學習算法。該研究著重于標準屬性值知識表示的不足，并提出了基于michalski經典aq方法的新規則歸納算法，該算法能夠考慮每輛卡車的復合性能，使得在預測故障時具備更大的靈活性。還有一種用于重型卡車氣壓系統預測性維護的數據挖掘工作流程。該方法包括特征選擇、元特征工程、偏差抽樣以及提升樹模型，實驗表明元特征工程和偏置抽樣對提高分類器性能至關重要。現有技術中還存在動態加權損失函數在傳感器基礎的預后和健康管理中的應用，通過在深度學習模型中使用動態加權損失函數，他們在預測和故障檢測率方面實現了顯著改進。還有一種基于混合數據分析方法和模糊pid控制的自動駕駛汽車故障診斷框架，該研究利用離散小波變換進行去噪和特征提取，并使用基于極限學習機的自動編碼器進行異常檢測。還有利用支持向量機技術實現了高效的故障檢測和識別，并通過matlab/ipg?carmaker驗證了該架構的有效性。還存在針對自動駕駛汽車等多傳感器系統中多故障的檢測、識別、隔離和預測架構,利用兩種深度神經網絡架構，該方法在復雜系統中實現了高效故障管理。還有人針對傳感器系統提出了一種基于改進的相關向量機器集成回歸的高精度健康預測模型,通過引入不確定的深度軟傳感器進行性能變量提取，該研究顯著提高了預測準確性。現有技術中還介紹了用于預測性維護的數據驅動策略，重點在于柴油發動機上氧傳感器的堵塞預測,提出了prepipe管道，該管道在保持可解釋性的同時，可與先進的深度學習方法相媲美。

3、盡管現有研究已證明能夠準確預測特定車輛部件的故障，但這些研究都集中在故障診斷和單個系統或部件的預測上，在提供整體車輛故障預測方面存在不足。

技術實現思路

1、本發明提出了一種基于多注意力機制的汽車故障預測方法，以解決上述現有技術存在的問題。

2、為實現上述目的，本發明提供了一種基于多注意力機制的汽車故障預測方法，包括以下步驟：

3、收集汽車的歷史故障數據，所述歷史故障數據包括每次維保記錄中的故障信息；

4、根據歷史故障數據構建comam模型，通過comam模型進行故障預測；

5、通過comam模型進行故障預測包括以下步驟：

6、根據歷史故障數據構建全局故障共現圖，利用圖注意力機制對故障之間的相關性進行融合表示，獲得故障相關性融合表示結果；

7、根據長短期記憶網絡和注意力機制構建關鍵故障信息學習模塊，通過關鍵故障信息學習模塊從圖注意力機制加權后的歷史故障信息中提取關鍵故障信息，獲得關鍵故障信息學習結果；

8、將所述故障相關性融合表示結果和關鍵故障信息學習結果進行綜合性融合，并通過注意力機制進行增強整合，得到汽車故障預測結果。

9、優選地，構建全局故障共現圖包括：

10、將汽車歷史故障數據中的每次維保記錄中的故障編碼對作為節點；

11、當一個故障編碼對在一輛車的維保記錄中同時出現時，則在全局故障共現圖中增加兩個相同的權重；

12、計算所有汽車的維保記錄中故障編碼對的共現頻率，通過共現頻率進一步計算邊的權值。

13、優選地，獲得故障相關性融合表示結果包括：

14、基于全局項目共現圖構建故障共現矩陣，基于故障共現矩陣，利用圖注意力機制和單頭注意力機制實現共現矩陣與逐次歷史故障信息的融合；

15、通過stack方法得到故障相關性融合表示結果。

16、優選地，獲得關鍵故障信息學習結果包括：

17、使用長短期記憶網絡處理歷史故障信息，得到故障記錄的隱藏狀態，捕捉歷史故障序列的長期依賴關系；

18、通過注意力機制處理長短期記憶網絡的輸出，強化歷史故障記錄之間的互動，獲得影響未來故障的關鍵信息。

19、優選地，綜合性融合預測的過程包括：

20、將故障相關性融合表示結果和關鍵故障信息學習結果通過注意力機制進行融合，獲得融合結果；

21、基于融合結果進行未來故障的預測，在預測前還會對融合結果執行dropout操作。

22、優選地，所述方法還包括對comam模型進行優化，優化步驟包括：

23、使用二進制交叉熵損失函數作為全局目標函數，對模型進行訓練；

24、在訓練過程中，通過調整超參數和激活函數來優化模型性能。

25、本發明還提出了一種計算機裝置，包括存儲器、處理器及存儲在存儲器上的計算機程序，所述處理器執行所述計算機程序以實現所述方法的步驟。

26、本發明還提出了一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現所述方法的步驟。

27、本發明還提出了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現所述方法的步驟。

28、與現有技術相比，本發明具有如下優點和技術效果：

29、本發明提出了一種基于多注意力機制的汽車故障預測方法，該方法首先收集汽車的歷史故障數據，包括每次維保記錄中的故障信息。隨后，基于這些數據構建全局故障共現圖，并利用圖注意力機制對故障之間的相關性進行融合表示，從而獲得故障相關性融合表示結果。進一步地，本發明結合長短期記憶網絡和注意力機制構建關鍵故障信息學習模塊，從加權后的歷史故障信息中提取關鍵故障信息，生成關鍵故障信息學習結果。最終將故障相關性融合表示結果和關鍵故障信息學習結果進行綜合性融合，并通過注意力機制進行增強整合，得到汽車故障預測結果。本發明能夠有效捕捉故障之間的復雜關系，并精準預測未來可能出現的故障，從而為汽車的預防性維護提供有力支持。本發明旨在預測車輛的綜合故障，這種全面的預測方法可顯著提高車輛的安全性和可用性，確保提高運行效率和延長使用壽命。

技術特征：

1.一種基于多注意力機制的汽車故障預測方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的方法，其特征在于，構建全局故障共現圖包括：

3.根據權利要求1所述的方法，其特征在于，獲得故障相關性融合表示結果包括：

4.根據權利要求1所述的方法，其特征在于，獲得關鍵故障信息學習結果包括：

5.根據權利要求1所述的方法，其特征在于，綜合性融合預測的過程包括：

6.根據權利要求1所述的方法，其特征在于，所述方法還包括對comam模型進行優化，優化步驟包括：

7.一種計算機裝置，包括存儲器、處理器及存儲在存儲器上的計算機程序，其特征在于，所述處理器執行所述計算機程序以實現權利要求1-6任一項所述方法的步驟。

8.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-6任一項所述方法的步驟。

9.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-6任一項所述方法的步驟。

技術總結
本發明提出了一種基于多注意力機制的汽車故障預測方法，屬于汽車狀態監測技術領域，該方法首先收集汽車的歷史故障數據，包括每次維保記錄中的故障信息。隨后，基于這些數據構建全局故障共現圖，并利用圖注意力機制對故障之間的相關性進行融合表示，從而獲得故障相關性融合表示結果。本發明結合長短期記憶網絡和注意力機制構建關鍵故障信息學習模塊，從加權后的歷史故障信息中提取關鍵故障信息，生成關鍵故障信息學習結果。最終將故障相關性融合表示結果和關鍵故障信息學習結果進行綜合性融合，并通過注意力機制進行增強整合，得到汽車故障預測結果。本發明能夠有效捕捉故障之間的復雜關系，并精準預測未來可能出現的故障。

技術研發人員：周煒,陳方華,周剛,賈紅,鄔果昉,鞏建強
受保護的技術使用者：交通運輸部公路科學研究所
技術研發日：
技術公布日：2025/4/24