CN116152953B 基于對抗學習的輕量級車輛實時故障預警方法及系統 （山東大學）

號基于對抗學習的輕量級車輛實時故障預警本發明公開了一種基于對抗學習的輕量級2按車輛ID和時間順序對預處理后的車輛運行數據進行排序，且采用滑將當前時間段的多元時間序列輸入至基于兩階段對抗訓練的輕量級故障預警模型中，輸出車輛在下一時間段的預測時間序列；根據下一時間段的預測時間序列和當前時間段的多元時間序列，計算得到異常分數，所述輸入層包括線性嵌入層和位置編碼層，分別用于基于輸入的多元所述卷積Transformer層包括一個經過輕量化的Transformer編碼器和兩個經過輕量前饋層，所述Transformer編碼器的輸出作為Transformer解碼器輸入，分別輸入至兩個獲取車輛正常運行時的車輛運行數據，構建樣本訓練集，所述樣將當前時間段的多元時間序列作為輸入序列輸入至故按車輛ID和時間順序對預處理后的車輛運行數據進行排序，且采用設定;3從當前時間段的多元時間序列中截取出與預測時間序列長度相同的當前時間子序列，根據異常分數判斷是否將發生故障，當該異常分數大于設定閾值數據處理模塊，用于按車輛ID和時間順序對預處理后的車輛運預測模塊，用于將當前時間段的多元時間序列輸入至基于兩階段故障預警模塊，用于根據下一時間段的預測時間序列和當前時間段的多元時間序列，7.一種電子設備，其特征是，包括存儲器和一種基于對抗學習的輕量級車輛實時故障預警器執行時，完成如權利要求1-5中任一項所述的一種基于對抗學習的輕量級車輛實時故障4[0002]本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技5[0012]將當前時間段的多元時間序列輸入至基于兩階段對抗訓練的輕量級故障預警模[0015]進一步的技術方案，所述故障預警模型包括輸入層、卷積Transformer層和輸出[0017]所述卷積Transformer層包括一個經過輕量化的Transformer編碼器和兩個經過車輛ID和時間順序排序的多個時間段的多元時間序22-Y||26[0029]從當前時間段的多元時間序列中截取出與預測時間序列長度相同的當前時間子[0034]數據處理模塊，用于按車輛ID和時間順序對預處理后的[0043]圖1為本發明實施例所述基于對抗學習的輕量級車輛實時故障預警方法的流程7[0056]由于車輛實時數據采集頻率很高且正常情況下在前后兩個時刻的車輛運行狀態8使用Flink的KeyBy算子根據車輛ID進行分組，將屬于同一輛車的數據分配至同一個}[0071]將上述截取的w條多元時序數據作為當前時間段的多元時序數據，每當處理新的9當前值的誤差生成異常分數，根據異常分數是否大于故障閾值判斷未來是否將要發生故[0075]上述步驟S獲取的當前時間段的多元時序數據作為輸入序列I經過輸入層的線性}[0079]由于Transformer結構的注意機制在計算注意力分數時會平等地對待不同的位置[0082]卷積Transformer層包括一個經過輕量化的TransformerEncoder(即編碼器)和兩個經過輕量化的TransformerDecoder(即解碼器)，均使用卷積操作替代了原有結構中過第二解碼器Decoder2推理計算再經過輸出層得到的第二預測輸出(即第二預測時間序O11表示第一解碼器Decoder1輸出的下一時間段的第一預測時間序21表示第二解碼器Decoder2輸出的下[0104]A=A+S,S=0[0108]A=A+S,S=IIO-A'llz22-Y||2[0127]數據處理模塊，用于按車輛ID和時間順序對預處理后的載用于由處理器執行的指令集并使處理器執行本需要付出創造性勞動即可做出的各種修改或變形仍在