发动机高发故障起因件确定方法、装置、电子设备及介质与流程

1.本发明涉及发动机故障诊断技术领域，尤其涉及一种发动机高发故障起因件确定方法、装置、电子设备及介质。


背景技术：

2.产学研各方向对发动机故障诊断都有相关研究，且从机理和数据两个方面都有对发动机故障诊断技术有深入研究，从企业产品售后的角度来看，企业积累了大量的售后历史维修数据，维修工单中有着来自维修工程师多年的实际维修经验，几百万的历史维修数据价值待挖掘。
3.其基于数据的故障诊断主要使用传感器数据，应用于方便安装振动传感器的旋转机械故障诊断，但是实际场景中，许多故障难以通过传感器采集信号进行诊断，且成本较高，学术界的研究成果落地难，仅仅停留在理论层面上；同时，各服务站的维修工程师维修经验参差不齐，错误判现象存在，故障维修一次成功率待提升。


技术实现要素：

4.本发明提供了一种发动机高发故障起因件确定方法、装置、电子设备及介质，以解决市场上实际发动机故障维修数据有限，且与发动机机理存在偏差，难以精准对发动机高发故障起因件进行诊断，进而导致发动机故障维修成功率低的问题。
5.根据本发明的一方面，提供了一种发动机高发故障起因件确定方法，所述发动机高发故障起因件确定方法包括：
6.获取当前派工单以及当前发动机销售档案，并根据所述当前派工单确定当前发动机基本信息和当前发动机故障信息；
7.将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中，输出当前发动机高发故障起因件以及对应的故障概率；
8.根据所述当前发动机高发故障起因件以及对应的故障概率确定目标发动机高发故障起因件，并根据所述目标发动机高发故障起因件确定对应的零部件故障排查信息。
9.可选的，在将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中之前，还包括：
10.对所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案进行预处理，并对预处理后的所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案进行特征提取、类型特征编码以及无量纲化处理；
11.其中，所述预处理包括规范数据类型、异常值处理以及缺失值补全。
12.可选的，所述发动机高发故障起因件确定方法还包括：
13.对至少一组历史派工单、历史发动机基本信息、历史发动机维修报告以及历史发动机销售档案进行预处理，得到模型搭建数据集；
14.将所述模型搭建数据集输入预先建立好的发动机高发故障起因件确定模型中，得到历史发动机高发故障起因件以及对应的故障概率；
15.基于所述历史发动机高发故障起因件以及对应的故障概率与期望发动机高发故障起因件以及对应的故障概率对所述发动机高发故障起因件确定模型的模型参数进行重新训练。
16.可选的，所述发动机高发故障起因件确定方法还包括：
17.获取当前发动机维修报告，并将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案存储至所述模型搭建数据集；
18.根据更新后的所述模型搭建数据集对所述发动机高发故障起因件确定模型的模型参数进行重新训练。
19.可选的，在将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中之前，还包括：
20.若所述当前发动机故障信息中不存在故障描述信息，则生成缺少必要参数错误指令，所述缺少必要参数指令用于提示所述当前发动机故障信息存在错误；或，
21.若检测到所述当前发动机故障信息中包含的故障描述信息不属于预设故障范围，则生成缺少故障描述错误指令，所述缺少故障描述错误指令用于提示所述故障描述信息不属于预设故障范围。
22.可选的，所述根据所述当前发动机高发故障起因件以及对应的故障概率确定目标发动机高发故障起因件，包括：
23.依照故障概率对所述当前发动机高发故障起因件进行排序，并依次选取设定数量的发动机高发故障起因件作为目标发动机高发故障起因件。
24.可选的，所述发动机高发故障起因件确定方法还包括：
25.获取所述目标发动机高发故障起因件对应的故障概率；
26.将所述目标发动机高发故障起因件以及与其对应的故障概率和所述零部件故障排查信息反馈至服务终端，以在所述服务终端显示出所述目标发动机高发故障起因件以及与其对应的故障概率和所述零部件故障排查信息。
27.根据本发明的另一方面，提供了一种发动机高发故障起因件确定装置，所述发动机高发故障起因件确定装置包括：
28.信息获取模块，用于执行获取当前派工单以及当前发动机销售档案，并根据所述当前派工单确定当前发动机基本信息和当前发动机故障信息；
29.起因件输出模块，用于执行将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中，输出当前发动机高发故障起因件以及对应的故障概率；
30.故障排查模块，用于执行根据所述当前发动机高发故障起因件以及对应的故障概率确定目标发动机高发故障起因件，并根据所述目标发动机高发故障起因件确定对应的零部件故障排查信息。
31.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
32.至少一个处理器；以及
33.与所述至少一个处理器通信连接的存储器；其中，
34.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的发动机高发故障起因件确定方法。
35.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的发动机高发故障起因件确定方法。
36.本发明实施例的技术方案，通过获取当前派工单、当前发动机维修报告以及当前发动机销售档案，并根据所述当前派工单确定当前发动机基本信息和当前发动机故障信息；将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中，输出当前发动机高发故障起因件以及对应的故障概率；根据所述当前发动机高发故障起因件以及对应的故障概率确定目标发动机高发故障起因件，并根据所述目标发动机高发故障起因件确定对应的零部件故障排查信息。解决了市场上实际发动机故障维修数据有限，且与发动机机理存在偏差，难以精准对发动机高发故障起因件进行诊断，进而导致发动机故障维修成功率低的问题，实现了基于市场维修经验和发动机机理形成更精准的发动机高发故障起因件确定模型，以高效准确的对发动机高发故障起因件进行诊断，同时具备对发动机高发故障起因件确定模型准确率的业务解释性，且发动机高发故障起因件确定模型的预测结果具有更高的可操作性的有益效果。
37.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
38.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1是根据本发明实施例一提供的一种发动机高发故障起因件确定方法的流程图；
40.图2是根据本发明实施例一所适用的宽表的加工示意图；
41.图3是根据本发明实施例二提供的一种发动机高发故障起因件确定方法的流程图；
42.图4是根据本发明实施例提供的变种one-hot编码的具体结果实现示意图；
43.图5是根据本发明实施例提供的标签编码的具体实现结果示意图；
44.图6是根据本发明实施例三提供的一种发动机高发故障起因件确定装置的结构示意图；
45.图7是实现本发明实施例的发动机高发故障起因件确定方法的电子设备的结构示意图。
或“核算中”的维修报告，作为当前发动机维修报告；选取状态为“到期”或“有效”的销售档案，作为当前发动机销售档案；故障描述中不包含保养及整改相关字段的，销售档案、派工单、发动机基本信息加工完成的逻辑为维修报告。另外需要说明的是，针对发动机多次维修的情况，同一发动机同一故障现象15天内维修多次，只取日期最近的一条作为故障日期。
56.具体的，继续参见图2，以维修报告作为主表，以派工单号为关联字段，与派工单关联，以发动机编号关联发动机基本信息及销售档案。
57.s120、将所述当前发动机故障信息、所述当前发动机基本信息、以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中，输出当前发动机高发故障起因件以及对应的故障概率。
58.可以理解的是，在将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中之前，还包括：对所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案进行预处理，并对预处理后的所述当前发动机故障信息、所述当前发动机基本信息、所述当前发动机维修报告以及所述当前发动机销售档案进行特征提取、类型特征编码以及无量纲化处理；其中，所述预处理包括规范数据类型、异常值处理以及缺失值补全。
59.需要说明的是，在进行预处理时，均需对所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案进行判断是否存在数据类型是否规范、是否存在异常值以及缺失值的问题，进而对存在的问题进行相应的预处理操作。当所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案均不存在数据类型不规范、不存在异常值以及缺失值的问题，则无需对述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案进行预处理操作。
60.在本实施例中，发动机高发故障起因件确定模型可以采用分类模型，例如，svm(support vector machine，支持向量机)模型、xgboost模型(extreme gradient boosting、梯度提升模型)、深度学习模型等，深度学习模型可以为深度神经网络dnn模型、卷积神经网络cnn模型、bp(back propagation)神经网络bpnn模型、概率神经网络pnn模型，也可以采用机器学习模型，可选的，发动机高发故障起因件确定模型采用随机森林模型。
61.在上述基础上，在将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中之前，还需要对发动机高发故障起因件确定模型进行训练，具体包括：对至少一组历史派工单、历史发动机基本信息、历史发动机维修报告以及历史发动机销售档案进行预处理，得到模型搭建数据集；将所述模型搭建数据集输入预先建立好的发动机高发故障起因件确定模型中，得到历史发动机高发故障起因件以及对应的故障概率；基于所述历史发动机高发故障起因件以及对应的故障概率与期望发动机高发故障起因件以及对应的故障概率对所述发动机高发故障起因件确定模型的模型参数进行调整。
62.其中，发动机维修报告是在发动机完成维修后，生成的记录发动机故障情况的数据表，发动机维修报告包括发动机维修过程和结果、故障相关的起因件等信息。在本实施例中，历史发动机维修报告为发动机在过去时间里产生的发动机维修报告。
63.可以理解的是，研发工程师及服务相关人员定期监控数据质量，降低售后维修的错误判，确保维修报告及派工单数据质量，根据发动机新的系列、机型及市场反馈情况探
查，及时更新高发故障及起因件组合表，即对发动机高发故障起因件确定模型进行更新。
64.在一实施例中，对发动机高发故障起因件确定模型进行随时更新，具体为：将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案存储至所述模型搭建数据集；根据更新后的所述模型搭建数据集对所述发动机高发故障起因件确定模型的模型参数进行调整。
65.在一实施例中，对发动机高发故障起因件确定模型进行定期更新，即持续监控发动机高发故障起因件确定模型的准确率，并分析错误记录，可以定期，可选的，每2个月，选取当下时间点前2年的数据作为训练的模型搭建数据集，重新训练发动机高发故障起因件确定模型，并部署新的发动机高发故障起因件确定模型应用于推荐发动机高发故障起因件排查方法。
66.来自于市场维修经验积累的发动机高发故障排查方案主要表现形式是文字描述，部分附带图片，但现有的市场维修经验无法传递到更多的维修工程师，加之社会上的维修人员短缺现状，售后维修市场规范需持续提升，若发动机故障描述术语标准不统一，则将增加维修的难度，增加维修人员的人力投入，在本实施例中，为了解决这个问题，在将所述当前发动机故障信息、所述当前发动机基本信息、所述当前发动机维修报告以及所述当前发动机销售档案进行模型训练之前，还需要进行故障描述标准化，并在输入至预先训练好的发动机高发故障起因件确定模型中之前，确定当前发动机故障信息中是否存在故障描述信息，以及确定存在的故障描述是否为预先存储的故障范围。
67.具体的，若所述当前发动机故障信息中不存在故障描述信息，则生成缺少必要参数错误指令，所述缺少必要参数指令用于提示所述当前发动机故障信息存在错误；或，若检测到所述当前发动机故障信息中包含的故障描述信息不属于预设故障范围，则生成缺少故障描述错误指令，所述缺少故障描述错误指令用于提示所述故障描述信息不属于预设故障范围。
68.s130、根据所述当前发动机高发故障起因件以及对应的故障概率确定目标发动机高发故障起因件，并根据所述目标发动机高发故障起因件确定对应的零部件故障排查信息。
69.具体的，依照故障概率对所述当前发动机高发故障起因件进行排序，并依次选取设定数量的发动机高发故障起因件作为目标发动机高发故障起因件。
70.目标发动机高发故障起因件的数量可以根据实际需求进行选择设置，本实施例对此不作任何限制。可选的，依次选取三个发动机高发故障起因件作为目标发动机高发故障起因件，进一步的，选取当前发动机高发故障起因件对应故障概率最大的三个发动机高发故障起因件作为目标发动机高发故障起因件。
71.为了给维修技师提供维修指导建议，并可以通过服务终端进行随时查看，在本实施例中，获取所述目标发动机高发故障起因件对应的故障概率，之后，将所述目标发动机高发故障起因件以及与其对应的故障概率和所述零部件故障排查信息反馈至服务终端，以在所述服务终端显示出所述目标发动机高发故障起因件以及与其对应的故障概率和所述零部件故障排查信息。
72.本发明实施例的技术方案，通过获取当前派工单以及当前发动机销售档案，并根据所述当前派工单确定当前发动机基本信息和当前发动机故障信息；将所述当前发动机故
障信息、所述当前发动机基本信息、所述当前发动机维修报告以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中，输出当前发动机高发故障起因件以及对应的故障概率；根据所述当前发动机高发故障起因件以及对应的故障概率确定目标发动机高发故障起因件，并根据所述目标发动机高发故障起因件确定对应的零部件故障排查信息。解决了市场上实际发动机故障维修数据有限，且与发动机机理存在偏差，难以精准对发动机高发故障起因件进行诊断，进而导致发动机故障维修成功率低的问题，基于市场维修经验和发动机机理形成更精准的发动机高发故障起因件确定模型，以高效准确的对发动机高发故障起因件进行诊断，同时实现了对发动机高发故障起因件确定模型准确率的业务解释性，且发动机高发故障起因件确定模型的预测结果具有更高的可操作性的。
73.实施例二
74.图3为本发明实施例二提供的一种发动机高发故障起因件确定方法的流程图，在上述实施例的基础上，提供了一种可选的实施方式。如图2所示，该发动机高发故障起因件确定方法包括：
75.s310、获取当前派工单以及当前发动机销售档案，并根据所述当前派工单确定当前发动机基本信息和当前发动机故障信息。
76.s320、对所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案进行预处理，并对预处理后的所述当前发动机故障信息、所述当前发动机基本信息、所述当前发动机维修报告以及所述当前发动机销售档案进行特征提取、类型特征编码以及无量纲化处理。
77.其中，所述预处理包括规范数据类型、异常值处理以及缺失值补全。
78.其中，在本实施例中对派工单中记录的发动机故障描述进行标准统一，根据发动机故障描述发生的频次，统计发动机高发故障，同时过滤发生频次较低的起因件，可选的，导出维修的top30高发故障及其对应起因件组合(多对多)，每个发动机故障描述可能在不同情况下是由不同起因件导致的同一个起因件故障表现出的故障情况。
79.研发工程师结合发动机故障诊断机理、发动机高发故障及其对应起因件进行筛选，排除发动机机理推断不合理的发动机高发故障维修方案，形成筛选后的发动机高发故障及起因件组合表，依据该表对发动机维修报告进行筛选，即对当前发动机故障信息、当前发动机基本信息、当前发动机维修报告以及当前发动机销售档案进行预处理。
80.规范数据类型是通过删除里程和时间中存在的符号，并将两列全部值转为数字。
81.异常值处理是对发动机的销售日期晚于故障日期记录，销售日期修正为故障日期，对生产日期晚于故障日期的记录，删除生产日期，作为缺失值处理。
82.缺失值补全是统计上述信息中每列及每行缺失值占比，根据缺失值占比及特征类型，分别使用中值、众数等统计值补全。
83.需要说明的是，对当前发动机故障信息、当前发动机基本信息、当前发动机维修报告以及当前发动机销售档案进行预处理操作，但不限于完成每一项预处理操作，根据实际需求进行预处理即可。
84.s330、将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中，输出当前发动机高发故障起因件以及对应的故障概率。
85.可以理解的是，在将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中之前，对发动机高发故障起因件确定模型进行训练，具体包括：对至少一组历史派工单、历史发动机基本信息、历史发动机维修报告以及历史发动机销售档案进行预处理，得到模型搭建数据集；将所述模型搭建数据集输入预先建立好的发动机高发故障起因件确定模型中，得到历史发动机高发故障起因件以及对应的故障概率；基于所述历史发动机高发故障起因件以及对应的故障概率与期望发动机高发故障起因件以及对应的故障概率对所述发动机高发故障起因件确定模型的模型参数进行调整。
86.在本实施例中，对发动机高发故障起因件确定模型进行训练前，还需要依据业务逻辑将当前发动机故障信息、当前发动机基本信息以及当前发动机销售档案构建为特征，并进行类型特征编码，以及变量的去量纲化，以便于后续生成用于模型搭建数据集。
87.具体为：将故障日期到销售日期的差值提取为发动机运行时间，将生产日期作为类型变量处理，表征不同生产条件的影响以完成特征构建。
88.类型特征编码方式需考虑业务场景及后续模型的结构，派工维修场景下单个派工单有一个至四个故障描述(故障描述1至故障描述4)，针对同一记录有多个故障描述的情况，所有故障描述都来自统一列表，同一故障描述，不管出现在哪个故障描述，目前尝试两种编码方式：一是变种one-hot编码，将出现在所有故障描述相关列中的独特故障描述作为词汇表，当派工单中出现故障描述的个数大于1时，则将编码会出现与故障描述个数相同的置1，具体实现结果示意图见图4，其他类型特征进行常规one-hot编码后拼接；另一种方式是由所有故障描述列生成新的特征，无序的故障描述词组合，然后与其他类型特征一起进行标签编码，标签编码具体实现结果示意图见图5。
89.需要说明的是，类型特征编码还可以在改良one-hot编码的基础上，进行embedding learning(类word2vec、matrix factorization)。
90.无量纲化处理为类型特征编码后的类型特征变量和数量特征的量级差别较大，类型特征编码后的类型特征量级较小，在使用变种one-hot编码后，对应的虚拟变量均为0或1，使用第二种编码方式后，对应的虚拟变量的数量级为百级，而里程特征数值可达十万级，数量级的差异会对后续模型训练的收敛产生不良影响，此处采用标准化的方式处理数量级差异，具体公式如下：
[0091][0092]
其中，x
′
ij
为当前记录当前特征归一化处理后的值；x
ih
为当前记录当前特征的实际值；为当前特征的平均值；n为记录数；i为当前记录数；j代表当前特征。
[0093]
进一步的，将起因件进行标签编码，作为模型训练的目标变量。
[0094]
示例性的，以发动机高发故障起因件确定模型采用随机森林模型实现为例，将模型搭建数据集中数据以派工单号为单位，依据起因件进行分层随机抽取，其中，70％作为训练集，30％作为测试集，预处理操作均先在训练集上计算，并将结果用于在测试集上进行测试。同一发动机维修报告存在多个起因件的情况，每个起因件为一个记录行，多起因件业务准确率的认定方式为在只要推荐起因件为维修报告中的任一起因件。针对本次top30发动
机高发故障的数据，依据发动机高发故障起因件确定模型在测试集上的表现(发动机高发故障起因件确定模型表现的衡量指标包括recall，precision，f-1及自定义指标l1)，采用随机森林模型的准确率最高，可选取随机森林算法进行建模。
[0095]
随机森林算法中的主要超参数为树的数量n_estimators,叶节点所需最小样本数min_samples_leaf,最大深度max_depth等，调节超参数，查看其在验证集上的表现，选定表现最好的超参数组合后，在整个数据集(合并训练集、验证集、测试集)进行训练，生成最终的发动机高发故障起因件确定模型。
[0096]
在上述基础上，还可以将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案存储至所述模型搭建数据集，根据更新后的所述模型搭建数据集对所述发动机高发故障起因件确定模型的模型参数进行调整，以对发动机高发故障起因件确定模型进行实时调整。
[0097]
在一实施例中，对发动机高发故障起因件确定模型进行定期维护更新，即在发动机高发故障起因件确定模型验证周期内，可选的，选取三个月为模型验证周期，监控发动机高发故障起因件确定模型的起因件推荐准确率，发动机高发故障起因件确定模型准确率按自定义评价指标l1持续达85％以上，集成至维修技师使用的接受派工的服务终端，并持续监控。
[0098]
s340、依照故障概率对所述当前发动机高发故障起因件进行排序，并依次选取设定数量的发动机高发故障起因件作为目标发动机高发故障起因件。
[0099]
s350、获取所述目标发动机高发故障起因件对应的故障概率。
[0100]
s360、将所述目标发动机高发故障起因件以及与其对应的故障概率和所述零部件故障排查信息反馈至服务终端，以在所述服务终端显示出所述目标发动机高发故障起因件以及与其对应的故障概率和所述零部件故障排查信息。
[0101]
本发明实施例的技术方案，实现基于故障描述等故障信息及发动机基基本信息的发动机高发故障起因件确定模型搭建，在数据处理、模型搭建中融入研发工程师的发动机机理知识，实现发动机机理与市场反馈结合的发动机故障件诊断，针对存在发动机多故障描述的情况，针对不同组合的发动机故障描述的特征信息进行类别变量编码算法修改，针对多起因件现象，构建基于派工单的准确率指标，实现对发动机高发故障起因件确定模型准确率的业务解释。
[0102]
实施例三
[0103]
图6为本发明实施例三提供的一种发动机高发故障起因件确定装置的结构示意图。如图6所示，该发动机高发故障起因件确定装置包括：
[0104]
信息获取模块610，用于执行获取当前派工单以及当前发动机销售档案，并根据所述当前派工单确定当前发动机基本信息和当前发动机故障信息；
[0105]
起因件输出模块620，用于执行将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案输入至预先训练好的发动机高发故障起因件确定模型中，输出当前发动机高发故障起因件以及对应的故障概率；
[0106]
故障排查模块630，用于执行根据所述当前发动机高发故障起因件以及对应的故障概率确定目标发动机高发故障起因件，并根据所述目标发动机高发故障起因件确定对应的零部件故障排查信息。
[0107]
可选的，发动机高发故障起因件确定装置还包括：
[0108]
对所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案进行预处理，并对预处理后的所述当前发动机故障信息、所述当前发动机基本信息、所述当前发动机维修报告以及所述当前发动机销售档案进行特征提取、类型特征编码以及无量纲化处理；
[0109]
其中，所述预处理包括规范数据类型、异常值处理以及缺失值补全。
[0110]
可选的，发动机高发故障起因件确定装置还包括：
[0111]
对至少一组历史派工单、历史发动机基本信息、历史发动机维修报告以及历史发动机销售档案进行预处理，得到模型搭建数据集；
[0112]
将所述模型搭建数据集输入预先建立好的发动机高发故障起因件确定模型中，得到历史发动机高发故障起因件以及对应的故障概率；
[0113]
基于所述历史发动机高发故障起因件以及对应的故障概率与期望发动机高发故障起因件以及对应的故障概率对所述发动机高发故障起因件确定模型的模型参数进行重新训练。
[0114]
可选的，发动机高发故障起因件确定装置还包括：
[0115]
将所述当前发动机故障信息、所述当前发动机基本信息以及所述当前发动机销售档案存储至所述模型搭建数据集；
[0116]
根据更新后的所述模型搭建数据集对所述发动机高发故障起因件确定模型的模型参数进行重新训练。
[0117]
可选的，发动机高发故障起因件确定装置还包括：
[0118]
若所述当前发动机故障信息中不存在故障描述信息，则生成缺少必要参数错误指令，所述缺少必要参数指令用于提示所述当前发动机故障信息存在错误；或，
[0119]
若检测到所述当前发动机故障信息中包含的故障描述信息不属于预设故障范围，则生成缺少故障描述错误指令，所述缺少故障描述错误指令用于提示所述故障描述信息不属于预设故障范围。
[0120]
可选的，所述根据所述当前发动机高发故障起因件以及对应的故障概率确定目标发动机高发故障起因件，包括：
[0121]
依照故障概率对所述当前发动机高发故障起因件进行排序，并依次选取设定数量的发动机高发故障起因件作为目标发动机高发故障起因件。
[0122]
可选的，发动机高发故障起因件确定装置还包括：
[0123]
获取所述目标发动机高发故障起因件对应的故障概率；
[0124]
将所述目标发动机高发故障起因件以及与其对应的故障概率和所述零部件故障排查信息反馈至服务终端，以在所述服务终端显示出所述目标发动机高发故障起因件以及与其对应的故障概率和所述零部件故障排查信息。
[0125]
本发明实施例所提供的发动机高发故障起因件确定装置可执行本发明任意实施例所提供的发动机高发故障起因件确定方法，具备执行发动机高发故障起因件确定方法相应的功能模块和有益效果。
[0126]
实施例四
[0127]
图7示出了可以用来实施本发明的实施例的电子设备710的结构示意图。电子设备
旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0128]
如图7所示，电子设备710包括至少一个处理器711，以及与至少一个处理器711通信连接的存储器，如只读存储器(rom)712、随机访问存储器(ram)713等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器711可以根据存储在只读存储器(rom)712中的计算机程序或者从存储单元718加载到随机访问存储器(ram)713中的计算机程序，来执行各种适当的动作和处理。在ram 713中，还可存储电子设备710操作所需的各种程序和数据。处理器711、rom 712以及ram 713通过总线714彼此相连。输入/输出(i/o)接口715也连接至总线714。
[0129]
电子设备710中的多个部件连接至i/o接口715，包括：输入单元716，例如键盘、鼠标等；输出单元717，例如各种类型的显示器、扬声器等；存储单元718，例如磁盘、光盘等；以及通信单元719，例如网卡、调制解调器、无线通信收发机等。通信单元719允许电子设备710通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0130]
处理器711可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器711的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器711执行上文所描述的各个方法和处理，例如发动机高发故障起因件确定方法。
[0131]
在一些实施例中，发动机高发故障起因件确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元718。在一些实施例中，计算机程序的部分或者全部可以经由rom712和/或通信单元719而被载入和/或安装到电子设备710上。当计算机程序加载到ram 713并由处理器711执行时，可以执行上文描述的发动机高发故障起因件确定方法的一个或多个步骤。备选地，在其他实施例中，处理器711可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行发动机高发故障起因件确定方法。
[0132]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0133]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在
机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0134]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0135]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0136]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0137]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0138]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0139]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。