一种故障预警方法、装置、设备及存储介质与流程

1.本技术涉及无人配送车领域，尤其涉及一种故障预警方法、装置、设备及存储介质。


背景技术：

2.随着智慧物流行业的快速发展，无人配送车已成为电商运营的关注焦点，安全平稳地配送货物是业内对无人配送车的基本要求；相关技术中，通常采用线性的机理模型或依赖经验丰富的操作人员，来确定无人配送车内部状态信息以实现超前预警，进而保证其配送过程安全平稳，这样会存在线性的机理模型无法处理自由度较高且多变量系统的问题，以及过度依赖操作人员的专业水平的情况，从而影响针对无人配送车进行故障预警的准确度。


技术实现要素：

3.为解决上述技术问题，本技术实施例期望提供一种故障预警方法、装置、设备及存储介质，通过采用已训练神经网络对设备的当前状态信息和当前运行信息进行特征提取和时序处理，确定其剩余使用寿命，并基于剩余使用寿命对设备进行状态监测和预警，能够提高针对设备进行故障预警的准确度。
4.为达到上述目的，本技术的技术方案是这样实现的：
5.本技术实施例提供一种故障预警方法，所述方法包括：
6.获取设备的数控系统和电气系统的当前状态信息，以及所述设备的机械部件的当前运行信息；
7.对所述当前状态信息和所述当前运行信息进行预处理，得到待处理信息；
8.采用已训练神经网络，对所述待处理信息进行特征提取，得到至少一个特征信息；
9.基于所述至少一个特征信息的时序信息，确定所述至少一个特征信息的目标向量；
10.基于所述目标向量，确定出所述设备的剩余使用寿命；
11.基于所述剩余使用寿命，对所述设备进行状态监测，得到监测结果；
12.基于所述监测结果，生成所述设备的故障预警。
13.本技术实施例还提供一种故障预警装置，所述故障预警装置包括：获取模块、预处理模块、确定模块和预警模块，其中：
14.所述获取模块，用于获取设备的数控系统和电气系统的当前状态信息，以及所述设备的机械部件的当前运行信息；
15.所述预处理模块，用于对所述当期状态信息和所述当前运行信息进行预处理，得到待处理信息；
16.所述确定模块，用于采用已训练神经网络，对所述待处理信息进行特征提取，得到至少一个特征信息；
17.所述确定模块，还用于基于所述至少一个特征信息的时序信息，确定所述至少一个特征信息的目标向量；
18.所述确定模块，还用于基于所述目标向量，确定出所述设备的剩余使用寿命；
19.所述预警模块，用于基于所述剩余使用寿命，对所述设备进行状态监测，得到监测结果；
20.所述预警模块，还用于基于所述监测结果，生成所述设备的故障预警。
21.本技术实施例还提供一种故障预警设备，所述故障预警设备包括：处理器、存储器和通信总线；
22.所述通信总线用于实现所述处理器和所述存储器之间的通信连接；
23.所述处理器用于执行所述存储器中的程序，以实现上述任一所述的故障预警方法。
24.相应地，本技术的实施例提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现上述任一所述的故障预警方法的步骤。
25.本技术实施例提供的一种故障预警方法、装置、设备及存储介质，首先，获取设备的数控系统和电气系统的当前状态信息，以及设备的机械部件的当前运行信息；其次，对当前状态信息和当前运行信息进行预处理，得到待处理信息；并采用已训练神经网络，对待处理信息进行特征提取，得到至少一个特征信息；基于至少一个特征信息的时序信息，确定至少一个特征信息的目标向量；基于目标向量，确定出设备的剩余使用寿命；最后，基于剩余使用寿命，对设备进行状态监测，得到监测结果；基于监测结果，生成设备的故障预警；如此，通过采用已训练神经网络对设备的当前状态信息和当前运行信息进行特征提取和时序处理，确定其剩余使用寿命，并基于剩余使用寿命对设备进行状态监测和预警，能够提高针对设备进行故障预警的准确度。
附图说明
26.图1为本技术实施例提供的一种故障预警方法的流程示意图；
27.图2为本技术实施例提供的另一种故障预警方法的流程示意图；
28.图3为本技术实施例提供的又一种故障预警方法的流程示意图；
29.图4为本技术实施例提供的又一种故障预警方法的流程示意图；
30.图5为本技术实施例提供的一种已训练神经网络中采用的相关算法的框架示意图；
31.图6a为本技术实施例提供一种卷积神经网络分类模型的结构示意图；
32.图6b为本技术实施例提供的一种已训练神经网络模型的结构示意图；
33.图7本技术实施例提供的一种使用已训练神经网络进行剩余使用寿命预测的流程示意图；
34.图8为基于本技术实施例提供的故障预警方法预测无人配送车状态的整体流程示意图；
35.图9示出采用三种不同网络算法来预测无人配送车的剩余使用寿命的对比示意图；
36.图10为本技术实施例提供的一种故障预警装置的结构示意图；
37.图11为本技术实施例提供的一种故障预警设备的结构示意图。
具体实施方式
38.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
39.应理解，说明书通篇中提到的“本技术实施例”或“前述实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“本技术实施例中”或“在前述实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中应。在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
40.为了能够更加详尽地了解本技术实施例的特点与技术内容，下面结合附图对本技术实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本技术。
41.本技术实施例提供一种故障预警方法，应用于故障预警设备，如图1所示的步骤进行以下说明：
42.步骤101、获取设备的数控系统和电气系统的当前状态信息，以及设备的机械部件的当前运行信息。
43.在本技术实施例中，故障预警设备可以是任一具有数据处理能力的电子设备或服务器。
44.其中，设备可以是具有自动驾驶系统的电子设备，如：自动驾驶汽车、电脑驾驶汽车、轮式移动机器人以及自动驾驶车辆等；其中，自动驾驶系统即为无人驾驶系统。
45.在一种可行的实现方式中，设备可以为无人配送车，在本技术以下其他实施例中，均以无人配送车指代设备。
46.相应地，故障预警设备还可以是无人配送车自身计算机系统组成的电子设备。
47.其中，无人配送车是一种无人驾驶的智能汽车，主要是依靠车内的以计算机系统为主的智能驾驶仪来实现无人配送的目的。
48.需要说明的是，无人配送车一般是用于实现针对城市环境下办公楼、小区便利店等订单集中场所进行批量送货的，其可以按照既定路线自动导航行驶，同时具备路径规划、智能避障、车道保持以及智能跟随等功能；无人配送车在配送站完成商品装载，根据目的地进行自主路径规划，寻找最短路径并规避拥堵路段；在行驶过程中，遇到行人、宠物或车辆等障碍物，可以进行避障、绕路行驶，遇到十字路口时可以识别红绿灯做出相应行驶决策；自动行驶到目标建筑的指定位置后，通过预定的通信方式通知用户收货，用户到无人配送车前可输入提货码即可打开货仓，取走属于自己的物品或包裹。
49.在本技术实施例中，无人配送车的数控系统为数字控制系统(numerical control system，ncs)，即无人配送车内部的机电一体的相关系统；相应地，无人配送车的电气系统至少包括：供配电系统和通讯系统等；无人配送车的机械部件至少包括：底盘、万向轮和支撑轮等。
50.在一种可行的实现方式中，无人配送车的数控系统和电气系统的当前状态信息包括但不限于：工作电池温度、工作电池剩余使用寿命以及工作电池温度等。
51.在另一种可行的实现方式中，无人配送车的机械部件的当前运行信息包括但不限于：行走模块的行驶速度、行驶方向以及行驶路径等。
52.在又一种可行的实现方式中，无人配送车的机械部件的当前运行信息还可以是轴承磨损度、轴承压力以及轴承温度等。
53.基于此，本技术对当前状态信息和当前运行信息的具体指代不作任何限定。
54.需要说明的是，当前状态信息和当前运行信息可以以文字、代码以及图形等任意形式进行展示，本技术对此不作任何限定。
55.在本技术实施例中，故障预警设备可以通过数据获取模块获取无人配送车的数控系统、电气系统的当前状态信息；相应地，故障预警设备可以通过传感器传输获取机械部件的当前运行信息。
56.需要说明的是，当前状态信息可以是当前时刻前后一分钟之内的状态信息，也可以是当前时刻前后十分钟之内的状态信息；相应地，当前运行信息可以是当前时刻前后一分钟之内的运行信息，也可以是当前时刻前后十分钟之内的运行信息，本技术对当前状态信息和当前运行信息对应的具体时刻不作任何限定。
57.步骤102、对当前状态信息和当前运行信息进行预处理，得到待处理信息。
58.在本技术实施例中，故障预警设备对当前状态信息和当前运行信息进行预处理包括但不限于：信息过滤、聚类分类、数据增强以及归一化等，本技术对此不作任何限定。
59.在一种可行的实现方式中，故障预警设备对当前状态信息和当前运行信息进行信息过滤，即过滤当前状态信息和当前运行信息中的无效信息。
60.在另一种可行的实现方式中，故障预警设备对当前状态信息和当前运行信息进行聚类分析，即按照当前状态信息和当前运行信息的属性信息进行分类，并基于分类结果对当前状态信息和当前运行信息打标签。
61.在又一种可行的实现方式中，故障预警设备对当前状态信息和当前运行信息进行数据增强，可以是故障预警设备利用滑动窗口的方法对当前状态信息和当前运行信息进行数据切片，将当前状态信息和当前运行信息划分成多个目标状态信息和目标运行信息等。
62.在又一种可行的实现方式中，故障预警设备对当前状态信息和当前运行信息进行归一化处理，可以是故障预警设备将当前状态信息和当前运行信息映射到[0，1]范围之内，如此将当前状态信息和当前运行信息转换为数字信号并进行处理，能够使得处理过程更加便捷快速。
[0063]
基于此，故障预警设备还可以对当前状态信息和当前运行信息执行上述四种操作中的两种及以上数量的操作，同时故障预警设备执行上述两种及以上操作的流程可以随机设定，本技术对此不作任何限定。
[0064]
需要说明的是，待处理信息可以以数字、文字、代码或图片等方式进行展示，本技术对此不作任何限定；同时当前状态信息和当前运行信息内部的信息或参数的数量，与待处理信息中的信息或参数的数量可以相同，也可以不同。
[0065]
同时，待处理信息分别与当前状态信息和当前运行信息可以完全不同，也可以部分相同。
[0066]
需要说明的是，本技术实施例中故障预警设备对当前状态信息和当前运行信息进行预处理能够使得故障预警设备后期对待处理信息进行处理的过程便捷且快速，以避免了如相关技术中遇到自由度较高且多变量的复杂数据处理不了的现象。
[0067]
步骤103、采用已训练神经网络，对待处理信息进行特征提取，得到至少一个特征信息。
[0068]
在本技术实施例中，故障预警设备采用已训练神经网络，对待处理信息进行处理包括但不限于进行特征提取，以得到无人配送车的至少一个特征信息。
[0069]
其中，神经网络(neural network，nn)，即人工神经网络(artificial neural network，ann)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型；相应地，已训练神经网络即为基于其对应的损失函数对该神经网络进行训练后得到的。
[0070]
本技术实施例中可以采用无人配送车的历史状态信息和历史运行信息对待训练神经网络进行训练，以得到已训练神经网络；其中，历史状态信息可以是无人配送车的数控系统和电气系统的历史状态信息；相应地，历史运行信息可以是无人配送车的机械部件的历史运行信息；在一种可行的实现方式中，历史状态信息和历史运行信息包括但不限于：历史行驶速度、历史行驶方向、历史工作电池电压、历史工作电池温度以及历史轴承磨损度等；同时，故障预警设备通过已训练神经网络对无人配送车的当前状态信息和当前运行信息进行处理，得到无人配送车的当前剩余使用寿命。
[0071]
需要说明的是，随着无人配送车的历史状态信息和历史运行信息的数据量的更新和增加，故障预警设备可以对已训练模型进行及时地自动学习以获取最新的状态信息和运行信息，并基于获取的状态信息和运行信息并对需要训练的神经网络进行迭代更新，从而避免了传统方法存在的更新迭代慢、模型时效性差的问题，进而能够提高确定无人配送车的剩余使用寿命的准确度；换而言之，本技术实施例中提供的已训练神经网络同时包括“离线训练”和“在线实时预测”两大步骤，能够提高确定无人配送车的剩余使用寿命的准确度。
[0072]
在一种可行的实现方式中，故障预警设备将待处理信息输入至已训练神经网络，并采用已训练神经网络中的特征提取层对待处理信息进行特征提取，得到至少一个特征信息。
[0073]
在本技术实施例中，已训练神经网络的特征提取层可以是采用梯度提升决策树(gradient boosting decision tree，gbdt)对待处理信息进行特征提取。
[0074]
其中，gbdt是一种常用的非线性模型，基于集成学习中提升方法(boosting)的思想，由于gbdt本身可以发现多种有区分性的特征以及特征组合，决策树的路径可以直接作为之后网络输入特征使用，省去了人工寻找特征、特征组合的步骤。gbdt具有进行特征选择和特征交叉、使用针对不同特征信息所包含的信息量不同的特点。
[0075]
在本技术实施例中，至少一个特征信息可以是无人配送车的电池电压、电池温度、电池剩余电量以及轴承磨损度等。
[0076]
其中，至少一个特征信息中信息的种类和数量在本技术中不作任何限定；在本技术以下其他实施例中，至少一个特征信息均包括两种及以上的种类的特征信息，且每一类特征信息的数量均为两个及以上。
[0077]
需要说明的是，本技术实施例中的已训练神经网络中采用gbdt对待处理信息进行特征提取，能够增强无人配送车的运行信息的特征提取和表达能力。
[0078]
步骤104、基于至少一个特征信息的时序信息，确定至少一个特征信息的目标向量。
[0079]
在本技术实施例中，故障预警设备可以继续采用已训练神经网络对提取的特征信息进行处理，可以是基于至少一个特征信息的时序信息，对至少一个特征信息进行处理，以得到目标向量。
[0080]
其中，向量一般指代具有大小和方向的量，相应地，在本技术实施例中，目标向量可以是与时序信息有关的向量。
[0081]
在一种可行的实现方式中，故障预警设备采用已训练神经网络对特征信息中的时序信息进行预测，以得到至少一个特征信息的时序信息，并基于该至少一个特征信息的时序信息对至少一个特征信息进行向量转换，得到以时序信息对应的至少一个特征向量，并基于该时序信息对至少一个特征向量进行加权赋值，即确定每一特征向量的权重系数，并基于每一特征向量的权重系数和每一特征向量，得到目标向量。
[0082]
需要说明的是，在本技术实施例中，故障预警设备采用已训练神经网络得到目标向量所涉及的中间参数如：至少一个特征信息的时序信息，以及特征向量；可以是故障预警设备基于已训练神经网络的时序预测层以及相关网络层完成，其中，该时序预测层可以使用时间卷积网络(temporal convolutional network，tcn)，其是一种用来解决时序预测的算法，同理，特征向量是基于已训练神经网络基于相关网络层基于至少一个特征信息的时序信息对特征信息进行向量转换得到的；本技术中针对至少一个特征信息的时序信息的预测使用的算法不作任何限定。
[0083]
相应地，在本技术实施例中，故障预警设备采用已训练神经网络得到目标向量所涉及的中间参数如：每一特征向量的权重系数，可以基于已训练神经网络的lstm层完成的，其中，该lstm层可以基于注意力机制来实现相关权重系数的确定，其中，注意力机制的本质即为对特征向量分配注意力权重的过程，本技术中针对至少每一特征向量的权重系数的确定所使用的算法不作任何限定。
[0084]
需要说明的是，本技术实施例中确定目标向量的具体实施方案不限于上述提到的一种方案。
[0085]
步骤105、基于目标向量，确定出设备的剩余使用寿命。
[0086]
在本技术实施例中，故障预警设备采用已训练神经网络对待处理信息进行处理，即故障预警设备通过已训练神经网络的多个网络层对待处理信息一步一步进行处理，以确定出无人配送车的剩余使用寿命。
[0087]
其中，剩余使用寿命广义地讲是指一个系统正常工作一段时间后，能够正常运转的时间。狭义地讲是指系统的部件或子系统从当前时刻到发生潜在故障的预计持续正常工作时间，在本技术实施例中，无人配送车的剩余使用寿命所指代的为无人配送车从当前时刻到发生潜在故障的预计持续正常工作时间。
[0088]
需要说明的是，本技术实施例中采用已训练神经网络对获取的无人配送车的当前状态信息和当前运行信息进行剩余使用寿命预测，其中，训练神经网络中涉及的网络算法包括但不限于：gbdt、时间卷积网络、注意力机制以及lstm等，如此，能够使得预测出的无人配送车的剩余使用寿命具有时效性，且准确度较高。
[0089]
步骤106、基于剩余使用寿命，对设备进行状态监测，得到监测结果。
[0090]
在本技术实施例中，故障预警设备对剩余使用寿命对应的数值进行评估，基于评估结果对设备进行相应的状态监测，进而得到监测结果。
[0091]
在一种可行的实现方式中，故障预警设备可以基于确定出的无人配送车剩余使用寿命，确定出后期获取无人配送车的运行信息的频率，以实现对无人配送车的状态进行实时监测或周期性地监测。
[0092]
步骤107、基于监测结果，生成设备的故障预警。
[0093]
在本技术实施例中，故障预警设备基于监测结果，来提前预警无人配送车的故障信息。
[0094]
在一种可行的实现方式中，在监测结果表征无人配送车内部工作电池快速老化的情况下，故障预警设备生成对应的故障预警，并提前输出并告知无人配送车的用户，以便用户及时更换工作电池。
[0095]
在另一种可行的实现方式中，在监测结果表征无人配送车内部各电气系统和机械部件处于稳态的情况下，故障预警设备可定期告知无人配送车的用户，其暂不存在内部故障信息。
[0096]
在又一种可行的实现方式中，故障预警设备可以对确定出的无人配送车的剩余使用寿命进行评分，并基于该评分结果对无人配送车进行健康状态定义，进而在无人配送车的健康状态为疾病状态的情况下，提前输出预警信息，以便提前预警故障，进而能够及时通知无人配送车的用户或商家实施对应的故障维护措施等。
[0097]
在又一种可行的实现方式中，故障预警设备基于无人配送车的剩余使用寿命表征其处于老龄化的状态，且监测结果表征无人配送车处于超压工作状态时，输出对应的故障预警信息提示无人配送车的用户及时停止其工作。
[0098]
需要说明的是，本技术实施例中，故障预警设备采用已训练神经网络，对获取的无人配送车的当前状态信息和当前运行信息进行剩余使用寿命预测，并基于确定的剩余使用寿命，对无人配送车进行状态监测和故障预警，即在更加精准预测剩余使用寿命和状态监测的前提下，能够提高针对无人配送车进行故障预警的准确度。
[0099]
本技术实施例所提供的故障预警方法，首先，获取设备的数控系统和电气系统的当前状态信息，以及设备的机械部件的当前运行信息；其次，对当前状态信息和当前运行信息进行预处理，得到待处理信息；并采用已训练神经网络，对待处理信息进行特征提取，得到至少一个特征信息；基于至少一个特征信息的时序信息，确定至少一个特征信息的目标向量；基于目标向量，确定出设备的剩余使用寿命；最后，基于剩余使用寿命，对设备进行状态监测，得到监测结果；基于监测结果，生成设备的故障预警；如此，通过采用已训练神经网络对设备的当前状态信息和当前运行信息进行特征提取和时序处理，确定其剩余使用寿命，并基于剩余使用寿命对设备进行状态监测和预警，能够提高针对设备进行故障预警的准确度。
[0100]
基于前述实施例，本技术实施例提供一种故障预警方法，应用于故障预警设备，参照图1和图2所示的步骤进行以下说明：
[0101]
步骤201、采用已训练神经网络，对至少一个特征信息进行时序预测，得到至少一个特征信息的时序信息。
[0102]
在本技术实施例中，故障预警设备可以采用已训练神经网络的时序预测层对基于
特征提取层提取的至少一个特征信息进行时序预测，得到至少一个特征信息的时序信息。
[0103]
在一种可行的实现方式中，故障预警设备采用已训练神经网络确定出的至少一个特征信息为无人配送车的电池电压对应的多个数值时，可以基于时序信息对多个电池电压的数值进行分类，进而确定出无人配送车的多个电池电压中每一电池电压对应的时序信息。
[0104]
需要说明的是，故障预警设备采用已训练神经网络对至少一个特征信息进行时序预测时，可以按照每秒给每一特征信息进行时序预测，也可以按照每分给每一特征信息进行时序预测，本技术对此不作任何限定。
[0105]
相应地，故障预警设备在执行步骤104时，即故障预警设备在基于至少一个特征信息的时序信息，确定至少一个特征信息的目标向量时，可以通过以下步骤202至步骤204的方式来实现：
[0106]
步骤202、基于至少一个特征信息的时序信息，对至少一个特征信息进行向量转换，得到至少一个特征向量。
[0107]
在本技术实施例中，故障预警设备基于至少一个特征信息的时序信息，对至少一个特征信息进行向量转换，对应地得到至少一个特征向量。
[0108]
在一种可行的实现方式中，故障预警设备采用已训练神经网络对至少一个特征信息进行向量转换，以得到与至少一个特征信息的时序信息对应的至少一个特征向量，其中，在本技术实施例中已训练神经网络具体对至少一个特征信息进行向量转换所使用的网络算法不作任何限定。
[0109]
其中，至少一个特征向量按照预设规则形成特征空间，同时具有相同属性的特征向量在特征空间坐标系中具有与其他特征向量更加短的空间距离。
[0110]
需要说明的是，一般线性变换的特征向量是指在变化下方向不变，线性变换的特征向量是指在变换下方向不变，或者简单地乘以一个缩放因子的非零向量；相应地，特征空间就是由所有有着相同特征值的特征向量组成的空间，还包括零向量，但要注意零向量本身不是特征向量。
[0111]
步骤203、基于至少一个特征信息的时序信息，确定至少一个特征向量的权重系数。
[0112]
在本技术实施例中，故障预警设备可以通过已训练神经网络中lstm层，确定出至少一个特征向量中每一特征向量的权重系数；其中，每一特征向量的权重系数均在[0，1]范围之内。
[0113]
在一种可行的实现方式中，故障预警设备可以采用已训练神经网络中的lstm层结合注意力机制，对至少一个特征信息进行权重系数的确定，其中，每一特征向量的权重系数与每一特征信息的时序信息相对应。
[0114]
在一种可行的实现方式中，故障预警设备采用已训练神经网络，确定出至少一个特征向量的权重系数可以是，无人配送车在中午12:00前后一个小时对应的特征向量的权重系数的数值为0.4，同时在凌晨00:00前后三个小时对应的特征向量的权重系数的数值为0.2，且已训练神经网络对于输入至无人配送车的预设时间段的运行信息进行处理时，其确定出的无人配送车在该预设时段的特征向量的权重系数的数值总和为1。
[0115]
步骤204、基于至少一个特征向量的权重系数，对至少一个特征向量进行权重赋
值，得到目标向量。
[0116]
在本技术实施例中，故障预警设备可以将每一特征向量与每一特征向量的权重系数进行相乘，并将至少一个相乘结果进行求和，得到目标向量。
[0117]
在一种可行的实现方式中，故障预警设备执行步骤204时，即故障预警设备基于至少一个特征向量的权重系数，对至少一个特征向量进行权重赋值，得到目标向量时，可以通过以下步骤204a至步骤204b的方式来实现：
[0118]
步骤204a、将至少一个特征向量与至少一个特征向量的权重系数相乘，得到至少一个标识特征向量。
[0119]
在本技术实施例中，标识特征向量即为赋予权重系数的特征向量；相应地，标识特征向量与特征向量一一对应。
[0120]
步骤204b、将至少一个标识特征向量进行求和，得到目标向量。
[0121]
在本技术实施例中，故障预警设备可以将获取的每一标识特征向量进行求和，以得到目标向量。
[0122]
需要说明的是，故障预警设备可以采用已训练神经网络对至少一个特征向量的权重系数，对至少一个特征向量进行权重赋值，得到目标向量，进而实现聚焦式确定相关信息，可筛选出更加关键的信息，以使得后期确定出的无人配送车的剩余使用寿命精确度更高；进一步地，能够提高针对无人配送车进行状态监测和故障预警的准确度。
[0123]
本技术实施例所提供的故障预警方法，通过采用增强特征提取能力和表达能力的已训练神经网络，对设备的当前状态信息和当前运行信息进行特征提取和时序处理，以确定出设备的剩余使用寿命，进而能够提高针对设备进行状态监测和故障预警的准确度。
[0124]
基于前述实施例，本技术实施例还提供一种故障预警方法，应用于故障预警设备，参照图1至图3所示的步骤进行以下说明：
[0125]
在本技术实施例中，故障预警设备基于目标向量，确定出设备的剩余使用寿命之后，还可以执行以下步骤301至步骤303：
[0126]
步骤301、获取具有参照信息与标准剩余使用寿命的对应关系的映射表。
[0127]
其中，参照信息至少包括设备的数控系统和电气系统的状态信息，以及设备的机械部件的运行信息；
[0128]
在本技术实施例中，映射表可以是研究无人配送车的相关专家和操作人员的启发性经验知识生成的；其中，该启发性经验知识通过定性或定量描述无人配送车在运行过程中的各个组成单元之间的连接关系、故障传播模式等，其在无人配送车出现异常征兆后通过丰富地经验知识进行推理、演绎等方式来模拟无人配送车领域的专家或操作人员的推理能力。
[0129]
在一种可行的实现方式中，映射表中至少包括：无人配送车的状态信息和标准剩余使用寿命的对应关系的信息，以及无人配送车的运行信息和标准剩余使用寿命的对应关系的信息。
[0130]
在另一种可行的实现方式中，映射表可以包括无人配送车的运行信息、状态信息以及标准剩余使用寿命的对应关系的信息。在一种可行的实现方式中，对应关系可以是运行信息为无人配送车的行驶速度为20km/h，且无人配送车的磨损程度较高时，其对应的标准剩余使用寿命为90天；相应地，无人配送车的行驶速度为45km/h，且无人配送车的磨损程
度较低时，其对应的标准剩余使用寿命为一年。
[0131]
需要说明的是，故障预警设备可以从外部网站获取该映射表，更可以是经研发人员输入至其内部的，还可以是故障预警设备通过云平台获取的，本技术对映射表的具体来源不作任何限定。
[0132]
其中，映射表可以以表格形式、图形形式以及文字形式等任一形式进行展示，本技术对此不作任何限定。
[0133]
需要说明的是，映射表内部的信息包括但不限于上述对应关系，还可以包括无人配送车在当前时刻的建议行驶速度、建议行驶方向以及建议行驶路径等。
[0134]
步骤302、基于当前运行信息和映射表，确定出标识剩余使用寿命。
[0135]
在本技术实施例中，故障预警设备对获取的当前运行信息和映射表解析，确定出与当前运行信息对应的标识剩余使用寿命。
[0136]
其中，标识剩余使用寿命为标准剩余使用寿命中的一个参数，即标准剩余使用寿命为两个以上的参数。
[0137]
步骤303、基于标识剩余使用寿命，对剩余使用寿命进行调整，得到调整后的剩余使用寿命。
[0138]
在本技术实施例中，故障预警设备在通过已训练神经网络确定出的剩余使用寿命的基础上，再基于映射表中的对应关系对确定出的标识剩余使用寿命，对剩余使用寿命进行调整，以使得最终确定出的即调整后的剩余使用寿命符合实际情况。
[0139]
需要说明的是，本技术实施例中采用已训练神经网络和映射表来确定最终的无人配送车剩余使用寿命，使得确定出的无人配送车的剩余使用寿命精确度较高的基础上能够符合无人配送车的实际运行情况。
[0140]
基于前述实施例，本技术实施例还提供一种故障预警方法，应用于故障预警设备，参照图1、图2以及图4所示的步骤进行以下说明：
[0141]
在本技术实施例中，设备包括无人配送车的情况下，对应于上述实施例提供的步骤106中的基于剩余使用寿命，对设备进行状态监测，得到监测结果，故障预警设备可以通过执行以下步骤401至步骤402来实现：
[0142]
步骤401、在剩余使用寿命对应的数值小于第一预设阈值的情况下，以第一频率获取无人配送车的第一状态信息和第一运行信息，并基于第一状态信息和第一运行信息对无人配送车进行状态监测，得到第一监测结果。
[0143]
在本技术实施例中，故障预警设备基于确定出无人配送车的剩余使用寿命，并对该剩余使用寿命的具体数值进行判断，以确定出对无人配送车的后期监测情况。
[0144]
需要说明的是，无人配送车的剩余使用寿命对应的数值可以以年、月以及天等为单位进行描述，本技术对此不作任何限定。
[0145]
其中，第一预设阈值可以是故障预警设备基于研究无人配送车的相关专家和操作人员的启发性经验知识生成的映射表中确定出来的；也可以是故障预警设备随机设定的，还可以是故障预警设备基于无人配送车的平均使用年限确定出来的；本技术实施例中对第一预设阈值的具体数值不作任何限定。
[0146]
在一种可行的实现方式中，在剩余使用寿命对应的数值小于第一预设阈值的情况下，故障预警设备以第一频率来获取无人配送车的第一状态信息和第一运行信息，以执行
下一步动作如：故障预警设备将该运行信息输入至已训练神经网络进行无人配送车的剩余使用寿命的预测，或故障预警设备将第一状态信息和第一运行信息上报至与其进行信息交互的云平台以便无人配送车的用户或商家进行查看等。
[0147]
步骤402、在剩余使用寿命对应的数值大于或等于第一预设阈值的情况下，以第二频率获取无人配送车的第二状态信息和第二运行信息，并基于第二状态信息和第二运行信息对无人配送车进行状态监测，得到第二监测结果。
[0148]
其中，第一频率大于第二频率。
[0149]
在一种可行的实现方式中，在剩余使用寿命对应的数值小于第一预设阈值的情况下，故障预警设备以第二频率来获取无人配送车的第二状态信息和第二运行信息，以执行下一步动作如：将第二状态信息和第二运行信息输入至已训练神经网络进行无人配送车的剩余使用寿命的预测，或故障预警设备将运行信息上报至与其进行信息交互的云平台以便无人配送车的用户或商家进行查看等。
[0150]
需要说明的是，故障预警设备基于已训练神经网络和无人配送车的当前运行信息，确定出无人配送车的当前剩余使用寿命，然后基于该剩余使用寿命对应的数值与第一预设阈值的大小比值，给出故障预警设备后期对无人配送车的运行信息进行获取的频率值。
[0151]
在一种可行的实现方式中，第一预设阈值为90天，当无人配送车的剩余使用寿命为1年，故障预警设备基于第二频率如每三天获取一次无人配送车的运行信息，并对该第一状态信息和第一运行信息进行相关操作。
[0152]
其中，第一频率大于第二频率，即在无人配送车的剩余使用寿命小于第一预设阈值的情况时故障预警设备获取其运行的频率，大于无人配送车的剩余使用寿命大于或等于第一预设阈值的情况时确定获取其运行的频率，其表征无人配送车的剩余使用寿命大于或等于第一预设阈值的情况时，无人配送车后期运行出现故障的概率值，要高于无人配送车的剩余使用寿命小于第一预设阈值的情况时无人配送车后期运行出现故障的概率值。
[0153]
需要说明的是，故障预警设备基于无人配送车的剩余使用寿命与第一预设阈值的大小比值，确定出以不同的频率获取其后期的运行信息，如此能够避免故障预警设备在无人配送车的剩余使用寿命大于或等于第一预设阈值的情况时，过于频繁地获取运行信息进而造成资源浪费的现象，同时能够在无人配送车的剩余使用寿命小于第一预设阈值的情况时，故障预警设备较频繁地获取无人配送车的运行信息以便及时地监控无人配送车的运行状态，以防止无人配送车出现故障。
[0154]
相应地，故障预警设备在基于监测结果，生成设备的故障预警时，可以执行以下步骤403至步骤404：
[0155]
步骤403、对监测结果进行健康度度量，得到度量结果。
[0156]
在本技术实施例中，故障预警设备对监测结果进行评分，即对无人配送车进行健康度度量，得到对应的度量结果；换而言之，故障预警设备对无人配送车的剩余使用寿命进行评分，即进行健康度度量，得到度量结果。
[0157]
需要说明的是，健康度是衡量机体健康程度的一个量化指标，其中，使用
°
h进行表示，在本技术实施例中，故障预警设备可以将无人配送车的健康程度划分为100个等级，最不健康机体的健康度为0，最健康机体的健康度为100，一般机体只存在两种状态：健康状态
和不健康状态，其中，不健康状态即为疾病状态。
[0158]
步骤404、在度量结果小于第二预设阈值的情况下，生成无人配送车的预警信息并输出。
[0159]
在本技术实施例中，故障预警设备对度量结果即健康数值和第二预设阈值进行大小比值，在该度量结果小于第二预设阈值的情况下，生成对应的预警信息输出。
[0160]
其中，第二预设阈值可以是故障预警设备基于研究无人配送车的相关专家和操作人员的启发性经验知识生成的映射表中确定出来的；也可以是故障预警设备随机设定的，还可以是故障预警设备基于无人配送车的平均使用年限确定出来的；本技术实施例中对第二预设阈值的具体数值不作任何限定。
[0161]
在一种可行的实现方式中，故障预警设备将70
°
h设置为第二预设阈值，
°
h大于等于70为健康状态，相应地，
°
h小于70不健康状态；在度量结果为65时，即度量结果小于第二预设阈值的情况下，输出预警信息。
[0162]
其中，该预警信息可以提前输出，即提前预警，以便提醒操作该无人配送车的用户或设备对无人配送车执行相关操作。
[0163]
在本技术实施例中，预警信息可以是以文字形式、图片等形式提示无人配送车的用户或商户，本技术对此不作任何限定。
[0164]
需要说明的是，本技术实施例中故障预警设备基于无人配送车的剩余使用寿命的健康度对应的度量值，以确定出预警信息，能够实现无人配送车的潜在故障提前预警，进而能够及时通知无人配送车的用户或商家实施对应的故障维护措施等，以保证无人配送车的正常运行。
[0165]
基于以上实施例，在本技术的其他实施例中，故障预警设备在采用已训练神经网络，对待处理信息进行特征提取，得到至少一个特征信息；基于至少一个特征信息的时序信息，确定至少一个特征信息的目标向量；基于目标向量，确定出设备的剩余使用寿命时，其中，该已训练神经网络的训练过程可以通过以下步骤a1至步骤a3来实现：
[0166]
步骤a1、获取设备在预设周期内的数控系统和电气系统的历史状态信息，以及设备在预设周期内的机械部件的历史运行信息。
[0167]
在本技术实施例中，故障预警设备获取无人配送车在预设周期内的数控系统和电气系统的历史状态信息和设备在预设周期内的机械部件的历史运行信息，该预设周期可以是一个月、一个礼拜以及一天等，本技术对此不作任何限定。
[0168]
其中，故障预警设备获取无人配送车在预设周期内的历史状态信息和历史运行信息的时间间隔在本技术中不作任何限定。
[0169]
其中，历史状态信息和历史运行信息包括但不限于：无人配送车的历史工作电池温度、历史工作电池剩余使用寿命、历史工作电池温度、历史行驶速度、历史行驶方向以及历史行驶路径等，本技术对历史状态信息和历史运行信息的具体指代不作任何限定。
[0170]
步骤a2、将历史状态信息和历史运行信息输入至待训练神经网络，预测出设备的预测剩余使用寿命。
[0171]
在本技术实施例中，故障预警设备将获取的历史状态信息和历史运行信息输入至待训练神经网络，并通过该待训练神经网络预测出无人配送车的预测剩余使用寿命。
[0172]
需要说明的是，故障预警设备可以间隔固定时间采用待训练神经网络确定出的预
测剩余使用寿命，本技术对此不作任何限定。
[0173]
步骤a3、基于预测剩余使用寿命的损失，对待训练神经网络的网络参数进行调整，以使调整后的已训练神经网络的损失满足预设收敛条件。
[0174]
在本技术实施例中，故障预警设备对已训练神经网络进行训练过程具体可以通过以下方式来实现：故障预警设备将历史状态信息和历史运行信息输入至用于进行剩余使用寿命预测的性能退化神经网络模型；其中，该性能退化神经网络模型即为待训练神经网络，故障预警设备基于该待训练神经网络来对历史状态信息和历史运行信息进行剩余使用寿命预测；同时基于每一历史状态信息和每一历史运行信息的标签，和进行剩余使用寿命预测的历史状态信息和历史运行信息进行比对，得到输出结果，并基于该输出结果生成该待训练神经网络的损失函数，基于该损失函数对待训练神经网络的网络参数进行调整，并再次输入历史状态信息和历史运行信息至待训练神经网络得到对应的损失函数，依次反复训练直至最终得到的损失函数满足预设的收敛条件后，此时的待训练神经网络为已训练神经网络。
[0175]
在一种可行的实现方式中，故障预警设备在执行步骤a2之前，即故障预警设备将历史状态信息和历史运行信息输入至待训练神经网络，预测出设备的预测剩余使用寿命之前，还可以执行以下步骤a1至步骤a2：
[0176]
步骤a1、对历史状态信息和历史运行信息进行信息过滤，得到训练信息。
[0177]
在本技术实施例中，故障预警设备对无人配送车的历史状态信息和历史运行信息进行信息过滤，即过滤掉无效信息，以得到训练信息。
[0178]
步骤a2、对训练信息按照属性特征进行聚类，得到样本信息。
[0179]
在本技术实施例中，故障预警设备对训练信息按照信息的属性特征进行聚类分析，得到样本信息；其中，属性特征可以是故障预警设备基于训练信息的获取方式确定的，也可以是故障预警设备基于训练信息的产生频率确定的，本技术对具体的属性特征不作任何限定。
[0180]
需要说明的是，聚类即为将相似的信息或参数通过静态分类的方法分成不同的组别或者更多的子集(subset)，进而使得在同一个子集中的信息都有相似的一些属性特征，常见的属性特征的表达方式可以是在特征空间坐标系中更加短的空间距离等。
[0181]
相应地，故障预警设备执行步骤a2时，即故障预警设备将历史状态信息和历史运行信息输入至待训练神经网络，预测出设备的预测剩余使用寿命，还可以通过执行以下步骤a3的方式来实现：
[0182]
步骤a3、将样本信息输入至待训练神经网络，确定出设备的预测剩余使用寿命。
[0183]
在本技术实施例中，故障预警设备将经过一系列处理后的样本信息输入至待训练神经网络，并确定出无人配送车的预测使用寿命。
[0184]
需要说明的是，在本技术实施例中采用无人配送车的历史状态信息和历史运行信息来训练待训练神经网络，相应地，在无人配送车的历史状态信息和历史运行信息不断更新和增加的基础上，该待训练神经网络能够及时地自动学习最新获取的状态信息和运行信息，并基于该状态信息和运行信息对待训练神经网络进行迭代更新，从而避免了采用更新迭代慢、模型时效性差的相关算法确定剩余使用寿命所带来的准确度较低的问题。
[0185]
基于前述实施例，图5给出了本技术实施例提供的一种已训练神经网络中采用的
相关算法的框架示意图；本技术实施例可以基于图5中的已训练神经网络和无人配送车的当前状态信息和当前运行信息来预测无人配送车的剩余使用寿命，其中，501为本技术实施例提供的已训练神经网络在训练过程中所采用的训练信息的预处理过程，且在501中可以将训练信息，即本身实施例提供的历史状态信息和历史运行信息，划分为训练数据集和测试数据集，故障预警设备可以按照8:2的比例进行划分，本技术中对划分的比例不作任何限定，然后501中将训练数据集进行数据增强和归一化处理，并将测试数据集记性归一化处理。
[0186]
相应地，图5中的502至508为已训练神经网络的具体网络层所使用的算法示例，同时该已训练神经网络还可以是一种性能退化神经网络，其中502为该已训练神经网络的特征提取层所采用的算法，即特征提取层采用gbdt进行特征选择和特征交叉，以确定出无人配送车的当前状态信息和当前运行信息对应的至少一个特征信息；503为三层时间卷积层，在图5中503为三层时间卷积层，但在本技术实施例中该时间卷积层的层数可以调整为三至五层；504为该已训练神经网络的全连接层+dropout层，其中，全连接层(fully connected layers，fc)在整个卷积神经网络中起到“分类器”的作用，若卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用；同时在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1*1的卷积；而前层是卷积层的全连接层可以转化为卷积核为h*w的全局卷积，h和w分别为前层卷积结果的高和宽，同时全连接层本质就是由一个特征空间线性变换到另一个特征空间；且在本技术实施例提供的全连接层中还设置有dropout层，其一般设置在全连接层，以防止过拟合进而提升已训练神经网络泛化能力，故障预警设备基于503至504将至少一个特征信息转换为至少一个特征向量；505为注意力机制，同时506为lstm层，在本技术实施例中，故障预警设备采用已训练神经网络的lstm层的基础上增加注意力机制，基于该注意力机制对从504生成的至少一个特征向量进行权重赋值；然后故障预警设备基于507的全连接层+dropout层，确定出目标向量，并基于该目标向量输出508的结果，即预测出的无人配送车的剩余使用寿命。
[0187]
基于图5所示的已训练神经网络，以下给出本技术实施例提供的故障预警方法中较为关键的几个方面：
[0188]
1、本技术实施例中，针对输入至已训练神经网络的当前状态信息和当前运行信息需进行预处理，如：信息过滤和聚类分析；其中，故障预警设备基于信息的特征参数对当前状态信息和当前运行信息进行无效信息过滤和聚类，并给出聚类结果以进行编码；如此基于筛选并分类待处理信息，能够过滤掉无效信息且实现对当前状态信息和当前运行信息的初步分类，使得故障预警设备后期采用已训练神经网络进行信息处理的速度加快。
[0189]
2、本技术实施例中提供的已训练神经网络的特征提取层选择gbdt算法进行特征选择和特征交叉；其中，gbdt是一种常用的非线性模型，基于集成学习中boosting的思想，由于gbdt本身可以发现多种有区分性的特征以及特征组合，决策树的路径可以直接作为之后网络输入特征使用，省去了人工寻找特征、特征组合的步骤。
[0190]
需要说明的是，本技术实施例在使用已训练神经网络进行无人配送车的剩余使用寿命确定的过程中，无人配送车内部传感器的相关信息是在相关技术中通常被忽略的重要信息；本技术实施例中采用的已训练神经网络能够基于无人配送车内部传感器的相关信息
建立专属的gbdt，相应地，针对无人配送车的其他信息如：数控系统的状态信息、电气系统的状态信息以及机械部件的运行信息构建公用gbdt。
[0191]
基于此，故障预警设备采用已训练神经网络对输入的无人配送车的状态信息和运行信息，可以基于专属gbdt和共用gbdt进行特征提取，使得特征信息提取更加精确且具体，进而能够提高后期确定的无人配送车的剩余使用寿命的精确度。
[0192]
3、本技术实施例中提供的已训练神经网络中，采用特征提取和表达能力较强的处理策略以实现特征分类等过程；其中，cnn是基于人工神经网络提出的，它将多维数据用卷积核做多层卷积运算、线性整流、池化以及激活函数降维，再通过全连接层将多个层合并之后采用softmax算法得出每一类的得分的过程。
[0193]
如图6a示出了本技术实施例提供的一种卷积神经网络分类模型的结构示意图；其中，该卷积神经网络分类模型可以是一种初始模块(inception module)；同时该初始模块一般由四个成分组成：1*1卷积、3*3卷积、5*5卷积以及3*3最大池化，最后对四个成分运算结果进行通道上组合，即为初始模块的核心思想；基于此，使用图6a提供的卷积神经网络分类模型可以通过多个卷积核提取相关信息不同尺度的信息，最后进行融合，可以得到相关信息更好的表征。
[0194]
图6a中的603为原始数据，即本技术实施例中提供的待处理信息；602中的不同大小的卷积核意味着不同大小的感受野，后期使用601中的分类串联即完成不同尺度特征的融合，其中602中的卷积核包括：1*1卷积、3*3卷积，同时在602中也可以嵌入pool；换而言之，相对技术中所有卷积在上一层的所有输出来做，这样存在计算量较大的问题；因而，在本技术实施例中故障预警设备在3*3卷积、5*5卷积和pool前加了1*1卷积起到降维的作用，如此能够实现非线性变化的同时实现跨通道的交互和信息整合。
[0195]
4、本技术实施例提供的已训练神经网络中，可以用relu替换sigmoid，如此能够避免sigmoid在网络较深时的梯度弥散问题；同时使用dropout随机忽略一部分神经元，避免模型过拟合；此外，采用3个3*3卷积核来代替7*7卷积核，以及2个3*3卷积核来代替5*5卷积核，如此操作能够在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。
[0196]
基于此，在本技术实施例提供的已训练神经网络的卷积分解过程中：将7*7卷积分解成两个一维的卷积1*7和7*1，如此能够加速计算；同时将1个卷积拆为2个卷积，使得已训练神经网络对应的网络深度进一步增加，进而能够增加已训练神经网络的非线性表达能力。
[0197]
5、本技术实施例提供的已训练神经网络中，针对lstm层采用注意力机制方法对融合特征数据进行偏心处理；并基于偏心处理结果来放大输入数据和递归数据的权重，并对融合特征数据自动进行不同程度的处理。
[0198]
需要说明的是，具有注意力机制的lstm层由于其独特的存储单元结构能够避免相关技术中存在的长期依赖性的问题；其中，lstm结合注意力机制即在lstm的模型上加入注意力层，在lstm中故障预警设备可以将最后一个时序的输出向量作为特征向量，然后进行softmax分类；其中，此结构中的注意力机制是先计算每个时序的权重，然后将所有时序的向量进行加权和作为特征向量，然后进行softmax分类。
[0199]
如图6b所示，给出了本技术实施例提供的一种已训练神经网络模型的结构示意
图；其中，604为本技术实施例提供的已训练神经网络的输出层，相应地，该已训练神经网络还包括注意力层605、lstm层606、嵌入层607以及608的输入层；同时注意力层605和lstm层606可以共同工作，以实现对融合特征数据进行偏心处理；同时输入层608即为该已训练神经网络的输入层可以获取输入的多个信息：x1、x2、x3…
x
t
等，并对其进行预处理，以得到e1、e2、e3…
e
t
等；相应地，故障预警设备将e1、e2、e3…
e
t
等基于嵌入层607进行向量转换，以得到h1、h2、h3…
h
t
等,同时h1、h2、h3…
h
t
又具有各自不同方向的值；进而故障预警设备将得到的值输入至lstm层606和注意力层605，并基于lstm层606和注意力层605处理之后得到的信息输入至输出层604，以确定出最终的无人配送车的剩余使用寿命。
[0200]
6、本技术实施例针对已训练神经网络构建时间卷积注意力的序列建模网络，其中，根据已训练神经网络中卷积核的大小，二维卷积在提取特征时同时考虑多个传感器的值，这样会存在确定出的结果容易存在噪声干扰；而相关技术中一维卷积因在给定传感器的时间维度上，其不受其他传感器值的干扰可以进行特征提取；基于此，本技术实施例中采用时间卷积来学习与传感器值的时间依赖性相关的特征，从卷积中提取的特征然后被反馈到一个堆叠的lstm网络，以学习长期短期的时间依赖性；且本技术实施例中已训练神经网络采用的时间卷积层为三层。
[0201]
基于此，本技术实施例提供的故障预警方法，采用包括有cnn网络、注意力机制、gbdt以及lstm网络的已训练神经网络，对无人配送车的当前状态信息和当前运行信息进行处理，可以实现多层数据融合，进而能够更加准确、可靠地确定出无人配送车的剩余使用寿命，进而能够针对无人配送车进行海量行驶数据的精确监测的同时，实现无人配送车的故障预警和状态监测，以使得无人配送车的用户或商家主动实施无人配送车维护策略。
[0202]
基于上述，图7示出了本技术实施例提供的一种使用已训练神经网络进行剩余使用寿命预测的流程示意图；其中，701为已训练神经网络的训练过程即该已训练神经网络进行离线学习训练的过程，其中，故障预警设备采用历史数据作为样本信息对待训练神经网络进行训练；702为采用已训练神经网络和实时数据在线实时预测无人配送车的剩余使用寿命的整体流程图。
[0203]
其中，7011为无人配送车的数控系统和电气系统数据的状态信息，以及机械部件运行信息；7012为基于数据获取模块获取的数控、电气系统的状态信息，以及传感器传输的机械部件的运行信息；7013为对历史数据即7012进行预处理如：无效信息过滤；7014为对信息过滤后的历史数据进行聚类分析，并基于聚类分析结果输入至待训练神经模型进行模型训练；其中，该待训练神经网络可以是一种性能退化神经网络。
[0204]
相应地，7021为故障预警设备对实时在线数据采集并将实时数据进行在线传输；7022为对在线运行数据进行数据预处理如：信息过滤、聚类分析等，并将处理后的在线运行数据，如本技术实施例提供的待处理信息输入至已训练神经网络中，即7023的神经网络模型中，故障预警设备对应地进行无人配送车的剩余使用寿命预测即7025；同时故障预警设备可采用7024提供的专家知识库对预测的结果进行更新；随后，故障预警设备基于7025的剩余使用寿命预测无人配送车的故障预警，以便实现7026的无人配送车的状态确定与诊断。
[0205]
图8示出了基于本技术实施例提供的故障预警方法预测无人配送车状态的整体流程示意图；其中，801为无人配送车的状态变化流程对应的进度信息，其中包括：设备正常状
态，从正常状态开始劣化进而触发预警已进入设备劣化状态，以及设备维护并恢复正常运行状态；其中，设备即为无人配送车；802为预警系统根据历史数据，针对无人配送车建立高保真的模型，从系统上线时开始确定，进而确定出801中的设备开始劣化状态，即应用于本技术实施例提供的故障预警方法来预测无人配送车的劣化状态；然后基于803中捕捉故障早期征兆，触发预警发现设备故障以进行分析
‑
通知
‑
解决，从而实现804的提前预知性检修，设备回复正常状态，避免了设备损坏和非计划停机等。
[0206]
需要说明的是，图7和图8相应地展示了基于本技术实施例提供的故障预警方法，以实现无人配送车的故障预警和状态监测；且该方案是直接通过无人配送车对应的系统历史运行数据建立故障预警模型，具有以下优势：第一方面，该方法借助数据预处理、聚类以及深度神经网络模型可以增强对非线性、自由度较高以及多变量耦合的复杂系统学习和处理能力；第二方面，该方法不需要知道系统精确的机理模型，进而一定程度上增强了通用性和自适应能力；第三方面，该方法可以随着无人配送车的历史运行信息的数据量不断更新和增加，能够及时地自动学习最新获取到的故障和状态信息并对模型进行迭代更新，从而避免了传统方法更新迭代慢、模型时效性差造成的确定剩余使用寿命存在准确度较低的问题；此外，该方法所使用的已训练神经网络采用“离线学习训练”和“在线实时预测”的方式提高了确定无人配送车的剩余使用寿命的准确度，能够使得无人配送车的用户或商家及时获知无人配送车的实时监测和故障提前预警。
[0207]
与此同时，图9示出采用三种不同网络算法来预测无人配送车的剩余使用寿命的对比示意图；其中，901为单纯使用lstm网络预测和期望其给出的无人配送车的剩余使用寿命曲线对比图；相应地，902为单纯使用cnn网络预测和期望其给出的无人配送车的剩余使用寿命曲线对比图；903为使用结合cnn和lstm的网络预测和期望其给出的无人配送车的剩余使用寿命曲线对比图，即本技术实施例中提供的故障预警方法确定无人配送车的剩余使用寿命曲线，以及无人配送车的用户或商户基于无人配送车的实际运行情况期望使用本技术实施例提供的确定方法预测的剩余使用寿命曲线；基于图9中的901至903所示，可以得出使用本技术实施例提供的故障预警方法，针对无人配送车的剩余使用寿命的拟合程度和稳定性明显优于其他两者。
[0208]
表1：算法结果对比表
[0209]
算法得分rmsemlp5620077.37svr3710045.35pvr2650034.34cnn5550029.16lstm5510028.17已训练神经网络5630021.03
[0210]
对应地，表1给出了实际应用中使用多种不同算法来确定无人配送车的剩余使用寿命对应的得分和均方根误差(root mean squared error，rmse)；其中，表1具体给出了多层感知器(multi
‑
layer perception，mlp)算法、支持向量机(support vector regression，svr)算法、跑道视程(runway visual range，pvr)算法、cnn算法、lstm算法以及本技术实施例提供的已训练神经网络各自对应的得分和rmse；同时本技术实施例提供的
已训练神经网络结合了dbgt、注意力机制、时间卷积以及lstm等算法；从表1中可以得出本技术实施例提供的已训练神经网络来确定无人配送车的剩余使用寿命的得分要高于其他算法，且rmse均低于其他算法，即本技术实施例提供的已训练神经网络在确定无人配送车的剩余使用寿命时计算精度均优于其他算法。
[0211]
基于前述实施例，本技术实施例还提供一种故障预警装置10，该故障预警装置10可以应用于图1至4对应的实施例提供的一种故障预警方法中，参照图10所示，该故障预警装置10可以包括：获取模块1001、预处理模块1002、确定模块1003和预警模块1004，其中：
[0212]
获取模块1001，用于获取设备的数控系统和电气系统的当前状态信息，以及设备的机械部件的当前运行信息；
[0213]
预处理模块1002，用于对当前状态信息和当前运行信息进行预处理，得到待处理信息；
[0214]
确定模块1003，用于采用已训练神经网络，对待处理信息进行特征提取，得到至少一个特征信息；基于至少一个特征信息的时序信息，确定至少一个特征信息的目标向量；基于目标向量，确定出设备的剩余使用寿命；
[0215]
预警模块1004，用于基于剩余使用寿命，对设备进行状态监测，得到监测结果；基于监测结果，生成设备的故障预警。
[0216]
在本技术其他实施例中，获取模块1001，还用于获取设备在预设周期内的数控系统和电气系统的历史状态信息，以及设备在预设周期内的机械部件的历史运行信息；
[0217]
相应地，确定模块1003，还用于将历史状态信息和历史运行信息输入至待训练神经网络，预测出设备的预测剩余使用寿命；基于预测剩余使用寿命的损失，对待训练神经网络的网络参数进行调整，以使调整后的已训练神经网络的损失满足预设收敛条件。
[0218]
在本技术其他实施例中，确定模块1003，还用于对历史状态信息和历史运行信息进行信息过滤，得到训练信息；对训练信息按照属性特征进行聚类分析，得到样本信息；
[0219]
相应地，确定模块1003，还用于将样本信息输入至待训练神经网络，预测出设备的预测剩余使用寿命。
[0220]
在本技术其他实施例中，确定模块1003，还用于采用已训练神经网络，对至少一个特征信息进行时序预测，得到至少一个特征信息的时序信息；
[0221]
相应地，确定模块1003，还用于基于至少一个特征信息的时序信息，对至少一个特征信息进行向量转换，得到至少一个特征向量；基于至少一个特征信息的时序信息，确定至少一个特征向量的权重系数；基于至少一个特征向量的权重系数，对至少一个特征向量进行权重赋值，得到目标向量。
[0222]
在本技术其他实施例中，确定模块1003，还用于将至少一个特征向量与至少一个特征向量的权重系数相乘，得到至少一个标识特征向量；将至少一个标识特征向量进行求和，得到目标向量。
[0223]
在本技术其他实施例中，设备包括无人配送车，确定装置10还可以包括调整模块1005，用于获取具有参照信息与标准剩余使用寿命的对应关系的映射表；其中，参照信息至少包括设备的数控系统和电气系统的状态信息，以及设备的机械部件的运行信息；基于当前状态信息、当前运行信息以及映射表，确定出标识剩余使用寿命；基于标识剩余使用寿命，对剩余使用寿命进行调整，得到调整后的剩余使用寿命。
[0224]
在本技术其他实施例中，获取模块1001，还用于在剩余使用寿命对应的数值小于第一预设阈值的情况下，以第一频率获取无人配送车的第一状态信息和第一运行信息，相应地，预警模块1004，还用于基于第一状态信息和第一运行信息对无人配送车进行状态监测，得到第一监测结果；在剩余使用寿命对应的数值大于或等于第一预设阈值的情况下，以第二频率获取无人配送车的第二状态信息和第二运行信息，相应地，预警模块1004，还用于基于第二状态信息和第二运行信息对无人配送车进行状态监测，得到第二监测结果；其中，第一频率大于第二频率。
[0225]
在本技术其他实施例中，预警模块1004，还用于对监测结果进行健康度度量，得到度量结果；在度量结果小于第二预设阈值的情况下，生成无人配送车的预警信息并输出。
[0226]
需要说明的是，本实施例中各个模块所执行的步骤的具体实现过程，可以参照图1至4对应的实施例提供的故障预警方法中的实现过程，此处不再赘述。
[0227]
本技术实施例提供的一种故障预警装置，通过采用增强特征提取能力和表达能力的已训练神经网络，对无人配送车的当前状态信息和当前运行信息进行特征提取和时序处理，以确定出无人配送车的剩余使用寿命，进而能够提高确认无人配送车的内部状态信息的准确度；同时能够针对无人配送车进行海量行驶数据的精确监测，以实现无人配送车的故障预警和状态监测，以使得无人配送车的用户或商家主动实施无人配送车维护策略。
[0228]
基于前述实施例，本技术的实施例还提供一种故障预警设备11，该故障预警设备11可以应用于图1至4对应的实施例提供的一种故障预警方法中，参照图11所示，该故障预警设备11可以包括：处理器1101、存储器1102、通信总线1103，
[0229]
其中：
[0230]
通信总线1103用于实现处理器1101和存储器1102之间的通信连接。
[0231]
处理器1101用于执行存储器1102中存储的故障预警方法的程序，以实现参照图1至4对应的实施例提供的故障预警方法。
[0232]
本技术实施例所提供的故障预警设备，通过采用增强特征提取能力和表达能力的已训练神经网络，对无人配送车的当前状态信息和当前运行信息进行特征提取和时序处理，以确定出无人配送车的剩余使用寿命，进而能够提高确认无人配送车的内部状态信息的准确度；同时能够针对无人配送车进行海量行驶数据的精确监测，以实现无人配送车的故障预警和状态监测，以使得无人配送车的用户或商家主动实施无人配送车维护策略。
[0233]
基于前述实施例，本技术的实施例提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如图1至4对应的实施例提供的故障预警方法的步骤。
[0234]
需要说明的是，上述计算机可读存储介质可以是只读存储器(read only memory，rom)、可编程只读存储器(programmable read
‑
only memory，prom)、可擦除可编程只读存储器(erasable programmable read
‑
only memory，eprom)、电可擦除可编程只读存储器(electrically erasable programmable read
‑
only memory，eeprom)、磁性随机存取存储器(ferromagnetic random access memory，fram)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(compact disc read
‑
only memory，cd
‑
rom)等存储器；也可以是包括上述存储器之一或任意组合的各种电子设备，如移动电话、计算机、平板设备、个人数字助理等。
[0235]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0236]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0237]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所描述的方法。
[0238]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0239]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0240]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0241]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。