传感器电路故障诊断方法、系统、介质及装置与流程

1.本发明属于传感器电路故障诊断领域，涉及一种传感器电路故障诊断方法、系统、介质及装置。


背景技术：

2.随着物联网技术和电子线路行业的迅猛发展，包含多种元器件的传感器电路开始广泛应用于工业生产和日常生活的各个领域中，人们对传感器电路运行可靠性的要求也越来越高。传感器电路中的大多故障源于传感器电路的元器件故障。实际生产过程中的工艺偏差、焊接过程中的接触不良以及外界环境中的各类非理想因素都可能导致传感器电路的部分元器件故障，进而引发传感器电路故障，影响设备运作，严重时可造成重大经济损失，甚至衍生危险事故。而随着传感器电路元器件复杂度的提升，传统故障排查方式难以满足现有诊断需求，如何迅速定位传感器电路故障元器件位置逐渐成为学术界和产业界的研究热点。
3.传感器电路等硬件电路的故障诊断，是通过对电路的输出信号进行处理和分析，从而精确定位电路的故障发生点。目前，传感器电路等硬件电路的故障诊断方法主要存在两种方法，一种方法是对电路输出信号进行特征提取，获得与电路故障相关的少量特征，再利用svm等机器学习方法进行故障分类；另一种方法是直接利用电路输出的时序信号或者频域信号，将信号输入到神经网络进行高维数据处理并输出分类信息，进而完成对电路故障的诊断。但是，这两种方法的诊断准确度均较低。


技术实现要素：

4.本发明的目的在于克服上述现有技术的缺点，提供一种传感器电路故障诊断方法、系统、介质及装置。
5.为达到上述目的，本发明采用以下技术方案予以实现：
6.本发明第一方面，提供一种传感器电路故障诊断方法，包括：
7.获取传感器电路输出的时域连续电压信号；对时域连续电压信号进行时域特征提取和频域特征提取，得到时域特征数据和频域特征数据；根据所述时域连续电压信号、时域特征数据和频域特征数据，调用预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果。
8.可选的，所述对时域连续电压信号进行时域特征提取和频域特征提取，得到时域特征数据和频域特征数据包括：获取时域连续电压信号的最大值、最小值、平均值、标准差、峰度以及偏度中的一个或几个，得到时域特征数据；将时域连续电压信号进行时频转换，得到频域连续电压信号，获取频域连续电压信号的带宽和中心频率中的一个或几个，得到频域特征数据。
9.可选的，所述根据所述时域连续电压信号、时域特征数据和频域特征数据，调用预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果包括：组合时域特征数据和
频域特征数据，得到时频混合数据；将时域连续电压信号和时频混合数据均进行归一化处理，得到归一化时频电压数据和归一化时频混合数据；将归一化时频电压数据和归一化时频混合数据输入预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果。
10.可选的，所述预设的传感器电路故障诊断模型包括dnn神经网络、lstm 神经网络、全连接层网络以及softmax层网络；dnn神经网络用于输入归一化时频混合数据，输出dnn神经网络输出数据至全连接层网络；lstm神经网络用于输入归一化时频电压数据，输出lstm神经网络输出数据至全连接层网络；全连接层网络用于将dnn神经网络输出数据和lstm神经网络输出数据进行全连接处理，得到全连接层网络输出数据并输出至softmax层网络；softmax层网络用于根据输入的全连接层网络输出数据，得到传感器电路故障诊断结果并输出。
11.可选的，所述softmax层网络的softmax函数为：
[0012][0013]
其中，fc_out(m)[i]为第m组时域连续电压信号的全连接层网络输出数据的第i个数据，fc_out(m)[j]为第m组时域连续电压信号的全连接层网络输出数据的第j个数据，m为时域连续电压信号的获取组数，k为传感器电路的故障类型数；s(fc_out(m)[i])为传感器电路故障诊断结果的第i个数据，i＞0时表示传感器电路元件i发生故障的概率，i＝0时表示传感器电路不发生故障的概率。
[0014]
本发明第二方面，提供一种传感器电路故障诊断系统，包括：
[0015]
数据获取模块，用于获取传感器电路输出的时域连续电压信号；
[0016]
特征提取模块，用于对时域连续电压信号进行时域特征提取和频域特征提取，得到时域特征数据和频域特征数据；
[0017]
诊断模块，用于根据所述时域连续电压信号，调用预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果。
[0018]
可选的，所述诊断模块具体用于：组合时域特征数据和频域特征数据，得到时频混合数据；将时域连续电压信号和时频混合数据均进行归一化处理，得到归一化时频电压数据和归一化时频混合数据；将归一化时频电压数据和归一化时频混合数据输入预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果。
[0019]
可选的，所述预设的传感器电路故障诊断模型包括dnn神经网络、lstm 神经网络、全连接层网络以及softmax层网络；dnn神经网络用于输入归一化时频混合数据，输出dnn神经网络输出数据至全连接层网络；lstm神经网络用于输入归一化时频电压数据，输出lstm神经网络输出数据至全连接层网络；全连接层网络用于将dnn神经网络输出数据和lstm神经网络输出数据进行全连接处理，得到全连接层网络输出数据并输出至softmax层网络；softmax层网络用于根据输入的全连接层网络输出数据，得到传感器电路故障诊断结果并输出。
[0020]
本发明第三方面，提供一种传感器电路故障诊断装置，包括存储器、处理器以及存储在所述存储器中并可在所述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上述传感器电路故障诊断方法的步骤。
[0021]
本发明第四方面，提供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程序，所述计算机程序被处理器执行时实现上述传感器电路故障诊断方法的步骤。
[0022]
与现有技术相比，本发明具有以下有益效果：
[0023]
本发明传感器电路故障诊断方法，通过对时域连续电压信号进行时域特征提取和频域特征提取，得到时域特征数据和频域特征数据，进而根据所述时域连续电压信号、时域特征数据和频域特征数据，调用预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果，在进行传感器电路故障诊断时，实现了特征提取和时序信号的联合处理，不仅考虑到了时域连续电压信号本身与传感器电路故障的相关性，还利用特征工程的方法，对时域连续电压信号进行时域和频域的两重特征提取，最后将这些数据共同输入到预设的传感器电路故障诊断模型进行融合，最终获取传感器电路的故障诊断结果，使得传感器电路故障诊断结果的准确性得到较大提高。
附图说明
[0024]
图1为本发明实施例的传感器电路故障诊断方法流程图；
[0025]
图2为本发明实施例的传感器电路故障诊断模型结构框图；
[0026]
图3为本发明实施例的lstm神经网络原理示意图；
[0027]
图4为本发明实施例的传感器电路故障诊断系统结构框图。
具体实施方式
[0028]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0029]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0030]
如背景技术中所介绍的，目前传感器电路的故障诊断方法主要存在两种方法，一种方法是对电路输出信号进行特征提取，获得与电路故障相关的少量特征，再利用svm等机器学习方法进行故障分类；另一种方法是直接利用电路输出的时序信号或者频域信号，将信号输入到神经网络进行高个数据处理并输出分类信息，进而完成对电路故障的诊断。但是，这两种方法都存在诊断准确度较低的问题。
[0031]
为了改善上述问题，本发明实施例提供了一种传感器电路故障诊断方法，包括：获取传感器电路输出的时域连续电压信号；对时域连续电压信号进行时域特征提取和频域特
征提取，得到时域特征数据和频域特征数据；根据所述时域连续电压信号、时域特征数据和频域特征数据，调用预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果。实现了特征提取和时序信号的联合处理，不仅考虑到了时域连续电压信号本身与传感器电路故障的相关性，还利用特征工程的方法，对时域连续电压信号进行时域和频域的两重特征提取，最后将这些数据共同输入到传感器电路故障诊断模型进行融合，最终获取传感器电路的故障诊断结果，准确性得到较大提高。下面结合附图对本发明做进一步详细描述：
[0032]
参见图1，本发明一实施例中，提供一种传感器电路故障诊断方法，提出将特征提取和时序特征处理互相融合的思路，以此来提升传感器电路故障诊断的准确度，最终实现对传感器电路的故障类型进行精准分类和定位。
[0033]
具体的，该传感器电路故障诊断方法包括以下步骤：
[0034]
s1：获取传感器电路输出的时域连续电压信号。
[0035]
s2：对时域连续电压信号进行时域特征提取和频域特征提取，得到时域特征数据和频域特征数据。
[0036]
s3：根据所述时域连续电压信号、时域特征数据和频域特征数据，调用预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果。
[0037]
可选的，所述s1中，在获取传感器电路输出的时域连续电压信号时，可以通过对目标传感器电路进行仿真，得到目标模拟电路并将目标模拟电路的输出端作为测试点(即数据采集点)，获得时域连续电压信号，并以时间间隔δt进行采样，共采集n个电压值点，表示为v(m)＝[v1,v2,...,vn]，其中，m表示时域连续电压信号的获取组数，时域连续电压信号的获取组数的总数为m，对于每一组时域连续电压信号，其故障类型可以表示为{f0,f1,...,fk}，其中，fi,i∈{1,2,...,k}表示传感器电路的元件i发生故障，f0表示传感器电路无故障。
[0038]
可选的，预设的传感器电路故障诊断模型可以通过神经网络进行构建，根据时域连续电压信号、时域特征数据和频域特征数据的不同特点，进行高维度特征的提取、处理和融合，最终获取传感器电路故障的定位和分类预测作为诊断结果。
[0039]
综上，本发明传感器电路故障诊断方法，通过对时域连续电压信号进行时域特征提取和频域特征提取，得到时域特征数据和频域特征数据，根据所述时域连续电压信号、时域特征数据和频域特征数据，调用预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果，在进行传感器电路故障诊断时，实现了特征提取和时序信号的联合处理，不仅考虑到了时域连续电压信号本身与传感器电路故障的相关性，还利用特征工程的方法，对时域连续电压信号进行时域和频域的两重特征提取，最后将这些数据共同输入到预设的传感器电路故障诊断模型进行融合，最终获取传感器电路的故障诊断结果，使得传感器电路故障诊断结果的准确性得到较大提高。
[0040]
在一种可能的实施方式中，所述对时域连续电压信号进行时域特征提取和频域特征提取，得到时域特征数据和频域特征数据包括：获取时域连续电压信号的最大值、最小值、平均值、标准差、峰度以及偏度中的一个或几个，得到时域特征数据；将时域连续电压信号进行时频转换，得到频域连续电压信号，获取频域连续电压信号的带宽和中心频率中的一个或几个，得到频域特征数据。
[0041]
具体的，关于时域连续电压信号的时域特征提取，本实施方式中，以最大值、最小
值、平均值、标准差、峰度以及偏度作为时域特征指标，对时域连续电压信号进行时域特征提取，就是获取时域连续电压信号的最大值、最小值、平均值、标准差、峰度以及偏度，可以将时域特征数据表示为td(m)：
[0042]
td(m)＝[v
max
(m),v
min
(m),v
avg
(m),v
std
(m),v
peak
(m),v
ske
(m)]
[0043]
其中，v
max
(m)＝max(v(m))为时域连续电压信号的最大值，v
min
(m)＝min(v(m))为时域连续电压信号的最小值，为时域连续电压信号的平均值，为时域连续电压信号的标准差，为时域连续电压信号的峰度，用于表征概率密度分布曲线在平均值处峰值高低，为时域连续电压信号的偏度，用于表征概率分布密度曲线相对于平均值不对称程度。
[0044]
关于时域连续电压信号的频域特征提取，首先要进行时频转换，得到频域连续电压信号，接着，对频域连续电压信号进行特征提取，本实施方式中，以带宽和中心频率作为频域特征指标，获取频域连续电压信号的带宽和中心频率，得到频域特征数据，可以将频域特征数据表示为fd(m)：
[0045]
fd(m)＝[band(m),freq(m)]
[0046]
其中，band(m)为频域连续电压信号的带宽，freq(m)为频域连续电压信号的中心频率。
[0047]
在一种可能的实施方式中，所述根据所述时域连续电压信号、时域特征数据和频域特征数据，调用预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果包括：组合时域特征数据和频域特征数据，得到时频混合数据；将时域连续电压信号和时频混合数据均进行归一化处理，得到归一化时频电压数据和归一化时频混合数据；将归一化时频电压数据和归一化时频混合数据输入预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果。
[0048]
具体的，首先将时域特征数据和频域特征数据进行组合构成时频混合数据，表示为tf(m)：tf(m)＝[fd(m),td(m)]。
[0049]
然后，对每一组时频混合数据进行归一化处理，获得对应的归一化时频混合数据norm_tf(m)，并对每一组时域连续电压信号进行归一化处理，获得对应的归一化时频电压数据norm_v(m)。
[0050]
可选的，对每一组时频混合数据进行归一化处理时，采用min-max标准化方法，通过下式实现每一组时频混合数据的归一化：
[0051][0052]
其中，tfi(m)表示第m组时频混合数据中的第i个数据，tf
i*
(m)表示tfi(m)归一化后的数值大小，tf
min
(m)表示tf(m)的最小值，tf
max
(m)表示tf(m)的最大值。
[0053]
可选的，对每一组时域连续电压信号进行归一化处理，也可采用min-max标准化方法，通过下式实现每一组时域连续电压信号的归一化：
[0054][0055]
其中，vi(m)表示第m组时域连续电压信号中的第i个数据，表示vi(m) 归一化后的数值大小。
[0056]
在一种可能的实施方式中，参见图2，传感器电路故障诊断模型包括dnn神经网络、lstm神经网络、全连接层网络以及softmax(分类网络)层网络。
[0057]
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。如果说卷积层、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。在实际使用中全连接层可由卷积操作实现。softmax层将若干个(-∞，+∞) 的实数映射为相同数量的(0,1)的实数(可表示概率)，同时保证它们之和为1。
[0058]
其中，dnn神经网络用于输入归一化时频混合数据，输出dnn神经网络输出数据至全连接层网络；lstm神经网络用于输入归一化时频电压数据，输出 lstm神经网络输出数据至全连接层网络；全连接层网络用于将dnn神经网络输出数据和lstm神经网络输出数据进行全连接处理，得到全连接层网络输出数据并输出至softmax层网络；softmax层网络用于根据输入的全连接层网络输出数据，得到传感器电路故障诊断结果并输出。
[0059]
其中，将归一化时频电压数据和归一化时频混合数据输入预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果的具体过程为：
[0060]
步骤1：将归一化时频混合数据norm_tf(m)输入到dnn神经网络，获取dnn 神经网络输出数据d_out(m)。
[0061]
步骤2：将归一化时频电压数据norm_v(m)输入到lstm神经网络，获取 lstm神经网络输出数据l_out(m)。
[0062]
步骤3：将步骤1中的dnn神经网络输出数据d_out(m)和步骤2中的lstm 神经网络输出数据l_out(m)联合，输入到全连接层网络，获取全连接层网络输出数据fc_out(m)，且fc_out(m)为k+1维向量，其中，k为传感器电路的故障类型数，传感器电路的故障类型数与传感器电路的元件数相关，传感器电路共有k个元件，则故障类型为{元件1故障,元件2故障,
…
,元件k故障}。
[0063]
步骤4：将全连接层网络输出数据fc_out(m)作为softmax层网络的输入，经过softmax层网络计算后得到维度为k+1的向量，即传感器电路故障诊断结果。
[0064]
具体的，本实施方式中，根据时频混合数据和时频电压数据的不同特点，分别利用dnn(deep neural networks，深度神经网络)决策神经网络和lstm(longshort term memory，长短期记忆网络)神经网络进行特征提取，在最后将两种网络数据结合，获取最后预测值，以提升传感器电路故障诊断模型的预测能力。
[0065]
可选的，所述dnn神经网络为包含一个输入层、一个输出层和两个隐含层的全连接神经网络。其中，隐含层的前向传播函数为：
[0066][0067]
其中，yi为该隐含层第i个输出，xj为该隐含层第j个输入，w
i,j
为第i个输出对应的第j个输入的权重，bi对应第i个输入的偏置。需要说明，本实施方式中涉及的全连接层网络的前向传播公式与上式一致。
[0068]
可选的，参见图3，所述lstm神经网络的每一个细胞通过输入门、遗忘门和输出门来实现前向传播。
[0069]
其中，遗忘门的更新可以表示为：
[0070]ft
＝σ
·
(wfh
t-1
+ufx
t
+bf)
[0071]
其中，σ为sigmoid激活函数，wf，uf和bf为遗忘门的系数和偏倚，均为可训练参数，h
t-1
为第t-1个细胞的隐藏输出状态，x
t
为本序列的第t个输入，对应本轮次输入的归一化时频电压数据norm_v(m)的第t个元素的值，f
t
为第t个遗忘门更新后的状态。
[0072]
输入门的更新可以表示为：
[0073]it
＝σ
·
(w
iht-1
+uix
t
+bi)
[0074][0075]ct
＝f
t
·ct-1
+i
t
·ct
[0076]
其中，wi，ui，bi，wc，uc和bc为输入门的系数和偏倚，均为可训练参数， c
t-1
为上一时刻的长期状态，c
t
为第t个输入门更新后的状态，表示当前时刻的长期状态，i
t
和均为输入门的中间状态量，表示当前的记忆状态，i
t
表示对的遗忘能力。
[0077]
输出门的更新可以表示为：
[0078]ot
＝σ
·
(w
oht-1
+uox
t
+bo)
[0079]ht
＝o
t
·
tanh(c
t
)
[0080]
其中，wo，uo和bo为输出门的系数和偏置，均为可训练参数，h
t
为第t个细胞的隐藏输出状态，o
t
表示对当前时刻长期状态的遗忘能力。
[0081]
至此，lstm神经网络的一个细胞实现了完整的前向传播。
[0082]
在一种可能的实施方式中，所述softmax层网络的softmax函数为：
[0083][0084]
其中，fc_out(m)[i]为第m组时域连续电压信号的全连接层网络输出数据的第i个数据，fc_out(m)[j]为第m组时域连续电压信号的全连接层网络输出数据的第j个数据，m为时域连续电压信号的获取组数，k为传感器电路的故障类型数； s(fc_out(m)[i])为传感器电路故障诊断结果的第i个数据，i＞0时表示传感器电路元件i发生故障的概率，i＝0时表示传感器电路不发生故障的概率。
[0085]
最终，将s(m)＝[s(fc_out(m)[0]),s(fc_out(m)[1]),...,s(fc_out(m)[k])]作为传感器电路故障诊断结果进行输出，以此来体现传感器电路及内部各元件发生故障的概率。
[0086]
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例
中未披露的细节，请参照本发明方法实施例。
[0087]
参见图4，本发明再一实施例中，提供一种传感器电路故障诊断系统，能够用于实现上述的传感器电路故障诊断系统方法，具体的，该传感器电路故障诊断系统包括数据获取模块、特征提取模块以及诊断模块。
[0088]
其中，数据获取模块用于获取传感器电路输出的时域连续电压信号；特征提取模块用于对时域连续电压信号进行时域特征提取和频域特征提取，得到时域特征数据和频域特征数据；诊断模块用于根据所述时域连续电压信号，调用预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果。
[0089]
在一种可能的实施方式中，所述诊断模块具体用于：组合时域特征数据和频域特征数据，得到时频混合数据；将时域连续电压信号和时频混合数据均进行归一化处理，得到归一化时频电压数据和归一化时频混合数据；将归一化时频电压数据和归一化时频混合数据输入预设的传感器电路故障诊断模型，得到传感器电路故障诊断结果。
[0090]
在一种可能的实施方式中，所述传感器电路故障诊断模型包括dnn神经网络、lstm神经网络、全连接层网络以及softmax层网络；dnn神经网络用于输入归一化时频混合数据，输出dnn神经网络输出数据至全连接层网络；lstm 神经网络用于输入归一化时频电压数据，输出lstm神经网络输出数据至全连接层网络；全连接层网络用于将dnn神经网络输出数据和lstm神经网络输出数据进行全连接处理，得到全连接层网络输出数据输出至softmax层网络；softmax 层网络用于根据输入的全连接层网络输出数据，得到传感器电路故障诊断结果并输出。
[0091]
在一种可能的实施方式中，所述特征提取模块具体用于：获取时域连续电压信号的最大值、最小值、平均值、标准差、峰度以及偏度中的一个或几个，得到时域特征数据；将时域连续电压信号进行时频转换，得到频域连续电压信号，获取频域连续电压信号的带宽和中心频率中的一个或几个，得到频域特征数据。
[0092]
在一种可能的实施方式中，所述softmax层网络的softmax函数为：
[0093][0094]
其中，fc_out(m)[i]为第m组时域连续电压信号的全连接层网络输出数据的第i个数据，fc_out(m)[j]为第m组时域连续电压信号的全连接层网络输出数据的第j个数据，m为时域连续电压信号的获取组数，k为传感器电路的故障类型数； s(fc_out(m)[i])为传感器电路故障诊断结果的第i个数据，i＞0时表示传感器电路元件i发生故障的概率，i＝0时表示传感器电路不发生故障的概率。
[0095]
前述的传感器电路故障诊断方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明施例中的传感器电路故障诊断系统所对应的功能模块的功能描述，在此不再赘述。
[0096]
本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用传感器的形式实现，也可以采用软件功能模块的形式实现。
[0097]
本发明再一个实施例中，提供了一种传感器电路故障诊断装置，该传感器电路故障诊断装置包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现成可编程门阵列(field
‑ꢀ
programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于传感器电路故障诊断方法的操作。
[0098]
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器 (non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关传感器电路故障诊断方法的相应步骤。
[0099]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0100]
本发明是参照根据本发明实施例的方法、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。
[0101]
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。
[0102]
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。
[0103]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。